論文の概要: MedAI Dialog Corpus (MEDIC): Zero-Shot Classification of Doctor and AI Responses in Health Consultations

• arxiv url: http://arxiv.org/abs/2310.12489v1
• Date: Thu, 19 Oct 2023 05:48:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-20 16:47:58.173937
• Title: MedAI Dialog Corpus (MEDIC): Zero-Shot Classification of Doctor and AI Responses in Health Consultations
• Title（参考訳）: MedAI Dialog Corpus (MEDIC):医療相談における医師とAI反応のゼロショット分類
• Authors: Olumide E. Ojo, Olaronke O. Adebanji, Alexander Gelbukh, Hiram Calvo, Anna Feldman
• Abstract要約: 本稿では,医療相談における医師やAIからの回答を正確に分類するための事前学習言語モデルの有効性について検討する。 本研究の目的は、テキストが特定のコーパストレーニングなしで人間またはAIモデルに由来するかどうかを、これらのモデルが効果的に検出できるかどうかを判定することである。
• 参考スコア（独自算出の注目度）: 44.669251100016986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot classification has enabled the classification of text into classes that were not seen during training. In this paper, we investigate the effectiveness of pre-trained language models to accurately classify responses from Doctors and AI in health consultations through zero-shot learning. Our study aims to determine whether these models can effectively detect if a text originates from human or AI models without specific corpus training. For our experiments, we collected responses from doctors to patient inquiries about their health and posed the same question/response to AI models. Our findings revealed that while pre-trained language models demonstrate a strong understanding of language generally, they may require specific corpus training or other techniques to achieve accurate classification of doctor- and AI-generated text in healthcare consultations. As a baseline approach, this study shows the limitations of relying solely on zero-shot classification in medical classification tasks. This research lays the groundwork for further research into the field of medical text classification, informing the development of more effective approaches to accurately classify doctor- and AI-generated text in health consultations.
• Abstract（参考訳）: ゼロショット分類は、訓練中に見られなかったクラスにテキストの分類を可能にする。 本稿では,ゼロショット学習による健康相談における医師とaiの反応を正確に分類する事前学習言語モデルの有効性について検討する。 本研究の目的は、テキストが特定のコーパストレーニングなしで人間またはAIモデルに由来するかどうかを効果的に検出できるかどうかを判断することである。 実験では、医師から患者の健康に関する質問に対する回答を収集し、AIモデルに同じ質問/回答を提出した。 以上の結果から,事前学習した言語モデルでは言語に対する理解が強かったが,医療相談における医師やAI生成テキストの正確な分類を実現するためには,特定のコーパストレーニングなどの技術が必要である可能性が示唆された。 本研究は, 医用分類タスクにおいて, ゼロショット分類のみに依存する限界を示す。 本研究は、医学テキスト分類分野のさらなる研究の基盤を築き、医療相談における医師およびAI生成テキストを正確に分類するための、より効果的なアプローチの開発を促す。

関連論文リスト

• AI in radiological imaging of soft-tissue and bone tumours: a systematic review evaluating against CLAIM and FUTURE-AI guidelines [1.5332408886895255]
  軟部腫瘍と骨腫瘍 (STBT) は稀で, 診断に難渋する病変であり, 様々な臨床症状と治療のアプローチがある。 本稿では,これらの腫瘍の診断と予後のための放射線画像を用いた人工知能(AI)法の概要について概説する。
  論文  参考訳（メタデータ） (2024-08-22T15:31:48Z)
• Explanatory Argument Extraction of Correct Answers in Resident Medical Exams [5.399800035598185]
  本稿では, 正しい回答に対する説明的議論だけでなく, 誤った回答が正しい理由を推論するための議論を含む新しいデータセットを提案する。 このベンチマークにより,医師が作成した正しい回答の説明を識別する新しい抽出タスクを構築できる。
  論文  参考訳（メタデータ） (2023-12-01T13:22:35Z)
• Designing Interpretable ML System to Enhance Trust in Healthcare: A Systematic Review to Proposed Responsible Clinician-AI-Collaboration Framework [13.215318138576713]
  論文は、解釈可能なAIプロセス、方法、応用、および医療における実装の課題についてレビューする。 医療における堅牢な解釈可能性アプローチの重要な役割を包括的に理解することを目的としている。
  論文  参考訳（メタデータ） (2023-11-18T12:29:18Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)
• CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
  中国初のバイオメディカル言語理解評価ベンチマークを提示する。 名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。 本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-15T12:25:30Z)
• Automated Lay Language Summarization of Biomedical Scientific Reviews [16.01452242066412]
  健康リテラシーは適切な健康判断と治療結果の確保において重要な要素として浮上している。 医療用語とこのドメインの専門言語の複雑な構造は、健康情報を解釈するのが特に困難にします。 本稿では,生物医学的レビューの要約を自動生成する新しい課題について紹介する。
  論文  参考訳（メタデータ） (2020-12-23T10:01:18Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。