防救災決策支援系統之研究─子計畫：地震防救災決策支援研究(Ⅰ)

(1)

行政院國家科學委員會專題研究計畫成果報告

地震防救災決策支援研究(Ⅰ)

－－地震防救災文獻案例式查詢系統

A Case-Based System for Querying Literatures

of Earthquake Hazard Prevention

計畫類別：¨個別型計畫 þ整合型計畫

計畫編號：NSC-88-2625-Z-002-048

執行期間：87 年 8 月 1 日至 88 年 7 月 31 日

計畫主持人：林峰田副教授

處理方式：

þ可立即對外提供參考

（請打ü） ¨一年後可對外提供參考

¨二年後可對外提供參考

執行單位：國立臺灣大學建築與城鄉研究所

中華民國八十八年七月三十一日

(2)

地震防救災文獻案例式查詢系統

A Case-Based System for Querying Literatures of Earthquake Hazard Prevention

摘要台灣是一個地震災害頻仍的地區，為了防救災的需要，長久以來，研究單位也累積了相當多的成果。然而，當吾人遇到一個新的問題情境時，如何從汗牛充棟的研究報告中，快速而正確地找尋到適宜的研究成果，以供參考，便成了一個相當重要的課題。本研究利用「案例式系統」的技術來嘗試解決這個問題。本研究將地震防救災相關研究報告歸納成 13 種屬性，並且透過專家訪談的方式，選定查詢的關鍵指標及一般指標，並賦予權重，同時以 Caspian 軟體測試其可行性。結果顯示，系統查詢結果與人工查詢結果相符。關鍵詞：案例式推理、決策支援系統、地震防救災 Abstr act

Taiwan suffers a lot of crises from earthquakes. To prevent hazards, there are many researches that have been done for a long time. However, it is a critical issue that retrieving an appropriate research paper from a huge amount of reports. This research employs the technique of case-based reasoning（CBR）, where each case corresponds to one research report, to tackle the difficulty. Furthermore, we use 13 attributes for these research reports, and identify critical and ordinary indices with weights by interviewing experts. Free software, Caspian, is used to implement a prototype for testing the appropriateness of attributes, weights, and indices in the case-based system. It is found that the results of CBR and human retrievals are coincident.

Keywords: Case-Based Reasoning, Decision Support System, Earthquake Hazard Prevention

(3)

第一章緒論 ...1

第一節研究動機及沿革 ... 1 第二節研究目的及範圍 ... 1

第二章案例式推理 ...3

第一節 CBR 之發展簡史 ... 4 第二節 CBR 的內容 ... 4 第三節 CBR 的各種型態 ... 12 第四節 CBR 與其他技術之比較 ... 15 第五節 CBR 之研究與應用 ... 20

第三章研究方法及系統建構 ...27

第一節研究方法 ... 27 第二節系統建構 ... 29

第四章指標與權重 ...35

第一節各屬性重要性初步分析 ... 35 第二節關鍵指標的選取 ... 43 第三節屬性權重的設定 ... 44 第四節所有屬性之重要性整體分析 ... 46

第五章成果討論 ...49

第一節系統評估 ... 49 第二節 Caspian 之功能檢討 ... 55 第三節受訪者意見分析 ... 55

第六章結論與建議 ...57

參考文獻 ... 60 相關網站 ... 65 附錄一「地震防救災文獻案例式查詢系統」案例庫內容 ... 67 附錄二「地震防救災文獻案例式查詢系統」程式內容 ... 79

(4)

第一章緒論

第一節研究動機及沿革

本計畫為國科會永續會的「防救災決策支援系統之研究」整合型計畫的四個子計畫之一。台灣在防救災方面的相關研究，早年大多著眼於工程方面的探討，甚少涉及都市防救災議題。九○年代以後，政府開始愈來愈重視都市層級之防救災問題，於民國 83 年 8 月頒布「災害防救方案」，繼而成立「中央防災會報」， 86 年 11 月成立「防災國家型科技計畫」（顏清連等，1998）。此外，有愈來愈多的學者投入都市規劃之防救災相關研究（例如：陳亮全，1990；陳亮全、林峰田， 1993；蕭江碧、黃定國，1996；林峰田，1998；李威儀、錢學陶、李咸亨，1997；何明錦、李威儀，1998）。自從電腦科技愈來愈發達，學者不斷發展相關決策支援系統以協助都市防救災的研究，其中，「案例式推理」（Case-Based Reasoning, 以下簡稱 CBR）係近年來漸受矚目的一種決策支援工具。台灣地震頻仍，但卻一直沒有一套地震災害損失模擬評估系統，以供各級政府單位或民間企業（如保險公司）評估減災計畫之有效性及風險暴露成本。有鑑於此，自 87 年 6 月起，國科會與資策會共同引進美國 HAZUS 軟體（FEMA, 1997），以 HAZUS 97 為基本架構，並對其程式內容與使用者介面進行本土化的修改工作，發展適用於台灣本土的 Haz-Taiwan 地震災害評估決策支援系統（防災國家型科技計畫辦公室，1999；施邦築等，1999；陳亮全等，1999）。Haz-Taiwan 軟體的修改工作是由資策會特種系統處與美國的 RMS 公司共同合作進行，程式的開發進程採漸進完成的方式，共計有 A、B、C 與 D 四個雛型（prototypes），預計 88 年 10 月可完成 Haz-Taiwan 初版。為避免人力及資源之重疊與浪費，經過協調，本計畫第一期重點放在案例式推理技術之研究，與 Haz-Taiwan 之修改工作同步進行，待 Haz-Taiwan 發展完成後，再結合兩者之應用，以期能發展最有效之地震防救災決策支援系統。

