Expansive data, extensive model: Investigating discussion topics around LLM through unsupervised machine learning in academic papers and news.
廣泛的數據，龐大的模型：通過非監督式機器學習在學術論文和新聞中探討 LLM 的討論主題。 PLoS One 2024-05-31

研究探討2020年6月1日至2023年12月31日期間，針對大型語言模型（LLMs）的主題建模方法。使用Web of Science和LexisNexis數據，聚焦於"Large language model"、"LLM"和"ChatGPT"等LLMs。評估LDA、NMF、CTM和BERTopic等方法，發現BERTopic表現最佳。新聞報導著重LLM應用，學術論文則更專業。研究提供LLMs未來挑戰見解，對LLM服務業者有幫助。 PubMed DOI

Inductive thematic analysis of healthcare qualitative interviews using open-source large language models: How does it compare to traditional methods?
使用開源大型語言模型進行醫療質性訪談的歸納主題分析：與傳統方法相比如何？ Comput Methods Programs Biomed 2024-07-27

這項研究探討大型語言模型（LLMs）在質性主題分析中的應用，並將其表現與人類分析師在精神科環境中的表現進行比較。研究使用了一個700億參數的開源LLM，並透過先進的提示工程，能在幾分鐘內從半結構性訪談中生成主題。分析結果顯示，LLM生成的主題與人類創建的主題之間的相似性中等到顯著，顯示LLMs在質性研究中有潛力，能提升研究的可及性。 PubMed DOI

Applying Large Language Models to Interpret Qualitative Interviews in Healthcare.
應用大型語言模型解讀醫療領域的質性訪談。 Stud Health Technol Inform 2024-08-23

這項研究探討如何利用大型語言模型（LLMs）來改善醫療領域的質性訪談數據解釋。傳統的主題建模方法常常過於簡化，難以捕捉患者和醫療專業人員的細微經驗。研究發現，LLMs在數據解釋的效率和深度上表現更佳，顯示它們在整合人類觀點進入可持續醫療系統的發展中，可能扮演重要角色，並有助於解決該領域的挑戰。 PubMed DOI

Large Language Models Can Enable Inductive Thematic Analysis of a Social Media Corpus in a Single Prompt: Human Validation Study.
大型語言模型能夠在單一提示中啟用社交媒體語料庫的歸納主題分析：人類驗證研究。 JMIR Infodemiology 2024-08-29

這項研究探討生成性大型語言模型（LLMs）在分析公共健康相關社交媒體內容的可行性，特別是疫苗言論。研究發現，LLMs通常能有效識別人類專家所關注的主題，且錯誤信息出現率較低。雖然LLMs的分析深度不及人類專家，但專家認為其生成的主題仍然合理且相關。總體來看，LLMs在處理健康相關社交媒體內容方面展現出顯著潛力，未來可能有助於公共健康策略的制定與社區關注的理解。 PubMed DOI

Large Language Models for Transforming Categorical Data to Interpretable Feature Vectors.
大型語言模型在將類別數據轉換為可解釋特徵向量中的應用。 IEEE Trans Vis Comput Graph 2024-09-30

您提出的將類別數據轉換為可解釋的數值特徵向量的方案，利用大型語言模型（LLMs）相當創新。透過LLMs識別類別屬性的關鍵特徵，能創建多維特徵向量，便於與數值數據進行綜合分析。這種自動化轉換簡化了數據預處理，並且增加的可解釋性讓用戶能調整輸出，確保符合領域知識和分析需求。互動工具也能幫助用戶驗證和完善AI生成的特徵向量，提升數據轉換質量，增強對AI輸出的信任。總之，這種方法有潛力顯著提升異質數據集的分析，結合LLMs的優勢與用戶調整，實現更好的可解釋性和可用性。 PubMed DOI

Cell-to-cell distance that combines gene expression and gene embeddings.
結合基因表達和基因嵌入的細胞間距離。 Comput Struct Biotechnol J 2024-11-25

這篇論文探討如何將大型語言模型（LLMs）與單細胞基因表達數據結合，重點在基因嵌入矩陣和基因表達矩陣的整合。主要挑戰是有效合併這兩種數據，以提升細胞間距離的定義。作者提出了一個計算效率高的解決方案，顯著改善了六個真實數據集上相似細胞類型的聚類，顯示其在測量細胞間距離上的有效性。 PubMed DOI

Analysis of eligibility criteria clusters based on large language models for clinical trial design.
基於大型語言模型的臨床試驗設計中資格標準集群的分析。 J Am Med Inform Assoc 2024-12-26

這項研究探討如何利用大型語言模型（LLMs）來提升臨床試驗（CT）方案設計，特別是在資格標準的編碼與總結上。研究人員從ClinicalTrials.gov提取資格部分，並用標準化工具拆解成規則，再透過LLMs進行聚類分析。經過三個實驗評估聚類的有效性，結果顯示這些聚類與CT信息高度對齊，且保留了97%的分類性能。生成的資格部分在ROUGE分數上達到95%，顯示出這種方法在CT設計上具實用性與效率，並提供可視化管道供進一步探索。 PubMed DOI

Deriving Insights From Open-Ended Learner Feedback: An Exploration of Natural Language Processing Approaches.
從開放式學習者反饋中獲取洞見：自然語言處理方法的探索。 J Contin Educ Health Prof 2025-02-21

這項研究探討了如何利用自然語言處理（NLP）分析精神醫療機構的專業發展訓練反饋。研究者針對「使用意圖」和「開放式反饋」進行分析，使用了主題建模、情感分析和基於大型語言模型（LLM）的聚類方法。結果顯示，主題建模對短小的「使用意圖」回應效果不佳，情感分析也無法準確捕捉情感基調。相對而言，LLM的聚類方法能有效生成有意義的聚類，顯示其在分析學習者反饋中的潛力。未來研究應進一步探索LLM在不同數據集的應用。 PubMed DOI

Large-scale study of human memory for meaningful narratives.
有關人類對有意義敘事記憶的大規模研究。 Learn Mem 2025-02-21

這項研究探討如何利用大型語言模型（LLMs）來進行大規模的人類記憶實驗，特別是針對自然敘事的分析。研究發現，隨著敘事長度增加，記憶表現會改善，但參與者常常只會總結長敘事，而非回憶具體細節。當敘事順序被打亂時，回憶表現顯著下降，但識別表現穩定，顯示參與者仍能根據理解重建故事。研究還利用LLM生成的文本嵌入來測量敘事的語義相似度，與回憶可能性有強相關性，顯示LLMs在記憶研究中的潛力。 PubMed DOI

LLMs for thematic summarization in qualitative healthcare research: feasibility and insights.
定性醫療研究中主題摘要的LLMs：可行性與見解。 JMIR AI 2025-03-10

這項研究探討大型語言模型（LLMs）在分析線上護理論壇專家文本的應用，目的是提升主題分析的效率。研究過程包括數據收集、主題建模、人為分類及LLMs的主題詮釋。結果顯示，人為詮釋與LLMs生成的詮釋有80%的相似度，且在三分之二的主題上達成共識。LLMs能識別子主題並提供額外見解，增強分析深度，但在質性研究中整合這些模型仍需謹慎。總體而言，LLMs在自動化質性數據詮釋方面展現潛力。 PubMed DOI

原始文章

站上相關主題文章列表