當前社會對科學的信任度下降，公民參與也減少，這可能影響公共健康和健康公平的研究。為了應對這些挑戰，社區為中心的公民科學應用可以提升公眾參與，並成為AI探索的重要領域。我們探討了幾個有潛力的AI應用，如對話式大型語言模型和數據分析工具，這些都能惠及社區。不過，AI在社區研究中的使用也帶來風險，我們也討論了如何減輕這些技術可能引發的倫理和社會挑戰。 相關文章 PubMed DOI 推理 ♡

這項研究探討了AI生成與人類生成的道路安全訊息在阿聯酋廣告牌宣傳中的有效性，特別針對阿拉伯語使用者。研究使用GPT-4創造15條AI訊息，並由三位專家製作另外15條人類訊息。經過186名參與者的評分，結果顯示AI訊息情感更正面，且可讀性無顯著差異。雖然兩者評價都高，但人類訊息在清晰度上稍勝一籌。這項研究強調了AI在公共傳播中的潛力，並指出理解受眾對AI內容反應的重要性。 相關文章 PubMed DOI 推理 ♡

這篇論文探討大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在數據提取和呈現的有效性，並與人類策展人比較。研究聚焦於小麥和大麥的遺傳特徵，使用36篇期刊文章的資料供GrainGenes數據庫使用。主要發現包括：GPT-4在分類手稿準確率達97%，有效提取80%特徵，並顯示人類與AI合作的潛力。儘管LLMs有其限制，但在生物數據提取上仍能提供顯著幫助，使用者需謹慎對待不準確性。 相關文章 PubMed DOI 推理 ♡

這篇回顧評估了AI聊天機器人ChatGPT和Gemini在醫療應用中的準確性與回應長度，基於2023年1月到10月的研究。從64篇論文中，11篇符合標準，涉及1,177個樣本。結果顯示，ChatGPT在準確性上普遍優於Gemini，尤其在放射學方面（87.43%對71%），且回應較短（907字元對1,428字元）。不過，Gemini在緊急情況和腎臟健康飲食詢問上表現不錯。統計分析顯示，ChatGPT在準確性和回應長度上均顯著優於Gemini，建議在醫療詢問中使用ChatGPT可能更有效。 相關文章 PubMed DOI 推理 ♡

人工智慧（AI）正顯著提升骨科研究，簡化學術流程、改善證據整合，並提供先進數據分析工具。像ChatGPT和GPT-4等生成式AI，以及Consensus和SciSpace等專門平台，幫助研究人員精煉搜尋、增強文獻回顧和執行複雜統計分析。這些技術促進大型數據集的解讀，節省時間並提高效率。對骨科住院醫師而言，AI改善了學習經驗，並促進研究活動的獨立性。本文探討AI在骨科研究中的應用及相關倫理挑戰。 相關文章 PubMed DOI 推理 ♡

RNA 正在成為新療法的焦點，但找到能與其結合的小分子仍然是一大挑戰。計算模型在預測 RNA 與小分子的互動上顯得尤為重要。最近，針對 RNA 的大型語言模型（LLMs）取得了進展，促使我們開發了 RNABind，這是一個幾何深度學習框架，能根據 RNA 結構識別結合位點。經過實驗，RNABind 的表現超越了現有方法，並為 RNA 相關的藥物發現提供了新的可能性。 相關文章 PubMed DOI 推理 ♡

這項研究評估了三種人工智慧分類策略，旨在識別美國國立衛生研究院的心臟驟停研究補助金，並創建監測工具。比較的策略包括傳統機器學習、零樣本學習和少樣本學習。結果顯示，少樣本學習表現最佳，準確率達0.90，精確度和召回率平衡，F1分數為0.82。整體而言，這些人工智慧方法在識別CA研究補助金上展現了良好的潛力，對追蹤研究資金相當實用。 相關文章 PubMed DOI 推理 ♡

這項研究比較了功能性癲癇發作可能性評分（FSLS）與兩個大型語言模型（ChatGPT和GPT-4）在區分功能性癲癇發作和癲癇發作的診斷表現。使用114個病患案例，FSLS的準確率為74%，而GPT-4的準確率達85%。研究發現，LLMs的預測結果在不同時間不一致，且自我評估的確定性與變異性中等相關。雖然GPT-4和FSLS能有效識別FS病患，但預測結果的差異及不一致性引發了對其臨床可靠性的擔憂，顯示出機器學習和人工智慧在診斷中的潛力與限制。 相關文章 PubMed DOI 推理 ♡

這項研究評估了兩個人工智慧模型，ChatGPT-4o 和 Gemini Advanced，與美國外科醫學會2022年脊椎損傷管理指導方針的一致性。研究設計了52個問題，結果顯示ChatGPT-4o的一致率為73.07%，正確回答38題；而Gemini Advanced為69.23%，正確回答36題。兩者在臨床資訊一致率均為75%。Gemini在診斷性問題上表現較佳，但ChatGPT在治療性問題上較強。整體而言，這些模型在脊椎損傷管理上顯示潛力，但仍有改進空間。 相關文章 PubMed DOI 推理 ♡

這項研究探討BERT語言模型如何處理論證結構建構（ASC），基於先前的LSTM研究。研究使用2000句的數據集，分析BERT的12層標記嵌入，並運用多維縮放和t-SNE技術可視化嵌入，計算廣義區分值評估聚類情況。主要發現包括：CLS標記在第2至4層聚類最佳，OBJ標記在第10層達高峰，探測準確率從第2層起超過90%。此外，OBJ標記在區分ASC方面最有效。研究顯示BERT在語言結構處理的複雜性，並揭示其與LSTM的相似與差異。未來將探索神經影像數據以深入理解大腦中的ASC處理。 相關文章 PubMed DOI 推理 ♡