Notice bibliographique
Résumé
<!-- Release notes generated using configuration in .github/release.yml at main --> What's Changed 🐛 Bug Fixes Convert 3D AFNI volumes to actual 3D by @handwerkerd in https://github.com/ME-ICA/tedana/pull/1381 nibabel opens AFNI formatted 3D volumes so that there is a 4th dimension of length 1. The nilearn.plotting function add_contours crashes when it expects a 3D and receives a 4D volume. This resulted in tedana crashing when it is run as part of the afni_proc.py pipeline. The main reason we are releasing this version is to address this issue. Other Changes Organize CLI arguments into groups by @tsalo in https://github.com/ME-ICA/tedana/pull/1369 The help text in tedana --help and for ica_reclassify and ts2map are better organized with some edits for clarity. Check that classification tags are used in decision trees and that each decision tree includes the Likely BOLD tag by @tsalo in https://github.com/ME-ICA/tedana/pull/1370 Better checking to make sure a user-provided decision tree will operate well within tedana. A few things that used to raise warnings will now raise errors. This may cause issues if someone was using decision trees that previously raised warnings. Address test and RTD build warnings by @tsalo in https://github.com/ME-ICA/tedana/pull/1376 Some parts of the documentation at https://tedana.readthedocs.io should be properly rendered now and benign warnings were fixed. fix: Update open_rica_report.py with current Rica file patterns by @eurunuela in https://github.com/ME-ICA/tedana/pull/1375 Makes sure tedana interacts well with new updated to https://github.com/me-ICA/rica Full Changelog: https://github.com/ME-ICA/tedana/compare/26.0.0...26.0.1
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,535 | 0,733 |
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 ».