AI+學術寫作的啟發 - 如何進行提示工程與大型語言模型（LLMs）對話

一個好的研究背景在學術研究和專業報告中扮演著非常關鍵的角色。在學習研究論文寫作的過程當中，這一直是讓我最困擾的地方。而師長們通常會用「要經常固定性練筆」來鼓勵我。經歷過一些投稿的煎熬過程之後，我自己對於研究背景重要性越來越重視，也會花越來越多時間，去觀察其他的優異學者與同儕如何從社會脈動、時事主題切入，引導出研究目的、研究重要程度與研究缺口，以及透過這個引言增加讀者的閱讀興趣。然而，我得承認，我很多時候是需要協助。

從一篇文章看到AI+學術寫作的啟發

關注生成式AI（如，ChatGPT）一直是我學術研究的核心之一，在閱讀AI醫學研究論文的時候，偶然在「 Annals of Biomedical Engineering」期刊發表的「Prompt Engineering with ChatGPT: A Guide for Academic Writers」這篇文章，讓我十分驚艷，也同時把文章中的Prompt節錄出來，提供給預備進行醫藥生技領域研究的碩博士專家們。

這篇文章的三個結論是

• Prompt engineering is important for academic writers and researchers.
• It helps optimize language models and enhance writing process.
• It allows writers to navigate AI advancements and utilize cutting-edge technologies.

Prompt Engineering

該文作者菲律賓學者 Louie Giray 將Prompt分成五大類，分別是指導類、系统類、問答類、情境類與混合類。

指導類

主要是給予大型語言一個命令，例如：（1）撰寫不同醫學診斷成像方式的優勢和局限性的比較分析，（2）總結組織工程在器官再生方面的最新進展，尤其在生物醫學工程中的潛在應用

系統類

這類的提示詞可以為學術寫作者提供一個起點或背景，以發展他們的內容。例如：“在生物醫學工程領域，納米材料的使用已經引起了革命性的變化...”或者“生物信息學的新興領域極大地促進了...”。然後，讓大型語言模型往下接續發展。

問答類

學術寫作者可以使用問題-答案提示來圍繞特定的研究問題構建他們的寫作。例如（1）在為生物醫學工程中的特定患者開發個性化醫療設備時面臨的關鍵挑戰是什麽？（2）討論生物材料在組織工程中的作用及其對再生醫學潛在影響。

情境類

在提示中提供額外的背景可以幫助學術寫作者專注於他們主題的特定方面。例如（1）考慮到當前在神經假肢方面的進步，分析這些技術的倫理含義和社會影響。（2）鑒於最近對藥物輸送系統的研究，批判性評估針對癌癥治療的靶向藥物輸送方法的有效性和安全性。”

混合類

學術寫作者可以使用混合提示，結合多個元素來指導他們以全面的方式進行寫作。例如：（1）給定以下關於在軟骨再生中應用組織工程的案例研究，討論在實現長期功能結果方面面臨的挑戰，並提出改善臨床轉化的潛在策略。

牛刀小試分享

腦袋中的想法

根據以上學者還有網站上先進的建議，我就直接試試發展我的提示詞。網站上的先進們都建議，要把角色（人設）也寫上去，讓大型語言模型（我以ChatGPT為例）能夠更限縮這個大型語言模型發展範圍。然後，我假設一個情境，就是請大型語言模型撰寫一份智慧醫療研究計畫書的研究背景，裡面要包含（1）領域中已知的知識 （2）主題的知識缺口 （3）演算法的介紹

我腦袋中的構想是「我將進行一項回朔型研究，發展一套由MRNet與ResNet演算法為基礎的醫學影像辨識模型，並透過偵測病患的MRI影像，以辨識在「腕部三角纖維軟骨複合體 (Triangular Fibrocartilage Complex, TFCC)」是否具有損傷。並且比較這兩個演算法的辨識效果（Performance）。」

提示詞

我是一位預備進行AI醫療研究的博士研究生，我預備進行一項回朔型研究，發展一套由MRNet與ResNet演算法為基礎的醫學影像辨識模型，並透過偵測病患的MRI影像，以辨識在「腕部三角纖維軟骨複合體 (triangular fibrocartilage complex, TFCC)」是否具有損傷。同時，這個研究將比較這兩個演算法對於TFCC損傷的辨識效果（Performance）

