New opportunities and challenges for conservation evidence synthesis from advances in natural language processing
Notice bibliographique
Résumé
Addressing global environmental conservation problems requires rapidly translating natural and conservation social science evidence to policy-relevant information. Yet, exponential increases in scientific production combined with disciplinary differences in reporting research make interdisciplinary evidence syntheses especially challenging. Ongoing developments in natural language processing (NLP), such as large language models, machine learning (ML), and data mining, hold the promise of accelerating cross-disciplinary evidence syntheses and primary research. The evolution of ML, NLP, and artificial intelligence (AI) systems in computational science research provides new approaches to accelerate all stages of evidence synthesis in conservation social science. To show how ML, language processing, and AI can help automate and scale evidence syntheses in conservation social science, we describe methods that can automate querying the literature, process large and unstructured bodies of textual evidence, and extract parameters of interest from scientific studies. Automation can translate to other research agendas in conservation social science by categorizing and labeling data at scale, yet there are major unanswered questions about how to use hybrid AI-expert systems ethically and effectively in conservation.
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 | 0,161 | 0,233 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,018 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,023 | 0,045 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».