乔治梅森大学公共卫生学院护理学者泰努·泽维尔及其团队近期开展研究，探讨大型语言模型识别临床病历中污名化表述的潜力。结果表明，人工智能在捕捉成瘾者、依从性差等偏见性记录方面具有应用前景，但其准确率高度依赖参数配置。模型规模、温度设定、提示策略及病历类型均会显著影响输出结果。研究一致发现，提供污名化语言示例能有效提升模型判断精度。泽维尔强调，单纯部署模型无法满足临床需求，必须审慎优化设置与提示工程方可确保可靠性。该成果已发表于JAMIA Open。临床文档中的标签化语言易强化医疗偏见并影响患者后续诊疗，经优化的人工智能工具若能及时提示并修正不当表述，将有助于推动医疗公平、改善患者信任。团队指出，未来需深化医护人员与算法开发者的跨领域协作，共同打造兼顾沟通效率与人文关怀的智能辅助系统。