基于ChatGPT和零样本提示的临床量表文本中结构化项目信息抽取研究

雷克儿

实现无标注数据情况下使用ChatGPT从自由临床量表文本中抽取结构化的项目信息，高效推进医学量表资源的结构化与智能化。 方法/过程 定义了包含8类属性、兼顾临床量表测量概念结构差异性的项目信息抽取框架，收集59个临床常用心理评定量表文档自建数据集；分类设计零样本提示，调用ChatGPT-3.5和ChatGPT-4官方接口进行实验；多角度分析ChatGPT不同版本在处理不同临床量表文本时的抽取表现和可能影响因素。 结果/结论 来源属性抽取表现最佳，Micro-F1和Macro-F1最低也分别达98.90%和97.83%；反应选项、使用说明和计分规则随后；编号和项目指令居中；临床解释最低，Micro-F1和Macro-F1分别为47.73%和45.51%。ChatGPT-4整体表现更优，但部分属性召回率弱于ChatGPT-3.5。量表测量概念层级、维度数、项目数和文本长度的增加会降低模型表现。综上，ChatGPT能够高效辅助医学量表资源的结构化，尤其在处理简单量表时