Discovering topics and trends in biosecurity law research: A machine learning approach
Notice bibliographique
Résumé
This study employed machine learning techniques, specifically Latent Dirichlet Allocation (LDA), to analyze 559 articles on biosecurity legislation from 1996 to 2023. The LDA model identified nine key research topics, including Agricultural Management and Production, Biosafety and Environmental Impact, Biological Invasion and Regulation, Biosecurity Legislation and Prevention, Agriculture and Environmental Relations, Virus Infection and Governance, Health Risk Assessment and Detection, Disease Prevention and Biotechnology, and Policy Control and Research. The findings reveal significant trends: an increasing focus on Biosecurity Legislation and Prevention and a declining interest in Agricultural Management and Production. Geographically, Australia, Canada, and the United States lead in biosecurity research, exhibiting diverse research topics. Journal-level analysis highlights central topics such as Agricultural Management and Production, Biosecurity Legislation and Prevention, and Health Risk Assessment and Detection. This study's use of LDA reduces subjective bias, providing a more objective analysis of global biosecurity legislation literature. The research underscores the importance of expanding geographical scope, integrating advanced machine learning models, adopting interdisciplinary approaches, and assessing policy impacts to enhance biosecurity strategies globally.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,030 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».