Mejora de la precisión de los LLM en educación de enfermería mediante RAG y cadenas de pensamiento

Área de la Ciencia:

• Inteligencia artificial en la atención sanitaria
• Tecnología de educación de enfermería
• Procesamiento del lenguaje natural

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) muestran potencial pero requieren mejoras de precisión para aplicaciones prácticas de enfermería.
• Las limitaciones en el conocimiento profesional y el razonamiento complejo dificultan la utilidad de los LLM en la atención sanitaria.
• Se exploran la generación aumentada por recuperación (RAG) y la cadena de pensamiento (CoT) para mejorar el rendimiento de los LLM.

Objetivo del estudio:

• Investigar la eficacia de RAG y CoT en la mejora de la precisión de los LLM para escenarios de enfermería.
• Evaluar la capacidad de los LLM para interpretar preguntas de enfermería utilizando el razonamiento CoT.
• Mejorar la fiabilidad de la IA en la educación sanitaria a través de una mayor precisión de los LLM.

Principales métodos:

• Desarrollo de una base de conocimientos a partir del banco de preguntas del Examen Nacional de Licencia de Enfermería de China.
• Evaluación del rendimiento base de los LLM.
• Comparación del razonamiento CoT con los métodos oficiales de análisis de exámenes para la interpretación de preguntas.

Principales resultados:

• La precisión de los LLM mejoró del 84,58% al 93,33% tras integrar la base de conocimientos a través de RAG.
• El razonamiento CoT logró una precisión del 91,33% en el análisis de preguntas de exámenes de enfermería.
• La integración sinérgica de RAG y CoT demostró una mejora en la recuperación de conocimientos y el razonamiento clínico.

Conclusiones:

• RAG y CoT mejoran significativamente la precisión de los LLM para la recuperación de conocimientos de enfermería y el razonamiento clínico.
• Este enfoque ofrece una vía innovadora para el desarrollo de herramientas inteligentes de educación de enfermería.
• Los hallazgos proporcionan información metodológica para mejorar la fiabilidad de la IA en la atención sanitaria.