本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术在医学转录领域取得了卓越表现，提高了转录对话的语义连贯性。这些发现为改进医学ASR系统、提高病患记录的准确性和可靠性带来希望。

本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术在医学转录领域取得了卓越表现。这些发现为改进医学ASR系统、提高医疗保健领域的病患记录的准确性和可靠性带来巨大的希望。

本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术在医学转录领域取得了卓越表现。这些发现为改进医学ASR系统、提高医疗保健领域的病患记录的准确性和可靠性带来巨大的希望。

本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术在医学转录领域取得了卓越表现。这些发现为改进医学ASR系统、提高医疗保健领域的病患记录的准确性和可靠性带来巨大的希望。

本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术不仅改善了现有ASR系统的准确性，而且在医学转录领域表现出卓越。这些发现为改进医学ASR系统、提高医疗保健领域的病患记录的准确性和可靠性带来希望。