論文の概要: Deep forecasting of translational impact in medical research
- arxiv url: http://arxiv.org/abs/2110.08904v1
- Date: Sun, 17 Oct 2021 19:29:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 20:58:04.659617
- Title: Deep forecasting of translational impact in medical research
- Title（参考訳）: 医学研究における翻訳的影響の予測
- Authors: Amy PK Nelson, Robert J Gray, James K Ruffle, Henry C Watkins, Daniel
Herron, Nick Sorros, Danil Mikhailov, M. Jorge Cardoso, Sebastien Ourselin,
Nick McNally, Bryan Williams, Geraint E. Rees and Parashkev Nachev
- Abstract要約: 我々は,多スケールパブリッシュデータの表現的および識別的数学的モデルスイートを開発する。
我々は、引用は、特許、ガイドライン、政策文書に含めることにより判断される翻訳効果の適度な予測のみであることを示す。
我々は、従来の引用に基づく手法よりも、コンテンツに基づく影響モデルの方がパフォーマンスに優れていると論じる。
- 参考スコア（独自算出の注目度）: 1.8130872753848115
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The value of biomedical research--a $1.7 trillion annual investment--is
ultimately determined by its downstream, real-world impact. Current objective
predictors of impact rest on proxy, reductive metrics of dissemination, such as
paper citation rates, whose relation to real-world translation remains
unquantified. Here we sought to determine the comparative predictability of
future real-world translation--as indexed by inclusion in patents, guidelines
or policy documents--from complex models of the abstract-level content of
biomedical publications versus citations and publication meta-data alone. We
develop a suite of representational and discriminative mathematical models of
multi-scale publication data, quantifying predictive performance out-of-sample,
ahead-of-time, across major biomedical domains, using the entire corpus of
biomedical research captured by Microsoft Academic Graph from 1990 to 2019,
encompassing 43.3 million papers across all domains. We show that citations are
only moderately predictive of translational impact as judged by inclusion in
patents, guidelines, or policy documents. By contrast, high-dimensional models
of publication titles, abstracts and metadata exhibit high fidelity (AUROC >
0.9), generalise across time and thematic domain, and transfer to the task of
recognising papers of Nobel Laureates. The translational impact of a paper
indexed by inclusion in patents, guidelines, or policy documents can be
predicted--out-of-sample and ahead-of-time--with substantially higher fidelity
from complex models of its abstract-level content than from models of
publication meta-data or citation metrics. We argue that content-based models
of impact are superior in performance to conventional, citation-based measures,
and sustain a stronger evidence-based claim to the objective measurement of
translational potential.
- Abstract（参考訳）: バイオメディカルリサーチの価値 - 年間17兆ドルの投資 - は、最終的に下流の現実世界の影響によって決定される。
現在の客観的な予測は、現実の翻訳との関連性が未定である紙引用率のような、プロキシ、還元的拡散指標に影響を与えている。
ここでは,バイオメディカル出版の抽象的内容と引用,メタデータのみの複雑なモデルから,特許,ガイドライン,政策文書に含めることで,将来的な現実世界の翻訳の予測可能性を比較することを試みた。
