這項研究探討了使用調校過的大型語言模型（LLMs）進行複雜化學文本挖掘任務，並在各種任務中取得了令人印象深刻的表現，僅需少量標註數據。調校過的ChatGPT模型表現優異，超越其他LLMs，展示了它們在化學知識提取的自動化數據獲取方面的潛力。 PubMed DOI

大型語言模型（LLMs），像是OpenAI的ChatGPT，雖然能生成類似人類的文本，但在網路使用時會有數據隱私的風險，因為用戶資料會傳送到外部伺服器。為了解決這個問題，我們探討在安全的本地網路中使用開源的小型LLMs，特別是在需要保護數據的監管機構中。我們發現某些模型在少量或零樣本學習中表現不錯，甚至達到傳統神經網路的效果，顯示出在安全環境中使用開源LLMs的潛力。 PubMed DOI

這段文字探討了從文本中識別和提取關鍵資訊的重要性，特別是在食品領域，對營養師和醫生很有幫助。文中提到命名實體識別（NER）和命名實體連結（NEL）的角色。大型語言模型（如ChatGPT）為這些任務提供了新機會。作者評估了ChatGPT-3.5和ChatGPT-4在食品數據的NER和NEL表現，並比較它們在生物醫學領域的能力。結果顯示，ChatGPT在NER上表現不錯，但在實體連結的有效性上則較低。作者提醒，雖然ChatGPT有潛力，但在食品和生物醫學的關鍵決策上不應過度依賴。 PubMed DOI

這項研究探討大型語言模型（LLMs）在中文生物醫學命名實體識別（BNER）任務的表現，這領域的研究相對較少。作者評估了多個LLMs，包括ChatGLM2-6B、GLM-130B、GPT-3.5和GPT-4，使用真實的中文電子病歷數據集及公共數據集。結果顯示，雖然LLMs在零樣本和少樣本情境下有潛力，但經過指令微調後表現顯著提升。特別是微調後的ChatGLM2-6B在真實數據集上超越了專門模型，而GPT-3.5在CCKS2017數據集上表現最佳，但仍未超過頂尖專業模型DGAN。這是首個評估LLMs在中文BNER任務的研究，顯示其潛力並為未來應用提供指導。 PubMed DOI

這篇論文評估了不同微調的生成大型語言模型（LLMs）在臨床領域的零樣本命名實體識別（NER）表現。研究在第八屆生物醫學聯結註解黑客松進行，重點分析Llama 2和Mistral模型，並比較其基本版本與針對特定任務微調的版本。使用的數據集標註了疾病、症狀和醫療程序。結果顯示，經過指示微調的模型在實體識別上表現優於聊天微調和基本模型，且在要求簡單輸出結構時表現也有所提升。 PubMed DOI

這篇論文探討生物醫學文本中的命名實體識別（NER）挑戰，特別是在數據稀缺的情況下。作者指出現有數據增強方法的不足，可能會影響語義，且忽略多尺度句子特徵。為了解決這些問題，他們提出利用ChatGPT生成多樣化的數據，並採用動態卷積捕捉多尺度語義，結合PubMedBERT增強特徵表示。實驗結果顯示，這種方法在四個生物醫學NER數據集上表現優於現有模型，顯示出在數據增強和模型泛化上的有效性。 PubMed DOI

這篇研究發現，用GPT-4o這類大型語言模型，只要給很少範例，就能準確從科學文獻中擷取材料性質資料，還能用資料增強法提升傳統模型表現。研究也分析了錯誤和資料品質，幫助了解實際應用時會遇到的問題。 PubMed DOI

這篇研究比較專有和開源大型語言模型在臨床文本中做 token-level 罕見疾病命名實體識別的表現。研究發現，雖然用了多種技術，LLMs 在這類任務上還是有不少困難，並針對醫療應用提出改進建議。 PubMed

這篇論文提出LLaFS++新架構，首次用大型語言模型（LLMs）來提升少量樣本分割（FSS）效果。透過LLMs的知識，LLaFS++能克服標註資料少的問題，分割表現更好。架構有多項創新設計，像是直接輸出多邊形、區域-屬性表、多模態引導、課程學習結合偽樣本合成，以及新推論方法減少過度分割。實驗結果在多個基準上都拿下最佳表現，展現LLMs在少量樣本視覺任務的潛力。 PubMed DOI

這項研究比較GPT-4等大型語言模型，和專為材料科學設計、經過微調的模型（如MatSciBERT、DeBERTa）在材料疲勞資料集上的命名實體辨識能力。結果顯示，針對任務微調的模型表現明顯較佳，基礎模型的上下文學習效果則高度依賴範例品質。領域預訓練對提升NER表現非常重要。 PubMed DOI