因此，請為這篇研究撰寫一個研究背景，以科學和醫學語言為基礎。我需要的介紹內容包括：（1）介紹腕部三角纖維軟骨複合體 (triangular fibrocartilage complex, TFCC)」損傷的已知知識 （2）這個領域的知識缺口 （3）MRNet與ResNet演算法的介紹。

研究計畫草稿生成（基於ChatGPT 4.0）

在當前的醫學影像診斷領域，準確地識別和評估腕部三角纖維軟骨複合體（Triangular Fibrocartilage Complex, TFCC）損傷對於制定有效的治療計畫至關重要。TFCC是腕關節中的一個重要結構，它負責提供關節穩定性，分散腕部負荷，並允許手腕進行多方向運動。TFCC損傷常見於運動員和從事重體力勞動的人群中，可能導致疼痛、握力減弱和腕部運動範圍受限，嚴重影響生活質量。

傳統上，TFCC損傷的診斷依賴於臨床檢查和影像學評估，其中磁共振成像（MRI）是識別這一複雜損傷的金標準。然而，即使是高解析度的MRI掃描，其解釋也面臨主觀性，且需要高度專業和經驗豐富的放射科醫師進行評估。這一挑戰凸顯了開發高精度自動化醫學影像分析工具的迫切需求，以提高TFCC損傷診斷的準確性和效率。

目前，深度學習在醫學影像分析領域顯示了極大的潛力，特別是MRNet和ResNet演算法在識別各種疾病和組織損傷方面取得了突破性進展。MRNet是專門設計用於分析MRI掃描的深度學習模型，能夠從複雜的影像數據中識別細微的損傷跡象。ResNet，或稱殘差網絡，則是一種能力強大的深度神經網絡架構，透過引入殘差學習解決了深度模型訓練中的梯度消失問題，提高了模型的學習效率和準確性。

儘管這些演算法在其他醫學領域已經展現了顯著的應用成果，但它們在TFCC損傷識別方面的效能尚未被充分探索。目前，關於利用深度學習技術對TFCC損傷進行自動化和高精度辨識的研究相對有限，這一知識缺口限制了診斷技術的進步和臨床應用的擴展。

因此，本研究旨在開發一套基於MRNet和ResNet演算法的醫學影像辨識模型，通過分析病患的MRI影像自動識別TFCC損傷。透過比較這兩種演算法在TFCC損傷辨識中的表現，本研究不僅期望填補現有的知識缺口，同時也探索深度學習技術在提高腕部疾病診斷準確性和效率方面的潛力。通過這項研究，我們希望為臨床醫生提供更為準確和高效的工具，以改善TFCC損傷的診斷和治療策略，最終提升患者的治療效果和生活質量。

資料來源：ChatGPT

討論

學術界與教育界對於使用大型語言模型產生文章有著不同角度的看法，菲律賓學者 Louie Giray也是還有正面支持與反面疑慮的想法。

在今日這個快速變遷的世界裡頭，人工智慧正逐漸滲透到各個領域，包括學術寫作。學習如何進行提示工程變得愈來愈重要。作為一名學術寫作者，掌握提示工程的技能能夠讓你適應不斷演變的環境，並有效地利用大型語言模型（LLMs）來提升你的寫作過程。通過發展對提示工程的熟練度，你可以更深入地了解LLMs的能力與限制。這讓你能夠利用像ChatGPT這樣的LLMs，促進與這些先進語言模型更有吸引力和影響力的互動。提示工程作為一種與LLMs有效對話的寶貴工具，讓你能夠自定義和塑造生成的輸出，以符合你所期望的品質和數量。提示工程行為就像是一種編程，賦予你提供清晰指示和通過提示自動化過程的能力。這種編程方面增強了你對輸出的控制，確保生成的文本與你的特定需求相符。通過掌握提示工程，你可以優化你的學術寫作，簡化你的研究或寫作過程，並釋放LLMs的全部潛力，提升你工作的質量和效率。

對於一個長期觀察AI新科技在醫藥生技領域發展的博士生，我還是堅持認為學術上論文的發表有一定的倫理必須遵守，並且應該著重研究的原創性與理論突破性，而這兩個核心才是學術論文的發展價值，而且這也是AI學不來的。

資料來源：Prompt Engineering with ChatGPT: A Guide for Academic Writers

歡迎各領域研究者，共同合作研究：

https://www.facebook.com/akousist

https://line.me/R/ti/p/@875lzikp