FenixEdu™

Dissertação

Leveraging Large Language Models for Enhancing Medical Education EVALUATED

Detalhes: A ascensão dos Grandes Modelos de Linguagem (GMLs) tem gerado discussões sobre o seu papel na educação, particularmente no campo da medicina. Embora os GMLs, como o ChatGPT, têm vindo a oferecer benefícios na assistência de tarefas demoradas pela seleção e organização de informação e na potencial personalização dos métodos educacionais, a sua automatização pode trazer riscos e preocupações quanto à sua fiabilidade, especialmente na produção de conteúdos médicos. Esta tese explora a aplicação da última geração de modelos de linguagem na Educação Médica, focando-se na sua capacidade de criar materiais pedagógicos e avaliações para o tópico da endocardite infeciosa. Por meio de uma série de casos de uso exemplares, testámos as suas habilidades e limitações, refinando as suas respostas recorrendo à recomendada engenharia de prompts. As nossas conclusões destacam pontos fortes e fracos na versão mais acessível e GPT-4s, nomeadamente, ao nível da manutenção de conhecimento atualizado e na garantia de factualidade. Além disso, avaliámos GMLs de código aberto para contextos médicos face à linguagem técnica exigida pelo nível avançado e fine-tuning para reforçar e facilitar a validação de erros no conteúdo gerado. No seu conjunto, os resultados destas experiências sublinham a importância de uma supervisão profissional na integração dos GMLs neste domínio médico, defendendo-se assim a utilização cautelosa, mais informada destas ferramentas.
Keywords: Inteligência Artificial, Grandes Modelos de Linguagem, Educação Médica, Endocardite Infectiosa, Engenharia da Prompt, Ajuste Fino Supervisionado.

Discussão: outubro 30, 2024, 16:30

Documentos da dissertação ainda não disponíveis publicamente