在临床分诊中调查大型语言模型：有前景的能力与持续的交叉偏见

本研究解决了大型语言模型(LLMs)在临床分诊中的应用不足的问题。研究创新性地评估了LLMs在应急科分诊中的表现，关注其在数据分布变化和缺失数据下的鲁棒性，以及性别与种族交叉偏见的反事实分析。结果显示，LLMs在鲁棒性方面表现优越，但在特定性别和种族组合中出现了明显的偏见，提示LLMs在临床情境中可能会编码出人口统计偏好。