面向用户控制的临床文本生成条件化研究
计算与语言
2025-02-26 v1
摘要
尽管大语言模型 (LLM) 取得了进展，但在临床环境中部署自然语言生成系统仍然具有挑战性，因为这些系统持续表现出幻觉和事实不一致，需要人工监督。本文探讨了使用 LLM 作为人类代理进行自动化数据集增强，以在不增加认知负荷的情况下对 LLM 进行条件化，从而实现临床医生控制。在 BioNLP ACL'24 Discharge Me! 共享任务中，我们通过更高效的训练，以比以往提交更简单的方法取得了新的 SOTA 结果，在没有增强训练的情况下实现了 9% 的相对提升，在使用数据集增强的情况下实现了高达 34% 的相对提升。初步的人工评估进一步支持了我们方法的有效性，突出了增强临床文本生成以实现控制，从而提高相关性、准确性和事实一致性的潜力。
引用
@article{arxiv.2502.17571,
title = {Towards Conditioning Clinical Text Generation for User Control},
author = {Osman Alperen Koraş and Rabi Bahnan and Jens Kleesiek and Amin Dada},
journal= {arXiv preprint arXiv:2502.17571},
year = {2025}
}