アラビア語の医療テキスト生成のための重症度ベースのカリキュラム学習戦略

Abstract

アラビア語の医療テキスト生成は、ユーザが症状を解釈し、母語で一般的な健康ガイダンスにアクセスするのを助けるために、ますます必要とされています。しかしながら、多くの既存手法は学習サンプル間で重要度が一様であることを前提としており、臨床的な重症度の違いを見落としています。この単純化は、モデルが複雑または高リスクの症例を適切に捉える能力を妨げ得ます。本研究では、この課題を克服するために、アラビア語医療テキスト生成のための重症度に基づくカリキュラム学習戦略を提案します。ここでは、学習プロセスを、重症度の低い医療状態からより重大な医療状態へと段階的に進めるように構造化します。提案手法は、データセットを重症度に基づいて順序立てた段階に分割し、微調整の過程でより困難な症例を段階的にモデルへ提示します。これにより、まず基本的な医療パターンを学習してから、より複雑な状況に取り組めるようになります。提案手法は、症状を説明するアラビア語の医療質問と、それに対応する応答を含む Medical Arabic Question Answering (MAQA) データセットの一部で評価されます。さらに、データセットには本研究で開発したルールベースの手法を用いて3つの重症度レベル（軽度、 中等度、 致命的）を付与しています。その結果、重症度を考慮したカリキュラム学習を取り入れることで、検証したすべてのモデルにおいて一貫した性能向上が示され、基準モデルに対して約+4%〜+7%、従来の微調整アプローチと比べて +3%〜+6% の改善が得られました。