2022 m. lapkritį pristatytas „ChatGPT“ yra pokalbių robotas, galintis ne tik užmegzti pokalbius, panašius į žmones, bet ir pateikti tikslius atsakymus į klausimus įvairiose žinių srityse. Įmonės OpenAI sukurtas pokalbių robotas yra pagrįstas „didelių kalbų modelių“ šeima – algoritmais, kurie gali atpažinti, numatyti ir generuoti tekstą pagal šablonus, kuriuos jie nustato duomenų rinkiniuose, kuriuose yra šimtai milijonų žodžių.
Tyrime Šią savaitę pasirodžiusiame leidinyje PLOS Digital Health, mokslininkai praneša, kad ChatGPT atliko JAV medicinos licencijavimo egzamino (USMLE) išlaikymo slenkstį arba beveik jį – išsamų trijų dalių egzaminą, kurį gydytojai turi išlaikyti prieš pradėdami praktikuoti mediciną Jungtinėse Valstijose. Redakcijoje kartu su straipsniu Leo Anthony Celi, pagrindinis MIT Medicinos inžinerijos ir mokslo instituto mokslininkas, Beth Israel Deaconess medicinos centro gydytojas ir Harvardo medicinos mokyklos docentas, ir jo bendraautoriai teigia, kad ChatGPT sėkmė šis egzaminas turėtų būti medicinos bendruomenės pažadinimo skambutis.
K: Ką, jūsų nuomone, „ChatGPT“ sėkmė USMLE atskleidžia apie studentų medicininio išsilavinimo ir vertinimo pobūdį?
A: Medicinos žinių įrėminimas kaip kažkas, kas gali būti įtraukta į klausimus su daugybe pasirinkimų, sukuria pažintinį klaidingo tikrumo įrėminimą. Medicinos žinios dažnai dėstomos kaip fiksuotas sveikatos ir ligos modelis. Nepaisant nuolat besikeičiančių praktikos modelių, gydymo poveikis pateikiamas kaip stabilus laikui bėgant. Mechanistinius modelius mokytojai perduoda mokiniams, mažai pabrėžiant, kaip patikimi tie modeliai buvo sukurti, kokie neapibrėžtumai aplink juos išlieka ir kaip jie turi būti perkalibruojami, kad atspindėtų pažangą, kurią verta įtraukti į praktiką.
„ChatGPT“ išlaikė egzaminą, kurio metu atlyginama už sistemos komponentų įsiminimą, o ne analizuojant, kaip ji veikia, kaip ji sugenda, kaip ji buvo sukurta, kaip ji prižiūrima. Jo sėkmė parodo kai kuriuos medicinos studentų rengimo ir vertinimo trūkumus. Kritinis mąstymas reikalauja suvokimo, kad pagrindinės tiesos medicinoje nuolat keičiasi, ir, dar svarbiau, supratimas, kaip ir kodėl jos keičiasi.
K: Kokių veiksmų, jūsų manymu, turėtų imtis medicinos bendruomenė, kad pakeistų studentų mokymo ir vertinimo būdus?
A: Mokymasis – tai dabartinių žinių panaudojimas, jų spragų supratimas ir siekis jas užpildyti. Tam reikia jaustis patogiai ir sugebėti ištirti neaiškumus. Mes žlungame kaip mokytojai, nemokydami mokinių suprasti esamų žinių spragas. Mums jų nepavyksta, kai skelbiame tikrumą dėl smalsumo, o nuolankumą – apie nuolankumą.
Medicininis išsilavinimas taip pat reikalauja žinoti apie medicinos žinių kūrimo ir patvirtinimo šališkumą. Šiuos šališkumus geriausiai galima išspręsti optimizuojant pažinimo įvairovę bendruomenėje. Labiau nei bet kada reikia įkvėpti tarpdisciplininį mokymąsi bendradarbiaujant ir problemų sprendimą. Medicinos studentams reikia duomenų mokslo įgūdžių, kurie leistų kiekvienam gydytojui prisidėti prie medicinos žinių, nuolat vertinti ir iš naujo kalibruoti.
K: Ar įžvelgiate „ChatGPT“ sėkmės šiame egzamine pranašumų? Ar yra naudingų būdų, kaip ChatGPT ir kitos AI formos gali prisidėti prie medicinos praktikos?
A: Neabejotina, kad dideli kalbų modeliai (LLM), tokie kaip „ChatGPT“, yra labai galingi įrankiai, padedantys sijoti turinį, kurio nepajėgia ekspertai ar net ekspertų grupės, ir įgyti žinių. Tačiau turėsime išspręsti duomenų šališkumo problemą, kad galėtume panaudoti LLM ir kitas dirbtinio intelekto technologijas. Žinių, kurias moko LLM (tiek medicinos, tiek už jos ribų), rinkinyje dominuoja turinys ir moksliniai tyrimai iš gerai finansuojamų institucijų iš dideles pajamas gaunančių šalių. Tai nėra daugumos pasaulio atstovų.
Taip pat sužinojome, kad net mechaniniai sveikatos ir ligų modeliai gali būti šališki. Šios įvestys tiekiamos į kodavimo įrenginius ir transformatorius, kurie nepaiso šių paklaidų. Pagrindinės tiesos medicinoje nuolat keičiasi, ir šiuo metu nėra būdo nustatyti, kada pagrindinės tiesos nukrypo. LLM nevertina turinio, kurio jie moko, kokybės ir šališkumo. Jie taip pat nesuteikia neapibrėžtumo dėl savo produkcijos. Tačiau tobulas neturėtų būti gėrio priešas. Yra didžiulė galimybė pagerinti tai, kaip sveikatos priežiūros paslaugų teikėjai šiuo metu priima klinikinius sprendimus, kurie, kaip žinome, yra sutepti nesąmoningo šališkumo. Neabejoju, kad AI ištesės savo pažadą, kai optimizuosime duomenų įvestį.
