EUVIMEDEUVIMED entdecken
Crossref

Benchmarking ChatGPT Against Human Expertise in Health Communication Assessment: Organizational Implications of Feasibility-Oriented Evaluation

Benchmarking von ChatGPT mit menschlicher Expertise in der Bewertung von Gesundheitskommunikation: organisatorische Implikationen einer feasilitätsorientierten Evaluation

Samuel R Mendez iD, Sebastian Munoz-Najar, Zichao Li, Elissa Scherer, Karen M Emmons, Kasisomayajula Viswanath

Health Education & Behavior · 05.11.2026

DOI: 10.1177/10901981261497697 ↗

Auf einen Blick

ChatGPT wurde auf die Erkennung von 6 evidenzbasierten CDC-CCI-Praktiken in Kurztexten geprüft. Die Leistung war über zwei GPT-3.5-Versionen stabil, GPT-4 schnitt bei einigen Aufgaben schlechter ab.

Fragestellung

Wie genau erkennt ChatGPT 6 evidenzbasierte CDC-CCI-Praktiken in kurzen Texten im Vergleich zu Expert:innen?

Methode

Prompt-Engineering mit 27 Tweets zur Optimierung der Eingabe; anschließend Vergleich verschiedener ChatGPT-Versionen mit Expert:innenlabels in 260 Tweets.

Ergebnisse

In 27 Tweets führten Front-end-Nutzer:innen und Back-end-Entwickler:innen zu unterschiedlichen Schlussfolgerungen zum besten Prompt. In 260 Tweets zeigte GPT-3.5 stabile Leistung über 2 ältere Versionen, aber mit weiten Konfidenzintervallen; GPT-4 war bei einigen CDC-CCI-Labeling-Aufgaben signifikant schlechter.

Einschränkungen

Weite Konfidenzintervalle; Bewertungen beruhten auf Expert:innenlabels als Vergleichspunkt.

Schlussfolgerung der Autor:innen

Die Ergebnisse sprechen für mehr Investitionen in Gesundheitskommunikations-Expert:innen, um generative KI im Zeitverlauf zu bewerten.

Kernaussagen

  • ChatGPT wurde an 6 CDC-CCI-Praktiken in Kurztexten geprüft
  • GPT-3.5 zeigte stabile Leistung über 2 ältere Versionen
  • GPT-4 schnitt bei einigen Labeling-Aufgaben schlechter ab

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Health Education & Behavior, online erschienen am 05.11.2026. Verfasst von Samuel R Mendez und 5 weiteren Autor:innen. Beteiligte Einrichtung: Harvard T.H. Chan School of Public Health, Boston, MA, USA. Die Arbeit nennt 34 Literaturangaben. Gefördert von: National Cancer Institute.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Prominent narratives of generative artificial intelligence (AI) highlight these tools’ cost-saving potential for health organizations via more efficient communication. However, even if a particular tool were to perform adequately at one point in time, evaluating models across updates and upgrades is complex. There are few examples from industry that are feasible enough and few examples from academia robust enough for health organizations. To help fill this gap, we examined the performance of ChatGPT to identify the presence or absence of 6 evidence-based practices from the Centers for Disease Control and Prevention (CDC) Clear Communication Index (CCI) in short-form texts. First, we carried out a prompt engineering process to identify optimal approaches for prompting ChatGPT to correctly label the clear communication practices in a test dataset of 27 tweets, from simulated front-end user and back-end developer perspectives. Using expert labels as comparison points, we found front-end users and back-end developers would reach different conclusions about how to best prompt ChatGPT. Then, we investigated how accurately different versions of ChatGPT’s models could label these clear communication practices in a data set of 260 tweets. Using expert labels as comparison points, we found stable performance across two dated GPT-3.5 model versions, albeit with wide confidence intervals. Even so, we found that GPT-4 models could actually perform significantly worse on some CDC CCI labeling tasks. Our results imply the need for increased investment in health communication experts to evaluate generative AI performance over time, which may be less practical than investing in such experts to communicate with patients and engage communities directly.

Schlagwörter

Stichwörter der Autor:innen

CFIRartificial intelligencehealth communicationhealth literacyimplementationlarge language models

Autor:innen und Institutionen

  • Harvard T.H. Chan School of Public Health, Boston, MA, USA.
  • The University of Western Australia, Perth, Australia.
  • Harvard Graduate School of Education, Cambridge, MA, USA.
  • Dana-Farber Cancer Institute, Boston, MA, USA.

ORCID-Profile: Samuel R Mendez

Förderung

  • National Cancer Institute

Zitieren

APA

Mendez, S. R., Munoz-Najar, S., Li, Z., Scherer, E., Emmons, K. M., & Viswanath, K. (2026). Benchmarking ChatGPT Against Human Expertise in Health Communication Assessment: Organizational Implications of Feasibility-Oriented Evaluation. Health Education & Behavior. https://doi.org/10.1177/10901981261497697

Vancouver

Mendez SR, Munoz-Najar S, Li Z, Scherer E, Emmons KM, Viswanath K. Benchmarking ChatGPT Against Human Expertise in Health Communication Assessment: Organizational Implications of Feasibility-Oriented Evaluation. Health Education & Behavior. 2026. doi:10.1177/10901981261497697

BibTeX
@article{Mendez2026,
  author = {Mendez, Samuel R and Munoz-Najar, Sebastian and Li, Zichao and Scherer, Elissa and Emmons, Karen M and Viswanath, Kasisomayajula},
  title = {Benchmarking ChatGPT Against Human Expertise in Health Communication Assessment: Organizational Implications of Feasibility-Oriented Evaluation},
  journal = {Health Education & Behavior},
  year = {2026},
  doi = {10.1177/10901981261497697}
}
Kostenlos starten →