A review of the literature on the applications of machine learning in forensic anthropology
Notice bibliographique
Résumé
Applications of machine learning (ML) models in forensic anthropology have increased in the last half decade. It is, therefore, important to understand the context in which machine learning models are being used in this discipline. The aim of this paper is to provide the current state of machine learning applications in forensic anthropology through a systematic review process of the literature. This paper provides a descriptive summary of existing literature, rather than a deep critical analysis of the methodological robustness. The literature search was performed using Scopus and Web of Science from 1987 to 2024. Eligible studies were investigated if they had a forensic anthropological focus with an application of machine learning. A total of 167 papers were analyzed after the exclusion criteria were applied. The results of this paper demonstrate that there is a wide range of machine learning model applications in forensic anthropology, utilizing diverse bones, applied to all aspects of the biological profile and some aspects of trauma analysis. Through this review, it is also encouraged to use ML models on underutilized skeletal elements to optimize the pattern recognition capabilities of machine learning for validation of forensic anthropological assessments. Validating ML models on less commonly analyzed skeletal elements will increase the skeletal elements that can be utilized to assist in identifying and repatriating individuals. The review also demonstrates that there is an increased need to provide a comprehensive description of the machine learning applications to increase transparency, interpretability, and further validation in forensic anthropological assessments.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,040 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».