學習資訊專業學院—圖書資訊學研究所

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/22

國立臺灣師範大學(本校)於民國四十四年成立社會教育學系圖書資訊學組,為臺灣最早成立之圖書資訊學相關科系。為培育知識經濟社會所需之高階圖書資訊服務人才,本校於民國九十一年成立圖書資訊學之獨立研究所(本所),隸屬本校教育學院,招收一般碩士生。

為提供在職圖書資訊服務人員之進修管道,本所於民國九十四年續接社會教育學系(社教系)之「圖書資訊學碩士學位在職專班(週末班)」及「學校圖書館行政碩士在職專班(暑期班)」,以培育具備資訊科技知能之圖書資訊服務人才。

為進一步推動跨領域合作,本所於民國九十五年與本校美術系、歷史系、國文系及產業界專家等共同籌設「數位內容與創新應用學分學程」,以培育兼具數位內容創作與加值應用之人才。因應圖書資訊學研究之變遷與知識服務產業之發展趨勢,本所於民國九十七年奉教育部核准成立博士班,並於民國九十八年招收第一屆博士生,以培育兼具圖書資訊學學術研究與管理領導能力之人才。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    公司年報合規檢驗輔助系統建置與評估
    (2025) 蔡元翔; Tsai, Yuan-Shiang
    研究背景與問題:台灣1843家上市櫃公司年報需符合「公開發行公司年報應行記載事項準則」145條細項規範,但現行人工檢驗面臨效率低下、人力資源短缺等問題。特別是每年5-6月集中召開股東常會期間,檢驗工作量高達259,260條細項,造成審查委員巨大工作壓力。傳統檢驗方式依賴人工逐項核對,存在定位困難、驗證複雜度高及自動化侷限等挑戰,亟需創新技術解決方案。研究目的與研究問題:本研究旨在建立基於大型語言模型(LLM)與檢索增強生成(RAG)技術的年報合規性自動判讀系統,實現自動化檢驗流程並設計視覺化輔助介面。研究探討四個核心問題:年報合規檢驗系統如何結合LLM與BM25檢索技術實現自動化判讀功能、互動式輔助介面應包含哪些核心功能模組、系統在不同排版類型年報和法規條款中的表現差異,以及影響系統檢驗準確度和效率的關鍵因素及其優化策略。 研究方法:採用模組化系統架構,包含資料前處理、自動化檢驗及互動式輔助介面三大模組。將145條法規細項系統性分類為五種類型,聚焦於74條不需額外資訊的內容規範條款。採用分層比例抽樣選取27條測試項目,以5家不同產業與排版類型的上市公司年報為驗證樣本。建立「寬鬆正確率」與「嚴格正確率」雙重評估指標,結合人工專家判斷作為標準答案進行系統效能評估。 主要發現:系統整體達到86.26\%寬鬆正確率與64.12\%嚴格正確率,平均處理時間僅需97.43秒。自定義詞典為關鍵技術亮點,將檢索準確率從47.93\%大幅提升至86.26\%,改善幅度達38.33\%。不同題目類型表現存在顯著差異:文本檢核類達95.89\%寬鬆正確率,欄位驗證類為68.75\%,圖像識別與程序條款均達100\%。系統對傳統排版與視覺化排版年報均具良好適應性,正確率分別為86.54\%與86.02\%。結論與意義:本研究成功驗證了RAG框架在專業合規檢驗領域的可行性,建立完整的年報自動化檢驗系統。研究在學術上建立了法規條款系統性分類框架,為RAG技術在專業領域應用提供實證基礎;在實務上大幅提升檢驗效率,減輕監管機構工作負擔,促進資訊透明化與投資者保護。研究成果可擴展至其他法規文件檢驗,為智慧合規檢驗發展奠定重要基礎,體現了圖書資訊檢索技術與AI技術融合的創新應用價值。
  • 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。