Tömeg-alapú többpredikátumú átvilágítás az irodalmi áttekintésekben

Trentói Egyetem, Trento, Olaszország

irodalmi

Trentói Egyetem, Trento, Olaszország

Trentói Egyetem és Tomszki Műszaki Egyetem, Tomszk, Orosz Föderáció.

Trentói Egyetem és Tomszki Műszaki Egyetem, Tomszk, Orosz Föderáció.

Új-Dél-Wales Egyetem, Sydney, Ausztrália

Új-Dél-Wales Egyetem, Sydney, Ausztrália

Új hivatkozási figyelmeztetés hozzáadva!

Ezt a riasztást sikeresen hozzáadtuk, és elküldjük a következő címre:

Értesítést kapunk, ha az Ön által kiválasztott rekordot idézik.

A riasztási beállítások kezeléséhez kattintson az alábbi gombra.

Új idézőjelzés!

Mentés a Binder-be
WWW '18: A 2018. évi világhálós konferencia anyagai

ABSZTRAKT

A szisztematikus irodalmi áttekintés (SLR) a tudományos kutatás és publikáció egyik legelterjedtebb és leghasznosabb formája. Évente több tízezer tükörreflexes fénykép jelenik meg, és ez az arány a tudomány minden területén növekszik. A pontos, teljes és elfogulatlan tükörreflexes fényképezőgép végrehajtása azonban nehéz és drága törekvés. Ez általában igaz az irodalmi áttekintés minden szakaszára, és különösen a papírszűrés szakaszára, ahol a szerzők számos kizárási kritérium alapján szűrik a potenciálisan hatókörű dolgozatok halmazát. A probléma megoldása érdekében az utóbbi években a kutatói közösség elkezdte feltárni a tömeg használatát, hogy lehetővé tegye a papírok gyorsabb, pontos, olcsóbb és elfogulatlan szűrését. A kezdeti eredmények azt mutatják, hogy a tömeges beszerzés még viszonylag összetett felülvizsgálatok esetén is hatékony lehet.

Ebben a cikkben levezetjük és elemezzük a tömegalapú szűrés stratégiáit, és megmutatjuk, hogy egy adaptív stratégia, amely folyamatosan átértékeli a probléma statisztikai tulajdonságait, hogy minimalizálja az egyes dolgokhoz szükséges döntések meghozatalához szükséges szavazatok számát költségekkel és pontossággal szemben számos nem adaptív megközelítést teljesít. A megközelítés alkalmazhatóságát és eredményeit tömeges beszerzési kísérletek segítségével validáljuk, és megvitatjuk a probléma tulajdonságait és az algoritmusokat, amelyek véleményünk szerint általában érdekesek az osztályozási problémáknál, amikor az elemeket egymást követő tesztek sorozatán keresztül osztályozzák (mint gyakran előfordul) az orvostudományban).