arXiv · cs.AI· Yusuke Watanabe, Yohei Kobashi, Taisei Tosaki, Takeshi Kojima, Yusuke Iwasawa, Yasushi Okuno, Yutaka Matsuo·· 1 天前
医疗信息不充分场景下LLM可判定性判断中的因素覆盖偏差研究
When to Stop Asking: Factor Coverage Bias and LLM Determinability Judgments with Underspecified Information in Medicine
arXiv:2610.25819v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yusuke Watanabe, Yohei Kobashi, Taisei Tosaki, Takeshi Kojima, Yusuke Iwasawa, Yasushi Okuno, Yutaka Matsuo
研究任务与主要进展
研究者构建受控成对基准，发现LLM可能因案例新增决策相关因素而误判其已具备可判定性，即使该案例仍不可判定，且更强推理未能消除这一效应。新增无关文本产生的选择变化则可被推理显著减弱，支持因素覆盖偏差是区别于上下文长度效应的失效模式；研究聚焦医疗决策中的LLM可信性评估。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org