Meta all the way down: An overview of neuroimaging meta-analyses
Notice bibliographique
Résumé
Abstract Meta-analyses are invaluable tools for navigating the rapidly expanding scientific literature. Given their high value, ensuring the quality of meta-analyses is paramount. We conducted a multifaceted overview, examining each step in a manual neuroimaging meta-analysis on a large scale. We used four novel datasets comprising over 14,000 papers, including fMRI meta-analyses, fMRI studies, studies included in meta-analyses, and studies associated with image data on NeuroVault. Regarding successes, two-thirds of meta-analyses stated that they followed PRISMA guidelines, and 65% included a flowchart describing their inclusion process. We point out several areas for improvement. Pre-registration was fairly rare (20%), and only half listed their exact search strategy. There could be a location bias in which papers are included, and many did not include enough studies to be robust against publication bias (68% of meta analyses have less than 30 studies included). We also offer ideas for future directions. As image based meta-analysis is the gold standard, we have indicated which topics have the most image data available. The potential redundancy of topics can be visualized in our paper, and we recommend future meta-analyses be in conversation with past ones by citing and discussing previous similar work. By addressing these findings, the neuroimaging community can collectively improve the field of neuroimaging meta-analyses.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,078 | 0,228 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,013 | 0,026 |
| Bibliométrie | 0,030 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».