學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73873

Browse

Has files: YesSubject: search.filters.subject.Large Language Models

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    RAG技術的應用與效能評估-以圖書資訊學領域為例
    (2025) 陳育銘; Chen,Yu-Ming
    本研究針對圖書資訊學領域，探討檢索增強生成（Retrieval-Augmented Generation, RAG）技術的應用與效能評估。現有的大型語言模型（如GPT-3）雖展現卓越的文本生成能力，但在面對專業問題時，易受人工智慧幻覺影響，導致生成內容的準確性和相關性不足。RAG技術結合檢索與生成兩個階段，通過檢索外部資料輔助文本生成，提升了內容的專業性與上下文的連貫性，特別適合應用於資訊需求高且專業性強的領域。本研究採用AI生成問題並使用RAG進行回答，結合ChatGPT與人工的評分數據，透過多指標（如F1分數、準確率）對RAG效能進行量化分析。結果顯示，RAG能有效克服傳統LLM在專業領域中的不足，在準確性、相關性和上下文匹配上表現卓越。同時，採用Ragas生成測試集以另一種客觀方式進行評估，進一步驗證RAG技術的效能。然而，研究也發現部分生成回答在忠實度上存在改進空間，特別是在資料支持不足或背景資訊偏差的情境中。本研究證實，RAG技術能顯著提升大型語言模型在圖書資訊學領域文本生成的質量，為專業問題解決提供了更準確與可靠的工具，並為相關領域的研究與應用提供了重要的參考依據。
  • No Thumbnail Available
    Item
    惡意內容文本自動分類之研究
    (2025) 楊雪子; Yang, Yukiko
    本研究旨在探討如何運用多種人工智慧模型，對網路社群平台上的多標籤惡意文本（Toxic Content）進行分類與分析，並比較不同模型在多標籤分類任務中的成效。隨著社群媒體的普及，惡意評論與網路霸凌等問題日益嚴重，對使用者心理健康與社會互動造成負面影響。為有效偵測並管理有害內容，本研究選取來自Jigsaw釋出的Toxic Comment Classification涵蓋多重標籤的開放資料集，進行文本分析的實驗。研究將模型分為三大組：傳統機器學習模型組（如Logistic Regression、Random Forest、Naive Bayes、XGBoost等）、深度學習模型組（如GRU、BiLSTM、LSTM、CNN等）、以及大型語言模型組（BERT、Grok、GPT、Gemini）來進行分組實驗，訓練後模型的效能則依照 ROC-AUC、準確率（Accuracy）、F1-score、Hamming Loss 等指標來進行效能評估。實驗結果顯示，大型語言模型組的BERT在多標籤資料集的分類的表現最佳（ROC-AUC分數達0.9782），傳統機器學習中的 Logistic Regression搭配TF-IDF特徵次之，這可認為推出多年的傳統機器學習模型面對新推出的大型語言模型，效能表現仍相當亮眼，且無須額外費用，對學術或非商業的需求亦是理想的選擇，本研究結果可作為未來建立高效、精準之惡意評論自動分類系統的參考依據。