Bin Zhang , Haijing Hao , Yongcheng Zhan , Jiang Wu 几位学者在信息系统领域的国际顶刊Information Systems Research发表了一篇题为“How Physician Reviews Affect Online Consultation Demand: An Innovative Small Language Model with Fine-Tuning”的文章。
在线问诊平台的兴起为患者提供了便捷的医疗咨询渠道，然而，在面对海量医生信息时，患者如何做出选择，以及医生的在线评价如何影响其问诊量，一直是平台运营和医疗管理关注的核心问题。该研究正是针对这一现实背景，创新性地引入了一种经过微调的小型语言模型，用于分析医生在线评语中的深层信息，并揭示其与在线问诊需求之间的内在关联。不同于传统方法依赖简单的评分或关键词统计，该模型能够捕捉评语中细腻的语义特征，如医生态度、解释清晰度、疗效感知等多维度信息。通过在大规模真实数据上进行训练与验证，该研究发现，评语中蕴含的情感倾向与细节信息对患者的决策具有显著影响，甚至超过了医生职称等传统权威指标。具体而言，那些在评语中被频繁提及“耐心”“解释清楚”“效果明显”等正向词汇的医生，其问诊量显著高于仅获得高分但评语空泛的同行。该研究进一步通过微调技术，使模型能够适应不同科室、不同病种的语境差异，从而大幅提升了分析的准确性与泛化能力。这项研究的价值在于，它为在线问诊平台提供了一种智能化、低成本的工具，用于精准预测医生需求、优化医生推荐系统，并帮助患者做出更明智的选择。同时，它也提示医疗管理者，应当重视评语质量而非仅仅关注评分，从而更全面地评估医生服务与患者满意度。从技术层面看，该研究所提出的小语言模型微调框架，在保持高效性的同时避免了大型模型带来的高算力需求，具有较强的可落地性与推广价值。总体而言，这项研究为数字医疗场景下的用户行为分析与服务优化提供了新的方法论支持，也为人工智能在医疗健康领域的应用开辟了新的方向。Zhang B, Hao H, Zhan Y, et al. How Physician Reviews Affect Online Consultation Demand: An Innovative Small Language Model with Fine-Tuning[J]. Information Systems Research, 2026.
