Spatial intelligence and contextual relevance in AI-driven health information retrieval
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The evolution of large language models (LLMs) has already significantly influenced online health information retrieval. As these models gain more widespread use, it is important to understand their ability to contextualize responses based on spatial and geographic information. This study investigates whether LLMs can vary responses based on geographic and spatial context. Using a structured set of prompts submitted to ChatGPT, responses were analyzed to discern patterns based on prompt question and geographic identifiers included in queries. The analysis used word frequency analysis and bidirectional encoder representations from transformers (BERT) embeddings to evaluate the variation in responses concerning geographic specificity. The results provide some evidence that LLMs can generate geographically tailored responses when the query specifies such a need, thereby supporting localized information retrieval. Moreover, prompt responses exhibit an association between spatial distance and word frequency/sentence embedding differences between texts. This result suggests a nuanced representation of spatial information, which could impact user experience by providing more relevant health information based on the user's location. This study lays the groundwork for further exploration into the spatial intelligence of LLMs and their impact on the accessibility of health information online. • Large language models, like ChatGPT, can be used to search for health information. • Responses show an association between spatial distance and differences between texts. • ChatGPT may discriminate as to when geographic context matters in responses. • Further work is needed to determine if these results are genralizable
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle