在本專題中，我們聚焦於現代社會中常見的成癮問題，希望能設計出一個能夠提供個人化建議的系統，協助使用者提升對自身行為的覺察與改善。 在實習期間，我們接觸到來自不同年齡層與職業背景的人，發現許多人在壓力大、情緒低落或生活節奏混亂的情況下， 容易產生某種形式的成癮行為。例如在下班後過度購物以舒壓、長時間滑手機與網路成癮、頻繁飲酒、甚至無法戒除吸菸等情況， 不僅對身心健康造成影響，長期更可能導致焦慮、睡眠障礙、經濟壓力甚至人際關係惡化。
由於實習部門與保險產業相關，我們進一步發現個人健康狀況與保險條件之間存在高度連動。 成癮行為雖常被忽視，實際上卻與慢性病風險及心理健康密切相關，甚至可能影響核保條件與保費評估。 因此，本系統希望在保險流程的前期，協助使用者進行初步自我檢測，作為改善生活習慣與健康狀況的參考依據。
上學期的研究以 RAG（Retrieval-Augmented Generation）架構為核心，結合語言模型與可靠資料來源， 讓系統能在提供建議時維持專業性與可信度。透過此架構，模型能根據成癮理論與統計資料回應並協助進行初步的成癮傾向分析。 然而實際運作中，我們發現系統仍存在部分不穩定或偏離預期的回應現象。例如，模型偶爾會出現語言輸出不一致、 對相同問題反覆追問、未能整合多輪對話資訊形成完整結論，以及缺乏對使用者先前回答的記憶等問題。 這些情況不僅降低了互動的流暢度，也使模型在進行風險評估時缺乏連貫的上下文理解，影響整體使用體驗。
因此，本學期的研究以「系統回應錯誤與行為偏差分析」為主要延伸方向，針對上述問題進行結構化分析與功能優化。 我們從語言輸出穩定性、語意理解深度與互動一致性三個層面著手，提出以下改進策略：
- 建立短期問答記憶池（short-term memory buffer）: 結結合語義相似度檢查機制， 使系統能記錄並辨識先前的對話內容，延續上下文語意、避免重複提問與語意錯亂，提升對話連貫性與互動穩定度。
- 引入自訂化語義解析模組（Semantic Parsing Module）: 使模型能從使用者輸入中自動擷取行為特徵（如頻率、強度、控制力、影響程度與情緒依附等）， 並依據臨床上具意義的層面進行語義分析，提升系統對自然語言的理解準確性與一致性。
- 整合加權風險評分邏輯（Weighted Risk Scoring Model）: 將臨床常用的判斷指標轉化為可量化的結構化評估， 使系統除文字分析外，亦能提供具體的風險分數與等級判斷，進一步提升輸出內容的可讀性與臨床參考價值。