老人照護陪伴問答系統

現有的大型語言模型透過大量資料訓練，可以很快地生成出模仿人類的文字。儘管這些模型能提供貼近人性、易於閱讀的內容，但生成的文字缺乏解釋性，且無法追溯資料來源，除了面臨推理受限的挑戰，也難以確保生成內容的可靠性並實際應用於現實情境。本核心許聞廉老師團隊提出「語意理解問答」技術，不僅藉由語意框架知識庫來推敲細緻且深度的語言特徵，理解使用者的意思，還結合知識圖譜得到具可解釋性的推論結果。這項技術預期可解決現有生成式模型在缺乏解釋性、難以分析錯誤、生成資訊來源不明等痛點。此外，由於語意框架知識庫與知識圖譜是以人類可理解的方式表達，不僅便於領域專家修改與除錯。還可透過這種AI模型與人類知識共同協作的方式，提高系統的效能。

專業領域的知識圖譜建置，涉及資料收集、標註及驗證，此外，傳統的自然語言處理需要收集大量的「同義詞」、「換句話說」等相似語意的語料來進行語言的分析與理解，其所需的人力與時間成本較高。因此，我們提出了一個「領域專家與大型語言模型協作建構知識圖譜」的創新方法，以減少語料收集與圖譜建置過程中所需要的成本，並且這種共同協作的方式預期可擴展到其他所有可能的應用領域。

在亞洲大學所提供的「老人陪伴常見問答集」中，我們針對「問題句」的部分，以大型語言模型結合Data Augmentation生成新的問題句，以增加問答系統訓練語料的規模。在知識圖譜的建構上，我們先由領域專家分析在老人陪伴照護領域所需的抽象概念知識，包含命名實體與關係（見圖一）。再由大型語言模型對於常見問答集中的文本進行「知識本體」、「意圖關係」與「語意框架」的預標註（pre-label），並將預標註結果經由領域專家檢查與驗證，再依此建立知識圖譜，而形成「語意框架知識庫」。

圖一：老人陪伴照護問答集中五大問題類型的抽象知識

透過「語意框架知識庫」結構化的語意框架知識，可以推敲細緻且深度的語言特徵，理解使用者的意思，並可結合知識圖譜得到具可解釋性的推論結果（圖二）。因此，新開發的語言模型得以落實於老人陪伴對話系統的應用，並透過知識圖譜進行驗證，產生可解釋性的推論，讓生成答案的過程都有所依據，以便達到可信任AI的目的。圖三為團隊提出的應用於老人陪伴機器人之「語意理解問答系統」之架構。

圖二：語意框架之自然語言理解

圖三：老人照護問答系統架構圖

經過統計，相較於完全的人工標註，這種與大型語言模型共同協作的流程，在語料收集與圖譜建構上，分別可以節省70%~80% 與 40%~50% 的人力成本。目前已經完成規模約 2,800 句的老人陪伴常見問答集與4,000 NE-Relation tuples 所構成的老人陪伴照護知識圖譜。在所建置的老人陪伴常見問答資料集（訓練集與測試集分別含有2,328與325個問答題）上的模擬實驗結果顯示，其所提出的語意理解問答系統可達92.13% 正確率。此外，與現有的生成式模型答案結果相比，「語意理解問答系統」可同時輸出語言模型分析後的語意框架、推論過程與答案，方便進行驗證與除錯（圖四）。

圖四：語意理解問答系統示範頁面