Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2020-2021
Rapport
|Publisert
Vi evaluerte og dokumenterte i 2020-2021 fordeler og ulemper ved maskinlæring i flere faser av kunnskapsoppsummeringer.
Hovedbudskap
Maskinlæring kan bidra til betydelig effektivisering av kunnskapsoppsummeringsprosesser. Et lag i Området for helsetjenester ved Folkehelseinstituttet evaluerte og dokumenterte i 2020-2021 fordeler og ulemper ved maskinlæring i flere faser av kunnskapsoppsummeringer, og bygde medarbeidernes kompetanse i å bruke ulike funksjoner. Denne rapporten beskriver lagets arbeid, resultater og erfaringer.
Maskinlæringslaget fokuserte på funksjoner som er tilgjengelig i EPPI-Reviewer verktøyet: «priority screening», flere typer classifiers, RobotReviewer for å vurdere risiko av skjevheter, «automatic text clustering», og Microsoft Academic Graph. Vi implementerte funksjonene i 19 prosjekter og opplærte 23 medarbeidere. Et hovedfunn er at maskinlæringsfunksjoner reduserte manuell tidsbruk, uten reduksjon i metodisk kvalitet. Tidsbruk på vurdering av studier gikk ned med 60-90 % i alle prosjekter. Automatisk studiekategorisering reduserte tidsbruk i denne fasen med 60-70 %.
Maskinlæring kan og bør endre dagens arbeidsflyt. Kunnskapsoppsummeringsprosessen kan bli mindre lineær og mer syklisk, og flere oppgaver kan gjøres samtidig. Slike endringer kan være vesentlige for alle involverte, og i framtidig maskinlæringsarbeid vil det være nyttig med en strukturert tilnærming til både endringsledelse og innovasjonsspredning.
Rapporten avslutter med erfaringer og lærdommer. Disse formet vårt forslag til framtidige strategier relatert til kompetansebygging, innovasjonsaktiviteter, evalueringer og arbeidsflytoptimalisering.
