大型語言模型（LLMs）的環境影響引發了不同看法。一些研究指出，訓練和使用LLMs會產生顯著的碳足跡，而另一些則認為LLMs可能比傳統方法更可持續。我們的分析顯示，儘管LLMs對環境有影響，但在美國，它們的效率可能高於人力勞動。經濟考量可能促使人類與LLMs共同工作，而非單純取代。隨著LLMs規模增長，能源消耗可能上升，這凸顯了持續研究以確保其可持續性的重要性。 PubMed DOI

隨著對能源儲存電池需求的增加，廢電池處理的環境問題也日益受到關注。有效回收貴重金屬如鎳、鈷和錳至關重要，但傳統水冶金方法常用有害化學物質。研究提出結合天然多酚作為環保沉澱劑，並利用GPT-4優化回收過程。結果顯示，單寧酸對金屬離子的沉澱率分別達94.8%、96.7%和96.7%，超越傳統方法。這一創新不僅提高效率，還促進環境可持續性，展現人工智慧與綠色化學結合的潛力。 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

隨著微塑料對健康影響的關注增加，對高品質數據的需求也隨之上升。目前的質量保證和控制（QA/QC）框架因手動評估耗時且不一致而面臨挑戰。本研究探討利用人工智慧（AI），特別是大型語言模型（LLMs），如ChatGPT和Gemini，來提升微塑料研究中的QA/QC過程。研究結果顯示，AI能有效提取信息並評估研究可靠性，顯示出在環境科學中標準化微塑料風險評估的潛力。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）進行特徵選擇，以提升消防員介入的預測，特別針對氣象風險。研究比較了法國氣象局的特徵與LLMs生成的特徵，強調氣象數據在緊急應對中的重要性。透過XGBoost、隨機森林和支持向量機等機器學習模型，結果顯示LLMs生成的特徵在高介入活動中表現較佳，但在夏季對低介入活動的預測效果較差。總體而言，這項研究有助於改善消防資源管理，提升反應效率並降低風險。 PubMed DOI

環境科學中的系統性回顧面臨挑戰，因為不同學科的方法和術語不一致，影響證據篩選的透明度和可重複性。為了解決這個問題，我們開發了一個AI輔助的證據篩選框架，並以溪流糞便大腸桿菌濃度與土地使用的關係為案例。透過微調ChatGPT-3.5 Turbo模型，我們在篩選120篇文章時，發現AI與專家之間有顯著一致性，顯示出AI在篩選中的潛力。這個框架能提高篩選效率，減少成本，並為AI在環境研究中的應用提供新方向。 PubMed DOI

本研究提出用大型語言模型（LLM）自動評估AI生成的電子健康紀錄（EHR）摘要，效果和專家評分高度一致，尤其是像GPT-3這類模型。這種方法省時又可靠，有助於確保醫療AI摘要的品質與安全性，適合大規模應用。 PubMed DOI

大型語言模型（LLMs）能自動化調整 Excel 健康經濟模型和技術報告到新情境，準確率高、成本低。只要幾分鐘、幾美元就能完成，且調整結果幾乎完美。這方法有望加快健康科技評估流程，讓病患更快取得治療。 PubMed DOI

這篇論文探討用AI，特別是大型語言模型，來自動化整理動物傳染病環境風險因子的文獻回顧。研究比較不同AI方法，目的是提升找出相關風險因子的效率和準確度，解決病原體快速變異、文獻需常更新的問題。 PubMed DOI

這項研究發現，生成式AI（如Copilot、ChatGPT、Gemini）在審查職業健康論文時，回饋速度快又方便，但建議內容品質還是比不上人工審稿人。AI雖然能提升論文修改效率，但產出內容還是要再檢查，避免錯誤或假資訊。善用AI能讓學術寫作和發表更有效率。 PubMed DOI