Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Cardenas, M., (2024). Rendimiento de los Modelos de Lenguaje Grandes ante preguntas acerca de las técnicas radiológicas [Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/22852
Cardenas, M., Rendimiento de los Modelos de Lenguaje Grandes ante preguntas acerca de las técnicas radiológicas []. PE: Universidad Nacional Mayor de San Marcos; 2024. https://hdl.handle.net/20.500.12672/22852
@misc{sunedu/4373742,
title = "Rendimiento de los Modelos de Lenguaje Grandes ante preguntas acerca de las técnicas radiológicas",
author = "Cardenas Cordova, Mitzy D’yhana",
publisher = "Universidad Nacional Mayor de San Marcos",
year = "2024"
}
Title: Rendimiento de los Modelos de Lenguaje Grandes ante preguntas acerca de las técnicas radiológicas
Authors(s): Cardenas Cordova, Mitzy D’yhana
Advisor(s): Muñoz Barabino, Carmen Cecilia
Keywords: Inteligencia artificial; Radiología médica
OCDE field: https://purl.org/pe-repo/ocde/ford#3.00.00; https://purl.org/pe-repo/ocde/ford#1.02.00; https://purl.org/pe-repo/ocde/ford#3.02.12
Issue Date: 2024
Institution: Universidad Nacional Mayor de San Marcos
Abstract: Evalúa el rendimiento de los Modelos de Lenguaje Grandes ante preguntas acerca de las técnicas radiológicas. La investigación es de enfoque cuantitativo, de diseño observacional de
tipo descriptivo comparativo y transversal. Se consideraron 15 preguntas adaptadas
del banco del Colegio Americano de Radiología (ACR), que se clasificaron en tres
dominios: radiodiagnóstico, tomografía computada y medicina nuclear. Cada pregunta
se ingresó de manera independiente a cada modelo y las respuestas fueron evaluadas
por tres expertos, que utilizaron la Escala de tres puntos. Se aplicó la prueba de
Shapiro-Wilk para evaluar la normalidad de los datos. Los análisis estadísticos se
realizaron con Microsoft Excel y SPSS v.25, incluyendo la prueba de Kruskal-Wallis
para comparar las puntuaciones entre modelos y el Coeficiente de Correlación
Intraclase (CCI) para determinar la coherencia entre los evaluadores. Se obtuvo que Google Bard ofreció las respuestas más extensas con 3239 palabras y
17113 caracteres, seguido por Microsoft Bing (2065 palabras, 10866 caracteres) y
ChatGPT-3.5 (1635 palabras, 9008 caracteres). En cuanto a la precisión, Google Bard
tuvo la puntuación más alta en precisión total (37 ± 3.6), seguido por Microsoft Bing
(28 ± 4) y ChatGPT-3.5 (26 ± 4.4). Bard también lideró en precisión en dominios
específicos como radiodiagnóstico (10.67 ± 1.5), tomografía computada (12.67 ± 2.5)
y medicina nuclear (13.67 ± 1.5). En la precisión por consenso, el 60% de las
respuestas de Bard fueron calificadas como "Bueno", en comparación con el 13.3%
para ChatGPT-3.5 y Microsoft Bing. La correlación entre las evaluaciones de los
jueces mostró coherencia significativa y sustancial para ChatGPT-3.5 (r=0.007; CI:
0.618), Google Bard (r=0.008; CI: 0.632), y Microsoft Bing (r=0.007; CI: 0.703).
Se concluye que Google Bard tuvo mayor precisión en comparación con Microsoft Bing
y ChatGPT-3.5 al responder preguntas sobre las técnicas radiológicas, sin embargo,
no se encontraron diferencias significativas entre ellos.
Link to repository: https://hdl.handle.net/20.500.12672/22852
Discipline: Tecnología Médica en el área de Radiología
Grade or title grantor: Universidad Nacional Mayor de San Marcos. Facultad de Medicina. Escuela Profesional de Tecnología Médica
Grade or title: Licenciada en Tecnología Médica en el área de Radiología
Juror: Carbonel Arribasplata, José Antonio; Vásquez Herrera, José Fernando; Sánchez García, Waynner
Register date: 11-Jul-2024
This item is licensed under a Creative Commons License