XÂY DỰNG TRỢ LÝ ẢO DỰA TRÊN RAG TƯ VẤN HỖ TRỢ CHĂM SÓC MẸ BỈM.

Abstract

Thông tin chăm sóc mẹ và trẻ nhỏ trên Internet khá phong phú nhưng chất lượng giữa các nguồn không đồng đều. Luận văn xây dựng MomCare, hệ thống hỏi đáp tiếng Việt sử dụng Retrieval-Augmented Generation (RAG) để tra cứu thông tin từ kho tài liệu có nguồn xác định. Kho tri thức của MomCare gồm 6.597 chunk được trích xuất từ PDF, DOCX và XLSX. Hệ thống kết hợp FAISS và BM25 để truy xuất, điều chỉnh trọng số bằng Adaptive Alpha và quản lý hội thoại nhiều lượt bằng Adaptive Context Management. Query Rewriting và Intent Detection được gộp trong một lần gọi LLM. Trước khi sinh phản hồi, hệ thống kiểm tra phạm vi câu hỏi, độ tuổi, bằng chứng truy xuất và một số yêu cầu có nguy cơ cao. Trên tập đánh giá RAGAS, MomCare đạt Faithfulness 0,741, Context Recall 0,780, Context Precision 0,704 và Answer Relevancy 0,572. Với 2.213 mẫu hợp lệ của ViMedAQA, Retrieval đạt Hit@5 83,46% và MRR@5 0,7410; phần Generation đạt BERTScore 82,23, BLEU 32,11, METEOR 56,25 và ROUGE-L 50,24. Intent Detection phân loại đúng 190/200 truy vấn. Bộ kiểm thử mức hàm cho các cơ chế an toàn và kiểm tra bằng chứng đạt 14/14 trường hợp. Stress test ban đầu đạt 42/50. Sau khi phân tích lỗi và bổ sung các mẫu nhận diện tổng quát, bộ hồi quy bổ sung đạt 27/27 và lần kiểm thử lại trên cùng 50 truy vấn đối kháng đạt 50/50. Trên 50 câu hỏi hợp lệ, không ghi nhận trường hợp chặn nhầm, tương ứng False Positive Rate bằng 0%. Trong hội thoại 10 lượt, ACM giảm kích thước lịch sử trung bình từ 1.238,1 xuống 426,4 ký tự. MomCare được xây dựng như một nguyên mẫu hỗ trợ tra cứu thông tin, không thay thế việc thăm khám, chẩn đoán, kê đơn hoặc tư vấn trực tiếp của nhân viên y tế. Từ khóa: Retrieval-Augmented Generation (RAG), chatbot chăm sóc sức khỏe, chăm sóc mẹ và trẻ nhỏ, Hybrid Search, truy xuất thông tin y tế. ABSTRACT Online information on maternal and child care is widely available, but its quality varies across sources. This thesis develops MomCare, a Vietnamese question-answering system based on Retrieval-Augmented Generation (RAG) that retrieves information from a document collection with identifiable sources. The MomCare knowledge base contains 6,597 chunks extracted from PDF, DOCX, and XLSX documents. Retrieval combines FAISS and BM25 with query-dependent Adaptive Alpha weights. Multi-turn context is managed through Adaptive Context Management, while Query Rewriting and Intent Detection are handled in a single LLM call. Before generation, the system checks query scope, age relevance, retrieved evidence, and selected high-risk requests. On the RAGAS evaluation, MomCare achieves 0.741 Faithfulness, 0.780 Context Recall, 0.704 Context Precision, and 0.572 Answer Relevancy. On 2,213 valid ViMedAQA samples, Retrieval achieves 83.46% Hit@5 and 0.7410 MRR@5. Generation achieves a BERTScore of 82.23, BLEU of 32.11, METEOR of 56.25, and ROUGE-L of 50.24. Intent Detection correctly classifies 190 of 200 queries. The 14 function-level safety and grounding tests all pass. The initial adversarial test meets the expected behavior in 42 of 50 cases. After error analysis and Guardrail hardening, the additional regression set passes 27 of 27 cases and a retest on the same adversarial set passes all 50 cases. No false blocking is observed on the 50 valid queries. In a 10-turn conversation experiment, ACM reduces the average history size from 1,238.1 to 426.4 characters. MomCare is a prototype for information retrieval support and is not intended to replace medical examination, diagnosis, prescription, or direct consultation with healthcare professionals. Keywords: Retrieval-Augmented Generation (RAG), healthcare chatbot, maternal and child care, Hybrid Search, medical information retrieval.