Cannabis Personalization: Curating Personalized Cannabis Experiences Through Machine Learning
Notice bibliographique
Résumé
With the recent legalization of cannabis in Canada on October 17, 2018, the opportunity for emerging tech to complement and improve the cannabis experience is vast. The legalization of an industry that has been operating in the dark for decades means ample newfound opportunity for government and corporate-funded collaboration, development and research. A specific area of opportunity for growth within the cannabis sector is through personalization. Personalization is often performed via artificial intelligence—specifically machine learning—to develop a customized experience for users on various platforms. This is usually with the intention of targeted marketing. And while mass data collection serves the user by streamlining content to their assumed preferences, which then often directs them to businesses and products, product-tailoring still has vast potential for growth. Though a medical document for cannabis from a health practitioner may include broadband components to look out for, like “THC” and “CBD”, or even suggest ratios of those cannabinoids there is typically no specification on strain type and best consumption methods. Because the effects that cannabis has on a user varies from individual to individual and is dependent on not only their biometrics, but the various other terpenes and cannabinoids that exist in each strain beyond THC and CBD, cannabis users are missing out on opportunities to make the most of their use. Especially for those interested in cannabis to relieve specific symptoms, testing the vast amount of strains that exist and being able to identify the ideal product would be an arduous task on one’s own. Jibed is an app that would use the aggregation of user data to prescribe the most suitable strain of cannabis for that individual based on their specific conditions and body metrics. As the majority of the target audience (cannabis users in Canada) are already logged on to a multitude of data collecting apps (music, health, social, etc.), there is no shortage of data. The app would consider all the implications of the data, from one’s health to mood deduced from the music they're listening to -- just to name some -- in order to achieve optimal prescriptions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».