基于檢索增強生成的多模塊人工智能健康保險支持系統：提升政策透明度與用戶體驗的創新框架

《Scientific Reports》：A multi module a.i. system for intelligent health insurance support using retrieval augmented generation

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Reports 3.9

　　

在醫療費用持續上漲的當下，健康保險已成為個人和家庭應對健康風險的重要保障。然而在印度，盡管實施了Ayushman Bharat等重大公共衛生計劃，截至2024年仍有約7億人沒有健康保險覆蓋。造成這種保障缺口的一個重要原因是保險政策的復雜性——保險合同充滿技術術語和復雜詞匯，普通消費者難以理解。這種透明度的缺乏導致投保人經常誤解保障范圍，在醫療緊急情況下面臨意外的自付費用。

更令人困擾的是，市場上存在眾多保險計劃，每種都有不同的條款和條件，這使得消費者幾乎不可能做出明智決策。雖然人工智能（AI）和自然語言處理（NLP）技術在健康保險領域的應用為解決這些問題提供了可能，但現有系統往往將對話協助、政策推薦和文檔檢索視為獨立任務，缺乏統一架構。

來自印度浦那Symbiosis技術研究所的研究團隊在《Scientific Reports》上發表了一項創新研究，提出了一種基于檢索增強生成（RAG）的多模塊AI系統，專門用于智能健康保險支持。這一系統成功將三大功能模塊——保險問答聊天機器人、個性化政策推薦引擎和政策文檔檢索系統——整合到單一架構中，顯著提升了保險信息的可及性和透明度。

技術方法概述

研究人員構建了一個包含三個核心模塊的統一框架：保險聊天機器人處理一般查詢；政策推薦引擎使用RAG架構結合結構化和非結構化政策數據；文檔檢索模塊支持從上傳政策中實現條款級搜索。關鍵創新是引入了評估代理，模擬人類判斷從相關性、準確性、清晰度和幫助性四個維度評估回復質量，形成自動化反饋循環。技術核心包括：使用Sentence Transformer生成語義嵌入，FAISS進行高效向量檢索，LLaMA 3和DeepSeek R1作為生成模型，以及基于BERTScore、ROUGE-L等多指標的全面評估體系。

政策推薦模塊的創新設計

政策推薦模塊采用RAG架構，首先通過程序化生成了包含1,000條模擬真實保險政策記錄的合成數據集。該數據集涵蓋了政策ID、保險公司、產品類型、保障金額、投保人數、年度保費等14個結構化特征，保持了邏輯字段間的相互依賴性，模擬真實世界情況。

研究人員使用all-MiniLM-L6-v2句子轉換模型將文本政策描述映射為密集向量，然后通過FAISS（Facebook AI相似性搜索）庫建立快速相似性搜索索引。這種設計使得語義相似的政策在向量空間中彼此接近，從而能夠高效召回與用戶查詢最相關的政策。

評估結果顯示，該系統在10個多樣化保險相關查詢的測試中表現出色：Hit@5達到1.0（所有查詢都成功檢索到至少一個相關策略），Recall@5為0.833，NDCG@5為0.69。盡管Precision@5相對較低（0.333），但語義評估顯示BERTScore F1高達0.84，表明生成回復與參考答案在語境和語義上非常接近。

保險聊天機器人的智能問答能力

保險聊天機器人模塊采用多階段自然語言處理流程，以Insurance QA語料庫為基礎，該語料庫包含保險領域的真實世界問題。系統通過預訓練的Sentence Transformer將輸入問題轉換為密集向量表示，并存儲在SQLite數據庫中以實現高效檢索。

該系統支持語音和文本輸入，具有記憶機制，能夠檢索歷史交互記錄。當用戶提出新查詢時，系統首先嘗試通過嵌入相似性進行記憶搜索，若無匹配則轉向基于余弦相似度的語義搜索。最終響應通過OpenRouter平臺上的DeepSeek R1語言模型生成，并存儲以備未來召回。

評估結果表明，雖然BLEU分數較低（表明措辭變化較大），但ROUGE-L F1分數中等，而LLM代理評分高達4-5分（滿分5分），證明系統能持續以自然對話方式提供正確信息。

政策文檔檢索的精準解讀

政策文檔檢索模塊支持用戶上傳PDF格式的保險政策文件，并通過PyMuPDF庫提取文本內容。文本經SpaCy NLP庫分句后，被組合成語境一致的塊，然后通過領域特定的轉換模型llmware/industry-bert-insurance-v0.1生成上下文嵌入。

這些嵌入向量經L2歸一化后存入FAISS索引（IndexFlatIP），實現基于內積計算的快速相似性搜索。用戶查詢經相同模型編碼后，與FAISS索引比對找到最相似的塊，最后由meta-llama/llama-4-scout模型生成易于理解的摘要和解釋。

評估數據顯示，該模塊的BERTScore F1達到0.8443，表明生成回復與參考答案間具有強大的語義對齊性，盡管措辭可能不同，但能有效捕捉含義。

評估代理的質量保障機制

本研究的一個突出創新是引入了評估代理，作為RAG反饋循環中的自主評估機制。該代理使用大語言模型驅動的評估標準，從相關性、準確性、清晰度和幫助性四個維度評估生成回復，模擬專家人類判斷。

評估代理不僅提供定性性能測量，還作為自我糾正的反饋組件，允許系統生成行為的迭代優化，無需持續人工監督。這種自動化質量控制過程代表了自評估領域適應LLM系統設計中的新方法創新。

研究意義與實際應用價值

該研究的核心貢獻在于提出了一個統一的多模塊架構，將對話問答、個性化政策推薦和條款級文檔檢索三大功能整合到單個檢索生成框架中。與以往孤立處理這些任務的實現不同，該系統通過共享嵌入和基于FAISS的通用檢索主干，實現了跨模塊的語義一致性和數據重用。

在技術層面，研究開發了專門針對健康保險信息優化的領域適應檢索增強生成管道，使用基于Transformer的句子嵌入在InsuranceQA語料庫和領域特定的健康政策文本上進行微調，從而能夠更準確地檢索語義相關的條款和政策選項。

在實際應用層面，用戶測試顯示15名參與者的滿意度達89%，響應延遲低于1.8秒，證實了系統實時部署的可行性。系統界面直觀易用，用戶可根據需要選擇文檔搜索、政策推薦或與保險聊天機器人對話。

這項研究通過合成語義檢索、大語言生成和評估驅動反饋，為保險等受監管、文件密集型領域的數字服務建立了可擴展的新范式。研究結果驗證了RAG驅動架構在保險等領域的有效性，其中事實準確性和可解釋性至關重要。未來工作將側重于結合真實和合成數據的混合數據集，以進一步增強系統魯棒性，并將該框架擴展至法律合同、銀行和醫療政策解讀等相鄰領域。