論文の概要: Medication counseling with large language models: balancing flexibility and rigidity

• arxiv url: http://arxiv.org/abs/2601.11544v1
• Date: Tue, 02 Dec 2025 13:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.748786
• Title: Medication counseling with large language models: balancing flexibility and rigidity
• Title（参考訳）: 大きな言語モデルによる医療カウンセリング:柔軟性と剛性のバランス
• Authors: Joar Sabel, Mattias Wingren, Andreas Lundell, Sören Andersson, Sara Rosenberg, Susanne Hägglund, Linda Estman, Malin Andtfolk,
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェアエージェントの機能を大幅に強化した。 医薬カウンセリングを目的としたプロトタイプシステムを提案する。 我々は,会話の要求を満たすこと,幻覚を減らし,高品質な応答を促進することを目的とした手法に着目する。
• 参考スコア（独自算出の注目度）: 0.22485007639406515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The introduction of large language models (LLMs) has greatly enhanced the capabilities of software agents. Instead of relying on rule-based interactions, agents can now interact in flexible ways akin to humans. However, this flexibility quickly becomes a problem in fields where errors can be disastrous, such as in a pharmacy context, but the opposite also holds true; a system that is too inflexible will also lead to errors, as it can become too rigid to handle situations that are not accounted for. Work using LLMs in a pharmacy context have adopted a wide scope, accounting for many different medications in brief interactions -- our strategy is the opposite: focus on a more narrow and long task. This not only enables a greater understanding of the task at hand, but also provides insight into what challenges are present in an interaction of longer nature. The main challenge, however, remains the same for a narrow and wide system: it needs to strike a balance between adherence to conversational requirements and flexibility. In an effort to strike such a balance, we present a prototype system meant to provide medication counseling while juggling these two extremes. We also cover our design in constructing such a system, with a focus on methods aiming to fulfill conversation requirements, reduce hallucinations and promote high-quality responses. The methods used have the potential to increase the determinism of the system, while simultaneously not removing the dynamic conversational abilities granted by the usage of LLMs. However, a great deal of work remains ahead, and the development of this kind of system needs to involve continuous testing and a human-in-the-loop. It should also be evaluated outside of commonly used benchmarks for LLMs, as these do not adequately capture the complexities of this kind of conversational system.
• Abstract（参考訳）: 大規模言語モデル(LLM)の導入は、ソフトウェアエージェントの機能を大幅に強化した。 ルールベースのインタラクションに頼る代わりに、エージェントは人間に似た柔軟な方法で対話することができる。 しかし、この柔軟性は、薬局の文脈のようにエラーが破滅的に起こりうる分野において、すぐに問題となるが、逆もまた真である。 薬局の文脈でLLMを使用する作業は、短時間の相互作用で多くの異なる薬物を考慮に入れながら、幅広い範囲で採用されている。 これにより、手元にあるタスクのより深い理解が可能になるだけでなく、より長い自然の相互作用において、どのような課題が存在するのかについての洞察も得られる。 しかし、大きな課題は、狭く広いシステムでも同じである。会話の要求と柔軟性の遵守のバランスを取る必要がある。 このようなバランスを打つために,両極端をジャグリングしながら医薬品カウンセリングを行うためのプロトタイプシステムを提案する。 また,このようなシステムを構築する際の設計についても,会話の要求を満たす方法,幻覚の低減,高品質な応答の促進に焦点をあてて紹介する。 使用する手法は、LLMの使用によって与えられる動的な会話能力の除去を同時に行わず、システムの決定性を高める可能性がある。 しかし、まだ多くの作業が進行中であり、このようなシステムの開発には、継続的テストと人力によるループが必要だ。 この種の会話システムの複雑さを適切に捉えていないため、LLMの一般的なベンチマーク以外でも評価されるべきである。

