本研究以「運用 LLM 與 RAG 開發個人化成癮風險評估輔助系統」為核心，結合大型語言模型的語意理解與檢索增強生成架構，讓系統能從自然語言輸入中自動解析行為特徵，並以加權風險模型進行量化分析與臨床建議生成。
透過雙層判斷機制（Scoring + Decision Layer），系統能自動區分「風險明確」與「資訊不足」情境，在前者直接輸出結論與建議，後者則提供觀察方向，避免重複提問。搭配分數穩定化與短期記憶機制，有效提升了評估一致性與對話連貫性，使輸出內容更貼近臨床輔導員的分析邏輯。
實測結果顯示，系統可在單輪互動中完成行為解析與風險判定，成功改善早期版本中出現的重複提問、評分偏差與結論缺失問題，達成「自動化初步臨床判斷、穩定分數輸出、提升互動流暢度」三項主要目標。
此外，本研究針對模型的語意理解與記憶能力進行強化，透過 embedding 模型建立語義相似度判斷，讓系統能從自然語言中自動擷取行為層面的語義特徵，並結合短期問答記憶池避免重複提問。再配合加權風險評分機制，將原本主觀的語言輸出轉化為具臨床參考價值的量化結果，使模型在生成回覆時能同時呈現數據與分析邏輯，顯著提升輸出結構化程度與穩定性。
然而，目前模型在理解含模糊頻率詞的中文語句時仍可能出現低估，且 RAG 檢索速度受限於多模組運算，仍有進一步優化空間。
未來可從以下三個方向延伸研究：
1.語意理解強化： 針對繁體中文語料進行微調，提升模型對日常語句與數量詞的理解準確度。
2.長期行為追蹤模組： 將使用者多次評估結果時序化，建立行為變化趨勢，以支援健康風險預測。
3.臨床應用與實測整合： 與心理輔導或保險產業合作，進行臨床實驗與場域驗證，評估實際使用成效。
綜上所述，本研究透過生成式 AI 技術，建立出能理解語意、分析行為並提供建議的成癮風險評估系統。這套系統讓風險評估變得更即時、更貼近使用者的實際情況，也展現了 AI 在健康輔助領域中的應用潛力。