论文发现先输出合成理由再预测会降低临床预测性能。
资讯摘要
论文在五年ADRD预测任务上检验用合成理由做监督微调的假设，在504组配置的对照实验中发现，先输出理由再给标签的SFT相比仅标签微调持续且显著降低预测性能，该退化跨模型家族与数据规模存在，换用推理型基座模型也未解决；固定协议的心血管病验证复现类似结果。作者报告生成理由经专家标注医学准确且忠于患者证据，同一理由作为推理时示例反而提升性能，将预测置于理由之前可恢复性能。
要点速读
- 论文在五年ADRD预测上做504组配置实验，Rationale First SFT相比Label Only微调持续显著损害预测性能。
- 退化跨模型家族与数据规模存在，推理型基座模型未解决；固定协议CVD验证复现类似结果。
- 专家标注确认生成理由医学准确且基于患者证据；同一理由作推理时示例可提升性能，先预测后理由可恢复性能。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。