Building an Inference Engine Using AI and The World’s Largest Meta- Analysis: Lesson Learned
Notice bibliographique
Résumé
This symposium describes the lessons learned during the creation of the world's largest meta-analysis, that is over 2,500 studies assessing over 160 constructs from the field of Organizational Justice. By combining cloud based meta-analytic databases, online statistical engines, curated selection of academic articles and the new LLMs, we have elevated this into an effective inference engine. Using the LLM, questions are translated into variables and specific search terms. Based on these variables, the relevant empirical results are drawn from the cloud based meta-analytic database and analyzed by an online statistical engine. Interpretation of results are enhanced by a core base of review articles as well as relevant articles drawn using the search terms from the meta-analysis database, whereupon the LLM provides custom, empirically sourced answers (with appropriate citations) back to the user in seconds. For more sophisticated queries, the LLM can create the specific R code to analyze the database, which is then executed by the statistical engine. As we will demonstrate, inference engines based on meta-analytic databases appear to be the ideal vehicle for interacting with scientific knowledge.
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 | 0,135 | 0,270 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,009 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,017 | 0,018 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».