LLMs在臨床應用上很強大，但缺乏標記數據。為了掌握臨床知識，需要進行上下文學習。研究評估了零-shot和少-shot臨床信息提取的提示工程技術。結果顯示，定制任務特定提示至關重要，而啟發式和集成提示也很有效。GPT-3.5表現最佳，並且集成方法有助於提升性能。這項研究為臨床自然語言處理的提示工程提供了重要的指導。 PubMed DOI

這項研究強調生成式人工智慧（AI）在健康照護中，特別是針對2型糖尿病患者用藥遵從性方面的潛力。研究提供了一個透明的提示設計和內容生成過程，並附上1,150則由GPT-3.5模型生成的訊息，這些訊息符合可讀性和簡訊標準。研究指出生成訊息的多樣性，並建議這種方法能提升健康內容開發的效率與透明度。未來需評估這些介入措施對行為改變的倫理影響和有效性。 PubMed DOI

這篇論文探討大型語言模型（LLMs）對自然科學和社會科學的影響，特別是透過生成代理模型（GABMs）模擬人類行為。研究涵蓋網絡科學、演化博弈論等領域，顯示LLMs能預測社會行為、增強合作及模擬疾病傳播。雖然LLMs能模仿公平性和合作，但仍面臨提示敏感性和幻覺等挑戰，影響行為一致性。未來研究應聚焦於完善模型、標準化方法，並探討LLMs與人類互動可能帶來的新合作行為，重塑決策過程。 PubMed DOI

這項研究探討大型語言模型（LLMs）在創建自主模擬代理（ASA）方面的潛力，該代理能自動化模擬研究過程。ASA能依據人類提供的計畫，處理實驗設計、模擬執行、數據分析及報告生成等任務。透過聚合物鏈構象的案例，研究評估了不同LLMs的表現，發現ASA-GPT-4o的表現優異，能在無人介入下自主運作20個循環，顯示其在科學研究自動化的潛力。研究還強調了ASA在管理複雜任務時的自我驗證能力。 PubMed DOI

網路評論的興起對消費者購買決策和產品開發影響深遠，但生成式AI技術如ChatGPT的出現，讓人擔心商家可能會製造虛假評論，影響評論的可信度。為了解決這個問題，提出了一種新方法，結合AI生成評論的檢測，專注於產品屬性。這方法利用預訓練語言模型來檢測評論真實性，並分析用戶偏好，改善產品開發的成本控制與設計決策。實驗結果顯示此方法相較於現有技術具優勢。 PubMed DOI

這項研究首次探討大型語言模型（LLMs）在環境決策中的應用，分析其潛在優勢與限制。研究提出兩個框架：一是LLMs輔助的框架，增強人類專業知識；二是LLMs驅動的框架，自動化優化任務。透過水工程中PFAS控制的案例，顯示這兩個框架在環境決策中的優化效果。結果顯示，LLMs輔助框架在調節流量和改善PFAS攔截上表現良好，而LLMs驅動框架在複雜參數優化上則面臨挑戰。研究強調人工智慧應輔助而非取代人類專業知識，為未來的合作奠定基礎。 PubMed DOI

這個專案探討生成式人工智慧模型如何協助健康科學圖書館員進行館藏發展。查普曼大學的研究人員於2024年3月開始為期六個月的評估，針對四個模型進行測試。結果顯示，雖然大型語言模型在館藏發展上尚不可靠，存在不準確的情況，但它們仍可作為分析主題和識別館藏空白的輔助工具。 PubMed DOI

這項研究提出了一種改良的人工蜜蜂群（ABC）演算法，旨在提升數位健康的決策過程。透過結合文化演算法，這個新方法在雙層進化框架中優化搜尋，並動態調整參數以增強搜尋效率。實驗顯示，這種演算法在尋找最佳解的成功率達96%，顯著提升醫療資源的優化效率與準確性。與ChatGPT結合後，還能生成個性化建議，更好地滿足用戶需求，為數位醫療的科學決策提供了重要工具。 PubMed DOI

這份報告探討了X-LoRA-Gemma大型語言模型（LLM）的應用，這是一個擁有70億參數的多代理生成式人工智慧框架，專注於分子設計。模型結合人類與AI的合作，透過雙重推理策略來優化分子互動，並使用主成分分析等技術識別目標性質。生成的候選分子顯示出預期的特性，報告預測這些AI技術將在分子工程中越來越普遍，並提供創新解決方案，同時也討論了相關的挑戰與機會。 PubMed DOI

您開發了一個大型語言模型（LLM）輔助的系統，專門用於健康技術評估（HTA）的系統性文獻回顧（SLR）。這個系統包含五個模組，從文獻搜尋到數據總結，並具有人機協作的設計，能根據LLM與人類審查者的意見調整PICOs標準。經過四組數據評估，系統在摘要篩選中表現優異，達到90%的敏感度和82的F1分數，顯示出與人類審查者的高一致性。這個AI輔助系統有潛力簡化SLR過程，降低時間和成本，並提升證據生成的準確性。 PubMed DOI