关于在日本放射技术专家考试中使用大型语言模型进行教育资源开发的试点研究.
Tatsuya Kondo1, Masashi Okamoto1, Yohan Kondo1
1Department of Radiological Technology, Graduate School of Health Sciences, Niigata University, 2-746 Asahimachi-dori, Chuo-ku, Niigata, 951-8518 Japan.
Medical science educator
|May 12, 2025
概括
大型语言模型 (LLM) 显示出在日本创建医学考试学习材料的前景. 虽然在基于文本的问题上有效,但在医学教育中的计算和图像解释方面,LLM需要改进.
科学领域:
- 医疗教育 技术 技术 医学教育
- 医疗保健中的人工智能
- 放射学教育 放射学教育
背景情况:
- 在非英语地区开发有效的医疗执照考试教育资源,面临着独特的挑战.
- 大型语言模型 (LLM) 为内容生成和知识传播提供了潜在的解决方案.
研究的目的:
- 探索LLMs在为日本放射技术技术人员国家考试创建教育材料中的应用.
- 评估LLM在生成不同类型问题 (基于图像,计算,文本) 的解释方面的表现.
主要方法:
- 考试中的多选题被分为基于图像,计算和文本类型.
- 使用Copilot,一个LLM,生成了解释性文本.
- 生成的解释的质量被评估在0-4分级.
主要成果:
- 在生成对文本问题的解释方面,LLM表现出很高的表现,并展示了具有专业内容的强大能力.
- 在生成准确的公式和执行计算问题的计算方面发现了挑战.
- 解释复杂的医疗图像以图像为基础的问题也给法学士带来了困难.
结论:
- 在非英语背景下,LLM具有显著的潜力,可以加强医学教育资源开发.
- 应对挑战需要将LLM与计算的编程能力集成在一起,并使用精确的提示来进行图像分析.
- 教师参与验证LLM输出和提供指导对于确保准确性和有效利用至关重要.


