少樣本關係抽取（few-shot RE）是一種在文本中識別實體間關係的方法，只需極少標註示例。現有方法如原型網絡透過增強原型表示或對比學習來提升預測，但可能在異常樣本及相似類別混淆上遇到困難。為因應此問題，提出了語義引導學習（SemGL）方法，透過提示編碼及關係圖學習來強化實例與原型表示，突顯關係特徵及共享特性，並透過對比學習在實例及原型層級提升性能。SemGL引入新的關係原型進行預測，在少樣本關係抽取數據集上表現良好，尤其在領域適應任務中。 PubMed DOI

在實際應用中，機器人使用強化學習算法時必須確保安全。安全機器人強化學習（SRRL）對於人機共存至關重要，包括安全探索、安全價值對齊和安全協作等人性化框架。互動行為如ChatGPT可促進人機溝通，增進SRRL效能。然而，互動行為的SRRL仍需關注韌性、效率、透明度和適應性等挑戰。 PubMed DOI

介紹了一個新的研究，提出了「分心駕駛語言模型」（DDLM），利用視覺大型語言模型（LLM）來辨識分心駕駛行為。DDLM整合了人體姿勢估計技術，分析關鍵姿勢特徵，並透過推理鏈框架提供清晰解釋。研究顯示，DDLM在評估駕駛行為和風險水平方面比標準模型表現更佳，可有效增進駕駛安全性。 PubMed DOI

這篇論文介紹了一個結合大型語言模型與本地訓練的方法，用來處理複雜的語言任務，並以從病理報告中提取結構化狀態代碼為例進行了演示。研究使用了超過150,000份病理報告，比較了不同的模型架構，結果顯示LLaMA模型在各種指標上表現優異，尤其在大型數據集上。這項研究強調了在醫學領域中運用大型語言模型進行結構生成任務的效益。 PubMed DOI

Teriyaki是一個結合象徵性任務規劃和機器學習的框架，利用像GPT-3這樣的大型語言模型。這個方法旨在解決動態人機協作中的問題，透過逐步生成計劃行動提高效率，同時達成規劃和執行。初步結果顯示有希望的成果，包括更高的問題解決率、更短的計劃時間，以及縮短計劃可用性等待時間。 PubMed DOI

在臨床領域中，利用深度學習的自然語言處理系統，因標記訓練數據有限而面臨挑戰。我們提出一種方法，結合LLMs微調和弱監督，以在最小領域知識下取得卓越性能。實驗結果顯示，我們的弱監督BERT模型在n2c2數據集上表現優異，即使只有少量標準註釋。這種方法可在50個標準註釋下接近完全微調系統的性能。 PubMed DOI

為了照顧病人並節省成本，檢測手術後跌倒是相當重要的。透過大型語言模型，可以自動化這個過程，並在兩個醫療系統中顯示出很有希望的結果。Mixtral-8×7B zero-shot模型表現最佳，顯示了在跌倒檢測和預防方面LLM的潛力。 PubMed DOI

可穿戴技術的發展帶來大量感測器數據，促進健康監測和個人化醫療，但也面臨數據複雜性和分析挑戰。近期，大型語言模型（如GPT-4和Llama）成為分析這些數據的新工具。本研究探討了利用這些模型進行人類活動識別的趨勢與挑戰，並分析了數據質量、計算需求、可解釋性及隱私等問題。透過案例研究，顯示LLMs在數據分析中的潛力，並建議未來研究應聚焦於預處理技術和跨學科合作。 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。 PubMed DOI

這項研究探討了大型語言模型（LLMs），如GPT-3.5、GPT-4和Llama，在提取針灸穴位位置關係的有效性，特別是使用世界衛生組織的標準作為數據集。研究標註了五種穴位關係，並根據精確度、召回率和F1分數評估模型表現。結果顯示，微調後的GPT-3.5表現最佳，達到最高微平均F1分數0.92，顯示針灸領域的微調對關係提取的重要性。研究建議LLMs可增強針灸的臨床決策支持及教育資源，推進傳統醫學的資訊學發展。 PubMed DOI