Rule-based automatic criteria detection for assessing quality of online health information
Notice bibliographique
Résumé
Automatically assessing the quality of health related Web pages is an emerging method for assisting consumers in evaluating online health information. We propose a rule-based method of detecting technical criteria for automatic quality assessment in this paper. Firstly, we defined corresponding measurable indicators for each criterion with the indicator value and expected location. Then candidate lines that may contain indicators are extracted by matching the indicator value with the content of a Web page. The actual location of a candidate line is detected by analyzing the Web page DOM tree. The expression pattern of each candidate line is identified by regular expressions. Each candidate line is classified into a criterion according to rules for matching location and expression patterns. The occurrences of criteria on a Web page are summarized based on the results of line classification. The performance of this rule-based criteria detection method is tested on two data sets. It is also compared with a direct criteria detection method. The results show that the overall accuracy of the rule-based method is higher than that of the direct detection method. Some criteria, such as authors name, authors credential and authors affiliation, which were difficult to detect using the direct detection method, can be effectively detected based on location and expression patterns. The approach of rule-based detecting criteria for assessing the quality of health Web pages is effective. Automatic detection of technical criteria is complementary to the evaluation of content quality, and it can contribute in assessing the comprehensive quality of health related Web sites.
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 | 0,002 | 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 | 0,000 | 0,000 |
| 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 ».