這篇論文探討了在人機合作環境中運用大型語言模型（LLMs）如GPT進行口語溝通的方法。介紹了一個以GPT為核心的機器人代理在Unity VR環境中的模擬框架。透過12位參與者的使用者研究，探討了GPT-4在多機器人環境中的效用。研究結果顯示，使用者可能對與機器人互動有先入為主的看法，但透過自然語言溝通的探索，可以帶來更有效的互動。同時提供了寶貴的教訓和未來研究的建議。 PubMed DOI

本文探討了如何透過大型語言模型（LLM）推動人機互動，並超越傳統的可解釋人工智慧（XAI）範式，考慮LLM的認知解釋。作者方法著重於認知建模、遺傳算法、神經網絡、因果循環動力學和特徵實現等解決方案，使XAI更具目的性和持續性。研究結果顯示，在信息處理中應用LLM需要特定結構條件，尤其在戰略規劃情境下，可加速集體問題解決。這研究有助於各領域發展可解釋的LLM。 PubMed DOI

生成式人工智慧（AI），特別是大型語言模型（LLMs），在多發性硬化症（MS）管理上展現出重要潛力。近期的進展顯示，LLMs能生成和理解類似人類的文本，能在多發性硬化症護理中發揮作用。雖然AI在影像學和疾病分類的應用受到關注，但LLMs在多發性硬化症管理的具體應用仍在起步階段。 LLMs可透過臨床決策支持系統協助醫療提供者選擇適當療法，並分析真實世界數據以促進研究。此外，虛擬導師可為醫生和患者提供個性化教育。這篇評論旨在概述LLMs在多發性硬化症管理的應用，並探討未來研究及監管挑戰。 PubMed DOI

元宇宙是一個3D數位平台，讓現實與虛擬互動，特別吸引醫療投資。它能增強醫療人員與病人之間的溝通，成為數位治療工具。大型語言模型（LLMs）在醫療中也被廣泛應用於數據分析、影像識別等。在泌尿科，LLMs幫助影像診斷、數據處理及病人教育，提供臨床支持。結合LLMs與元宇宙的特性，能改善泌尿科治療，尤其在持續護理方面。本文探討了LLMs的應用挑戰及監管標準的必要性，並強調元宇宙平台在泌尿科護理中的潛力。 PubMed DOI

大型語言模型（LLMs）正在推動醫療人工智慧的變革，提升了臨床支持、診斷和醫學研究的能力。像GPT-4和BERT等技術的進步，得益於計算能力和數據的增長。雖然硬體需求高，但技術持續進步正在克服這些挑戰。LLMs在處理多模態數據方面特別有效，對急救和長照等領域有助益。不過，仍需解決實證可靠性、倫理問題及偏見等挑戰。這篇論文強調開發無偏見的LLMs對個人化醫療的重要性，並倡導公平的資源獲取。總之，LLMs對醫療保健的影響潛力巨大。 PubMed DOI

現代大型語言模型（LLMs）引起了廣泛關注，展現出驚人的能力，但有時也會出錯，顯示出人工智慧在日常生活中的潛力與挑戰。雖然許多研究致力於改善這些模型，但人類與LLM的合作動態仍待深入探討。本文強調未來研究應優先考慮人類與LLM的互動，並指出可能妨礙合作的偏見，提出解決方案，並概述促進相互理解及提升團隊表現的研究目標，以改善推理與決策過程。 PubMed DOI

隨著城市成為人類活動的核心，城市感知的重要性日益提升。大型語言模型（LLMs）透過其語言框架，為城市感知帶來新機會。本文探討LLMs在理解城市機制上的潛力，重點在於改善人類與LLMs的知識轉移、提升對城市運作的認識，以及透過LLM代理實現自動化決策。雖然LLMs能提供更深入的城市動態理解，但也面臨多模態數據整合、時空推理、文化適應性和隱私等挑戰。未來的城市感知需善用LLMs的智慧，並克服這些挑戰，以促進智能和可持續的城市發展。 PubMed DOI

Explainable XR 是一個全面的框架，專注於分析用戶在擴增實境 (XR) 環境中的行為，並利用大型語言模型 (LLMs) 進行數據解釋。它解決了 XR 分析中的挑戰，如 AR、VR 和 MR 之間的轉換、多用戶協作及多模態數據的複雜性。框架包含三個主要組件：用戶行為描述符 (UAD)、平台無關的 XR 會話錄製器，以及視覺分析介面。透過五個使用案例，Explainable XR 有效幫助理解用戶行為，並提供可行的見解，讓人們在沉浸式環境中更好地掌握用戶行為。 PubMed DOI

大型語言模型（LLMs）如GPT-4與擴增實境（XR）技術結合，能創造沉浸式環境，並透過自然語言與使用者互動。不過，XR環境的複雜性使得提取上下文數據變得困難，導致成本上升和錯誤產生。為了解決這些問題，我們推出了LLMER框架，利用LLMs生成的JSON數據來構建互動式XR世界。LLMER能有效減少應用崩潰和延遲，初步研究顯示其令牌消耗減少超過80%，任務完成時間減少約60%。使用者反饋也指出了優化的空間。 PubMed DOI

這項研究介紹了一種新的個人化大型語言模型（PLLM）代理，旨在提升大型語言模型在人體與機器人及人機互動中的整合能力。雖然現有研究多集中於技術層面，但在適應個別用戶情境上仍面臨挑戰。我們提出利用特定領域數據來個人化模型，並透過NeuroSense EEG數據集進行驗證。研究結果顯示，PLLM在醫療、教育及輔助技術等領域具有效用，並探討了相關的倫理考量，如數據隱私問題。這標誌著人工智慧在適應性和個人化上的重要進展。 PubMed DOI