這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI

這篇論文提出了一種新方法，利用傳感器網絡驅動的知識圖譜進行情境學習（KG-ICL），以改善工業設備的故障診斷。它強調傳感器數據在故障識別和隔離中的關鍵角色，並透過建立特定領域的知識圖譜來捕捉專家知識。該方法使用長度實體相似度（LES）來提取相關資訊，並結合大型語言模型進行因果分析，提升故障診斷的準確性與效率。實驗結果顯示KG-ICL在識別故障原因和位置上非常有效，為工業環境的狀態監測和故障管理提供了強大工具。 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

這項研究開發了一種計算方法，利用臨床語言模型來檢測醫療環境中的跌倒事件，並改善自我報告系統。研究分析了34,480份來自三家醫院的護理筆記和病人安全報告，並使用BERT和GPT-4模型進行測試。結果顯示，經過微調的BERT模型表現最佳，F1分數達0.98。研究指出，結合臨床語言模型與自我報告能顯著提升跌倒事件的識別率，解決91%的報告不足問題，並減輕護理人員的負擔。 PubMed DOI

這項研究探討大型語言模型（LLMs）在法醫傷害評估中的挑戰，因為這領域需要特定知識和準確的信息檢索。作者提出結合檢索增強生成（RAG）、圖形知識庫和深度學習技術，以提升LLMs根據中國《身體傷害程度評估標準》的評估能力。他們建立了一個包含26,199個傷害案例的數據集，並開發了RoBERTa-CNN模型來準確分類傷害。結果顯示，這種方法顯著提高了九個LLMs的準確率，並在犯罪分類中展現多樣性，證明了結合領域知識和先進技術的有效性。 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

跌倒是醫院常見的不良事件，對患者及醫療系統影響深遠。本研究旨在利用大型語言模型（LLMs）自動編碼住院跌倒記錄，提取跌倒地點及受傷情況。研究分析了187條跌倒事件，使用GPT-4-turbo模型進行數據分類，結果顯示模型在地點和受傷檢測上表現優異，準確率均超過0.913及0.953。結論指出，GPT模型能有效從未優化文本中提取信息，顯示其在臨床風險管理中的潛力。 PubMed DOI

這項研究利用GPT-4.0整合臨床數據，開發了一個全面的敗血症知識圖譜。敗血症是一種變異性大的病症，傳統知識圖譜建構困難。研究者從中國西部三家醫院建立了多中心敗血症數據庫，收集了10,544名患者的數據。透過GPT-4.0的技術，成功生成了包含1,894個節點和2,021個關係的知識圖譜，顯示其在實體識別和關係提取上的優越性。這項成果不僅增進了對敗血症的理解，也為臨床決策提供了支持，成為未來研究的寶貴資源。 PubMed DOI

這項研究開發了LFBERT-ReasonSoT自動化系統，結合LDA主題模型和微調BERT，能更準確分析交通事故報告的肇因和嚴重程度。結果顯示，這套系統比傳統方法更有效率，能從複雜事故文本中萃取有用資訊，提升事故資料自動化處理的能力。 PubMed DOI

這項研究用機器學習分析職場問卷，提出新特徵選擇法，找出39個關鍵壓力指標，並結合多種模型，準確率超過九成，優於過去研究。方法經多重驗證，對新資料也有效。研究還用1D-CNN和創新資料轉換，讓語言模型能處理問卷資料。結果顯示，壓力和生物醫學因素關聯高，主要壓力來自工作量、溝通和環境。只需問卷即可即時監測職場壓力，實用性高。 PubMed DOI