DataMaze: An open source methods and data repository for Morris water maze experiments
Notice bibliographique
Résumé
A core limitation of behavioural neuroscience is the use of a given assay with very different apparatus specifications (e.g., size) and task parameters (e.g., retention intervals). Such procedural variability largely contributes to the outcome discrepancy across various studies and labs, thereby hindering research progress and the replicability of the outcomes (Crabbe et al., 1999). There is an immediate need for informative and inclusive quantitative benchmarks to design experiments, consider and analyze available data, and interpret the results accordingly, thereby reinforcing the FAIR principles. We took the first step in this direction by establishing a comprehensive database, starting with the Morris water maze (DataMaze). DataMaze contains and consolidates specifications and task parameters from thousands of papers (∼5000) and includes data along with related experimental manipulations. To reinforce this effort, we introduce easy-to-calculate indices that will help compare different studies in terms of parameters and outcomes, both prospectively and retrospectively. We also showcase the use of DataMaze for secondary data analysis. The ultimate aim of DataMaze is to transform research practices and reporting standards in behavioural neuroscience, such that researchers quantitatively utilize virtually all published information in evaluating their experiments, analyzing data, and interpreting results. DataMaze will remain a live and accessible platform that will grow retrospectively by incorporating information from additional studies and prospectively by accepting new and richer entries (e.g., individual subject-level data) from researchers.
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 | 0,014 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,105 | 0,058 |
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 ».