第二節研究目的及範圍

本研究以地震為主要範疇，研究重點在於案例式推理之指標系統的訂定以及案例擷取功能，因此選擇不需要進行調適過程的分析性 CBR 進行研究。雖然好的 CBR 系統之案例庫不一定要有很多案例，但本研究為測試指標系統的實用性與精確性，須採用有一定數量案例的研究對象。而國內防救災才剛起步，相關經驗極為缺乏，因此初期以文獻查詢系統作為研究對象，將每一本書當作一個案例，共蒐集歷年來都市層級之地震防救災相關研究（不含地質研究、地震工程）一百餘本，並利用英國 Wales 大學所開發的 CBR 軟體 Caspian（1999），建置「地

(5)

震防救災文獻案例式查詢系統」，探討其屬性、指標及權重等課題，以瞭解應用 CBR 於都市防救災研究之可行性。本期研究目的在於熟悉案例式推理之技術及其實際應用之可能性，並建立實際之系統，進行實例驗証。將來可進一步採用實際的防救災經驗作為案例，或待 Haz-Taiwan 地震災害評估決策支援系統發展完成後，以其模擬結果作為案例，使能更直接的支援都市防救災的工作。

(6)

第二章案例式推理

Case-based reasoning is… reasoning by remembering.

Leake,1996

Case-based reasoning is both… the ways people use cases to solve problems and the ways we can make machines use them.

Kolodner, 1993

A case-based reasoner solves new problems by adapting solutions that were used to solve old problems.

Riesbeck & Schank, 1989

Human experts are not systems of rules, they are libraries of experiences.

Riesbeck and Schsnk, 1989 在八○年代，規則式（rule-based）專家系統頗受到重視，它主要被用來解決定義清楚之結構化問題，然而為了考慮周詳，往往使得整個系統的規則數量龐大而複雜。都市防救災所牽涉的範圍極為廣泛，地震是台灣最常發生的天然災害其所牽涉的地理環境及社經條件等又極為複雜，因此要解決的問題大多是弱結構性或半結構性，問題本身往往難以清楚描述，而且規劃思考的過程以及規劃知識更是難以被摘錄成規則，因此規則式專家系統較難以應用於防救災領域。八○年代末，案例式推理的概念被提出。由於它「以記憶為推理基礎」（Leake 1996）、「根據以前的經驗來解決新問題」（e.g. Aamodt 1994），可輔助解決難以結構化的問題，且所引用的知識都是已發生過、真實存在的案例，此外，無論問題是否有成功解決，該經驗都會被保留下來，所以 CBR 系統可不斷地學習。因此，CBR 已成為近年來人工智慧研究最受注目的議題之一，且被廣泛應用於各領域。 CBR 最引人注目的一項特徵是，它的推理方式和人類實際使用的推理方式很相似，是以心理學可接受的方式來進行推理（psychological plausibility），亦即人類是根據以前的經驗來進行推理，而不是根據一些基本原理或更詳盡的規則。這種調適以前的解答以解決新問題的過程，並非人類所獨有，其他很多高等動物也都有這種能力（Wheeler 1998）。CBR 是以自然世界裡的兩個基本原則為基礎： (1)這個世界是規律的：相似的問題有相似的解答。因此，相似問題的解答對於解決新問題而言，是個有用的起始點。(2)從前所遭遇過的問題型態傾向於會再度發生。因此，未來的問題可能會和現在的問題相似。這兩個原則成立之下，記住並再使用現在的推理是值得的，亦即案例式推理是有效的推理策略。而推理和學習是密切相關的，CBR 系統從記憶中推理（reasoning by remembering），且推

(7)

理結果會被記憶住（reasoning is remembered）（Leake 1996）。因此，CBR 提供了傳統規則式系統所缺乏的兩種功能：學習（learning）及記憶（memory）。畢竟，如果一個機制或人工系統不能記憶、學習及調適，是稱不上具有智慧的。

第一節 CBR 之發展簡史

研究 CBR 的動機主要來自兩方面，：(1)從「認知科學」（cognitive science）發展而來：想要將人類行為模式化。(2)從「人工智慧」（AI）發展而來：想要發

展更有效的人工智慧系統（Leake, 1996；Doyle et al., 1998）。

CBR 的研究最早起源於 1977 年 Schank 和 Abelson 關於認知科學的研究 （Watson & Marir, 1994；Doyle et al., 1998），Schank 和 Abelson 認為關於情境的一般知識（general knowledge）就像「劇本」（scripts）一樣被記錄在人類的大腦裡，讓我們可以有所預期、並形成推論。1982 年，Schank 繼續提出動態記憶（Dynamic Memory）的概念，以及記憶組織包裹（Memory Organization Packets, MOPs）理論。其他影響 CBR 領域知識脈絡的包括哲學及心理學關於觀念的形

成、問題解決及經驗式學習的理論，以及類比式推理（analogical reasoning）（e.g.

Aamodt, 1994；Watson & Marir, 1994）。

第一個可被稱之為案例式推理器的系統是由耶魯大學 Janet Kolodner （Schank 的研究團體）所發展出來的 CYRUS，CYRUS 奠基在 Schank 的動態記憶模型及記憶組織包裹理論，基本上它是一個「問題－回答」系統（a

question-answering system）。這個系統所發展出來的記憶模型成為後來許多案例式推理系

統的基礎，例如 MEDIATOR、PERSUADER、CHEF、JULIA、CSEY（e.g. Aamodt, 1994；Watson & Marir, 1994；Bergmann, 1998）。

CBR 的研究始於美國，後來才逐漸遍及世界各地。歐洲開始得比美國略晚一些，但現在歐洲的研究盛況甚至比美國更為蓬勃，尤其是德國及英國。1991 年舉行第一屆德國 CBR 工作坊，1993 年舉行第一屆歐洲 CBR 工作坊，1995 年舉行第一屆國際 CBR 工作坊。亞洲也有少數國家在研究 CBR，台灣關於 CBR 的研究仍極少，在國外網站上幾乎完全無法發現台灣學者、學術團體或企業的蹤跡。CBR 已成為當今人工智慧領域最受重視的議題之一，全世界至少有數十個大學及研究機構在研究 CBR，且幾乎每年都有國際工作坊及國際研討會在各地舉行。

