Named entity disambiguation in biomedical literature
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.017 | 0.014 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".