MétaCan
Menu
Retour à la cohorte
Enregistrement W4394168181 · doi:10.6084/m9.figshare.24739581

CS Home Training data.xlsx

2023· dataset· en· W4394168181 sur OpenAlexaboutno aff
Jingyi Yang, Elizabeth L. Saionz, Matthew R. Cavanaugh, Berkeley K. Fahrenthold, Michael D. Melnick, Duje Tadin, Farran Briggs, Marisa Carrasco, Krystel R. Huxlin

Notice bibliographique

RevueFigshare · 2023
Typedataset
Langueen
DomaineDecision Sciences
ThématiqueScheduling and Timetabling Solutions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTraining (meteorology)GeographyMeteorology

Résumé

récupéré en direct d'OpenAlex

After baseline measurements in-lab, participants were sent home to train for several months (subacute (SA): 4.9±0.6 months [mean ± SD]; chronic (CH): 6.8±4.0 months). They used their personal computers with a chin/forehead-rest provided by the lab, which they were instructed to position 42cm away from their display during training. Participants performed 300 trials of their assigned training tasks (Static, Motion or Flicker) per location per day, at least five days per week, and they emailed their data log files back to the lab for analysis every week. During home training sessions, they were instructed to stay fixated on the fixation spot and warned that inadequate fixation accuracy could limit recovery.Session thresholds were calculated by fitting a Weibull function with a 72.5 percent correct performance threshold criterion. After participants’ thresholds improved consistently for at least 20 sessions, we moved their training stimulus 1˚ deeper into the blind field along the x-axis (Cartesian coordinate space). Because the diameter of the stimulus is 2.5 ˚, the new training location had ~80% overlap with the original training location. Once participants trained for about 4 months, with at least one improved location (defined as consistently good contrast thresholds at that location), they were brought back to the lab, and performance at all home-trained locations was verified with eye tracker-enforced fixation control. We aimed for a similar number of training sessions at the blind-field locations of interest before scheduling people to return for in-lab performance verification. However, the amount of time elapsed until the return visit did vary, as it was affected by the individual’s rate of improvement, their work/family schedules, and ability to travel to our single study site (participants originated from across the entire United States and Canada). All participants were best corrected using glasses or contact lenses during testing and training. The Research Subjects Review Board approved study procedures at the University of Rochester, which were conducted as per the Declaration of Helsinki, with written informed consent obtained from each participant, and participation was voluntary.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,902
Score d'incertitude au seuil0,140

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0020,001
Communication savante0,0040,003
Science ouverte0,0040,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,9020,664

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 Opus0,741
Tête enseignante GPT0,500
Écart entre enseignants0,241 · 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
GenreJeu de données

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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetScheduling and Timetabling SolutionsTravaux en français237 207