論文の概要: Establishing Trust in ChatGPT BioMedical Generated Text: An
Ontology-Based Knowledge Graph to Validate Disease-Symptom Links
- arxiv url: http://arxiv.org/abs/2308.03929v1
- Date: Mon, 7 Aug 2023 22:13:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 14:44:45.956831
- Title: Establishing Trust in ChatGPT BioMedical Generated Text: An
Ontology-Based Knowledge Graph to Validate Disease-Symptom Links
- Title（参考訳）: chatgptバイオメディカル生成テキストの信頼の確立 : 疾患-シンプトムリンクを検証するオントロジに基づく知識グラフ
- Authors: Ahmed Abdeen Hamed and Alessandro Crimi and Magdalena M. Misiak and
Byung Suk Lee
- Abstract要約: 我々は,医療文献とAI生成コンテンツから知識グラフを構築した。
ファクトチェックアルゴリズムとネットワーク中央値を用いてGPT病症状リンク分析を行った。
- 参考スコア（独自算出の注目度）: 65.50007441329076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Methods: Through an innovative approach, we construct ontology-based
knowledge graphs from authentic medical literature and AI-generated content.
Our goal is to distinguish factual information from unverified data. We
compiled two datasets: one from biomedical literature using a "human disease
and symptoms" query, and another generated by ChatGPT, simulating articles.
With these datasets (PubMed and ChatGPT), we curated 10 sets of 250 abstracts
each, selected randomly with a specific seed. Our method focuses on utilizing
disease ontology (DOID) and symptom ontology (SYMP) to build knowledge graphs,
robust mathematical models that facilitate unbiased comparisons. By employing
our fact-checking algorithms and network centrality metrics, we conducted GPT
disease-symptoms link analysis to quantify the accuracy of factual knowledge
amid noise, hypotheses, and significant findings.
Results: The findings obtained from the comparison of diverse ChatGPT
knowledge graphs with their PubMed counterparts revealed some interesting
observations. While PubMed knowledge graphs exhibit a wealth of disease-symptom
terms, it is surprising to observe that some ChatGPT graphs surpass them in the
number of connections. Furthermore, some GPT graphs are demonstrating supremacy
of the centrality scores, especially for the overlapping nodes. This striking
contrast indicates the untapped potential of knowledge that can be derived from
AI-generated content, awaiting verification. Out of all the graphs, the factual
link ratio between any two graphs reached its peak at 60%.
Conclusions: An intriguing insight from our findings was the striking number
of links among terms in the knowledge graph generated from ChatGPT datasets,
surpassing some of those in its PubMed counterpart. This early discovery has
prompted further investigation using universal network metrics to unveil the
new knowledge the links may hold.
- Abstract（参考訳）: 方法: 革新的アプローチにより, 真正な医学文献とAI生成コンテンツからオントロジーに基づく知識グラフを構築する。
我々の目標は、事実情報を検証されていないデータと区別することです。
そこで我々は,「人体疾患と症状」クエリを用いて生医学文献から収集した2つのデータセットと,ChatGPTによる記事のシミュレーションを行った。
これらのデータセット(PubMedとChatGPT)を用いて、それぞれ10セットの抽象化をキュレートし、ランダムに選択した。
本手法は, 疾患オントロジー (DOID) と症状オントロジー (SYMP) を利用して知識グラフを構築することに焦点を当てる。
ファクトチェックアルゴリズムとネットワーク集中度指標を用いて,GPT病症状リンク分析を行い,ノイズ,仮説,有意な発見の事実知識の精度を定量化した。
結果:ChatGPT知識グラフとPubMed知識グラフを比較した結果,興味深い観察結果が得られた。
PubMedの知識グラフは病気症状の用語が豊富に存在するが、いくつかのChatGPTグラフが接続数でそれらを上回っているのは驚きである。
さらに、いくつかのGPTグラフは、特に重なり合うノードに対して、集中度スコアの優位性を示している。
この顕著なコントラストは、AI生成コンテンツから得られる知識の未発見の可能性を示し、検証を待っている。
すべてのグラフのうち、任意の2つのグラフ間の事実的リンク比はピークの60%に達した。
結論: 私たちの調査から得られた興味深い洞察は、ChatGPTデータセットから生成された知識グラフにおける用語間のリンク数が、PubMedのそれを上回ることだった。
この早期発見は、リンクが保持する可能性のある新しい知識を明らかにするためにユニバーサルネットワークメトリクスを使用したさらなる調査を促した。
関連論文リスト
- DEMASQ: Unmasking the ChatGPT Wordsmith [63.8746084667206]
そこで本研究では,ChatGPT生成内容を正確に識別する効果的なChatGPT検出器DEMASQを提案する。
提案手法は, 人為的, 機械的, 人為的, 人為的, 機械的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人
論文 参考訳（メタデータ） (2023-11-08T21:13:05Z) - Assessing the Promise and Pitfalls of ChatGPT for Automated Code
Generation [2.0400340435492272]
本稿では,著名な大規模言語モデルであるChatGPTのコード生成能力を総合的に評価する。
5つのカテゴリにまたがる131のコード生成プロンプトのデータセットをキュレートして、堅牢な分析を可能にした。
コードソリューションはChatGPTと人間によってすべてのプロンプトで生成され、262のコードサンプルが得られた。
論文 参考訳（メタデータ） (2023-11-05T12:56:40Z) - Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。
遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。
記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。
知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
論文 参考訳（メタデータ） (2023-09-11T18:05:12Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳（メタデータ） (2023-09-01T22:08:32Z) - To ChatGPT, or not to ChatGPT: That is the question! [78.407861566006]
本研究は,ChatGPT検出における最新の手法を包括的かつ現代的に評価するものである。
我々は、ChatGPTと人間からのプロンプトからなるベンチマークデータセットをキュレートし、医療、オープンQ&A、ファイナンスドメインからの多様な質問を含む。
評価の結果,既存の手法ではChatGPT生成内容を効果的に検出できないことがわかった。
論文 参考訳（メタデータ） (2023-04-04T03:04:28Z) - Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。
本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。
提案手法により,下流タスクの性能が大幅に向上した。
論文 参考訳（メタデータ） (2023-03-08T03:56:31Z) - The Digitalization of Bioassays in the Open Research Knowledge Graph [6.508148285794385]
ORKG-assaysはPythonで書かれたAIマイクロサービスである。
AIベースのクラスタリングアルゴリズムを使用しており、900以上のバイオアッセイと5,514のユニークなプロパティ値ペアを103の述語で比較すると、競合的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2022-03-28T08:35:01Z) - A deep learning classifier for local ancestry inference [63.8376359764052]
局所祖先推論は、個人のゲノムの各セグメントの祖先を特定する。
我々は,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発した。
我々は,既存のゴールド標準ツール RFMix とほぼ同等の精度で,ゼロショットタスクとしてアドミキシングを学習できることを実証した。
論文 参考訳（メタデータ） (2020-11-04T00:42:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。