論文の概要: SyROCCo: Enhancing Systematic Reviews using Machine Learning
- arxiv url: http://arxiv.org/abs/2406.16527v1
- Date: Mon, 24 Jun 2024 11:04:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 15:14:19.628232
- Title: SyROCCo: Enhancing Systematic Reviews using Machine Learning
- Title（参考訳）: SyROCCo: マシンラーニングによるシステムレビューの強化
- Authors: Zheng Fang, Miguel Arana-Catania, Felix-Anselm van Lier, Juliana Outes Velarde, Harry Bregazzi, Mara Airoldi, Eleanor Carter, Rob Procter,
- Abstract要約: 本稿では,システムレビュープロセスのナビゲートを支援する機械学習技術について検討する。
データ抽出やエビデンスマッピングといったレビューのその後の段階へのML技術の適用は、その初期段階にある。
- 参考スコア（独自算出の注目度）: 6.805429133535976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The sheer number of research outputs published every year makes systematic reviewing increasingly time- and resource-intensive. This paper explores the use of machine learning techniques to help navigate the systematic review process. ML has previously been used to reliably 'screen' articles for review - that is, identify relevant articles based on reviewers' inclusion criteria. The application of ML techniques to subsequent stages of a review, however, such as data extraction and evidence mapping, is in its infancy. We therefore set out to develop a series of tools that would assist in the profiling and analysis of 1,952 publications on the theme of 'outcomes-based contracting'. Tools were developed for the following tasks: assign publications into 'policy area' categories; identify and extract key information for evidence mapping, such as organisations, laws, and geographical information; connect the evidence base to an existing dataset on the same topic; and identify subgroups of articles that may share thematic content. An interactive tool using these techniques and a public dataset with their outputs have been released. Our results demonstrate the utility of ML techniques to enhance evidence accessibility and analysis within the systematic review processes. These efforts show promise in potentially yielding substantial efficiencies for future systematic reviewing and for broadening their analytical scope. Our work suggests that there may be implications for the ease with which policymakers and practitioners can access evidence. While ML techniques seem poised to play a significant role in bridging the gap between research and policy by offering innovative ways of gathering, accessing, and analysing data from systematic reviews, we also highlight their current limitations and the need to exercise caution in their application, particularly given the potential for errors and biases.
- Abstract（参考訳）: 毎年発行される研究成果の多さにより、体系的なレビューが時間とリソースの集約化を増している。
本稿では,システムレビュープロセスのナビゲートを支援する機械学習技術について検討する。
MLは以前、レビューのために確実に「スクリーン」記事として使われてきた。
しかし、データ抽出やエビデンスマッピングといったレビューのその後の段階へのML技術の適用は、その初期段階にある。
そこで我々は,「アウトカムベースの契約」をテーマとした1,952冊の出版物のプロファイリングと分析を支援する一連のツールの開発に着手した。
出版物を「政治分野」のカテゴリーに割り当て、組織、法律、地理的情報などの証拠マッピングの重要情報を特定・抽出し、証拠ベースを同一トピック上の既存のデータセットに接続し、テーマコンテンツを共有するかもしれない記事のサブグループを識別する。
これらのテクニックと、アウトプットを備えたパブリックデータセットを使用したインタラクティブツールがリリースされた。
本研究は,体系的レビュープロセスにおけるエビデンスアクセシビリティと分析を高めるためのML手法の有用性を実証するものである。
これらの取り組みは、将来の体系的なレビューと分析範囲の拡大のために、潜在的に実質的な効率をもたらす可能性を示している。
私たちの研究は、政策立案者や実践者が証拠にアクセスできることの容易さに意味があることを示唆している。
ML技術は、体系的なレビューからデータを集め、アクセスし、分析する革新的な方法を提供することによって、研究と政策のギャップを埋める上で重要な役割を担っているように思えるが、我々はまた、彼らの現在の制限と、特にエラーやバイアスの可能性を考慮し、アプリケーションに注意を払う必要があることも強調する。
関連論文リスト
- Machine Learning for Missing Value Imputation [0.0]
本論文の主な目的は、ミス・バリュー・インプットにおける最先端の機械学習アプリケーションの解析と同様に、包括的で厳密なレビューを行うことである。
2014年から2023年にかけて発行された100以上の記事が、その方法や発見を考慮して批判的にレビューされている。
最新の文献は,MVI法の動向とその評価を精査するために検討されている。
論文 参考訳（メタデータ） (2024-10-10T18:56:49Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。
新たに登場したAI生成の文献レビューも評価されている。
この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
論文 参考訳（メタデータ） (2024-02-20T11:28:50Z) - C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。
各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-02-17T11:28:08Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z) - Artificial intelligence technologies to support research assessment: A
review [10.203602318836444]
この文献レビューは、記事のテキストから、より高いインパクトやより高い品質の研究に関連する指標を特定する。
論文やカンファレンス論文の引用数や品質スコアを予測するために機械学習技術を使用した研究が含まれている。
論文 参考訳（メタデータ） (2022-12-11T06:58:39Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Machine Learning State-of-the-Art with Uncertainties [3.4123736336071864]
本研究では,精度測定に関する信頼区間が研究成果のコミュニケーションをいかに大きく向上させるかを示すために,模範的な画像分類研究を行う。
機械学習記事のオーサリングとレビューのプロセスを改善するために提案する。
論文 参考訳（メタデータ） (2022-04-11T15:06:26Z) - A Survey on Machine Learning Techniques for Source Code Analysis [14.129976741300029]
ソースコード解析に応用された機械学習の領域における現在の知識を要約することを目的としている。
そこで本研究では,2002年から2021年にかけて,広範囲にわたる文献検索を行い,初等研究364点を同定した。
論文 参考訳（メタデータ） (2021-10-18T20:13:38Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - Open Source Software for Efficient and Transparent Reviews [0.11179881480027788]
ASReviewはオープンソースの機械学習支援パイプラインで、アクティブラーニングを適用している。
シミュレーションにより,ASReviewは手作業によるレビューよりもはるかに効率的なレビューを実現することができることを示す。
論文 参考訳（メタデータ） (2020-06-22T11:57:10Z)
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。