مقاله‌ای تازه که 23 اکتبر 2026 در arXiv منتشر شد، بررسی می‌کند مدل‌های زبانی بزرگ (LLMها؛ فناوری هوش مصنوعیِ پشت ابزارهایی مثل ChatGPT) تا چه اندازه با تغییر دستورالعمل‌های پزشکی همگام می‌مانند. نویسندگان مجموعه‌آزمونی به نام ChronoEvo ساختند که 1,709 اصلاح مشخص در دستورالعمل‌ها را دربر می‌گیرد و 12 نوع تغییر در دانش پزشکی را پوشش می‌دهد. آن‌ها از 14 مدل زبانی بزرگ مختلف خواستند بر اساس راهنمای به‌روزشده به پرسش‌های بالینی پاسخ دهند.
نتایج آزمون‌ها چه بود
مدل اصلی این پژوهش در 90.8% موارد تشخیص داد که دستورالعملی اصلاح شده و در 80.2% موارد پاسخ بالینی درستی داد. بااین‌حال، تنها 58.5% پاسخ‌هایش توصیه جدید را به‌طور کامل در نظر گرفت. این یعنی بین تشخیص تغییر و به‌کارگیری واقعی راهنمای جدید، فاصله‌ای 32.3 واحد درصدی وجود داشت. همین فاصله در 13 مدل دیگرِ بررسی‌شده نیز دیده شد. دو پزشک نیز 300 پاسخ مدل‌ها را بررسی کردند و به کمبودی مشابه رسیدند: فاصله‌ای 40.3 واحد درصدی بین تشخیص اصلاحات و به‌کارگیری کامل آن‌ها. پژوهش می‌گوید تغییراتی که میزان قوت یک توصیه یا گروه بیماران واجد شرایط را عوض می‌کنند، به‌ویژه احتمال دارد باعث شوند پاسخ مدل همچنان حاوی توصیه‌های منسوخ باشد. نویسندگان تغییری با عنوان «برجسته‌سازی اصلاحات» را آزمودند که بخش به‌روزشده دستورالعمل را مشخص می‌کند. این روش میزان اطلاعات قدیمیِ باقی‌مانده در پاسخ مدل را کاهش داد و درستی بالینی کلی را بهبود بخشید، اما نتوانست فاصله در به‌کارگیری کامل راهنمای جدید را از میان ببرد.
چرا مهم است
این یافته برای پزشکان یا بیمارانی که ممکن است برای دریافت توصیه پزشکی به هوش مصنوعی تکیه کنند، به این معناست که حتی مدل‌های به‌روز هم ممکن است درمان‌های منسوخ پیشنهاد دهند. کاربران باید توصیه‌های پزشکی تولیدشده با هوش مصنوعی را با دستورالعمل‌های رسمی و روزآمد تطبیق دهند.
چرا مهم است
پزشکان و بیمارانی که از ابزارهای هوش مصنوعی استفاده می‌کنند ممکن است با توصیه‌هایی گمراه شوند که به‌روز به نظر می‌رسند، اما همچنان بر دستورالعمل‌های قدیمی تکیه دارند. این پژوهش نشان می‌دهد توسعه‌دهندگان هوش مصنوعی باید راه‌های بهتری برای اطمینان از تشخیص به‌روزرسانی‌ها و به‌کارگیری درست آن‌ها از سوی مدل‌ها پیدا کنند.
