shinyRGT: An R-Shiny application for extraction and visualization of Rat Gambling Task data
Notice bibliographique
Résumé
The Rat Gambling Task (RGT) is a well validated rodent model of addiction-like behaviour. It is based on the Iowa Gambling Task (IGT) - a commonly used clinical assay to measure gambling-like behaviour. Rats choose between 4 options to earn as many sugar pellets as possible within 30 min. Each option is associated with dif- ferent reward sizes, but also the probability and duration of the time out punishment. The task is designed such that the optimal strategy for earning sugar pellets is to favour the low risk, low reward options. Consistently selecting the high risk, high reward options results in longer and more frequent time-out penalties. Currently, there is no specialized graphical user interface (GUI) designed to extract, clean, and process RGT data. The installation and use of existing tools are challenging for users lacking coding experience and can be extremely time consuming. To address these issues, we developed a free and open source R-Shiny application called shinyRGT, as a GUI for RGT data extraction, wrangling, and visualization. Clean and usable data can be easily extracted. As well, publication ready plots can be readily generated and annotated from user input. All generated tables can be downloaded as CSV files and generated graphs can be saved to local machines. shinyRGT is deployed at https://andrewcli.shinyapps.io/shinyRGT/for online use. The repository is available at https://github.com/andr3wli/ shinyapps.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 0,070 |
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 ».