Laajat kielimallit lääkärin vastaanotolla – uhkat ja mahdollisuudet : Kirjallisuuskatsaus
Notice bibliographique
Résumé
Laajat kielimallit ovat syväoppimisella koulutettuja koneoppimisen tekoälymalleja, joiden kyky luonnollisen kielen käsittelyyn tarjoaa mahdollisuuksia niiden hyödyntämiseen lääketieteellisessä käytössä. Niiden käyttöä erilaisissa tehtävissä on tutkittu viime vuosina runsaasti, minkä vuoksi jo julkaistujen tutkimusten perusteella on mahdollista arvioida niiden käyttöä tarkoin rajatussa lääketieteellisessä käyttöympäristössä, kuten lääkärin vastaanotolla. Tässä työssä selvitettiin millaisia uhkia ja mahdollisuuksia laajat kielimallit tarjoavat tyypilliselle lääkärin vastaanotolle. Aineistona käytettiin PubMed-tietokannassa ilmaiseksi Tampereen Yliopiston opiskelijalisenssillä saatavilla olevia julkaisuja, joiden julkaisuvuosi oli 2020–2024. Työ toteutettiin narratiivisena kirjallisuuskatsauksena. Haun perusteella työhön valikoituneet julkaisut ja niiden esiin tuomat uhkat ja mahdollisuudet taulukoitiin. Taulukkoa hyödyntäen laajojen kielimallien tarjoamia mahdollisuuksia lääkärin vastaanotolla käsiteltiin Calgary-Cambridge-mallin mukaisesti jaetun vastaanoton vaiheiden kautta. Julkaisuissa esiin nousseet uhkat käsiteltiin koko vastaanoton kannalta yhtenäisenä kokonaisuutena. Laajat kielimallit kykenevät koostamaan tietoa useista eri lähteistä ja tietojärjestelmistä, kirjoittamaan näistä haetuista tiedoista lääkärin ja potilaan kannalta helposti ymmärrettäviä tiivistelmiä ja vähentämään lääkärin kirjaamiseen kuluvaa aikaa. Tulevaisuudessa laajoja kielimalleja voitaneen käyttää kielen kääntämisen työkaluna ja diagnostisena tukena. Laajojen kielimallien sisältämien uhkien vuoksi niiden käyttöönotto lääkärin vastaanotolla vaatii kuitenkin lainsäädännön edistämistä ja mallien kehittämistä edelleen.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».