English(EN) Actionable Feedback: Improving Model Capabilities from User Edit Data on Clinical Documentation

新方法过滤临床编辑以改进AI临床文档模型

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了一种方法，通过过滤用户编辑数据来改进用于临床文档的大型语言模型（LLM）的能力。很大一部分临床医生对AI生成输出的编辑并不直接由输入支持，如果天真地用于训练，可能导致潜在的幻觉。所提出的方法包括创建一个编辑行为分类法，使用MIMIC-III数据集为出院总结任务生成半合成编辑数据，并实施过滤方法来识别可操作的编辑。此过滤过程旨在增强临床医生的一致性和对输入上下文的忠实度，避免生成无根据的内容。 AI

影响这项研究可能通过减少幻觉和提高对源材料的忠实度，从而带来更可靠的临床文档AI工具。

排序理由学术论文，详细介绍了改进LLM的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 37 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了改进LLM的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Daniel P. Jeong, Yewon Byun, John Giorgi, Peng Xu, Zachary C. Lipton, Michael Oberst · 2026-11-11 05:00

可操作的反馈：通过用户编辑数据改进临床文档中的模型能力

arXiv:2611.12904v1 Announce Type: cross Abstract: Large language models (LLMs) are increasingly being deployed in clinical documentation workflows, where clinicians review and edit their outputs before use. In principle, these clinician edits represent a scalable source of superv…

本文如何被排名

报道来源 [1]

可操作的反馈：通过用户编辑数据改进临床文档中的模型能力

相关实体

相关话题