系統的レビューのための機械学習支援引用スクリーニング

エビデンスに基づいた実践は、意思決定のための最新の系統的レビュー（SR）に大きく依存しています。ただし、系統的レビュー、特に関連する研究の特定のための引用スクリーニングを実施および更新するには、多くの人間の仕事が必要であるため、高価です。機械学習（ML）ベースのアプローチを使用した引用スクリーニングを自動化すると、コストと労力を削減できます。機械学習は、引用スクリーニングを自動化するために適用されていますが、非常に狭い研究の質問を持つSRSにはそうではありません。このペーパーでは、機械学習を使用した狭い研究質問を使用して、SRSの引用スクリーニングを自動化することを目的とする進行中の研究の結果と観察を報告します。この研究はまた、クラスの不均衡の問題に光を当て、狭い研究質問をしてSRSに適用した場合のML分類器のパフォーマンスにクラスの重複を重視しています。

Evidence-based practice is highly dependent upon up-to-date systematic reviews (SR) for decision making. However, conducting and updating systematic reviews, especially the citation screening for identification of relevant studies, requires much human work and is therefore expensive. Automating citation screening using machine learning (ML) based approaches can reduce cost and labor. Machine learning has been applied to automate citation screening but not for the SRs with very narrow research questions. This paper reports the results and observations for an ongoing research that aims to automate citation screening for SRs with narrow research questions using machine learning. The research also sheds light on the problem of class imbalance and class overlap on the performance of ML classifiers when applied to SRs with narrow research questions.