Evidence Inference 2.0：更多数据，更优模型
计算与语言
2020-05-15 v2
摘要
我们如何最有效地治疗某种疾病或健康状况？理想情况下，我们可以查询一个从临床试验中提取证据的数据库来回答此类问题。遗憾的是，目前并不存在这样的数据库；临床试验结果主要通过冗长的自然语言文章进行传播。医疗从业者逐一查阅所有此类文章会耗费过多时间；因此，他们倾向于依赖人工编制的医学文献系统评价来指导临床治疗。NLP 可以加速这一过程，并最终实现对已发表证据的即时查询。Evidence Inference 数据集近期已发布，以促进面向此目标的研究。该任务涉及从特定文章（描述一项临床试验）中推断两种治疗在给定结局下的相对表现，并识别支持证据。例如：这篇文章是否报告了对于可手术癌症的五年生存率，化疗的表现优于手术？在本文中，我们收集了额外的标注，将 Evidence Inference 数据集扩大了 25%，提供了更强的基线模型，系统地检查了这些模型所犯的错误，并探究了数据集质量。我们还发布了仅包含摘要（而非全文）的任务版本，用于快速模型原型设计。更新后的语料库、文档以及用于新基线和评估的代码可在 http://evidence-inference.ebm-nlp.com/ 获取。
引用
@article{arxiv.2005.04177,
title = {Evidence Inference 2.0: More Data, Better Models},
author = {Jay DeYoung and Eric Lehman and Ben Nye and Iain J. Marshall and Byron C. Wallace},
journal= {arXiv preprint arXiv:2005.04177},
year = {2020}
}
备注
Accepted as workshop paper into BioNLP Updated results from SciBERT to Biomed RoBERTa