XiaoMi-AI文件搜索系统
World File Search System大语
使用大语言模型的自动分配分级
动机：通过任务为学生提供个性化的反馈是支持他们学习和发展的教育基石。研究表明，及时，高质量的反馈在改善学习成果中起着至关重要的作用。但是，由于需要大量的时间和精力，在大量学生的课程中提供个性化的反馈通常是不切实际的。自然语言处理和大型语言模型（LLM）的最新进展，通过有效地提供个性化反馈来提供有希望的解决方案。这些技术可以减少课程人员的工作量，同时提高学生满意度和学习成果。但是，他们的成功实施需要在真实的教室中进行彻底的评估和验证。结果：我们介绍了卢布尔雅那大学生物信息学课程的2024/25迭代中对基于LLM的地级者进行书面作业的实际评估结果。在整个学期的过程中，有100多名学生回答了36个基于文本的问题，其中大多数是使用LLMS自动分级的。在一项盲目的研究中，学生在不了解来源的情况下收到了LLM和人类教学助理的反馈，后来对反馈的质量进行了评价。我们对六个商业和开源LLM进行了系统的评估，并将其分级表现与人类助教进行了比较。我们的结果表明，通过精心设计的提示，LLM可以实现与人类分级相当的分级准确性和反馈质量。我们的结果还表明，开源LLMS的性能和商业LLM的性能，使学校可以在维持隐私的同时实施自己的分级系统。
ollamar：用于运行大语言模型的R软件包
大型语言模型（LLM）已改变了自然语言处理和跨众多领域的应用。虽然基于云的LLM很常见，但本地部署的模型在可重复性，数据隐私，安全性和自定义方面具有明显的优势。Ollamar是一个R软件包，它为Ollama提供了接口，使研究人员和数据科学家能够将本地托管的LLM无缝地集成到其R工作流程中。它实现了一种与其他编程语言保持一致的同意API设计，并遵循已建立的LLM使用惯例。它通过提供灵活的输出格式和简易管理对话历史记录来进一步区分自己。ollamar可在GitHub上维护，并通过综合R档案网络（CRAN）获得，在该网络上定期在多个平台上进行全面的连续集成测试。
大语言模型的进步应该如何影响科学实践？
大型语言模型（LLM）越来越多地纳入科学工作流程中。但是，我们尚未完全掌握这种整合的含义。大语言模型的发展应如何影响科学实践？在这篇文章中，我们邀请了四个不同的科学家群体反思此查询，分享他们的观点并参与辩论。Schulz等。提出这样的论点，即与LLMS合作与与人类合作者合作的根本不同，而Bender等人。认为LLM经常被滥用和夸大其词，并且其局限性值得关注更专业，易于解释的工具。Marelli等。强调透明归因和负责使用LLM的重要性。最后，Botvinick和Gershman倡导人类应保留确定科学路线图的责任。为了促进讨论，这四个观点与每个小组的回应相辅相成。通过将这些不同的观点置于对话中，我们旨在将注意力集中在学术界的重要考虑方面，及其对当前和未来科学实践的影响及其对现有和未来的科学实践的影响。
大语言模型的进步应该如何影响科学实践？
大型语言模型（LLM）越来越多地纳入科学工作流程中。但是，我们尚未完全掌握这种整合的含义。大语言模型的发展应如何影响科学实践？在这篇文章中，我们邀请了四个不同的科学家群体反思此查询，分享他们的观点并参与辩论。Schulz等。提出这样的论点，即与LLMS合作与与人类合作者合作的根本不同，而Bender等人。认为LLM经常被滥用和夸大其词，并且其局限性值得关注更专业，易于解释的工具。Marelli等。强调透明归因和负责使用LLM的重要性。最后，Botvinick和Gershman倡导人类应保留确定科学路线图的责任。为了促进讨论，这四个观点与每个小组的回应相辅相成。通过将这些不同的观点置于对话中，我们旨在将注意力集中在学术界的重要考虑方面，及其对当前和未来科学实践的影响及其对现有和未来的科学实践的影响。
自动化特征转换的进化大语言模型
