摘 要： ［目的／ 意義］ 學(xué)者們重視追求醫(yī)療智慧問答相關(guān)技術(shù)本身的前沿性， 對(duì)基礎(chǔ)理論的探討研究較少，兩者未能融合發(fā)展。［方法／ 過程］ 在辨析相關(guān)概念的基礎(chǔ)上， 首先闡述在線醫(yī)療健康領(lǐng)域智慧問答服務(wù)的內(nèi)涵及特征， 之后剖析知識(shí)圖譜與大語言模型的聯(lián)系及兩者的互補(bǔ)融合思路， 最后提出圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)。［結(jié)果／ 結(jié)論］ 文章將醫(yī)療智慧問答服務(wù)理論特征貫穿智慧問答服務(wù)的全過程， 創(chuàng)新性地提出其智慧問答服務(wù)應(yīng)包含大語言模型驅(qū)動(dòng)的醫(yī)療知識(shí)圖譜構(gòu)建、知識(shí)圖譜增強(qiáng)的醫(yī)療大模型訓(xùn)練、圖模驅(qū)動(dòng)的智慧問答服務(wù)流程三部分。本研究實(shí)現(xiàn)了理論與技術(shù)的有機(jī)結(jié)合， 研究成果可用于后續(xù)醫(yī)療智慧問答的實(shí)踐性工作。

關(guān)鍵詞： 知識(shí)圖譜； 大語言模型； 在線醫(yī)療健康； 智慧問答服務(wù)

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０１．０１２

〔中圖分類號(hào)〕Ｒ１９７. ３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２５） ０１－０１６４－１３

２０１９ 年， 國(guó)務(wù)院印發(fā)《國(guó)務(wù)院關(guān)于實(shí)施健康中國(guó)行動(dòng)的意見》， 指出要將優(yōu)化健康服務(wù)、普及健康知識(shí)、構(gòu)建健康環(huán)境放在更加突出的位置。近年來， 隨著生活方式與生存環(huán)境的急劇變化， 以及互聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)和移動(dòng)設(shè)備的快速普及， 人們?cè)絹碓絻A向于通過在線醫(yī)療平臺(tái)獲得健康知識(shí)， 以實(shí)現(xiàn)對(duì)自身健康狀況的控制和管理［１］ 。就理論層面來講， 智慧問答服務(wù)作為自動(dòng)問答服務(wù)領(lǐng)域的高階進(jìn)程， 與當(dāng)下主流的“智能問答” “智慧服務(wù)” 等概念息息相關(guān)， 尚未有學(xué)者對(duì)此進(jìn)行辨析和梳理。就技術(shù)層面來講， 學(xué)者們圍繞各類相關(guān)技術(shù)進(jìn)行了廣泛地探索， 主要分為兩類： 一類是以知識(shí)圖譜驅(qū)動(dòng)的自動(dòng)問答研究， 如疾病知識(shí)圖譜的自動(dòng)問答系統(tǒng)優(yōu)化研究［２］ 、融合知識(shí)圖譜的中文醫(yī)療社區(qū)自動(dòng)問答研究［３］ ， 其優(yōu)勢(shì)在于答案準(zhǔn)確度高， 可解釋性強(qiáng)，但缺乏對(duì)復(fù)雜問題的處理能力及上下文信息的語義連貫性， 實(shí)際應(yīng)用并不廣泛； 另外一類是用于醫(yī)療健康領(lǐng)域自動(dòng)問答的垂直大語言模型， 如ＣｈａｔＤｏｃ?ｔｏｒ［４］ 、ＢｉａｎＱｕｅ［５］ 等， 盡管憑借其強(qiáng)大的語義理解力獲得廣泛認(rèn)可， 然而大模型回答的結(jié)果并不完全準(zhǔn)確且缺乏可解釋性， 用戶很難理解模型如何得出特定結(jié)論或生成特定文本， 這也限制了模型在關(guān)鍵任務(wù)中的可用性。

其中， 一個(gè)共性的關(guān)鍵問題是： 人工智能技術(shù)的迅猛發(fā)展， 使得現(xiàn)有研究多追求技術(shù)本身的前沿性， 對(duì)基礎(chǔ)理論的探討研究較少， 兩者未能融合發(fā)展， 這也使得現(xiàn)有的自動(dòng)問答服務(wù)仍停留在“智能”而非“智慧” 層面。因此， 如何結(jié)合智慧問答理論內(nèi)涵及特征， 融合現(xiàn)有主流的人工智能問答技術(shù)，設(shè)計(jì)出一套完整的服務(wù)模式以加速其智慧化轉(zhuǎn)型，是當(dāng)前醫(yī)療健康自動(dòng)問答領(lǐng)域的重要問題。

綜上， 本文在分析國(guó)內(nèi)外現(xiàn)有研究的基礎(chǔ)上，辨析在線醫(yī)療健康“智慧問答服務(wù)” 與“智能問答”“智慧服務(wù)” 等相關(guān)概念的區(qū)別， 探討在線醫(yī)療健康領(lǐng)域智慧問答服務(wù)內(nèi)涵， 闡述數(shù)智時(shí)代下醫(yī)療智慧問答服務(wù)所需特征， 深度剖析知識(shí)圖譜和大語言模型的各自優(yōu)勢(shì)及兩者在智慧問答領(lǐng)域的互補(bǔ)融合思路， 最終提出圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)， 本研究實(shí)現(xiàn)了知識(shí)圖譜與大語言模型的深度融合及優(yōu)勢(shì)互補(bǔ)， 突破了現(xiàn)有知識(shí)問答研究方法的局限， 可為醫(yī)療健康領(lǐng)域的智慧化轉(zhuǎn)型貢獻(xiàn)新的思路和方法。

１ 相關(guān)研究

１. １ 理論概念辨析

１） 在線醫(yī)療健康“智慧問答” 與“智能問答”

“智慧問答” 與“智能問答” 兩者均屬于自動(dòng)問答， 其區(qū)別在于“智慧” 和“智能” 二詞。圖１列出了“智慧” 與“智能” 兩者的辨析圖， 可以發(fā)現(xiàn)“智慧” 與“智能” 兩者雖相輔相成， 卻各執(zhí)其蘊(yùn)。

“智慧” 一詞在《辭海》中指人對(duì)事物能認(rèn)識(shí)、辨析、判斷處理和發(fā)明創(chuàng)造的能力［６］ 。智慧體現(xiàn)為一種全新的創(chuàng)造性思維形式， 是人類在現(xiàn)有知識(shí)基礎(chǔ)上， 通過大腦進(jìn)行更高層次的加工和再運(yùn)用， 以形成解決新問題的能力［７］ 。人作為智慧的主體， 思考力、理解力都是其智慧的體現(xiàn)［８］ ?！爸悄堋?一詞在《辭?！分械尼屃x是智力與才能［６］ ， 與“智慧”相比， 其主題更多側(cè)重于技術(shù)， 這類技術(shù)是人類運(yùn)用智慧發(fā)明創(chuàng)造的產(chǎn)物， 可通過模擬人類處理數(shù)據(jù)的能力高效解決問題， 但不具備人類固有的思考能力及道德約束力， 僅可稱之為工具［７］ 。

因此， “智能” 并不等同于“智慧”， “智能”停留在工具自動(dòng)化處理數(shù)據(jù)層面， 而“智慧” 一詞本身僅針對(duì)人類， 不僅包含了知識(shí)和技能的應(yīng)用，還涵蓋了人類的思考力、理解力和創(chuàng)新能力?！爸腔邸?一詞的范疇遠(yuǎn)遠(yuǎn)大于“智能”， “智能” 是模擬人類部分智慧能力的體現(xiàn)， 現(xiàn)有的智能技術(shù)、智能工具需要賦予其“類人性” 方能形成人類所具備的“智慧”。

具體到醫(yī)療健康領(lǐng)域， “智能問答” 更多地體現(xiàn)為通過機(jī)器學(xué)習(xí)、人工智能、自然語言處理等技術(shù)， 自動(dòng)化處理各類醫(yī)療數(shù)據(jù)以提高醫(yī)療問答效率［９］ ?！爸腔蹎柎稹?則不僅僅是對(duì)醫(yī)療數(shù)據(jù)的分析和處理， 而需要深層次地理解醫(yī)療問題， 并針對(duì)患者的具體情況， 結(jié)合多維度信息（如病史、生活習(xí)慣、遺傳信息等）， 提供最適合的醫(yī)療建議和治療方案。

２） 在線醫(yī)療健康“智慧問答服務(wù)” 與“智慧問答”

“智慧問答” 強(qiáng)調(diào)的是智慧化的回答， 側(cè)重于回答質(zhì)量的智慧性， 是提供智慧問答服務(wù)的前提條件?！爸腔蹎柎鸱?wù)” 則以用戶的需求為切入點(diǎn)，利用新的技術(shù)或手段， 完成產(chǎn)品的智慧化服務(wù)， 注重整個(gè)問答服務(wù)的全過程， 如程秀峰等［１０］ 認(rèn)為， 智慧問答服務(wù)需要運(yùn)用云計(jì)算、物聯(lián)網(wǎng)和人工智能等關(guān)鍵技術(shù)， 感知用戶需求， 識(shí)別用戶興趣偏好， 提供高準(zhǔn)確性問答。劉澤等［１１］ 從數(shù)據(jù)驅(qū)動(dòng)的視角出發(fā)， 構(gòu)建了圖書館領(lǐng)域的智慧問答服務(wù)模型。張傳洋等［１２］ 從數(shù)智化轉(zhuǎn)型視角出發(fā)， 結(jié)合目前我國(guó)健康醫(yī)療信息化的發(fā)展現(xiàn)狀， 依據(jù)信息生命周期管理理論， 構(gòu)建了數(shù)智化醫(yī)療信息利用與服務(wù)模式框架。

