A Proposed S.C.O.R.E. Evaluation Framework for Large Language Models : Safety, Consensus, Objectivity, Reproducibility and Explainability

我们提出了一种全面的定性评估框架，用于评估在医疗保健领域中使用的大型语言模型(LLM)，该框架超越了传统的准确性和量化指标。我们提出了5个关键方面来评估LLMs：安全性、共识性、客观性、可重复性和可解释性(S.C.O.R.E.)。我们建议，S.C.O.R.E.可以成为未来基于LLM的模型的评估框架的基础，这些模型在医疗保健和临床应用中是安全、可靠、值得信赖和符合伦理要求的。

提出了一个综合性的定性评估框架，用于评估大型语言模型在医疗保健领域的应用。该框架旨在解决当前评估方法中缺乏的安全性、共识性、客观性、可重复性和可解释性等问题。

提出了一个基于S.C.O.R.E.的评估框架，包括安全、共识、客观性、可重复性和可解释性。该框架可以为未来的基于LLM的模型提供安全、可靠、值得信赖和符合伦理的医疗保健和临床应用。

论文提出的S.C.O.R.E.评估框架可以帮助评估大型语言模型在医疗保健领域的应用是否安全、可靠、值得信赖和符合伦理。该框架的实施可以促进LLM的可持续发展，并为未来的研究提供指导。论文还讨论了其他相关问题，如LLM的数据隐私和安全性等。

最近的相关研究包括：1.《Towards Trustworthy AI for Healthcare: A Review》；2.《Explainable AI for Medical Diagnosis: A Review》；3.《A Survey of Deep Learning for Scientific Discovery》等。