MétaCan
Menu
Retour à la cohorte
Enregistrement W4407548686 · doi:10.1093/sleep/zsaf035

Big data approaches for novel mechanistic insights on sleep and circadian rhythms: a workshop summary

2025· article· en· W4407548686 sur OpenAlexaff
Lawrence Baizer, Regina M. Bures, Girish N. Nadkarni, Carolyn M. Reyes-Guzman, Sweta Ladwa, Brian E. Cade, M. Brandon Westover, Jeffrey Durmer, Massimiliano de Zambotti, Manisha Desai, Ankit Parekh, Bing Si, Julio Fernández‐Mendoza, Kelton Minor, Diego R. Mazzotti, Soomi Lee, Dina Katabi, Orsolya Kiss, Adam P. Spira, Jonna L. Morris, Azizi Seixas, Marianthi‐Anna Kioumourtzoglou, John F. P. Bridges, Marishka Brown, Lauren Hale, Shaun Purcell

Notice bibliographique

RevueSLEEP · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHealth, Environment, Cognitive Aging
Établissements canadiensCanadian Sleep & Circadian Network
Organismes subventionnairesNational Heart, Lung, and Blood InstituteNational Institutes of Health
Mots-clésCircadian rhythmSleep (system call)Data scienceBig dataNeurosciencePsychologyMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

The National Center on Sleep Disorders Research of the National Heart, Lung, and Blood Institute at the National Institutes of Health hosted a 2-day virtual workshop titled Big Data Approaches for Novel Mechanistic Insights on Disorders of Sleep and Circadian Rhythms on May 2nd and 3rd, 2024. The goals of this workshop were to establish a comprehensive understanding of the current state of sleep and circadian rhythm disorders research to identify opportunities to advance the field by using approaches based on artificial intelligence and machine learning. The workshop showcased rapidly developing technologies for sensitive and comprehensive remote analysis of sleep and its disorders that can account for physiological, environmental, and social influences, potentially leading to novel insights on long-term health consequences of sleep disorders and disparities of these health problems in specific populations.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,980
Score d'incertitude au seuil0,904

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,092
Tête enseignante GPT0,274
Écart entre enseignants0,182 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLEEPMême sujetHealth, Environment, Cognitive AgingTravaux en français237 207