基于大语言模型的角色扮演用于个性化医学术语提取
计算与语言
2024-08-13 v1
摘要
先前研究表明，电子健康记录（EHR）虽已在美国被广泛采用以允许患者访问个人医疗信息，但由于医学术语的普遍存在，其对患者的可读性并不高。通过识别对每个人而言难以理解的术语来定制医学笔记，将增强生成模型的效用。我们首次对大语言模型（LLM）中的角色扮演在医学术语提取中的影响进行了定量分析。通过对Mechanical Turk工作者在20个句子上的结果进行比较，我们的研究表明，LLM角色扮演在14种不同社会人口背景中95%的情况下提升了F1分数。此外，结合上下文学习的角色扮演优于先前最先进的模型。我们的研究表明，ChatGPT可以通过利用角色扮演来提供个性化患者教育，从而改进传统的医学术语提取系统，这是先前模型未能实现的潜力。
引用
@article{arxiv.2408.05555,
title = {Large Language Model-based Role-Playing for Personalized Medical Jargon Extraction},
author = {Jung Hoon Lim and Sunjae Kwon and Zonghai Yao and John P. Lalor and Hong Yu},
journal= {arXiv preprint arXiv:2408.05555},
year = {2024}
}
备注
17 pages, 3 figures, 3 tables