論文の概要: Human or LLM as Standardized Patients? A Comparative Study for Medical Education

• arxiv url: http://arxiv.org/abs/2511.14783v1
• Date: Wed, 12 Nov 2025 11:05:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.439923
• Title: Human or LLM as Standardized Patients? A Comparative Study for Medical Education
• Title（参考訳）: 標準化患者としての人間とLLM : 医学教育における比較研究
• Authors: Bingquan Zhang, Xiaoxiao Liu, Yuchi Wang, Lei Zhou, Qianqian Xie, Benyou Wang,
• Abstract要約: EasyMEDは、現実的な対話のための患者エージェント、現実的な一貫性のための補助エージェント、実用的なフィードバックを提供する評価エージェントを組み合わせたマルチエージェントフレームワークである。 実験により,EasyMEDは人間のSP学習結果と一致し,低ベースラインの学生により大きなスキル向上をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 39.27963569219533
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Standardized Patients (SP) are indispensable for clinical skills training but remain expensive, inflexible, and difficult to scale. Existing large-language-model (LLM)-based SP simulators promise lower cost yet show inconsistent behavior and lack rigorous comparison with human SP. We present EasyMED, a multi-agent framework combining a Patient Agent for realistic dialogue, an Auxiliary Agent for factual consistency, and an Evaluation Agent that delivers actionable feedback. To support systematic assessment, we introduce SPBench, a benchmark of real SP-doctor interactions spanning 14 specialties and eight expert-defined evaluation criteria. Experiments demonstrate that EasyMED matches human SP learning outcomes while producing greater skill gains for lower-baseline students and offering improved flexibility, psychological safety, and cost efficiency.
• Abstract（参考訳）: 標準化患者(SP)は臨床技能訓練に欠かせないが、高価で柔軟性がなく、拡張が困難である。 既存の大言語モデル(LLM)ベースのSPシミュレータは、コストの低減を約束するが、一貫性のない振る舞いを示し、人間SPと厳密な比較をしていない。 本稿では,現実的な対話のための患者エージェント,現実的な一貫性のための補助エージェント,実用的なフィードバックを提供する評価エージェントを組み合わせたマルチエージェントフレームワークEasyMEDを提案する。 本研究では,14の専門分野と8つの専門家定義評価基準にまたがる実SP-ドクター相互作用のベンチマークであるSPBenchを紹介する。 実験により、EasyMEDは人間のSP学習結果と一致し、低ベースラインの学生により大きなスキル向上をもたらし、柔軟性、心理的安全性、コスト効率を改善した。

関連論文リスト

• LLMs Can Simulate Standardized Patients via Agent Coevolution [8.539733225671059]
  標準化された患者(SP)を用いた医療従事者の養成は、依然として複雑な課題である。 EvoPatientは、患者エージェントと医師エージェントがマルチターン対話を通じて診断プロセスをシミュレートする、新しいシミュレートされた患者フレームワークである。 我々のフレームワークは、既存の推論手法を10%以上改善し、要求アライメントと人間の嗜好を改善する。
  論文  参考訳（メタデータ） (2024-12-16T12:36:47Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Automatic Interactive Evaluation for Large Language Models with State Aware Patient Simulator [21.60103376506254]
  大きな言語モデル(LLM)は、人間の相互作用において顕著な熟練性を示している。 本稿では,SAPS(State-Aware patient Simulator)とAIE(Automated Interactive Evaluation)フレームワークを紹介する。 AIEとSAPSは、多ターン医師-患者シミュレーションを通じてLCMを評価するための動的で現実的なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2024-03-13T13:04:58Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)

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。