SKIMMR: facilitating knowledge discovery in life sciences by machine-aided skim reading.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka plan. Tam okumanın aksine, 'skim-okuma', altta yatan içeriğin yüzeysel bir görünümünü hala tutabilmekle birlikte, daha fazla materyali kapsamak için bilgi üzerinde hızlı bir şekilde bakma sürecini içerir. Bu çalışmada, bu doğal insan aktivitesini, metinden otomatik olarak çıkarılan varlıkların dinamik bir grafik tabanlı görünümünü sağlayarak özellikle taklit ediyoruz. Çıkarma için, sığ ayrıştırma, eş zamanlı analiz ve semantik benzerlik hesaplama teknikleri kullanıyoruz. Ana motivasyonumuz, biyomedikal araştırmacılara ve klinisyenlere, yaşam bilimlerinde sürekli olarak yayınlanan potansiyel olarak ilgili makalelerin giderek artan bir miktarıyla başa çıkmada yardımcı olmaktır. Yöntemler. Makalelerin üst düzey ağ genel bakışını oluşturmak için, metinden ağırlıklı ikili ifadeler çıkarırız. Bu ifadelerin iki türünü, her ikisi de aynı dağıtımsal gösterimde (yani bir vektör-uzay modelinde) düzenlenen eş-oluş ve benzerlik olarak ele alıyoruz. Eş meydana gelen ağırlıklar için, iki eş meydana gelen varlık arasındaki rastgele olmayan ilişkinin derecesini gösteren noktasal karşılıklı bilgileri kullanırız. Benzerlik ifade ağırlıklarını hesaplamak için, kosinüs mesafesini ilgili eş-oluş vektörlerine göre kullanırız. Bu ifadeler, bulanık sorgulamayı ve sonraki sonuç sıralamasını destekleyen terimlerin, ifadelerin ve provenance makale tanımlayıcılarının bulanık indekslerini oluşturmak için kullanılır. Bu indeksleme ve sorgulama süreçleri daha sonra makalelerden çıkarılan varlık ağlarının yanı sıra göz gezdirilen ağlarla ilgili makaleleri aramak ve taramak için grafik tabanlı bir arayüz oluşturmak için kullanılır. Son olarak, sunulan yaklaşımın otomatik deneysel değerlendirmesi için bir metodoloji tanımlıyoruz. Yöntem, aracımız tarafından üretilen grafiklerin elle kürlenmiş PubMed, TREC meydan okuması ve MeSH verilerine dayanarak ilgili altın standartlarına resmi karşılaştırmasını kullanır. Sonuçlar. Bir kullanıcının arayüzümüz aracılığıyla keşfedebileceği bir dizi belgeden birbiriyle ilişkili varlıklar ağı oluşturan web tabanlı bir prototip ('SKIMMR' olarak adlandırılır) sunuyoruz. Varlık ağının belirli bir alanı bir kullanıcı için ilginç göründüğünde, araç, şu anda ağda gösterilen ilgili varlıklarla en alakalı belgeleri görüntüler. Bunu bir araştırma makalesi koleksiyonuna göz atmak için bir metodoloji olarak sunuyoruz. SKIMMR'nin pratik uygulanabilirliğini örneklemek için, Spinal Musküler Atrofi ve Parkinson Hastalığı alanlarında kullanımının örneklerini sunuyoruz. Son olarak, TREC meydan okumasına dayalı iki alan adı ve bir ek veri setini kullanarak deneysel değerlendirmenin sonuçları hakkında rapor veriyoruz. Sonuçlar, makine destekli skeç okuma için sunulan yöntemin, göz atma bağlamının odaklanmış göz atma ve bilgilendiriciliği ile ilgili PubMed gibi araçlardan nasıl daha iyi performans gösterdiğini göstermektedir.

Özgün kaynak özetini okuyun

Background. Unlike full reading, 'skim-reading' involves the process of looking quickly over information in an attempt to cover more material whilst still being able to retain a superficial view of the underlying content. Within this work, we specifically emulate this natural human activity by providing a dynamic graph-based view of entities automatically extracted from text. For the extraction, we use shallow parsing, co-occurrence analysis and semantic similarity computation techniques. Our main motivation is to assist biomedical researchers and clinicians in coping with increasingly large amounts of potentially relevant articles that are being published ongoingly in life sciences. Methods. To construct the high-level network overview of articles, we extract weighted binary statements from the text. We consider two types of these statements, co-occurrence and similarity, both organised in the same distributional representation (i.e., in a vector-space model). For the co-occurrence weights, we use point-wise mutual information that indicates the degree of non-random association between two co-occurring entities. For computing the similarity statement weights, we use cosine distance based on the relevant co-occurrence vectors. These statements are used to build fuzzy indices of terms, statements and provenance article identifiers, which support fuzzy querying and subsequent result ranking. These indexing and querying processes are then used to construct a graph-based interface for searching and browsing entity networks extracted from articles, as well as articles relevant to the networks being browsed. Last but not least, we describe a methodology for automated experimental evaluation of the presented approach. The method uses formal comparison of the graphs generated by our tool to relevant gold standards based on manually curated PubMed, TREC challenge and MeSH data. Results. We provide a web-based prototype (called 'SKIMMR') that generates a network of inter-related entities from a set of documents which a user may explore through our interface. When a particular area of the entity network looks interesting to a user, the tool displays the documents that are the most relevant to those entities of interest currently shown in the network. We present this as a methodology for browsing a collection of research articles. To illustrate the practical applicability of SKIMMR, we present examples of its use in the domains of Spinal Muscular Atrophy and Parkinson's Disease. Finally, we report on the results of experimental evaluation using the two domains and one additional dataset based on the TREC challenge. The results show how the presented method for machine-aided skim reading outperforms tools like PubMed regarding focused browsing and informativeness of the browsing context.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.