MétaCan
Menu
Retour à la cohorte
Enregistrement W4382049474 · doi:10.20944/preprints201908.0208.v4

Optimizing Methodology of Sleep and Memory Research in Humans

2023· preprint· en· W4382049474 sur OpenAlexaff
Dezső Németh, Émilie Gerbier, Jan Born, Timothy C. Rickard, Susanne Diekelman, Stuart Fogel, Lisa Genzel, Alexander Prehn‐Kristensen, Jessica D. Payne, Martin Dresler, Péter Simor, Stéphanie Mazza, Kerstin Hoedlmoser, Perrine Ruby, Rebecca M. C. Spencer, Geneviève Albouy, Teodóra Vékony, Manuel Schabus, Karolina Janacsek

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueSleep and Wakefulness Research
Établissements canadiensWilfrid Laurier UniversityUniversity of Ottawa
Organismes subventionnairesMagyar Tudományos AkadémiaHungarian Scientific Research FundCHIST-ERANemzeti Kutatási Fejlesztési és Innovációs HivatalInstitut National de la Santé et de la Recherche MédicaleAgence Nationale de la Recherche
Mots-clésForgettingMemory consolidationSleep (system call)Cognitive psychologyImplicit memoryComputer scienceTask (project management)ConstructiveConsolidation (business)PsychologyCognitive scienceNeuroscienceCognitionProcess (computing)

Résumé

récupéré en direct d'OpenAlex

Understanding the complex relationship between sleep and memory is a major challenge in neuroscience. Many studies on memory consolidation in humans suggest that sleep triggers offline memory processes, resulting in less forgetting of declarative memory and performance stabilization in non-declarative memory. However, issues related to non-optimal experimental designs, task characteristics and measurements, and inappropriate data analysis practices can significantly affect the interpretation of the effect of sleep on memory. In this article, we discuss these issues and suggest constructive solutions to address them. We believe that implementing these solutions in future sleep and memory research will significantly advance this field by improving the understanding of the specific role of sleep in memory consolidation.

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)0,010
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,217
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0020,009
Intégrité de la recherche0,0010,003
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 Opus0,746
Tête enseignante GPT0,530
Écart entre enseignants0,217 · 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.

Devis d'étudeExpérimental (laboratoire)
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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetSleep and Wakefulness ResearchTravaux en français237 207