Evaluating Large Language Models for Assisting in Meta-Analysis
Notice bibliographique
Résumé
Large language models (LLMs) are receiving increased attention in academia as aids for scientific research due to their superior performance in tasks related to natural language processing and understanding. Meta-analysis, a research method involving extensive text processing to extract and code qualitative and quantitative information from empirical studies, is particularly well-suited to the application of LLMs. In this study, we empirically evaluated the ability of LLMs to perform automatic coding tasks within meta-analytic contexts, using Bing Chat (based on GPT-4.0) and ChatPDF (based on GPT-3.5) as examples. Our findings indicate that Bing Chat outperformed ChatPDF in accurately extracting and coding qualitative information such as publication type, country, and survey methods. However, its performance decreased when handling quantitative data, such as correlation coefficients. We also noted an upward trend in Bing Chat's performance over time. The potential and utility of LLMs in facilitating meta-analysis from a researcher’s perspective are further discussed.
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 | 0,389 | 0,659 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,023 |
| Bibliométrie | 0,020 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».