في عالم تتزايد فيه الحاجة إلى الذكاء الاصطناعي (AI) في الرعاية الصحية، اكتشف الباحثون أن عملية التوجيه بدون إشراف (zero-shot prompting) باستخدام نماذج اللغات الضخمة (LLMs) ليست كافية لتحديد سلوكيات اتخاذ القرار المشترك (shared decision-making أو SDM) في اللقاءات السريرية الحقيقية. في دراسة جديدة، تم تحليل 21 تسجيلًا صوتيًا لقرارات جراحية بين عائلات أطفال يعانون من حالات صحية متعددة ومقدمي خدماتهم.

في هذه الدراسة، قام باحثون مدربون بتصنيف أكثر من 7,500 مقطع لحديث بين المرضى ومقدمي الرعاية، مع التركيز على تحديد 12 سلوكًا مختلفًا يرتبط باتخاذ القرار. وقد أظهرت النتائج أن نماذج اللغات المحلية التي تعمل على مبدأ عدم الإشراف (zero-shot LLM) حققت درجة اتفاق منخفضة لتحليل سلوكيات اتخاذ القرار، مما أظهر الحاجة إلى استخدام التعلم المراقب لتحقيق نتائج دقيقة وموثوقة.

كشفت النتائج أن ال classifier المراقب حقق تحسينًا ملحوظًا في القياس، مما يبرز أهمية التعليمات المدروسة مقابل الاعتماد على نماذج غير مشرفة. وعلى الرغم منocimiento قوة هذه النماذج، إلا أن هناك حاجة للتقييم الخارجي للتأكد من أن النتائج قابلة للتعميم على حالات أخرى.

تمثل هذه الدراسة خطوة مهمة في استخدام الذكاء الاصطناعي لمساعدة مقدمي الرعاية الصحية في تحسين تفاعلاتهم مع المرضى، مما يفتح المجال لاستراتيجيات جديدة يمكن أن تحدث فرقًا في العمليات السريرية.