第二節 CBR 的內容

一、CBR cycle

CBR 系統的核心通常包含以下四個部分（ Wheeler, 1998 ）： (1) 案例庫

(8)

（case-base）：貯存以前的經驗；(2)指標機制（indexing mechanism）；(3)比對演

算法（matching algorithm）：比較新遭遇到的情境及舊情境；(4)調適（adaptation）

或推論機制（inference mechanism）：產生最後的解答。使用上述四個部分，系統

可以定義新問題的屬性，從案例庫中擷取相似案例，透過結合、調適、精煉等過程再使用被擷取案例，最後並將新的經驗貯存在案例庫中。Aamodt 和 Plaza 將這整個過程稱為「4Re」（Aamodt & Plaza, 1994）：

1. 擷取（Retrieve）：擷取相似案例 2. 再使用（Reuse）：再使用先前的解答 3. 調適（Revise）：修正或調適（adapt）先前的解答，以解決新問題 4. 保留（Retain）：將新解答貯存於案例庫中如圖一所示，CBR 系統運作的機制起於使用者遇到一個新問題，將其問題情境之屬性描述輸入系統。系統據此從線上資料庫或案例庫中尋找、比對、擷取（一個或數個）最相似的案例。透過再使用，被擷取的案例和問題情境兩者相結合，系統對起始問題提出一個建議的解決方案。透過修正的過程，測試這個建議方案是否可成功執行，例如將它應用到真實世界的環境中、或是由專家來進行評估。如果建議方案沒有通過測試，就再進行修正。最後，透過保留，有用的經驗被貯存起來以供未來使用，並且，原有案例庫因為加入一個新的學習而來的案例、或是修改既存案例，而達到案例庫的更新。

圖一 CBR 循環（譯自 Aamodt & Plaza, 1994）

保留再使用 擷_取 舊案例一般知識測試過的/ 修正過的案例學習而來的案例被解決的情境被擷取的相似案例 _問題情境問題情境問題 建議的 解答 確認過的 解答相似性調適確認學習修正

(9)

在整個過程中，普通知識扮演著支援的角色。這裡所指稱的普通知識是指該領域裡互為相關的知識，相對於存在案例裡的特定知識。視 CBR 型態的不同而定，普通知識的支援功能可能是完全沒有用處、稍微有用處、也可能對 CBR 的推理過程有很大的貢獻。

二、CBR 任務的階層分析（a hier archy of CBR tasks）

從過程導向（process-oriented）的觀點來看，CBR Cycle 強調擷取、再使用、修正、保留等步驟是一個接著一個發生的。若從任務導向（task-oriented）的觀點來看，這四個步驟又可再細分成好幾個部分。如圖二所示，節點代表任務，以粗體字表示；達成任務的方法則以斜體字表示。節點和節點之間以實線連接，表示任務的分解；節點和方法之間則以虛線連接。retrieve、reuse、revise、retain 等四個任務是最上層的任務，每個任務都可以再細分成幾個次任務每個任務或次任務都是一個完整的部分。每個次任務都有好幾種完成的方法，可以選用其中一種、或是結合好幾種方法，也可能還有其他方法可以完成任務（Aamodt & Plaza, 1994）。

三、案例呈現

(一)案例內容案例（case）是構成案例式推理的最基本要素，具有以下幾點特徵：（Bergmann, 1998；Dattani, ?） 1. 案例的基本內容包括對問題的描述以及解答兩部分，其他延伸內容則包括相關背景（例如採用該解答的理由）、和其他案例的關係、所遭遇到的困境與失敗等。 2. 案例描述一個特定的、顯示症狀特徵的處境，並記錄該處境的數個屬性及屬性值。 3. 案例不是規則（rule）。 4. 案例庫中，每個案例描述一個特定的處境，所有的案例均互相獨立。 (二)案例呈現方式決定案例的呈現方式是建立 CBR 系統的第一個步驟。案例呈現最重要的考量因素包括案例的「結構」及「內容」，呈現方式有許多種，取決於領域及工作的需求。有時候簡單的案例結構對解決問題而言已經足夠，二維的「屬性－屬性值」呈現方式易於儲存及擷取，而物件導向式呈現適用於複雜及結構化的物件。在物件導向的觀念裡，案例是很多物件的集合，一個案例包含一組物件，一個物件代表情境的一部分，物件由一組屬性所描述，每一個物件屬於一個物件層級，在繼承而來的階層裡，所有的物件層級被組織化（Bergmann 1998）。

(10)

(11)

四、相似性評估

案例式推理的基本假設是「相似的問題有相似的解答」，因此，相似性（similarity）是 CBR 最重要的概念之一（e.g. Leake, 1996；Bergmann, 1998），其目的是為了選擇和現存問題有相同/相似解答的案例，或是選擇易於調適以適應現存問題的案例。相似性的定義直接決定了 CBR 系統的案例擷取方式及擷取效率，當案例庫很大時，如何有效率地擷取案例尤其顯得重要。相似性定義的第一步是要決定索引準則，亦即選取指標及決定各屬性的權重大小，指標及權重大小表示該屬性的重要性，以及在比對過程中所作的貢獻。對案例庫的組織而言，線性串列（linear lists）只適用於小案例庫；樹狀指標結構適用於大案例庫。有些 CBR 是根據表面的（superficial）、語法上的（syntactical）相似性來擷取相似案例，例如 CYRUS 系統（1983）；有些 CBR 則是根據較深層的（deeper）、

