Ostatnia aktualizacja: 26.06.2023 (dodane: BrainPainter)
Na tej podstronie znajdziecie listę ciekawych idei naukowych, narzędzi, odnośników do konferencji i grantów dla młodych naukowców (bez stopnia doktora), które mogą być interesujące dla szerokiego grona doktorantów z wielu dyscyplin. Lista jest wciąż rozwijania i będzie aktualizowana na bieżąco.
[!] Dodatkowe informacje: Rozszerzona lista z dodatkowymi źródłami dotyczącymi tematyki neuronauki/neuroobrazowania/data science dostępna jest na GitHubie (przy śledzeniu można otrzymywać bezpośrednie powiadomienia o aktualnościach; tylko EN).
Granty:
Granty na wyjazdy dla doktorantów:
Granty na badania (dostępne dla doktorantów):
Konferencje / Sympozja:
- OHBM 2023: The Organization for Human Brain Mapping (OHBM) 2023 Annual Meeting, 22-26.07.2023
Szkoły letnie / Kursy / Hackatony
- Neurohackademy: szkoła letnia dotycząca data science i neuronauki (University of Washington eScience Institute; ogłaszane co roku, zazwyczaj na wiosnę)
- Neuromatch: Neuromatch Academy (3-tygodniowy program, ogłaszane co roku, zazwyczaj na wiosnę) & Neuromatch Conference (konferencja dla środowiska związanego z neuronauką obliczeniową)
- Google Summer of Code: globalny program znajdowania współpracowników w celu rozwoju wolnego oprogramowania (organizowane co roku)
Kursy on-line:
- ReproNim Statistics Module: statystyczne podstawy i idee w analizie danych (w szczególności neuroobrazowych)
- DataCamp: różne kursy programowania
- Seeing Theory: proste wprowadzenie do statystyki i rachunku prawdopodobieństwa poprzez wykorzystanie interaktywnych wizualizacji (Brown University)
Publikacje
“Drapieżni” wydawcy/czasopisma (Predatory journals/publishers):
- Think-Check-Submit: międzynarodowa inicjatywa mająca na celu kształcenie naukowców i promowanie uczciwości naukowej (również w kontekście wyboru odpowiedniego wydawnictwa do publikacji własnych prac)
- Beall’s List (aktualna na 2022 rok): najbardziej znana lista “drapieżnych” wydawnictw/czasopism & sprawdzonych źródeł
Narzędzia
Ogólne:
- BIDS: Brain Imaging Data Structure; system organizacji danych neuroobrazowych oraz behawioralnych
- Protocols.io: metody, testy, badania kliniczne, procedury, listy kontrolne, protokoły; zgodne z zaleceniami GLP (Good Laboratory Practice) i GMP (Good Manufacturing Practice)
- Przykładowe formularze zgód na badania (EN/DE)
- DataLad: wolny i otwarty system zarządzania danymi
- ADDI + AD Workbench: Alzheimer’s Disease Data Initiative; bezpłatna platforma udostępniania danych, narzędzi do analizy danych, możliwości finansowania nauki oraz promowania współpracy naukowej w zakresie badań dotyczących choroby Alzheimera (i ogólnie demencji)
- The Human Protein Atlas: szwedzki program zainicjowany w 2003 roku, którego celem jest zmapowanie wszystkich ludzkich białek
- Most Wiedzy: polski system zawierający zbiór publikacji, badań, projektów naukowych i wielu innych rodzajów zasobów naukowych z wielu różnych dziedzin (open-access)
Programowanie:
- Dask: proste obliczenia równoległe z użyciem Pythona
- Docker: wirtualizacja na poziomie systemu operacyjnego w celu pracy z danymi
- BrainPainter: darmowe oprogramowanie do wizualizacji struktur mózgu
Ruch otwartych danych (Open data movement)
Lista platform, na których można znaleźć ogólnodostępne dane do analizy i/lub opublikować dane ze swojego projektu.
Platformy:
- OpenNeuro: baza danych MRI, PET, MEG, EEG i iEEG, zgodnych ze standardem BIDS
- OpenNeuro PET: baza danych PET, zgodnych ze standardem BIDS
- NeuroVault: mapy statystyczne, parcelacji i atlasy opracowane na podstawie badań MRI i PET
- GigaDB: baza danych ponad 2201 zbiorów danych z różnych dziedzin nauki i biologii, dostępne do ściągnięcia i użycia (nadaje również DOI)
- Machine learning datasets: bogata baza danych zbiorów danych idealnych do użycia w projektach związanych z uczeniem maszynowym
- NeMO: The Neuroscience Multi-omic Archive (NeMO Archive), dane z technologii omicznych (BRAIN, konsorcjum SCORCH i powiązanych projektów badawczych dotyczących mózgu)
- DABI: otwarte dane z projektów “Brain Initiative”
Czytelnia
Ciekawe artykuły dotyczące rzetelności i postępu w nauce.
- Why Most Published Research Findings Are False (PLOS/ John Ioannidis) | Artykuł / Wiki: esej napisany przez Johna Ioannidisa (Stanford School of Medicine); autor argumentuje, że duża liczba prac w badaniach medycznych/biologicznych zawiera wyniki, które w rzeczywistości nie mogą być zreplikowane i są wynikami fałszywie pozytywnymi
- How scientists fool themselves – and how they can stop (Nature/ Regina Nuzzo) | Artykuł / PDF: błędy w myśleniu i pułapki poznawcze w kontekście nauki
- Power failure: why small sample size undermines the reliability of neuroscience (Nature/ Katherine S. Button et al.) | Artykuł: niska moc statystyczna i jej wpływ na wyniki badań
- Slowed canonical progress in large fields of science (PNAS/ Johan S. G. Chu & James A. Evans) | Artykuł: artykuł dotyczący postępu naukowego “Examining 1.8 billion citations among 90 million papers across 241 subjects, we find a deluge of papers does not lead to turnover of central ideas in a field, but rather to ossification of canon. Scholars in fields where many papers are published annually face difficulty getting published, read, and cited unless their work references already widely cited articles. New papers containing potentially important contributions cannot garner field-wide attention through gradual processes of diffusion.”
- False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant (Joseph P. Simmons & Leif D. Nelson) | Artykuł: “First, we show that despite empirical psychologists’ nominal endorsement of a low rate of false-positive findings (≤ .05), flexibility in data collection, analysis, and reporting dramatically increases actual false-positive rates.“
- Revised standards for statistical evidence (PNAS/ Valen E. Johnson) | Artykuł: “The lack of reproducibility of scientific research undermines public confidence in science and leads to the misuse of resources when researchers attempt to replicate and extend fallacious research findings. (…) Modifications of common standards of evidence are proposed to reduce the rate of nonreproducibility of scientific research by a factor of 5 or greater.“
- The file drawer problem and tolerance for null results (Robert Rosenthal) | Artykuł: problem niepublikowania wyników negatywnych i wpływ na postęp naukowy “For any given research area, one cannot tell how many studies have been conducted but never reported. The extreme view of the “file drawer problem” is that journals are filled with the 5% of the studies that show Type I errors, while the file drawers are filled with the 95% of the studies that show nonsignificant results.”
- Is there a large sample size problem? (Richard A. Armstrong) | Artykuł & The paradox of large samples (S. Kunte & A. P. Gore) Artykuł: problemy statystyczne związane z dużą wielkością próby