Functional resonance as a tool to support diagnosis of schizophrenic patients
Notice bibliographique
Résumé
ENWEndNote BIBJabRef, Mendeley RISPapers, Reference Manager, RefWorks, Zotero AMA Sylwia Karpiel I, Kurasz Z. Functional resonance as a tool to support diagnosis of schizophrenic patients. Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology. 2021;16(1):51-60. doi:10.5114/nan.2021.108033. APA Sylwia Karpiel, I., & Kurasz, Z. (2021). Functional resonance as a tool to support diagnosis of schizophrenic patients. Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology, 16(1), 51-60. https://doi.org/10.5114/nan.2021.108033 Chicago Sylwia Karpiel, Ilona, and Zofia Kurasz. 2021. "Functional resonance as a tool to support diagnosis of schizophrenic patients". Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology 16 (1): 51-60. doi:10.5114/nan.2021.108033. Harvard Sylwia Karpiel, I., and Kurasz, Z. (2021). Functional resonance as a tool to support diagnosis of schizophrenic patients. Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology, 16(1), pp.51-60. https://doi.org/10.5114/nan.2021.108033 MLA Sylwia Karpiel, Ilona et al. "Functional resonance as a tool to support diagnosis of schizophrenic patients." Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology, vol. 16, no. 1, 2021, pp. 51-60. doi:10.5114/nan.2021.108033. Vancouver Sylwia Karpiel I, Kurasz Z. Functional resonance as a tool to support diagnosis of schizophrenic patients. Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology. 2021;16(1):51-60. doi:10.5114/nan.2021.108033.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».