“智慧問答服務(wù)” 作為“智慧問答” 的延伸， 如圖２ 所示， 其智慧性不僅僅體現(xiàn)在回答內(nèi)容， 更強(qiáng)調(diào)數(shù)智賦能服務(wù)模式的轉(zhuǎn)變， 也是“智慧問答” 的最終落腳點(diǎn)。因此， 本文認(rèn)為在線醫(yī)療健康領(lǐng)域的智慧問答服務(wù)是借助現(xiàn)代信息技術(shù)、網(wǎng)絡(luò)技術(shù)、智能技術(shù)等， 基于不同的用戶信息需求， 改進(jìn)傳統(tǒng)的醫(yī)療服務(wù)模式， 實(shí)現(xiàn)健康知識(shí)的學(xué)習(xí)、傳播， 進(jìn)而為用戶自我健康管理提供便捷化的服務(wù)。

３） 在線醫(yī)療健康“智慧問答服務(wù)” 與“智慧服務(wù)”

近年來， 伴隨著大數(shù)據(jù)技術(shù)、人工智能技術(shù)突飛猛進(jìn)的發(fā)展， 特別是在深度學(xué)習(xí)、自然語言處理、知識(shí)融合、機(jī)器學(xué)習(xí)領(lǐng)域的研究取得了實(shí)質(zhì)性的成果， 圖書情報(bào)領(lǐng)域繼文獻(xiàn)服務(wù)、信息服務(wù)、知識(shí)服務(wù)后又迎來智慧服務(wù)這一新發(fā)展階段［１３］ 。

目前， 圖情領(lǐng)域?qū)W者們圍繞“智慧服務(wù)” 這一概念已展開初步的理論探討， 如蘇新寧［１４］ 提出， 未來知識(shí)服務(wù)會(huì)突破文獻(xiàn)服務(wù)的框架走向智慧服務(wù)新形態(tài)?？缕降龋郏保担?強(qiáng)調(diào)了數(shù)據(jù)和智能技術(shù)為核心的數(shù)智融合， 認(rèn)為智慧服務(wù)是后知識(shí)服務(wù)的重點(diǎn)內(nèi)容。李曉妍［１６］ 認(rèn)為， 智慧服務(wù)是面向內(nèi)容理解的主動(dòng)服務(wù)模式， 能夠充分利用人工智能與大數(shù)據(jù)的技術(shù)躍遷， 嵌入產(chǎn)業(yè)技術(shù)創(chuàng)新全流程， 使情報(bào)服務(wù)具有超前研判、預(yù)測(cè)預(yù)警、前沿發(fā)現(xiàn)等智慧化能力， 提供技術(shù)決策布局、技術(shù)解決方案等具有智慧的情境服務(wù)。王秉等［１７］ 從情報(bào)安全的視角出發(fā)， 分析了智慧服務(wù)體系的運(yùn)作過程與服務(wù)模式。鄭榮等［１８］從產(chǎn)業(yè)競(jìng)爭(zhēng)情報(bào)的視角出發(fā)， 對(duì)智慧服務(wù)相關(guān)概念做出了界定。本文將前人已有相關(guān)研究觀點(diǎn)遷移到醫(yī)療健康領(lǐng)域， 認(rèn)為在線醫(yī)療健康領(lǐng)域的智慧服務(wù)以多源健康大數(shù)據(jù)為基礎(chǔ)， 借助數(shù)智賦能的思想，依托人工智能、知識(shí)圖譜等相關(guān)技術(shù)， 實(shí)現(xiàn)健康知識(shí)挖掘與發(fā)現(xiàn)， 從而完成自動(dòng)化、精準(zhǔn)化、個(gè)性化的健康服務(wù)。

“智慧問答服務(wù)” 與“智慧服務(wù)” 的區(qū)別在于“問答” 二字， 從表述上來看， “智慧服務(wù)” 涵蓋了服務(wù)的所有模式或方法， 而“智慧問答服務(wù)” 僅專注于問答這一形式。因此， 智慧問答服務(wù)可以被視為智慧服務(wù)的一個(gè)具體實(shí)例或子集， 如圖２ 所示，專注于通過問答方式提供知識(shí)， 運(yùn)用大數(shù)據(jù)、人工智能等先進(jìn)技術(shù)來理解和回答用戶的問題， 同時(shí)注重深層次的理解和情境分析， 智能化、敏捷化、自動(dòng)化地分析， 力求為用戶提供最優(yōu)的解決方案和建議， 以滿足用戶的健康需求。

１. ２ 在線醫(yī)療健康智慧問答相關(guān)技術(shù)研究進(jìn)展

技術(shù)研究進(jìn)展方面， 考慮到智慧問答屬于自動(dòng)問答發(fā)展的高階進(jìn)程， 而目前尚未有學(xué)者真正從實(shí)踐層面上實(shí)現(xiàn)智慧問答， 因此， 本部分從涵蓋范圍最廣的自動(dòng)問答概念入手， 了解目前與智慧問答相關(guān)的前沿技術(shù)， 為后續(xù)在線醫(yī)療健康智慧問答服務(wù)模式的構(gòu)建奠定技術(shù)基礎(chǔ)。

傳統(tǒng)依靠“人工疾病救治” 模式難以應(yīng)對(duì)當(dāng)前用戶日益增長(zhǎng)的健康保健和慢性病管理需求。近年來， 隨著大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)等現(xiàn)代信息技術(shù)的高速發(fā)展， 在線醫(yī)療健康自動(dòng)問答服務(wù)應(yīng)運(yùn)而生， 早期的自動(dòng)問答服務(wù)主要依靠關(guān)鍵詞匹配的方式進(jìn)行回答， 這種方法準(zhǔn)確率相對(duì)較低， 難以處理復(fù)雜的用戶咨詢， 此后隨著人工智能的進(jìn)一步迅猛發(fā)展， 學(xué)者們集中研究如何通過前沿技術(shù)的利用進(jìn)行自動(dòng)問答， 如曹明宇等［１９］ 識(shí)別用戶問題中的實(shí)體， 結(jié)合ＴＦ－ＩＤＦ 和詞向量生成句子向量， 匹配最相似的問題模板， 最后根據(jù)模板的語義及問題中的實(shí)體， 到知識(shí)圖譜中檢索答案。陳明等［２０］ 提出一種融合醫(yī)療知識(shí)圖譜的命名實(shí)體識(shí)別模型， 以解析醫(yī)療問句中的實(shí)體和關(guān)系， 有效提升了現(xiàn)有醫(yī)療智能問答的準(zhǔn)確率。

盡管現(xiàn)有諸多學(xué)者基于知識(shí)圖譜對(duì)在線醫(yī)療健康自動(dòng)問答領(lǐng)域進(jìn)行了有效探索， 但仍存在以下問題［２１］ ： ①用戶的問題中可能包含模糊、多義性或特定領(lǐng)域的術(shù)語， 理解這些術(shù)語需要高級(jí)的自然語言處理能力； ②語境理解和長(zhǎng)期依賴。用戶的提問可能涉及上下文關(guān)系或需要長(zhǎng)期記憶的理解， 傳統(tǒng)知識(shí)圖譜在處理這類需求時(shí)存在局限； ③交互性和對(duì)話管理。知識(shí)圖譜通常不擅長(zhǎng)處理連貫的對(duì)話或交互性問題。隨著大語言模型時(shí)代的到來， 在線醫(yī)療健康自動(dòng)問答領(lǐng)域迎來了新的發(fā)展機(jī)遇。

大語言模型（ＬＬＭ， Ｌａｒｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌ）是一種由包含數(shù)百億以上權(quán)重的深度神經(jīng)網(wǎng)絡(luò)構(gòu)建的語言模型， 采用自監(jiān)督學(xué)習(xí)方法對(duì)大量無標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練， 以遞歸的方式生成高質(zhì)量的自然語言文本［２２］ 。自２０２２ 年１１ 月ＣｈａｔＧＰＴ（Ｃｈａｔ ＧｅｎｅｒａｔｉｖｅＰｒｅ－ｔｒａｉｎｅｄ Ｔｒａｎｓｆｏｒｍｅｒ）發(fā)布以來， 大語言模型引起全世界廣泛關(guān)注。用戶可以通過自然語言的方式提問各種問題， 模型會(huì)嘗試在理解問題的上下文語義的基礎(chǔ)上生成相應(yīng)的回答。大語言模型的引入解決了傳統(tǒng)知識(shí)圖譜面臨的諸多挑戰(zhàn)， 提高了對(duì)模糊、多義性查詢的理解能力， 增強(qiáng)了語境理解和長(zhǎng)期依賴的處理能力， 提升了交互性和對(duì)話管理的效率。然而用戶和開發(fā)者難以理解其生成回答的具體原因。此外， 由于訓(xùn)練數(shù)據(jù)的質(zhì)量差異導(dǎo)致大語言模型可能生成誤導(dǎo)或偏差的信息， 這也限制了模型在關(guān)鍵任務(wù)的實(shí)際應(yīng)用。

