Algorithmic indexing in MEDLINE frequently overlooks important concepts and may compromise literature search results
Notice bibliographique
Résumé
Objective: To evaluate the appropriateness of indexing of algorithmically-indexed MEDLINE records. Methods: We assessed the conceptual appropriateness of Medical Subject Headings (MeSH) used to index a sample of MEDLINE records from February and March 2023. Indexing was performed by the Medical Text Indexer-Auto (MTIA) algorithm. The primary outcome measure is the number of records for which the MTIA algorithm assigned subject headings that represented the main concepts of the publication. Results: Fifty-three percent of screened records had indexing that represented the main concepts discussed in the article; 47% had inadequacies in the indexing which could impact their retrieval. Three main issues with algorithmically-indexed records were identified: 1) inappropriate MeSH assigned due to acronyms, evocative language, exclusions of populations, or related records; 2) concepts represented by more general MeSH while a more precise MeSH is available; and 3) a significant concept not represented in the indexing at all. We also noted records with inappropriate combinations of headings and subheadings, even when the headings and subheadings on their own were appropriate. Conclusions: The indexing performed by the February-March 2023 calibration of the MTIA algorithm, as well as older calibrations, frequently applied irrelevant or imprecise terms to publications while neglecting to apply relevant terms. As a consequence, relevant publications may be omitted from search results and irrelevant ones may be retrieved. Evaluations and revisions of indexing algorithms should strive to ensure that relevant, accurate and precise MeSH terms are applied to MEDLINE records.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».