An infrastructure for qualified data sharing and team science in late-stage translational spinal cord injury research
Notice bibliographique
Résumé
The complex and heterogeneous nature of spinal cord injury has limited translational bench-to-bedside results. The wide variety of data, including injury parameters, biochemical, histological, and behavioral outcome measures represent a ‘big data’ problem, calling for modern data science solutions. There are some instances in which SCI researchers collect sensitive data that needs to remain private, such as datasets designed to meet regulatory approval, sensitive intellectual property, and non-human primate studies. For these types of data, we have developed a Private Data Commons for SCI (PDC-SCI). Our objective is to give an overview of this novel data commons, describing how this type of commons works, how it can benefit the research community, and the cases in which it would be most useful. This private infrastructure is ideal for multi-lab transdisciplinary studies that require a well-organized, scalable data commons for rapid data sharing within a closed, distributed team. As a use-case for the PDC-SCI, we demonstrate the VA Gordon Mansfield SCI Consortium, in which multimodal data from behavior, biomechanics of injury, hospital records, imaging, and histology are integrated, shared, and analyzed to facilitate insights and knowledge discovery. • Private data commons (PDC) allows researchers in team science to share sensitive data securely among themselves. • Ideal for multilab transdisciplinary studies that require a well-organized, scalable data commons. • The PDC facilitates the integration, sharing, and analysis of multimodal data for knowledge discovery.
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 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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».