Statistical analysis of the mismatch negativity: To a dilemma, an answer
Notice bibliographique
Résumé
This paper offers a new innovative outlook on mismatch negativity (MMN) analysis. Indeed, researchers in this field encounter difficulties when attempting to objectively quantify the MMN component waveform. Advantages taken from already existing amplitude and area under the curve measures were used in order to thwart weaknesses from each individual measure. The present paper can also be used as a guideline that describes each step required in the execution of the proposed technique to MMN analysis. Ce travail suggère une nouvelle approche à l’analyse de la MMN. En effet, certains problèmes sont engendrés par les outils couramment utilisés pour analyser la MMN, notamment l’amplitude et l’aire sous la courbe. La technique suggérée afin de développer une mesure objective de la MMN propose d’utiliser les forces des deux techniques précédemment nommées afin de pallier à leurs faiblesses respectives. Le présent travail se veut également un mode d’emploi quant à la façon d’appliquer les étapes nécessaires à la réalisation de cette nouvelle approche à l’analyse de la MMN. We first wanted to do a tutorial about the BrainVision Analyser program, which processes raw EEG data both for spontaneous EEG analyses and for evoked potentials. However, its user-friendly workspace designed to allow users to interactively compute complex analysis tasks combined with the already existing comprehensive Vision
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 | 0,032 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».