特征转换旨在重建原始功能的特征空间，以增强下游模型的性能。然而，功能和操作的组合呈指数增长构成了挑战，因此现有方法很难有效探索宽阔的空间。此外，它们的优化仅由在特定域中下游模型的准确性驱动，从而忽略了一般特征知识的获取。为了填补这一研究空白，我们提出了一个用于自动特征转换的进化LLM框架。This framework con- sists of two parts: 1) constructing a multi-population database through an RL data collector while utilizing evolutionary al- gorithm strategies for database maintenance, and 2) utiliz- ing the ability of Large Language Model (LLM) in sequence understanding, we employ few-shot prompts to guide LLM in generating superior samples based on feature transforma- tion sequence distinction.利用多人口数据库最初提供了广泛的搜索范围，以发现出色的人群。通过淘汰和进化，高质量的人群获得了更多的机会，从而进一步追求最佳个人。通过将LLM与进化算法整合在一起，我们在庞大的空间内实现了有效的外观，同时利用特征知识来推动优化，从而实现了更适应性的搜索范式。最后，我们从经验上证明了我们提出的方法的效率和普遍性。
使用纵向医疗记录利用预处理的大语言模型用于2型糖尿病的预后
1计算健康中心，计算生物学研究所，德国慕尼黑，慕尼黑2 Bio21药理学分子科学与生物技术研究所，墨尔本大学，澳大利亚墨尔本大学 +相应的作者：Reinhard.holl@uni-ulm.de＆Michael.menden@unimelb.edu.au摘要摘要2型糖尿病（T2D）的及时预后（T2D）是至关重要的。AI驱动的大语言模型（LLMS）提供了提取临床见解的潜力，但由于纵向医疗记录的稀疏，高维的性质，面临挑战。这项研究表明，通过使用掩模缺失的数据预处理数据，在预审预告片的LLM中添加嵌入层，并对两个组件进行微调。使用DPV注册表数据集（449,185 T2D患者）在预测HBA1C和LDL水平方面的表现优于基本基线，分别提高了0.749和0.754的Pearson相关性，分别提高了0.253和0.259和0.259。该模型还证明了HBA1C在554.3天内的长期预测（95％CI：[547.0，561.5]），MSE比基于近距离观察的方法提高了9％。综合梯度分析确定了重要的临床特征和访问，揭示了潜在的生物标志物进行早期干预。各种深度学习体系结构，包括前馈神经网络，总体而言，结果表明，使用稀疏的医疗时间序列利用LLM在T2D预后的预测能力的可能性，有助于临床预后和生物标志物发现，最终提高精密医学。引言2型糖尿病（T2D）是一种慢性代谢性疾病，可导致血糖升高1升高，与微血管疾病，包括心血管疾病，神经性病，肾病和视网膜病有关，与微血管疾病，包括心血管疾病和大血管并发症有关，导致了显着的疾病疾病和死亡率和死亡率2。T2D的全球流行率上升强调了对有效管理策略的迫切需求。T2D并发症的早期预后对于及时干预，改善患者预后和降低医疗保健费用至关重要。纵向医疗记录是在T2D中推进精密医学的重要资源。这些记录在时间3期间提供了全面的患者数据，包括人口统计学，病史，测试结果，药物和生活方式因素，使其对早期预后非常宝贵。诸如Framingham心脏研究和DCCT之类的研究表明，此类数据在预测心血管风险4和糖尿病并发症5。这些数据集可以识别模式，以实现更准确和个性化的预后评估，但它们的大量和复杂性构成了重大的分析挑战。机器和深度学习通过对复杂的纵向医学数据的分析来彻底改变了医学预后。
用大语言模型解释建议：评论
大语言模型（LLM）的兴起，例如Llama和Chatgpt，通过改善解释性为增强推荐系统提供了新的机会。本文提供了一份系统的文献综述，旨在利用LLMS生成建议的解释，这是促进透明度和用户信任的关键方面。我们在ACM计算文献指南中进行了全面搜索，涵盖了从Chatgpt（2022年11月）到现在（2024年11月）的出版物。我们的搜索产生了232篇文章，但是在应用纳入标准后，只有6篇文章被确定为直接解决LLMS在解释建议中的使用。这种稀缺性强调，尽管LLMS的增加，但它们在可解释的推荐系统中的应用仍处于早期阶段。我们分析了这些精选研究，以了解当前的方法，确定挑战并提出未来研究的方向。我们的发现强调了LLM的潜力改善了推荐系统的解释，并鼓励开发更透明和以用户为中心的建议解释解决方案。
