NLP 與 LLM

某地方政府委託資料科學團隊，針對選舉期間的社群媒體貼文進行大規模輿情分析，目標是了解選民對各政策議題的態度傾向。團隊規劃整合多種AI 技術以提升分析涵蓋率。下列哪一種技術組合最符合上述需求，且不涉及對特定個人的身份辨識？

1. A情感分析結合關鍵詞提取，分析貼文內容的立場與高頻議題詞彙；
2. B文本分類結合人臉辨識，辨識發文者身份後再進行政治立場分類；
3. C語音辨識結合影像辨識，將選舉造勢影片轉換為可分析的文字資料，並進行內容整理與主題歸納；
4. D推薦系統結合社群圖譜分析，針對個別使用者預測其投票選擇

在命名實體辨識（Named Entity Recognition, NER）任務中，模型需根據整句文字判斷每個詞的標籤，並考慮詞與詞之間的關聯性。若採用 Conditional Random Field（CRF）作為模型，下列何者最能描述其模型類型？

1. A生成式模型（Generative Model）；
2. B無監督模型（Unsupervised Model）；
3. C鑑別式模型（Discriminative Model）；
4. D自迴歸模型（Autoregressive Model）

某電商企業希望利用自然語言處理（NLP）技術，分析顧客在社群平台與商品評論中的文字內容，以即時掌握顧客對產品的滿意度變化。若採用情感分析（Sentiment Analysis）模型，其主要目的為何？

1. A預測顧客使用的語言風格與語氣
2. B判斷文本中所表達的情感傾向
3. C將顧客留言自動翻譯成企業內部指定語言
4. D產生顧客評論的自動化摘要內容

某企業以詞頻–逆文件頻率（Term Frequency–Inverse Document Frequency, TF-IDF）方法分析顧客意見內容，但發現模型在處理篇幅較長的回饋文本時，無法準確反映關鍵詞的重要性。下列何者為造成此現象的主要原因？

1. A長文本中的詞頻偏高，導致常見詞權重被過度放大
2. B長文本中缺乏明確句子邊界，造成 TF-IDF 無法計算詞頻
3. CTF-IDF 無法同時處理多份文件
4. D長文本會改變 IDF（Inverse Document Frequency）的計算，使所有詞權重趨於相近

某企業嘗試以 N-gram語言模型（N-gram Language Model）建立客服自動回覆系統，但發現模型生成的句子雖在片段上合理，卻缺乏整體語意連貫性。此問題最可能源自 N-gram 模型的哪一項限制？

1. AN-gram 模型在訓練過程中需要龐大計算量，導致長句無法收斂
2. BN-gram 模型僅根據固定長度的前序詞建立機率估計，難以捕捉長距離依賴關係（Long-range Dependencies）
3. CN-gram 模型缺乏語意嵌入（Semantic Embedding）層，因此無法表徵詞語間的語意相似度
4. DN-gram 模型假設詞與詞之間相互獨立，導致無法建構上下文語意關聯

某研究團隊正在訓練一個針對低資源語言（如少數民族語言）的語言模型，但該語言僅有約 1萬筆語料可用。在訓練過程中出現明顯的過擬合現象，若希望在不新增真實語料的前提下提升模型的泛化能力，採用下列哪一種方法最為適合？

1. A將Transformer 的隱藏層維度擴增至 1024，以提升表徵能力
2. B採用反向翻譯（Back-Translation）技術，以生成額外目標語句的偽平行語料（Pseudo‑Parallel Corpus）
3. C對詞嵌入矩陣（Embedding Matrix），施加L1正則化以壓縮模型參數
4. D將多語言 BERT（mBERT）中所有Transformer 層全部凍結以保留預訓練知識

某工程師正在建置一套法律文件解析系統，在進行資訊擷取（Information Extraction）前，需要對文本進行詞性標註（Part-of-Speech Tagging, POS Tagging）。請問此步驟的主要目的為何？

1. A將文本翻譯為其他語言以利跨語言分析
2. B將文本切分為基本詞彙單位，以便後續處理
3. C判斷文本中各詞彙的情感傾向
4. D為每個詞彙標記其語法類別，如名詞、動詞與形容詞