関連論文リスト

• Context-aware Fairness Evaluation and Mitigation in LLMs [16.594400974742523]
  大きな言語モデルは、しばしばその内部表現に埋め込まれた望ましくない振る舞いを示す。 プルーニングベースの手法は、特定の行動に責任があるニューロンを調整することでバイアスを減らす柔軟で透明な方法を提供する。 本研究では,文脈認識ニューロンの活性化を検知する動的で可逆的なプルーニングに基づくフレームワークを提案し,アダプティブマスキングを適用して生成時の影響を調節する。
  論文  参考訳（メタデータ） (2025-10-21T06:13:17Z)
• Planning without Search: Refining Frontier LLMs with Offline Goal-Conditioned RL [62.984693936073974]
  大きな言語モデル(LLM)は、質問応答や対話といったタスクに優れています。 交渉や説得のような相互作用を必要とする複雑なタスクは、さらなる長期の推論と計画を必要とする。 目的条件付き値関数を用いて LLM エージェントの推論を導出する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T16:51:54Z)
• Position: Towards a Responsible LLM-empowered Multi-Agent Systems [22.905804138387854]
  Agent AIとLarge Language Model-powered Multi-Agent Systems (LLM-MAS)の台頭は、責任と信頼性のあるシステム操作の必要性を浮き彫りにした。 LLMエージェントは固有の予測不能を示し、出力の不確実性は複雑になり、システムの安定性を脅かす。 これらのリスクに対処するためには、アクティブな動的モデレーションを備えた人間中心の設計アプローチが不可欠である。
  論文  参考訳（メタデータ） (2025-02-03T16:04:30Z)
• Knowledge Graphs, Large Language Models, and Hallucinations: An NLP Perspective [5.769786334333616]
  大規模言語モデル(LLM)は、自動テキスト生成や質問応答などを含む自然言語処理(NLP)ベースのアプリケーションに革命をもたらした。 幻覚では、モデルがもっともらしい音を出すが、実際には正しくない反応を生成する。 本稿では,現状のデータセットやベンチマーク,知識統合や幻覚評価の手法など,これらのオープンな課題について論じる。
  論文  参考訳（メタデータ） (2024-11-21T16:09:05Z)
• BloomWise: Enhancing Problem-Solving capabilities of Large Language Models using Bloom's-Taxonomy-Inspired Prompts [59.83547898874152]
  BloomWiseは認知にインスパイアされた大規模言語モデル(LLM)のプロンプト技術である 解法をより説明しやすいものにしながら、数学的問題解決におけるLLMの性能を高めるように設計されている。
  論文  参考訳（メタデータ） (2024-10-05T09:27:52Z)
• Tuning-Free Accountable Intervention for LLM Deployment -- A Metacognitive Approach [55.613461060997004]
  大規模言語モデル(LLM)は、自然言語処理タスクの幅広い領域にわたる変換的進歩を触媒している。 我々は,自己認識型誤り識別と訂正機能を備えたLLMを実現するために,textbfCLEARと呼ばれる革新的なテキストメタ認知手法を提案する。
  論文  参考訳（メタデータ） (2024-03-08T19:18:53Z)
• ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
  外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。 エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。 引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-12-15T18:20:15Z)
• Towards Mitigating Hallucination in Large Language Models via Self-Reflection [63.2543947174318]
  大規模言語モデル(LLM)は、質問応答(QA)タスクを含む生成的および知識集約的なタスクを約束している。 本稿では,広範に採用されているLCMとデータセットを用いた医療再生QAシステムにおける幻覚現象を解析する。
  論文  参考訳（メタデータ） (2023-10-10T03:05:44Z)
• Conversational Health Agents: A Personalized LLM-Powered Agent Framework [1.4597673707346281]
  会話型健康エージェント(英: Conversational Health Agents、CHA)は、援助や診断などの医療サービスを提供する対話型システムである。 我々は,対話エージェントがユーザの医療クエリに対してパーソナライズされた応答を生成するためのオープンソースのフレームワークであるopenCHAを提案する。 openCHAには、外部ソースから情報を集めるためのアクションを計画し実行するためのオーケストレータが含まれている。
  論文  参考訳（メタデータ） (2023-10-03T18:54:10Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)

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。