Using artificial intelligence to support and streamline rapid systematic evidence reviews
Notice bibliographique
Résumé
Abstract Issue The Rapid Evidence Service, initiated by the National Collaborating Centre for Methods and Tools (NCCMT) during COVID-19, supports public health decision making by conducting rapid reviews on priority topics. Description of issue Integral to rapid reviews is an expedited timeline but the quantity of available literature for most public health review questions takes significant time to screen manually. NCCMT integrated 4 artificial intelligence (AI) features into the screening process. DAISY Rank applies predictions learned from manual screening patterns to re-order remaining studies, with most relevant appearing first. AI Screening automatically screens remaining studies based on prediction scores. Check for Screening Errors and Re-Rank Report use previous screening patterns to identify studies that were potentially falsely excluded and predict the total number of included studies, respectively. These features were tested by comparing results provided by AI with those produced manually for select test sets. Results NCCMT used AI to support and expedite screening, assess screening progress, and/or minimize risk of inappropriately excluding studies for 35 rapid reviews on 20 topics. Using DAISY Rank enabled one screener to review over 4000 references in 9 hours, compared to a different review, where the same amount of screening took 28 hours without DAISY Rank. AI Screening correctly excluded up to 80% of irrelevant search results across reviews. Check for Screening Errors identified 37 potential includes manually excluded in one review; these were reviewed and 3 were included. Re-Rank Report allowed NCCMT to re-allocate staff to subsequent steps in the review process when most included studies were identified. Lessons Integrating AI features into screening led to less time required, better anticipated timelines, more accurate staff allocation and reduced errors. More rigorous study of AI best practices is needed to continue to improve rapid review method efficiencies. Key messages • Rapid reviews can be an important source of evidence for decision makers if they can be completed quickly but maintain rigor and accuracy. • AI holds promise as a way to improve screening efficiency.
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 | 0,278 | 0,648 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,026 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,014 | 0,010 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».