學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73873
Browse
3 results
Search Results
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。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。Item 以人工智慧輔助中文期刊參考文獻剖析之研究─以人文社會科學領域為例(2024) 郭珮涵; Kuo, Pei-Han隨著科學論文發表數量的快速增長，引用來源的多樣性和格式差異增加了參考文獻剖析的難度。本研究旨在探討如何自動化擷取科學論文中的參考文獻，並利用人工智慧工具進行剖析，藉以簡化工作流程，降低人力和時間成本，並提升圖書館的知識傳播效能。本文提出了從中文期刊文章檔案中自動化擷取參考文獻的方法，並評估使用人工智慧工具剖析參考文獻的可行性。本研究實驗分為三個部分，第一部分設計程式，擷取期刊文章中的參考文獻章節；第二部分評估不同人工智慧工具在參考文獻剖析任務中的效能；第三部分根據第二部分的實驗結果修正實驗方法，並評估和比較修正後的成果。實驗結果如下：1. 在參考文獻擷取實驗中，基於規則方法的程式能夠自動擷取文章中的參考文獻內容，用於建立資料集作為後續研究基礎。2. 在參考文獻剖析實驗中，本研究比較了spaCy和ChatGPT兩種基於Transformer架構的人工智慧工具的效能。實驗結果顯示，ChatGPT在各欄位的F1-score表現優於spaCy，具有較高的準確性和穩定性。3. 在第三部分實驗中，選擇了第二部分中效能較佳的ChatGPT進行提示修正。實驗結果顯示，經過提示調整後，ChatGPT在各欄位的F1-score表現均有所提升。本研究結果顯示了使用人工智慧工具自動化剖析參考文獻的可行性，並展現了大型語言模型在這一任務中的潛力和優勢。未來研究可以進一步嘗試結合多種人工智慧工具，探討利用不同模型優勢提升參考文獻剖析的準確性，同時探討減低剖析成本的可能性。