Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging
Notice bibliographique
Résumé
ENWEndNote BIBJabRef, Mendeley RISPapers, Reference Manager, RefWorks, Zotero AMA Huras H, Hurkała J, Radoń-Pokracka M, et al. Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging. Dermatology Review/Przegląd Dermatologiczny. 2018;105(4):558-561. doi:10.5114/dr.2018.78078. APA Huras, H., Hurkała, J., Radoń-Pokracka, M., Dyduch, G., Taczanowska-Niemczuk, A., & Jach, R. et al. (2018). Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging. Dermatology Review/Przegląd Dermatologiczny, 105(4), 558-561. https://doi.org/10.5114/dr.2018.78078 Chicago Huras, Hubert, Joanna Hurkała, Małgorzata Radoń-Pokracka, Grzegorz Dyduch, Anna Taczanowska-Niemczuk, Robert Jach, and Jakub Droś et al. 2018. "Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging". Dermatology Review/Przegląd Dermatologiczny 105 (4): 558-561. doi:10.5114/dr.2018.78078. Harvard Huras, H., Hurkała, J., Radoń-Pokracka, M., Dyduch, G., Taczanowska-Niemczuk, A., Jach, R., Droś, J., and Lauterbach, R. (2018). Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging. Dermatology Review/Przegląd Dermatologiczny, 105(4), pp.558-561. https://doi.org/10.5114/dr.2018.78078 MLA Huras, Hubert et al. "Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging." Dermatology Review/Przegląd Dermatologiczny, vol. 105, no. 4, 2018, pp. 558-561. doi:10.5114/dr.2018.78078. Vancouver Huras H, Hurkała J, Radoń-Pokracka M, Dyduch G, Taczanowska-Niemczuk A, Jach R et al. Neurocutaneous melanosis in a newborn identified prenatally by non-invasive imaging. Dermatology Review/Przegląd Dermatologiczny. 2018;105(4):558-561. doi:10.5114/dr.2018.78078.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».