總的來說， 現(xiàn)有醫(yī)療智慧問答相關(guān)技術(shù)為本研究的開展提供了一定的基礎(chǔ)， 但多停留在知識(shí)圖譜或大語言模型等智能技術(shù)的直接利用， 本質(zhì)上仍為“智能” 問答， 尚未觸及智慧問答層面。因此， 有必要從理論角度厘清數(shù)智時(shí)代在線醫(yī)療健康智慧問答服務(wù)的核心內(nèi)涵與理論特征， 在此基礎(chǔ)上， 圍繞其理論特征， 探索現(xiàn)有主流問答技術(shù)在醫(yī)療智慧問答領(lǐng)域的互補(bǔ)融合策略， 構(gòu)建一個(gè)全面、高效、靈活的在線醫(yī)療健康智慧問答服務(wù)模式， 以滿足當(dāng)前用戶日益增長(zhǎng)的健康信息需求。

２ 在線醫(yī)療健康智慧問答服務(wù)內(nèi)涵及特征

２. １ 在線醫(yī)療健康智慧問答服務(wù)內(nèi)涵

針對(duì)在線醫(yī)療健康領(lǐng)域， 智慧問答服務(wù)的應(yīng)用廣泛且多樣， 如智能分診、疾病診斷、保健養(yǎng)生等。鑒于學(xué)界對(duì)智慧問答服務(wù)尚未形成統(tǒng)一的概念界定，也未形成系統(tǒng)規(guī)范的智慧問答服務(wù)框架模型， 本文亦無意對(duì)其下精確的定義， 為方便理解， 這里僅說明對(duì)其的一些認(rèn)識(shí)。

在前文所述的“智慧問答” “智慧服務(wù)” 等概念的基礎(chǔ)上， 本文借鑒羅立群等［１３］ 對(duì)智慧服務(wù)認(rèn)識(shí)的三層含義， 并將其遷移到在線醫(yī)療健康問答領(lǐng)域， 由此給出了本文在線醫(yī)療健康智慧問答服務(wù)的以下三層內(nèi)涵：

１） 數(shù)據(jù)驅(qū)動(dòng)的智能分析： 依托大數(shù)據(jù)、人工智能等技術(shù)處理來自醫(yī)療健康領(lǐng)域的多源大數(shù)據(jù)，如電子病歷、藥物反應(yīng)數(shù)據(jù)等， 通過不斷從數(shù)據(jù)中提煉信息、知識(shí)， 形成智慧， 為醫(yī)療決策、疾病診斷、治療方案的制定和健康管理提供支持。

２） “類人” 的情報(bào)處理能力： 專注于模擬人腦情報(bào)對(duì)話及思維處理能力， 如對(duì)醫(yī)療數(shù)據(jù)的深度理解、邏輯推理和決策分析等方面。通過處理復(fù)雜的醫(yī)療信息， 理解患者的病史、診斷信息、治療方案等， 并基于這些信息進(jìn)行綜合分析和推理。此外，還能參考最新的醫(yī)療研究成果， 為醫(yī)生提供最優(yōu)的治療建議。

３） 符合人類價(jià)值觀： 智慧問答服務(wù)不僅是技術(shù)和數(shù)據(jù)的集合， 更整合了文化、倫理、道德等諸多人類社會(huì)屬性。文化方面， 在線醫(yī)療智慧問答服務(wù)需考慮不同地區(qū)患者的文化背景， 以提供符合用戶習(xí)慣和期望的咨詢服務(wù)。倫理方面， 智慧問答服務(wù)提供者必須遵循嚴(yán)格的倫理規(guī)范， 尊重患者的自主決策權(quán)， 確保他們?cè)诔浞种榈那闆r下做出自己的醫(yī)療決定。道德方面， 在線醫(yī)療服務(wù)應(yīng)堅(jiān)持以人為本的原則， 服務(wù)提供者應(yīng)確保信息的準(zhǔn)確性和及時(shí)性， 不夸大或誤導(dǎo)用戶， 提供公平和無歧視的服務(wù)。

在此過程中， 醫(yī)生、患者、醫(yī)療機(jī)構(gòu)等各方主體共同參與， 形成了情報(bào)流、知識(shí)流、思想流的交互與融合。通過整合這些信息， 形成具有深度理解和智慧的情報(bào)產(chǎn)品， 以支持醫(yī)療決策、創(chuàng)新發(fā)現(xiàn)和問題解決， 實(shí)現(xiàn)知識(shí)價(jià)值的提升。

２. ２ 在線醫(yī)療健康智慧問答服務(wù)特征

作為智能技術(shù)與人類智慧交叉融合的產(chǎn)物， 在線醫(yī)療健康智慧問答服務(wù)正逐漸成為醫(yī)療行業(yè)數(shù)字化轉(zhuǎn)型的核心驅(qū)動(dòng)力。這一服務(wù)模式不僅要求技術(shù)層面的創(chuàng)新， 更需要將人類的智慧特征與技術(shù)緊密結(jié)合， 從而提供醫(yī)療智慧化解決方案以滿足用戶深層次的需求。本研究通過梳理現(xiàn)有相關(guān)文獻(xiàn)， 共總結(jié)數(shù)智時(shí)代下在線醫(yī)療健康智慧問答服務(wù)所需的６個(gè)關(guān)鍵特征， 旨在為后續(xù)服務(wù)模式的構(gòu)建奠定堅(jiān)實(shí)的理論基礎(chǔ)。

１） 醫(yī)學(xué)知識(shí)理解力

高級(jí)自然語言理解意味著模型不僅能夠識(shí)別和處理用戶的文字輸入， 還能理解醫(yī)學(xué)領(lǐng)域復(fù)雜的語言結(jié)構(gòu)、隱含的意圖和情感， 可以準(zhǔn)確地捕捉到用戶的信息需求， 從而提供更相關(guān)、更深入的回答［２３］ 。此外， 這種理解能力還包括對(duì)不同文化、地區(qū)習(xí)慣和語言差異的適應(yīng)， 從而能夠服務(wù)于更廣泛、多樣化的用戶群體。

２） 醫(yī)學(xué)對(duì)話能力

對(duì)話式可以使模型能夠理解、記憶并參照歷史， 從而在一系列相關(guān)問題中提供連續(xù)性和一致性的回答［２４－２５］ 。此外， 能夠更靈活地處理模糊或不完整的查詢， 通過追加問題來精確用戶的需求， 實(shí)現(xiàn)更加深入和個(gè)性化的信息交流。

３） 上下文感知

上下文感知確保問答服務(wù)能夠理解和解釋患者問題的具體上下文［２６］ ， 如健康狀況和癥狀的嚴(yán)重程度， 提供更準(zhǔn)確和相關(guān)的信息。這種感知能力使得系統(tǒng)能夠適應(yīng)環(huán)境變化， 及時(shí)調(diào)整其回答和建議，甚至進(jìn)行預(yù)測(cè)性分析， 識(shí)別潛在的健康風(fēng)險(xiǎn)［２７］ ， 可以極大地提升智慧問答在醫(yī)療保健中的效能， 為實(shí)現(xiàn)更高效、更人性化的醫(yī)療保健提供了強(qiáng)有力的支持。

４） 醫(yī)學(xué)知識(shí)準(zhǔn)確性

準(zhǔn)確性作為在線醫(yī)療健康智慧問答服務(wù)關(guān)鍵特征之一， 直接關(guān)系到服務(wù)的可靠性和用戶的信任度。準(zhǔn)確的醫(yī)療信息對(duì)于支持臨床決策、患者教育和自我管理、增強(qiáng)公眾健康意識(shí)以及避免信息過載和混淆至關(guān)重要［２８］ 。因此， 如何集成現(xiàn)有的技術(shù)深入理解用戶的查詢意圖， 準(zhǔn)確匹配并提供科學(xué)、合理的醫(yī)療建議是一大挑戰(zhàn)。

５） 醫(yī)學(xué)知識(shí)可解釋性

可解釋性提高了智慧問答服務(wù)的信任和透明度，使得用戶能夠清楚地理解推薦或決策的邏輯和依據(jù)［２８］ 。同時(shí)， 對(duì)醫(yī)療專業(yè)人員在臨床決策過程中的評(píng)估和驗(yàn)證提供了關(guān)鍵支持， 確保信息的來源可以被追蹤和驗(yàn)證［２９］ ， 這對(duì)于保持醫(yī)療行業(yè)的法規(guī)合規(guī)性和責(zé)任歸屬非常重要。此外， 可解釋性還為醫(yī)療專業(yè)人員和患者提供了教育和培訓(xùn)價(jià)值， 有助于提高患者對(duì)健康建議的理解和遵循?？傊?， 可解釋性是建立用戶信任、支持臨床決策、確保合規(guī)性、提高患者參與度的關(guān)鍵因素， 也是推動(dòng)高效、負(fù)責(zé)任和用戶友好醫(yī)療服務(wù)的關(guān)鍵環(huán)節(jié)。

６） 符合人類價(jià)值觀

符合人類價(jià)值觀要求醫(yī)療智慧問答服務(wù)必須建立在嚴(yán)格的道德約束之上， 確保所有醫(yī)療建議符合醫(yī)學(xué)倫理原則［３０］ 。一方面， 不同文化背景的用戶對(duì)疾病和治療的理解與接受度可能有所不同， 因此，服務(wù)者必須充分考慮患者的文化背景和個(gè)人偏好，以提供符合患者文化習(xí)慣和期望的健康咨詢服務(wù)；另一方面， 醫(yī)療智慧問答服務(wù)應(yīng)遵守?zé)o傷害原則和有益原則， 確保所有建議和干預(yù)都是為了增進(jìn)患者的健康和福祉， 始終以患者的最佳利益為重， 避免任何形式的歧視和偏見。

