鐵人檔案
急診檢傷不是診斷疾病，而是在有限時間內判斷病患接受處置的先後順序。本系列將使用 Kaggle 公開的韓國急診檢傷與急迫度分級量表（Korean Triage and Acuity Scale, KTAS）資料，從 1,267 筆急診紀錄出發，逐步完成資料清理、公開知識庫、檢索增強生成（Retrieval-Augmented Generation, RAG）、門控、重排序與模型評估。我們不只比較準確率，也會分析檢傷不足、檢傷過度、少數高急迫案例與結果的不確定性，打造一套可重現、可解釋且清楚標示限制的急診檢傷 Side Project。
Day 20 已經能把九筆公開知識排出順序，但排序第一名仍不是答案。真正的檢索增強生成系統還要把取回內容交給生成模型，限制模型只能依證據作答，最後保存「取回了什...
Day 21 已完成平面式檢索增強生成（Flat Retrieval-Augmented Generation, Flat RAG）：九筆公開知識都在同一層，每...
Day 22 把九筆公開知識整理成三個父層，完成 Parent Top-2 再 Child Top-3 的階層式檢索增強生成（Retrieval-Augment...
Day 23 完成了生命徵象硬門控（Vital-Sign Hard Gate）：作者合成警示一旦觸發，就把較不急迫候選直接排除。六筆合成案例中，這個做法修正了三...
Day 24 建立了安全聯集門控（Safety Union Gate），把一般檢索、主訴、生命徵象與高風險保留候選合成同一個候選集合。那一步解決的是「哪些級數還...
Day 25 已經把系統輸出分成回答、證據不足拒答與技術失敗，也確認引用必須落在本次取回的證據集合內。不過，那十筆資料是作者刻意設計的合成契約案例，不能回答一個...
Day 26 建立了三個簡單基準：多數類別、知識不足即拒答的部分規則，以及使用 Ridge 迴歸（Ridge Regression）的結構化序位模型。結構化模型...
Day 26 已在相同 1,267 筆紀錄與五次重複五折下執行三個簡單基準。B0 永遠預測訓練折的多數級數，平均準確率是 0.3844；B2 使用檢傷當下可得的...
Day 28 已把 Day 26 的折外預測（Out-of-Fold Prediction, OOF Prediction）拆成序位距離、錯誤方向與高急迫級安全...
Day 29 已把第 1 次重複的折外預測拆成錯誤方向、切片與固定私人案例，並用七筆作者合成案例建立證據追蹤紀錄（Evidence Trace）的分類規則。最重...