Global variations in artificial intelligence-generated information on juvenile idiopathic arthritis
Notice bibliographique
Résumé
OBJECTIVES: We aimed to evaluate similarities and variations of information provided by Large Language Models (LLMs) across diverse world regions by analysing responses to validated questions on oligoarticular juvenile idiopathic arthritis (oJIA). METHODS: The 10 PICOs related to the oJIA treatment on the 2021 American College of Rheumatology recommendations were simultaneously prompted in English to ChatGPT 4o from five different countries (Canada, India, Italy, Kenya and Türkiye). Readability was assessed through the Flesch Reading Ease Score (FRES), distinctiveness of terms through the Term Frequency-Inverse Document Frequency (TF-IDF) analysis. Co-occurrence networks (CONs) detailed the relationships between terms. Three experts rated the adherence of responses to recommendations using a Likert-like scale. RESULTS: All the responses were difficult or very difficult to read, with a median FRES of 30 (IQR 24-34). Depending on the expert, 52-84% of responses were mostly or fully adherent to the recommendations, with similar adherence rates across countries. No response was not adherent at all. Inter-rater agreement on the adherence of LLM-generated responses was generally weak (Kappa values mostly below 0.40), highlighting the challenges of consistently evaluating AI-generated medical information. The TF-IDF analysis showed that the distinctiveness of terminology in LLM-generated responses varied across countries, with scores ranging from 0.60 to 0.85. CONs detailed a strong focus on intra-articular corticosteroid treatments in Italy and emphasis on short- and long-term outcomes in Kenya. CONCLUSION: LLM-generated content should be critically evaluated in clinical practice, especially in the context of regional differences.
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 | 0,009 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».