Development of an Exploratory Taxonomy for Veterinary Professionals' AI Query Patterns Across Clinical Stages: An Expert Panel Study

तकनीकी सारांश: पशु चिकित्सा पेशेवरों के AI क्वेरी पैटर्न के लिए एक खोजपूर्ण वर्गीकरण (Taxonomy) का विकास

समस्या विवरण
पशु चिकित्सा नैदानिक अभ्यास (clinical practice) में लार्ज लैंग्वेज मॉडल (LLM) आधारित AI उपकरणों के तीव्र एकीकरण के बावजूद, इस बात की कमी है कि पशु चिकित्सा पेशेवर इन प्रणालियों से किस प्रकार प्रश्न (query) पूछते हैं, इसका व्यवस्थित वर्गीकरण उपलब्ध नहीं है। मौजूदा ढांचे पशु चिकित्सा वर्कफ़्लो की विशिष्ट बारीकियों या विभिन्न नैदानिक चरणों (clinical stages) में प्रश्नों की परिवर्तनशील प्रकृति को ध्यान में नहीं रखते हैं। यह अंतराल पशु चिकित्सा डोमेन के लिए अनुकूल संदर्भ-जागरूक (context-aware) AI सिस्टम और सुदृढ़ बेंचमार्क मूल्यांकन टूल विकसित करने में बाधा डालता है।

कार्यप्रणाली (Methodology)
इस अध्ययन में AI क्वेरी पैटर्न के वर्गीकरण का निर्माण और सत्यापन करने के लिए एक खोजपूर्ण क्रॉस-सेक्शनल विशेषज्ञ पैनल डिजाइन का उपयोग किया गया। इस प्रक्रिया में तीन विशिष्ट चरण शामिल थे:

1. डेटा-संचालित आगमन (Data-Driven Induction): शोधकर्ताओं ने आठ महीने की अवधि में तैनात एक पशु चिकित्सा नैदानिक AI चैटबॉट के 5,372 वास्तविक दुनिया के क्वेरी लॉग्स का विश्लेषण किया। इस कच्चे डेटा से एक प्रारंभिक वर्गीकरण प्राप्त करने के लिए एक AI-सहायता प्राप्त इंडक्टिव कोडिंग दृष्टिकोण का उपयोग किया गया।
2. साहित्य परिशोधन (Literature Refinement): स्थापित पशु चिकित्सा और AI अवधारणाओं के साथ संरेखण सुनिश्चित करने के लिए एक व्यापक साहित्य समीक्षा के माध्यम से प्रारंभिक वर्गीकरण को परिष्कृत किया गया।
3. विशेषज्ञ सत्यापन (Expert Validation): 38 पशु चिकित्सा पेशेवरों के एक पैनल को एक संरचित ऑनलाइन सर्वेक्षण दिया गया। इन विशेषज्ञों ने वर्गीकरण की समीक्षा करने और विशिष्ट क्वेरी प्रकारों की आवृत्ति और प्रासंगिकता का आकलन करने के लिए पांच अलग-अलग नैदानिक चरणों में वर्गीकरण की समीक्षा की।

प्रमुख योगदान और परिणाम
अध्ययन ने सफलतापूर्वक 3 प्राथमिक श्रेणियों और 21 उप-प्रकारों वाले एक खोजपूर्ण वर्गीकरण को स्थापित किया, जिसे इस प्रकार व्यवस्थित किया गया है:

• नैदानिक सहायता संबंधी प्रश्न (प्रकार A–H): तत्काल रोगी देखभाल और तर्क पर केंद्रित।
• साक्ष्य-आधारित अनुसंधान संबंधी प्रश्न (प्रकार I–L): वैज्ञानिक साहित्य और डेटा प्राप्त करने पर केंद्रित।
• शब्दावली और औषधि संदर्भ संबंधी प्रश्न (प्रकार M–U): परिभाषाओं और औषधीय जानकारी पर केंद्रित।

मुख्य निष्कर्ष:

• क्वेरी वितरण: प्रकार B (डिफरेंशियल रीजनिंग) सबसे अधिक बार पूछे जाने वाले समग्र क्वेरी प्रकार के रूप में उभरा, जिसने 188 प्रथम-विकल्प प्रतिक्रियाओं में से 57 का प्रतिनिधित्व किया। प्रकार D (क्लिनिकल डिसीजन सपोर्ट) परामर्श के तुरंत बाद का प्रमुख पैटर्न था, जो उस विशिष्ट चरण में प्रश्नों का 55.3% प्रतिनिधित्व करता है।
• अनुभव-आधारित भिन्नताएं: पेशेवर अनुभव के आधार पर महत्वपूर्ण अंतर देखे गए। 10 या अधिक वर्षों के अनुभव वाले पेशेवरों ने 10 वर्ष से कम अनुभव वाले पेशेवरों की तुलना में प्रकार G (एविडेंस सर्च) के लिए उच्च प्राथमिकता प्रदर्शित की (18 बनाम 4 प्रतिक्रियाएं)।
• संस्थागत पैटर्न: विश्वविद्यालय से संबद्ध पेशेवरों ने एक विशिष्ट क्वेरी पैटर्न प्रदर्शित किया, जिसकी विशेषता प्रकार G (एविडेंस सर्च) का प्रभुत्व था।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह पशु चिकित्सा-विशिष्ट, नैदानिक-चरण-संवेदनशील AI क्वेरी पैटर्न का पहला वर्गीकरण स्थापित करने वाला अध्ययन है। इस प्रकार के ढांचे की अनुपस्थिति को संबोधित करके, यह अध्ययन भविष्य के संदर्भ-जागरूक, चरण-अनुकूलित पशु चिकित्सा AI सिस्टम के डिजाइन को निर्देशित करने के लिए एक मौलिक संरचना प्रदान करता है। इसके अलावा, यह वर्गीकरण पशु चिकित्सा के विशिष्ट बाधाओं और वर्कफ़्लो के भीतर AI प्रदर्शन के मूल्यांकन के लिए एक बेंचमार्क के रूप में कार्य करता है। लेखक एक सीमित दायरे बनाए रखते हुए, इस कार्य को सभी नैदानिक AI चुनौतियों के लिए एक निश्चित समाधान के बजाय पशु चिकित्सा देखभाल में मानव-AI संपर्क को व्यवस्थित करने की दिशा में एक आवश्यक प्रथम चरण के रूप में प्रस्तुत करते हैं।