這項研究評估了GPT-3.5這種大型語言模型在自動標記產科事件報告的效果。分析了370份住院產科報告，並以人類標註作為金標準。結果顯示，該模型的敏感度達85.7%，特異度為97.9%，使用了79個標籤，而人類僅用了49個。模型的標籤解釋也有60.8%獲得審核者認可。總體來看，GPT-3.5能提升事件報告系統的數據利用效率，並可能改善病人安全。 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

跌倒是醫院常見的不良事件，對患者及醫療系統影響深遠。本研究旨在利用大型語言模型（LLMs）自動編碼住院跌倒記錄，提取跌倒地點及受傷情況。研究分析了187條跌倒事件，使用GPT-4-turbo模型進行數據分類，結果顯示模型在地點和受傷檢測上表現優異，準確率均超過0.913及0.953。結論指出，GPT模型能有效從未優化文本中提取信息，顯示其在臨床風險管理中的潛力。 PubMed DOI

高處墜落事故是工作場所傷害和死亡的主要原因，特別是在高處作業中。為了降低風險，墜落防護系統（FPS）至關重要，但設計和選擇有效的FPS仍具挑戰。本研究推出了一個針對高處墜落的知識圖譜（FFH-KG），透過整理事故數據，提供實證見解，協助設計師改善FPS設計。FFH-KG結合自然語言處理和機器學習，包含2,200個實體和4,820個關係，為安全規劃提供堅實基礎，並在案例研究中驗證其有效性，推動智能安全工程的進展。 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

這個專案用標準化流程和大型語言模型來分析MAUDE資料庫裡醫療器材報告的自由敘述，提升事件分類的準確率和效率。以內視鏡黏膜切除術為例，這方法也能應用到其他醫材。不過，若要做更全面的病人安全研究，還需要更多元且大量的報告樣本。 PubMed DOI

這項研究用機器學習分析職場問卷，提出新特徵選擇法，找出39個關鍵壓力指標，並結合多種模型，準確率超過九成，優於過去研究。方法經多重驗證，對新資料也有效。研究還用1D-CNN和創新資料轉換，讓語言模型能處理問卷資料。結果顯示，壓力和生物醫學因素關聯高，主要壓力來自工作量、溝通和環境。只需問卷即可即時監測職場壓力，實用性高。 PubMed DOI

**重點整理：** 大型語言模型可以準確分類安全事件通報（例如：職場暴力、溝通失誤），協助醫療機構快速掌握安全趨勢，並透過自動化分析來提升職場安全。 PubMed

這項研究比較了ChatGPT-3.5和4在職業風險預防選擇題的表現，GPT-3.5正確率56.8%，GPT-4為73.9%。兩者在專業題目上都容易出錯，且錯誤類型相似。雖然GPT-4表現較好，但在職業健康領域應用上仍有限。建議持續驗證、訓練和針對地區調整，以提升可靠度。 PubMed DOI

這項研究發現，微調過的BERT模型在分類病人安全事件報告時，比傳統CNN模型更能準確辨識罕見事件和嚴重程度，且在新資料上也有不錯表現。即使資料量少或分布不均，BERT只用預設參數就能有很好的效果，顯示其在醫療文本分類上相當有潛力。 PubMed DOI