Direct comparison of GPT-4 and human physicians in MKSAP-19 multiple-choice questions
Notice bibliographique
Résumé
Several studies have compared scores of artificial intelligence (AI) algorithms on medical multiple-choice questions (MCQs) with reference standards. In this study, the authors directly compared scores of an AI algorithm (Generative Pre-trained Transformer 4 [GPT-4]) with those of clinicians. A stratified random sample of 600 Medical Knowledge Self-Assessment Program-19 (MKSAP) MCQs were inputted into GPT-4. The proportion of questions answered correctly was compared with the answer selected by the majority of the MKSAP clinician testing group (consensus clinicians) and the proportion of the MKSAP clinician testing group who selected the correct answer (average clinician). GPT-4 answered 496 questions correctly (82.7%, 95% CI 79.6 to 85.7). This was significantly less than the consensus clinician (88.0%, 95% CI 85.4 to 90.6; McNemar's T statistic 10.0, P = 0.0015) but was significantly greater than the average clinician (64.7%, 95% CI 63.1 to 66.3; paired T statistic = 12.7, P < .0001). Results did not significantly vary by specialty. GPT-4 scored significantly lower than the consensus clinicians, but significantly greater than the average clinician, on MKSAP MCQs.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».