Introduction to Concepts in Artificial Intelligence and Machine Learning for Pharmacoepidemiologists: Large Language Models.
پخش حرفهای فارسی و انگلیسی
در حال بررسی نسخههای صوتی ذخیرهشده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده میشود معمولاً طبیعیترند. انتخاب صدا به صداهای نصبشده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
Large language models (LLMs) represent a type of generative artificial intelligence (GenAI) that generate and interpret text, with some LLMs able to process multimodal content (e.g., images, audio, video), and can be deployed as part of agents to perform users' tasks. LLMs can perform natural language processing functions such as summarization, translation, and extraction giving them the potential to enhance and scale pharmacoepidemiological and real-world research by performing tasks such as literature review, data extraction, and medical writing. Despite the growing integration of GenAI tools into research workflows, their technical foundations and methodological implications remain unfamiliar to many pharmacoepidemiologists, who are often responsible for the reliability and accuracy of research that relies on these tools. This paper aims to inform pharmacoepidemiologists about the capabilities and limitations of LLMs to support responsible integration into the field of pharmacoepidemiology, providing an intuitive overview of how LLMs work, focusing on training and text generation, and reviews current and emerging applications in drug effectiveness and safety research and epidemiology. The article addresses challenges associated with LLM use in real-world evidence generation, including concerns regarding reproducibility, bias, hallucinations, plagiarism, data privacy, and the need for validation.
نتیجه فارسی
این مقاله به پارماکوایپیدمیولوژیستها در مورد قابلیتها و محدودیتهای مدلهای زبانی بزرگ (LLM) اطلاعرسانی میکند. LLMها میتوانند وظایفی مانند مرور ادبیات و استخراج داده را انجام دهند. استفاده از این ابزارها چالشهایی مانند تکرارپذیری، سوگیری، توهم و حریم خصوصی داده را به همراه دارد.
- LLMها میتوانند متون را تولید و تفسیر کنند.
- این مدلها میتوانند وظایفی مانند مرور ادبیات و استخراج داده را انجام دهند.
- استفاده از LLMها چالشهایی مانند توهم و سوگیری را به همراه دارد.
- پارماکوایپیدمیولوژیستها باید در مورد قابلیتها و محدودیتهای این مدلها آگاه باشند.
- ادغام مسئولانه این ابزارها در تحقیقات نیازمند بررسی و اعتبارسنجی است.
ترجمه فارسی چکیده
مدلهای زبانی بزرگ (LLM) نوعی هوش مصنوعی مولد هستند که متون را تولید و تفسیر میکنند و برخی از آنها میتوانند محتوای چندوجهی را پردازش کنند. این مدلها میتوانند به عنوان بخشی از عوامل برای انجام وظایف کاربران استفاده شوند. LLMها میتوانند عملکردهای پردازش زبان طبیعی مانند خلاصهسازی، ترجمه و استخراج را انجام دهند که پتانسیل افزایش و مقیاسپذیری تحقیقات پارماکوایپیدمیولوژیک و واقعی را دارند. این مقاله به پارماکوایپیدمیولوژیستها در مورد قابلیتها و محدودیتهای LLMها جهت پشتیبانی از ادغام مسئولانه در این حوزه اطلاعرسانی میکند.
روش پژوهش
مقاله به طور کلی توضیح میدهد که LLMها چگونه کار میکنند و بر آموزش و تولید متن تمرکز دارد.
محدودیتها
مقاله به چالشهای استفاده از LLMها در تولید شواهد واقعی اشاره میکند.
نمای PICO و پیامدها
- جمعیت
- پارماکوایپیدمیولوژیستها
- مداخله/مواجهه
- مدلهای زبانی بزرگ (LLM)
- مقایسه
- ندارد
- حجم نمونه
- ندارد
متن کامل اصلی
لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز میشود.
باز کردن متن کامل