MétaCan
Menu
Retour à la cohorte
Enregistrement W4377104151 · doi:10.3389/fninf.2023.1158378

FAIR in action: Brain-CODE - A neuroscience data sharing platform to accelerate brain research

2023· article· en· W4377104151 sur OpenAlexafffundabout
Brendan Behan, Francis Jeanson, Heena Cheema, Derek Eng, Fatema Khimji, Anthony L. Vaccarino, Tom Gee, Susan Gilbert Evans, F. Chris MacPhee, Fan Dong, Shahab Shahnazari, Alana Sparks, Emily Martens, Bianca Lasalandra, Stephen R. Arnott, Stephen C. Strother, Mojib Javadi, Moyez Dharsee, Kenneth Evans, Kirk Nylen, Tom Mikkelsen

Notice bibliographique

RevueFrontiers in Neuroinformatics · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueResearch Data Management Practices
Établissements canadiensUniversity of TorontoBaycrest HospitalIndoc ResearchSystems, Applications & Products in Data Processing (Canada)Ontario Brain Institute
Organismes subventionnairesGovernment of OntarioOntario Brain Institute
Mots-clésAction (physics)NeuroscienceComputer scienceNeuroinformaticsBrain researchCode (set theory)Data sharingCognitive sciencePsychologyProgramming languageMedicine

Résumé

récupéré en direct d'OpenAlex

The effective sharing of health research data within the healthcare ecosystem can have tremendous impact on the advancement of disease understanding, prevention, treatment, and monitoring. By combining and reusing health research data, increasingly rich insights can be made about patients and populations that feed back into the health system resulting in more effective best practices and better patient outcomes. To achieve the promise of a learning health system, data needs to meet the FAIR principles of findability, accessibility, interoperability, and reusability. Since the inception of the Brain-CODE platform and services in 2012, the Ontario Brain Institute (OBI) has pioneered data sharing activities aligned with FAIR principles in neuroscience. Here, we describe how Brain-CODE has operationalized data sharing according to the FAIR principles. Findable-Brain-CODE offers an interactive and itemized approach for requesters to generate data cuts of interest that align with their research questions. Accessible-Brain-CODE offers multiple data access mechanisms. These mechanisms-that distinguish between metadata access, data access within a secure computing environment on Brain-CODE and data access via export will be discussed. Interoperable-Standardization happens at the data capture level and the data release stage to allow integration with similar data elements. Reusable - Brain-CODE implements several quality assurances measures and controls to maximize data value for reusability. We will highlight the successes and challenges of a FAIR-focused neuroinformatics platform that facilitates the widespread collection and sharing of neuroscience research data for learning health systems.

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)0,034
score de la tête « metaresearch » (Gemma)0,096
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesScience ouverte
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil0,180

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0340,096
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,003
Études des sciences et des technologies0,0030,006
Communication savante0,0100,021
Science ouverte0,0070,028
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0210,013

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 Opus0,515
Tête enseignante GPT0,478
Écart entre enseignants0,037 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations10
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeuroinformaticsMême sujetResearch Data Management PracticesTravaux en français237 207