[緒論] 長照小幫手的背景與動機

發表於 更新於 閱讀次數：

大家好，其實這個長照小幫手是我的論文題目，所以這系列的多文章，會有一大部分來自簡化的論文內容，再加上一些沒有收錄進論文的研究心得。

聊天機器人整套系統都是我一個人開發的，所以這系列文章應該會分為 Zenbo、爬蟲、TF-IDF、API、Android APP 幾個部分來介紹，之後會有一篇介紹整體系統架構。

背景

台灣人口老化問題越來越嚴重，預估在 2025 年將進入「超高齡社會」（國家發展委員會，2020）。試著想像全台灣每五人就有一人是老人，比例真的很高，這也造成患有慢性病或失能等長者的照顧需求跟著提升。

  • 圖片取自（中華民國人口推估(2020 至2070 年)簡報, 2020）
    人口老化

動機

政府提供了很多長照資源，但除了電視和鄰里長的宣傳，長者比較難有管道了解其他適合自己的長照資源。根據統計（財團法人台灣網路資訊中心，2019），台灣有10.8%的民眾未使用網路，且以60歲以上的年齡層居多，其中「對電腦恐懼或不熟悉」的理由就佔了27%。

  • 民眾未使用網路的原因，數據整理自 2019 台灣網路報告（財團法人台灣網路資訊中心，2019）
    未使用網路原因

再加上，內政部統計（內政部統計處，2021），民國 109 年全國不識字的人口還有大概 20 萬，其中有 93% 是 65 歲以上長者。而不識字的老年人口約占全部老年人口的 5%。

  • 不識字人口，數據來自於內政部統計處
    不識字人口

當前的問題

我們有人口老化的問題，還有長者「對 3C 產品不熟悉」和「不識字比例高」，那我們該如何讓長者有機會了解政府提供的長照服務呢？

因此我們決定選擇華碩推出的Zenbo機器人。Zenbo 可愛的外型與簡易口令的操作方式，可以降低長者對電子產品的恐懼。還有這次設計的聊天機器人特別加入語音控制功能，可以用語音輸入問句，機器人也會用語音回答。所以就算是不識字的長輩也能操作。

同時，我們也找到另一份文獻（Mary C. Gilly & Valarie A. Zeithaml, 1985），他說老人傳統上被認為是比較抗拒改變的，但是當技術滿足他們的需求，並得到有效的溝通時，老年消費者確實願意改變。

長者該如何取得長照資訊

走錯路的過程

研究的過程中難免會寫到一半發現不合用的狀況嘛，所以整理一下不同技術的優缺，和我最後使用某個技術的原因。在後續的文章中可能會有比較詳細的說明😃。

語音輸入與輸出 - Zenbo SDK vs Android Library

一開始我使用的是 Zenbo SDK，為了讓 Zenbo 的語音、用字更符合台灣用法，華碩自行建立語音資料庫。但使用的過程中發現，Zenbo SDK 好像不太能處理破音字問題，加上念句子會跳字(某些字跳過沒唸)。所以我後來改用 Android 內建的 RecognizerIntent 和 TextToSpeech，雖然在句子比較複雜的時候，還是有機會唸錯破音字，但機率上好很多。

語料模型 - DDE vs DialogFlow vs TF-IDF

最一開始是使用 ASUS 提供的 DDE 工具，優點是安裝到 Zenob 比較方便，不須外另外串接 API。缺點是每個句子的 rule 都要手動建立，如果 rule 太寬鬆，input 可能會同時符合多個 rule，但是太嚴格，又可能 input 比對不到任何句子。

再來考慮 Engati、DialogFlow 這類可以串接常用通訊軟體的平台，但是發現每個句子都還是要手動建立，我有快 500 個句子，會死掉吧。但是 DialogFlow 提供模糊比對，算是解決了 DDE rule 規劃的問題。如果你的句子不多，且又有條件判斷，那 DialogFlow 還是可以推，只是它不符合我這裡的使用。

最後就剩自己建模型的路囉🙃，我的模型最後是選用 TF-IDF，主要程式碼是參考 MorvanZhou/NLP-Tutorials，再經過自己的修改。主要是因為研究 NLP 的時候發現主要都是關於句子生成的主題比較多，但我要的是比對句子的相似性，所以 TF-IDF 比較符合我的需求。

斷字系統 - Jieba vs CKIP

Jieba 來自中國，CKIP 來自中研院，在使用內建斷詞字典的狀況下，有一些台灣的專有名詞或簡稱，CKIP 表現的比 Jieba 比較好。

參考資料