MétaCan
Menu
Retour à la cohorte
Enregistrement W4404619910 · doi:10.3897/biss.8.142382

Relation Extraction From Unstructured Species Descriptions Using TaxonNERD and LLaMA 2 7B

2024· article· en· W4404619910 sur OpenAlexfundno aff
Fabricio Rios Montero, Ervin Rodríguez, Maria Mora-Cross

Notice bibliographique

RevueBiodiversity Information Science and Standards · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiomedical Text Mining and Ontologies
Établissements canadiensnon disponible
Organismes subventionnairesMinisterio de Ciencia Tecnología y TelecomunicacionesInstituto Tecnológico de Costa RicaConsejo Superior Universitario CentroamericanoInternational Development Research Centre
Mots-clésRelationship extractionAdaptabilityComputer scienceRelation (database)BiodiversityTaxonomy (biology)False positive paradoxTrophic levelArtificial intelligenceNatural language processingInformation extractionInformation retrievalEcologyBiologyData mining

Résumé

récupéré en direct d'OpenAlex

Ontologies are essential tools for organizing information on taxonomy, ecology, and inter-species relationships, helping to standardize ecological data and facilitate integration of large datasets. Combining ontologies with advanced Natural Language Processing (NLP) techniques, such as Named Entity Recognition (NER) and Relation Extraction (RE), has greatly improved the discovery of insights from unstructured scientific texts, particularly in biodiversity (Gabud et al. 2023, Abdelmageed et al. 2022, Hearst 1992). This study combines ontologies and NLP to analyze complex trophic interactions among animal species (Gabud et al. 2023), using a dataset (National Biodiversity Institute of Costa Rica (INBio) 2015) containing species descriptions in English and Spanish. We applied TaxoNERD to identify taxonomic entities (Le Guillarme and Thuiller 2021) and we fine-tuned the Large Language Model Meta AI (LLaMA 2 7B) to extract feeding interactions and predator-prey relationships (CheeKean 2023), due to its effectiveness in handling complex language patterns and its adaptability to diverse scientific domains. Our results (Fig. 1) showed a recall of 0.73 and a precision of 0.68, indicating that the model effectively identifies feeding relationships in most cases. However, the lower precision suggests that the model may still capture some unrelated interactions, highlighting an area for improvement to reduce false positives and increase accuracy (Touvron et al. 2023). Previous studies also emphasize the need for further refinement of relation extraction models to enhance accuracy (Mora-Cross et al. 2023). The structured dataset offers valuable insights into species’ diets and roles, contributing to biodiversity research and conservation efforts (Mora-Cross et al. 2023, Touvron et al. 2023). Moreover, this research highlights the potential of integrating AI-driven tools with ontological frameworks to manage and analyze biodiversity data at scale (Abdelmageed et al. 2022). By transforming unstructured text into structured data, we make ecological information more accessible, supporting better decision-making in conservation strategies (Abdelmageed et al. 2022, Hearst 1992). This approach scales well with the growing volume of biodiversity data, offering a more efficient and accurate method for analyzing species interactions, which are crucial for ecosystem management and endangered species protection (Gabud et al. 2023).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,004
Bibliométrie0,0100,005
Études des sciences et des technologies0,0010,001
Communication savante0,0040,005
Science ouverte0,0020,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0120,008

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,279
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiodiversity Information Science and StandardsMême sujetBiomedical Text Mining and OntologiesTravaux en français237 207