ترجمه فارسی مقاله یک رویکرد مبتنی بر مدل زبانی بزرگ برای تجزیه و تحلیل متغیرهای کمکی برابری سلامت در پروژه‌های تحقیقاتی ثبت‌شده

چکیده

Large language models (LLMs) have made significant advancements in natural language processing, offering broad applications in multiple domains. This study explores the use of the GPT-3.5 LLM to conduct efficient and robust computational analysis of registered research projects on the All of Us platform. Specifically, we explore the association between projects pursuing health equity research and: the project’s use of demographic categories (which All of Us enables), the multi-institutional composition of the team leading the project, and the involvement of R2 institutions (compared to only R1 institutions). We demonstrate the utility of GPT-3.5 in automating tasks ranging from generating Python scripts for extracting attributes from free text (such as project description and goals) to identifying and classifying institutions as R1 and R2, and summarizing project details into Unified Medical Language System (UMLS)-coded medical keywords. These contributions significantly reduced manual workload, allowing researchers to focus on more in-depth analysis. Our results reveal health equity insights not readily available in the original All of Us research hub. Specifically, we find a strong positive association between the use of demographic data and projects focused on health equity, while other associations such as health equity projects conducted by institutions were positive but weaker and more dependent on specific project topics.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLMS) پیشرفت های قابل توجهی در پردازش زبان طبیعی انجام داده اند و برنامه های گسترده ای را در حوزه های مختلف ارائه می دهند.این مطالعه به بررسی استفاده از GPT-5.5 LLM برای انجام تجزیه و تحلیل محاسباتی کارآمد و قوی پروژه های تحقیقاتی ثبت شده در سیستم عامل همه ایالات متحده می پردازد.به طور خاص ، ما ارتباط بین پروژه هایی را دنبال می کنیم که تحقیقات عدالت بهداشتی و: استفاده از پروژه از دسته های جمعیتی (که همه ما امکان پذیر است) ، ترکیب چند نهادی تیم رهبری پروژه و درگیری موسسات R2 (در مقایسه با تنهاموسسات R1).ما ابزار GPT-5.5 را در کارهای خودکار از تولید اسکریپت های پایتون برای استخراج ویژگی ها از متن رایگان (مانند توضیحات پروژه و اهداف) برای شناسایی و طبقه بندی موسسات به عنوان R1 و R2 نشان می دهیم ، و خلاصه کردن جزئیات پروژه در سیستم زبان پزشکی یکپارچه (UMLS) کلمات کلیدی پزشکی کد شده.این مشارکت ها به طور قابل توجهی بار کاری دستی را کاهش می دهد و به محققان این امکان را می دهد تا روی تجزیه و تحلیل عمیق تر تمرکز کنند.نتایج ما نشان می دهد که بینش سهام بهداشتی و درمانی که به راحتی در بخش اصلی تحقیق همه ما در دسترس نیست.به طور خاص ، ما بین استفاده از داده های جمعیت شناختی و پروژه های متمرکز بر حقوق بهداشتی ، ارتباط مثبت خوبی پیدا می کنیم ، در حالی که سایر انجمن ها مانند پروژه های سهام بهداشتی که توسط موسسات انجام می شود مثبت اما ضعیف تر و وابسته تر به مباحث خاص پروژه بودند.