HealthBench (医療応答ベンチ)
読み: いりょうおうとうべんち
最終更新: 2026-07-22・AI PICKS編集部
定義
HealthBenchとは、大規模言語モデルが医療関連の質問にどれだけ正確かつ安全に応答できるかを測定するために設計された評価ベンチマークのこと。
HealthBench (医療応答ベンチ)とは — 詳しく解説
HealthBench(医療応答ベンチ)とは、OpenAIなどが公開した、大規模言語モデルの医療分野における応答品質を測定するためのベンチマークで、医師監修のもと作成された多数の医療関連プロンプトに対する回答を、正確性・安全性・共感性などの観点からスコアリングする枠組みとされる。単純な正誤判定ではなく、患者の状況や緊急度に応じた適切な情報提供ができているかを重視する設計が特徴とされる。2026年時点の実運用では、モデルのスコアが高くても実際の診療現場でそのまま使える保証にはならず、法規制や医療従事者の最終確認を前提にした補助的な位置づけにとどめるのが現場での標準的な扱いとされる。落とし穴としては、ベンチマークスコアの改善を追い求めるあまり、特定の言い回しに最適化されたチューニングが行われ、未知の質問パターンへの汎化性能が伴わないケースがある点が挙げられる。ツール選定の際は、HealthBenchのスコアだけでなく、RAGによる出典の透明性や誤情報時の免責表示、運用コストとのバランスを含めて相場感を持って比較検討することが重要とされる。
HealthBench (医療応答ベンチ)の使用例
- 医療相談チャットボットの回答が、HealthBenchのスコアだけで診療現場に導入してよい根拠になるかを検証する。
- 「頭痛と発熱が続く場合の対処法は?」という質問への回答を、正確性と緊急度判断の両面で採点する。
HealthBench (医療応答ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・863語以上を体系的に整理しています
辞典トップへ