在LLMs中整合专业知识：使用精细的模板指令打造定制化的营养助手

文献标题

Integrating Expertise in LLMs: Crafting a Customized Nutrition Assistant with Refined Template Instructions

文献信息

• 主题领域: 大型语言模型 (LLMs) 在营养与膳食领域的应用
• 关键词: 大型语言模型, 人工智能, 个性化营养助手, 食品推荐系统, 营养教育, 健康科技

研究背景与问题

• 发现的问题或挑战:

  1. LLMs 的潜力虽被广泛认可，但其提供准确、个性化的营养信息的能力尚未得到验证。
  2. 当前食品推荐系统缺乏透明性，无法向用户解释推荐的科学依据。
  3. 在资源匮乏地区，膳食建议的精确性可能不足，会加剧营养不良问题。

• 重要性:
  此问题对于改善食品选择的机制，提升个性化营养建议的普及度，以及减缓经济困难地区的健康差距具有重要意义。

• 研究动机与相关工作:
  作者旨在通过与注册营养师合作，探讨 LLM 在提供膳食信息上的优势与不足，并研发一种精准的个性化营养助手原型，目的是提升消费者接受的食品信息质量。

解决方案

• 提出的方法:

  1. 设计一种个性化营养助手 "The Food Product Nutrition Assistant"，利用模板指令改进 LLM 的营养信息输出性能。
  2. 通过混合方法 (定量评分与定性分析) 验证 GPT-4 的输出质量，并生成设计指南。
  3. 结合注册营养师的意见迭代完善模板指令。

• 创新之处:

  • 提供一种新的 LLM 定制化方法，通过高质量模板指导改善输出。
  • 融合最新膳食指南（如美国膳食指南和 MyPlate），提升输出信息的科学性与实用性。
  • 在用户层面实现营养信息的个性化。

• 实施步骤与关键技术:

  1. 分析 LLM 生成食品商品说明的能力与局限性。
  2. 确定模板指令的设计指南，包括如何处理营养标签、膳食目标和替代选择等。
  3. 创建并测试定制化 GPT 原型，通过集中讨论会迭代优化其指令。
  4. 添加知识库内容，例如美国膳食指南 PDF 文档，以增强原型的深度与稳定性。

研究成果

• 具体成果:

  1. 开发了 "The Food Product Nutrition Assistant"，一个经过注册营养师验证的定制化 GPT 原型。
  2. 设计出了详细的模板指令指南，优化了营养信息输出的准确性与用户理解性。
  3. 实现了食品商品说明的个性化输出，包括食品营养分析、替代品建议、过敏成分标记等。

• 与现有解决方案的优势:

  • 输出结构更加清晰，采用分点陈述并应用第五级阅读水平，以适合更多的用户群体。
  • 消除了错误信息和误导性术语（如“健康剂量”），降低了错误输出概率。
  • 整合了专家验证的知识库，增强了输出与营养标准的对齐性能。

• 实验或评估结果:

  1. 经由实验设计 (三个输入详细度级别) 与注册营养师集中讨论验证显示，高详细度输入可以显著提高输出质量。
  2. 停止使用“日推荐值百分比 (DV%)”并仅列出营养含量，以增强用户的理解力。

• 局限性与未来方向:

  • 局限性：分析范围只涵盖少量食品商品；用户反馈尚需进一步验证实际使用情况。
  • 未来方向：
    1. 扩展至多文化背景的食品商品及营养需求，确保普适性。
    2. 探索结合信息图表或可视化工具，提高说明的交互性与用户体验。
    3. 实现实时食品价格信息和福利项目（如 SNAP/WIC）资格的识别，弥合健康与经济选择的差距。

附录与补充

1. 初始模板指令设计
2. 迭代优化后的最终模板指令版本
3. 实验案例中的食品商品信息与输出样例

作者总结称，该个性化原型和设计指南为推进 LLM 技术在营养与健康科技领域的应用提供了重要的参考框架，并强调专家引导的重要性。