研究發現使用大型語言模型（LLM）在篩選標題和摘要時效率高且準確。GPT-4 Turbo在比較腦膜炎和敗血症臨床問題時表現優異，速度也比傳統方法快。這顯示LLM輔助篩選可提升系統性回顧效率，減少工作負擔。 PubMed DOI ♡

研究探討如何利用大型語言模型（LLMs）協助資料素養較低者理解複雜的視覺化，結果顯示LLM能有效幫助使用者理解圖表並鼓勵進一步探索。然而，過度依賴LLM代理人可能導致洞察不足，呈現潛在風險。研究建議妥善平衡利用LLMs提升視覺化素養的方法。 PubMed DOI ♡

最近在自然語言處理和人工智慧的進展，使大型語言模型（LLMs）在自動化作文評分（AES）中應用更為廣泛，提供高效且無偏見的評估。本研究評估了LLMs在AES中的可靠性，特別是評分的一致性及其與人類評審者的對齊程度。結果顯示，提示工程對LLMs的可靠性至關重要，且GPT-4的表現優於其他模型，尤其在「想法」和「組織」維度上表現突出。研究建議未來應擴展到不同寫作類型和參與者，以深入了解LLMs在教育中的影響。 PubMed DOI ♡

研究發現大型語言模型（LLMs）在神經學委員會風格考試中，LLM 2比LLM 1表現更好，接近及格分數，有些類別甚至超越人類。兩者在較簡單問題上表現較佳，但在較難問題上表現較差。LLM 2在臨床神經學應用有潛力，顯示在醫療保健領域LLM有發展空間，未來有望更加突顯其價值。 PubMed DOI ♡

在教學和評估中使用大型語言模型（LLMs）時，需注意法律和倫理問題。首先，各大學應制定明確政策，確保使用符合章程和法律。其次，醫學等專業領域需遵循執照規範。著作權法也需遵守，特別是在生成教育材料時。此外，必須遵循資料保護法，確保個人資料安全。學術誠信方面，需防範作弊和抄襲風險，並進行品質控制。最後，教職員應接受相關培訓，調整評估方法以適應LLMs的使用。整體而言，謹慎規範和監控是關鍵。 PubMed DOI ♡

這篇論文探討了利用大型語言模型（LLMs）如GPT來標註文化數據的方法，以便有效分析不同領域的文化現象。研究顯示LLMs在探討人文文化議題上的潛力，能處理複雜數據並解釋不同社會或歷史時期故事中的主題或文本中的心理構造。這些應用展現了LLMs在文化人類學、心理學、歷史學等領域的益處。 PubMed DOI ♡

研究比較了21個大型語言模型（LLMs）在自動文本挖掘生物途徑的效能，專注於基因調控和KEGG途徑辨識。結果顯示，各模型表現不同，像是ChatGPT-4和Claude-Pro這類基於API的模型表現比開源模型好。LLMs在生物醫學研究中有潛力，可用於基因網絡分析和途徑對應，但因性能不同，選擇適合的模型至關重要。 PubMed DOI ♡

這項研究評估了21個大型語言模型（LLMs）在檢索生物知識的有效性，特別針對基因調控和KEGG途徑。隨著生物文獻的快速增長，傳統手動整理已不再足夠，LLMs成為一個有前景的替代方案。 結果顯示，模型性能差異明顯，GPT-4和Claude-Pro在基因調控關係的F1分數分別為0.4448和0.4386，KEGG途徑的Jaccard指數也表現強勁。相比之下，開源模型表現較差。研究強調選擇合適模型的重要性，並提供了LLMs在生物研究中的應用見解，相關代碼已在GitHub上公開。 PubMed DOI ♡

這項研究強調環境科學中創新研究方法的必要性，以應對氣候變遷和生物多樣性喪失等全球挑戰。由於現有文獻的複雜性，識別有意義的研究主題變得困難。傳統文獻計量學無法捕捉新興跨學科領域，但人工智慧（AI）和大型語言模型（LLMs）的進步提供了新機會。研究發現，GPT-3.5在分析環境科學前沿主題上表現更佳，顯示跨學科研究、AI和大數據對解決環境挑戰的重要性。LLMs可成為研究人員的寶貴工具，提供未來研究方向的靈感。 PubMed DOI ♡