語意上的（semantical）相似性，例如 PROTOS（1986）、CASEY（1989）等系統。

語法相似性評估（syntactical similarity assessment）通常被稱為「知識貧乏性」（knowledge-poor）的方法，適用於一般領域知識（general domain knowledge）不足或較難獲得的領域。語意相似性評估（semantical similarity assessment）通常被稱為「知識密集性」（knowledge-intensive）的方法，可以被應用在比對過程中關於問題描述的字句結構意義，適用於較易獲得一般領域知識的領域。語意相似性評估方法也可能在比對方法中隱含大量的一般領域知識，因此「知識貧乏性」和「知識密集性」的最大差別在於，在「知識貧乏性」方法裡，領域知識是被隱含在內的（implicitly），且是特殊化的（specialized）領域知識；在「知識密集性」方法裡，領域知識是被明確表達的（explicitly），且是一般化的（generalized）領域知識（Aamodt 1994）。相似性評估面臨兩個主要的問題（Leake 1996）：(1)如何決定正確的屬性以進行比較、哪些屬性是重要的（權重）；(2)對某些工作而言，輸入的問題描述並不足以決定新舊情境的相似性。因此，情境評估（situation assessment）和相似性評估（similarity assessment）也許需要結合在一起。其中一種結合的方法是「建

設性相似性評估」（constructive similarity assessment），根據舊案例來建立輸入情

境的描述，並由被擷取案例是否可根據新情境來調適而判斷其相似性，而不是根據任何固定不變的準則來評估相似性。

五、案例擷取

案例擷取必須考慮的第一個問題是：只有所有屬性值都符合的案例才能被擷取，還是某些（較重要）屬性值符合的案例就可以被擷取？有幾個簡單的方式可以加強系統擷取適當案例的能力（Wheeler 1998）： 1. 將案例庫先處理過，移除不適當的案例－品質不佳、或雜訊太多的案例。必須考慮一點，互相衝突的案例是否都應該被納入？

(12)

2. 改變（增加或減少）被擷取案例的數量，考慮相似性多高的案例該被擷取？案例母體的差異度有多大？

3. 考慮較新的案例，一般而言，較新的案例較有用。

4. 重新思考評估的方法，決定要選擇擷取所有的案例、還是只擷取最近似

的案例；或者考慮在既定的相似性原則下，結合兩個最不相似的案例。 5. 考慮採用模糊比對（fuzzy matching）方式（Dubois et al., 1997；Yager,

1997）。愈來愈多專家獲致共識，認為相似性評估所扮演的角色是要決定哪些案例是有用地相似（usefully similar），而僅僅一組固定不變的相似性準則也許無法補捉到正確的差異。希望相似性準則能更真實地反映使用需求的願望被反映在某些研究方法上，亦即將評估標準建立在可調適性（adaptability）上，以取代傳統的相似性評估。對這些研究方法而言，相似性的重點在於使解答的產生（solution generation）變得更為容易。

六、相似舊案例的再使用

案例的再使用必須考慮一個問題：舊案例和新的問題情境有何不同，舊案例的哪個部分可以被應用到新問題。而再使用的方式可大分為三種： 1. 直接複製：解答沒有經過調適或修改，直接複製。 2. 由使用者自行手動調適解答。 3. 由系統自動調適解答：(1)轉移性再使用（transformational reuse）：不關心問題解決的過程，而把重點放在「相同的解答」上，再使用的對象是「舊案例的解答（solutions）」。(2)轉化性再使用（derivational reuse）：不直接

再使用解答，而是再使用「如何獲得解答的方法（methods）」，因此可用

於解決更廣大層面的問題（Aamodt, 1994；Leake, 1996；Bergmann, 1998）。

七、解答的評估

透過再使用，CBR 系統評估解答是否可行，如果可以成功解決問題，就將新案例貯存起來，供未來再使用；如果失敗，就進行錯誤修正。解答的評估方式有三種：(1)將解答應用在真實的情境中；(2)詢問專家的意見；(3)將解答應用於模擬的程式中。解答評估這個步驟通常在 CBR 系統以外進行，評估結果可能需要一段時間後才能顯現。例如，在醫學診斷 CBR 系統中，對病人所做的處理常常要一段時間後才能顯現其效果（Aamodt 1994）。

八、案例的修正及調適

案例的修正及調適可被視為是案例式推理的「推理」部分（e.g. Riesbeck

(13)

1996）。系統經過評估解答的過程後，若偵測到錯誤，會解釋發生錯誤的原因，並根據錯誤原因來修正、調適解答。修正的標準在於：(1)解答的正確性；(2)解答的品質；(3)其他，例如使用者的偏好（Bergmann 1998）。在問題解決式 CBR 系統裡，系統解決新問題的能力必須視他們調適被擷取案例的能力以及修改失敗答案的能力而定。調適的核心問題在於如何決定哪些面向是該被調適的、在調適時做哪些改變是合理的、以及如何控制調適過程。此外，案例的調適過程通常使用規則式系統（rule-based systems），因此系統開發者又再度面臨規則式系統獲取知識所遭遇到的問題，而可取得的案例也許缺乏有效調適所需要的內部結構（Leake 1996）。因為案例調適所面臨的困難，使得許多 CBR 系統省卻調適這個步驟，將 CBR 周期由「擷取－評估－調適」（retrieve-evaluate-adapt）取代為「擷取－提出建議」（retrieve and propose），而仰賴人類來進行評估及調適的工作。

