Expert Knowledge Elicitation: Accessing the Big Data in Experts’ Brains
Notice bibliographique
Résumé
A vast amount of expert knowledge currently remains inaccessible to digital information systems. Expert knowledge elicitation is a systematic approach to accessing and synthesizing the insights of subject matter experts, especially when available objective data are incomplete. In plant pathology, expert knowledge elicitation is valuable for addressing urgent, uncertain, and/or future challenges, such as emerging disease threats, complex epidemiological systems, knowledge gaps when resources are limited, and future scenarios. This perspective explores when expert knowledge elicitation is most effective for addressing plant health challenges, emphasizing its role in informing timely, expert-based decisions. We discuss lessons learned from real-world implementations across diverse regions and pathosystems, highlighting strategies for eliciting, structuring, and interpreting expert-derived data, as well as associated caveats. We frame expert knowledge as a form of big data and outline how existing big-data streams (e.g., remote sensing, crowdsourced reports, and digital surveillance) can inform expert judgements. Outputs from expert knowledge elicitation can be captured as scalable datasets (text, tabular, audio, and video) that enable artificial intelligence-supported synthesis. We illustrate how expert knowledge can be integrated in Bayesian analyses, providing a transparent and rigorous approach to understanding uncertainty and improving inference. Finally, we outline future opportunities, including integration with artificial intelligence, to scale and strengthen expert knowledge elicitation in support of global plant health. [Formula: see text] Copyright © 2025 The Author(s). This is an open access article distributed under the CC BY 4.0 International license.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».