Employing General-Purpose and Biomedical Large Language Models with Advanced Prompt Engineering for Pharmacoepidemiologic Study Design
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة للأغراض العامة، لا سيما عند تعزيزها بأسلوب التلقين من الأقل إلى الأكثر (Least-to-Most prompting)، تتفوق حالياً على النماذج الطبية الحيوية المتخصصة في توليد تصميمات دراسات وبائية دوائية ذات صلة ومبررة منطقياً، على الرغم من إظهار جميع النماذج لمحدودية في ربط الوجوديات بالأكواد (ontology-code mapping).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول بناء منزل معقد (دراسة طبية) بناءً على مخطط هندسي، ولكن بدلاً من استئجار مهندس معماري ماهر، تطلب من عدة أنواع من "المساعدين الأذكياء" قراءة المخطط وإخبارك بكيفية البناء.
هذه الورقة البحثية هي في الأساس تجربة قيادة لمعرفة أي "مساعد ذكي" هو الأفضل في مساعدة العلماء على تصميم دراسات تتبع كيفية تأثير الأدوية على الناس في العالم الحقيقي (وهو مجال يُعرف باسم علم الأوبئة الدوائية).
إليك تفصيل لما فعلوه وما وجدوه، باستخدام بعض التشبيهات من الحياة اليومية:
1. المتسابقون: "العام" مقابل "المتخصص"
وضع الباحثون نوعين من الذكاء الاصطعي في مواجهة بعضهما البعض:
- العامون (GPT-4o و DeepSeek-R1): فكر فيهم كـ أمناء مكتبات فائقين الذكاء قرأوا كل كتاب تقريباً في العالم. هم يعرفون القليل عن كل شيء، بما في ذلك الطب، لكنهم ليسوا أطباء بشريين.
- المتخصصون (نماذج اللغات الكبيرة الطبية الحيوية): هؤلاء يشبهون طلاب الطب الذين درسوا الكتب الدراسية فقط. لقد تم تدريبهم خصيصاً على البيانات الطبية، لذا يُتوقع منك أن يعرفوا المصطلحات والتفاصيل بشكل أفضل.
2. التحدي: تصميم الدراسة
أعطى الباحثون هؤلاء المساعدين من الذكاء الاصطوي 46 خطة دراسة طبية حقيقية (مخططات هندسية) وطلبوا منهم استخراج التفاصيل الرئيسية. كان الأمر أشبه بطلب النظر في وصفة طعام واستخراج ما يلي:
- ما هو الطبق الرئيسي؟ (تصميم الدراسة)
- من يمكنه تناوله؟ (معايير الشمول والاستبعاد)
- ما هي المكونات المطلوبة؟ (التعرض/الأدوية)
- ماذا نقيس؟ (النتائج)
- كيف نضع الملصقات على المكونات؟ (الأنطولوجيا/تخطيط الرموز)
كما اختبروا طرقاً مختلفة لطرح الأسئلة (ما يسمى بـ هندسة الأوامر - Prompt Engineering).
- تشبيه: تخيل أنك تطلب من طاهٍ: "اصنع كعكة". (أمر أساسي) مقابل "أولاً، اجمع الدقيق. ثم، اخلط البيض. وأخيراً، اخبزها عند درجة حرارة 350". (التحفيز من الأقل إلى الأكثر - Least-to-Most Prompting). وجد الباحثون أن إعطاء تعليمات خطوة بخطوة للذكاء الاصطناعي كان يعمل بشكل أفضل بكثير.
3. النتائج: العام يفوز!
من المثير للدهشة أن أمين المكتبة العام (GPT-4o و DeepSeek-R1) قد أدى مهمة أفضل بكثير من طالب الطب المتخصص.
- لماذا؟ لم تكن المهمة تتعلق فقط بمعرفة الكلمات الطبية؛ بل كانت تتعلق بـ المنطق والاستنتاج. كان "العامون" أفضل في فهم قصة الدراسة وربط النقاط ببعضها. استطاعوا قول: "بما أننا نبحث عن التأثيرات طويلة المدى، فنحن بحاجة إلى تصميم 'دراسة أترابية' (Cohort Study)"، وشرحوا لماذا بوضوح.
- معاناة المتخصصين: غالباً ما كان المتخصصون الطبيون يعلقون في المصطلحات. فقد كانوا أحياناً يهلوسون (يخترعون معلومات)، أو يفشلون في شرح منطقهم، أو يرتبكون بسبب التعليمات المعقدة. الأمر يشبه طالب طب يعرف تعريف "ارتفاع ضغط الدم"، لكنه لا يستطيع معرفة كيفية تصميم دراسة لتتبعه على مدار 10 سنوات.
4. نقطة الضعف: مشكلة "الترجمة"
كان هناك مجال واحد فشل فيه الجميع: تخطيط الرموز (Code Mapping).
- تشبيه: تخيل أن الذكاء الاصطناعي يمكنه إخبارك أن الوصفة هي لـ "كعكة شوكولاتة"، ولكن عندما يُطلب منه ترجمة ذلك إلى أرقام الباركود المحددة لمتجر البقالة (مثل رموز ICD-10 أو ATC، إلخ)، فإنه يرتبك.
- كان الذكاء الاصطناعي جيداً في كتابة القصة، لكنه كان سيئاً جداً في ترجمة تلك القصة إلى الرموز الصارمة والمملة التي تستخدمها المستشفيات والحكومات لتخزين البيانات. استنتج الباحثون أنه بالنسبة لهذه المهمة المحددة، لا يزال البشر بحاجة إلى مراجعة "ترجمة الباركود".
5. "المخطط" يهم
لاحظ الباحثون أيضاً أن جودة إجابة الذكاء الاصطناعي تعتمد على مدى وضوح خطة الدراسة الأصلية.
- إذا كانت الخطة الأصلية مكتوبة بوضوح (مثل دليل إيكيا منظم جيداً)، فقد أبلى الذكاء الاصطناعي بلاءً حسناً.
- إذا كانت الخطة فوضوية أو غامضة، فقد تاه الذكاء الاصطناعي. وهذا يشير إلى أنه إذا أردنا من الذكاء الاصطناعي مساعدتنا، فنحن بحاجة إلى كتابة دراساتنا الطبية بشكل أكثر وضوحاً في المقام الأول.
الخلاصة
إذا كنت بحاجة للمساعدة في تصميم دراسة طبية معقدة اليوم:
- لا تختار بالضرورة الذكاء الاصطناعي الذي تدرب فقط على الكتب الطبية.
- نعم، اختر ذكاءً اصطناعياً عاماً وقوياً (مثل أذكى أمين مكتبة).
- نعم، أعطه تعليمات خطوة بختوة (لا تسأل سؤالاً واحداً كبيراً فقط).
- نعم، اجعل خبيراً بشرياً يراجع ترجمات "الباركود" النهائية، لأن الذكاء الاصطناعي لا يزال يعاني في هذا التفصيل التقني المحدد.
باختد، إن "العامي الذكي" مع دليل خطوة بخطوة هو حالياً أفضل من "بوت طبي متخصص" في تصميم الدراسات الطبية، ولكنك لا تزال بحاجة إلى إنسان يمسك بالمسطرة ويتحقق من القياسات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.