改善 CRB 系統調適能力的方法有以下幾種（Leake 1996）： (一)依據調適能力來進行相似性評估、擷取案例不根據案例的屬性來進行比對，而是根據案例的屬性是否可以被調適來進行比對。整合案例擷取、相似性評估及案例調適，根據案例的調適能力來擷取那些需要較少的調適就能適合目前工作的案例（adaptation-guided retrieval）。 (二)改善系統調適能力 1. 改善索引（indices）系統，以求能擷取較有調適力的案例：案例調適的困難度主要取決於被擷取案例，因此，擷取能力的改進對改善調適工作有很重要的影響。評估是否已擷取最佳案例，如果沒有，就調整擷取準則，以求將來能擷取更有調適力的案例。 2. 使用彈性的調適規則：建立調適規則所面臨的問題為如何在調適規則的可操作性（operationality）及一般性（generality）兩者間取得平衡。抽象的調適規則有較佳的一般性，但若缺乏額外的特定領域知識，可能會較難以應用。具體的規則可能較易操作，但較難應用於新工作，因為新規則必須為每個新工作及領域而編碼。 3. 轉化性類比（derivational analogy）：改變被貯存案例的本質。不儲存及直接再使用解答本身，而是儲存如何產生解答的方法、並在新情境中再使用。 4. 案例式調適（case-based adaptation）：所面臨的問題包括如何取得調適案例（adaptation cases）、如何在新情境中應用調適案例。 5. 以內省式推理（introspective reasoning）支援調適。 6. 結合規則式及案例式調適。 7. 階層性方法及次案例（subcases）的再使用。

(14)

8. 從使用者調適中學習：在互動式 CBR 系統裡，使用者手動調適案例的過程可以被記錄下來，供未來使用。 (三)在儲存時就先為調適做準備案例在被儲存之前，應該先做摘要總結、去除多餘不必要的資訊以及沒效率的步驟，並分割成預期有用的幾個單元。 (四)系統支援使用者調適在整個過程仍主要由使用者掌控的情形下，藉由 CBR 系統支援使用者進行調適。例如，使用者可以做高階的調適決策，CBR 系統則建議可能的調適點，並提醒使用者相關的限制或追蹤重要的互動。當案例已被調適完成、提供一個新解答時，CBR 系統可以藉由將相似案例及其結果呈現給使用者來協助進行評估。 (五)調適問題結構（context），而非調適案例調適問題情境本身，使得被擷取案例不經調適就可直接應用於新問題。

九、案例保留

案例的保留就是一種學習的過程，無論問題有無被解決、如何被解決，系統都會被更新，並從中獲得學習。如果問題被成功解決，無論是引用舊有案例、或是詢問使用者而解決問題，系統都會摘錄保留其過程，並解釋為什麼舊案例的解答可以被當作新問題的解答，避免將來遇到相似問題時要再重新產生一次答案，此為「成功驅力學習」（success-driven learning）。如果問題沒有被成功解決，系統遇到什麼困難、失敗的原因會被摘錄保留下來，避免將來再犯相同錯誤，並且有助於系統理解、修正將來遇到的相似失敗情境，此為「失敗驅力學習」（failure-driven learning）。當解決方案沒有成功時，CBR 系統從工作失敗（task

failures）中學習；當所觀察到的結果和預期不同時（不管是較好或較壞），CBR

系統從預期失敗（expectation failures）中學習。就 CBR 而言，「學習」是問題解

決後自然而然隨之而來的副產品，因此 CBR 常被認為是機器學習（Machine Learning, ML）的一個次領域，而 CBR 的學習方法常被稱為案例式學習（case-based learning）（e.g. Aamodt, 1994；Leake, 1996）。

在 CBR 系統中，可以被學習的部分包括：(1)新經驗（新案例）；(2)經過改善的相似性評估，以及屬性的重要性；(3)案例庫的組織及指標系統，用以改善效率；(4)調適解答的知識；(5)丟卻某些案例，例如因為效率問題或過時。而學習的方法則包括：(1)將成功解決的新案例儲存於案例庫中；(2)將不合適的舊案例從案例庫中刪除；(3)貯存失敗的訊息供將來分析用，以警告系統不要再犯那些應該可以避免的失敗；(4)修正索引準則（indexing criteria），以供將來擷取更適當的案例；(5)解釋式學習（explanation-based learning）；(6)歸納式學習（inductive learning），例如用決策樹（decision tree）；(7)神經網絡式學習（neural net style

(15)

learning）（Aamodt, 1994；Leake, 1996；Bergmann, 1998）。案例式學習（case-based learning）具有許多優點（Leake, 1996）： 1. 決策是較可解釋的：CBR 根據具體存在的案例來進行推理，所以決策過程及結果是較可解釋的。 2. 決策較能被檢証確認：使用者可以直接檢查案例，以評估其可應用性。 3. 有助於解決矛盾衝突：如果有兩個相似的舊案例提供互相矛盾衝突的意見，較好的作法也許是讓使用者知道它們是互相衝突的，並且能明確詳盡地比較、對照兩者，權衡何者較適用於現況，再決定要選取哪一個。在那些會將互相矛盾衝突的意見結合在一起、而僅提供單一答案的系統（例如類神經網路）裡，矛盾衝突是被隱藏不見的。 4. 漸增式的學習：CBR 系統原型剛開始時也許只有一小組「種子案例」（seed cases），但之後如果系統需要，隨著新案例的不斷加入，案例庫會愈來愈大。

5. 懶惰式學習（ lazy learning ）：有些系統（例如 explanation-based generalization, EBG）在蒐集到樣本或案例後，會使用規則來解釋樣本的特性，並歸納出一般化的結論，供未來使用。但 CBR 系統在貯存案例時並不對案例作判斷，而是在為了解決問題所需時才會對案例進行調適，因此 CBR 可以被看作是一種「懶惰式學習」，可減少不必要的努力。 CBR 系統將知識存在四個不同的知識容器裡：(1)詞彙表（被屬性所使用）； (2)案例庫；(3)相似性評估；(4)解答的調適。其優點是彈性高，知識可依據應用上的需求而分佈在四個容器之中。原則上，所有的容器均能裝得下全部的知識，但重點放在案例庫裡的知識，相較於規則式系統裡的規則而言，案例庫裡的知識非常易於更新維護（Bergmann 1998）。

