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

LLMs在健康領域的應用有待深入研究。將行為科學原則融入LLMs，可設計更有效的健康指導措施。研究指出，整合COM-B框架到對話代理中，可提升共情和可操作性，改善指導體驗。 PubMed DOI

目前，對話代理人（CAs）主要使用嚴格的基於規則的對話模型，但這限制了彈性和擴展性。大型語言模型（LLMs）是替代方案，但在雲端運行時可能涉及隱私問題。這研究探討了如何微調輕量級預訓練LLMs，以預測使用者意圖，實現在設備上部署，確保隱私和個性化。RoBERTa和XLNet在平衡性能和隱私方面有潛力。研究顯示這些模型可與ChatGPT媲美，並討論了對利益相關者的影響。總結來說，該研究強調了在考慮性能、內存使用和隱私的情況下，使用LLMs在設備上實現對話代理人的重要性。 PubMed DOI

這篇論文介紹了一個創新的低成本模擬駕駛評估系統，搭載語音助手，利用生成式人工智慧進行即時互動。這種模擬器提供比傳統實地評估更安全且可自訂的選擇，解決了高成本的問題。系統旨在提升駕駛者的情境意識，並促進正向情緒，幫助識別需要進一步評估的駕駛者。初步結果顯示，與語音助手互動的參與者在駕駛表現和情緒狀態上都有所改善。 PubMed DOI

隨著人工智慧的快速進步，服務機器人在日常生活中越來越普遍，這要求它們能準確識別人類意圖。現有方法在複雜環境中常常無法達標。為了解決這個問題，我們提出了一個基於大型語言模型和知識圖譜的意圖識別框架（LKIRF）。這個框架結合了大型語言模型和知識圖譜，提升了服務機器人的意圖識別能力。實驗結果顯示，LKIRF在各種場景中的預測準確性超越傳統方法，並增強了意圖推理的透明度和可解釋性。 PubMed DOI

這項研究探討如何利用先進的大型語言模型（LLMs）來提升煤礦安全評估。傳統方法在面對複雜數據時效率不佳，而這個系統能快速處理來自感測器的數據，並透過實體互動增強環境意識。結合煤礦安全知識庫，系統能進行邏輯推理、檢測異常及預測風險，並具備記憶功能以持續學習。研究中還設計了實驗框架，展示該系統在煤礦安全評估中的高效性，提供了一個創新的解決方案。 PubMed DOI

這項研究評估了多種大型語言模型（LLMs）在心理健康預測任務中的表現，測試的模型包括Alpaca、FLAN-T5、GPT-3.5和GPT-4。研究探討了不同的提示技術，結果顯示指令微調能顯著提升模型能力，尤其是Mental-Alpaca和Mental-FLAN-T5在準確率上超越了GPT-3.5和GPT-4。此外，研究也強調了模型的推理能力及其在實際應用中的倫理問題與偏見考量。這些發現為改善LLM在心理健康領域的應用提供了指導。 PubMed DOI

這項研究探討交通事故報告中的低報問題，這會影響交通安全措施的發展。傳統修正方法慢且易出錯，特別是處理大數據時。作者提出一個框架，利用大型語言模型（LLMs）分析事故敘述，識別低報因素，如酒精參與。研究團隊用麻薩諸塞州的500份事故報告進行案例研究，結果顯示高準確率，召回率達1.0，精確率0.93，成功識別低報情況。這方法提升了交通安全分析的效率，未來可改善事故記錄質量，支持更有效的安全對策。 PubMed DOI

這項研究提出了一種新方法，利用大型語言模型（LLMs）為機器人生成複雜的長期任務計畫。過去的研究多集中於簡單的任務規劃，動作指令通常不超過十個。新方法透過讓LLM主動收集資訊並進行問答，精煉任務計畫，並能識別和解決長期任務中的模糊性，增強計畫細節。研究以烹飪任務為例，實驗結果顯示，這種方法成功提升了任務計畫的資訊量，填補了長期機器人任務研究的空白。 PubMed DOI

這篇論文探討智慧駕駛艙的演變，強調傳統規則方法在理解使用者行為上的限制，導致開發的功能無法滿足真實需求。為改善這一點，建議使用知識圖譜（KGs）來組織和檢索資訊。作者提出GLM-TripleGen模型，專注於分析駕駛艙狀態與使用者行為的隱藏關係，並解決實體識別和關係提取的挑戰。透過創建數據集和使用低秩適應（LoRA）方法，實驗結果顯示該模型在生成駕駛艙三元單位方面表現優於現有方法，具備良好的穩健性和泛化能力。 PubMed DOI