討論人工智慧、自然語言處理和大型語言模型對教育和研究的影響，包括優勢、挑戰和應用。強調文本生成、數據分析、教育支援、評分和心理健康輔助等應用。解決道德問題和偏見至關重要，探討AI在教育和研究中的角色，強調其積極變革的潛力。 PubMed DOI

人工智慧，特別是大型語言模型（LLMs），現在被廣泛運用，因為能跟人類溝通。透過大量網路資料訓練，LLMs能產生各種專業文本。研究指出，GPT-4能在不到一小時內寫出完整的藥學手稿。雖然LLMs在科學研究有潛力，但仍需要人類參與，如參考文獻和數據驗證。該研究探討了將LLMs融入科學研究的優勢和挑戰。 PubMed DOI

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

KRAGEN是一個解決自然語言難題的工具，利用知識圖譜和先進提示技術，解決大型語言模型的問題。它將知識轉換為數據庫，使用RAG檢索相關事實，並利用GoT將問題分解，提供更精確的解答。KRAGEN的圖形化界面幫助用戶評估解答品質，並可在GitHub上開源。 PubMed DOI

現代的生成式人工智慧技術，如檢索增強生成（RAG），能顯著提升癌症治療的討論效果。專家通常需花費大量時間審查文獻以尋找證據和建議，但透過RAG流程，這個過程變得更簡單。該流程從可信來源（如OncoKB）檢索相關文本，並提供給大型語言模型（LLM），無需微調。研究顯示，透過向Llama 2模型提出簡單問題，能重現超過80%的治療關係，顯示出減少文獻審查勞動量的潛力，並提升討論效率。 PubMed DOI

醫療行動本體（MAxO）是一個用來表示治療和管理病患行動的工具，特別針對罕見疾病。由於手動整理超過10,000種罕見疾病的術語相當困難，因此開發了半自動化的AutoMAxO工作流程，利用大型語言模型（LLMs）來簡化整理過程。AutoMAxO從醫學摘要中提取整理內容，並與MAxO及其他本體術語匹配，最終由人類整理者審核。研究中，AutoMAxO處理了4,918篇摘要，識別出18,631個候選內容，並確認538個加入MAxO，顯示生成式AI在精準醫療中的潛力。 PubMed DOI

知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 PubMed DOI

這項研究探討了OwlMentor，一個以人工智慧為基礎的學習平台，幫助大學生理解科學文本。OwlMentor透過參與式方法開發，並在課程中使用，經過兩個學期的評估。研究發現，感知的易用性和有用性與實際使用之間的關係相當複雜，顯示需要更動態的接受模型。雖然未找到OwlMentor使用與學習改善的直接聯繫，但使用者的學習成效明顯高於非使用者，且自我效能與平台的使用意圖有顯著關聯，強調了AI工具與學生需求對齊的重要性。 PubMed DOI

這篇論文探討如何利用大型語言模型（LLMs）來簡化生物醫學數據處理，特別是自動化數據發現與整合。我們推廣互操作性標準，透過創建共同數據元素（CDEs）來提升數據整合的效率。經過分析三十一項研究，我們開發了CDEs，並使用API填寫OpenAI GPT模型的元數據。經專家審查，94%的元數據無需手動修訂。我們的方法在阿茲海默症和帕金森基因計畫的數據中測試，顯示出良好的互操作性，旨在提升生物醫學研究的效率與合作性。 PubMed DOI

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI