這項研究探討了ChatGPT（GPT-3.5和GPT-4）在評估認知表現的有效性，對象包括正常認知者和中風倖存者。90名參與者接受了記憶、數字處理、語言流暢度和抽象思維的評估。主要發現顯示GPT-3.5在記憶和語言評估上與醫生的評估存在顯著差異，但透過優化方法可改善這些差異。GPT-4的表現更接近醫生評分，顯示其在認知評估中有進一步提升的潛力。整體而言，ChatGPT作為醫療評估的輔助工具顯示出潛力。 相關文章 PubMed DOI ♡

隨著病人訊息需求增加，醫療提供者在處理緊急醫療問題上面臨挑戰。為了解決這個問題，我們開發了一個整合於電子健康紀錄的人工智慧系統，能優先處理病人訊息，確保及時審查。使用基於BERT的大型語言模型，我們訓練了超過40,000條病人訊息，並在7,260條專家審核的訊息上測試，表現優異。整合後，對於高優先級訊息的未讀時間顯著減少，特別是在非營業時間。未來將擴大應用範圍，提升護理質量與安全性。 相關文章 PubMed DOI ♡

這項研究評估了三款熱門聊天機器人—ChatGPT、Claude 和 Bard—在回答有關近視預防和控制的公共健康問題上的表現。研究提出了十九個問題，並由四位獨立評審根據全面性、準確性和相關性進行評分。結果顯示，ChatGPT 提供了最詳細的回答，得分最高，Bard 和 Claude 次之。雖然所有聊天機器人的得分都超過 4 分，但研究也指出它們存在提供虛假資訊的風險。因此，未來需要制定標準和持續監測，以提升聊天機器人的有效性。 相關文章 PubMed DOI ♡

這項研究評估了使用 ChatGPT-4 技術的 Microsoft Bing 在分析腹部 CT 和 MRI 圖像的表現。共評估 80 張圖像，發現 Bing 在 CT 的準確率為 95.4%，MRI 為 86.1%。雖然在基本識別上表現良好，但在異常解釋方面仍有不足，僅在 10.7% 的情況下提供正確診斷。研究建議大型語言模型可輔助放射科醫師，但需了解其能力與限制，以提升臨床應用的有效性。這為未來放射學診斷工具的研究奠定基礎。 相關文章 PubMed DOI ♡

這篇論文探討大型語言模型（LLMs）與人類語意理解的關係，特別是在具身認知的背景下。具身認知的支持者認為，LLMs 只依賴文本訓練，缺乏感官經驗的連結，這對人類理解很重要。不過，論文指出人類的認知結合了具身經驗和語言學習，語言在塑造我們對世界的理解中扮演關鍵角色。因此，LLMs 可以反映語言作為語意信息來源的豐富性，並強調語言如何在缺乏直接感官經驗的情況下增強認知能力，這也有助於理解具身認知與人工智慧的互動。 相關文章 PubMed DOI ♡

這篇文章探討生成性人工智慧（AI）在教育中的應用，強調與實體世界互動的重要性。特別是透過蒙特梭利等教學法，促進探索與有組織環境的互動。作者運用主動推理框架，將學習視為一種認知覓食的過程，並強調修正預測誤差的必要性。他們認為生成性AI能增強學習環境的準備度，並在具身與無具身智慧之間創造新的協同效應，這是AI背景下具身認知的更大討論的一部分。 相關文章 PubMed DOI ♡

這項研究評估了 OpenAI 的 ChatGPT 和 Microsoft 的 Copilot 兩個大型語言模型在結腸癌管理建議上的準確性。結果顯示，兩者在 36% 的情境中提供正確回應。ChatGPT 有 39% 的回應缺乏資訊，24% 不準確；Copilot 則有 37% 缺少資訊，28% 不準確。兩者表現差異不顯著。此外，臨床醫師的回應明顯較短，平均 34 字，而 ChatGPT 和 Copilot 分別為 251 和 271 字。研究指出，雖然 LLM 可協助臨床決策，但仍需優化以確保準確性。 相關文章 PubMed DOI ♡

在醫療保健領域，人工智慧（AI）在抗生素處方的應用逐漸增多。透過機器學習技術，如邏輯回歸和深度神經網絡，臨床決策支持系統（ML-CDSSs）展現出改善抗生素處方的潛力。根據PubMed的研究，抗生素處方過程複雜，ML-CDSSs能正面影響臨床結果，但仍面臨挑戰，包括訓練數據透明度、黑箱模型的解釋需求，以及法律與倫理框架的建立，以確保決策責任。 相關文章 PubMed DOI ♡

文盲率上升和認知技能下降，加上錯誤資訊的氾濫，對全球帶來了嚴重挑戰。雖然大型語言模型（LLMs）的快速發展可能加劇這些問題，但它們也有潛力改善文盲情況。認知科學在教育上具優勢，能透過分析和優化LLMs的設計、促進互動學習及支持多元學習方式來指導其有效使用。認知科學家的參與非常重要，以確保LLMs對文盲的影響是正面且公平的，而非僅由大型科技公司主導。 相關文章 PubMed DOI ♡

LLM-Twin 是一個針對數位雙胞胎網路 (DTNs) 的新框架，利用大型語言模型 (LLMs) 來提升溝通和計算效率。主要特色包括： 1. **數位雙胞胎語意網路 (DTSNs)**：整合 LLMs，減少原始數據傳輸需求，優化數據理解與處理。 2. **迷你巨型模型協作方案**：有效部署 LLMs，處理多模態數據，優化資源使用並確保模型協作。 3. **原生安全政策**：設計專屬安全框架，保障數據安全同時維持效率。 4. **數值實驗與案例研究**：經過實驗驗證，顯示其在解決 DTNs 限制上的有效性。 總之，LLM-Twin 是數位雙胞胎網路的一大進步，特別適合高效數據處理的應用。 相關文章 PubMed DOI ♡