Extracting human data from published figures: implications for data science and bioethics
Notice bibliographique
Résumé
Abstract The advent of text mining and natural text reading artificial intelligence has opened new research opportunities on the large collections of research publications available through journal and other resources. These systems have begun to identify novel connections or hypotheses due to an ability to read and extract information from more literature than a single individual could in their lifetime. Most research publications contain figures where data is represented in a graph. Modern publication guidelines are strongly encouraging publication of graphs where all data is displayed as apposed to summary figures such as bar charts. Figures are often encoded in a graphing language that is interpreted and displayed as a graphics. Conversion figures in publications to the underlying code should enable text-based mining to extract the underlying raw data of the graph. Here I show that data from publications greater than 15 years old that contain time series data on human patients is extractable from the original publication and can be reassessed using modern tools. This could benefit cases where data sets are not available due to file loss or corruption. This may also create and issue for the publication of human data as sharing of human data often requires research ethics approval. Author summary Figures embedded in published research manuscripts are a minable resource similar to text mining. Figures are text based code that draws the image, as such the underlying text of the code can be used to reassemble the original data set.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,101 | 0,516 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,018 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,022 | 0,017 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,011 |
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 source (Gemma direct ou Codex distillé), 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 ».