PulseAugur
中
实时 07:48:58
English(EN) Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study

LLM预测儿童营养不良存在显著公平性差异

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新近发表在arXiv上的研究，探讨了零样本大型语言模型（LLMs）预测低收入和中等收入国家儿童发育迟缓的潜力，特别关注了来自孟加拉国的数据。研究人员利用GPT-4o mini分析了2007年至2022年的居民健康调查数据，将各种特征转化为基于提示的表示。研究结果表明，GPT-4o mini的准确性与监督基线相当，在识别发育迟缓病例方面具有更高的敏感性，并且在不同调查时期表现稳定。然而，该研究也突显了与居住地和家庭财富相关的显著公平性差异，提示在公共卫生领域部署此类模型之前应谨慎。 AI

影响 强调了LLM在公共卫生预测方面的潜力，但警告在部署前需注意公平性差异。

排序理由 关于将LLM应用于公共卫生问题的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM预测儿童营养不良存在显著公平性差异

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Muhammad Ashad Kabir, Md Ahshanul Haque ·

    零样本大型语言模型能否预测儿童营养不良？一项公平性和时间鲁棒性研究

    arXiv:2607.29082v1 Announce Type: new Abstract: Child malnutrition remains a major public health challenge in low- and middle-income countries, particularly in South Asia, where early identification of vulnerable children is critical for timely intervention and resource allocatio…

相关实体

相关话题