Huatuo-Llama-Med-Chinese/benchmark/README.md

评价基准

我们提出了中文医学复杂开放式问题回答基准（CMCOQA），旨在通过在医疗场景中构建复杂的开放式问题来更准确、有效地评估大语言模型的医学水平。

基准构建

我们首先手动构建了100个复杂的医学问题，并通过GPT-4结合Self-Instruct方法扩展至1200个问题，形成CMCOQA基准。并依据ICD-10标准进行问题分类，对某些类别进行调整，以确保数据集涵盖了各种疾病，且分布相对均衡。

• CMCOQA基准数据集样例

评价维度

CMCOQA基准涉及三个评估维度：完整性（Completeness）、深刻性（Depth）和专业性（Professionalism）。在每个维度按照下表的评分标准，使用0到3分进行评分。

维度	标准	描述
完整性	覆盖度	涵盖问题的各个方面，例如病因、诊断、治疗和预防。
	相关性	与问题直接相关，避免无关信息。
深刻性	分析深度	提供深入的分析和讨论，而不仅仅是表面的描述。
	见解	提供建设性的建议或观点。
专业性	准确性	确保内容准确，避免错误或误导性内容。
	简洁性	言简意赅，直奔主题，没有冗余信息。
	术语使用	恰当使用专业术语，展现专业水平。

评价结果

我们使用人工和GPT-4o结合的方式，使用CMCOQA基准对一系列医学大模型以及通用领域大模型进行评估，可以看到，在医学大模型领域，基于知识微调的本草大模型表现优异，尤其在回复的深刻性方面，显著优于其他基线。