Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The growing field of neuroimaging has offered exciting insights into the inner workings of the human brain in health and disease. Structural neuroimaging techniques provide detailed information about the physical properties and anatomy of the brain and nervous system, including cerebrospinal fluid, blood vessels, and different types of tissue. The most commonly used structural neuroimaging techniques are computed tomography (CT) and structural magnetic resonance imaging (MRI). CT uses X-rays to create a two-dimensional representation of neural tissue, whereas MRI quantifies differences in tissue density by manipulating molecules using magnetic fields, magnetic field gradients, and radio waves. Functional neuroimaging techniques provide a measure of when and where activity is occurring in the brain by quantifying underlying physiological processes. Functional neuroimaging techniques fall into two broad categories: measures of direct brain activity, including electroencephalography (EEG) and magnetoencephalography (MEG), and measures of indirect brain activity, such as positron emission tomography (PET), functional magnetic resonance imaging (fMRI), and functional near-infrared spectroscopy (fNIRS). Different functional neuroimaging techniques can be used to examine different physiological changes, including electrical activity, magnetic field changes, metabolic and neurotransmitter activity, and indirect measures of blood flow to offer insight into cognitive processing. Structural and functional neuroimaging have made a profound impact on understanding the brain both during normal functioning and in clinical pathology. Overall, neuroimaging is a powerful tool for both research and clinical practice and offers a noninvasive window into the central nervous system of humans in both health and disease.
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.
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 | 0,002 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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.
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 découle