aiedtechhigher educationassessmentknowledge building

性別依賴的醫療分診診斷替代：相同症狀，緊急程度不平等

arXiv - Computers and SocietyQi Han Wong

大型語言模型在相同神經症狀下，因性別差異而產生急診分診偏差，年輕女性被低估緊急度。

AI 幫你先抓重點

AI 重點 1

AI 需將緊急度評估與診斷先驗分離，以避免性別偏差。

滑鼠懸停看 AI 判斷理由
若不分離，模型會根據流行病學先驗將女性低估急診需求，進而重複人類臨床偏見，影響病患安全。
AI 重點 2

診斷替代機制揭示模型在缺乏足夠症狀資訊時，會依賴性別相關疾病先驗，提示設計更公平的提示語與訓練資料。

滑鼠懸停看 AI 判斷理由
了解此機制可協助開發者調整提示語或加入多樣化訓練樣本，降低性別偏差，提升臨床決策準確性。

核心研究發現

  1. 1

    在25歲女性與男性相同症狀下，Gemini 3.5 Flash 的急診轉診率為0% vs 23.3%，Claude 6.7% vs 96.7%，GPT 6.7% vs 66.7%（p<0.001）。

  2. 2

    此差異在65歲時消失，所有模型對男女的急診轉診率相近。

  3. 3

    模型主要透過診斷替代，將年輕女性歸類為IIH，男性歸類為腦內壓升高伴腫瘤，導致女性被安排較低緊急度的門診。

對教育工作者的啟發

此研究顯示LLM在分診任務中易受性別先驗影響，實務上應先驗分離緊急度判斷與診斷推論；設計提示語時加入性別中立描述，並在訓練資料中平衡不同性別病例；同時建立多模型驗證機制，定期監測偏差；對醫學生與臨床實習生提供案例討論，強調診斷替代與偏差識別，提升臨床判斷的自我調節能力。

原始文獻資訊

英文標題：
Gender-Dependent Diagnostic Substitution in LLM Medical Triage: Same Symptoms, Unequal Urgency
作者：
Qi Han Wong
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。