使用检索和领域反馈的 ChatGPT 动力药物编辑对话
开发了一个原型系统 DrugChat,该系统类似于 ChatGPT,能够在药物分子图上实现 ChatGPT 类似的能力,通过提供一个复合物分子图的表示,回答用户关于该化合物的问题,该系统由一个图神经网络(GNN)、一个大型语言模型(LLM)和一个适配器组成
May, 2023
通过利用大型语言模型 (ChatGPT) 和知识驱动提示构建的分析框架,我们首次对社交媒体上的非法药物交易活动进行了系统研究,实验结果表明该框架在药物贩运检测准确性方面优于其他基准语言模型,该研究可为社交网络提供有效的药物贩运识别和标注,甚至在非法药物交易者使用隐晦语言和委婉语避免检测的情况下仍然有效。
Jul, 2023
本文提出了一种基于大型语言模型的框架(MolReGPT),通过检索式提示范式在上下文中进行少量评估,并利用分子相似性原理从本地数据库检索类似分子及其文本描述来启用 LLMS,用于分子说明翻译以促进分子发现
Jun, 2023
探索大型语言模型 (LLMs) 在医学应用方面的潜力,特别是在药物监测事件提取方面的 ChatGPT 的能力。我们进行了广泛的实验,评估了 ChatGPT 在药物监测事件提取任务中的性能,并采用了各种提示和演示选择策略。研究结果表明,虽然 ChatGPT 在适当的演示选择策略下表现出了合理的性能,但与完全微调的小型模型相比仍然有所不足。此外,我们探索了利用 ChatGPT 进行数据增强的潜力。然而,我们的研究发现将合成数据引入微调可能会导致性能下降,可能是由于 ChatGPT 生成的标签中存在噪声。为了减轻这个问题,我们探索了不同的过滤策略,并发现在适当的方法下可以实现更稳定的性能,尽管不断改进仍然具有挑战性。
Feb, 2024
本研究比较分析了三种生成式预训练转换模型(GPT)在问答环境中的应用:Drug-GPT 3、Drug-GPT 4 和 ChatGPT,并且将其应用于医疗保健领域。研究的目标是确定哪个模型在回答关于特应性皮炎(AD)患者经历和与糖尿病相关的医疗专业人员(HCP)讨论的问题时能提供最准确和相关的信息。结果表明,虽然这三种模型都能生成相关和准确的回答,但 Drug-GPT 3 和 Drug-GPT 4 这两种模型通过病患和医疗专业人员社交媒体和留言板帖子的筛选数据提供了更有针对性和深入的见解。ChatGPT 这种更通用的模型生成了更宽泛和一般性的回答,对于希望获得对主题的整体理解的读者来说可能是有价值的,但可能缺乏 Drug-GPT 模型生成答案中的深度和个人见解。这项比较分析强调了在评估医疗保健应用中生成信息的有用性时考虑语言模型的观点、知识深度和时效性的重要性。
Jul, 2023
该研究使用了 ChatGPT 作为虚拟指南,为开发抗可卡因成瘾药物的研究人员提供战略和方法论的指导,通过利用 ChatGPT 的能力,介绍了一种新的药物发现方法,表明 ChatGPT 与人类专业知识的合作互动能够增强潜在药物解决方案的设计和开发,以 AI 为动力的聊天机器人将推动药物创新领域的革命。
Aug, 2023
本研究探讨了 ChatGPT 在话语语篇分析中的能力,特别是话题分割、话语关系识别和话语分析三个任务的能力。结合创新的思维链(COT)方法,发现 ChatGPT 对于话题分割有较好的表现,但在话语关系识别和话语分析等较难的任务中有待提高。
May, 2023
本研究旨在探究将 ChatGPT 应用于临床文本挖掘中,针对生物命名实体识别和关系抽取,我们提出了一种基于生成大量合成数据进行本地模型微调的训练范式。结果表明,这种方法显著提高了下游任务的性能,同时缓解了数据隐私问题。
Mar, 2023
结合 ChatGPT 和传统的基于信息检索的聊天机器人框架,提供优化的高等教育学生支持,以解决 LLMs 在教育背景下生成错误、偏见或无用答案的挑战。
Dec, 2023
本文提出了一个评估 ChatGPT 等交互式 LLM 的框架,使用公开数据集进行多任务、多语言和多模态方面的评估,发现 ChatGPT 能够生成多模态内容,但是其推理能力较差,存在幻觉问题,但通过 “提示工程” 可以与人类协作,提高性能。
Feb, 2023