MétaCan
Menu
← Retour à la cohorte
Enregistrement W3116867234 · doi:10.1016/j.neuroimage.2020.117679

Beyond MRI: on the scientific value of combining non-human primate neuroimaging with metadata

2021· article· en· W3116867234 sur OpenAlexfundno aff
Colline Poirier, Suliann Ben Hamed, Pamela García-Saldivar, Sze Chai Kwok, Adrien Meguerditchian, Hugo Merchant, Jeffrey Rogers, Sara Wells, Andrew S. Fox

Notice bibliographique

RevueNeuroImage · 2021
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensnon disponible
Organismes subventionnairesCalifornia National Primate Research CenterEuropean Research CouncilCentre Eau Terre Environnement, Institut National de la Recherche ScientifiqueMedical Research CouncilH2020 European Research CouncilCentre National de la Recherche ScientifiqueNational Natural Science Foundation of ChinaConsejo Nacional de Ciencia y TecnologíaAgence Nationale de la RechercheNational Institute of Mental HealthScience and Technology Commission of Shanghai MunicipalityNational Centre for the Replacement, Refinement and Reduction of Animals in ResearchEuropean CommissionNational Institutes of HealthNewcastle University
Mots-clésNeuroimagingMetadataPoolingNon human primateComputer sciencePrimateFunctional neuroimagingData sharingData scienceNeuroscienceArtificial intelligencePsychologyBiologyEvolutionary biologyMedicineWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Sharing and pooling large amounts of non-human primate neuroimaging data offer new exciting opportunities to understand the primate brain. The potential of big data in non-human primate neuroimaging could however be tremendously enhanced by combining such neuroimaging data with other types of information. Here we describe metadata that have been identified as particularly valuable by the non-human primate neuroimaging community, including behavioural, genetic, physiological and phylogenetic data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,070
score de la tête « metaresearch » (Gemma)0,232
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,373

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0700,232
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0150,015
Études des sciences et des technologies0,0030,012
Communication savante0,0140,048
Science ouverte0,0030,013
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,301
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuroImage→Même sujetFunctional Brain Connectivity Studies→Travaux en français237 207→