這項研究評估了三款AI聊天機器人—ChatGPT、Gemini和Claude—對鼻整形手術常見問題的回答。七位經驗豐富的整形外科醫生根據準確性、質量、完整性等指標進行評分。結果顯示，ChatGPT在準確性和整體質量上表現較佳，但完整性不如Gemini和Claude。三者的回應普遍被評為中立且不完整，醫學術語使用普遍，且可讀性達大學程度。研究強調聊天機器人生成的醫療資訊需謹慎檢查，但仍具提升醫療教育的潛力。 相關文章 PubMed DOI ♡

這項研究提出了一種新方法，結合大型語言模型（LLMs）與電腦輔助診斷（CAD）網絡，提升胸部X光片的醫學影像分析。雖然LLMs在自然語言處理上表現優異，但在醫學影像上通常不佳。這個框架利用LLMs的優勢，改善CAD系統的診斷準確性和報告生成，讓報告品質更高。使用ChatGPT後，診斷表現提升了16.42個百分點，GPT-3則在F1-score上提高了15.00個百分點。這種創新方法有潛力改變臨床決策過程，並改善病患互動。 相關文章 PubMed DOI ♡

兩字測試（TWT）是一個新開源基準，專門評估大型語言模型（LLMs）的語義理解能力。它針對1,768個名詞-名詞組合進行意義判斷，並提供0到4的評分或二元判斷（有意義 vs. 無意義）。實驗顯示，像GPT-4和Claude-3-Optus等模型在這方面的表現都不如人類，經常錯誤地將無意義的短語判斷為有意義。這突顯了目前LLMs的局限性，提醒我們對其理解能力的主張應保持謹慎。 相關文章 PubMed DOI ♡

這項研究評估了GPT-4在心理健康管理認證測試中的表現，重點在於調整提示是否能提升結果。研究者使用3 × 2的因子設計，測試600道多選題，並比較了簡單提示與調整提示的效果。結果顯示，GPT-4在不同難度級別的得分相近，且兩種提示條件之間沒有顯著差異。雖然調整提示未顯著提升表現，但能減少錯誤並改善輸出組織。該研究已在UMIN-CTR註冊。 相關文章 PubMed DOI ♡

這項研究評估了ChatGPT 4.0在2019年骨科住院醫師訓練考試中的表現。結果顯示，ChatGPT在純文字問題的正確率為49%，而帶有圖片的問題為48%。當圖片描述由AI生成時，表現下降6%。整體來看，ChatGPT的表現低於所有住院醫師班級，尤其比一年級住院醫師低4%。研究指出，雖然ChatGPT在醫學考試中有一定能力，但仍未達到住院醫師的水準，顯示AI在醫學教育中的潛力與限制。 相關文章 PubMed DOI ♡

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 ♡

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 ♡

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 ♡

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 ♡

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 ♡