The Use of large language models in group chat program for counseling between doctors and heart disease patients

การใช้งานโมเดลภาษาขนาดใหญ่ในโปรแกรมสนทนาแบบกลุ่มเพื่อการให้คำปรึกษาระหว่างแพทย์และผู้ป่วยโรคหัวใจ

Name: Noratap Muangudom

ThaSH: Chatbots

ThaSH: Interactive computer systems

ThaSH: Heart -- Diseases

Abstract: In recent years, Large Language Models (LLMs) have demonstrated significant potential in various applications, including healthcare, education, and customer support. This study investigates the integration of LLMs into group chat environments to facilitate medical counseling between doctors and heart disease patients. Traditional chatbot systems primarily operate in one-on-one interactions, which can lead to redundant queries and inefficiencies in medical consultations. This research introduces a novel chatbot system designed for group chat settings, allowing multiple users and medical professionals to interact seamlessly within the same conversation. The chatbot system retrieves medical knowledge from a predefined document database using an information retrieval model to ensure responses are relevant and accurate. A verification mechanism is integrated, enabling doctors to review and validate chatbot-generated responses before they are presented to patients. The study employs hypothesis testing and real-world evaluations to measure chatbot performance across three key dimensions: response accuracy, response speed, and user satisfaction. Experimental results indicate that group chat environments improve communication efficiency, reduce repetitive queries, and enhance patient engagement compared to traditional one-on-one chatbot interactions. Furthermore, user feedback highlights the strengths and limitations of the proposed system. While the chatbot successfully provides relevant medical information, challenges remain in ensuring response accuracy, reducing response time, and improving contextual understanding in group conversations. Future work will focus on refining chatbot algorithms, enhancing natural language processing capabilities, and expanding the medical knowledge base to support a wider range of healthcare scenarios. This research underscores the potential of LLMs in transforming digital healthcare support, making medical consultations more efficient, accessible, and collaborative.

Abstract: ในช่วงไม่กี่ปีที่ผ่านมา โมเดลภาษาขนาดใหญ่ (LLMs) ได้แสดงให้เห็นถึงศักยภาพในการประยุกต์ใช้ในหลายด้าน เช่น การดูแลสุขภาพ การศึกษา และงานบริการลูกค้า งานวิจัยนี้ศึกษาการนำ LLMs มาประยุกต์ใช้ในระบบสนทนาแบบกลุ่มเพื่อการให้คำปรึกษาทางการแพทย์ระหว่างแพทย์และผู้ป่วยโรคหัวใจ ปัจจุบันระบบแชตบอทส่วนใหญ่ทำงานในรูปแบบของการสนทนาแบบตัวต่อตัว ซึ่งอาจทำให้เกิดความซ้ำซ้อนของคำถามและลดประสิทธิภาพของการให้คำปรึกษา งานวิจัยนี้นำเสนอระบบแชตบอทที่สามารถทำงานในแชตกลุ่มได้ โดยอนุญาตให้ผู้ใช้หลายคนรวมถึงบุคลากรทางการแพทย์สามารถสนทนาและแลกเปลี่ยนข้อมูลในบริบทเดียวกันระบบแชตบอทที่พัฒนาขึ้นใช้เทคนิคการค้นคืนข้อมูลจากฐานเอกสารทางการแพทย์ที่กำหนดไว้ล่วงหน้า เพื่อให้แน่ใจว่าคำตอบที่ได้มีความถูกต้องและเกี่ยวข้อง นอกจากนี้ยังมีระบบตรวจสอบโดยแพทย์เพื่อให้สามารถกลั่นกรองและยืนยันความถูกต้องของคำตอบก่อนที่จะแสดงให้กับผู้ป่วย การวิจัยนี้ประเมินผลผ่านการทดสอบสมมติฐานและการทดลองใช้งานจริง โดยมุ่งเน้นวัดผลในสามด้านหลัก ได้แก่ ความถูกต้องของคำตอบ ความเร็วในการตอบสนอง และระดับความพึงพอใจของผู้ใช้ ผลการทดลองพบว่าการใช้แชตบอทในแชตกลุ่มช่วยเพิ่มประสิทธิภาพในการสื่อสารลดความซ้ำซ้อนของคำถาม และช่วยให้ผู้ป่วยมีส่วนร่วมในการสนทนาทางการแพทย์มากขึ้นเมื่อเทียบกับการใช้แชตบอทแบบตัวต่อตัวอย่างไรก็ตามการวิเคราะห์ความคิดเห็นของผู้ใช้พบว่าระบบยังคงมีข้อจeกัดในด้านความแม่นยำของคำตอบ เวลาตอบสนองที่อาจช้า และความเข้าใจบริบทของการสนทนาแบบกลุ่ม งานวิจัยในอนาคตจะมุ่งเน้นการพัฒนาอัลกอริทึมของแชตบอทให้สามารถเข้าใจภาษาได้ดีขึ้น เพิ่มความสามารถในการประมวลผลภาษาธรรมชาติ และขยายฐานความรู้ทางการแพทย์ให้ครอบคลุมมากขึ้น ผลการศึกษานี้แสดงให้เห็นว่า LLMs สามารถมีบทบาทสาคัญในการปฏิรูปการให้คำปรึกษาทางการแพทย์ผ่านระบบดิจิทัล ทำให้การเข้าถึงข้อมูลทางการแพทย์เป็นไปอย่างสะดวก รวดเร็ว และมีประสิทธิภาพมากยิ่งขึ้น

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Karn Patanukhom

Role: Advisor

Created: 2025

Modified: 2568-07-29

Issued: 2025-06-28

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	660632027.pdf	1.7 MB	4	2025-10-07 21:28:46

ใช้เวลา

0.032633 วินาที