Una comparación integral y cuantitativa de la minería de texto en 15 millones de artículos de texto completo frente a sus resúmenes correspondientes

En el ámbito académico e industrial, la minería de texto se ha convertido en una estrategia popular para mantenerse al día con el rápido crecimiento de la literatura científica. La minería de texto de la literatura científica se ha llevado a cabo principalmente en colecciones de resúmenes, debido a su disponibilidad. Aquí presentamos un análisis de 15 millones de artículos científicos en texto completo en inglés publicados durante el período de 1823 a 2016. Describimos la evolución en la longitud de los artículos y los subtemas de publicación durante estos casi 250 años. Mostramos el potencial de la minería de texto extrayendo asociaciones publicadas de proteína-proteína, enfermedad-gen, y subcelulares de proteínas utilizando un sistema de reconocimiento de entidades nombradas, y reportamos cuantitativamente su precisión utilizando conjuntos de datos de referencia de estándar dorado. Posteriormente, comparamos los hallazgos con los resultados correspondientes obtenidos en 16.5 millones de resúmenes incluidos en MEDLINE y mostramos que la minería de texto de artículos de texto completo supera consistentemente al uso solo de resúmenes.