Roundtable Discussion III: The Development and Uses of Artificial Intelligence in Medicine: A Work in Progress
Notice bibliographique
Résumé
Humans have devised machines to replace computation by individuals since ancient times: The abacus predated the written Hindu–Arabic numeral system by centuries. We owe a quantum leap in the development of machines to help problem solve to the British mathematician Charles Babbage who built what he called the Difference Engine in the mid-19th century. But the Turing formula created in 1936 is the foundation for the modern computer; it produced printed symbols on paper tape that listed a series of logical instructions. Three decades later, Olivetti manufactured the first mass-marketed desktop computer (1964), and by 1981, IBM had developed the first personal computer. Computing machines have become more and more powerful, culminating recently in Google’s claim that it had achieved quantum supremacy in developing a system that can complete a task in 200 seconds that it would take the most powerful type of classical computer available 10 000 years to achieve. In short, we are in a period of human history in which we are creating more and more powerful and complex machines potentially capable of duplicating human intelligence and indeed surpassing/expanding its power. We are solidly in the age of artificial intelligence (AI). Increasing interest in the development of AI and its application to human health at all levels makes a roundtable discussion by experts a valuable project for publication in our journal, Gender and the Genome, the official journal of the Foundation for Gender-Specific Medicine and the International Society of Gender Medicine.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».