Экспертная оценка ответов больших генеративных моделей на запросы врачей в клинической практике

Труды Института системного анализа Российской академии наук. 2026. Т. 76. № 3. С. 79–89.

Тыров И. А., Васильев Ю. А., Владзимирский А. В., Омелянская О. В., Березнер Т. А., Соболева Ю. В., Яфарова А. А., Варюхина М. Д., Шумская Ю. Ф., Ахмедзянова Д. А., Беженова К. Ю., Блохин И. А., Решетников Р. В.

Использование больших генеративных моделей (БГМ) в здравоохранении в настоящее время вызывает значительный интерес. Проведено сравнение БГМ GigaChat и YandexGPT. Выборка 1200 ответов БГМ на запросы врачей из медицинских организаций, оказывающих помощь в амбулаторных и в стационарных условиях, по 7 тематикам оценивалась 13 врачами-экспертами по 5 пятибалльным критериям: релевантность, правильность, безопасность, полнота, языковая грамотность. Анализ выполнен с использованием парного t-критерия с оценкой размера эффекта. Наблюдались разнонаправленные различия между моделями в качестве ответов, в зависимости от критерия оценки и тематики запроса. Отмечено неудовлетворительное качество ответов по критериям безопасности и правильности по ряду тематик (GigaChat «Лекарственные средства» 3,1±1,5 правильность, 3,3±1,6 безопасность, YandexGPT «Параметры и нормы методов исследования» 3,3±1,5 для обоих критериев). Таким образом, БГМ в настоящее время не готовы выполнять функцию ассистента врача.

Ключевые слова: искусственный интеллект, artificial intelligence, GigaChat, YandexGPT, large language models, medical chatbot, GigaChat, expert evaluation of LLMs, медицинский чат-бот, большие генеративные модели, YandexGPT, экспертная оценка LLM