系統性回顧（SR）在綜合醫學文獻中非常重要，但手動篩選文章耗時。大型語言模型（LLMs）有潛力協助篩選相關文獻，雖然目前效果仍在研究中。本研究比較了18種LLMs與人類審稿者在三個SR中的選擇重疊情況。結果顯示，LLMs雖然識別的文章數量較少，但仍能正確分類相當多的標題和摘要。LLMs的表現受納入標準和回顧設計影響，能減輕人類審稿者的工作量，範圍從33%到93%不等。為了提升效果，需在使用前精煉標準。 PubMed DOI

大型語言模型（LLMs）在學術研究中有助於提升效率，特別是在系統性回顧方面。本研究比較了兩種基於LLM的系統性回顧方法：完全自動化（LLM-FA）和半自動化（LLM-SA）。結果顯示，LLM-FA的效果有限，僅識別出32.7%至6.1%的相關論文；而LLM-SA則表現更佳，成功納入82.7%的相關論文，並有效排除92.2%的不相關論文。這顯示LLMs雖無法獨立完成任務，但可作為提升論文選擇效率的輔助工具。 PubMed DOI

機器學習，特別是大型語言模型（LLMs），越來越受到重視，能協助健康研究中的系統性回顧（SR）。研究團隊在多個資料庫中搜尋，自2021年4月以來共找到8,054個結果，並手動補充33篇，最終納入37篇專注於LLM應用的文章。分析顯示，LLMs在SR的13個步驟中使用了10個，最常見的應用為文獻搜尋、研究選擇和數據提取。雖然LLMs顯示潛力，但許多應用尚未經過驗證，顯示出這一領域的研究需求日益增加。 PubMed DOI

您開發了一個大型語言模型（LLM）輔助的系統，專門用於健康技術評估（HTA）的系統性文獻回顧（SLR）。這個系統包含五個模組，從文獻搜尋到數據總結，並具有人機協作的設計，能根據LLM與人類審查者的意見調整PICOs標準。經過四組數據評估，系統在摘要篩選中表現優異，達到90%的敏感度和82的F1分數，顯示出與人類審查者的高一致性。這個AI輔助系統有潛力簡化SLR過程，降低時間和成本，並提升證據生成的準確性。 PubMed DOI

應對全球環境保護挑戰，需要迅速將自然科學與社會科學的證據轉化為可行政策。然而，科學產出快速增加及報告標準差異，使跨學科證據整合變得複雜。近期在自然語言處理、機器學習及數據挖掘的進展，為提升社會科學中證據整合效率提供了希望。 本文探討如何利用這些技術自動化證據整合過程，包括文獻查詢及處理非結構化數據。儘管如此，關於混合人工智慧系統在保護工作中的有效與負責任使用，仍存在倫理與實際問題，解決這些問題對於發揮技術優勢至關重要。 PubMed DOI

生活證據綜合（LES）是一種定期更新系統性回顧的方法，雖然有工具能自動搜尋文章，但數據提取仍需手動進行。本文介紹了一個使用Python和ChatGPT的概念驗證程式，能自動化從期刊文章中提取數據，顯著縮短時間並保持準確性。我們在估算COVID-19潛伏期的研究中測試了此程式，並討論了其限制，如信息量及AI處理速度。這項研究為AI在科學研究中的應用提供了新視角，探討了提升數據處理效率的潛力。 PubMed DOI

環境科學中的系統性回顧面臨挑戰，因為不同學科的方法和術語不一致，影響證據篩選的透明度和可重複性。為了解決這個問題，我們開發了一個AI輔助的證據篩選框架，並以溪流糞便大腸桿菌濃度與土地使用的關係為案例。透過微調ChatGPT-3.5 Turbo模型，我們在篩選120篇文章時，發現AI與專家之間有顯著一致性，顯示出AI在篩選中的潛力。這個框架能提高篩選效率，減少成本，並為AI在環境研究中的應用提供新方向。 PubMed DOI

這篇研究發現，大型語言模型（LLMs）能自動化文獻篩選和資訊擷取，顯著提升數位健康科技（DHTs）相關隨機對照試驗（RCTs）文獻回顧的效率。不過，DHT在實際醫療應用上還有待克服一些挑戰。 PubMed

大型語言模型對澳洲傳染病管理很有幫助，能處理複雜資訊，但要安全有效，需有明確的實證、法規和指引。像檢索增強生成這類AI技術，還能進一步降低風險、提升效益。 PubMed DOI

用開源大型語言模型自動產生PICOS摘要，可以大幅提升系統性文獻回顧的篩選效率和準確度。審查者有PICOS摘要輔助，篩選速度快75%，敏感度和準確性也更高。即使經驗較少，只要有PICOS摘要，表現也優於沒用PICOS摘要的資深審查者。建議未來可在其他領域推廣應用。 PubMed DOI