提示学习
Parent: ai_keywords
一、核心定义
提示学习（Prompt Learning）是指通过设计特定的自然语言或编码提示（Prompt）来激活预训练大型语言模型（LLM）中内隐的泛化知识，使模型无需或仅需少量参数更新即可适配下游任务。其核心理念在于“提示即编程”——将任务指令、示例或模板嵌入输入，引导模型生成期望输出，从而实现零样本（Zero-shot）或少样本（Few-shot）学习。
二、关键技术点
- 提示模板设计
- 硬提示 (Hard Prompt)：由人工编写离散文本，如“诊断为：___”。
- 软提示 (Soft Prompt)：通过梯度优化的连续向量，可嵌入模型嵌入层，适配复杂语境。
- 提示调优 (Prompt Tuning)
固定预训练模型参数，仅对可学习的软提示向量进行微调，效率高且保留模型泛化能力。 - 上下文学习 (In-Context Learning)
通过输入中附带若干“输入-输出”样例作为上下文，使模型隐式推理任务映射。 - 思维链提示 (Chain-of-Thought)
引导模型逐步生成中间推理步骤，适用于临床诊断推理、多步规则判定等场景。 - 多模态提示融合
将文本提示与影像、脑电信号编码对齐，实现跨模态知识迁移（如“描述癫痫发作时的脑电图特征”）。
三、医学/神经科学应用场景（首都医科大学背景）
脑卒中后失语症的分类评估
传统评估依赖人工神经心理学量表（如波士顿诊断性失语症检查），耗时且主观。利用提示学习：
- 将患者口语转写文本（如“我想…喝水…杯子…”）输入LLM，附加硬提示模板：
根据上述语言特征，该患者最可能的失语类型是[流畅性/找词困难/复述障碍]，请仅输出类型标签。 - 结合少样本示例（提供典型布罗卡、韦尼克等亚型的语料），模型可在无额外标注下输出分类结果。
- 优势：零参数微调，适配不同语言环境的临床病历；可扩展至帕金森病语速监测、癫痫发作期语言障碍识别等神经退行性病变早期筛查场景。
