Adoption and perception of LLM-based chatbots in health care: an exploratory cross-sectional survey of individuals with rheumatic diseases
Notice bibliographique
Résumé
Objective: The rapid mainstream uptake of artificial intelligence (AI) technologies, particularly large language model (LLM)-based chatbots, have sparked interest in their potential role in healthcare. Despite technological advancements, little is known about the current utilization of LLM chatbots among individuals with rheumatic diseases. This study aimed to investigate the adoption of and perceptions towards LLM chatbots among individuals with rheumatic disease, along with associated sociodemographic factors. Methods: An exploratory cross-sectional survey was conducted with participants recruited both online, via Arthritis Care Experts' digital and social media platforms, and in person from rheumatology clinics in Edmonton, AB, Canada. Respondents completed an 18-item questionnaire assessing LLM chatbot use for work and in daily life, including for health-related purposes, alongside sociodemographic factors. Chi-squared tests were used to assess crude associations and multivariable logistic regression was used to evaluate the adjusted odds ratios of sociodemographic factors and LLM chatbot use. Results: Of 270 respondents (109 online, 161 in person), 119 (44%) reported using LLM chatbots, with 40 respondents (15%) using them for health-related reasons. LLM chatbots were primarily used for general health queries rather than specific or personal health questions. Younger age and a more liberal political view were associated with LLM chatbot use, while gender, education, income, ethnocultural background and language spoken were not. Conclusion: This study showed that a relevant number of individuals with rheumatic diseases are already using LLM chatbots, including for health-related reasons. These findings should prompt urgent efforts to address accuracy, safety and equity concerns regarding the utilization of LLM chatbots, particularly in the domain of rheumatology.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».