Opening up translational data impact through the Data Citation Corpus
Notice bibliographique
Résumé
The metadata for 5 million data citations in the Make Data Count Data Citation Corpus serves as a source for this exploratory analysis of the use of datasets from biomedical fields across a number of facets, including date, affiliations, funders and domain. To gather insights about translational data impact, we focused on array-based gene expression profiling datasets produced between 2005-2009 in Homo sapiens from the Gene Expression Omnibus in the Corpus (n=3,427). This time period was selected to allow a 15-20 year timeframe to allow follow-up studies/publications to accrue. GEO is a public functional genomics data repository by the National Library of Medicine’s National Center for Biotechnology Information. GEO archives and freely distributes microarray, next-generation sequencing, and other forms of high-throughput functional genomics data submitted by the research community. GEO identifiers were selected for this exploratory work because they are unambiguous (see Limitations) and can be easily filtered by human data to more easily highlight clinically-relevant studies. Scatter plots of sample count versus number of citations for these datasets were created (Figure 1) allowing identification of two candidate datasets: “Breast cancer relapse free survival” (GSE2034, 2005) and “Strong Time Dependence of the 76-Gene Prognostic Signature” (GSE7390, 2007) to explore in more depth based on citations in papers that report on clinical trials (Figure 2). The primary articles about these two datasets were also cited in subsequent articles, including articles reporting on clinical trials. Dataset citations were collected through the Data Citation Corpus v3.0, while inter-article citations were collected through iCite v32.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».