面向精神科短期复读的方面导向总结

近期大型语言模型（LLM）的进展使得即使没有针对特定任务的数据集进行监督训练，也能够自动处理冗长文档。然而，它们在复杂任务上的零样本性能仍低于简单的信息提取任务。一种可行的方法是首先对文档进行总结，然后对总结进行监督式微调。然而，总结过程不可避免地会导致信息损失。本研究提出了一种处理长文档总结的方法，以捕获原文档中不同重要方面的信息。我们假设，针对不同方面导向提示生成的 LLM 总结包含不同的信息信号，并提出了测量这些差异的方法。我们介绍了有效整合这些不同总结中信号的方法，用于监督式 transformer 模型训练。我们在四家医院的真实世界数据上验证了这些假设，验证了我们的方法在预测患者结果这一高影响力任务上的有效性。