一项新近发表在arXiv上的研究评估了大型语言模型（LLMs）在多轮医疗对话中识别和纠正错误概念的能力。该研究引入了ThReadMed-QA数据集，该数据集包含2,437个患者-医生对话。研究结果表明，即使是像GPT-5和Claude Haiku 4.5这样在初始问题上表现良好的先进模型，在后续轮次中纠正错误概念的能力也显著下降，准确率从约85%降至约50%。这种错误传播凸显了LLM评估框架需要考虑多轮对话动态，以确保安全可靠的医疗指导。 AI
影响 由于对话中的错误传播，凸显了LLM驱动的医疗建议中潜在的安全风险，因此需要改进评估方法。
排序理由 该集群包含一篇详细介绍新数据集和LLM评估方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12884v1 Announce Type: new Abstract: Patients seeking medical information often ask questions that embed incorrect assumptions or misconceptions. In such cases, safe medical communication requires not only answering the question, but identifying and correcting the unde…
Patients seeking medical information often ask questions that embed incorrect assumptions or misconceptions. In such cases, safe medical communication requires not only answering the question, but identifying and correcting the underlying false belief. These interactions naturall…