３ 圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)

３. １ 知識(shí)圖譜與大語言模型的區(qū)別及聯(lián)系

語言為“形”， 知識(shí)“立” 心， 圖譜作“骨”。語言是知識(shí)的載體， 知識(shí)是智慧的根本， 圖３ 列出了知識(shí)圖譜與大語言模型的區(qū)別及聯(lián)系， 可以發(fā)現(xiàn)大語言模型和知識(shí)圖譜作為知識(shí)表示和處理的計(jì)算手段， 兩者雖有不同卻可相互聯(lián)系。知識(shí)圖譜起源于語義網(wǎng)， 由谷歌（Ｇｏｏｇｌｅ）公司于２０１２ 年提出， 可以通過三元組的方式存儲(chǔ)知識(shí)， 形成直觀且易于理解的知識(shí)結(jié)構(gòu)框架［３１］ ， 從而對(duì)海量的數(shù)據(jù)有序化組織、關(guān)聯(lián)和管理， 其本質(zhì)是一種結(jié)構(gòu)化顯性知識(shí)庫(kù)， 可解釋性強(qiáng)， 特定領(lǐng)域知識(shí)準(zhǔn)確性高， 但構(gòu)建流程復(fù)雜， 缺乏自然語言理解力。相比之下， 大語言模型的興起得益于深度學(xué)習(xí)和人工智能技術(shù)的進(jìn)步， 與知識(shí)圖譜不同的是， 大語言模型可以自動(dòng)學(xué)習(xí)海量文本數(shù)據(jù)中的深層次語義特征， 通過動(dòng)態(tài)的、概率性的知識(shí)表示方式［３２］ ， 使得大語言模型在自然語言理解、上下文感知和對(duì)話式交互方面表現(xiàn)出色， 能夠根據(jù)用戶的具體情況和需求， 生成流暢且個(gè)性化的回答， 更具備“類人性”。但由于其隱式參數(shù)化的知識(shí)存儲(chǔ)方式， 可能導(dǎo)致其提供的答案缺乏直接的可解釋性和準(zhǔn)確性。

３. ２ 知識(shí)圖譜與大語言模型在醫(yī)療智慧問答領(lǐng)域互補(bǔ)融合的必要性

結(jié)合前期總結(jié)的醫(yī)療智慧問答服務(wù)的理論特征，可以發(fā)現(xiàn)， 知識(shí)圖譜和大語言模型在醫(yī)療智慧問答領(lǐng)域扮演了獨(dú)特而又互補(bǔ)的角色。知識(shí)圖譜以其精準(zhǔn)的結(jié)構(gòu)化知識(shí)可以滿足醫(yī)療智慧問答服務(wù)所需的醫(yī)學(xué)知識(shí)準(zhǔn)確性和醫(yī)學(xué)知識(shí)可解釋性， 確保回答的質(zhì)量和可信度； 而大語言模型可利用其強(qiáng)大的自然語言處理能力， 滿足醫(yī)療智慧問答服務(wù)所需的醫(yī)學(xué)知識(shí)理解力、醫(yī)學(xué)知識(shí)對(duì)話能力、上下文感知、符合人類價(jià)值觀特征， 使得用戶與模型交互更加流暢自然。圖４ 列出了知識(shí)圖譜與大語言模型在醫(yī)療智慧問答領(lǐng)域互補(bǔ)融合思路， 包含技術(shù)的互補(bǔ)和知識(shí)的融合兩部分， 技術(shù)的互補(bǔ)體現(xiàn)在實(shí)現(xiàn)智慧問答服務(wù)前期的準(zhǔn)備過程， 分為領(lǐng)域化的醫(yī)療知識(shí)圖譜構(gòu)建和醫(yī)療大語言模型訓(xùn)練過程， 一方面， 利用現(xiàn)有通用大語言模型強(qiáng)大的任務(wù)處理能力， 優(yōu)化非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取、優(yōu)化、融合等過程， 以降低醫(yī)療知識(shí)圖譜構(gòu)建成本； 另一方面， 利用已構(gòu)建的醫(yī)療知識(shí)圖譜中具備結(jié)構(gòu)化特征的三元組， 增強(qiáng)醫(yī)療大模型繼續(xù)預(yù)訓(xùn)練、有監(jiān)督微調(diào)過程中的數(shù)據(jù)質(zhì)量，以提升模型的質(zhì)量。知識(shí)的融合體現(xiàn)在醫(yī)療健康智慧問答服務(wù)后期的實(shí)踐框架上， 即如何設(shè)計(jì)一個(gè)管道式服務(wù)流程， 充分利用醫(yī)療知識(shí)圖譜和醫(yī)療大語言模型各自優(yōu)勢(shì)來滿足在線醫(yī)療智慧問答服務(wù)的６個(gè)理論特征， 構(gòu)建出既符合人類交互習(xí)慣又能提供深入、可靠的醫(yī)療健康信息的智慧問答服務(wù)。

３. ３ 圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)模式

為實(shí)現(xiàn)在線醫(yī)療健康領(lǐng)域自動(dòng)問答的智慧化轉(zhuǎn)型， 本研究設(shè)計(jì)了圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)模式， 主要分為三部分， 分別是大語言模型驅(qū)動(dòng)醫(yī)療知識(shí)圖譜構(gòu)建、知識(shí)圖譜增強(qiáng)醫(yī)療大語言模型訓(xùn)練以及圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)流程。

３. ３. １ 大語言模型驅(qū)動(dòng)醫(yī)療知識(shí)圖譜構(gòu)建

醫(yī)療知識(shí)圖譜構(gòu)建的主要目的在于借助其結(jié)構(gòu)化的顯性知識(shí)表達(dá)方式滿足前期總結(jié)的智慧問答服務(wù)醫(yī)學(xué)知識(shí)準(zhǔn)確性、醫(yī)學(xué)知識(shí)可解釋性兩個(gè)理論特征。當(dāng)前， 已有諸多學(xué)者開展了知識(shí)圖譜構(gòu)建的相關(guān)理論探索， 如林海倫等［３３］ 探討了開放網(wǎng)絡(luò)環(huán)境下領(lǐng)域知識(shí)圖譜的構(gòu)建思路， 馬海云等［３４］ 構(gòu)建了面向用戶需求的健康領(lǐng)域知識(shí)組織框架， 仔細(xì)分析可以發(fā)現(xiàn)， 其本質(zhì)均為對(duì)現(xiàn)有多源異構(gòu)的數(shù)據(jù)進(jìn)行采集、抽取、重組、存儲(chǔ)， 從而形成產(chǎn)品知識(shí)庫(kù)的過程， 已有研究提示［３５－３７］ ， 以ＣｈａｔＧＰＴ 為代表的大模型在政策、學(xué)術(shù)、醫(yī)療多個(gè)領(lǐng)域的命名實(shí)體識(shí)別、關(guān)系抽取等各類自然語言處理任務(wù)上表現(xiàn)卓越， 這也為知識(shí)圖譜的自動(dòng)構(gòu)建提供了可能。據(jù)此，本研究將大模型貫穿醫(yī)療知識(shí)圖譜構(gòu)建的全流程，設(shè)計(jì)了大語言模型驅(qū)動(dòng)的醫(yī)療健康知識(shí)圖譜構(gòu)建框架， 如圖５ 所示。

１） Ｐｒｏｍｐｔ 提示詞介紹及設(shè)置策略

Ｐｒｏｍｐｔ 提示詞是用戶與ＡＩ 溝通的橋梁， 通常是一種輸入提示或指令， 用于引導(dǎo)模型精準(zhǔn)把握用戶意圖， 生成富有洞察力的回答， 甚至能夠促使ＡＩ跨越簡(jiǎn)單的信息檢索， 達(dá)到深入的思考和創(chuàng)意性回復(fù)。一般來說， 其設(shè)計(jì)步驟主要分為以下５ 個(gè)步驟：①指定模型所扮演的角色（Ｒｏｌｅ）： 針對(duì)任務(wù)明確模型的身份或職責(zé)， 有助于確保生成的內(nèi)容符合用戶的期望和要求。②提供代表性的樣例（Ｆｅｗ－ｓｈｏｔＰｒｏｍｐｔ）： 為ＡＩ 提供一個(gè)參考示例， 使其充分理解要求， 提升模型性能表現(xiàn)。③提供任務(wù)說明和要求（Ｄｅｍａｎｄ）： 提供給ＣｈａｔＧＰＴ 語句流暢、意圖清晰、表達(dá)精簡(jiǎn)的任務(wù)描述。④指定生成結(jié)果的格式（Ｆｏｒ?ｍａｔ）： 通過顯示規(guī)定模型返回結(jié)果的格式， 以便于后續(xù)統(tǒng)計(jì)分析。⑤設(shè)置拒答策略（Ｒｅｆｕｓａｌ Ｓｔｒａｔｅｇｙ）：雖然ＣｈａｔＧＰＴ 設(shè)置了諸如“我的知識(shí)截至２０２１ 年９ 月…” 類似的拒答策略， 但仍無法完全避免大模型幻覺問題的產(chǎn)生。因此， 手動(dòng)設(shè)置拒答策略， 讓模型在沒有把握的時(shí)候拒絕回答問題， 提高處理任務(wù)的能力。以醫(yī)療健康知識(shí)抽取環(huán)節(jié)為例， 圖６ 列出了“大模型（如ＣｈａｔＧＰＴ－４）＋抽取式Ｐｒｏｍｐｔ” 進(jìn)行命名實(shí)體識(shí)別和關(guān)系抽取的具體過程。

