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

• Evaluating Generative AI Systems is a Social Science Measurement Challenge [78.35388859345056]
  我々は,GenAIシステムの能力,影響,機会,リスクに関連する概念を測定するための枠組みを提案する。 このフレームワークは、背景概念、体系化された概念、測定器、インスタンスレベルの測定そのものの4つのレベルを区別する。
  論文  参考訳（メタデータ） (2024-11-17T02:35:30Z)
• Intelligent Computing Social Modeling and Methodological Innovations in Political Science in the Era of Large Language Models [16.293574791587247]
  本稿では,これらの問題に対処するために,知能コンピューティング社会モデリング(ICSM)手法を提案する。 アメリカ合衆国大統領選挙をシミュレートすることで、この研究はICSMの運用経路と方法論上の利点を実証的に示す。 この結果は、LCMが直接置換ではなく、統合と改善を通じて、政治科学の方法論的革新を促進することを示唆している。
  論文  参考訳（メタデータ） (2024-10-07T06:30:59Z)
• Intervention strategies for misinformation sharing on social media: A bibliometric analysis [1.8020166013859684]
  不正確な共有情報は混乱を引き起こし、精神的健康に悪影響を及ぼし、誤報による意思決定につながる。 本研究では,ソーシャルメディア上での誤情報共有に対処するための介入戦略の類型について検討する。 認識ベース、自動化ベース、情報ベース、ハイブリッドベースの4つの重要なクラスタを特定します。
  論文  参考訳（メタデータ） (2024-09-26T08:38:15Z)
• The Impact of Machine Learning on Society: An Analysis of Current Trends and Future Implications [0.0]
  本研究は,機械学習が社会に与える影響を包括的に分析することを目的とした。 この調査には、MLの経済的影響、倫理的・プライバシー的影響、およびテクノロジーに対する大衆の認識に関するデータ収集のための、徹底的な文献レビュー、ケーススタディ、調査が含まれていた。 この研究の結果、回答者の大多数はMLの概念に適度な習熟度を持ち、社会に利益をもたらす可能性があると信じ、社会はMLの開発と利用を優先すべきだと回答した。
  論文  参考訳（メタデータ） (2024-04-16T01:10:09Z)
• 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 [70.5763210869525]
  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)
• 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)
• 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)

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。