Bộ lọc an toàn dược liệu chứa quy tắc cứng tích hợp trong chatbot giáo dục Y học cổ truyền Việt Nam
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Xây dựng và đánh giá hiệu quả của Bộ lọc an toàn dược liệu chứa quy tắc cứng tích hợp trong chatbot giáo dục Y học cổ truyền Việt Nam (sau đây gọi tắt là bộ lọc) tại Trường Đại học Hòa Bình.
Đối tượng và phương pháp nghiên cứu: Bộ lọc mã hóa quyết định luận năm nhóm quy tắc cứng: Thập Bát Phản (18 cặp), Thập Cửu Úy (19 cặp), dược liệu cấm thai kỳ, quy định bào chế đặc biệt, và tương tác YHCT–Y học hiện đại. 12 giảng viên Khoa YHCT chấm độc lập 115 câu hỏi an toàn dược liệu (mô-đun an toàn dược) qua 4 vòng tối ưu hóa (V1–V4), sinh 5.104 lượt đánh giá trên bộ tiêu chí 19 mục.
Kết quả: Điểm trung bình mô-đun an toàn dược tăng từ 3,202 (V1) lên 4,426 (V4); mức tăng lớn nhất tại V2 → V3 (+0,553). Phân loại “Có hại” trên tiêu chí an toàn TC13 bằng 0% qua toàn bộ 5.104 lượt đánh giá. Phân loại “Có lợi” giảm nhẹ (91,02% → 86,57%) đồng thời với “Trung tính” tăng (8,98% → 13,43%) do V4 ưu tiên khuyến cáo chuyển tuyến.
Kết luận: Bộ lọc hoạt động bất biến với chất lượng prompt, đảm bảo 0% câu trả lời có hại qua bốn vòng tối ưu hóa, là lớp bảo vệ tối thiểu cần thiết khi triển khai mô hình ngôn ngữ lớn trong tư vấn dược YHCT.
Chi tiết bài viết
Tài liệu tham khảo
2. Bộ Y tế. Quyết định số 3159/QĐ-BYT ngày 23/11/2022 phê duyệt tài liệu “Chuẩn năng lực cơ bản của Bác sĩ Y học cổ truyền Việt Nam”. Hà Nội, 2022.
3. Bộ Y tế. Quyết định số 5013/QĐ-BYT ngày 01/12/2020 ban hành tài liệu chuyên môn “Hướng dẫn chẩn đoán và điều trị bệnh theo y học cổ truyền, kết hợp y học cổ truyền với y học hiện đại”, tập I, Hà Nội, 2020.
4. Bộ Y tế. Thông tư số 02/2024/TT-BYT ngày 12/03/2024 quy định cấp giấy chứng nhận lương y, giấy chứng nhận người có bài thuốc gia truyền, giấy chứng nhận người có phương pháp chữa bệnh gia truyền và kết hợp y học cổ truyền với y học hiện đại tại cơ sở khám bệnh, chữa bệnh, Hà Nội, 2024.
5. Wei S, Peng X, Wang Y, Shen T, Si J, Zhang W, et al. BianCang: A Traditional Chinese Medicine Large Language Model. IEEE Journal of Biomedical and Health Informatics, 2025. Doi:10.1109/JBHI.2025.3612415.
6. He J, Guo Y, Lam LK, Leung W, He L, Jiang Y, et al. OpenTCM: A GraphRAG-Empowered LLM-based System for Traditional Chinese Medicine Knowledge Retrieval and Diagnosis. In: Proceedings of the 11th International Conference on Big Data Computing and Communications (BigCom'25). IEEE; 2025.
7. Trinh T, Dao A, Hy THN, Hy TS. VietMedKG: Knowledge Graph and Benchmark for Traditional Vietnamese Medicine. ACM Transactions on Asian and Low-Resource Language Information Processing. 2025, 24(7), Article 69, pp.1–17, doi:10.1145/3744740.
8. Bộ Y tế. Hội đồng Dược điển. Dược điển Việt Nam V, Nhà xuất bản Y học, Hà Nội, 2017.
9. Phạm Thanh Kỳ. Dược liệu học, Tập 2, Nhà xuất bản Y học, Hà Nội, 2018.
10. Nguyễn Nhược Kim. Phương tễ học: Nhà xuất bản Y học, Hà Nội, 2009.
11. Singhal K, Tu T, Gottweis J, Sayres R, Wulczyn E, Amin M, et al. Toward expert-level medical question answering with large language models. Nature Medicine, 2025, 31(3), pp.943–950, doi:10.1038/s41591-024-03423-7.
12. Chen P, Cai J, Zhou J, Chen S, Xu C, Yuan L, et al. Multidisciplinary blinded randomized expert evaluation of large language models for clinical diagnosis and management. Communications Medicine, 2026, 6, pp.339, doi:10.1038/s43856-026-01576-9.
13. Guo D, Yang D, Zhang H, Song J, Wang P, Zhu Q, et al. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 2025, pp.645-633–638, doi:10.1038/s41586-025-09422-z.
14. Norman JD, Rivera MU, Hughes DA. Reliability without Validity: A Systematic, Large-Scale Evaluation of LLM-as-a-Judge Models Across Agreement, Consistency, and Bias, Source: https://arxiv.org/abs/2606.19544, accessed: 15th Feb, 2026.