O-467 Evaluating the impact of sex and gender on the performance of machine learning for auto encoding of job titles
Notice bibliographique
Résumé
Introduction Ongoing studies into the use of algorithms for the automated coding of job titles to the Canadian National Occupation Classification have performance accuracy which are at least equivalent to manual coding accuracy. Moreover automated coding provides significant time savings. These studies have identified that both natural language processing and machine learning algorithms are effective for auto coding. Whereas NLP based and machine learning approaches both rely on bespoke rules, and existing data sets, machine learning models can proliferate bias from training data if not corrected. Objectives The goal of the study is to explore the impact of altering sex/gender ratios in training data sets on overall performance of the machine learning based prediction of NOC codes using patient provided job titles. Methods Using data participant patient data provided by Atlantic PATH, training data sets were prepared for 100 4-digit NOC categories. The data sets were prepared with sex/gender ratios of 50/50 30/70, 70/30. The data sets were used to train ENENOC machine learning platform and tested on a set of manually coded job titles provided by Atlantic PATH CanPATH . Performance levels were contrasted for all 4-digit NOC categories used in the study. Results Initial results in this preliminary study have identified that sex and gender are variables that can influence auto coding performance, however the extent to which overall coding accuracy is impacted is relative minor. Further studies are required with larger training sets to fully explore the extent of sex and gender as contributing variables to bias to ENENOC. Conclusion We initiated studies to investigate the impact of sex and gender bias on performance of the ENENOC algorithm. Together, the ENENOC contributed training and test sets provide a suitable framework for ongoing work in this area.
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 | 0,005 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».