神经成像文章重新执行和复制评估系统

科学领域:

• 计算神经科学是一种计算神经科学.
• 科学复制性 科学复制性
• 数据分析透明度数据分析的透明度

背景情况:

• 研究文章的价值越来越依赖于复杂的数据分析.
• 数据分析提供了比数据生产更高的透明度和可重复性潜力.
• 完全可重新执行的研究成果可以实现自动,端到端的文章生成.

研究的目的:

• 开发一个强大的,便携式系统,用于完全可重新执行的研究文章.
• 为了解决完整的文章重新执行的核心挑战.
• 为可重复性评估提供一个框架.

主要方法:

• 使用了经过同行评审的神经成像文章,并以现有的重新执行指令为基础.
• 设计了一个模块化重新执行系统,允许可适应的代码,数据和环境规格.
• 详细的最佳实践,以减轻在全文重新执行的挑战.

主要成果:

• 开发了一个模块化,强大的,便携式系统,用于生成可重执行的研究文章.
• 识别和缓解与全文重新执行相关的核心挑战.
• 证明了系统使用统计指标和视觉检查进行可重复性评估的能力.

结论:

• 完全可执行的文章代表了科学出版的可行和有价值的最佳实践.
• 开发的系统增强了对数据分析变异性的理解,并增加了对研究结果的信任.
• 鼓励系统的重复使用和适应,以推进可重复性研究.