研究者提出评估LLM临床推理表达的评分量表

Zhangshu Joshua Jiang 等作者提出一套多维评分量表，用于评估大语言模型回答中表达临床推理的能力。该量表综合医学教育评估框架、临床大语言模型基准与通用推理评估研究，并引入“有据性”作为面向临床的事实性改编。 量表包含暂定行为锚点、适用规则，以及单独标记病例特异性安全关键错误的机制。作者称，其当前目的是在实证测试前让评估决策显式化并可供审查；该量表尚未经过评分者间信度、构念效度或临床效用检验。 作者同时说明，量表不替代病例特异性参考标准，也不替代现有基准的任务特定指标。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。