医学对话:类别、方法、评估和挑战的调查
本文探讨了任务导向对话系统的最新研究进展和挑战,特别在三个关键领域进行了深入讨论:提高数据效率、模拟多回合动态以优化任务完成性能,以及将领域本体知识与对话模型集成。此外,还评估了最近的对话进展和一些常用的语料库。我们相信,这虽然不是一个完整的调查,但它仍然可以为未来任务导向对话系统的研究提供启示。
Mar, 2020
本篇调查研究基于深度学习的对话系统,综述了当前对话系统的研究成果,并分析了模型类型和系统类型两个角度。此篇研究是目前最全面和最新的,深入涵盖了流行的技术,为对话系统领域的新手和想要快速了解最新技术的专业人员提供了很好的启示。
May, 2021
本文介绍了对话系统的主要概念,分类和开发过程中的评估方法,其中包括人类评估和问卷调查。为了减少人力投入,我们介绍了各种对话系统的评估方法,覆盖了任务导向、交互式和问答式对话系统,并介绍了其关键技术。
May, 2019
本文提出了如何构建医疗咨询对话系统来帮助患者澄清他们的目标,介绍了一个混合式医疗咨询对话语料库 MidMed 及其基线,提出了一种指导型医学对话生成框架 InsMed,并证明了其有效性。
Jun, 2023
大型语言模型(LLMs),如 ChatGPT,因其卓越的人类语言理解和生成能力而受到广泛关注。因此,在医学领域应用 LLMs 以协助医师和患者护理成为人工智能和临床医学中一个有前景的研究方向。本调查旨在全面介绍 LLMs 在医学领域目前的进展、应用和挑战,回答以下问题:1)LLMs 是什么以及如何构建医学 LLMs?2)医学 LLMs 的下游性能如何?3)如何在真实临床实践中利用医学 LLMs?4)使用医学 LLMs 会面临哪些挑战?5)如何更好地构建和利用医学 LLMs?因此,本调查旨在深入探讨 LLMs 在医学领域的机遇和挑战,为构建实际和有效的医学 LLMs 提供有价值的资源。可以在此网址找到医学 LLMs 实用指南资源的定期更新列表。
Nov, 2023
大型语言模型(LLMs)在各种自然语言处理任务中表现出令人惊讶的性能。最近,结合领域特定知识的医学 LLMs 在医疗咨询和诊断方面展现出卓越能力。本文系统地探讨了如何基于通用 LLMs 训练医学 LLMs,并提供了指导各种医学应用的 LLMs 发展的方法。
Jun, 2024
对话摘要化是将原始对话压缩成涵盖重要信息的短版,用于减轻对话数据负载,本研究从多个领域(包括会议,聊天,电子邮件,客户服务和医疗对话)全面系统地调查了对话摘要化的现状和研究进展,包括可用于研究数据集的总览和两个排行榜,并提出了一些未来的研究方向,如忠实度、多模态、多领域和多语言对话摘要化。
Jul, 2021