我々は、1990年から2019年にかけてMicrosoft Academic Graphが収集したバイオメディカル研究のコーパス全体を用いて、マルチスケールの出版データの表現的および差別的な数学的モデルを開発し、すべてのドメインにわたる4330万の論文を包含する。
引用は, 特許, ガイドライン, 政策文書の包含によって判断されるように, 翻訳の影響を適度に予測するのみである。
対照的に、出版物のタイトル、要約、メタデータの高次元モデルは高い忠実度(auroc > 0.9)を示し、時間と主題領域をまたいで一般化し、ノーベル賞受賞者の論文を認識するタスクに移される。
特許、ガイドライン、あるいはポリシー文書への含意によってインデックスされた論文の翻訳的影響は、出版メタデータや引用メトリクスのモデルよりも、抽象レベルのコンテンツの複雑なモデルからかなり高い忠実さで予測できる。
我々は、コンテンツベースの影響モデルは、従来の引用に基づく尺度よりも性能が優れており、翻訳ポテンシャルの客観的測定に対するより強い証拠に基づく主張を維持していると主張する。
関連論文リスト
- From Words to Worth: Newborn Article Impact Prediction with LLM [69.41680520058418]
本稿は,LLMの微調整機能を活用して,新たな記事の今後の影響を予測する,有望なアプローチを提案する。
LLMを微調整するための包括的なデータセットが構築されリリースされ、対応するタイトル、抽象化、TLCSI_SPを含む12,000以上のエントリが含まれている。
論文 参考訳（メタデータ） (2024-08-07T17:52:02Z) - Machine Learning to Promote Translational Research: Predicting Patent
and Clinical Trial Inclusion in Dementia Research [0.0]
認知症は、2040年までに英国で6100万人に影響を及ぼし、年間25億ポンドの費用がかかると予想されている。
1990～2023年の間に、イギリスの認知症研究出版物43,091件からDmensionsデータベースを用いてデータを抽出した。
特許の予測では、受信者動作特性曲線(AUROC)の精度は0.84と77.17%であり、臨床試験の精度は0.81と75.11%である。
論文 参考訳（メタデータ） (2024-01-10T13:25:49Z) - P^3SUM: Preserving Author's Perspective in News Summarization with Diffusion Language Models [57.571395694391654]
既存のアプローチは、要約の50%以上で、ニュース記事の政治的意見やスタンスを変えている。
政治的視点分類器によって制御される拡散モデルに基づく要約手法であるP3SUMを提案する。
3つのニュース要約データセットの実験により、P3SUMは最先端の要約システムより優れていることが示された。
論文 参考訳（メタデータ） (2023-11-16T10:14:28Z) - Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement [11.684776349325887]
既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。
論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
論文 参考訳（メタデータ） (2023-11-15T07:21:11Z) - Application of targeted maximum likelihood estimation in public health
and epidemiological studies: a systematic review [0.0]
Targeted Maximum Likelihood Estimation frameworkは、機械学習、統計理論、統計推論を統合している。
我々は、観察研究にTMLEのあらゆる形態を適用した論文について、PubMedで体系的な文献レビューを行う。
81の出版物のうち25%はカリフォルニア大学バークレー校が発祥で、このフレームワークが最初に開発された。
論文 参考訳（メタデータ） (2023-03-13T17:50:03Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - Entity-driven Fact-aware Abstractive Summarization of Biomedical
Literature [3.977582258550673]
本稿では, エンド・ツー・エンド・エンド・トランスフォーマーに基づくエンコーダ・デコーダ・モデルを用いて, バイオメディカル・アーティクルの抽象的な要約を学習するためのエンティティ駆動型ファクト・アウェア・フレームワークを提案する。
我々は5つの最先端変換器モデルを用いて実験を行う。
提案手法はICD-11-Summ-1000とPubMed-50kで評価される。
論文 参考訳（メタデータ） (2022-03-30T00:34:56Z) - Semantic Analysis for Automated Evaluation of the Potential Impact of
Research Articles [62.997667081978825]
本稿では,情報理論に基づくテキスト意味のベクトル表現のための新しい手法を提案する。
この情報意味論がLeicester Scientific Corpusに基づいてテキスト分類にどのように使用されるかを示す。
テキストの意味を表現するための情報的アプローチは,研究論文の科学的影響を効果的に予測する方法であることを示す。
論文 参考訳（メタデータ） (2021-04-26T20:37:13Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z) - Towards Making the Most of Context in Neural Machine Translation [112.9845226123306]
我々は、これまでの研究がグローバルな文脈をはっきりと利用しなかったと論じている。
本研究では,各文の局所的文脈を意図的にモデル化する文書レベルNMTフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T03:30:00Z)
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。