此部分主要用於量化分析使用者的成癮風險，讓語言模型的判斷結果更具臨床參考價值。 系統設計五個主要層面：「頻率、強度、失控程度、影響程度、情緒依附」，每個層面以 0–5 分制表示嚴重程度， 並依照臨床邏輯設定權重，反映其對成癮風險的相對重要性。而後模型根據使用者的語意輸入進行推理，計算加權總分， 並判定風險等級為高／中／低／無法判定。

首先，系統以提示詞（prompt）明確定義五個層面的評分方式與臨床權重，讓模型在生成回覆時能根據固定結構進行評估， 此設計能確保評分標準一致，避免模型依語境出現不穩定的主觀判斷。

scoring_prompt = """
    你是一位具臨床經驗的成癮輔導員，請根據使用者的描述，
    以以下五個層面分別評估 0–4 分，並依照臨床邏輯推理。
    評分時請同時考慮「臨床權重」的重要性：
    - 失控程度（權重 1.6）：無法控制行為是成癮核心指標。
    - 影響程度（權重 1.4）：若行為干擾生活、人際、健康，屬高危訊號。
    - 情緒依附（權重 1.3）：強烈依附行為代表心理依賴風險。
    - 強度（權重 1.1）：高使用量或時間過長會增加身體依賴風險。
    - 頻率（權重 1.0）：頻繁使用雖不等於成癮，但為早期警訊。

    加權總分計算方式（模型需自行推理）：
    加權總分 = 頻率×1.0 + 強度×1.1 + 失控程度×1.6 + 影響程度×1.4 + 情緒依附×1.3
    並依以下區間判定風險：
      ≥14 → 高風險
      10–13.9 → 中風險
      <10 → 低風險
    """

在實作部分，系統會根據模型的回傳內容自動進行解析。若模型能正確輸出 JSON 格式，系統會直接讀取， 若出現非結構化文字（如「頻率：3」），則透過正則表達式自動擷取分數。此外，若模型完全未提供數值， 系統會自動以零補齊，避免程式中斷。

以下為加權總分的運算則根據各層面權重計算出整體風險，並在最後輸出對應等級。

# 計算加權總分
        total = (
            scores[0]*1.0 +  # 頻率
            scores[1]*1.1 +  # 強度
            scores[2]*1.6 +  # 失控程度
            scores[3]*1.4 +  # 影響程度
            scores[4]*1.3    # 情緒依附
        )

        # 判定風險等級
        if total >= 14:
            level = "高風險"
        elif total >= 10:
            level = "中風險"
        elif total > 0:
            level = "低風險"
        else:
            level = "無法判定"

        return {
            "頻率": scores[0],
            "強度": scores[1],
            "失控程度": scores[2],
            "影響程度": scores[3],
            "情緒依附": scores[4],
            "加權總分": round(total, 1),
            "風險等級": level
        }

• 3.6 強化輸出結構與回饋內容