Named entity disambiguation in biomedical literature
Notice bibliographique
Résumé
ABR ÉG ÉLa présence de conflits d'intérêts dans la littérature biomédicale est un champ d'intérêt croissant en santé publique, en raison des préoccupations en lien avec les entités qui génèrent des résultats de recherche à leur avantage.Néanmoins, les conflits d'intérêts et l'influence potentielle qu'ils exercent sur les résultats de recherche demeurent un phénomène difficile à saisir et à étudier à grande échelle.Dans cette thèse, nous évaluerons un ensemble de données de chercheurs et leurs engagements avec des entités, extraits de la divulgation d'un conflit d'intérêts d'article, et des méthodes actuelles pour déchiffrer les références textuelles à des entités du monde réel.Nous présentons d'abord un modèle de classification pour lier les mentions d'entités localement dans le même article, puis nous passerons à la démystification des mentions d'entités à travers les articles.Nous ajusterons ensuite et appliquerons ces méthodes à l'ensemble de notre base de données, ce qui donnera un vaste réseau d'entités, qui peut être exploité dans l'étude des conflits d'intérêts.Enfin, nous présenterons cette analyse où nous caractérisons l'engagement de l'industrie à travers la lentille de l'influence des chercheurs.Nous énoncerons que la liaison d'entités locales peut être effectuée avec une grande précision, et que la désambiguïsation d'entité globale, bien que plus impliquée et nécessitant plus de réglage, peut également être réalisée à un haut niveau.Nous présentons aussi des preuves provenant d'une analyse de réseaux qui montre que les v entreprises ciblent les chercheurs ayant des niveaux d'influence plus élevés dans leurs domaines que les autres types d'organisations gouvernementales et de fondations.vi
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,017 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,010 |
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 ».