通过大语言模型驱动的平实语言适配增强医学文本的可及性
Enhancing Accessibility of Medical Texts through Large Language Model-Driven Plain Language Adaptation
浏览论文内容
中文总结 AI 辅助
本研究利用GPT-4o-mini等大语言模型及混合智能体技术实现医学文本的平实语言适配，通过提示策略比较、QLoRA微调和MoA集成，在简化医疗信息的同时保留核心内容。
中文摘要 AI 辅助
本文针对通过自动化平实语言适配（PLA）使复杂的医疗保健信息更易于获取这一挑战。PLA旨在简化技术性医学语言，弥合医疗文本的复杂性与患者阅读理解能力之间的关键差距。近年来，大语言模型（LLMs）如GPT和BART的进展，为PLA开辟了新的可能性，尤其是在零样本和少样本学习情境下，这些情境中任务特定数据有限。在本工作中，我们利用GPT-4o-mini、Gemini-1.5-pro和LLaMA等大语言模型的能力进行文本简化。此外，我们引入了混合智能体（MoA）技术，以增强PLA任务中的适应性和鲁棒性。主要贡献包括对提示策略的比较分析、在不同LLMs上使用QLoRA进行微调，以及MoA技术的集成。我们的研究结果证明了LLM驱动的PLA的有效性，展示了其在保留关键内容的同时使医疗保健信息更易于理解的潜力。
英文摘要
This paper addresses the challenge of making complex healthcare information more accessible through automated Plain Language Adaptation (PLA). PLA aims to simplify technical medical language, bridging a critical gap between the complexity of healthcare texts and patients' reading comprehension. Recent advances in Large Language Models (LLMs), such as GPT and BART, have opened new possibilities for PLA, especially in zero-shot and few-shot learning contexts where task-specific data is limited. In this work, we leverage the capabilities of LLMs such as GPT-4o-mini, Gemini-1.5-pro, and LLaMA for text simplification. Additionally, we incorporate Mixture-of-Agents (MoA) techniques to enhance adaptability and robustness in PLA tasks. Key contributions include a comparative analysis of prompting strategies, finetuning with QLoRA on different LLMs, and the integration of MoA technique. Our findings demonstrate the effectiveness of LLM-driven PLA, showcasing its potential in making healthcare information more comprehensible while preserving essential content.
发表机构
- National Taiwan University（国立台湾大学）
- Academia Sinica（中央研究院）
机构由 AI 辅助整理，请以论文原文为准。