第三節 CBR 的各種型態

CBR 包含不同層次、不同型態的系統應用，可能一個具體的經驗就是一個

案例，也可能一組相似案例形成一個普遍化的案例（a generalized case）。不同案

例可以被貯存在不同的知識單元裡，或是同一個案例被分開貯存在幾個次單元裡、並且分散在知識結構裡。可以使用既定的或開放的字彙、以平面的或階層式指標結構來索引案例。可以直接引用先前相似案例的解答，或是根據新問題與相似案例的差異來進行調適。案例比對、解答調適、從經驗中學習等機制可以來自一般領域知識裡深奧難解的模型，可以來自較表層的或複雜的知識，也可以僅僅奠基在顯而易見的、語法上的相似性。 CBR 可以只是單獨運作的（ self-contained）、自動的機制，也可以和使用者進行高度互動、以支援協助其做選擇。有些 CBR 系統的案例庫包含數量非常多、分佈範圍很廣的案例，有些 CBR 系統的案例庫則僅只有較有限的幾個代表性案例。擷取、評估以前案例的方式，可以

(16)

依據案例發生的先後順序，也可以不分時間先後、同時進行（Aamodt & Plaza, 1994）。

Leake（1996）將 CBR 分為「解釋性 CBR」（interpretive CBR）和「問題解

決性 CBR」（problem-solving CBR）兩大類，Bergmann（1998）及 Doyle 等（1998）將 CBR 系統分為分析性工作（analytic tasks）及綜合性工作（synthetic tasks）兩

大類，而 Wheeler（1998）則將 CBR 分為診斷（diagnostics）、設計/綜合（design

or synthesis）、資料採擷（data-mining）等三大類。有些 CBR 系統會利用它們收集資料及比較能力的優勢，結合一個或兩個以上的工作，形成混合型 CBR 系統（hybrid CBR systems），但目前大部分的 CBR 系統都是用於分析性工作的解釋性 CBR。

一、解釋性 CBR 及問題解決性 CBR

Leake（1996）將 CBR 分為「解釋性 CBR」和「問題解決性 CBR」兩大類，解釋性 CBR 使用先前的案例作為替新情境分類的推論點，問題解決性 CBR 則是使用先前的案例提出可應用於新情境的解答。 (一)解釋性 CBR 解釋性 CBR 的目標在於比較新情境和已經被分類的舊案例，對新情境作出判斷（judgment）或分類（classification），因此在法律、診斷工作扮演相當重要的角色。解釋性 CBR 包含四個步驟：(1)評估情境，決定哪些屬性是真正有關係的；(2)根據上述評估結果，擷取相似案例；(3)比較新舊案例，決定哪一種解釋是可應用的；(4)將現在的情境及其解釋貯存起來，供未來使用。 (二)問題解決性 CBR 問題解決性 CBR 的目標在於應用先前的解答以產生新問題的解答。除了情境評估、案例擷取、相似性評估等步驟外，還要根據新舊案例之間的相似性及差異性，來決定舊案例的解答要如何調適以適用於新情境。圖三為問題解決性 CBR 系統的運作過程。

二、分析性 CBR 及綜合性 CBR

Bergmann（1998）及 Doyle 等（1998）將 CBR 分為應用於分析性及綜合性兩大類： (一)分析性 CBR 分析性 CBR 的重點放在分析處境，一定會牽涉到處境的分類，通常分類的數目固定，應用範圍包括分類、診斷、決策支援等。其特徵包括以下三點：(1) 典型的案例結構：案例 =〈問題，分類〉；(2)重點放在案例的擷取；(3)通常不需

(17)

要進行解答的調適。 (二)綜合性 CBR 綜合性 CBR 的目標在於從不同成分中組成一個新的解答，問題是對需求的描述，通常有無窮大（至少是非常大）的解答空間，應用範圍包括規劃、配置、設計等。其特徵如下：(1)典型的案例結構：〈問題，解答〉或〈問題，解答的追溯〉；(2)解答的調適一向是非做不可的；(3)除了案例以外，需要較多的一般知識； (4)案例通常被用來改進系統的能力。圖三問題解決式 CBR 系統的運作過程（資料來源：Leake, 1996）

(18)

三、診斷、設計/綜合、資料採擷

Wheeler（1998）將 CBR 分為診斷、設計/綜合、資料採擷等三大類： (一)診斷性 CBR 通常會考慮一群以前遇過的相似問題，並且將它們當作診斷的基礎。診斷結果通常是分別描述可能的錯誤/問題、以及解答，或是在案例庫中可能發生的結果。診斷結果的表現方式為擷取相似案例，指派每一個案例的可信度（confidence）或權重（weight），然後根據他們的重要性計算所有案例的權重。診斷工作包括醫學、法律、諮詢服務、以及各種解決困難及檢修機器的工作。 (二)設計/綜合性 CBR 通常將以前成功的設計分解成數個部分，然後評估這些部分和現在遭遇到的問題之相似性及可應用性，再將這些部分用新的方式重新排列組合。如果有一個部分遺缺、或是和設計限制相牴觸，則可以使用領域知識來調適。設計（或綜合）工作包括排程、規劃、電腦輔助設計、電機設計、機械設計、以及建築設計。 (三)資料採擷性 CBR 會記錄所遇到的情境，並進行推理，找出資料中所隱含的趨勢及重要因子。有時候，可自動調整的權重矩陣（weight matrix）會顯露出以前所沒預見的複雜訊息中的重要性。此類系統常被用於存取公司的資料結構，以及探求存在於醫學、財政、銷售、及商業資料中的重要關係。

第四節 CBR 與其他技術之比較

一、CBR 系統和傳統人工智慧方法之比較

CBR 系統比傳統人工智慧方法更具有優勢，包括知識的獲取及維護較為容易、使用已經存在的資料來解決問題、遞增式學習、提高解決方案的品質、透過再使用以改善問題解決的能力、使用者的接受度高等（Aamodt, 1994；Leake, 1996；Bergmann, 1998）： (一)知識的獲取較為容易傳統知識庫系統（knowledge-based systems）所面臨的一個典型問題是如何提供系統運作所需要的規則（rules）。獲得規則的過程可能很辛苦、且不一定可靠，規則很難被表達出來，且無法確保那些規則足以象徵專家的能力。在某些領域，規則可能很難被形諸文字，或是所需要的規則數量可能相當龐大。此外，要獲得一般知識可能非常困難。

