الاستدلال المستند إلى سلسلة التفكير بعدد لقطات قليلة لتحفيز نماذج اللغة الكبيرة للإجابة على الأسئلة الطبية المفتوحة

أظهرت نماذج اللغة الكبيرة (LLMs) إمكانات كبيرة في تحويل الرعاية الصحية من خلال أتمتة مهام مثل التوثيق السريري، واسترجاع المعلومات، ودعم اتخاذ القرار. في هذا الجانب، برزت المطالبات المصممة بعناية كأداة قوية لاستخدام نماذج اللغة الكبيرة في السيناريوهات الطبية، مثل السيناريوهات السريرية للمرضى. في هذه الورقة، نقترح نسخة معدلة من مجموعة بيانات MedQA-USMLE، والتي هي ذاتية، لمحاكاة السيناريوهات السريرية الحقيقية. نستكشف الاستدلال باستناد سلسلة التفكير (CoT) بناءً على توليد استجابات ذاتية لمجموعة بيانات MedQA-USMLE المعدلة مع استدلال أمامي مدعوم بنموذج اللغة للاستجابات الصحيحة على الأسئلة الطبية. مع الأخذ في الاعتبار أهمية التحقق من الاستجابة في البيئة الطبية، نستخدم آلية تدريب مكافأة حيث يوفر نموذج اللغة أيضًا استجابة موثقة مناسبة لاستجابة معينة لسؤال سريري. في هذا الصدد، نضمّن أيضًا تدخلًا بشريًا في التقييمات المختلفة. نطور استراتيجيات تعلم تبايني أفضل من خلال تعديل مطالبة 5-shot-codex-CoT من arXiv:2207.08143 لمجموعة بيانات MedQA الذاتية وتطوير مطلبتنا للاستدلال التزايدي. تظهر تقييماتنا أن المطلب الاستدلالي التزايدي يؤدّي أداءً أفضل من مطلب codex المعدل في سيناريوهات معينة. نُظهر أيضًا أن فك الترميز الجشع باستخدام طريقة الاستدلال التزايدي يتفوق على استراتيجيات أخرى مثل ربط المطالبات والاستدلال الإقصائي.