A large language model framework to uncover underreporting in traffic crashes.
一個大型語言模型框架以揭示交通事故的低報告情況。 J Safety Res 2025-02-22

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

Inspiration in human reasoning logic: Automating the inference and analysis of traffic accident information via macro-micro integration.
人類推理邏輯的啟發：透過巨觀-微觀整合自動化推論與分析交通事故資訊 Traffic Inj Prev 2025-04-22

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

Collision risk prediction and takeover requirements assessment based on radar-video integrated sensors data: A system framework based on LLM.
基於雷達-影像整合感測器數據的碰撞風險預測與接管需求評估：一個基於LLM的系統架構 Accid Anal Prev 2025-05-06

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

Causal Intervention Is What Large Language Models Need for Spatio-Temporal Forecasting.
大型語言模型在時空預測上所需的是因果介入 IEEE Trans Cybern 2025-05-29

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

The need for guardrails with large language models in pharmacovigilance and other medical safety critical settings.
在藥物警戒及其他醫療安全關鍵情境中應設置大型語言模型的防護措施之必要性 Sci Rep 2025-07-30

大型語言模型雖然能協助知識型工作，但有時會產生錯誤資訊，對藥物安全來說風險很高。我們開發的防護機制能偵測問題資料、錯誤藥品或事件名稱，並表達不確定性。這些機制已整合進針對不良事件通報微調的模型中，有效降低關鍵錯誤，提升醫療安全與符合法規。 PubMed DOI

原始文章

站上相關主題文章列表