임상 기록은 환자 안전을 위협할 수 있는 오류를 포함하고 있습니다. 대규모 언어 모델(LLM)은 이러한 오류를 감지하고 수정하는 데 도움이 될 수 있지만, 다양한 프롬프트 전략 하에서의 동작은 불분명합니다. 본 연구에서는 의료 오류 처리의 세 가지 하위 작업(오류 플래그 감지, 오류 문장 감지, 오류 수정)에 대해 제로샷 프롬프팅, 임의 예시를 사용한 정적 프롬프팅(SPR), 검색 증강 동적 프롬프팅(RDP)을 평가했습니다. 9개의 instruction-tuned LLM(GPT, Claude, Gemini, OpenAI o-series 모델)을 사용하여 MEDEC 데이터 세트를 기반으로 정확도, 재현율, FPR(False Positive Rate), 오류 수정을 위한 ROUGE-1, BLEURT, BERTScore의 집계 점수를 측정했습니다.
