基于深度学习的阿姆哈拉语HIV/AIDS咨询聊天机器人模型开发与性能评估

本研究针对埃塞俄比亚地区HIV/AIDS信息获取的语言障碍问题，开发了首个基于BiGRU算法的阿姆哈拉语文本聊天机器人。研究人员通过FastText特征提取和深度学习方法（LSTM/BiLSTM/GRU/BiGRU对比），构建了包含10,291条数据的知识库，最终模型测试准确率达95.01%，为非洲地区HIV防控提供了本土化AI解决方案。

　　

在埃塞俄比亚，HIV/AIDS仍是重大公共卫生挑战，2023年数据显示该国约有61万感染者，每年新增8,257例病例。尽管国际上有英语HIV咨询聊天机器人，但阿姆哈拉语作为该国官方语言，面临三大困境：复杂的字符变体（如^h与⁰同音异形）、医疗术语标准化缺失、以及文化语境适配不足。这导致现有AI工具难以理解"^???"（你好）等基础问候，更无法准确回答"^?????如何传播"等专业咨询。

Debre Markos大学的研究团队开展了这项开创性研究，通过构建首个阿姆哈拉语HIV知识库，采用深度学习技术开发专用聊天机器人。研究人员从WHO等权威渠道收集10,291条数据，创新性地将同音异形字符归一化（如统一用^?替代^?），并采用FastText处理黏着语特征。最终在《BMC Artificial Intelligence》发表的成果显示，双向门控循环单元(BiGRU)模型以95.01%准确率超越LSTM等基线模型，人类评估正确率达87.6%。

关键技术包括：1) 从WHO等机构采集英阿双语数据并人工校验；2) 字符级归一化处理7组同音异形字；3) FastText生成子词嵌入；4) 采用80:20划分数据集，以Adam优化器(学习率0.0001)训练50个epoch；5) 通过dropout(0.3)和早停法防止过拟合。

【数据预处理】
创新设计的字符归一化表将^?|^?|^?等变体统一编码，清洗后数据错误率降低42%。如表1所示，问句"^{????? ??????}"经处理后可准确匹配意图标签。

【模型对比】
BiGRU在80:20数据划分下表现最优（测试准确率95.01%），较LSTM提升8个百分点。如图5所示，其损失值稳定收敛至0.372，显著优于SGD优化器的0.563。

【人类评估】
72条随机查询测试显示，模型对"传播途径"等专业问题响应准确率达93%，但在方言处理上仍有10次失误，如未能识别"^???"（糖）指代糖尿病并发症的 colloquialism。

该研究实现了三个突破：1) 建立首个阿姆哈拉语医疗NLP数据集；2) 验证BiGRU在黏着语处理上的优势；3) 开发出可部署的JSON格式知识库。未来工作可扩展语音交互功能，并纳入更多地方方言样本。正如讨论部分指出，这项技术不仅适用于HIV领域，其字符归一化方案更为埃塞俄比亚其他官方语言（如奥罗莫语）的AI应用提供了范式。