加强患者与医生的沟通:模拟非洲裔美国人的本土英语在医学诊断中使用大型语言模型
Yeawon Lee1, Chia-Hsuan Chang2, Christopher C Yang1
1Drexel University, Philadelphia, PA 19104 USA.
Journal of healthcare informatics research
|May 1, 2025
概括
大型语言模型可以在模拟的临床环境中复制非裔美国人本土英语 (AAVE). 使用人口统计和语言线索可以提高AAVE的复制效果,但却揭示了模型的偏差,需要对文化敏感的医疗保健沟通进行进一步的细化.
科学领域:
- 计算语言学 计算语言学
- 医疗保健中的人工智能
- 健康差距 研究 研究 研究 研究
背景情况:
- 有效的医生与患者沟通对于减少健康差距至关重要.
- 语言变异,如非洲裔美国人本土英语 (AAVE),可以造成沟通障碍.
- 这些障碍对患者护理和健康结果产生负面影响.
研究的目的:
- 调查大型语言模型 (LLM),GPT-4和Llama 3.3的复制AAVE的能力.
- 评估LLMs在模拟临床对话中增强文化敏感性的潜力.
- 评估不同提示策略对AAVE复制的影响.
主要方法:
- 四种提示类型 (BaseP,DemoP,LingP,CompP) 用美国医学执照考试 (USMLE) 的模拟临床病例场景进行了测试.
- 对LLM输出进行了包括ANOVA在内的统计分析,以比较快速有效性.
- 分析了AAVE特征计数,以量化模型的复制精度.
主要成果:
- 提示型显著影响了GPT-4和Llama 3.3.3中的AAVE复制.
- 综合提示 (CompP),整合人口和语言线索,产生了最高的AAVE特征数量.
- 两种模型都表现出偏见,仅仅人口统计数据的提及就引发了非正式语言,表明了潜在的刻板印象.
结论:
- 在发展文化敏感的医疗保健沟通工具方面,LLM显得有前途.
- 快速工程显著影响AAVE复制,组合线索是最有效的.
- 持续的改进对于减轻模型偏见和准确地代表医疗保健中的语言多样性至关重要.
