資訊檢索系統，俗稱搜尋系統，現在很常見。最近把基於大型語言模型的生成式人工智慧整合進去，引起了關注。討論了生成式AI在資訊檢索的應用，特別是在學術領域，包括動機、關注重點和成果等。使用者，尤其是學者，透過檢索系統找尋權威、即時和符合情境的資訊。雖然LLMs有潛在好處，但提升搜尋系統仍是一個重要且需要持續研究的議題。 PubMed DOI

生物醫學研究文獻對醫療很重要，人工智慧改進了搜尋工具，但醫師和研究人員可能不熟悉。本文介紹了30種針對生物醫學需求的檢索工具，包括人工智慧證據醫學、精準醫學、語義檢索、文獻推薦和文獻挖掘工具。也討論了大型語言模型如ChatGPT對生物醫學資訊檢索的影響。 PubMed DOI

AI在醫療保健領域發揮重要作用，像ChatGPT-4和Microsoft Bing展現出強大的文字生成和搜索能力。研究探討AI是否能獨立寫學術論文，著重於內容相關性、準確性、清晰度和語氣。ChatGPT-4表現出更深入見解和準確引用，而Microsoft Bing提供簡潔概述。結合兩者或許能增進學術支持，但研究者需批判性評估AI輸出以維護學術誠信。 PubMed DOI

大型語言模型（LLM）如ChatGPT或Gemini具有強大的推理和問答能力，但可能產生虛假輸出。這可能對各領域應用造成問題，如製造虛假法律先例或散佈虛假新聞。為提升誠實性，研究者致力於開發檢測虛假輸出的方法，著重於評估不確定性以檢測不正確回應。這種方法可用於識別新情況中的不可靠輸出，幫助用戶警惕LLM的潛在風險，並拓展新應用。 PubMed DOI

近來，大型語言模型的進步引起對意識的興趣，雖然智能和意識不直接相關。有人提出當量子機械的超位置形成時，意識經驗會產生，對經驗結構和現象經驗的統一有重要意義。這個想法可透過量子生物學實驗驗證，或透過腦量子計算機界面擴展人類意識。 PubMed DOI

LLMs在社交網絡中可能造假，影響社會。為了解決問題，提出一方法模擬和量化LLMs散播虛假資訊情況。考慮個人行為、網絡結構和社群關係等因素。透過真實數據和不同情境評估，協助制定對抗LLMs散播虛假資訊策略。 PubMed DOI

這篇論文探討系統性回顧中摘要篩選的挑戰，並利用大型語言模型（LLMs）的零-shot能力來解決。研究提出一個新穎的問答框架，將篩選標準視為問題，讓LLM回答，並根據綜合回應做出納入或排除的決策。透過CLEF eHealth 2019 Task 2基準驗證，結果顯示該框架在31個系統性回顧數據集上表現優於傳統方法和微調的BERT模型，顯示LLM在摘要篩選中的有效性與潛力。 PubMed DOI

最近，自然語言處理（NLP）領域的進展主要受到變壓器模型的影響，這些模型透過注意力機制分析標記間的關係，生成回應。然而，關於這些模型是否能促進人工通用智慧（AGI）及解決對齊問題仍有爭論。研究人員認為AGI需具備可解釋的價值觀、效用函數及動態情境理解。為此，提出一種神經符號模型，結合進化理論與神經科學，探索AI的意識與同理心，並可能為對齊問題提供解決方案。 PubMed DOI

從生物醫學文獻中提取準確資訊相當複雜，因為這個領域跨學科且術語專業。早期的自然語言處理（NLP）方法常常無法掌握語言的細微差別，導致錯誤答案。隨著變壓器模型的出現，大型語言模型（LLMs）在問答任務中表現改善，但仍面臨挑戰，經常產生「幻覺」信息。我們的研究透過增強檢索架構來提升LLMs在生物醫學問答中的表現，並開發了問答機器人WeiseEule，強調用戶查詢信號的重要性，改善了回應的準確性和相關性。 PubMed DOI

這項研究探討大型語言模型（LLMs）在提升病人與臨床試驗（CTs）匹配的應用，並以資訊檢索為框架。研究開發了一個多階段檢索管道，結合BM25、Transformer排名器及LLM方法，數據來自TREC臨床試驗2021-23。結果顯示，微調的LLM在查詢形成、過濾及重新排名上表現優於傳統方法，提升了識別合格試驗的有效性。雖然LLMs具競爭力，但計算成本較高，效率降低。未來研究應聚焦於優化成本與檢索有效性之間的平衡。 PubMed DOI