MétaCan
Menu
Retour à la cohorte
Enregistrement W4231124763 · doi:10.36227/techrxiv.15125520

Low Temperature Plasma for Biology, Hygiene, and Medicine: Perspective and Roadmap

2021· preprint· en· W4231124763 sur OpenAlexaff
Mounir Laroussi, Sander Bekeschus, Annemie Bogaerts, Alexander Fridman, Xinpei Lu, Vandana Miller, Christophe O. Laux, James A. Walsh, Chunqi Jiang, Dawei Liu, Maksud Yusupov, Michael Keidar, Masaru Hori, Katharina Stapelmann, Ali Mesbah, Selma Mededovic Thagard, Hiromasa Tanaka, Dayuan Yan, Kostya Ostrikov, Stephan Reuter

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineMedicine
ThématiquePlasma Applications and Diagnostics
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesVlaamse regeringFonds Wetenschappelijk Onderzoek
Mots-clésField (mathematics)Engineering ethicsPerspective (graphical)Plasma medicineNanotechnologyComputer scienceEngineering physicsAtmospheric-pressure plasmaEngineeringPhysicsPlasmaMaterials scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

<p>Plasma, the fourth and most pervasive state of matter in the visible universe, is a fascinating medium that is connected to the beginning of our universe itself. Man-made plasmas are at the core of many technological advances that include the fabrication of semiconductor devices, which enabled the modern computer and communication revolutions. The introduction of low temperature, atmospheric pressure plasmas to the biomedical field has ushered a new revolution in the healthcare arena that promises to introduce plasma-based therapies to combat some thorny and long-standing medical challenges. This paper presents an overview of where research is at today and discusses innovative concepts and approaches to overcome present challenges and take the field to the next level. It is written by a team of experts who took an in-depth look at the various biomedical applications, made critical analysis, and proposed ideas and concepts that should help the research community focus their efforts on clear and practical steps necessary to keep the field advancing for decades to come. </p>

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,381
Score d'incertitude au seuil0,779

Scores Codex et Gemma par catégorie

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

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 Opus0,017
Tête enseignante GPT0,319
Écart entre enseignants0,302 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPlasma Applications and DiagnosticsTravaux en français237 207