Turning the crank for machine learning: ease, at what expense?
Notice bibliographique
Résumé
Excitement around the transformative potential of machine learning in health care belies a reliance on deep technical expertise that leaves this technology in the hands of the few. Typically, a practitioner of machine learning undertakes numerous tasks in the process of training and testing a model for classification. The process requires substantial technical knowledge and—perhaps somewhat incongruously—is often both highly detailed and loosely defined. In The Lancet Digital Health, Livia Faes, Siegfried Wagner, and colleagues1 report on their experience of using a service that creates an abstraction from the training and testing process, enabling a professional with no coding experience to build a model that might once have been out of reach.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Méthodes · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
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 | 0,032 | 0,183 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,018 |
| Communication savante | 0,017 | 0,043 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,009 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,046 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».