Improving large language models for clinical named entity recognition via prompt engineering.
透過提示工程改善臨床命名實體識別的大型語言模型。 J Am Med Inform Assoc 2024-01-28

研究指出，GPT-3.5和GPT-4處理臨床數據時，只需少量訓練數據即可提取有價值資訊。透過改進提示策略，可增進模型在臨床命名實體識別任務表現，減少大量標註數據需求。雖GPT模型在臨床應用有潛力，仍需進一步改進。研究結果凸顯了量身定制的提示框架重要性，以提高大型語言模型在臨床環境性能。 PubMed DOI

Comparison of Prompt Engineering and Fine-Tuning Strategies in Large Language Models in the Classification of Clinical Notes.
大型語言模型在分類臨床記錄中，即時工程和微調策略的比較。 medRxiv 2024-02-26

研究發現，大型語言模型在醫療保健領域有潛力，尤其在識別轉移性癌症患者方面。GPT-4表現最佳，提示和推理步驟清晰簡潔效果更好。即使改變輸入標記，GPT-4仍保持高準確性。建議透過策略性提示設計，GPT-4或許可取代專門模型，提升醫療應用。 PubMed DOI

Model tuning or prompt Tuning? a study of large language models for clinical concept and relation extraction.
模型調整還是提示調整？大型語言模型在臨床概念和關係提取中的研究。 J Biomed Inform 2024-04-06

研究發現，使用解凍的LLMs進行軟提示在GatorTron上表現最佳，勝過傳統微調和硬提示模型。當LLMs規模擴大時，凍結的LLMs也具競爭力，展現出良好少樣本學習和泛化能力。凍結模型不僅計算成本更低，還能跨機構應用。 PubMed DOI

OpenMedLM: prompt engineering can out-perform fine-tuning in medical question-answering with open-source large language models.
OpenMedLM: 在醫學問答中，prompt engineering 可以優於對開源大型語言模型進行微調。 Sci Rep 2024-06-19

OpenMedLM是一個開源的醫學語言模型，在醫學基準測試中表現優異，且無需大量微調。透過提示策略，OpenMedLM在三個醫學語言模型基準測試中取得領先地位，超越其他模型。這顯示開源基礎模型在提升醫療任務表現方面具有潛力，同時也凸顯提示工程對於醫學應用中易用的語言模型的重要性。 PubMed DOI

Optimizing biomedical information retrieval with a keyword frequency-driven prompt enhancement strategy.
利用關鍵字頻率驅動的提示增強策略優化生物醫學信息檢索。 BMC Bioinformatics 2024-08-27

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

Towards Dataset-scale and Feature-oriented Evaluation of Text Summarization in Large Language Model Prompts.
大型語言模型提示中文本摘要的數據集規模和特徵導向評估。 IEEE Trans Vis Comput Graph 2024-09-09

最近大型語言模型和提示工程的進展，讓自訂聊天機器人變得更容易，不再需要程式設計技能。不過，進行大規模的提示評估仍然很具挑戰性。我們的研究確定了五個關鍵挑戰，並提出了一個以特徵為導向的提示評估工作流程，特別針對文本摘要，強調根據摘要特徵來評估提示，而非僅依賴傳統指標。為了支持這個流程，我們推出了Awesum，一個視覺分析系統，幫助用戶識別最佳提示改進。我們的測試顯示，Awesum能有效幫助非技術用戶進行系統性評估，並可應用於其他自然語言生成任務。未來建議專注於大型語言模型的特徵導向評估。 PubMed DOI

From Sparse to Dense: GPT-4 Summarization with Chain of Density Prompting.
從稀疏到密集：GPT-4 以密度提示鏈進行摘要。 Proc Conf Empir Methods Nat Lang Process 2024-09-24

這項研究探討了創建有效摘要的挑戰，目的是在細節與可讀性之間取得平衡。研究提出了一種名為「密度鏈」（CoD）的方法，利用GPT-4生成初步摘要，然後逐步添加重要資訊，卻不增加整體長度。這樣的摘要更具抽象性，且對引導性資訊的偏見較少。針對100篇CNN DailyMail文章的研究顯示，讀者更偏好密度較高的CoD摘要，認為其效果接近人類撰寫的摘要。研究提供了500個註解的CoD摘要及5,000個未註解的摘要，資料可在HuggingFace上使用。 PubMed DOI

Parameter-efficient fine-tuning of large language models using semantic knowledge tuning.
使用語義知識調整進行大型語言模型的參數高效微調。 Sci Rep 2024-12-27

這篇摘要介紹了一種名為語義知識調整（SK-Tuning）的方法，旨在提升大型語言模型（LLMs）的表現。SK-Tuning專注於有意義的詞彙，利用模型的語義理解來改善任務表現。這種方法不僅訓練速度更快，還減少了參數需求，並在文本分類和理解等任務中表現優異，顯示出相較於傳統調整方法的潛在優勢。這項創新策略有望顯著提升LLMs在各種語言處理應用中的效率與效果。 PubMed DOI

Evaluating the effectiveness of prompt engineering for knowledge graph question answering.
評估提示工程在知識圖譜問答中的有效性。 Front Artif Intell 2025-01-28

這項研究評估了六種不同的少量樣本提示方法，針對大型語言模型在Spider4SPARQL基準測試中的表現，該測試專注於複雜的SPARQL知識圖譜問答。實驗分為兩組，第一組檢視基於樣本數量或類型的提示方法，第二組則探討如何透過LLM生成的解釋來優化提示。結果顯示，商業模型在KGQA的準確率不超過51%，顯示處理複雜查詢的挑戰。最有效的方法是結合簡單提示與本體，並使用五個隨機樣本。 PubMed DOI

Large scale summarization using ensemble prompts and in context learning approaches.
大型摘要生成：使用集成提示和上下文學習方法。 Sci Rep 2025-03-26

資訊保障和網路安全隨著科技進步和威脅複雜化而不斷演變。本研究利用大型語言模型和自然語言處理技術，分析1967年至2024年的文獻，資料來自62,000多份Scopus文件。研究分為兩個階段：主題檢測和自動摘要，並針對不同時間區間進行分析。結果顯示，綜合方法在關鍵字定義任務中有顯著改進，生成的摘要在多項指標上表現優異，並保持書目參考的邏輯完整性，突顯資訊保障的焦點轉變及未來趨勢。 PubMed DOI

原始文章

站上相關主題文章列表