A Conversational Large‐Language‐Model Tutor that Accelerates Machine‐Learning Method Development in Routine Bioanalytical Workflows
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As machine learning (ML) becomes increasingly relevant in experimental chemistry, many scientists face barriers to adoption due to limited training in ML. While AutoML platforms offer powerful capabilities, they lack the instructional scaffolding needed by users without an ML background. To address this gap, a lightweight, conversational assistant is presented that guides users through ML workflow design using plain-language dialog. Powered by OpenAI's GPT-4o and deployed via a Gradio interface, the assistant operates under a structured system prompt that simulates pedagogical reasoning. It behaves like a domain-specific tutor: helping users define ML goals, assess data structure, select models, evaluate metrics, and generate annotated Python code. A complete documentation of the development process is provided, allowing researchers to adapt the system for other domains. Herein, its utility is demonstrated in two representative case studies: 1) image classification of lateral flow immunoassay test strips for diagnostic readout; and 2) regression-based prediction of liquid chromatography-mass spectrometry retention times from molecular descriptors for small molecules. In both cases, lab members with no ML experience successfully developed working models guided solely by the assistant. By lowering the barrier to ML adoption in data-rich analytical workflows, this system offers a customizable workflow for building domain-specific assistants across experimental science.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle