Leveraging Machine Learning to Combat Missingness and Error in Data
Notice bibliographique
Résumé
ObjectivePoor quality data confounds efforts to link clients across datasets. To combat this, we have trialed an approach which seeks to identify linkage candidates using associations with related services. We utilised a machine learning (ML) approach to query linkage candidates’ dataset associations and make predictions about whether candidates are likely to be a client of the service being integrated for linkage. ApproachUtilizing a K-nearest neighbors algorithm, we trained a model using 15 variables to predict whether a linkage candidate is a client of a family service dataset. We then evaluated the model's success, and modified its native performance to minimise false positive matches. Subsequently, we tested the validity of these predictions as linkage criteria by employing blocking strategies and linking the service dataset to our linkage spine. The trained model was then used to identify correct links against the spine. ResultsThe evaluation of the machine learning model yielded promising results, with high accuracy (88.5%) and precision (95.5%). Testing the predictions as linkage criteria resulted in highly accurate links ranging from 96.0% to 98.7% across different blocking strategies. Despite some records failing to establish any links to the spine, rates of false positive matches remained low (0.7% to 3.1%). ConclusionMissingness and inaccuracy in data remains a key problem for data linkage, and a robust approach is required to resolve complex linkage cases. However, these findings suggest that machine learning can present novel options for a toolbox of many approaches to link problem records to a linkage spine.
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 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 | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».