A Modified Dempster Shafer Approach to Classification in Surgical Skill Assessment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial intelligence systems are usually implemented either using machine learning or expert systems. Machine learning methods are usually more accurate and applicable to a broader range of applications. Expert systems, on the other hand, require much less data for training and generate more comprehensible results. These characteristics are typically desired in the fields of surgery and medicine because there isn't much data available. In order to give a machine's decisions a deeper level of semantics, it is also advantageous to incorporate a doctor's expertise into it. Furthermore, it is safer to understand the reasoning behind a machine's choices. In this paper, a Dempster-Shafer Theory (DST) based expert system is suggested for the task of surgical training skill assessment. An interval-based probabilistic feature analysis was applied to the data to assign values to the mass functions. Zhang's rule of combination was applied to handle the conflicting evidence in the prediction phase. The performance of the proposed method was compared to another DST classifier, SVM, and XGBoost. Our method outperforms SVM and other DST classifiers, but it is not as precise as XGBoost. By reducing the size of the dataset, the added benefit of using an expert system as opposed to a machine learning method was explored further. The performance of the suggested method is not adversely affected by the size of the dataset, whereas the XGBoost classifier is.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle