Viability of machine learning to reduce workload in systematic review\n screenings in the health sciences: a working paper
Notice bibliographique
Résumé
Systematic reviews, which summarize and synthesize all the current research\nin a specific topic, are a crucial component to academia. They are especially\nimportant in the biomedical and health sciences, where they synthesize the\nstate of medical evidence and conclude the best course of action for various\ndiseases, pathologies, and treatments. Due to the immense amount of literature\nthat exists, as well as the output rate of research, reviewing abstracts can be\na laborious process. Automation may be able to significantly reduce this\nworkload. Of course, such classifications are not easily automated due to the\npeculiar nature of written language. Machine learning may be able to help. This\npaper explored the viability and effectiveness of using machine learning\nmodelling to classify abstracts according to specific exclusion/inclusion\ncriteria, as would be done in the first stage of a systematic review. The\nspecific task was performing the classification of deciding whether an abstract\nis a randomized control trial (RCT) or not, a very common classification made\nin systematic reviews in the healthcare field. Random training/testing splits\nof an n=2042 dataset of labelled abstracts were repeatedly created (1000 times\nin total), with a model trained and tested on each of these instances. A Bayes\nclassifier as well as an SVM classifier were used, and compared to non-machine\nlearning, simplistic approaches to textual classification. An SVM classifier\nwas seen to be highly effective, yielding a 90% accuracy, as well as an F1\nscore of 0.84, and yielded a potential workload reduction of 70%. This shows\nthat machine learning has the potential to significantly revolutionize the\nabstract screening process in healthcare systematic reviews.\n
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 | 0,414 | 0,692 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,019 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».