網路評論的興起對消費者購買決策和產品開發影響深遠，但生成式AI技術如ChatGPT的出現，讓人擔心商家可能會製造虛假評論，影響評論的可信度。為了解決這個問題，提出了一種新方法，結合AI生成評論的檢測，專注於產品屬性。這方法利用預訓練語言模型來檢測評論真實性，並分析用戶偏好，改善產品開發的成本控制與設計決策。實驗結果顯示此方法相較於現有技術具優勢。 PubMed DOI

這項研究提出了一種改良的人工蜜蜂群（ABC）演算法，旨在提升數位健康的決策過程。透過結合文化演算法，這個新方法在雙層進化框架中優化搜尋，並動態調整參數以增強搜尋效率。實驗顯示，這種演算法在尋找最佳解的成功率達96%，顯著提升醫療資源的優化效率與準確性。與ChatGPT結合後，還能生成個性化建議，更好地滿足用戶需求，為數位醫療的科學決策提供了重要工具。 PubMed DOI

這份報告探討了X-LoRA-Gemma大型語言模型（LLM）的應用，這是一個擁有70億參數的多代理生成式人工智慧框架，專注於分子設計。模型結合人類與AI的合作，透過雙重推理策略來優化分子互動，並使用主成分分析等技術識別目標性質。生成的候選分子顯示出預期的特性，報告預測這些AI技術將在分子工程中越來越普遍，並提供創新解決方案，同時也討論了相關的挑戰與機會。 PubMed DOI

在智慧型手機攝影中，準確測量影像的感知色差（CDs）非常重要。傳統指標雖然提供數值評分，但無法清楚解釋差異原因。為了解決這個問題，我們推出了CD-Reasoning，這不僅計算CD分數，還能以符合人類感知的方式解釋差異。 CD-Reasoning基於新的多模態數據集M-SPCD，涵蓋七個關鍵屬性，如白平衡和亮度對比。透過這個數據集，我們增強了多模態大型語言模型（MLLMs），能更準確評估CD並詳細解釋影像差異。 實驗結果顯示，CD-Reasoning在準確性和解釋能力上均優於現有指標和MLLMs。源代碼將在 https://github.com/LongYu-LY/CD-Reasoning 提供。 PubMed DOI

文本到圖像生成（TTI）技術透過模型將文字描述轉換為高品質圖像，從早期的生成對抗網絡（GANs）和自回歸變壓器（Transformers）發展到目前的擴散模型，成為主要的圖像合成方法。這些模型逐步引入噪音，經過多次精煉，最終生成的圖像與現實相似。大型模型的興起提升了TTI的性能，成為機器學習的重要研究領域。我們的研究探討了TTI的潛在進展，並提出未來改進建議，預期能提升創意產業的生產力，並擴展至視頻和3D生成等複雜領域。 PubMed DOI

衛星影像的可用性不斷提升，讓地球表面地圖的繪製加速，但準確性仍受限於現場數據不足。公民科學計畫如Geo-Wiki和Picture Pile雖有效收集數據，但仍需更佳策略來優化志願者的時間與努力。雖然部分專案已開始使用機器學習，生成式AI的潛力尚未被充分利用。本文探討如何透過生成式AI改善土地覆蓋與使用的繪製，特別是整合多模態大型語言模型（MLLMs），以提升AI的空間意識，進而增強數據收集與繪圖的效率。 PubMed DOI

這項研究探討了三種生成式人工智慧工具—ChatGPT、Gemini 和 Copilot—在本科機械工程教育中的有效性，涵蓋了800個問題。雖然這些工具在理論題上表現不錯，但在數值問題上遇到挑戰，特別是需要深入理解的部分。Copilot 的準確率最高，達60.38%。研究還進行了學生調查和訪談，顯示對人工智慧在數值任務中的可靠性有擔憂。研究建議教育者調整評估方法，以負責任地整合人工智慧，提升學習效果。 PubMed DOI

**重點摘要：** 大型語言模型（LLMs）可以協助非專業人士設計奈米光子元件，例如多層薄膜和超表面，透過對話互動來模擬光學反應並產生最佳化設計。將LLMs用相關資料進行微調後，能進一步提升它們依照需求產生設計的能力，讓奈米光子設計變得更快速、更容易上手。 PubMed DOI

這項研究把生成式AI（ChatGPT-4）、傳統決策法（AHP、TOPSIS）和機器學習分類器結合，來預測員工流失。流程包含建立專家資料、排序流失風險、訓練模型。神經網路、梯度提升和隨機森林的準確率最好。這方法可擴展，能有效預測複雜環境下的員工流失。 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