BY-COVID D2.3 Enabling data discovery at source using beacon-like mechanisms
Notice bibliographique
Résumé
Deliverable D2.3, titled "Enabling data discovery at source using beacon-like mechanisms," presents the outcomes and advancements achieved by Work Package 2 (WP2) partners within the BY-COVID project. The report delineates existing data discovery mechanisms and introduces novel cross-domain data discovery through extensions to the Beacon and the Beacon Network technologies, particularly focusing on its application to COVID-19 data. Throughout the duration of the project, significant progress has been made in expanding standard data discovery mechanisms. Collaborative efforts have resulted in the enhancement of Global Alliance for Genomics and Health (GA4GH) Beacon-based mechanisms, enabling efficient data discovery at its source. This deliverable describes eight different Beacon implementations from BY-COVID partners, and other institutions in Europe and other parts of the world (Canada and Australia). These beacons share cross-domain data, from viral genomes and epidemiology to rich patient information or combined viral and host genomes from the same donors. The achievements prove the commitment to enabling data discovery at its source. By extending Beacon technologies, the project has paved the way for enhanced data accessibility and interoperability across various research domains. Nevertheless, the deliverable shows that the use of popular models and dictionaries (like OMOP or ISARIC eCRF) is not enough to achieve solid interoperability, although it enormously reduces the harmonisation gap and opens the door to generation of tools to bridge these gaps. These advancements signify a crucial step forward in empowering researchers to efficiently access and use diverse datasets, ultimately contributing to more informed decision-making and research outcomes.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».