Performance of ChatGPT in the In-Training Examination for Anesthesiology and Pain Medicine Residents in South Korea: Observational Study.
南韓麻醉學與疼痛醫學住院醫師在訓練考試中 ChatGPT 的表現：觀察性研究。 JMIR Med Educ 2024-09-16

這項研究評估了ChatGPT在麻醉學和疼痛醫學的問題解決能力，特別是在韓語環境中，並比較了GPT-4、GPT-3.5和CLOVA X的表現。分析了398道問題後發現，GPT-4的準確率（67.8%）顯著高於GPT-3.5（37.2%）和CLOVA X（36.7%），而後兩者之間無顯著差異。此外，GPT-4在英語翻譯問題上的表現（75.4%）也優於韓語問題。研究強調了AI在醫學教育的潛力，但也提醒在非英語環境中應用時需謹慎，並建議進一步改進。相關文章 PubMed DOI

Language sentiment predicts changes in depressive symptoms.
語言情感預測抑鬱症狀的變化。 Proc Natl Acad Sci U S A 2024-09-16

這項研究探討簡短書面回應的情感與抑鬱症狀變化的關係，招募了467名參與者，並使用PHQ-9評估抑鬱症狀。研究發現，人類評審和大型語言模型（如ChatGPT）的情感分析能有效預測三週內的抑鬱症狀變化，而語言查詢工具（LIWC）則無法。研究還指出，語言情感與當前情緒有關，但能獨立預測抑鬱症狀變化，顯示結合AI工具的情感分析可作為預測精神症狀的有效方法。相關文章 PubMed DOI

On the development and validation of large language model-based classifiers for identifying social determinants of health.
基於大型語言模型的分類器在識別健康社會決定因素中的開發與驗證。 Proc Natl Acad Sci U S A 2024-09-16

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。相關文章 PubMed DOI

DracoGPT: Extracting Visualization Design Preferences from Large Language Models.
從大型語言模型中提取可視化設計偏好。 IEEE Trans Vis Comput Graph 2024-09-16

這段文字探討了DracoGPT的開發，這是一種從大型語言模型中提取視覺設計偏好的方法。主要擔心的是，如果這些模型無法準確編碼設計知識，建議可能不可靠。DracoGPT有兩個流程：DracoGPT-Rank和DracoGPT-Recommend，模擬如何對視覺編碼進行排名或推薦。研究顯示，DracoGPT能模擬LLM的偏好，但排名和推薦之間的一致性中等，且與人類實驗的指導方針有顯著差異。未來可增強知識庫，以捕捉更廣泛的偏好，提供更可靠的視覺設計方案。相關文章 PubMed DOI

How Aligned are Human Chart Takeaways and LLM Predictions? A Case Study on Bar Charts with Varying Layouts.
人類圖表摘要與大型語言模型預測的對齊程度如何？以不同佈局的條形圖為案例研究。 IEEE Trans Vis Comput Graph 2024-09-16

這項研究探討大型語言模型（LLMs）從條形圖生成類似人類的重點摘要能力，重點在於視覺化設計的影響。研究包含三個實驗，使用四種條形圖佈局：垂直並排、水平並排、重疊和堆疊。第一個實驗測試四個LLM在不同配置下的表現，結果顯示即使是先進的LLM也難以產生多樣且準確的解讀。第二個實驗發現LLM的重點摘要常與人類的比較類型不一致。第三個實驗則顯示圖表的上下文和數據影響LLM的表現，顯示出不一致性。總體而言，研究強調了LLM在模仿人類數據解讀方面的限制，並指出未來改進的方向。相關文章 PubMed DOI

AdversaFlow: Visual Red Teaming for Large Language Models with Multi-Level Adversarial Flow.
AdversaFlow：針對大型語言模型的多層對抗流可視化紅隊測試。 IEEE Trans Vis Comput Graph 2024-09-16

這篇論文介紹了AdversaFlow，一個視覺分析系統，旨在提升大型語言模型（LLMs）對抗攻擊的安全性。它探討了LLMs可能生成誤導性資訊及促進不道德活動的問題。傳統的AI漏洞識別方法過於依賴專業知識，限制了效果。 AdversaFlow透過人機協作和對抗性訓練來增強識別能力，並具備創新的視覺化功能，幫助專家理解對抗動態。論文中提供了定量評估和案例研究，顯示AdversaFlow能有效提升LLM的安全性，特別在社交媒體監管等應用上，能幫助檢測和減輕有害內容。相關文章 PubMed DOI

Racial, ethnic, and sex bias in large language model opioid recommendations for pain management.
大型語言模型在疼痛管理中對於鴉片類藥物建議的種族、族裔和性別偏見。 Pain 2024-09-16

這項研究探討了大型語言模型（如GPT-4和Gemini）在根據病人的種族/族裔和性別建議鴉片類藥物處方的表現。研究分析了480個來自MIMIC-IV Note數據集的真實病人案例，發現曲馬多和羥考酮是最常被推薦的藥物。Gemini較GPT-4更可能將疼痛評為「嚴重」，並較晚建議使用鴉片類藥物。重要的是，這些模型的建議不受種族/族裔或性別影響，顯示出在疼痛管理上無偏見，可能成為醫生的有用工具。相關文章 PubMed DOI

The future of large language models in social science research: Reply to Berger (2024) and Carrillo et al. (2024).
大型語言模型在社會科學研究中的未來：回覆 Berger (2024) 和 Carrillo et al. (2024)。 Am Psychol 2024-09-16

看起來你提到的討論是基於Berger (2024)和Carrillo等人 (2024) 在社會科學中關於機器輔助假設生成的觀點。如果你想深入探討他們評論中提出的具體問題或主題，或者需要幫助進一步發展你的討論，請提供更多細節或背景資訊！相關文章 PubMed DOI

A workflow for human-centered machine-assisted hypothesis generation: Commentary on Banker et al. (2024).
以人為中心的機器輔助假設生成工作流程：對 Banker et al. (2024) 的評論。 Am Psychol 2024-09-16

Banker等人（2024）的研究探討了利用GPT-3和GPT-4生成社會心理學的新假設，但指出這種方法忽略了人類研究者和大型語言模型的局限性，以及研究者的個人價值觀和現有文獻的重要性。他們提出了一個以人為中心的工作流程，強調研究者與GPT-4的迭代合作，旨在透過認識和利用每位研究者的獨特貢獻來增強假設生成過程，而非取代研究者。相關文章 PubMed DOI

Machine-assisted social psychology hypothesis generation.
機器輔助社會心理學假說生成。 Am Psychol 2024-09-16

這項研究探討大型自然語言模型如GPT-3和GPT-4如何幫助社會心理學研究者生成新假設。由於該領域發現眾多，整合想法變得困難，可能會錯過重要聯繫。研究採用兩種方法：首先對GPT-3進行微調，使用數千篇社會心理學摘要，專家評分後發現其生成的假設在清晰度和創新性上與人類相似；其次不微調使用GPT-4，結果顯示其生成的假設在多個維度上評分更高。總體來看，這些模型能有效支持假設生成。相關文章 PubMed DOI

LLM 相關三個月內文章 / 第 5 頁

可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

LLM 相關三個月內文章 / 第 5 頁

可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

可選擇其它分類: 一週新進文章腎臟科一般醫學 SGLT2i GLP1