原子化事实核查提升临床医生对肿瘤学决策支持中大型语言模型推荐的信任：一项随机对照试验
计算与语言
2026-05-06 v1 人工智能
摘要
问题：与传统的可解释性方法相比，原子化事实核查（将 AI 治疗推荐分解为与源指南文档关联的独立可验证声明）是否能提升临床医生的信任？发现：在一项涉及 356 名临床医生产生 7,476 项信任评级的随机试验中，原子化事实核查对信任产生了大效应（Cohen's d = 0.94），表达信任的临床医生比例从 26.9% 提升至 66.5%。传统透明度机制相对于基线显示出剂量-反应梯度的改善（d = 0.25 至 0.50）。意义：在高风险临床决策中，将 AI 推荐分解为与源指南关联的独立可验证声明，比传统可解释性方法产生显著更高的临床医生信任。
引用
@article{arxiv.2605.03916,
title = {Atomic Fact-Checking Increases Clinician Trust in Large Language Model Recommendations for Oncology Decision Support: A Randomized Controlled Trial},
author = {Lisa C. Adams and Linus Marx and Erik Thiele Orberg and Keno Bressem and Sebastian Ziegelmayer and Denise Bernhardt and Markus Graf and Marcus R. Makowski and Stephanie E. Combs and Florian Matthes and Jan C. Peeken},
journal= {arXiv preprint arXiv:2605.03916},
year = {2026}
}
备注
28 pages, 5 figures, 2 tables, supplement will be made available upon original publication