Naturalistic computational psychiatry: How to get there?
Notice bibliographique
Résumé
Consider the practical effects of the objects of your conception.Then, your conception of those effects is the whole of your concep tion of the object. -Charles Sanders Peirce 1Each of us has an individual mental phenomenon that de fines us.Some of our differences and similarities are clin ically relevant; these form the core edifice for psychiatric practice.Neuroscience and psychopathology are the 2 foun dations that hold this edifice, but connecting these is an on going journey, one that the JPN committed itself to upon its conception 33 years ago. 2 This editorial is a note on an excit ing leg of this journey, known in recent years as computa tional psychiatry.Computational psychiatry aspires to take observations of brain function to psychiatric phenomena by riding on math ematics and computer science.3 Computational psychiatry re searchers use datadriven machinelearning analyses and cognitive theory-driven mathematical models to explore and verify patterns of brain-psychopathology relationships. 4 Cognitive theory-driven studies have rapidly emerged as a key explanatory approach in psychiatric neuroscience, exem plified by several recent publications in JPN.[5][6][7][8] In what fol lows, we focus on a specific challenge faced by theorydriven computational psychiatry in its translational goals: the real world transferability.
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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».