Αn AI-driven approach to assess sentiments and interpret context in a critical mineral supply chain
Notice bibliographique
Résumé
This exploratory article argues against using Large Language Models (LLMs) as a ‘black box’, without human scrutiny, for generating interpretable context while assessing sentiment metrics. These metrics support supply chain (SC) decision-making under information asymmetry and public policies in critical mineral networks. Using a dataset of 5,168 news articles before and after a truck strike in the Democratic Republic of Congo (DRC), we enumerate observed sentiment shifts across cobalt SC echelons (i.e., DRC, China, U.S.A. and Canada) using an LLM with long context windows. As shifts can be small, assessments need to be precise, significant, and interpretable. To this end, we devise and deploy a ‘Context Enhanced Supply Chain Sentiment and Summaries’ (CESCSS) framework to provide reliable and interpretable outcomes. Through statistical testing, our findings indicate that context matters in assessing sentiment shifts across SC operations echelons. Findings also illustrate differences in sentiments and offer context summary-based interpretations for these differences based on end-to-end information asymmetries. In addition, results showcase the reliability of human ratings and then demonstrate that human assessments are statistically equivalent to context-enhanced LLM sentiment valuations. We discuss pathways for applying the CESCSS framework toward theory development and managerial decisions in critical mineral SCs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».