ترجمه فارسی مقاله تصمیم گیری خودآزمایی با پشتیبانی فناوری: مطالعه با روش های ترکیبی

چکیده

Symptom-Assessment Application (SAAs) and Large Language Models (LLMs) are increasingly used by laypeople to navigate care options. Although humans ultimately make a final decision when using these systems, previous research has typically examined the performance of humans and SAAs/LLMs separately. Thus, it is unclear how decision-making unfolds in such hybrid human-technology teams and if SAAs/LLMs can improve laypeople’s decisions. To address this gap, we conducted a convergent parallel mixed-methods study with semi-structured interviews and a randomized controlled trial. Our interview data revealed that in human-technology teams, decision-making is influenced by factors before, during, and after interaction. Users tend to rely on technology for information gathering and analysis but remain responsible for information integration and the final decision. Based on these results, we developed a model for technology-assisted self-triage decision-making. Our quantitative results indicate that when using a high-performing SAA, laypeople’s decision accuracy improved from 53.2% to 64.5% (OR = 2.52, p < .001). In contrast, decision accuracy remained unchanged when using a LLM (54.8% before vs. 54.2% after usage, p = .79). These findings highlight the importance of studying SAAs/LLMs with humans in the loop, as opposed to analyzing them in isolation.

چکیده به فارسی (ترجمه ماشینی)

برنامه ارزیابی علائم (SAAS) و مدل های بزرگ زبان (LLM) به طور فزاینده ای توسط افراد غیرمجاز برای حرکت در گزینه های مراقبت استفاده می شود.اگرچه انسان در نهایت هنگام استفاده از این سیستم ها تصمیم نهایی می گیرد ، تحقیقات قبلی معمولاً عملکرد انسان و SaaS/LLM ها را به طور جداگانه بررسی کرده است.بنابراین ، هنوز مشخص نیست که چگونه تصمیم گیری در چنین تیم های انسانی و فناوری ترکیبی آشکار می شود و آیا SaaS/LLM ها می توانند تصمیمات غیرقانونی را بهبود بخشند.برای پرداختن به این شکاف ، ما یک مطالعه متد موازی همگرا با مصاحبه های نیمه ساختار یافته و یک کارآزمایی کنترل شده تصادفی انجام دادیم.داده های مصاحبه ما نشان داد که در تیم های انسانی و فناوری ، تصمیم گیری تحت تأثیر عوامل قبل ، حین و بعد از تعامل است.کاربران تمایل دارند که برای جمع آوری و تجزیه و تحلیل اطلاعات به فناوری اعتماد کنند اما مسئولیت ادغام اطلاعات و تصمیم نهایی را بر عهده دارند.بر اساس این نتایج ، ما مدلی را برای تصمیم گیری خودآرازی به کمک فناوری تهیه کردیم.نتایج کمی ما نشان می دهد که هنگام استفاده از SAA با عملکرد بالا ، دقت تصمیم Laypeople از 53.2 ٪ به 64.5 ٪ بهبود یافته است (OR = 2.52 ، P <.001).در مقابل ، دقت تصمیم در هنگام استفاده از LLM بدون تغییر باقی مانده است (54.8 ٪ قبل از 54.2 ٪ پس از استفاده ، P = 0.79).این یافته ها اهمیت مطالعه SaaS/LLMS با انسان در حلقه را برجسته می کند ، بر خلاف تجزیه و تحلیل آنها در انزوا. [sc name="papertranslation"][/sc]