Biobanking in the COVID-19 Era and Beyond: Part 2. A Set of Tool Implementation Case Studies
Notice bibliographique
Résumé
The COVID-19 era has brought about a number of novel challenges for the global biobanking community. An array of diverse tools (e.g., standards, best practices, and plans) exists to support quality and fitness-for-purpose in biobank operations. The International Society for Biological and Environmental Repositories (ISBER) COVID-19 Response Task Force has set out to identify needs and gaps in these tools and make recommendations for the next generation of available tools, having closely examined the COVID-19-related challenges. While conducting this work to examine the relationships between tools and biobank adaptability, a subgroup of the task force conducted a parallel effort to develop and describe individual COVID-19 era case studies based on a number of operating biobanks. Each case study presents a different combination of implemented tools. Observations and lessons learned from these case studies are provided, and experiences with tool implementation are discussed. This information is supplemented by data relating to tool usefulness that was obtained through an ISBER survey discussed in a companion article. The knowledge gained from this study will be combined with other task force efforts to make recommendations to better position the biobanking community in their response to future emergencies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».