Neural at ArchEHR-QA 2026: 一种适用于所有临床问答的统一提示优化方法
机器学习
2026-05-12 v1 信息论
math.IT
摘要
自动化在电子健康记录 (EHR) 上的问答任务需要精准的证据检索、忠实的答案生成以及答案在临床笔记中的显式依托。在本工作中，我们提出Neural1.5，作为ArchEHR-QA 2026共享任务在CL4Health@LREC 2026的解决方案，涵盖四个子任务：问题解释、证据识别、答案生成和证据对齐。我们的ethods将任务分解为独立的模块化阶段，采用DSPy的MIPROv2优化器自动发现高性能提示，联合调优每个阶段的指令和少量演示。在每个阶段内，针对多个随机推理运行的自一致性投票抑制虚假错误，提高可靠性；同时采用阶段特定的验证机制（如自反思和链式验证用于对齐）进一步细化输出质量。在所有参赛且完成所有四个子任务的队伍中，我们的方法整体排名第二（平均排名4.00），分别在子任务1-4中排名4th、1st、4th和7th。这些结果表明，系统化的、按阶段优化的提示方法结合自一致性机制，是多方位临床问答中一种成本效益高的替代方案，无需进行模型微调。
引用
@article{arxiv.2605.10878,
title = {Neural Weight Norm = Kolmogorov Complexity},
author = {Tiberiu Musat},
journal= {arXiv preprint arXiv:2605.10878},
year = {2026}
}