(19)

因為 CBR 是根據過去特定的完整案例來進行推理，因此不必將經驗分解、或將經驗的部分歸納成規則。在某些領域裡，因為案例的蒐集是標準問題解決程序的一部分，所以特別適合採用 CBR。在這些領域，知識的獲得成本是相當低的。一般而言，CBR 系統需要較少的一般知識，大部分的知識存在案例庫裡，而案例的知識較易於獲得。當然，並非所有領域都適用 CBR，有時候案例可能難以取得，或是案例雖然可取得、但卻是難以使用的形式。在這些情況下，必須仰賴「案例工程」（case engineering）來界定案例必須包含的資訊、確定那些資訊的呈現方式、並從可得的資料中摘錄那些資訊。在剛開始時經過案例工程的努力後，通常要擴增及維護 CBR 系統所需知識就會變得容易。 (二)知識的維護較為容易界定一個起始的知識庫通常是要成功應用人工智慧的第一步。然而，對問題最初的認知可能是不完全的，因此系統知識需要被再改進。而隨著工作需求及環境的改變，現有知識很容易變得過時不合用。CBR 提供了一個非常有利於維護知識的優點：使用者可以在沒有專家干預的情形下，自行將遺缺的案例（missing

cases）加入案例庫。並且，因為 CBR 採遞增式學習（incremental learning），因

此它們可以從有限的「種子案例」（seed cases）而不斷開展，且在原有案例庫不敷使用時擴增新案例。 (三)使用已經存在的資料來解決問題 CBR 並非單單依靠該問題領域的一般知識（general knowledge）、或是問題的敘述和結論之間的關係，它可以利用以前經歷過的、具體的問題情境（案例）的特定知識（specific knowledge）。藉由找尋以前的相似案例、再使用，以解決所遇到的新問題。 (四)遞增式學習，不斷增進解決問題的效能案例式學習是可以遞增的（incremental）、持續的（sustained）學習方法，因為每次新問題被解決後就被保留在案例庫，以供未來隨時取用。除了貯存成功的經驗外，CBR 同時也貯存失敗的經驗，以避免將來再犯相同的錯誤。而隨著指標系統、案例庫等的不斷更新，系統不斷增進解決問題的效能，並且調適得更適合環境的改變。 (五)提高解決方案的品質當該領域的基本原則並沒有被透徹了解時，所建構出來的規則可能是不完全的。這種情形下，由案例所提出的解答可能會比由一連串規則所提出的解答更為精確，因為案例反映出在一組給定的情境中，什麼狀況會真的發生或無法發生。

(20)

(六)透過再使用以改善問題解決的能力透過結合、調適、精煉等再使用的過程，可以改善 CBR 系統解決問題的能力，這是規則式系統所無法做到的。 (七)使用者的接受度高在建構成功的人工智慧系統時，所面臨的一個關鍵問題是「使用者的接受度」：沒有任何一個系統是有用的，除非它的使用者接受它的推論。使用者必須被說服系統的推理方式是合理的，那麼他們才會相信系統的推理結果。這是其他方法所面臨的問題，類神經網路系統無法解釋其推理過程，規則式系統必須藉由規則來解釋其決策，而使用者可能無法完全了解或接受。然而，CBR 系統以從前真實發生過、可在使用者面前呈現的案例為推理基礎，因此其推理結果較易為使用者所接受。

二、規則式系統、案例式推理系統和類神經網路的比較

規則式系統（Rule-Based Systems）是傳統人工智慧系統，適用於解決易結構化的問題；案例式推理系統和類神經網路（Neural Networks）都是第二代專家系統，適用於解決弱結構化的問題。以下列表比較三者的異同（Wheeler, 1998）：表一規則式系統、案例式推理系統、及類神經網路之比較規則式系統案例式推理系統類神經網路 系統所需資料需要專家知識 （knowledge） 需要專家案例（case）需要專家樣本 （samples）系統建立者所需的知識需要對該領域的深入了解，以建立規則及基本原則。除了案例中所涵括的以外，不需要任何其他領域知識。需要了解樣本中所隱含的知識，以及如何評量及呈現他們。系統建立及更新維護之難易度難以建立、更新、及維修可以自行更新及維修可以自行更新及維修推論結果及推論能力推論是不變的、可預測的推論會不斷地增強及改變推論可以增強及改變推理方式根據專家所觀察到的、但非專家所使用的規則來進行推理。以心理學可接受的方式，根據過去的經驗或案例進行推理。以生物學可接受的方式，藉由摘錄及散佈知識來進行推理。可否解釋推理過程及結果 藉由引用規則來解釋 其決策 藉由引用案例來解釋 其決策無法解釋其推理過程貯存知識之處知識被清楚明確地貯存在經整理過的規則（rules）中知識被清楚明確地貯存在真實的案例（cases）中知識暗含在分散的網路（network）中

(21)

（續表一）規則式系統案例式推理系統類神經網路可否存取以前的案例及知識無法存取以前的案例，無法貯存以前的案例所包含之知識。可以存取以前的案例，可以貯存以前的案例所包含之知識。無法存取以前的案例，只能存取根據以前的案例所創造出來的網路（network）是否有能力處理不完全、雜亂的資料不適合很適合極度適合適用領域高度結構化、被清楚了解的、隨著時間改變不大的領域。不太了解的或高度動態的、過去的決策可以作為未來的美好決策基礎的領域。難以了解的、難以識別的、或是型態操作工作。被應用在哪些領域應用於醫學、工程、設計、以及配置工作的大部分傳統人工智慧系統。診斷、設計、或那些未來的好解答可能由過去遇到的案例所組成的問題，如醫學、法律、複雜的機械診斷、諮詢服務等。認知工作，例如財務控管、訊號處理、以及任何含有高度編碼過的資料或含有很多數字的工作。

