MétaCan
Menu
Retour à la cohorte
Enregistrement W3199446885 · doi:10.1158/2326-6066.cir-21-0519

Supporting the Next Generation of Scientists to Lead Cancer Immunology Research

2021· article· en· W3199446885 sur OpenAlexaff
Elise Alspach, Ryan D. Chow, Shadmehr Demehri, Jennifer L. Guerriero, Shashi Gujar, Felix J. Hartmann, Beth A. Helmink, William Henry Hudson, Won Jin Ho, Leyuan Ma, Bárbara Maier, Vivien I. Maltez, Brian C. Miller, Amy E. Moran, Erin M. Parry, Padmini S. Pillai, Sarwish Rafiq, Miguel Reina‐Campos, Pamela C. Rosato, Nils-Petter Rudqvist, Megan K. Ruhland, Idit Sagiv-Barfi, Avinash Sahu, Robert Samstein, Christian M. Schürch, Debattama R. Sen, Daniela S. Thommen, Yochai Wolf, Roberta Zappasodi

Notice bibliographique

RevueCancer Immunology Research · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCAR-T cell therapy research
Établissements canadiensDalhousie University
Organismes subventionnairesNational Cancer InstituteNational Institutes of Health
Mots-clésEngineering ethicsField (mathematics)Cancer immunotherapyPublishingPolitical scienceImmunologyMedicineImmunotherapyEngineeringImmune system

Résumé

récupéré en direct d'OpenAlex

Recent success in the use of immunotherapy for a broad range of cancers has propelled the field of cancer immunology to the forefront of cancer research. As more and more young investigators join the community of cancer immunologists, the Arthur L. Irving Family Foundation Cancer Immunology Symposium provided a platform to bring this expanding and vibrant community together and support the development of the future leaders in the field. This commentary outlines the lessons that emerged from the inaugural symposium highlighting the areas of scientific and career development that are essential for professional growth in the field of cancer immunology and beyond. Leading scientists and clinicians in the field provided their experience on the topics of scientific trajectory, career trajectory, publishing, fundraising, leadership, mentoring, and collaboration. Herein, we provide a conceptual and practical framework for career development to the broader scientific community.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,123
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0010,003
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0140,000

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 Opus0,342
Tête enseignante GPT0,524
Écart entre enseignants0,182 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Immunology ResearchMême sujetCAR-T cell therapy researchTravaux en français237 207