8286314 A Large language model for identifying industry-funded research on the carcinogenicity of benzene and cobalt metal
Notice bibliographique
Résumé
Objective Industry-funded research is a threat to the validity of scientific inference on carcinogenic hazards. Scientists require tools to better identify industry-funded studies and minimize the influence of industry bias in evidence synthesis reviews. We applied a novel large language model (LLM)-based tool named InfluenceMapper to demonstrate and evaluate its performance in identifying industry sponsored research on the carcinogenicity of two occupational exposures of commercial interest by major industries, benzene and cobalt. Material and Methods We identified all epidemiological, animal bioassay, and mechanistic studies included in systematic reviews on the carcinogenicity of benzene and cobalt conducted by the WHO/IARC Monographs Programme. InfluenceMapper extracted sponsoring entities disclosed in study publications and classified 40 possible relationship types between all entities and the study and each author. A human classified entities as industry or industry-funded. Positive predictive values described the extent of false positive relationships. Results Analyses included 1,520 studies for both agents. We identified 184 disclosed industry or industry-funded entities from InfluenceMapper output that were involved in 453 distinct study-entity and author-entity relationships. For each agent, between 4-8% of studies were funded by industry and 1-4% of studies had at least one author that disclosed receiving industry funding. Industry trade associations funded 19 studies published in 14 journals over a 37-year span. After funding, the most prevalent disclosed relationships with industry were receiving data, holding employment, paid consulting, and providing expert testimony. Industry sponsored research consisted predominantly of mechanistic studies. Positive predictive values were excellent (>98%) for study-entity relationships but declined for relationships with individual authors. Conclusion LLM-based tools can significantly expedite and bolster the detection of industry sponsored research in cancer prevention. Possible use cases include facilitating the assessment of bias from industry studies in evidence synthesis reviews and alerting scientists to the influence of industry on scientific inference about carcinogenic hazards.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,006 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».