論文の概要: Machine learning in the social and health sciences
- arxiv url: http://arxiv.org/abs/2106.10716v1
- Date: Sun, 20 Jun 2021 15:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 09:10:27.921254
- Title: Machine learning in the social and health sciences
- Title(参考訳): 社会・健康科学における機械学習
- Authors: Anja K. Leist, Matthias Klee, Jung Hyun Kim, David H. Rehkopf,
St\'ephane P. A. Bordas, Graciela Muniz-Terrera, Sara Wade
- Abstract要約: 本稿では、社会・健康科学における研究課題のメタマッピングを機械学習の適切なアプローチに適用する。
確立された分類を、一般的な研究目標に記述、予測、因果推論にマッピングする。
- 参考スコア(独自算出の注目度): 0.8681909776958184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The uptake of machine learning (ML) approaches in the social and health
sciences has been rather slow, and research using ML for social and health
research questions remains fragmented. This may be due to the separate
development of research in the computational/data versus social and health
sciences as well as a lack of accessible overviews and adequate training in ML
techniques for non data science researchers. This paper provides a meta-mapping
of research questions in the social and health sciences to appropriate ML
approaches, by incorporating the necessary requirements to statistical analysis
in these disciplines. We map the established classification into description,
prediction, and causal inference to common research goals, such as estimating
prevalence of adverse health or social outcomes, predicting the risk of an
event, and identifying risk factors or causes of adverse outcomes. This
meta-mapping aims at overcoming disciplinary barriers and starting a fluid
dialogue between researchers from the social and health sciences and
methodologically trained researchers. Such mapping may also help to fully
exploit the benefits of ML while considering domain-specific aspects relevant
to the social and health sciences, and hopefully contribute to the acceleration
of the uptake of ML applications to advance both basic and applied social and
health sciences research.
- Abstract(参考訳): 社会・健康科学における機械学習(ML)アプローチの取り込みは、かなり遅く、社会・健康研究におけるMLを用いた研究は、いまだに断片化されている。
これは、計算/データと社会・健康科学の研究が別々に発達したことと、非データサイエンス研究者のためのML技術におけるアクセス可能な概要と適切なトレーニングの欠如による可能性がある。
本稿では、これらの分野における統計的分析に必要な要件を取り入れ、社会・健康科学における研究課題のメタマッピングを適切なMLアプローチに適用する。
確立された分類を、有害な健康や社会的成果の有病率の推定、事象のリスクの予測、リスク要因や有害な結果の原因の特定など、共通の研究目標に対する説明、予測、因果推論にマッピングする。
このメタマッピングは、学際的障壁を克服し、社会科学と健康科学の研究者と方法論的に訓練された研究者の対話を開始することを目的としている。
このようなマッピングは、社会・健康科学に関連する領域固有の側面を考慮しながら、MLの利点を十分に活用する上でも有効であり、基本的および応用的な社会・健康科学研究を前進させるために、MLアプリケーションの取り込みの加速に寄与することが望まれる。
関連論文リスト
- Data Science for Social Good [2.8621556092850065]
本稿では,「データ・サイエンス・フォー・ソーシャル・グッド」(DSSG)研究の枠組みについて述べる。
本研究では,情報システムにおけるDSSG研究の質を実証的に示すために,文献の分析を行う。
この記事と特別号が今後のDSSG研究を刺激することを期待している。
論文 参考訳(メタデータ) (2023-11-02T15:40:20Z) - DeSIQ: Towards an Unbiased, Challenging Benchmark for Social
Intelligence Understanding [60.84356161106069]
複雑な社会的相互作用のビデオ上での複数選択質問のデータセットであるSocial-IQの健全性について検討する。
分析の結果,Social-IQにはある程度のバイアスがあり,適度に強い言語モデルによって活用できることがわかった。
ソーシャルIQに単純な摂動を適用して構築した,新たな挑戦的データセットであるDeSIQを紹介する。
論文 参考訳(メタデータ) (2023-10-24T06:21:34Z) - Adversarial Machine Learning for Social Good: Reframing the Adversary as
an Ally [50.92232179802755]
AdvML for Social Good(AdvML4G)は、AdvMLバグを再利用して、プロ社会的なアプリケーションを発明する新興分野である。
本稿では,AdvML4Gの新興分野を包括的に概観する。
論文 参考訳(メタデータ) (2023-10-05T15:49:04Z) - SciBench: Evaluating College-Level Scientific Problem-Solving Abilities
of Large Language Models [72.92461995173201]
拡張ベンチマークスイートSciBench for Large Language Model (LLM)を導入する。
SciBenchには、数学、化学、物理学の分野から、さまざまな大学レベルの科学的問題を含むデータセットが含まれている。
その結果、現在のLLMは満足のいく性能を達成できないことが判明し、全体のスコアは43.22%に過ぎなかった。
論文 参考訳(メタデータ) (2023-07-20T07:01:57Z) - Friend or Foe? Exploring the Implications of Large Language Models on
the Science System [0.0]
OpenAIによるChatGPTは、科学と高等教育の潜在的な意味について広範な議論を引き起こしている。
この研究は、科学における生成AIの影響についての情報的な議論に寄与する。
論文 参考訳(メタデータ) (2023-06-16T15:50:17Z) - Use and Misuse of Machine Learning in Anthropology [0.9786690381850356]
生物学的・文化的な証拠に基づいて人類の進化を理解することを目指す古人類学の分野に焦点をあてる。
本研究の目的は,MLが古人類学に応用されている方法について,簡単な紹介を行うことである。
人類学文献の集積部において,ML手法の正しいプロトコルの一連の誤り,誤り,違反について論じる。
論文 参考訳(メタデータ) (2022-09-06T20:32:24Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - Fair Machine Learning in Healthcare: A Review [90.22219142430146]
我々は、機械学習と医療格差における公正性の交差を分析する。
機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。
本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
論文 参考訳(メタデータ) (2022-06-29T04:32:10Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z) - (Non)-neutrality of science and algorithms: Machine Learning between
fundamental physics and society [0.0]
出版物の書誌分析から文献の詳細な議論まで、この問題のさまざまな側面に対処する。
この分析は、科学の非中立性(歴史と社会との本質的な関係)という3つの重要な要素に基づいて行われる。
科学的思考の普遍性が内部から推定される分解は、この観点において、社会的・政治的議論においても必要な第一歩となる。
論文 参考訳(メタデータ) (2020-05-27T09:43:28Z) - Replication Markets: Results, Lessons, Challenges and Opportunities in
AI Replication [6.485452733699873]
本稿では,行動科学と社会科学とDARPA SCOREプロジェクトにおけるアプローチについて概説する。
我々は、複製結果の人間予測の役割に焦点をあてる。
我々は、コンピュータサイエンス、AI、MLにおける研究領域の信頼性を監視し改善するためにこれらのアプローチを使用する機会と課題について論じる。
論文 参考訳(メタデータ) (2020-05-10T01:41:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。