患者真正在问什么：探究患者信息寻求中错误假设的影响
计算与语言
2026-03-19 v2
摘要
患者越来越多地使用大语言模型（LLMs）来寻求其医疗保健相关问题的答案。然而，针对大语言模型问答能力的基准测试工作通常侧重于医学考试问题，这些问题在风格和内容上与患者在现实生活中实际提出的问题存在显著差异。为弥合这一差距，我们通过查询美国处方量前 200 名的药物，从谷歌的“用户还问了以下问题”功能中获取数据，整理了一个人们常问的医疗问题数据集。收集到的问题中有相当一部分包含错误的假设和危险的意图。我们证明，这些被污染的问题的出现并非均匀随机，而是在很大程度上取决于导致其出现的问题历史中的错误程度。当前在其他基准测试中表现强劲的大语言模型，在识别日常问题中的错误假设方面仍存在困难。
引用
@article{arxiv.2601.15674,
title = {What Patients Really Ask: Exploring the Effect of False Assumptions in Patient Information Seeking},
author = {Raymond Xiong and Furong Jia and Lionel Wong and Monica Agrawal},
journal= {arXiv preprint arXiv:2601.15674},
year = {2026}
}