IRM et santé auditive : un suivi de l’audition des participants au Projet Courtois NeuroMod
Bibliographic record
Abstract
L’imagerie par résonance magnétique (IRM) est l’une des techniques les plus utilisées en neurosciences. Malheureusement, elle implique une exposition à des niveaux de bruit importants. Cette exposition peut entraîner des effets temporaires ou permanents sur l’audition, surtout lorsqu’elle est prolongée ou répétée. Plusieurs inconnus subsistent au sujet des risques pour l’audition de sujets subissant des examens en IRM à répétition. L’objectif de ce projet était de suivre six participants de recherche subissant des examens IRM hebdomadaires et d’évaluer sur une base régulière l’évolution de leur audition. L’audition des participants a été testée périodiquement sur une période d’un an et demi. Des valeurs de référence ont été récoltées pour chacun des tests avant le début de ce projet. Des séances de tests auditifs ont ensuite été planifiées immédiatement avant et après un scan ainsi qu’à la suite d’un délai variant entre deux et sept jours après un scan. Un article scientifique présentant les résultats les plus importants de ce projet a été rédigé. Il comporte les résultats à deux des tests administrés aux participants: l’audiométrie par tons purs et les émissions otoacoustiques par produit de distorsion. Aucun effet de l’exposition au bruit du scanneur n’a été révélé par ces tests.
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 | 0.021 | 0.046 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".