論文の概要: Hindsight Bias in Clinical Temporal Reasoning: How Future Data Exposure Affects Large Language Model Judgment
- arxiv url: http://arxiv.org/abs/2609.13454v1
- Date: Fri, 11 Sep 2026 19:15:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.328104
- Title: Hindsight Bias in Clinical Temporal Reasoning: How Future Data Exposure Affects Large Language Model Judgment
- Title（参考訳）: クリニカル・テンポラル・推論における隠れバイアス : 将来のデータ公開が大規模言語モデル判断にどのように影響するか
- Abstract要約: 臨床時間的推論における後視バイアスと整合性のある結果条件シフトを測定するためのベンチマークを導入する。
PubMed Central Open Access Subset--40 sepsisと131 GLP-1/糖尿病の171例を含む。
我々は,Acc,HTR,AIR,HBRの精度を評価した。
- 参考スコア（独自算出の注目度）: 2.981889575213664
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Clinical decisions are prospective, but clinical language models are often evaluated on retrospective records that reveal the final diagnosis, treatment response, and outcome. Such evaluations may reward the use of future information rather than reasoning under the uncertainty present at the decision point. We introduce a paired benchmark for measuring outcome-conditioned shifts consistent with hindsight bias in clinical temporal reasoning. It contains 171 case reports from the PubMed Central Open Access Subset---40 sepsis and 131 GLP-1/diabetes cases---represented as both textual narratives and human-annotated and LLM-generated textual time series (TTS). For each case, questions are tied to a clinically meaningful cutoff and paired with a prospective reference answer and an outcome-consistent \emph{hindsight trap}. Models answer each question using either a TTS truncated at the cutoff or the complete timeline; additional conditions vary the narrative source (original or synthetic) and TTS annotation source (human or LLM). We evaluate accuracy (Acc), hindsight trap rate (HTR), answer instability rate (AIR), and hindsight bias rate (HBR), each of which captures different signals of hindsight bias. Across GPT 5.6 Sol, Gemma 4, GLM 5.2, and Opus 5, full timeline exposure produces consistent hindsight-sensitive shifts, while temporal masking reduces bias without lowering accuracy.
- Abstract（参考訳）: 臨床決定は予測されるが、臨床言語モデルはしばしば、最終診断、治療反応、結果を明らかにする振り返り記録で評価される。
このような評価は、決定点に存在する不確実性の下での推論よりも、将来的な情報の利用に報いる可能性がある。
臨床時間的推論における後視バイアスと整合性のある結果条件付きシフトを測定するためのペアベンチマークを導入する。
PubMed Central Open Access Subset--40 sepsis と 131 GLP-1/diabetes case から171件の報告があり、テキスト物語と人間の注釈付きおよびLLM生成したテキスト時系列(TTS)の両方として表現されている。
それぞれの症例について、質問は臨床的に有意義なカットオフに結び付けられ、予測基準回答と結果一貫性のある \emph{hindsight trap} とがペアリングされる。
モデルはカットオフ時に取り込まれたTSまたは完全なタイムラインを使用して、各質問に答える。追加条件は、物語のソース(オリジナルまたは合成)とTSアノテーションのソース(人間またはLLM)によって異なる。
Acc,HTR,AIR,HBRの精度を評価し,それぞれ異なる後視バイアスの信号を取得する。
GPT 5.6 Sol, Gemma 4, GLM 5.2, Opus 5 全体で、完全なタイムライン露光は一貫した後視感的なシフトを引き起こすが、時間マスキングは精度を低下させることなくバイアスを減少させる。
関連論文リスト
- When Patients Cut In: Extending Clinical Conversational AI Safety to Interruptions [1.759008116536278]
現在、臨床音声治療薬は日常的な治療に使われており、実際の患者は順番を待たない。
臨床会話AIベンチマークは、患者がエージェントが完了するのを待つとほぼ普遍的に仮定する。
本報告では,対話分析の重複カテゴリを3種類の運用タイプに適応させて,割り込み回復の評価を行う。
論文 参考訳（メタデータ） (2026-08-29T12:54:50Z) - Evaluating Large Language Models on Misconceptions in Multi-Turn Medical Conversations [5.63130104359934]
ThReadMed-QAは、2,437人の患者と物理学者の会話スレッドのマルチターン医療対話データセットである。
このデータセットは、モデルがマルチターンコンテキスト下で誤解を検出し、修正できるかどうかを体系的に評価することを可能にする。
実験では、単一相互作用における誤解に対処できるフロンティアモデルでさえ、その後のターンよりも大幅に劣化する、一貫したパターンを明らかにした。
論文 参考訳（メタデータ） (2026-07-14T15:30:37Z) - Teaching Large Language Models When Not to Know: Learning Temporal Critique for Ex-Ante Reasoning [21.280999165642932]
大規模言語モデル (LLM) はしばしば時間的カットオフの下では推論に失敗する。
カットオフ対応の時間的検証を得るためにモデルを訓練するフレームワークであるTCFTを提案する。
論文 参考訳（メタデータ） (2026-05-14T09:49:35Z) - Temporally Phenotyping GLP-1RA Case Reports with Large Language Models: A Textual Time Series Corpus and Risk Modeling [3.6611037112655818]
グルカゴン様ペプチド1受容体アゴニストを含む症例報告の時系列コーパスを開発した。
臨床領域の専門家によるゴールド・スタンダード・タイムラインに対するLPMタイムラインの自動抽出について検討した。
最高の性能のLCMは、高いイベントカバレッジ、症状、診断、治療、検査、結果の信頼できる時間的シークエンシングを実現した。
論文 参考訳（メタデータ） (2026-03-12T20:45:06Z) - MEDEQUALQA: Evaluating Biases in LLMs with Counterfactual Reasoning [7.167933033102407]
重篤な症状と症状を一定に保ちながら,患者代名詞のみを摂動する反ファクト・ベンチマークであるMEDEQUALQAを紹介する。
我々は、GPT-4.1モデルを評価し、代名詞の変種間の安定性を測定するために、推論トレース間のセマンティックテキスト類似性(STS)を計算する。
以上の結果から,総じて高い類似性(平均STS >0.80)を示した。
論文 参考訳（メタデータ） (2025-10-09T22:12:58Z) - Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。
CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。
3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
論文 参考訳（メタデータ） (2025-03-11T17:59:00Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳（メタデータ） (2023-08-09T07:51:40Z) - Correct block-design experiments mitigate temporal correlation bias in
EEG classification [68.85562949901077]
[1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。
脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2020-11-25T22:25:21Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。