Open Neuroimaging Laboratory: An Opensource Web Framework For Collaboration Around Brain Imaging Data.
Notice bibliographique
Résumé
A > A0 poster which is designed for fabric print and can be cut and sewed into two T-Shirts. This project has received the OHBM best abstract merit award. The poster was presented at the 2017 Annual Meeting of the Organization for Human Brain Mapping (OHBM) in Vancouver, 25–29 June. Project: Significant investment has been made into collecting and sharing brain imaging data for thousands of individuals. One key challenge, however, limits the usability of this data: To work with it, researchers need to download the data locally; and curation, editing and analysis are then done redundantly by each research group. This painstaking process results in a large proportion of shared data not being analysed, wasting time and funding. With the Open Neuroimaging Laboratory, we solve this challenge by creating an opensource Web framework that provides direct access to this wealth of data, and allows people to perform analyses collaboratively, using only a browser. With its two first applications – BrainBox1 and MetaSearch2 – the OpenNeuroLab facilitates finding, improving, and reusing the massive amount of brain MRI data available online. By requiring nothing but a Web browser, our virtual neuroimaging laboratory lowers the barriers for researchers, students, and citizen scientists to help scientific discovery.
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 | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,009 | 0,022 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,036 |
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 ».