２） 醫(yī)療知識(shí)圖譜構(gòu)建過程

具體來講， 醫(yī)療知識(shí)圖譜的構(gòu)建主要分為以下４ 個(gè)步驟： ①健康信息資源收集： 大數(shù)據(jù)時(shí)代下，醫(yī)學(xué)知識(shí)來源復(fù)雜、質(zhì)量參差不齊、分布稀疏等特點(diǎn)造成了醫(yī)療健康知識(shí)圖譜需要收集多方資源， 包含臨床診療數(shù)據(jù)、在線社區(qū)網(wǎng)站、學(xué)術(shù)文獻(xiàn)知識(shí)等，之后通過“大模型＋清洗式Ｐｒｏｍｐｔ” 的方式進(jìn)行數(shù)據(jù)清洗， 如冗余數(shù)據(jù)刪除、數(shù)據(jù)脫敏等， 為健康知識(shí)的抽取奠定基礎(chǔ)。②醫(yī)療健康知識(shí)抽?。?知識(shí)抽取階段的主要內(nèi)容是在健康領(lǐng)域?qū)＜业闹笇?dǎo)下， 從不同來源、形式的數(shù)據(jù)資源中抽取出健康知識(shí)的元集和屬性， 形成初步的健康知識(shí)體系結(jié)構(gòu)。首先通過自動(dòng)抽取， 利用“大模型＋抽取式Ｐｒｏｍｐｔ” 來進(jìn)行命名實(shí)體識(shí)別、關(guān)系抽取、屬性抽取等， 以提高知識(shí)抽取效率， 縮短知識(shí)組織構(gòu)建時(shí)間， 之后讓健康知識(shí)背景的專業(yè)人員人工標(biāo)注處理模型難以識(shí)別的部分， 并審核模型抽取的結(jié)果。③醫(yī)療健康知識(shí)優(yōu)化： 知識(shí)優(yōu)化建立在知識(shí)抽取的基礎(chǔ)上， 對(duì)提高醫(yī)療知識(shí)圖譜的可靠性、置信度和實(shí)用性至關(guān)重要，在這一過程可利用“大模型＋優(yōu)化式Ｐｒｏｍｐｔ” 通過貝葉斯估計(jì)、Ｄ－Ｓ 證據(jù)理論等方法進(jìn)行真值評(píng)估、沖突性檢測(cè)、不確定性計(jì)算， 以消除知識(shí)理解的模糊性， 保留知識(shí)的真值。④醫(yī)療健康知識(shí)融合： 考慮到不同數(shù)據(jù)源中實(shí)體、語義關(guān)系及語義粒度等并不完全相同。因此， 知識(shí)融合主要是消除異構(gòu)數(shù)據(jù)源中實(shí)體指向不明、關(guān)系冗余等問題。在此基礎(chǔ)上，基于本體論的知識(shí)表示視角， 利用“大模型＋融合式Ｐｒｏｍｐｔ” 通過實(shí)例融合、屬性融合、關(guān)系融合、概念融合， 從語義層面解決知識(shí)結(jié)構(gòu)的差異性問題。經(jīng)歷多次迭代后， 逐步拓展形成能夠解決具體醫(yī)療健康領(lǐng)域問題的知識(shí)圖譜， 如健康事實(shí)知識(shí)圖譜、健康原理知識(shí)圖譜、健康技能知識(shí)圖譜、健康人力知識(shí)圖譜等， 為后續(xù)智慧化的問答服務(wù)提供準(zhǔn)確、可解釋性的數(shù)據(jù)支持。

３. ３. ２ 知識(shí)圖譜增強(qiáng)醫(yī)療大語言模型訓(xùn)練

醫(yī)療大語言模型訓(xùn)練的本質(zhì)是將通用基座模型醫(yī)學(xué)化， 通過繼續(xù)預(yù)訓(xùn)練、有監(jiān)督微調(diào)、基于人類反饋的強(qiáng)化學(xué)習(xí)滿足前期總結(jié)的醫(yī)療健康智慧問答中的醫(yī)學(xué)知識(shí)理解力、醫(yī)學(xué)對(duì)話能力、上下文感知、符合人類價(jià)值觀４ 個(gè)理論特征， 其中上下文感知來源于通用基座模型， 其余特征則是通過模型二次訓(xùn)練獲得。圖７ 列出了知識(shí)圖譜增強(qiáng)的醫(yī)療大語言模型訓(xùn)練框架。

１） 具備醫(yī)學(xué)知識(shí)理解力—繼續(xù)預(yù)訓(xùn)練

繼續(xù)預(yù)訓(xùn)練（Ｃｏｎｔｉｎｕａｌｌｙ Ｐｒｅ－Ｔｒａｉｎｉｎｇ）是模型知識(shí)積累的重要階段， 模型所具備的醫(yī)學(xué)知識(shí)理解力幾乎都是在預(yù)訓(xùn)練階段中習(xí)得［３８］ 。若跳過預(yù)訓(xùn)練階段， 直接進(jìn)行有監(jiān)督微調(diào)， 模型往往只是機(jī)械地記住了問題和答案， 而沒有領(lǐng)悟其中的深層次知識(shí)， 且易出現(xiàn)過擬合現(xiàn)象［３９］ 。已有研究表明， 優(yōu)質(zhì)的預(yù)訓(xùn)練語料對(duì)于大語言模型來說至關(guān)重要， 可顯著提高模型的性能， 甚至有可能在某種程度上突破Ｓｃａｌｉｎｇ Ｌａｗｓ 的限制［４０］ 。因此， 在這一階段， 需要收集廣泛多樣的高質(zhì)量文本數(shù)據(jù)， 包含非結(jié)構(gòu)化和結(jié)構(gòu)化兩類， 其中非結(jié)構(gòu)化數(shù)據(jù)可加強(qiáng)模型在醫(yī)學(xué)領(lǐng)域術(shù)語理解和表達(dá)能力， 如臨床診療數(shù)據(jù)、學(xué)術(shù)文獻(xiàn)數(shù)據(jù)、醫(yī)學(xué)指南書籍等， 結(jié)構(gòu)化數(shù)據(jù)則以前期構(gòu)建的醫(yī)療健康知識(shí)圖譜為代表， 有助于模型理解各個(gè)實(shí)體屬性、概念及不同實(shí)體間的關(guān)系， 進(jìn)而提升模型在醫(yī)學(xué)領(lǐng)域的推理能力。之后隨機(jī)混合數(shù)據(jù)， 在具備上下文感知能力的基座模型上繼續(xù)預(yù)訓(xùn)練， 形成具備醫(yī)學(xué)語言理解力的預(yù)訓(xùn)練模型。

２） 賦予醫(yī)學(xué)對(duì)話能力—有監(jiān)督微調(diào)

有監(jiān)督微調(diào)（Ｓｕｐｅｒｖｉｓｅｄ Ｆｉｎｅｔｕｎｉｎｇ， ＳＦＴ）是賦予大語言模型醫(yī)學(xué)對(duì)話能力的關(guān)鍵環(huán)節(jié)， 在這一階段需要利用標(biāo)注精良的醫(yī)療對(duì)話數(shù)據(jù)對(duì)模型進(jìn)一步地微調(diào)， 觸發(fā)模型預(yù)訓(xùn)練階段學(xué)習(xí)到的知識(shí)， 從而獲得醫(yī)學(xué)對(duì)話能力［３８］ 。當(dāng)前， 市面上已有的數(shù)據(jù)多為無監(jiān)督文本數(shù)據(jù)， 并不具備監(jiān)督微調(diào)階段所需的對(duì)話特征， 部分學(xué)者提出了“Ｓｅｌｆ－ｉｎｓｔｒｕｃｔｉｏｎ”［４１］ 方法來緩解這一問題， 其本質(zhì)上仍是模型內(nèi)部“已有知識(shí)” 的蒸餾， 無法控制生成對(duì)話數(shù)據(jù)的領(lǐng)域覆蓋和正確性。為保證對(duì)話數(shù)據(jù)的準(zhǔn)確性和可靠性，本研究設(shè)計(jì)了知識(shí)圖譜中三元組引導(dǎo)的對(duì)話數(shù)據(jù)生成， 如圖８ 所示， 以醫(yī)療知識(shí)圖譜中準(zhǔn)確的結(jié)構(gòu)化知識(shí)為數(shù)據(jù)來源， 利用通用大模型強(qiáng)大的生成能力，通過Ｐｒｏｍｐｔ 提示詞的方式， 引導(dǎo)模型自問自答， 生成邏輯關(guān)系相關(guān)的若干問題和答案， 從而大幅度降低對(duì)話數(shù)據(jù)的標(biāo)注成本和難度。

３） 符合人類價(jià)值觀—基于人類反饋的強(qiáng)化學(xué)習(xí)

