大量閱讀台灣研究的健康促進小幫手

提案人 zhirentsai
第一梯(2024/02/18 前)

摘要:目前各種開源LLM(大語言模型)釋出,正好幫助台灣的研究單位進行本土開源研究,本研究將使用開源的LLM的網路蒐集健康促進資料及langChain技術在GPT-4及Gemini的指導下進行較高可信度的數據過濾機制來完成可以服務於台灣民眾的很會聊健康議題的聊天機器人。

02. 提案代表人

蔡志仁

03. 提案代表人的 g0v Slack 帳號名稱與成員識別碼

Zhi-Ren Tsai

06. 專案於 g0v slack 的頻道名稱

extensive-reading-health-promotion-assistant

07. 提案團隊簡介及與主題的相關性

蔡志仁教授是亞洲大學精準健康研究中心的組長,於專案中的角色是指導其他成員(亞洲大學資工的學生)各司其職。其他成員: 黃郁凱是亞洲大學資工碩士生,沈雲謙是亞洲大學資工博士生。

09. 專案符合本次計畫哪些主題:(請勾選至少一項)

繁體中文特用型語言模型,以法律、醫療、教育為主但不限

10. 參與梯次

第一梯(2024/02/18 前)

11. 承上題,若為再次提案,請說明修改的提案內容

第一次提案

12. 專案摘要(300字以內)

摘要:目前各種開源LLM釋出,正好幫助台灣的研究單位進行本土開源研究,本研究將使用開源的LLM的網路蒐集健康促進資料及langChain技術在GPT-4及Gemini的指導下進行較高可信度的數據過濾機制來完成可以服務於台灣民眾的很會聊健康議題的聊天機器人。

13. 專案動機

專案動機:台灣醫院眾多,各有特色,本研究希望將台灣醫院的健康促進作法整合起來微調開源的本地LLM,為台灣民眾健康促進盡一份心力。

14. 專案設計概念以及與主題的相符性

專案設計概念:
本研究計劃將開源的LLM(Language Model)與langChain技術相結合,藉由GPT-4及Gemini的指導,對網路收集的健康促進資料進行數據過濾,提供更高的可信度與準確性。這將幫助創造出一個能夠回答台灣民眾關於健康議題的問題,並提供相關建議的聊天機器人。

預計功能:
蒐集並整合台灣醫院的健康促進作法。
利用開源的LLM進行大量的資訊閱讀與學習。
利用langChain技術與GPT-4及Gemini的指導,進行數據的過濾與分析。
利用llama2 7B及vicuna 13B開源LLM,使聊天機器人能夠理解並回答使用者的問題。
將LLM應用於多模態的使用,如文字、語音、照片和圖片的理解。

15. 專案技術可行性

目前已有許多開源的LLM可供使用,並且已有許多研究證明其在理解和生成語言上的有效性。此外,langChain技術與GPT-4及Gemini的指導也能提供數據過濾的技術支持。因此,本研究的技術可行性高。

16. 專案可應用之情境說明

本研究的產品可以應用於醫療健康領域,協助台灣民眾了解健康知識,並提供健康建議。此外,也可以作為醫療機構或政府機關提供健康資訊的一種工具。

17. 專案預期效益與社會貢獻

本研究計劃將提供一種新的方式,讓台灣民眾更容易獲得健康資訊。這不僅可以提高人民的健康知識,也有助於預防疾病的發生。此外,這也將推動台灣的AI開源實踐,為AI領域的發展做出貢獻。

18. 專案現況說明

專案現況說明:本研究微調過llama2 7B及vicuna 13B開源LLM並用於多模態的使用,例如:LLM讀取文字、語音、照片、圖片之後,LLM可以理解並協助使用者完成使用者所提示的任務。

19. 團隊過去是否有做過相關主題的計畫?

