[分享]不要只使用「摘要」，Prompt寫好，ChatGPT能協助以「簡報式」加速閱讀文獻

韓駿逸（Michael）

發佈於人工智慧科技創新

更新於 2024/02/24發佈於 2024/02/24閱讀時間約 7 分鐘

博士生每週的閱讀量可能必須掌握到10-20篇文章，並且要讓自己的產出掌握在一定的數量上。

因此，不只是要能快速地整理出過去文獻探討的主題與內容，重點在於找出文獻是否存在真實的缺口，而且要整理出來缺口在哪邊？

因此，閱讀快，整理快，產出快，這是在博士生前期的學習重點。然而，每週10-20篇文章的閱讀量，往往會讓我覺得好像無法精讀，無法深入吸收，實在很可惜。當然必須承認可能是資質欠佳且時間分配不理想。

經歷一陣子淬煉之後，閱讀進步了、理解進步了、產出進步了，但時間也過去了1-2年，因此當時就是一直在想「有沒有其他辦法？」還是「只有不斷練習，才能不斷進步」。

“相信兩者都要”

當ChatGPT上市的時候，我覺得其他辦法出現了，一開始最長使用的Prompt就是「摘要」這個prompt。然而，在深入接觸ChatGPT之後，發現裡面很多能夠協助快速閱讀文獻的方法。

因此，不只是「Prompt: 摘要」這篇文章，儘管我知道摘要已經讓大家很驚艷了。但是一篇期刊論文的前面就已經有摘要了，所以你對一篇有摘要的論文，再下摘要Prompt，是相對比較缺乏意義的。

「指令式」以「摘要」為核心的做法

Prompt #1

這篇文章已經上傳給你，摘要這篇文章的實驗設計、步驟、樣本選擇、實驗具體技術、方法、數據收集與分析

ChatGPT Answer #1

這項研究旨在開發一種機器學習方法來檢測1型糖尿病患者在駕駛真實汽車時的低血糖狀態，通過收集駕駛特性和頭部/視線運動數據。研究共收集了47998條觀察數據，來自30名參與者（24名男性；平均年齡40.1±10.3歲；平均糖化血紅蛋白值6.9±0.7%）。這些數據用於構建和評估機器學習模型，僅基於駕駛特性和頭部/視線運動數據來檢測低血糖。

研究結果顯示，機器學習方法能夠高精度地檢測低血糖（接收者操作特徵曲線下面積[AUROC] 0.80±0.11）。即使僅限於駕駛特性或頭部/視線運動數據，檢測性能仍然保持高水平（分別為AUROC 0.73±0.07和0.70±0.16）。

研究結論指出，僅使用駕駛特性和頭部/視線運動數據的機器學習方法可以非侵入性地檢測真實汽車駕駛中的低血糖，從而改善1型糖尿病患者的駕駛安全和自我管理。此外，可解釋的機器學習還提供了有關低血糖期間駕駛行為變化的新見解。

實驗設計和步驟概述：

背景和目的：開發和評估一種機器學習方法，通過駕駛特性和頭部/視線運動數據來檢測低血糖，改善駕駛安全。
方法：收集了47998條來自30名1型糖尿病患者的觀察數據，參與者在真實汽車駕駛中體驗不同的血糖水平。
結果：機器學習方法能夠高精度地檢測低血糖，即使在僅有駕駛特性或頭部/視線運動數據的情況下也是如此。
結論：該方法能夠非侵入性地檢測真實汽車駕駛中的低血糖，提高1型糖尿病患者的駕駛安全，並提供有關低血糖期間駕駛行為變化的新見解。

指令式 Prompt & Answer

其實，這篇摘要的實驗設計與步驟，已經是很棒了。但是試試看能不能更棒。

重新寫Prompt 幫助理解，並彙整成「簡報式」

Prompt #2

我是一位跨足AI與醫學領域的研究者（說明角色，要表達用字深入），正在研究一篇發表在2023年的醫學期刊上的論文（說明文章深度是論文層次，領域是醫學），標題爲“[Machine Learning to Infer a Health State Using Biomedical Signals — Detection of Hypoglycemia in People with Diabetes while Driving Real Cars]”，並且已經上傳給你（設定範圍，明確指出是剛剛上傳的那一篇，不是其他篇，也不是其他曾經學過的內容）。

我對論文中描述的實驗設計和步驟感興趣（重視實驗設計與步驟），包括如何選擇和處理樣本，實驗中使用的具體技術和方法，以及數據是如何被收集和分析的（需要的文件內容）。能否提供這部分的一步一步地詳細解釋和分析（這是大型語言模型的思維式關鍵字，遇到這個字，大型語言模型會逐步逐條仔細說明），並以繁體中文（設定回應語言）回覆我？

ChatGPT Answer #2

這項研究旨在開發一種機器學習（ML）方法，通過收集駕駛特性和頭部/視線運動數據來非侵入性地檢測駕駛時的低血糖狀態。研究分為兩部分：一部分針對明顯的低血糖，另一部分針對輕微的低血糖，共有30名1型糖尿病患者參與。數據收集包括駕駛行為和頭部/視線運動數據，使用汽車控制區域網絡（CAN）和駕駛員監測攝像頭（DMC）進行。

實驗設計和參與者

兩項研究在伯恩大學醫院和附近的測試跑道上進行，遵循良好臨床實踐準則和赫爾辛基宣言。研究對象為21至60歲的1型糖尿病患者，糖化血紅蛋白值小於或等於9.0%。主要排除條件包括懷孕、嚴重器官功能障礙、心血管疾病、癲癇、藥物或酒精濫用以及干擾駕駛表現的藥物。

實驗過程

參與者首先接受篩查，然後裝配工廠校準的Dexcom G6連續血糖監測系統（CGM），並學習如何在參與期間避免低血糖。主要訪問前3至7天進行篩查，參與者在經過一夜的禁食後被接納到臨床研究單位。插入靜脈導管後，參與者被轉移到附近的測試跑道。在實驗開始前，參與者完成了一個試駕會。隨後，在受控低血糖程序中，參與者在保安的測試跑道上駕駛研究車（大眾Touran，自動檔；大眾汽車AG，德國沃爾夫斯堡）。

數據收集和分析

在每種血糖狀態下，參與者完成大約20分鐘的駕駛，涵蓋三種不同的駕駛情境。每個場景持續6至9分鐘，中間有1至2分鐘的間隔用於靜脈血糖測量。使用CAN總線接口捕捉駕駛數據，並以50 Hz的頻率重新取樣記錄車輛信號。頭部/視線運動追踪（DMC）使用預製的近紅外相機系統，安裝在方向盤柱後面，以高達50 Hz的幀率捕獲圖像，每次實驗前進行校準。

ML模型建立和評估

基於CAN和DMC數據，使用了三種不同的ML模型進行低血糖檢測評估：結合駕駛數據和頭部/視線運動數據的CAN+DMC模型；僅使用駕駛數據的CAN模型；以及僅使用頭部/視線運動數據的DMC模型。這些模型的建立和評估基於特徵工程，即從原始數據創建輸入特徵的過程，並使用滑動窗口方法。ML模型實現為帶有岭正則化的邏輯回歸，並在離開一人的交叉驗證（n=30）中測量低血糖檢測的性能。

這項研究的實驗設計和步驟精心安排，以確保收集到的數據可靠且具有代表性，同時減少偏差，提高了機器學習方法在實際應用中的有效性和準確性。