Response to comment on “Do we need flexible machine-learning algorithms to assess the effect of long-term exposure to fine particulate matter on mortality?”
Notice bibliographique
Résumé
We thank Williams et al1 for their attention to our manuscript and for pointing out some technical concerns in our manuscript. Regarding their first point, we agree with the definitions of bias and variance that they propose as expectations over many iterations, which therefore cannot be observed directly in a single study. However, as stated in our manuscript, we sought to report observed errors for a few estimators in a single real-world case study. We were unable to detect any meaningful advantage of using a flexible machine-learning algorithm in this one instance, considering a range of (unknown) true values for the causal effect parameter. We agree that this is just one instance and that one cannot easily generalize to other settings. Their recommendation to pursue this question in a plasmode simulation by sampling from the real dataset is an exciting idea that we hope to pursue. Regarding the second point, we also agree that methodological developments are still needed regarding non–smooth statistical estimands. Environmental regulations are often expressed as thresholds, making the available approaches inapt for the causal questions that most closely relate to what air pollution epidemiologists need to know. We hope our manuscript and the letter by Williams et al1 can help to motivate further developments in flexible modeling that will more directly align with real-world policy questions in environmental epidemiology. Conflicts of interest statement The authors declare that they have no conflicts of interest with regard to the content of this report.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».