Generative artificial intelligence community of practice for research
Notice bibliographique
Résumé
A recent editorial 1 discussed the use of generative artificial intelligence (AI) approaches in the management of wounds.As a researcher in the field of wounds, the author provided some insight into how such systems could benefit researchers in this space.The use of such approaches in communities of practice was discussed, providing some of the benefits of this type of approach to researchers.Generative AI can help researchers understand complexity and provide "accurate" summaries of data and outcomes.It can help provide summaries of individual and multiple studies, helping researchers not only understand the content but also provide the outputs to educate others.These communities of practice can also potentially use generative processes to begin drafting manuscripts, this is the automation of the current research processes today.But more study is required to explore the legal and ethical ramifications of the use of generative systems in peer science, as well as training the logic models to provide peer-validated outcomes.The editorial mentioned that this was not too far in the future, but do you realise it exists today?Such approaches sum up my field of research for the past few decades, where we worked on the proposed delivery of a personalised information directory for YellowPages Canada (YPG), called YellowSpace.YPG was dropping a 1-kg phone book on everyone's doorstep.Why not have a personalised digital version of their phonebook for all YellowPages users and businesses across Canada?This approach is more practical and environmentally friendly.The purpose of YellowSpace was to improve user engagement with the directory listings through behavioural content targeting, providing a unique, personalised view of their national directory for every user across Canada based on their personal preferences and "word of mouth" (family and friends) business logic.We augmented the directory results by grouping the behavioural actions of close friends and family to make recommendations for food, accommodation, travel,
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 | 0,129 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,012 | 0,078 |
| Communication savante | 0,042 | 0,038 |
| Science ouverte | 0,007 | 0,030 |
| Intégrité de la recherche | 0,032 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
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 ».