零样本 LLM 可以预测儿童营养不良吗？公平性和时间稳健性研究

儿童营养不良仍然是低收入和中等收入国家的一个重大公共卫生挑战，特别是在南亚，早期识别弱势儿童对于及时干预和资源分配至关重要。本研究旨在评估在零样本设置中使用预训练的 大语言模型 (LLM) 使用人口健康调查数据进行儿童发育迟缓预测的可行性、公平性和时间鲁棒性。使用 2007 年至 2022 年间收集的孟加拉国人口和健康调查 (BDHS) 数据，我们将孕产妇、儿童、医疗保健和家庭特征转化为语义可解释的基于提示的表示，并评估 GPT-4o-mini 的零样本发育迟缓预测，将其性能与随机森林基线进行比较，评估人口和社会经济群体的公平性以及调查波次的时间鲁棒性。结果表明，使用 GPT-4o-mini 的零样本推理实现了与监督基线相当的平衡精度，同时在识别发育迟缓病例方面表现出更高的灵敏度、跨儿童性别组的相对一致的表现以及跨 BDHS 波的稳定预测行为；然而，在居住和家庭财富类别之间观察到了重要的公平差异，这凸显了在公共卫生预测环境中部署基础模型之前需要进一步调查。