Notice bibliographique
Résumé
This dataset contains text for over 7,000 case report sections in academic papers related to Post COVID-19 Condition (PCC), also known as Long COVID. It is comprised of three columns: 'Token,' 'entity_type,' and 'case_report_id.' There are over 3.4 million observations in total. Entity types are presented in CoNLL format and relate to sociodemographic, behavioral and selected biomedical dimensions relevant to PCC. There are 27 core entity types (53 in CoNLL): ‘Access_To_Care,’ ‘Age,’ ‘Condition,’ ‘Diet,’ ‘Disability,’ ‘Education,’ ‘Employment,’ ‘Exercise,’ ‘Family_Member,’ ‘Gender,’ ‘Geographic_Entity,’ ‘Housing,’ ‘Income,’ ‘Insurance_Status,’ ‘Language,’ ‘Marital_Status,’ ‘Mental_Health,’ ‘Race_Ethnicity,’ ‘Severity,’ ‘Sexual_Orientation,’ ‘Social_Support,’ ‘Spiritual_Beliefs,’ ‘Substance,’ ‘Treatment,’ ‘Vaccine,’ ‘Violence_Or_Abuse,’ and ‘O’ (non-entity). The entities were annotated with a fine-tuned BERT-base-uncased model, which was trained on a subset of 501 case reports and 3000 sets of synthetic sentences with diverse variations of each entity type. For reproducibility, an additional file with case report sections alone is included.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,095 | 0,078 |
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 ».