盡管通過預(yù)訓(xùn)練和有監(jiān)督微調(diào)， 模型已經(jīng)具備了醫(yī)學(xué)知識(shí)理解力和醫(yī)學(xué)對(duì)話能力， 但模型仍然可能無法理解用戶意圖， 導(dǎo)致生成的輸出與人類期望不符［３７］ 。因此， 在這一階段需要采用來自人類反饋的強(qiáng)化學(xué)習(xí)（ＲＬＨＦ， Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｒｏｍＨｕｍａｎ Ｆｅｅｄｂａｃｋ）這一技術(shù)， 首先將獎(jiǎng)勵(lì)模型擬合到人類手工標(biāo)注的偏好數(shù)據(jù)集上， 之后使用強(qiáng)化學(xué)習(xí)優(yōu)化語言模型， 以產(chǎn)生分配給高獎(jiǎng)勵(lì)的應(yīng)答， 同時(shí)又不過分偏離原始模型， 最終驅(qū)使人工智能生成的答案與人類價(jià)值觀相一致。

３. ４ 圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)流程

在上述兩個(gè)階段完成之后， 醫(yī)療知識(shí)圖譜可以為智慧問答服務(wù)提供準(zhǔn)確、可解釋性的醫(yī)療知識(shí)，而醫(yī)療大模型則可以滿足醫(yī)療健康智慧問答所需上下文感知、醫(yī)學(xué)知識(shí)理解力、醫(yī)學(xué)對(duì)話能力、符合人類價(jià)值觀４ 個(gè)特征。

３. ４. １ 用戶問答場(chǎng)景模式

“場(chǎng)景” 一詞最早出自傳播學(xué)［４２］ ， 指特定的情形或情景， 用于描述一個(gè)實(shí)體所處狀態(tài)的相關(guān)信息，也是社會(huì)環(huán)境的構(gòu)成物或一種可被構(gòu)建的要素， 具有促發(fā)行為改變的工具性價(jià)值［４３］ 。在信息服務(wù)和知識(shí)服務(wù)領(lǐng)域， 場(chǎng)景思維的運(yùn)用是在挖掘用戶需求的基礎(chǔ)上， 更加關(guān)注“場(chǎng)景識(shí)別—服務(wù)適配” 的整體過程［４４］ 。由此可見， 不同的用戶需求決定了最終服務(wù)場(chǎng)景的選擇。

綜合現(xiàn)有研究來看， 現(xiàn)有主流的問答場(chǎng)景均為“用戶提問—模型回答” 這種以用戶為主導(dǎo)的傳統(tǒng)式提問場(chǎng)景， 然而在實(shí)際在線醫(yī)療健康問答環(huán)境中，用戶往往并不能準(zhǔn)確了解到自己的身體情況， 如醫(yī)療問診環(huán)節(jié)， 醫(yī)生需要通過不同角度的提問來引導(dǎo)用戶準(zhǔn)確而清晰地表述自己的健康癥狀， 很明顯此時(shí)醫(yī)生扮演主導(dǎo)者， 用戶僅僅作為輔助者的角色。因此， 本文將在線醫(yī)療健康智慧問答交互場(chǎng)景分為以下３ 種， 如圖９ 所示： ①主動(dòng)式提問場(chǎng)景： 這類場(chǎng)景下， 用戶通常有更明確的信息需求， 例如， 了解特定疾病的癥狀、治療方法或預(yù)防措施等事實(shí)型健康知識(shí)問答， 用戶主導(dǎo)對(duì)話的方向并提出具體問題， 尋求信息或解決方案。用戶是信息的探索者， 模型則是知識(shí)的提供者； ②響應(yīng)式回答場(chǎng)景： 這種場(chǎng)景下， 用戶通常需要即時(shí)地回答模型的問題。模型引導(dǎo)用戶提供一些個(gè)人健康信息， 如癥狀或具體情況， 然后模型基于這些信息提供建議、分析或解答。模型主導(dǎo)對(duì)話的方向并提出具體問題， 用戶在這里是信息的提供者， 而模型扮演引導(dǎo)者的角色， 以便為用戶提供個(gè)性化的建議或分析； ③混合式互動(dòng)場(chǎng)景： 既包含了主動(dòng)式提問場(chǎng)景， 又包含了響應(yīng)式回答場(chǎng)景， 實(shí)際應(yīng)用中， 用戶的需求往往隨著交互的深入而演變， 從而導(dǎo)致場(chǎng)景模式的迅速變化。例如，一個(gè)最初尋求疾病信息的用戶可能會(huì)逐漸轉(zhuǎn)向?qū)で蟾钊氲尼t(yī)療問診服務(wù)， 這就從一個(gè)主動(dòng)式的提問場(chǎng)景轉(zhuǎn)變?yōu)轫憫?yīng)式的回答場(chǎng)景。因此， 面向在線醫(yī)療健康的智慧問答服務(wù)流程需要智能識(shí)別、自動(dòng)定位場(chǎng)景模式， 促使場(chǎng)景與用戶實(shí)際健康需求相匹配。

３. ４. ２ 智慧問答服務(wù)流程

為提高在線醫(yī)療健康智慧問答服務(wù)的有效性和可操作性， 本研究結(jié)合前文闡述的用戶實(shí)際問答場(chǎng)景模式， 充分利用已構(gòu)建醫(yī)療知識(shí)圖譜和醫(yī)療大語言模型各自的優(yōu)勢(shì)， 設(shè)計(jì)了一個(gè)管道循環(huán)式在線醫(yī)療健康智慧問答服務(wù)流程， 如圖１０ 所示， 包含互動(dòng)場(chǎng)景識(shí)別、答案生成與抽取、知識(shí)驗(yàn)證與完善３個(gè)階段。

１） 互動(dòng)場(chǎng)景識(shí)別

首先利用前期訓(xùn)練好的具備上下文感知能力、醫(yī)學(xué)知識(shí)理解力、醫(yī)學(xué)知識(shí)對(duì)話能力、符合人類價(jià)值觀的醫(yī)療大語言模型， 通過語義解析、關(guān)鍵詞提取等技術(shù)， 將用戶的問題與預(yù)定義的模型場(chǎng)景進(jìn)行匹配， 判斷用戶問題是否與當(dāng)前模型場(chǎng)景相關(guān)， 如果不相關(guān)， 則通過意圖識(shí)別技術(shù)更新模型應(yīng)用場(chǎng)景，直到與用戶問題所需場(chǎng)景相一致為止； 之后基于場(chǎng)景參數(shù)詞典判斷場(chǎng)景參數(shù)是否完整， 在主動(dòng)式提問場(chǎng)景下， 場(chǎng)景參數(shù)為無， 而在響應(yīng)式回答場(chǎng)景下（如醫(yī)療問診場(chǎng)景）， 則需要判斷場(chǎng)景參數(shù)（如睡眠狀況、四肢癥狀等）是否完整詢問， 如果缺失， 則引導(dǎo)用戶補(bǔ)充必要信息， 直至場(chǎng)景參數(shù)完整為止。

２） 答案生成與抽取

在通過意圖識(shí)別， 選擇合適的場(chǎng)景后， 醫(yī)療大模型通過推理會(huì)生成相應(yīng)的答案， 之后利用抽取模塊， 通過命名實(shí)體識(shí)別、關(guān)系抽取等技術(shù)， 從非結(jié)構(gòu)化的自然語言回答中提取出關(guān)鍵的醫(yī)學(xué)實(shí)體及其相互之間的關(guān)系， 形成機(jī)器易于處理的三元組集合， 為后續(xù)知識(shí)的可解釋性驗(yàn)證和知識(shí)完善環(huán)節(jié)奠定基礎(chǔ)。

３） 知識(shí)驗(yàn)證與完善

知識(shí)驗(yàn)證主要是將前期抽取出來的三元組集與已有醫(yī)療知識(shí)圖譜進(jìn)行匹配， 獲取相關(guān)節(jié)點(diǎn)數(shù)據(jù)，進(jìn)行對(duì)比， 以驗(yàn)證大模型回答的可解釋性， 主要包括實(shí)體匹配和關(guān)系驗(yàn)證兩方面。實(shí)體匹配是指將抽取出來的實(shí)體與知識(shí)圖譜中已有的實(shí)體進(jìn)行對(duì)比，識(shí)別出未知實(shí)體或者錯(cuò)誤的實(shí)體命名； 關(guān)系驗(yàn)證則是分析實(shí)體之間抽取出的關(guān)系是否準(zhǔn)確， 是否與現(xiàn)有知識(shí)圖譜中的關(guān)系一致。在知識(shí)驗(yàn)證完成之后，根據(jù)知識(shí)圖譜中的正確知識(shí)結(jié)合“完善式Ｐｒｏｍｐｔ”糾正并更新模型生成的原始答案， 最終形成用戶滿意的準(zhǔn)確性、可解釋性的醫(yī)學(xué)知識(shí)內(nèi)容。

