De effecten van een groot taalmodel op klinische vraagvaardigheden

Op dit moment is de belangrijkste vorm van onderwijs in klinische vraagstellingsvaardigheden het laten studenten die deelnemen aan de stage eerst de kenmerken en diagnostische punten van casussen leren, en vervolgens oefenen met het stellen van vragen op echte patiënten op de afdelingen. Vanwege het grote aantal studenten in opleiding is het echter moeilijk om aan de vraag naar onderwijs te voldoen in termen van het aantal gevallen dat beschikbaar is voor ondervraging en de rijkdom aan ziektetypen onder de huidige onderwijsvorm. Daarom is het noodzakelijk om nieuwe intelligente technologieën te gebruiken en een nieuw model te creëren voor het onderwijzen van vaardigheden om de onderwijsefficiëntie te verbeteren en het klinische denken van studenten te verbeteren.

Large Scale Language Modeling (LLM) is een deep learning-technologie die kennis kan leren uit een grote hoeveelheid tekst, en AI-chatbots zoals ChatGPT zijn een typisch voorbeeld van de toepassing ervan. AI-chatbots worden gekenmerkt door antropomorf begrip en gediversifieerde vaardigheden voor het genereren van natuurlijke taal in verschillende contexten, en zijn aanvankelijk toegepast op medisch gebied, zoals het behalen van het Amerikaanse Medical Licensing Examination, het assisteren bij oogheelkundige geschiedenisdocumentatie en het beantwoorden van oogvragen. Er is echter gebleken dat, hoewel LLM redelijke modelleringsprestaties levert op het gebied van algemene medische kennis, het nog steeds moet worden verbeterd op het gebied van specialistische ziekten. Op basis hiervan heeft het team van de onderzoeker in een vroeg stadium gebruik gemaakt van het leerboek oogheelkunde, de consensus over de klinische richtlijnen, de internetconversatiegegevens en de kennisbank van het Zhongshan Ophthalmology Center, gecombineerd met kunstmatige feedbackversterking en andere technieken om de LLM te verfijnen en te trainen. , en ontwikkelde "Digital Twin Patient", een gelokaliseerd groottaalmodel dat de mogelijkheid heeft om oogheelkundegerelateerde medische vragen te beantwoorden, en bouwde ook een combinatie van geautomatiseerde modelevaluatie en handmatige evaluatie door medische experts. Tegelijkertijd werd het evaluatiesysteem gebouwd dat geautomatiseerde modelevaluatie en handmatige evaluatie door medische experts combineert.

Dit project is bedoeld om "Digital Twin Patient" te integreren in de bacheloropleiding oogheelkunde, het consultatieproces van echte patiënten te simuleren via de online interactie tussen studenten en "Digital Twin Patient", het effect van consultatieonderwijs voor "Digital Twin Patient" te onderzoeken, opkomende technologie aan te bieden hulpmiddelen om medische studenten te begeleiden bij het actief leren van een verscheidenheid aan gevallen van oogheelkunde, het cultiveren van klinisch denken en het bieden van de mogelijkheid om een ​​nieuwe manier van intelligent lesgeven te creëren.