LAVA：面向死亡原因确定的语言模型辅助口述自体
计算与语言
2025-09-12 v1 应用统计
摘要
口述自体(VA)是资源受限环境中估计死亡原因的关键工具。本研究提出了 LA-VA，一个将大语言模型(LLM)与传统算法方法和基于嵌入的分类相结合的 proof-of-concept pipeline，用于 improved 死亡原因预测。我们使用 Population Health Metrics Research Consortium(PHMRC)数据集，涵盖三个年龄类别(成人：7,580；儿童：1,960；新生儿：2,438)，评估了多个方法：GPT-5 预测、LCVA 基线、文本嵌入和 meta-learner 集成。我们的结果显示，GPT-5 以最高的单一性能实现了 48.6%(成人)、50.5%(儿童)和 53.5%(新生儿)的平均测试站准确率，超越传统统计机器学习基线 5-10%。我们的发现表明，简单地使用即插即用的 LLM 辅助方法可显著提高口述自体准确率，对低资源环境的全球健康监测具有重要意义。
引用
@article{arxiv.2509.09602,
title = {LAVA: Language Model Assisted Verbal Autopsy for Cause-of-Death Determination},
author = {Yiqun T. Chen and Tyler H. McCormick and Li Liu and Abhirup Datta},
journal= {arXiv preprint arXiv:2509.09602},
year = {2025}
}