AI giới thiệu bác sĩ của ai? Kiểm tra thuật toán LLM trong bác sĩ

--> Khoa học máy tính > Máy tính và xã hội arXiv:2608.14399 (cs) [Đã gửi vào ngày 14 tháng 8 năm 2026] Tiêu đề: AI giới thiệu bác sĩ của ai? Kiểm tra thuật toán về danh tiếng và tín hiệu nhân khẩu học trong sự lựa chọn của bác sĩ được hỗ trợ bằng mô hình ngôn ngữ lớn Tác giả:Syeda Anshrah Gillani, Mirza Samad Ahmed Baig Xem bản PDF của bài báo có tiêu đề AI giới thiệu bác sĩ của ai? Kiểm tra thuật toán về danh tiếng và tín hiệu nhân khẩu học trong sự lựa chọn của bác sĩ dựa trên mô hình ngôn ngữ lớn, của Syeda Anshrah Gillani và 1 tác giả khác Xem PDF HTML (thử nghiệm) Tóm tắt: Bệnh nhân ngày càng yêu cầu trợ lý mô hình ngôn ngữ lớn (LLM) xem bác sĩ nào, khiến các hệ thống này trở thành trung gian thông tin AI: các thuật toán làm trung gian cho sự lựa chọn của một người giữa những người khác và từ đó quyết định, một cách âm thầm và trên quy mô lớn, bác sĩ nào sẽ được nhìn thấy. Chúng tôi báo cáo quá trình kiểm tra thuật toán ngẫu nhiên được xác định trước về nguyên nhân dẫn đến các đề xuất đó. Bảy mô hình (sáu mẫu mở; gpt-4o-mini), mỗi mẫu được chọn trong số năm thẻ bác sĩ y học gia đình tổng hợp có các thuộc tính được chọn ngẫu nhiên độc lập trên 3.024 bộ lựa chọn, ba đặc điểm bệnh nhân, chín diễn giải gợi ý và chín nhóm thử nghiệm, mang lại 40.068 phản hồi được chấm điểm; giới tính và dân tộc được báo hiệu thông qua tên theo phương pháp kiểm toán tương ứng. Tín hiệu danh tiếng chiếm ưu thế: tăng xếp hạng từ 3,9 lên 4,7 sẽ tăng xác suất lựa chọn lên 31,4 điểm phần trăm (pp) và tăng phí từ 90 đô la lên 190 đô la sẽ làm giảm 20,0 trang. Sự bình đẳng về nhân khẩu học bị từ chối, nhưng không theo hướng mà các nghiên cứu kiểm toán của con người dự đoán: tên dành cho nữ tăng 2,5 trang và tên gốc Tây Ban Nha, Nam Á và Da đen đạt 1,3-2,9 trang so với các tên được Người da trắng báo hiệu, giá trị nghiêng từ $7-$14 cho mỗi lượt truy cập theo mức phí tương đương và vị trí được liệt kê đầu tiên không có nội dung có giá trị $11. Tuy nhiên, các mô hình đã đề cập đến giới tính hoặc sắc tộc trong tối đa 0,03% lý do đã nêu của họ và bỏ phiếu trắng trong 0,39% số thử nghiệm, vì vậy những tác động này là vô hình trong lời giải thích của chính mô hình và nghĩa vụ minh bạch dựa trên việc tự báo cáo của mô hình sẽ không phát hiện ra chúng. Một mô hình lý luận đã thất bại hoàn toàn trước cổng kiểm tra được xác định trước. Thiết kế cố định giúp quá trình kiểm tra có thể lặp lại: bất kỳ mô hình mới nào cũng có thể được đánh giá dựa trên các tác nhân kích thích giống hệt nhau, khiến việc kiểm tra hành vi định kỳ, thay vì tự giải thích, công nghệ giám sát phù hợp với mục đích. Bình luận: 26 trang, 9 hình, 10 bảng chủ đề: Máy tính và Xã hội (cs.CY); Trí tuệ nhân tạo (cs.AI); Tính toán và Ngôn ngữ (cs.CL) Trích dẫn như: arXiv:2608.14399 [cs.CY] (hoặc arXiv:2608.14399v1 [cs.CY] cho phiên bản này) https://doi.org/10.48550/arXiv.2608.14399 Tập trung để tìm hiểu thêm DOI do arXiv cấp qua DataCite (đang chờ đăng ký) Lịch sử gửi Từ: Mirza Samad Ahmed Baig [xem email] [v1] Thứ Sáu, ngày 14 tháng 8 năm 2026 15:39:10 UTC (86 KB) Link toàn văn: Giấy truy cập: Xem bản PDF của bài báo có tiêu đề AI giới thiệu bác sĩ của ai? Kiểm tra thuật toán về danh tiếng và tín hiệu nhân khẩu học trong sự lựa chọn của bác sĩ dựa trên mô hình ngôn ngữ lớn, của Syeda Anshrah Gillani và 1 tác giả khác Xem PDF HTML (thử nghiệm) Nguồn TeX xem giấy phép Bối cảnh duyệt hiện tại: cs.CY < trước | tiếp theo > mới | gần đây | 2026-08 Thay đổi duyệt theo: cs cs.AI cs.CL Tài liệu tham khảo & trích dẫn QUẢNG CÁO của NASA Học giả Google Học giả ngữ nghĩa xuất trích dẫn BibTeX Đang tải... Trích dẫn có định dạng BibTeX × đang tải... Dữ liệu được cung cấp bởi: Đánh dấu Công cụ thư mục Công cụ thư mục và trích dẫn Chuyển đổi trình khám phá thư mục Trình khám phá thư mục (Trình khám phá là gì?) Giấy tờ được kết nối Chuyển đổi Giấy tờ được kết nối (Giấy tờ được kết nối là gì?) Chuyển đổi bản đồ Litmap Litmap (Litmap là gì?) scite.ai Chuyển đổi trích dẫn thông minh (Trích dẫn thông minh là gì?) Mã, Dữ liệu, Phương tiện Mã, dữ liệu và phương tiện liên quan đến bài viết này chuyển đổi alphaXiv alphaXiv (alphaXiv là gì?) Liên kết đến chuyển đổi mã Trình tìm mã CatalyzeX cho giấy tờ (CatalyzeX là gì?) Chuyển đổi DagsHub DagsHub (DagsHub là gì?) GotitPub Chuyển đổi Gotit.pub (GotitPub là gì?) Chuyển đổi ôm mặt Ôm Mặt (Ôm Mặt là gì?) Khoa họcCast Chuyển đổi ScienceCast (ScienceCast là gì?) Bản demo Bản demo Sao chép chuyển đổi Sao chép (Sao chép là gì?) Chuyển đổi không gian Ôm không gian khuôn mặt (Spaces là gì?) Chuyển đổi không gian TXYZ.AI (TXYZ.AI là gì?) Giấy tờ liên quan Công cụ đề xuất và tìm kiếm Liên kết đến hoa ảnh hưởng Hoa Ảnh hưởng (Hoa Ảnh hưởng là gì?) Chuyển đổi đề xuất cốt lõi Người giới thiệu CORE (CORE là gì?) tác giả Địa điểm Cơ quan chủ đề Giới thiệu về arXivLabs arXivLabs: dự án thử nghiệm với cộng tác viên cộng đồng arXivLabs là một khuôn khổ cho phép cộng tác viên phát triển và chia sẻ các tính năng arXiv mới trực tiếp trên trang web của chúng tôi. Cả cá nhân và tổ chức làm việc với arXivLabs đều chấp nhận và chấp nhận các giá trị của chúng tôi về tính cởi mở, cộng đồng, sự xuất sắc và quyền riêng tư dữ liệu người dùng. arXiv cam kết tuân thủ các giá trị này và chỉ làm việc với các đối tác tuân thủ chúng. Bạn có ý tưởng về một dự án sẽ tăng thêm giá trị cho cộng đồng arXiv không? Tìm hiểu thêm về arXivLabs. Những tác giả của bài viết này là người chứng thực? | Vô hiệu hóa MathJax (MathJax là gì?)