Notice bibliographique
Résumé
Artificial Intelligence (AI) has fueled advances in many fields including healthcare, busi- ness and engineering. However, AI methods such as deep learning treat decision making as a black box where inputs are converted into outputs using a large number of parameter- ized features, with the reasoning behind decisions being largely opaque. It is difficult for humans to trust decisions when they don’t know the reasoning behind them. The goal of human-centered AI is to build reliable and safe AI systems. Human-in-the-Loop (HITL) systems build on earlier human factors approaches to complex aviation and nuclear plant interfaces, where trust is increased by integrating human supervision and expertise into the automation/AI system. Human factors engineering seeks to reduce human error, increase productivity, and enhance safety and comfort with a specific focus on the interaction be- tween the human and the automation/AI. In the research reported in this dissertation I merged human-computer interaction approaches to user experience design with human fac- tors approaches. In the research reported in this dissertation I show how human factors can be applied in the field of data-driven healthcare. I present empirical findings concerning the value of human experts in improving machine learning clinical prediction based on medi- cal data. I also report on the design and development of tools and approaches for making machine learning prediction models explainable and usable in the context of data-driven healthcare. Since highly skilled data scientists and machine learning experts will always be scarce relative to the ever increasing needs to use large data sets to improve decision mak- ing, the present research points the way towards human factors tools/systems that can allow users (such as physicians) without strong machine learning or data mining backgrounds, to use AI-based clinical decision support systems that they can trust.
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 | 0,017 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».