４ 結(jié) 語

學(xué)者們多追求醫(yī)療智慧問答技術(shù)本身的前沿性，忽略了對(duì)其基礎(chǔ)理論的深入探討， 使得現(xiàn)有的智慧問答仍停留在“智能” 而非“智慧” 層面。針對(duì)這一現(xiàn)實(shí)問題， 本文在梳理前人已有研究的基礎(chǔ)上， 厘清在線醫(yī)療健康“智慧問答服務(wù)” 與“智能問答” “智慧服務(wù)” 等相關(guān)概念的區(qū)別， 探討數(shù)智時(shí)代下在線醫(yī)療智慧問答的理論內(nèi)涵及特征， 之后， 緊扣醫(yī)學(xué)知識(shí)理解力、醫(yī)學(xué)對(duì)話能力、上下文感知、醫(yī)學(xué)知識(shí)準(zhǔn)確性等６ 個(gè)理論特征， 分析知識(shí)圖譜和大語言模型在技術(shù)演進(jìn)上的聯(lián)系及兩者在在線醫(yī)療健康智慧問答領(lǐng)域的互補(bǔ)融合思路， 最后提出圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)， 包含大語言模型驅(qū)動(dòng)醫(yī)療知識(shí)圖譜構(gòu)建、知識(shí)圖譜增強(qiáng)醫(yī)療大語言模型訓(xùn)練、圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)流程三部分， 其中， 大語言模型驅(qū)動(dòng)醫(yī)療知識(shí)圖譜構(gòu)建、知識(shí)圖譜增強(qiáng)醫(yī)療大語言模型訓(xùn)練兩階段是在線醫(yī)療健康智慧問答的前期準(zhǔn)備過程，圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)流程則是為提高在線醫(yī)療健康智慧問答服務(wù)的有效性和可操作性， 結(jié)合用戶問答場(chǎng)景模式， 充分發(fā)揮知識(shí)圖譜和大語言模型優(yōu)勢(shì)而構(gòu)建的一個(gè)管道循環(huán)式服務(wù)流程。本研究將在線醫(yī)療健康智慧問答特征貫穿于整個(gè)服務(wù)流程的構(gòu)建， 實(shí)現(xiàn)了智慧問答服務(wù)理論和技術(shù)的有機(jī)結(jié)合， 可為醫(yī)療健康問答領(lǐng)域的智慧化轉(zhuǎn)型貢獻(xiàn)新的思路和方法。在后續(xù)研究中， 將基于具體醫(yī)療場(chǎng)景， 嘗試對(duì)本文所提出的圖模驅(qū)動(dòng)的在線醫(yī)療健康智慧問答服務(wù)開展應(yīng)用實(shí)證， 以期在實(shí)踐中不斷完善并優(yōu)化智慧問答理論特征及服務(wù)流程。

參考文獻(xiàn)

［１］ 馬費(fèi)成， 周利琴． 面向智慧健康的知識(shí)管理與服務(wù)［ Ｊ］． 中國(guó)

圖書館學(xué)報(bào)， ２０１８， ４４ （５）： ４－１９．

［２］ 李賀， 劉嘉宇， 李世鈺， 等． 基于疾病知識(shí)圖譜的自動(dòng)問答系統(tǒng)

優(yōu)化研究［Ｊ］． 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， ２０２１， ５ （５）： １１５－１２６．

［３］ 王寅秋， 虞為， 陳俊鵬． 融合知識(shí)圖譜的中文醫(yī)療問答社區(qū)自動(dòng)

問答研究［Ｊ］． 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， ２０２３， ７ （３）： ９７－１０９．

［４］ Ｌｉ Ｙ Ｘ， Ｌｉ Ｚ Ｈ， Ｚｈａｎｇ Ｋ， ｅｔ ａｌ． ＣｈａｔＤｏｃｔｏｒ： Ａ Ｍｅｄｉｃａｌ Ｃｈａｔ

Ｍｏｄｅｌ Ｆｉｎｅ－ｔｕｎｅｄ ｏｎ Ｌｌａｍａ Ｍｏｄｅｌ Ｕｓｉｎｇ Ｍｅｄｉｃａｌ Ｄｏｍａｉｎ Ｋｎｏｗｌ?

ｅｄｇｅ ［ ＥＢ／ ＯＬ］． ｈｔｔｐｓ： ／ ／ ａｒｘｉｖ． ｏｒｇ／ ｆｔｐ／ ａｒｘｉｖ／ ｐａｐｅｒｓ／２３０３／２３０３．

１４０７０．ｐｄｆ， ２０２３－０６－２４．

［５］ Ｃｈｅｎ Ｙ Ｒ， Ｗａｎｇ Ｚ Ｙ， Ｘｉｎｇ Ｘ Ｆ， ｅｔ ａｌ． ＢｉａｎＱｕｅ： Ｂａｌａｎｃｉｎｇ ｔｈｅ

Ｑｕｅｓｔｉｏｎｉｎｇ ａｎｄ Ｓｕｇｇｅｓｔｉｏｎ Ａｂｉｌｉｔｙ ｏｆ Ｈｅａｌｔｈ ＬＬＭｓ ｗｉｔｈ Ｍｕｌｔｉ－ｔｕｒｎ

Ｈｅａｌｔｈ Ｃｏｎｖｅｒｓａｔｉｏｎｓ Ｐｏｌｉｓｈｅｄ ｂｙ ＣｈａｔＧＰＴ ［ Ｊ］． ａｒＸｉｖ Ｐｒｅｐｒｉｎｔ

ａｒＸｉｖ： ２３１０．１５８９６， ２０２３．

［６］ 辭海委員會(huì)． 辭海［Ｍ］． 上海： 上海辭書出版社， ２０００．

［７］ 汪鳳炎， 鄭紅． 品德與才智一體： 智慧的本質(zhì)與范疇［ Ｊ］． 南

京社會(huì)科學(xué)， ２０１５， （３）： １２７－１３３．

［８］ 初景利， 任嬌菡， 王譯晗． 從數(shù)字圖書館到智慧圖書館［ Ｊ］．

大學(xué)圖書館學(xué)報(bào)， ２０２２， ４０ （２）： ５２－５８．

［９］ 王延飛， 趙柯然， 何芳． 重視智能技術(shù) 凝練情報(bào)智慧———情報(bào)、

智能、智慧關(guān)系辨析［Ｊ］． 情報(bào)理論與實(shí)踐， ２０１６， ３９ （２）：

１－４．

［１０］ 程秀峰， 周瑋珽， 張小龍， 等． 基于用戶畫像的圖書館智慧參

考咨詢服務(wù)模式研究［Ｊ］． 圖書館學(xué)研究， ２０２１， （２）： ８６－９３，

１０１．

［１１］ 劉澤， 邵波， 王怡． 數(shù)據(jù)驅(qū)動(dòng)下圖書館智慧參考咨詢服務(wù)模

式研究［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２３， ４６ （５）： １７６－１８４．

［１２］ 張傳洋， 郭宇， 龐宇飛， 等． 數(shù)智化醫(yī)療信息利用與服務(wù)模

式框架構(gòu)建［Ｊ］． 圖書情報(bào)工作， ２０２３， ６７ （１３）： ４９－５８．

［１３］ 羅立群， 李廣建． 智慧情報(bào)服務(wù)與知識(shí)融合［ Ｊ］． 情報(bào)資料

工作， ２０１９， ４０ （２）： ８７－９４．

［１４］ 蘇新寧． 大數(shù)據(jù)時(shí)代情報(bào)學(xué)與情報(bào)工作的回歸［ Ｊ］． 情報(bào)學(xué)

報(bào)， ２０１７， ３６ （４）： ３３１－３３７．

［１５］ 柯平， 鄒金匯． 后知識(shí)服務(wù)時(shí)代的圖書館轉(zhuǎn)型［ Ｊ］． 中國(guó)圖

書館學(xué)報(bào)， ２０１９， ４５ （１）： ４－１７．

［１６］ 李曉妍． 面向產(chǎn)業(yè)技術(shù)創(chuàng)新的智慧情報(bào)服務(wù)生態(tài)系統(tǒng)構(gòu)建及

系統(tǒng)動(dòng)力學(xué)分析［Ｊ］． 情報(bào)科學(xué)， ２０２４， ４２ （５）： １２０－１２９．

［１７］ 王秉， 陳超群． 智慧安全情報(bào)服務(wù)體系研究［Ｊ］． 現(xiàn)代情報(bào)，

２０２１， ４１ （４）： ３－９， １６４．

［１８］ 鄭榮， 高志豪， 魏明珠， 等． 面向國(guó)家重大戰(zhàn)略的智慧情報(bào)服

務(wù)： 內(nèi)涵界定、賦能機(jī)制與邏輯進(jìn)路［Ｊ］． 圖書與情報(bào)， ２０２２，

（５）： １１５－１２４．

［１９］ 曹明宇， 李青青， 楊志豪， 等． 基于知識(shí)圖譜的原發(fā)性肝癌

知識(shí)問答系統(tǒng)［Ｊ］． 中文信息學(xué)報(bào)， ２０１９， ３３ （６）： ８８－９３．

［２０］ 陳明， 劉蓉， 熊回香． 基于醫(yī)療知識(shí)圖譜的智能問答系統(tǒng)研

究［Ｊ］． 情報(bào)科學(xué)， ２０２３， ４１ （１２）： １１８－１２６．

［２１］ 閆悅， 郭曉然， 王鐵君， 等． 問答系統(tǒng)研究綜述［ Ｊ］． 計(jì)算

機(jī)系統(tǒng)應(yīng)用， ２０２３， ３２ （８）： １－１８．

［２２］ Ｃｈａｎｇ Ｙ， Ｗａｎｇ Ｘ， Ｗａｎｇ Ｊ， ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎ Ｅｖａｌｕａｔｉｏｎ ｏｆ

Ｌａｒｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌｓ ［ Ｊ］． ａｒＸｉｖ Ｐｒｅｐｒｉｎｔ ａｒＸｉｖ： ２３０７．０３１０９，

２０２３．

［２３］ Ｓｆａｋｉａｎａｋｉ Ｐ， Ｋｏｕｍａｋｉｓ Ｌ， Ｓｆａｋｉａｎａｋｉｓ Ｓ， ｅｔ ａｌ． Ｓｅｍａｎｔｉｃ Ｂｉｏ?

