Intelligent Understanding of Large Language Models in Traditional Chinese Medicine Based on Prompt Engineering Framework

要約

この論文では、伝統的な中国医学 (TCM) の領域における大規模言語モデル (LLM) のパフォーマンスを強化するためのプロンプト エンジニアリングの適用について検討します。
私たちは、さまざまな事前トレーニング済み言語モデル (PLM)、テンプレート、トークン化、および言語化手法を統合するフレームワークである TCM-Prompt を提案します。これにより、研究者は特定の TCM 関連タスク向けにモデルを簡単に構築および微調整できます。
私たちは疾患分類、症候群の特定、漢方薬の推奨、一般的な NLP タスクに関する実験を実施し、ベースライン手法と比較した私たちのアプローチの有効性と優位性を実証しました。
私たちの調査結果は、プロンプトエンジニアリングが、TCMのような特殊な領域でLLMのパフォーマンスを向上させるための有望な技術であり、デジタル化、近代化、個別化医療に応用できる可能性があることを示唆しています。

要約(オリジナル)

This paper explores the application of prompt engineering to enhance the performance of large language models (LLMs) in the domain of Traditional Chinese Medicine (TCM). We propose TCM-Prompt, a framework that integrates various pre-trained language models (PLMs), templates, tokenization, and verbalization methods, allowing researchers to easily construct and fine-tune models for specific TCM-related tasks. We conducted experiments on disease classification, syndrome identification, herbal medicine recommendation, and general NLP tasks, demonstrating the effectiveness and superiority of our approach compared to baseline methods. Our findings suggest that prompt engineering is a promising technique for improving the performance of LLMs in specialized domains like TCM, with potential applications in digitalization, modernization, and personalized medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google