摘要

本研究探讨了如何通过线性同余生成器（LCG）方法在大规模语言模型（LLMs）中引入随机性，以生成与临床相关的高质量内容，特别是在医学教育中的多项选择题（MCQs）。研究通过LCG方法确保了在多个生成轮次中，胃肠道生理和病理事实的独特组合，并将其整合到GPT-4o模型的提示中，以创建临床相关的案例式输出。在14轮生成中，共产生了98个独特的输出，展示了LCG方法在生成多样化和高质量内容方面的有效性。这种方法解决了随机性和重复性的关键问题，提高了LLM生成内容的质���和效率，适用于多种应用场景。

原理

本研究采用线性同余生成器（LCG）算法，这是一种基本的伪随机数生成器（PRNG），通过线性递归关系生成一系列数字。LCG的工作原理基于以下公式：Xn+1 = (aXn + c) mod m，其中Xn是当前序列中的数字，a是乘数，c是增量，m是模数。研究中使用的参数包括种子（X0）为12345，乘数（a）为1103515245，增量（c）为12345，模数（m）为231。这些参数的选择确保了生成序列的周期性和随机性的平衡。LCG算法通过生成伪随机数序列，并将其映射到预定义的100个临床相关事实的索引上，确保了每轮MCQ生成基于独特的、多样的事实组合，从而避免了重复并促进了全面的话题覆盖。

流程

研究的工作流程包括以下几个关键步骤：

1. 事实选择：创建一个包含100个临床相关事实的全面事实映射，每个事实分配一个从1到100的唯一索引。
2. LCG生成：使用LCG算法生成伪随机数序列，并将其映射到事实索引上，确保每轮生成基于独特的事实组合。
3. MCQ生成：利用精心设计的基提示，指导AI模型创建临床相关的案例式多项选择题，每个问题包含患者人口统计、症状和相关医疗历史，并提供五个按字母顺序排列的合理答案选项，包括正确答案和简短解释。
4. 模型应用：使用OpenAI的GPT-4o模型通过API生成MCQs，发送包含基提示和选定事实的完整提示，设置模型参数如最大令牌数和温度，以平衡创造性和连贯性。

应用

本研究的方法不仅限于医学教育中的MCQ生成，还可以扩展到其他需要高质量、多样化内容的领域，如教育内容创建、对话代理和知识评估工具。通过LCG方法确保的随机性和控制性，可以提高内容的多样性和质量，适用于需要避免重复和提高内容覆盖度的各种应用。此外，这种方法的可扩展性和可复制性使其成为开发全面问题库的有力工具，特别是在快速发展的医学教育领域。