Notice bibliographique
Résumé
Release Notes 🐛 Bug Fix and (un)breaking change Fixing unflipped PCA component weights by @handwerkerd in https://github.com/ME-ICA/tedana/pull/1234 #1212 was released with v25.0.0 and included an error where the PCA mixing matrix time series, but not the weight maps were multiplied by -1. This altered the ICA results in undocumented and probably improper ways. This PR fixes that bug. For identical parameters, running v24.0.02 and v25.0.1 in the same environment should result in nearly identical ICA mixing matrices (except for some time series being multipled by -1). People using v25.0.0 should update. Breaking Change Replace --mir with --gscontrol mir in ica_reclassify by @tsalo in https://github.com/ME-ICA/tedana/pull/1222 Changed so a parameter option in ica_reclassify more closely matches the naming scheme in tedana Enhancements Add gscontrol figures by @tsalo in https://github.com/ME-ICA/tedana/pull/1221 Add external regressor-mixing matrix correlation heat map by @tsalo in https://github.com/ME-ICA/tedana/pull/1226 The above two PRs add new figures to the report to help users between understand and quality check results if they use external regressors or global signal regression. Add --dummy-scans parameter to CLIs by @tsalo in https://github.com/ME-ICA/tedana/pull/1232 tedana now has a parameter --dummy-scans that can be used to remove the first X volumes of fMRI data from within tedana. Project maintenance Drop Python 3.8 support by @effigies in https://github.com/ME-ICA/tedana/pull/1228 Python 3.8 is considered end-of-life and it was starting to cause some backwards compatibility issues. Full Changelog: https://github.com/ME-ICA/tedana/compare/25.0.0...25.0.1
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,319 | 0,428 |
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 ».