ｍｅｄｉｃａｌ Ｒｅｓｏｕｒｃｅ Ｄｉｓｃｏｖｅｒｙ： Ａ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ Ｆｒａｍｅ?

ｗｏｒｋ ［Ｊ］． ＢＭＣ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ， ２０１５，

１５： １－１４．

［２４］ Ｍｏｔｇｅｒ Ｑ， Ｆｒａｎｃｈ Ｘ， Ｍａｒｃｏ Ｊ． Ｓｏｆｔｗａｒｅ－ｂａｓｅｄ Ｄｉａｌｏｇｕｅ Ｓｙｓ?

ｔｅｍｓ： Ｓｕｒｖｅｙ， Ｔａｘｏｎｏｍｙ， ａｎｄ Ｃｈａｌｌｅｎｇｅｓ ［ Ｊ］． ＡＣＭ Ｃｏｍｐｕｔｉｎｇ

Ｓｕｒｖｅｙｓ， ２０２２， ５５ （５）： １－４２．

［２５］ Ｌａｒａｎｊｏ Ｌ， Ｄｕｎｎ Ａ Ｇ， Ｔｏｎｇ Ｈ Ｌ， ｅｔ ａｌ． Ｃｏｎｖｅｒｓａｔｉｏｎａｌ Ａｇｅｎｔｓ

ｉｎ Ｈｅａｌｔｈｃａｒｅ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｒｅｖｉｅｗ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ

Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ Ａｓｓｏｃｉａｔｉｏｎ， ２０１８， ２５ （９）： １２４８－１２５８．

［２６］ Ｙｉｎ Ｋ， Ｌａｒａｎｊｏ Ｌ， Ｔｏｎｇ Ｈ Ｌ， ｅｔ ａｌ． Ｃｏｎｔｅｘｔ－ａｗａｒｅ Ｓｙｓｔｅｍｓ ｆｏｒ

Ｃｈｒｏｎｉｃ Ｄｉｓｅａｓｅ Ｐａｔｉｅｎｔｓ： Ｓｃｏｐｉｎｇ Ｒｅｖｉｅｗ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉ?

ｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ， ２０１９， ２１ （６）： ｅ１０８９６．

［２７］ Ｇｕｂｅｒｔ Ｌ Ｃ， Ｃｏｓｔａ Ｃ Ａ， Ｒｉｇｈｉ Ｒ Ｒ． Ｃｏｎｔｅｘｔ Ａｗａｒｅｎｅｓｓ ｉｎ Ｈｅａｌｔｈ?

ｃａｒｅ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｌｉｔｅｒａｔｕｒｅ Ｒｅｖｉｅｗ ［Ｊ］． Ｕｎｉｖｅｒｓａｌ Ａｃｃｅｓｓ ｉｎ ｔｈｅ

Ｉｎｆｏｒｍａｔｉｏｎ Ｓｏｃｉｅｔｙ， ２０２０， １９ （２）： ２４５－２５９．

［２８］ 陳劍鋒． 大語言模型在臨床醫(yī)學(xué)的可應(yīng)用性探討［ Ｊ］． 醫(yī)學(xué)

與哲學(xué)， ２０２３， ４４ （２１）： １－６．

［２９］ Ｆｒａｓｃａ Ｍ， Ｌａ Ｔｏｒｒｅ Ｄ， Ｐｒａｖｅｔｔｏｎｉ Ｇ， ｅｔ ａｌ． Ｅｘｐｌａｉｎａｂｌｅ ａｎｄ Ｉｎ?

ｔｅｒｐｒｅｔａｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｂｉｂｌｉｏ?

ｍｅｔｒｉｃ Ｒｅｖｉｅｗ ［Ｊ］． Ｄｉｓｃｏｖｅｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０２４， ４ （１）：

１５．

［３０］ 阮彤， 卞俁昂， 余廣涯， 等． 醫(yī)學(xué)大語言模型研究與應(yīng)用綜

述［Ｊ］． 中國(guó)衛(wèi)生信息管理雜志， ２０２３， ２０ （６）： ８５３－８６１．

［３１］ 張吉祥， 張祥森， 武長(zhǎng)旭， 等． 知識(shí)圖譜構(gòu)建技術(shù)綜述［ Ｊ］．

計(jì)算機(jī)工程， ２０２２， ４８ （３）： ２３－３７．

［３２］ 陳慧敏， 劉知遠(yuǎn)， 孫茂松． 大語言模型時(shí)代的社會(huì)機(jī)遇與挑

戰(zhàn)［Ｊ］． 計(jì)算機(jī)研究與發(fā)展， ２０２４， ６１ （５）： １０９４－１１０３．

［３３］ 林海倫， 王元卓， 賈巖濤， 等． 面向網(wǎng)絡(luò)大數(shù)據(jù)的知識(shí)融合

方法綜述［Ｊ］． 計(jì)算機(jī)學(xué)報(bào)， ２０１７， ４０ （１）： １－２７．

［３４］ 馬海云， 曹思源， 薛翔． 面向用戶需求的健康領(lǐng)域知識(shí)組織與

服務(wù)框架研究［Ｊ］． 情報(bào)資料工作， ２０２２， ４３ （２）： ８４－９２．

［３５］ 張華平， 李林翰， 李春錦． ＣｈａｔＧＰＴ 中文性能測(cè)評(píng)與風(fēng)險(xiǎn)應(yīng)

對(duì)［Ｊ］． 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， ２０２３， ７ （３）： １６－２５．

［３６］ 張穎怡， 章成志， 周毅， 等． 基于ＣｈａｔＧＰＴ 的多視角學(xué)術(shù)論

文實(shí)體識(shí)別： 性能測(cè)評(píng)與可用性研究［ Ｊ］． 數(shù)據(jù)分析與知識(shí)

發(fā)現(xiàn)， ２０２３， ７ （９）： １２－２４．

［３７］ 鮑彤， 章成志． ＣｈａｔＧＰＴ 中文信息抽取能力測(cè)評(píng)———以三種典

型的抽取任務(wù)為例［Ｊ］． 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， ２０２３， ７ （９）：

１－１１．

［３８］ Ｃａｏ Ｙ， Ｋａｎｇ Ｙ， Ｓｕｎ Ｌ． Ｉｎｓｔｒｕｃｔｉｏｎ Ｍｉｎｉｎｇ： Ｈｉｇｈ－Ｑｕａｌｉｔｙ Ｉｎ?

ｓｔｒｕｃｔｉｏｎ Ｄａｔａ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｌａｒｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌｓ ［Ｊ］． ａｒＸｉｖ Ｐｒｅ?

ｐｒｉｎｔ ａｒＸｉｖ： ２３０７．０６２９０， ２０２３．

［３９］ 張君冬， 楊松樺， 劉江峰， 等． ＡＩＧＣ 賦能中醫(yī)古籍活化：

Ｈｕａｎｇ－Ｄｉ 大模型的構(gòu)建［ Ｊ］． 圖書館論壇， ２０２４， ４４ （１０）：

１０３－１１２．

［４０］ Ｗａｎｇ Ｙ， Ｚｈｏｎｇ Ｗ， Ｌｉ Ｌ， ｅｔ ａｌ． Ａｌｉｇｎｉｎｇ Ｌａｒｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌｓ

ｗｉｔｈ Ｈｕｍａｎ： Ａ Ｓｕｒｖｅｙ ［ Ｊ］． ａｒＸｉｖ Ｐｒｅｐｒｉｎｔ ａｒＸｉｖ： ２３０７．１２９６６，

２０２３．

［４１］ Ｗａｎｇ Ｙ， Ｋｏｒｄｉ Ｙ， Ｍｉｓｈｒａ Ｓ， ｅｔ ａｌ． Ｓｅｌｆ － ｉｎｓｔｒｕｃｔ： Ａｌｉｇｎｉｎｇ

Ｌａｎｇｕａｇｅ Ｍｏｄｅｌ ｗｉｔｈ Ｓｅｌｆ Ｇｅｎｅｒａｔｅｄ Ｉｎｓｔｒｕｃｔｉｏｎｓ ［ Ｊ］． ａｒＸｉｖ Ｐｒｅ?

ｐｒｉｎｔ ａｒＸｉｖ： ２２１２．１０５６０， ２０２２．

［４２］ 約書亞·梅羅維茨． 消失的地域： 電子媒介對(duì)社會(huì)行為的影響

［Ｍ］． 肖志軍， 譯． 北京： 清華大學(xué)出版社， ２０２２．

［４３］ 劉晗． 場(chǎng)景服務(wù)創(chuàng)新： 移動(dòng)網(wǎng)絡(luò)信息治理的場(chǎng)景化轉(zhuǎn)型［ Ｊ］．

學(xué)習(xí)與實(shí)踐， ２０２０， （９）： ９８－１０６．

［４４］ 鄭榮， 王曉宇， 高志豪， 等． 面向國(guó)家戰(zhàn)略的產(chǎn)業(yè)競(jìng)爭(zhēng)情報(bào)場(chǎng)

景化智慧服務(wù)模式研究［Ｊ］． 情報(bào)學(xué)報(bào)， ２０２４， ４３ （２）： １９８－

２１３．

（責(zé)任編輯： 郭沫含）