2022年底引入大型語言模型（LLMs）用於聊天是一大進步，讓文字生成更接近人類寫作。LLM聊天機器人可提升學術效率，但需注意公平使用和偏見問題。本文探討學術界中LLM技術，討論其在寫作、教育和編程上的限制與優勢。主張有效運用，防範抄襲、處理偏見，警惕準確性問題，並強調LLMs在研究與學術領域有希望的未來。 PubMed DOI

大型語言模型如GPT-4、Bard和Claude，透過高效的文本處理能力，改變醫學等領域的學術寫作。雖然這些模型能生成類似人類內容，有助於文獻回顧和假設制定，但人工智慧生成內容的準確性引發道德疑慮。本文討論LLMs對醫學寫作的影響、道德挑戰，以及辨識人工智慧生成文本的方法，同時思考LLMs在學術出版和醫學領域的未來。 PubMed DOI

這項研究探討大型語言模型（LLMs）在醫療應用中的準確性與能耗之間的平衡，特別分析了Meta的Llama 2和LMSYS Org的Vicuna 1.5。研究使用印第安納大學的胸部X光影像資料庫，發現Vicuna 1.5在效率和準確率上表現優於Llama 2。Llama 2的70B模型能耗是7B版本的七倍，但準確率卻較低，效率比僅22.30。結論指出，較小且經過微調的LLMs在醫療應用中更具可持續性，強調選擇模型的重要性，需平衡性能與環境影響。 PubMed DOI

大型語言模型（LLMs）對醫學寫作和出版影響深遠，最近的綜述文章強調了其應用、挑戰及未來影響。調查顯示，LLMs在科學寫作中被廣泛使用，帶來了許多好處與挑戰。它們在文獻搜尋、研究設計、寫作輔助等方面表現出色，並在同行評審過程中也扮演重要角色。為了確保學術工作的完整性，研究人員需驗證AI生成內容的準確性，並建立人類與AI的協作流程。未來需解決LLMs的限制，並持續更新相關政策，以維護醫學寫作的品質。 PubMed DOI

這段論述指出大型語言模型（LLMs）在理解人類語言的學習與演變上有其限制。主要有兩個觀點： 1. **功能與機制的差異**：雖然LLMs能生成類似人類的語言，但其學習過程與人類不同。人類透過多種感官互動學習語言，而LLMs主要依賴文本數據，這使得它們的相似性只是表面現象。 2. **語言行為的範疇**：人類的語言使用範圍更廣，而LLMs的設計限制了它們對語言意義的理解及自然互動的能力。 因此，LLMs應被視為輔助語言研究的工具，而非語言理論本身，這強調了謹慎應用的必要性。 PubMed DOI

這項研究評估大型語言模型（LLMs）在從科學文獻中提取生態數據的表現，並與人類審稿人進行比較。結果顯示，LLMs提取相關數據的速度超過50倍，對於離散和類別數據的準確率超過90%。不過，它們在某些定量數據的提取上仍有困難。雖然LLMs能顯著提升建立大型生態數據庫的效率，但仍需額外的質量保證措施來確保數據的完整性。 PubMed DOI

媒體常強調大型語言模型（LLMs）在數學和醫學的優越性，但在農業這個重要領域的應用卻少有關注。LLMs在食品生產中能提升效率、促進創新及改善政策，但也面臨挑戰，如錯誤資訊擴散、數據收集及可能的失業問題。隨著技術快速發展，農業政策制定者需建立完善的框架，確保這些工具的負責任使用，否則未來政策調整將變得困難。 PubMed DOI

大型語言模型（LLMs）在醫療保健的應用越來越受到重視，成功實施依賴數位準備度、基礎設施、員工培訓及隱私倫理等因素。文章提到三種實施路徑： 1. **從零開始訓練路徑（TSP）**：使用特定醫療數據訓練LLM，提供高客製化和性能，但需大量資源。 2. **微調路徑（FTP）**：基於預訓練模型進行微調，平衡成本與性能，但可能繼承原始數據的偏見。 3. **即用即走路徑（OBP）**：快速部署但客製化有限，整合現有應用可能有挑戰。 這些路徑的選擇對健康結果有重要影響，需根據實際情況進行調整。 PubMed DOI

為了降低自然語言算法在臨床研究中的環境影響，我們提出五個步驟： 1. **選擇節能模型**：使用經過優化的高效模型，考慮微調現有模型以節省能源。 2. **可持續基礎設施**：選擇使用可再生能源的雲端服務，與可持續供應商合作，減少碳足跡。 3. **優化訓練過程**：採用混合精度訓練等技術，降低計算資源需求，減少能源消耗。 4. **監測環境影響**：建立指標追蹤碳排放和資源使用，定期向利益相關者報告。 5. **促進合作**：與研究社群分享最佳實踐，推動可持續AI政策。 這些步驟能幫助臨床研究人員減少大型語言模型的環境影響。 PubMed DOI

這項研究探討大型語言模型（LLMs）在優化醫療工作流程的應用，特別是面對經濟和計算挑戰。研究人員使用真實病患數據，評估了十種不同的LLM，進行超過30萬次實驗。結果顯示，隨著問題和臨床筆記數量增加，模型表現會下降。高容量模型如Llama-3-70b和GPT-4-turbo-128k能有效處理最多50個任務，但超過後表現下降。經濟分析指出，使用串接方式可在50個任務時實現高達17倍的成本降低，顯示LLM在臨床環境中的限制及提升成本效率的潛力。 PubMed DOI