Don’t Blindly Use Data: Towards a Data Statement for Computational Financial Research
Notice bibliographique
Résumé
In recent years, there has been a growing focus on the veracity of datasets. This concern has raised important questions such as: is the data appropriate for answering the research questions or hypotheses, is the data biased or harmful in any way, is the data quality data, and is there a sufficient understanding of the data for it to be used appropriately? We reviewed 46 papers from Google Scholar, IEEE, and ACM, and found that the majority of authors provide only a basic discussion of the dataset used in the research and do not address important issues such as potential bias or data that requires special attention. Following the work of Bender and Friedman, we propose a data statement framework specifically targeted to computational financial research to provide critical information to users. We also provide a completed data statement for published work as an example. This tool will help researchers provide users and stakeholders a better understanding of what comprises the data and provide an overview of what considerations were made in its creation. This will also help address any potential bias, errors or problems, and data that could be considered misleading in the context of the research.
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 | 0,444 | 0,669 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,016 | 0,024 |
| Études des sciences et des technologies | 0,008 | 0,033 |
| Communication savante | 0,038 | 0,073 |
| Science ouverte | 0,009 | 0,022 |
| Intégrité de la recherche | 0,017 | 0,033 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».