Using, misusing, and improving online machine learning-based meta-analysis of neuroimaging published data: A perspective on NeuroQuery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Online, text-based meta-analysis tools for large databases represent a new digital advance for medical, health, and neuroscience research, among other fields. NeuroQuery is an instance of such a tool for neuroimaging research; it employs supervised machine learning to draw from over 13,000 publications and perform a meta-synthesis, generating predictive fMRI scans based on keyword combinations. Although NeuroQuery is a sophisticated tool, a lack of understanding of how it practically works and its limitations may lead to flawed results and conclusions, undermining its potential value. We review potential risks and limitations, including algorithm limitations, potential biases in the database, and user misinterpretation. Simulating the perspective of an end user, we present an example of unreliable but possible metanalysis results on autistic spectrum disorder (ASD). We then report an analysis of the underlying query from a sophisticated user perspective. Using the same examples, we illustrate possible improvements for the use of NeuroQuery and identify how this tool may be valuable in the context of emerging machine-learning meta-analytical approaches. Although a thorough understanding of NeuroQuery is helpful, we conclude that understanding its limitations plays a more critical role in ensuring validity and reliability of its use. While NeuroQuery is currently not appropriate for rigorous scientific analysis, it could be useful for hypothesis development, preliminary fMRI data mining, exploratory and supplemental analysis as well as literature survey.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle