Comportement des agents conversationnels quant aux rôles et retombées du pharmacien : une étude exploratoire
Notice bibliographique
Résumé
Objectif : Décrire le profil général du comportement de deux agents conversationnels et leurs différentes versions existantes et qualifier l’adéquation des réponses proposées à des questions sur les rôles et retombées du pharmacien. Qualifier la justesse des références bibliographiques proposées par ces agents conversationnels. Méthode : Étude descriptive et qualitative de type transversal exploratoire. Deux agents conversationnels ont été sélectionnés, soit ChatGPT (version 3.5 gratuite, version 4 payante) et Bing (trois versions, soit Bing équilibré, précis et créatif). Quarante-six questions sur les rôles et les retombées de l’activité pharmaceutique ont été formulées. Un panel de trois experts a été formé afin de juger de la justesse des réponses. De plus, la qualité des références a été décrite et évaluée. Seules des statistiques descriptives ont été effectuées. Résultats : Les deux agents utilisés proposent une proportion très élevée de réponses jugées adéquates par le panel d’experts, soit 95 % (ChatGPT-3.5 et ChatGPT-4), 91 % (Bing équilibré), 98 % (Bing créatif) et 91 % (Bing précis). La proportion de références adéquates varie d’un agent à l’autre, soit 75 % (3/4, ChaptGPT-3.5), 80 % (4/5, ChatGPT-4), 89 % (48/54, Bing équilibré), 91 % (133/146, Bing créatif) et 91 % (91/100, Bing précis). Conclusion : Cette étude montre que deux agents conversationnels (Chat GPT-3.5, ChatGPT-4, Bing équilibré, précis, créatif) proposent des réponses adéquates à une série de questions entourant les rôles et retombées des pharmaciens. Toutefois, ChatGPT propose un nombre plus limité de références que Bing et parfois des références inadéquates ou inventées. Il apparaît donc nécessaire de continuer d’évaluer l’utilité et la justesse des agents conversationnels en pharmacie. Summary Objective: To describe the general behavioural profile of two chatbots and their different existing versions and to assess the adequacy of proposed answers to questions about the role and impact of pharmacists. To assess the accuracy of the bibliographic references provided by these chatbots. Method: Descriptive and qualitative exploratory cross-sectional study. Two chatbots were selected: ChatGPT (free version 3.5, paid version 4) and Bing (three versions, namely Bing balanced, precise, and creative). Forty-six questions about the role and impact of pharmacist-led activities were developed. A panel of three experts was formed to assess the accuracy of chatbot answers. In addition, the quality of the references provided by the chatbots was described and evaluated. Descriptive statistics were conducted. Results: The two chatbots provided a very high proportion of responses deemed adequate by the panel of experts, i.e. 95% (ChatGPT-3.5 and ChatGPT-4), 91% (Balanced Bing), 98% (Creative Bing) and 91% (Precise Bing). The proportion of adequate references varied from one chatbot to another, i.e. 75% (3/4, ChaptGPT-3.5), 80% (4/5, ChatGPT-4), 89% (48/54, Balanced Bing), 91% (133/146, Creative Bing) and 91% (91/100, Precise Bing). Conclusion: This study shows that two chatbots (Chat GPT-3.5, ChatGPT-4, Bing balanced, precise, creative) provide adequate answers to a series of questions surrounding the role and benefits associated with pharmacist-led activities. However, ChatGPT offers a more limited number of references than Bing and sometimes offers inadequate or invented references. It therefore seems necessary to continue to evaluate the usefulness and accuracy of chatbot use in pharmacy.
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 | 0,053 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».