印尼消费者健康问题的语义分类研究：基于机器学习的自动问答系统开发

本研究针对印尼语医疗问答系统中语义理解不足的问题，开发了包含964个标注问题的语料库，采用XGBoost和Perceptron等算法实现12类语义分类（如DGN诊断、MNA管理等），创新性引入LIME框架揭示模型决策机制并识别语义偏差词（如"kanker"癌症），F1值达0.56，为东南亚地区医疗AI系统开发提供了重要数据基础和方法参考。

　　

在数字化医疗时代，在线健康咨询平台已成为公众获取医疗建议的重要渠道。然而，这些平台面临着一个普遍困境：有限的医疗专业人员数量难以满足海量的用户咨询需求，导致响应延迟问题日益突出。特别是在印尼等发展中国家，语言障碍和医疗资源分布不均使得这一问题更加严峻。现有英语医疗问答系统难以直接应用于印尼语场景，而本地化解决方案又面临标注数据匮乏、语言特异性（如非标准词汇"masuk angin"）和文化表达差异等多重挑战。

印度尼西亚大学计算机科学学院的研究人员针对这一痛点开展了创新研究，其成果发表在《Journal of Biomedical Semantics》。该研究构建了首个专业标注的印尼语医疗问答语料库，包含964个问题并细分为12类语义类型（如诊断DGN、病因CAU等），通过医生验证确保了分类体系的临床适用性。研究采用XGBoost和Perceptron等算法实现自动分类，并创新性引入LIME框架解释模型决策过程，发现"kanker"（癌症）等疾病词汇存在语义偏差现象。值得注意的是，在输入仅保留问题句（Scenario Q）时模型表现最佳，加权F1值达0.56，而BERT模型因数据量限制仅获0.08分，揭示了小语种医疗AI的特殊训练需求。

关键技术方法包括：1）从Alodokter等5个印尼医疗论坛爬取原始数据；2）采用双盲标注和Cohen's Kappa系数（k=0.48）评估标注一致性；3）应用SMOTE和Borderline-SMOTE处理数据不平衡；4）基于TF-IDF特征和LIME解释框架分析词级贡献度；5）对比XGBoost、Naive Bayes等6种传统算法与BERT的性能差异。

研究结果部分显示：
语义分类体系构建：通过医生访谈验证了Roberts方案的12类分型在印尼语境的适用性，发现"并发症CMP"与"其他影响OtherEffect"的临床定义存在专业认知差异。

标注质量分析：四名医学生标注员在管理MNA（k=0.87）和诊断DGN（k=0.69）类别上一致性较高，但在解剖ANT（k=-0.01）和非疾病NDD（k=0.18）类别表现欠佳。

模型性能比较：Perceptron在未平衡数据下表现最优，而Naive Bayes经Borderline-SMOTE处理后F1提升40%，显示不同算法对数据分布的敏感度差异。

语义偏差识别：LIME分析揭示"depresi"（抑郁）等疾病词被XGBoost等模型误判为诊断类特征，但去除这些偏差词后模型性能未显著下降（p>0.05），表明算法具备一定的抗干扰能力。

该研究不仅填补了印尼语医疗NLP资源的空白，更创新性地提出了适用于资源受限语言的医疗文本分析方法。其构建的标注体系和解释框架为后续医疗对话系统开发提供了重要基础，而发现的语义偏差现象则警示了医疗AI模型潜在的误判风险。特别值得关注的是，研究证实医学生可作为可靠的医疗文本标注者，这为低成本构建专业语料库提供了新思路。未来工作可结合命名实体识别（NER）和跨语言迁移学习进一步提升小语种医疗问答系统的性能。