MétaCan
Menu
← Retour à la cohorte
Enregistrement W4306655460 · doi:10.2196/43025

Correction: Cost-Effectiveness of Lung Cancer Screening Using Low-Dose Computed Tomography Based on Start Age and Interval in China: Modeling Study

2022· erratum· en· W4306655460 sur OpenAlexvenueno aff
Zixuan Zhao, Lingbin Du, Yuanyuan Li, Le Wang, Youqing Wang, Yi Yang, Hengjin Dong

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2022
Typeerratum
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputed tomographyLung cancerMedicineCancerChinaInterval (graph theory)Medical physicsNuclear medicineStatisticsRadiologyOncologyMathematicsInternal medicineHistory

Résumé

récupéré en direct d'OpenAlex

[This corrects the article DOI: 10.2196/36425.].

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)0,008
score de la tête « metaresearch » (Gemma)0,170
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,144
Score d'incertitude au seuil0,482

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,170
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0040,002
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,1440,029

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 Opus0,034
Tête enseignante GPT0,360
Écart entre enseignants0,326 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→