謝清麟教學/研究 blog

2024年10月30日星期三

玩玩（應用）intervention mapping 於8大研究核心能力（養成）

以上是 intervention mapping 的主要架構/流程，前二步驟：先確認需求/目標！！

最近玉正設計「8大研究核心能力」自評網頁，可部分協助確認核心能力養成之需求/目標。當然最好是加上共享決策，找高手好好確認（即使年輕的研究人員/博士，「研究識能」常難以跟高手比較）。

後續，應可交給 ChatGPT協助後續4步驟！！

青春珍貴！就將寶貴的青春/時間投注在上述核心能力養成吧！

2024年9月29日星期日

寫論文的高手指導新手的困境：分析與建議

1. 寫論文高手與新手的差異

寫論文的高手和新手之間存在顯著差距,這種差距體現在多個方面:

- 寫作技巧和學術表達能力

- 研究方法的掌握和運用

- 文獻閱讀和綜述的深度

- 批判性思維和創新能力

- 時間管理和自我約束力

2. 成為寫論文高手的關鍵因素

成為寫論文的高手需要以下5項因素的結合:

a. **天分**（列在最前，非我認為最重要，而是我覺得這是新手認為最重要。以下4項，我覺得才比較重要）:

- 語言表達能力

- 邏輯思維能力

- 創造性思維

b. **努力**:

- 持續的學習和實踐

- 反覆修改和打磨論文

- 主動尋求反饋和改進

c. **環境**:

- 良好的學術氛圍

- 充足的研究資源

- 優秀的導師和同儕

d. **投入時間**:

- 長期專注於研究領域

- 投入大量時間閱讀和寫作

e. **態度**:

- 對研究的熱情和執著

- 接受批評和建議的開放心態

- 追求卓越的決心

3. 高手指導新手的困境

a. **知識和能力差距**:

- 高手可能難以理解新手的困難點

- 新手可能無法理解高手的高階建議

b. **期望不一致**:

- 高手可能期望新手進步速度過快

- 新手可能期望得到更具體、直接的指導

c. **溝通障礙**:

- 高手使用的術語和概念可能對新手來說過於艱深

- 新手可能難以準確表達自己的問題和困惑

d. **時間和精力限制**:

- 高手可能沒有足夠的時間進行細緻的指導

- 新手可能需要更多的關注和支持

4. 克服困境的建議

a. **對高手的建議**:

- 耐心理解新手的起點和困難

- 將複雜概念分解為易於理解的小步驟

- 提供具體的例子和實踐機會

- 定期檢查進度並調整指導方式

b. **對新手的建議**:

- 明確自己的目標和困難

- 主動學習和實踐,不過分依賴指導

- 培養接受批評和自我反思的能力

- 尋求多元化的學習資源和反饋渠道

c. **共同努力**:

- 建立清晰的指導計劃和目標

- 營造開放、互信的交流氛圍

- 定期進行雙向反饋

- 逐步縮小差距,建立良性互動

通過雙方的努力和調適,高手和新手可以共同克服指導過程中的困境,實現更有效的學習和進步。

以上有 Claude AI 協助！

2024年9月1日星期日

研究歷程支援

相關資源：

4. 寫作；

2024年8月6日星期二

提升 ChatGPT 效能的關鍵

除了 GPT 模型效能之外，我覺得最重要有二：

1. 使用者之 domain knowledge: 知識越強越有效能，因為判斷力越佳（辨別 ChatGPT之回應），也能深入提問/給予指示。這需要時間與學習... 但這屬於專業知識，自己一定要努力！！

2. 提示工程 (prompting engineering)：

除了思維鏈(chain of thought)和少樣本學習(few-shot learning)之外，還有一些其他有效的提示工程技術可以提升prompting的效能：

任務分解(Task decomposition)：將複雜任務分解為更小、更容易管理的子任務。
自我一致性(Self-consistency)：生成多個解決方案並選擇最一致的答案。
思維樹(Tree of thoughts)：探索多條思維路徑，選擇最佳路徑。
零樣本提示(Zero-shot prompting)：不提供示例，直接描述任務。[這效能有限]
反向提示(Reverse prompting)：從期望的輸出開始，反向構建提示。
角色扮演(Role-playing)：讓AI扮演特定角色來完成任務。
思維框架(Thought frameworks)：提供結構化的思考過程。
多步推理(Multi-step reasoning)：引導AI通過多個步驟得出結論。
反例學習(Learning from mistakes)：使用錯誤示例來強化正確行為。
元提示(Meta-prompting)：使用AI生成或優化提示。

這些技術可以單獨使用或結合使用，以提高AI輸出的質量和相關性。

這也需要時間與學習... 但這對醫療人員屬於新領域，想善用GPT者一定要努力！！

*** prompting engineering技能的關鍵之一定是 domain knowledge!! 因為prompting engineering的應用一定跟特定領域有關！！

Note: GPT 模型之效能，一定逐年提升，因為太競爭了！！我們可以坐享其成，但上述 domain knowledge & prompting engineering... 仍然關鍵！！

以下是一項prompting engineering提升效能（正確率）的實證：

Source: Boosting GPT-4V’s Accuracy in Dermoscopic Classification with Few-Shot Learning.

