c_cpp_csharp的专栏

本文是LLM系列文章，针对《A Data-Centric Approach To Generate Faithful and High QualityPatient Summaries with Large Language Models》的翻译。一种以数据为中心的方法，使用大型语言模型生成真实、高质量的患者摘要摘要1 引言2 相关工作3 数据集4 方法5 结果6 讨论7 结论摘要患者往往难以理解自己的住院情况，而医护人员提供解释的资源有限。在这项工作中，我们研究了大型语言模型基于医生笔记生成患者摘

最近的大型语言模型（LLM）通过开放式对话促进健康披露，提供了支持公共卫生监测的潜力，但很少保留在重复互动中获得的关于个人的知识。用长期记忆增强LLM（LTM）提供了一个提高参与度和自我披露的机会，但我们对LTM如何影响人们在公共卫生干预中与LLM驱动的聊天机器人的互动缺乏了解。我们通过分析1252个通话日志和对9名用户的采访，研究了CareCall的案例，CareCall是一种LLM驱动的LTM语音聊天机器人。我们发现，LTM通过提供熟悉度，增强了健康披露，并培养了对聊天机器人的积极认知。