Enriching Human–AI Collaboration: The Ontological Service Framework Leveraging Large Language Models for Value Creation in Conversational AI
Notice bibliographique
Résumé
This research focuses on ontology-driven conversational agents (CAs) that harness large language models (LLMs) and their mediating role in performing collective tasks and facilitating knowledge-sharing capabilities among multiple healthcare stakeholders. The research addresses how CAs can promote a therapeutic working alliance and foster trustful human–AI collaboration between emergency department (ED) stakeholders, thereby supporting collaborative tasks with healthcare professionals (HPs). The research contributes to developing a service-oriented human–AI collaborative framework (SHAICF) to promote co-creation and collaborative learning among patients, CAs, and HPs, and improve information flow procedures within the ED. The research incorporates agile heavy-weight ontology engineering methodology (OEM) rooted in the design science research method (DSRM) to construct an ontological metadata model (PEDology), which underpins the development of semantic artifacts. A customized OEM is used to address the issues mentioned earlier. The shared ontological model framework helps developers to build AI-based information systems (ISs) integrated with LLMs’ capabilities to comprehend, interpret, and respond to complex healthcare queries by leveraging the structured knowledge embedded within ontologies such as PEDology. As a result, LLMs facilitate on-demand health-related services regarding patients and HPs and assist in improving information provision, quality care, and patient workflows within the ED.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,008 | 0,015 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».