Statistics, Data Science, and the Connectome
Notice bibliographique
Résumé
Statistics and data science are central to brain connectivity research, enabling extraction of meaningful patterns from complex neuroimaging data and advancing understanding of functional architecture. Connectivity analyses map the intricate networks underlying cognition and disease by revealing how brain regions communicate, synchronize, and influence one another. This article reviews statistical analysis of functional connectivity (i.e., the undirected association between time series from distinct brain regions) and effective connectivity (i.e., the directed causal influence that one region exerts over another). Functional connectivity is often assessed using correlation, coherence, or mutual information, while effective connectivity requires more sophisticated modeling approaches such as Granger causality, dynamic causal modeling, or structural equation models. We highlight key analytic choices in connectivity studies (e.g., preprocessing, parcellation, spatial and temporal resolution across fMRI and EEG), and then describe the metrics and models used to assess functional and effective connectivity. This is followed by recent advances on time-varying, connectivity, high-dimensional graphical networks, and graph theory. We conclude with open problems in brain connectivity research, emphasizing the need for continued statistical innovation and interdisciplinary collaboration.
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 | 0,021 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».