使用大型语言模型进行混合方法研究的新方法:使用患者对关节塑形术障碍的观点的报告
Insa Mannstadt1, Susan M Goodman2, Mangala Rajan1,3
1Hospital for Special Surgery, New York, NY.
ACR open rheumatology
|March 7, 2024
概括
像ChatGPT-4这样的大型语言模型 (LLM) 可以有效地分析患者访谈数据用于混合方法研究,生成与人类分析相比的主题和调查. 这种方法增强了调查人员的三角测量,并加快了定性数据分析.
科学领域:
- 医疗保健服务研究 医疗服务研究
- 质量健康研究 质量健康研究
- 医疗保健中的人工智能
背景情况:
- 混合方法研究对于了解医疗保健中的患者感知至关重要.
- 分析定性采访数据用于调查员三角化通常是耗时的.
- 现有的定性数据分析方法可能是资源密集的.
研究的目的:
- 探索大型语言模型 (LLM) 在混合方法研究中用于调查者三角化.
- 评估ChatGPT-4在分析患者采访数据中的有效性.
- 将LLM驱动的分析与传统的人类分析进行比较,用于主题识别和调查生成.
主要方法:
- 在人类研究人员和ChatGPT-4之间进行了一项比较分析,使用现有的定性数据对患者对关节塑性障碍的感知进行了比较.
- 评估了人类研究人员和ChatGPT-4的主题分析和调查生成能力.
- 评估标准包括主题指南中突出主题的表现和调查的全面性.
主要成果:
- 聊天GPT-4产生了类似于人类调查者的主题和调查,但是在显著更短的时间范围内.
- 通过ChatGPT-4生成的调查被发现比由人类调查人员创建的调查更不精确.
- 提出了一种混合方法流程图,将LLMs整合为初步主题分析和调查生成的补充工具.
结论:
- 将LLM与人类研究人员相结合,可以提高混合方法研究的效率,以了解患者的观点.
- 在初步的定性数据分析和调查开发中,LLM提供了一个有价值的补充工具.
- 在研究中实施LLMs时,考虑伦理和定性影响至关重要.
更多相关视频
09:51The Transition to an Anterior-Based Muscle Sparing Approach Improves Early Postoperative Function but is Associated with a Learning Curve
Published on: September 7, 2022
2.6K
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
555
