Enriching Human–AI Collaboration: The Ontological Service Framework Leveraging Large Language Models for Value Creation in Conversational AI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 découle