Knowledge graphs based on meta-analysis papers improve the quality of case formulation: a mixed methods design (Preprint)
Notice bibliographique
Résumé
BACKGROUND: Case formulation (CF) is a core skill for therapists; however, creating high-quality CF requires considerable time. OBJECTIVE: This study demonstrates that providing a knowledge graph based on the meta-analytic literature can enhance CF quality. METHODS: Five groups were established, including four large language model (LLM) groups and one human expert group, each generating 25 CFs based on 25 vignettes. The Control group with Claude Sonnet 3.7 produced 25 CFs. The Personalization group served as the control group with additional personalization prompts. The Knowledge Graph group employed an LLM that generated 25 CFs, which was provided with a meta-analysis Knowledge Graph. Further incorporation of additional personalization prompts then comprised the Knowledge Graph with Personalization group. Finally, the Expert Group consisted of 25 CFs generated by a human expert. These 125 CFs in total were evaluated for general quality (i.e., correctness, completeness, feasibility, and consistency) using a 7-point scale and 18 essential elements with binary scores (0 or 1) by another human expert. The CFs were also qualitatively analyzed. RESULTS: The Knowledge Graph and Knowledge Graph with Personalization groups scored significantly higher than the control group in terms of correctness, completeness, and feasibility. The Expert group scored significantly higher on consistency than the machine-generated groups. Additionally, there was no significant difference in the feasibility scores between the Knowledge Graph, Knowledge Graph with Personalization, and expert groups. The qualitative evaluation suggested that human CFs narrow the text to content that is easy for the client to read, whereas machine CFs are more likely to include expressions that are unnatural to the client. CONCLUSIONS: These results indicate that providing knowledge graphs to novice therapists increases the correctness, completeness, and feasibility of CF. Providing experienced therapists with knowledge graphs is suggested to improve the quality of their CF and mental health services. CLINICALTRIAL: None.
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 | 0,131 | 0,274 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».