LLM 在医学教育中的潜力：用于资格考试的问题生成
量子物理
2025-06-24 v4
摘要
本文我们利用大语言模型 (LLM) 通过少样本提示生成医学资格考试问题及其对应的答案，深入探讨了 LLM 在连贯性、论证依据、事实一致性和专业性等方面的表现。我们运用来自多中心的双向匿名数据库——Elderly Comorbidity Medical Database (CECMed)，让 LLM 根据抽样 admission 报告生成开放式问题和答案。CECMed 的回顾性队列包括 2010 年 1 月至 2022 年 1 月的患者，纵向队列则从 2023 年 1 月至 2023 年 11 月，来自中国南方、北方和中部地区的若干三级和社区医院的受试者均纳入其中。共使用 8 个广泛使用的 LLM，包括ERNIE 4、ChatGLM 4、Doubao、Hunyuan、Spark 4、Qwen 等。常规医学教育需要专业医生根据电子健康记录 (EHR) 中的原型制作问题和答案，这是一种经验性且耗时的做法。我们发现，主流 LLM 能在接近医生水平的情况下生成真实 EHR 背景的问题和答案。尽管当前 LLM 在某些方面表现不佳，但医学生、实习生和住院医生可以合理地利用 LLM 来促进理解。
引用
@article{arxiv.2410.23768,
title = {Nonreciprocal transmission in hybrid atomic ensemble-optomechanical systems},
author = {E. Kongkui Berinyuy and Jia-Xin Peng and P. Djorwe and Abdourahimi and A. -H. Abdel-Aty and K. S. Nisar and S. G. N. Engo},
journal= {arXiv preprint arXiv:2410.23768},
year = {2025}
}