《Knowledge-Based Systems》：Improving Amharic legal question answering with Retrieval-Augmented Generation and locally-sourced data
编辑推荐：
Elshaday Desalegn|Natanim Berhanu|Seble Hailu|Terefe Feyisa|Tewodros Legesse|Yonas Bekele|Yohannes Adigeh|Zinawork Assefa摘要检索增强生成（Retrieval-
Elshaday Desalegn|Natanim Berhanu|Seble Hailu|Terefe Feyisa|Tewodros Legesse|Yonas Bekele|Yohannes Adigeh|Zinawork Assefa
摘要
检索增强生成（Retrieval-Augmented Generation，RAG）作为一种提高大型语言模型（LLMs）事实依据的有效方法已经崭露头角，但在资源匮乏且形态复杂的语言中，其有效性仍需进一步研究。本文提出了专为阿姆哈拉语法律问答（Legal Question Answering，QA）设计的RAG框架RAG-C，该框架整合了语义分块、多语言上下文嵌入和高效的向量检索技术。
我们利用公开可获得的埃塞俄比亚联邦最高法院撤销判决（法律判例）构建了一个82.4 MB的阿姆哈拉语语料库，并补充了阿姆哈拉语维基百科和新闻资源。我们通过自动评估指标（RAGAS、F1、BLEU、EM）和人类评估，对500对问答数据进行了测试。RAG-C在所有评估维度上均表现出色，其中上下文相关性达到0.797，准确性达到0.833，F1分数达到0.772，优于BM25等传统基线和零样本语言模型。人类评估进一步证实了该模型在事实准确性（4.5/5）和整体质量（4.4/5）方面的提升。
我们的分析表明，嵌入质量是影响检索性能的关键因素，而语义分块技术有助于提高形态复杂文本中的上下文连贯性。我们还指出了检索深度、模型扩展性和延迟之间的关键权衡，并强调了与语料库覆盖范围和统计测试相关的局限性。
这些结果表明，精心设计的RAG流程能够显著提升资源匮乏语言中的问答性能，为在高资源环境之外构建可靠、基于事实的自然语言处理（NLP）系统提供了可扩展的途径。
