Cerveaugraphie : comprendre le cerveau
Bibliographic record
Abstract
Mais qu'est-ce que j'ai dans la tête ? Comment faire pour être un génie, un grand Cerveau ? Est-ce qu'on peut muscler ses neurones ? Deuxième cerveau ? Parce qu'il y en a deux ?! Je pense, donc je suis ? Et si je rêve, qui suis-je ? Au secours, j'oublie tout ! Est-ce que je perds la tête, docteur ? Et si notre cerveau était remplacé par une puce électronique ? Dans ce livre le Dr Steven Laureys explique le fonctionnement de notre cerveau à travers 100 illustrations : sa composition, nos sens, la relation avec les autres organes, la mémoire, la conscience, la génétique, le sommeil et les rêves, la douleur, le langage, les émotions, l'intelligence artificielle, la télépathie, le stress , drogues, méditation… - tout ce que vous pouvez et devez savoir sur le cerveau. Grâce aux illustrations riches, le monde mystérieux du cerveau s'ouvre à tous ! Neurologue internationalement réputé, le Dr Steven Laureys est professeur au CHU de Liège et au Centre de Recherches CERVO au Canada. Il dirige l'unité de recherches GIGA Consciousness au sein de l'Université de Liège. Egalement directeur de recherches au Fonds de la recherche scientifique, il consacre la majeure partie de ses travaux à l'étude de l'esprit humain et des états de conscience modifiés (coma, anesthésie, rêve, méditation...).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".