Como você sabe disso? Ensinando Modelos de Linguagem Generativos a Referenciar Respostas a Perguntas Biomédicas

How do you know that? Teaching Generative Language Models to Reference Answers to Biomedical Questions

July 6, 2024

Autores: Bojana Bašaragin, Adela Ljajić, Darija Medvecki, Lorenzo Cassano, Miloš Košprdić, Nikola Milošević

cs.AI

Resumo

Os modelos de linguagem de grande escala (LLMs) tornaram-se recentemente a principal fonte de respostas para perguntas de usuários online. Apesar de sua capacidade de oferecer respostas eloquentes, sua precisão e confiabilidade podem representar um desafio significativo. Isso é especialmente verdadeiro para domínios sensíveis, como a biomedicina, onde há uma maior necessidade de respostas factualmente corretas. Este artigo apresenta um sistema de geração aumentada por recuperação biomédica (RAG) projetado para aprimorar a confiabilidade das respostas geradas. O sistema é baseado em um LLM ajustado para a referência de perguntas e respostas, onde resumos relevantes recuperados do PubMed são passados para o contexto do LLM como entrada por meio de um prompt. Sua saída é uma resposta baseada em resumos do PubMed, onde cada afirmação é referenciada adequadamente, permitindo que os usuários verifiquem a resposta. Nosso sistema de recuperação alcança uma melhoria absoluta de 23% em comparação com o mecanismo de busca do PubMed. Com base na avaliação manual em uma pequena amostra, nosso componente LLM ajustado alcança resultados comparáveis ao GPT-4 Turbo na referência de resumos relevantes. Disponibilizamos publicamente o conjunto de dados usado para ajustar os modelos e os modelos ajustados com base em Mistral-7B-instruct-v0.1 e v0.2.

English

Large language models (LLMs) have recently become the leading source of answers for users' questions online. Despite their ability to offer eloquent answers, their accuracy and reliability can pose a significant challenge. This is especially true for sensitive domains such as biomedicine, where there is a higher need for factually correct answers. This paper introduces a biomedical retrieval-augmented generation (RAG) system designed to enhance the reliability of generated responses. The system is based on a fine-tuned LLM for the referenced question-answering, where retrieved relevant abstracts from PubMed are passed to LLM's context as input through a prompt. Its output is an answer based on PubMed abstracts, where each statement is referenced accordingly, allowing the users to verify the answer. Our retrieval system achieves an absolute improvement of 23% compared to the PubMed search engine. Based on the manual evaluation on a small sample, our fine-tuned LLM component achieves comparable results to GPT-4 Turbo in referencing relevant abstracts. We make the dataset used to fine-tune the models and the fine-tuned models based on Mistral-7B-instruct-v0.1 and v0.2 publicly available.