Lanzan marco de aprendizaje automático de código abierto para revisiones de artículos científicos

Investigadores de la Universidad de Utrecht han desarrollado recientemente un marco de aprendizaje automático que podría acelerar el proceso de navegar automáticamente a través de numerosos estudios anteriores y compilar revisiones de literatura de alta calidad. Este marco, llamado ASReview, podría resultar particularmente útil para realizar investigaciones durante la pandemia de COVID-19.

Ahorro de tiempo al identificar investigaciones relevantes

Cuando los científicos llevan a cabo una investigación sobre un tema determinado, a menudo comienzan revisando los hallazgos de estudios anteriores. Llevar a cabo revisiones sistemáticas de literatura o metanálisis puede ser muy desafiante y llevar mucho tiempo, ya que a menudo hay una gran cantidad de investigación que se centra en diferentes temas, que pueden no siempre ser relevantes para el trabajo de un investigador.

El profesor Rens van de Schoot, uno de los investigadores que desarrolló ASReview, ha realizado varias revisiones de la literatura a lo largo de su carrera académica y, por lo tanto, era muy consciente del tiempo que puede llevar el proceso de revisión. En colaboración con expertos en aprendizaje automático, ingeniería y gestión de la información de la Universidad de Utrecht, se propuso desarrollar una herramienta que acelerara significativamente el proceso de realización de revisiones sistemáticas y metanálisis.

El marco de aprendizaje automático creado por De Bruin, van de Schoot y sus colegas está optimizado para encontrar una ‘aguja’ metafórica o múltiples ‘agujas’ en un pajar. Ya que los científicos llevan a cabo una gran cantidad de investigaciones sobre una variedad de temas diferentes, identificar automáticamente los estudios más relevantes sobre un tema puede ser muy valioso. Para hacer esto, de Bruin, van de Schoot y sus colegas entrenaron su modelo de aprendizaje automático utilizando un enfoque interactivo llamado aprendizaje activo.

Se capacitó al sistema para analizar varios documentos y determinar cuáles son relevantes para un tema de investigación específico y cuáles son irrelevantes.