Key points are not available for this paper at this time.
الأهداف تهدف هذه المقالة إلى تحسين أداء نماذج اللغة الكبيرة (LLMs) في مهمة التعرف على الكيانات الطبية بأقل عدد من العينات (NER) من خلال تطوير طريقة بسيطة وفعالة تسمى إطار استرجاع والتفكير المتسلسل (RT) وتقييم التحسين بعد تطبيق إطار RT. المواد والأساليب نظرًا للتقدم الملحوظ في نماذج اللغة المعتمدة على الاسترجاع والتفكير المتسلسل عبر مهام معالجة اللغة الطبيعية المختلفة، نقترح إطار RT مبتكر مصمم لدمج كلا المنهجين. يشمل نهج RT وحدات مخصصة لاسترجاع المعلومات وعمليات التفكير المتسلسل. في وحدة الاسترجاع، يميز RT أمثلة ذات صلة من العروض خلال ضبط التعليم لكل عبارة مدخل. بعد ذلك، تستخدم وحدة التفكير المتسلسل عملية استدلال منهجية لتحديد الكيانات. أجرينا تحليلًا مقارنًا شاملاً لإطار RT الخاص بنا مقارنة بـ 16 نموذجًا آخر لمهام NER بأقل عدد من العينات على مجموعات بيانات BC5CDR وNCBI. بالإضافة إلى ذلك، استكشفنا تأثيرات العينات السلبية، وصيغ المخرجات، والبيانات المفقودة على الأداء. النتائج يتفوق إطار RT المقترح لدينا على نماذج أخرى لمهام NER بأقل عدد من العينات بتقديرات ميكرو-F1 تبلغ 93.50 و91.76 على مجموعات بيانات BC5CDR وNCBI، على التوالي. وجدنا أن استخدام كل من العينات الإيجابية والسلبية، كان أداء التفكير المتسلسل (مقابل شجرة التفكير) أفضل. بالإضافة إلى ذلك، كان لاستخدام مجموعة بيانات متعلقة جزئيًا تأثير طفيف على أداء النموذج. المناقشة هذه هي أول دراسة تجمع بين LLM المعتمد على الاسترجاع ومنهجية التفكير المتسلسل لتعزيز الأداء في التعرف على الكيانات الطبية بأقل عدد من العينات. يساعد LLM المعتمد على الاسترجاع في استرجاع أكثر الأمثلة صلة بالعبارة المدخلة، مما يقدم معرفة حاسمة لتوقع الكيان في العبارة. كما أجرينا فحصًا دقيقًا لأسلوبنا، متضمنًا دراسة استقصائية لتأثيرات ذلك. الاستنتاج أثبت إطار RT مع LLM أداءً رائدًا في مهام NER بأقل عدد من العينات.
دراسة لي وآخرون (Mon,) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: