這項研究評估了大型語言模型ChatGPT-4在從微型交通事故的臨床筆記中提取頭盔使用狀態的效果。研究人員比較了文本搜尋和LLM兩種方法，發現低、中等詳細程度的提示下，兩者一致性中等，而高詳細程度則幾乎完美，但耗時較長。LLM在有效性上表現良好，但在可靠性和一致性上仍有問題，經常出現錯誤。總體來說，雖然LLM在信息提取上效率高，但在臨床應用中仍面臨挑戰。 PubMed DOI

這篇論文提出一種新方法，利用大型語言模型（LLMs）、AI代理和開放地理數據，提升城市騎乘安全。方法包括分析城市風險和現有騎乘設施的數據，並透過數據預處理和提示工程，創建友好的系統，提供騎乘安全見解。過程分為數據準備、代理協調和決策執行三步，確保開源工具有效整合，促進城市規劃者和騎士的可及性。研究顯示結合LLMs和AI代理的潛力，能改善騎乘實踐和城市交通規劃。 PubMed DOI

SafeMod是一個新框架，旨在提升自動駕駛的安全性，透過改善複雜環境中的決策和情境管理。它克服了傳統方法的局限，採用雙向規劃結構，包括前向和後向規劃。前向規劃利用大型語言模型預測周圍行為，生成行動預測，並由基於變壓器的規劃器處理，結合文本和影像數據創建駕駛軌跡。後向規劃則透過強化學習精煉這些軌跡，選擇最佳行動。實驗結果顯示，SafeMod在安全性和決策能力上優於其他系統，顯示其在自動駕駛中的潛力。 PubMed DOI

這項研究探討交通事故報告中的低報問題，這會影響交通安全措施的發展。傳統修正方法慢且易出錯，特別是處理大數據時。作者提出一個框架，利用大型語言模型（LLMs）分析事故敘述，識別低報因素，如酒精參與。研究團隊用麻薩諸塞州的500份事故報告進行案例研究，結果顯示高準確率，召回率達1.0，精確率0.93，成功識別低報情況。這方法提升了交通安全分析的效率，未來可改善事故記錄質量，支持更有效的安全對策。 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

這項研究提出一套可解釋的系統（CPTR-LLM），用大型語言模型來預測自駕車的碰撞風險，並判斷駕駛人何時該接手。經過大量數據和兩階段訓練，模型預測準確率高達0.88，也能有效減少不必要或危險的接管。結果顯示，大型語言模型有助提升自駕車的道路安全。 PubMed DOI

時空預測在智慧城市應用很重要，但現有模型常因資料稀疏產生假關聯和幻覺。作者提出 STCInterLLM，透過因果介入編碼器修正假相關，並用創新提示法減少大型語言模型的幻覺，提升因果特徵學習。還有輕量對齊模組確保模型一致性。實驗證明，STCInterLLM 在能源和交通預測上表現最佳。原始碼可在 GitHub 取得。 PubMed DOI