一个名为STRATA的新基准已被开发出来,用于评估语言模型在临床领域的时间假设检验能力。该基准包含超过8000个源自疫苗不良事件报告的假设,并为计划、证据、p值和结论提供了黄金标准。研究发现,当前模型在选择相关记录方面存在最大困难,这是一个仅靠准确性指标无法捕捉的关键问题。提出的ART范式,包括表达、检索和测试的阶段,旨在解决这种结论-证据差距并提高模型性能。 AI
影响 该基准有望推动LLM在医疗保健等关键领域的推理和循证决策能力的提升。
排序理由 该条目描述了一个新的基准和方法学,用于评估语言模型在特定研究任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- ART
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Gotit.pub
- Hugging Face
- Litmaps
- ScienceCast
- STRATA
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →