利用大型语言模型来构建医学多选题的反
Mihaela Tomova1, Iván Roselló Atanet2, Victoria Sehy2
1Data-Intensive Systems and Visualization Group (dAI.SY), Fakultät für Informatik und Automatisierung, Technische Universität Ilmenau, Ehrenbergstraße 29, 98693, Ilmenau, Thuringia, Germany. mihaela-todorova.tomova@tu-ilmenau.de.
大型语言模型 (LLM) 可以为医疗考试产生宝贵的基于内容的反,例如进步测试医学 (PTM). 这种人工智能生成的反虽然不完美,但被医学专业人士视为传统数字分数的有用补充.
科学领域:
- 医学教育 医学教育
- 医疗保健中的人工智能
背景情况:
- 形成性评估,例如进步测试医学 (PTM),可以通过提供超越数值得分的反来改进.
- 基于内容的反,来自考试问题,为学生提供了对绩效的洞察力,并有助于校对.
研究的目的:
- 探索大型语言模型 (LLM) 在为PTM生成基于内容的反中的实用性.
- 为了比较评估两个LLM在这个任务中的有效性.
- 为了衡量医疗从业者和教育工作者对LLM产生的PTM反的看法.
主要方法:
- 利用两个流行的LLM来为PTM生成基于内容的反.
- 通过使用文本相似性对LLM输出进行了比较评估.
- 对医疗从业者和教育工作者进行了一项关于LLM反实用性的调查.
主要成果:
- 两种LLM都表现相似,具有各自的优缺点.
- 一个付费服务的LLM,与免费替代方案相比,产生了略高的输出.
- 调查参与者发现LLM产生的反是相关的,有用的,并表示对未来使用的开放.
结论:
- 由LLM生成的基于内容的反可以成为PTM目前提供的数值反的宝贵补充.
- 尽管不完美,但LLM在增强医学教育评估工具方面表现有前途.
- 医疗专业人员愿意将LLM整合到教育反机制中.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
05:56Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Health Literacy
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Improving Translational Accuracy