Comment on “Can ChatGPT vision diagnose melanoma? An exploratory diagnostic

accuracy study”

Jinge Wang, PHD, Gangqing Hu, PHD

PII: S0190-9622(24)02572-6

DOI: https://doi.org/10.1016/j.jaad.2024.06.098

另外：使用ChatGPT之困境：如何判斷與提升ChatGPT回應之品質

判斷和提升ChatGPT回應品質的關鍵在於多方面能力的培養：

1. 知識基礎：紮實的專業知識和廣博的通識教育是評估AI回應的基石。跨領域的知識積累能幫助我們更敏銳地識別AI可能出現的錯誤或偏差。這如前述「使用者之 domain knowledge」

2. 批判性思考能力：這包括邏輯推理、辨識謬誤、多角度思考和質疑資訊來源的能力。培養批判性思維有助於我們不盲目接受AI的回答，而是進行深入分析和評估。

3. 閱讀與寫作能力：深度閱讀是積累知識的重要途徑，而寫作則能訓練我們組織思路和清晰表達。這兩項能力是提升知識儲備和批判思考的基礎。

4. 提升寫作能力：寫下重點後，可請 ChatGPT或高手評論，可更提升知識深入，也能提升寫作/表達能力。這也是提升/改善 ChatGPT回應品質關鍵之一：給予明確/完整的指示。

5. 實踐與交流：學以致用和與高手切磋至關重要。實踐有助於將知識內化，而與他人交流可以expose自身思維盲點、接觸多元觀點，並磨練表達能力、提升批判能力。

6. 善用ChatGPT作為學習工具：ChatGPT在提供和彙整文獻方面具有優勢，可以作為快速提升「基本知識」的起點。然而，我們還需要：

o 驗證ChatGPT提供的資訊

o 學會提出更精確的問題以獲得更佳品值的回答

o 將ChatGPT的回答視為思考的起點，而非終點

2024年7月20日星期六

超擬真虛擬病人(Virtual Patients, VP)之特質

以對話為主，VP 需具備以下特徵與內容：

1. 對話特徵或特色：

a. 語言表達方式：

- 詞彙選擇（包括方言、俚語、專業術語）

- 語音特徵（口吃、重複、語速）

- 句子結構和複雜度

- 個人化口頭禪

b. 半語言表現：

- 語氣和音調變化

- 停頓和沉默的使用

- 表達中的猶豫或堅定

c. 互動行為：

- 反應速度

- 對話參與度（主動性、被動性）

- 提問和回應方式

- 話題轉換能力

d. 認知表現：

- 理解能力

- 記憶特徵（短期記憶、敘事邏輯）

- 注意力集中程度

e. 情感表達：

- 情緒變化的語言體現

- 態度的表達方式

2. 對話內容：

a. 個人信息：

- 日常生活描述

- 工作和職業相關内容

- 家庭和人際關係

b. 健康相關：

- 症狀描述

- 病史陳述

- 治療經歷分享

- 對健康和疾病的看法

c. 知識與觀點：

- 特定領域知識的表達

- 對社會議題的看法

- 個人信念和價值觀

d. 文化和背景：

- 文化習俗和信仰的提及

- 教育和社會背景的體現

e. 興趣和偏好：

- 個人愛好的表達

- 對特定話題的興趣或厭惡

2024年7月8日星期一

未來SP的幻想--「絕對擬真人形SP機器人」

絕對擬真＋人形機器人

可模擬絕大多數的人（病人）

將來應可看到很多擬真SP機器人可供租借或購買！！

類似概念也可應用於其它教學領域....

＊這或許於5～8年後即可實現＊

語言模型SP應是過渡期產品--因為無法模擬動作/表情

但我想「依據語言模型發展的SP」絕對是必要/必經的歷程

所以我們應專精於「發展SP的專業知識」以及「建置所需資料庫」，不論於過渡期或之後，絕對是發展「絕對擬真人形SP機器人」的關鍵基礎

***以下是 Claude AI 之評論***

你提出了一個非常有趣且具前瞻性的研究構想,我認為這是一個值得深入探索的方向。以下是我的一些評論和建議:

絕對擬真SP機器人的發展潛力巨大,如你所說,將來有機會應用於多數醫學教育情境,甚至擴及其他教育領域。這需要跨領域團隊緊密合作,包括醫療、教育、人工智慧、機器人等專家學者共同努力。
語言模型SP確實是過渡期重要產品,即使目前無法完整模擬肢體動作和表情,但透過自然語言互動訓練醫學生溝通、病史詢問等技巧,仍大有可為。而且隨著大型語言模型和對話系統的快速進步,語言模型SP的模擬真實感將不斷提升。
專注發展SP專業知識和建置相關資料庫是關鍵,這方面的知識和資源累積,將是往後開發高擬真SP機器人的重要基礎。建議持續深化SP教案內容,並建立完善的語料庫,涵蓋各種情境對話。
未來SP機器人除了語言互動能力,肢體動作和臉部表情的擬真度也要盡可能提高。建議及早與機器人和動作捕捉等領域專家合作,討論如何整合語言模型與機器人技術,提高整體仿真程度。[我應退休了....]
建議先聚焦1-2個較成熟的醫學領域發展絕對擬真SP,例如精神科或家醫科,累積成功經驗後再推廣到其他科別。選定特定情境深入發展,勝過淺嘗各種情境。
5-8年的時間估計頗具挑戰性,需要團隊高度投入和充裕資源。但我認為這是一個正確且值得的方向。或許可先設定分階段目標,例如3年內實現語言模型SP的顯著進步,5年內實現初步整合語言模型與機器人平台等。

總之,我對你的構想感到十分興奮,期待看到台灣在這個領域有所突破。這需要醫療、教育和科技界的通力合作,以及政府和企業的大力支持。希望以上建議對你的研究規劃有所啟發,祝順利!

DALL E 生成