蔡志仁教授今年正在提出的國科會計畫跟本研究有相關,但國科會尚未審查結束,該計畫(子計畫二:應用多模態AI建構遊戲成癮早期自動偵測及自制力學習成效評估模型Ⅱ)摘要:該計畫背景在於世界衛生組織在2018年將「遊戲障礙症」列為精神疾病,且遊戲
成癮(Game Addiction, GA)已經成為一個嚴重的問題。GA的特徵在於持續且重覆
地玩遊戲,導致日常生活、心理、社會、學業或職業功能的缺損。即便知道遊戲對
他們產生了負面的影響,他們仍然無法自制,常常失控。根據過往的研究,大約有
3%的人達到遊戲成癮的疾病程度,而在大學生中,高風險群體則達到了5%。
因此,該計畫的目標是如何協助大學生早期自我偵測並自我調整以改善這個問題。
我們的研究計畫是以子計畫二作為主要的研究,這是一個整合型的計劃,結合了人
工智慧的發展,遊戲成癮的神經心理社會機制模型,早期自動偵測模型,以及遊戲
自制力提升自我調控Apps方案。我們的研究團隊是一個跨學科的團隊,包括了臨
床心理治療、臨床神經心理、資訊工程、以及資訊教育學者,我們的目標是為大學
生開發零接觸的高效韌性方案。
研究方法包括了使用IRB核准進行前期收案數據的資料分析,解決小樣本建模的問
題,以及使用生成式AI(LLM)減輕心理諮商工作量,提醒問診注意事項。
我們預期的成果是提供大學生一個GA的自我偵測與自制力訓練的最佳線上學習改
善GA方案,以提升大學生的學習成效和身心健康。
本子計畫已經由中區倫理委員會審查核准,並且將依循研究倫理規範進行。

20. 開源內容及其授權方式

本專案預計開源之軟體套件: iOS/Android APP程式碼,本地的LLM模型,及其資料庫: 使用各醫院網頁公開的資料,並附上該資料來源。程式碼授權方式為MIT。

21. 專案期中與期末規劃

專案期中規劃(獲選後60天):

1. 蒐集並整理台灣各醫院的健康促進作法資料:這包括了研究各醫院的公開資訊,與醫療人員進行訪談,等等。
2. 選定並設定適合的開源LLM:根據蒐集到的資料,選定最適合的開源LLM,並進行初步的設定與調整。
3. 初步使用開源LLM對蒐集到的資料進行學習:這將是LLM的初步學習階段,目的是讓LLM對台灣的健康促進作法有基本的認識。

專案期末規劃(獲選後120天):

1. 完成LLM的學習與訓練:在這階段,LLM應該已經能夠理解並回答相關的問題。
2. 利用langChain技術與GPT-4及Gemini的指導,完成數據的過濾與分析:這將提供更高的數據可信度與準確性。
3. 開始進行多模態的使用測試,包括文字、語音、照片和圖片:這將確保LLM能夠理解並處理各種不同的資訊來源。
4. 完成聊天機器人的開發,並進行初步的測試:在這階段,聊天機器人應該已經能夠回答使用者的問題,並提供相關的建議。
5. 依據測試結果,進行必要的調整與優化:這將確保聊天機器人的性能與效果達到最佳。

22. 專案預算規劃

高階GPU工作站一台租用費(訓練LLM): 20萬元/5個月
工作費(資料收集清洗、程式撰寫、專案維護): 30萬元/5個月

23. 專案於計畫結束後之長期規劃

計畫結束後的長期規劃可以包括以下幾點:
1. 持續優化與更新:隨著醫療健康領域的知識不斷更新,聊天機器人的知識庫也需要持續更新與優化,以提供最新、最準確的健康資訊。
2. 擴大服務範圍:初期可能主要針對台灣地區,但長期來看,可以考慮擴大服務範圍,包括其他華語地區,甚至是全球。
3. 提供更多元的服務:除了基本的健康咨詢外,也可以考慮提供相關的醫療健康服務,如預約掛號、藥品查詢等。
4. 與其他AI技術結合:例如與機器學習、深度學習等技術結合,提升聊天機器人的智能水平和使用者體驗。
5. 推廣與教育:透過各種渠道推廣這項服務,同時也進行相關的教育推廣,讓更多人瞭解並使用這項服務。
6. 建立社區:建立一個使用者社區,讓使用者可以分享他們的經驗,提供反饋,幫助改善與優化這項服務。
7. 尋求合作:與醫療機構、學術機構、政府機關等進行合作,共同推廣健康知識,提升國民健康水平。

24. 其他想補充之內容

這個專案是一個具有深遠影響力的研究,它不僅可以提供台灣民眾更便利的健康資訊服務,也可以推動台灣在AI領域的開源實踐,並對AI和健康科技的發展產生重要貢獻。
此外,我們認為將AI與健康護理相結合,是一個未來發展的重要趨勢。透過這個專案,我們期待能夠為此趨勢的發展做出貢獻,並透過持續的學習和優化,為台灣的AI與健康護理領域帶來更多的可能性。
最後,我們也希望透過這個專案,能夠提高公眾對AI和健康護理的認識,並進一步推動健康科技的發展,為社會帶來更多的福祉。