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI ♡

這項研究顯示大型語言模型（LLMs），像是GPT，在學術界，特別是醫學領域的使用越來越普遍。調查訪問了來自59個國家的226位參與者，結果發現87.6%的人對LLMs有了解，且這些人發表的論文數量較多。雖然18.7%的人使用LLMs處理語法和格式，但許多人並未在作品中說明。大多數人（50.8%）認為LLMs將對未來有正面影響，尤其在編輯和文獻回顧方面，但也有呼籲制定規範以防止濫用的聲音，強調了建立倫理指導方針的必要性。 PubMed DOI ♡

這項研究評估大型語言模型（LLMs）在從科學文獻中提取生態數據的表現，並與人類審稿人進行比較。結果顯示，LLMs提取相關數據的速度超過50倍，對於離散和類別數據的準確率超過90%。不過，它們在某些定量數據的提取上仍有困難。雖然LLMs能顯著提升建立大型生態數據庫的效率，但仍需額外的質量保證措施來確保數據的完整性。 PubMed DOI ♡

研究探討2020年6月1日至2023年12月31日期間，針對大型語言模型（LLMs）的主題建模方法。使用Web of Science和LexisNexis數據，聚焦於"Large language model"、"LLM"和"ChatGPT"等LLMs。評估LDA、NMF、CTM和BERTopic等方法，發現BERTopic表現最佳。新聞報導著重LLM應用，學術論文則更專業。研究提供LLMs未來挑戰見解，對LLM服務業者有幫助。 PubMed DOI ♡

這項研究評估大型語言模型（LLMs）在急診醫學標準化評估信（SLOEs）競爭力評估中的有效性，並與教職員共識及現有演算法比較。分析了五十份模擬的SLOEs，結果顯示LLM的初步排名與教職員的排名高度相關（r = 0.96），顯示LLM能有效反映教職員的評估。不過，當LLM根據自身標準修正排名後，相關性略降至（r = 0.86）。整體而言，LLM在專家排名上表現一致，且所需的教職員參與程度低，顯示其有潛力簡化SLOE的審查過程。 PubMed DOI ♡

這篇論文介紹了**LitAI**，一種新方法，旨在提升從各種文獻格式（如文本、表格和圖形）中檢索資訊的能力。LitAI 結合了生成式人工智慧工具與光學字符識別（OCR），有效改善從 PDF 文件提取資訊的效果。作者透過特定提示和上下文學習，確保資訊檢索的準確性。實證評估顯示，LitAI 的表現超越了 Tesseract-OCR 和 GPT-4 等現有方法。LitAI 的實作已在 GitHub 上提供，詳情可參考相關連結。 PubMed DOI ♡

研究使用大型語言模型（LLMs）探討基於知識的基因優先順序和選擇，專注於與紅血球特徵相關的血液轉錄模組。結果顯示，OpenAI的GPT-4和Anthropic的Claude在LLMs中表現最佳。研究找出了模組M9.2的頂尖基因候選者，顯示LLMs在基因選擇上的潛力，有助於提升生物醫學知識的應用價值。 PubMed DOI ♡

LLM Comparator 是一款視覺分析工具，透過並排比較來提升對大型語言模型（LLMs）的評估。它解決了 LLM 評估中可擴展性和可解釋性的問題，讓使用者能分析為何某模型表現優於另一模型。這工具與 Google 專業人士合作開發，提供深入分析個別範例的流程，並讓使用者視覺化探索數據，識別模式、形成假設，並獲得改進模型的見解。LLM Comparator 已整合進 Google 的評估平台，並開源供更多人使用。 PubMed DOI ♡

這篇文章探討了人工智慧的興起，特別是大型語言模型（LLMs）對各領域的影響，尤其是在醫學上。像ChatGPT和Bard這類模型，透過大量文本數據訓練，能生成回應，並在科學研究中協助處理醫療數據、診斷及撰寫學術材料。文章也提到LLMs的未來潛力、應用挑戰，以及監控使用以確保道德和有效實施的重要性。 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 ♡

這篇論文探討大型語言模型（LLMs）對自然科學和社會科學的影響，特別是透過生成代理模型（GABMs）模擬人類行為。研究涵蓋網絡科學、演化博弈論等領域，顯示LLMs能預測社會行為、增強合作及模擬疾病傳播。雖然LLMs能模仿公平性和合作，但仍面臨提示敏感性和幻覺等挑戰，影響行為一致性。未來研究應聚焦於完善模型、標準化方法，並探討LLMs與人類互動可能帶來的新合作行為，重塑決策過程。 PubMed DOI ♡