计算机科学 > 计算与语言
[提交于 2024年12月31日
]
标题: 大型语言模型在消费者健康问题上的实证评估
标题: An Empirical Evaluation of Large Language Models on Consumer Health Questions
摘要: 本研究评估了多种大型语言模型(LLMs)在MedRedQA上的性能,MedRedQA是一个从AskDocs子版块中提取的基于消费者的医学问题和答案数据集,由经验证的专家提供。 尽管大型语言模型在临床问答(QA)基准测试中表现出色,但它们在现实世界中基于消费者的医学问题上的有效性仍较少被了解。 MedRedQA具有独特的挑战,例如非正式的语言和需要针对非专业查询的精确回答。 为了评估模型性能,使用五种LLMs生成了响应:GPT-4o mini,Llama 3.1:70B,Mistral-123B,Mistral-7B和Gemini-Flash。 采用交叉评估方法,每个模型不仅评估自己的响应,还评估其他模型的响应以减少偏差。 结果表明,根据五位模型评审中的四位,GPT-4o mini与专家响应的对齐度最高,而根据五位模型评审中的三位,Mistral-7B得分最低。 本研究突显了当前LLMs在消费者健康医学问答中的潜力和局限性,指出了进一步发展的方向。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.