Crowdsourced Identification of Possible Allergy-Associated Factors: Automated Hypothesis Generation and Validation Using Crowdsourcing Services
Notice bibliographique
Résumé
BACKGROUND: Hypothesis generation is an essential task for clinical research, and it can require years of research experience to formulate a meaningful hypothesis. Recent studies have endeavored to apply crowdsourcing to generate novel hypotheses for research. In this study, we apply crowdsourcing to explore previously unknown allergy-associated factors. OBJECTIVE: In this study, we aimed to collect and test hypotheses of unknown allergy-associated factors using a crowdsourcing service. METHODS: Using a series of questionnaires, we asked crowdsourcing participants to provide hypotheses on associated factors for seven different allergies, and validated the candidate hypotheses with odds ratios calculated for each associated factor. We repeated this abductive validation process to identify a set of reliable hypotheses. RESULTS: We obtained two primary findings: (1) crowdsourcing showed that 8 of the 13 known hypothesized allergy risks were statically significant; and (2) among the total of 157 hypotheses generated by the crowdsourcing service, 75 hypotheses were statistically significant allergy-associated factors, comprising the 8 known risks and 53 previously unknown allergy-associated factors. These findings suggest that there are still many topics to be examined in future allergy studies. CONCLUSIONS: Crowdsourcing generated new hypotheses on allergy-associated factors. In the near future, clinical trials should be conducted to validate the hypotheses generated in this study.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».