監査可能な脳膿瘍リスク層別化とレジデンシー前奨学金のための大規模言語モデルワークフロー：技術レポート

科学分野:

• 医学教育
• 医用人工知能
• 奨学金ワークフロー

背景:

• 医学生は、奨学金活動に大規模言語モデル（LLM）を統合するための透明性のある方法を必要としています。
• 既存の人工知能（AI）リテラシーカリキュラムには、LLM使用のための監査可能なフレームワークが欠けています。
• 構造化されたAI使用スキルを開発することは、レジデンシー前の準備に不可欠です。

研究 の 目的:

• AIリテラシーと構造化されたLLM使用を医学生に教えるための指導付き教育フレームワークを説明すること。
• 臨床症例報告を、再現可能でLLM支援のリスク層別化モデルに変えること。
• 奨学金活動における厳密さ、検証、および透明性のあるAIエンゲージメントを育成すること。

主な方法:

• 特定不能な脳膿瘍症例を構造化された臨床変数を使用して再構築しました。
• LLMの相互作用は、標準化されたプロンプト台帳に記録され、根拠と決定がキャプチャされました。
• 文献で支持された指標に基づいて、一時的な神経学的悪化脳膿瘍スコア（NDBAS v0.1）を開発しました。

主要な成果:

• LLM支援合成は、手動方法と比較してエビデンスレビューを加速しました。
• このフレームワークは、ケース付録、プロンプト台帳、変数辞書の3つのカリキュラム成果物を生成しました。
• インデックスケースはNDBAS v0.1スコア5と評価され、中程度のリスクを示しました。

結論:

• この構造化された監査対応LLMワークフローは、医学生のAIリテラシーと奨学金出力を向上させます。
• 「プロンプト台帳プラス質問・検証・改訂」パターンは、透明性のあるエビデンス合成と概念モデル構築を促進します。
• 適切なガバナンスを備えた指導付きLLMワークフローは、学習者が臨床トレーニングにおける責任あるAIエンゲージメントに備えることができます。