LLM 相關三個月內文章 / 第 69 頁
可選擇其它分類: 一週新進文章 腎臟科 一般醫學 SGLT2i GLP1

這項研究探討成年人在忽略一位講者的情況下，如何處理來自兩位不同講者的語音，並利用腦電圖（EEG）測量神經反應。研究重點在於語音的聲學特徵、單字頻率及單字的可預測性，後者是透過GPT-4估算的。結果顯示，英語母語者在分辨目標講者與干擾講者上表現較佳，而視覺任務能減少詞彙處理。當單字可預測性低時，聽眾更專注於聲學特徵，顯示語音感知涉及聽覺與詞彙處理的複雜互動，突顯在挑戰性聆聽環境中的適應性。 相關文章 PubMed DOI

這項研究評估了開源大型語言模型（LLMs）在從機械血栓切除報告中提取缺血性中風患者臨床數據的效果。研究使用了本地LLMs分析2020至2023年的患者報告，並引入外部數據集。測試了三個模型：Mixtral、Qwen和BioMistral，Mixtral在內部數據集上表現最佳，精確度達0.99。HITL方法使每個案例平均節省65.6%的時間，顯示LLMs在臨床數據自動提取中的潛力，並提升了精確度和可靠性。 相關文章 PubMed DOI

這項研究評估了ChatGPT對臨床問題的回答，與人類撰寫的網站Pearls4Peers.com進行比較，重點在可用性和可靠性。研究發現，ChatGPT的回答質量有顯著差異，約14%的回答被認為不實用，13%不準確。與人類來源相比，ChatGPT在可用性和可靠性方面的表現均不佳，超過30%的情況下表現不如人類。總體來看，這顯示在臨床決策中使用ChatGPT需謹慎。 相關文章 PubMed DOI

這項研究探討生成式人工智慧（GenAI），特別是ChatGPT和Bard，在數位健康介入中對文本數據質性分析的影響。研究分析了40條針對HIV患者的SMS提醒，發現GenAI與人類編碼者的主題一致性為71%，但在演繹分析中，ChatGPT降至50%，Bard為58%。雖然GenAI能顯著縮短分析時間至20分鐘，但在人類編碼者在細緻主題識別上表現更佳。研究建議結合人類洞察與AI效率，以提升質性研究的效果，並強調未來需關注AI使用的倫理問題。 相關文章 PubMed DOI

這項研究探討生成式人工智慧，特別是像ChatGPT這樣的大型語言模型（LLMs），如何為從急診部轉至家庭的病人創建個性化的出院指示。研究發現，傳統出院指示常常耗時且缺乏個性化，因此使用GPT-4生成了五個虛構急診案例的出院指示。調查結果顯示，受訪者對GPT生成的指示評價較高，特別是在回診注意事項上，顯示LLMs能提升出院指示的清晰度和相關性，並改善醫療文檔流程，減輕醫療人員負擔。 相關文章 PubMed DOI

這項研究評估了ChatGPT 3.5和4.0版本在生成和評分醫學研究摘要的能力。研究期間為2023年8月至2024年2月，訓練聊天機器人根據文獻創建10個摘要，並與現有摘要進行比較。五位外科醫生評審發現，AI生成的摘要與人類撰寫的質量相當，評分中位數相似。雖然版本1的評分接近評審者的評價，但版本2則偏向給予較高分數。整體而言，研究顯示AI能有效生成難以區分的醫學摘要，顯示其在醫學研究中的潛力。 相關文章 PubMed DOI

Google DeepMind 最近推出的 AlphaFold 3 是一款突破性的 AI 模型，能在幾秒鐘內準確預測蛋白質結構，速度和準確性都超越了前作 AlphaFold 2。這項技術對藥物發現、疫苗開發等領域影響深遠，能大幅縮短研究時間。AlphaFold 3 採用先進的機器學習技術，提供蛋白質動態和相互作用的深入見解，預示著生物醫學領域將迎來更多創新，最終有助於改善病患護理。 相關文章 PubMed DOI

這項研究評估了ChatGPT 3.5和4在回答骨科考試問題的表現，使用了來自首爾國立大學醫院的160道問題，分為11個子類別。結果顯示，ChatGPT 3.5的正確率為37.5%，而ChatGPT 4提升至60.0%（p < 0.001）。大部分類別中，ChatGPT 4表現較佳，唯獨在腫瘤相關問題上不如3.5。此外，ChatGPT 4的回答不一致率顯著低於3.5（9.4%對比47.5%）。雖然ChatGPT 4在骨科考試中表現不錯，但仍需謹慎對待其不一致的回答和錯誤解釋。 相關文章 PubMed DOI

這項研究調查了美國醫學生使用ChatGPT的情況，涵蓋使用頻率、動機及對傳統資源的偏好。調查對象為131名醫學生，結果顯示近一半（48.9%）曾使用ChatGPT，且43.7%的人每週或每天使用，主要用於寫作和編輯等任務。值得注意的是，超過50%的非使用者表示不太可能使用這個工具。使用者對ChatGPT的偏好高於詢問教授和教科書，但低於抽認卡應用和醫學影片。研究指出，ChatGPT正成為醫學生的熱門資源，未來對醫學教育的影響可能會持續增長。 相關文章 PubMed DOI

這篇文章探討大型語言模型（LLMs）在教育中的角色，指出其潛在好處與挑戰。雖然LLMs能生成超越人類的文本，但在教育中使用時需謹慎，因為可能存在透明度不足和偏見等問題。文章建議將專家資源如OpenLogos整合進語言生成工具，並強調制定清晰的指導方針和倫理標準的重要性。Multi3Generation COST Action（CA18231）被視為推動自然語言生成研究的關鍵倡議，呼籲教育工作者接受創新工具，增強學習環境，同時兼顧傳統教育價值。 相關文章 PubMed DOI