Applications of machine learning in cannabis research: A scoping review
Notice bibliographique
Résumé
• Machine learning (ML) is increasingly applied in cannabis research for data analysis. • ML algorithms predict risks and factors contributing to cannabis use effectively. • ML tools enable effective monitoring and information extraction about cannabis. • Bias arises from cross-sectional, non-representative data and recall-based training. • Re -evaluating methods and validating ML models may improve research applicability. Over the past decade, research about cannabis and its associated compounds has increased substantially. Machine learning (ML) is increasingly used in cannabis-related research to improve data analysis and modeling. The present scoping review aimed to identify how ML is used in the context of cannabis research. A scoping review was conducted following Arksey and O'Malley's five-stage scoping review framework. MEDLINE, EMBASE, PsycINFO and CINAHL were systematically searched, and CADTH was searched using keywords. Studies utilizing ML in the context of cannabis research were deemed eligible. Title and abstract and full text screening, data extraction, thematic coding, and analysis were performed independently and in duplicate for all included studies. Forty-six studies were included. Four themes emerged: 1) the sampling methodologies utilized in studies investigating cannabis and ML introduce bias in results, 2) ML algorithms can predict characteristics associated with cannabis use, including predictive factors, risk of usage, and impact on users, 3) ML algorithms are an effective tool for monitoring and extracting information about cannabis; and 4) various ML algorithms were most suitable for different tasks. This scoping review highlights two major uses of ML algorithms in cannabis research—for predicting risks of and factors contributing to cannabis use, and for extracting information about cannabis. Challenges associated with ML in cannabis research included the introduction of bias in results from the use of cross-sectional and non-representative data, and recall bias which may have led to biased training of ML models. Re -evaluating study methodology suitability and externally validating ML models may increase the viability/applicability of ML in cannabis research.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».