SPeC：一种基于软提示校准大语言模型在临床笔记摘要中性能变异性的方法
计算与语言
2023-08-07 v3 人工智能
机器学习
摘要
电子健康记录（EHRs）存储了广泛的患者信息，涵盖病史、诊断、治疗和检测结果。这些记录对于使医疗提供者能够就患者护理做出明智决策至关重要。总结临床笔记进一步协助医疗专业人员 pinpoint 潜在健康风险并做出更明智的决策。该过程通过确保提供者能获取最相关和最新的患者数据，有助于减少错误并改善患者预后。近期研究表明，将提示与大语言模型（LLMs）结合可显著提升摘要任务效能。然而，我们展示该方法亦导致输出方差增大，即便提示含义相近也会产生显著分歧的输出。为应对此挑战，我们引入一种模型无关的基于软提示的校准（SPeC）流程，其利用软提示降低方差，同时保留基于提示摘要的优势。在多个临床笔记任务和 LLMs 上的实验结果表明，我们的方法不仅提升性能，还有效抑制了多种 LLMs 的方差，为总结关键医疗信息提供了更统一可靠的解决方案。
引用
@article{arxiv.2303.13035,
title = {SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization},
author = {Yu-Neng Chuang and Ruixiang Tang and Xiaoqian Jiang and Xia Hu},
journal= {arXiv preprint arXiv:2303.13035},
year = {2023}
}