三、CBR 和相關術語的比較

「案例式推理」並沒有明確的定義，有時它只是這類推理方法的泛稱，但有時又被用來指稱其中某個特定的方法。某個程度上，它也被稱為「類比式推理」。以下舉出幾個和案例式推理相關的術語（Aadomt & Plaza, 1994 ; Leake, 1996）： (一)範例式推理（Exemplar-Based Reasoning）從範例（exemplar）的觀點來看，觀念通常會被擴大解釋。那些提出觀念定義的學習（例如機器學習研究中所提出的大部分問題）的 CBR 方法有時候也被稱作「範例式學習」。在這類研究方法中，問題的解決是一項分類工作，例如替未分類的樣本找到正確的分類。最相似案例的類別變成分類問題的解答，而所有類別的集合構成可能的解答之集合。解答的修改不在這類方法的研究範圍之內。 (二)實例式推理（Instance-Based Reasoning）「實例式推理」是在語法上更接近 CBR 的「樣本式推理」的專門研究。為了彌補欠缺一般背景知識的引導，在觀念的定義上需要大量實例的輔助。實例的呈現方式通常很簡單，例如特徵向量（feature vector）。實例式推理主要的研究重點在於迴圈中無使用者參與的自動化學習。 (三)記憶式推理（Memory-Based Reasoning, MBR） MBR 常被認為是 CBR 的分枝，它強調蒐集案例以形成一個大型記憶體，解

(22)

決問題的方式則是擷取先例、並當作解決新問題的起始點。MBR 的重點主要在於擷取的過程，特別是它使用平行擷取結構、而不採用傳統的指標選擇。利用「平行處理」（parallel processing）的技術是這類方法不同於其他方法的特色之一，平行模式可以使得擷取過程變得非常快速，但是準則的訂定也是個問題。 (四)案例式推理（Case-Based Reasoning）典型的案例式推理和其他相似方法的差別在於： 1. 一個典型的案例通常被假定包含一定程度的資訊（informaion）及複雜性（complexity）。僅僅包含幾個數值及相對應分類的特徵向量，通常不被認為是典型的案例描述。 2. 當相似案例被擷取出來、要應用於新問題時，典型的案例式方法可以進行修改或調適。 3. 典型的案例式方法會利用一般背景知識，雖然一般背景知識的豐富性、明確表達的程度、以及在 CBR 過程中所扮演的角色不斷改變。 4. 典型 CBR 系統的核心方法大量借用認知心理學的理論。 (五)類比式推理（Analogy-Based Reasoning） CBR 的推理方式基本上可被視為類比式的：藉由類比舊案例以解決新問題或闡釋新情境。因此，「類比式推理」常被視為「案例式推理」的同義字以形容典型的案例式研究方法。然而，類比研究較關注抽象知識及結構的相似性；CBR 研究則較關注在結果實用性的考量下，建立特定事件之間的一致性。類比式推理是從不同領域裡擷取相似案例來解決問題，而典型的案例式推理通常強調單一領域裡案例的索引及比對，可以把 CBR 當作領域內的類比（intra-domain analogy）。類比式推理的研究重點在於如何再使用舊有案例，通常稱之為映射問題（the

mapping problem），即找尋一個方法將類比來源轉化（transfer）或映射（map）

至現在遇到的問題。類比研究的重點主要在於類比式映射（analogical mapping），而 CBR 研究則包括映射之前及之後的過程。如果「類比」（analogy）僅指類比式比對，那類比和 CBR 之間的關係如下：

Case-Based Reasoning = retrieval + analogy + adaptation + learning

必須說明的是，有些類比研究的討論重點不僅只於「比對」，還包括其他相關議題，例如擷取。此外，雖然將 CBR 分解成這幾個步驟，但在 CBR 過程中這幾個步驟並非各自獨立的。

四、CRB、資料庫、資訊擷取系統

CRB 和資料庫（Databases）、資訊擷取系統（Information Retrieval Systems, IR）最大的差別在於：完整的 CBR 系統在擷取相似案例後，還有調適的過程。此外， CBR 的擷取過程較 IR 系統及標準資料庫的擷取過程更為積極有活力。IR 系統和

(23)

資料庫系統仍停留在如何將正確的問題確切地對使用者闡述；而 CBR 系統則通常被設計成開始於使用屬性來輸入問題描述，輸入的問題描述可能是不完全的。因此，IR 和 CBR 之間一個非常重要的差異在於：CBR 系統情境評估及問題描述過程的重要性（Leake 1996）。資料庫系統被設計成問題（query）和貯存的資訊（stored information）要完全符合（exactly match），而 CRB 系統的目標則是擷取「最相似」的一個或一組案例，最相似案例可能包含一些和問題相衝突的屬性。在案例式推理，一個案例是否該被擷取，不僅只是看案例本身，還要和其他案例做比較、看它是否優於其他案例。雖然彼此間存有這些差異，但 CBR、資料庫及 IR 系統仍可互為支援。例如，採用關聯式資料庫管理系統來協助管理大尺度合作式 CBR 的案例庫，而從 IR 系統中獲得的資訊可用以擴增傳統案例庫。

第五節 CBR 之研究與應用

一、國外之 CBR 系統

過去幾年 CBR 已經被成功地應用於各個領域，如法律推理（e.g. Weber-Lee et

al., 1997）、醫學診斷（e.g. Gierl, 1998；Wheeler et al., 1998）、建築設計（e.g. Borner, 1998；Maher, 1998）、諮詢服務（e.g. Shimazu & Takashima, 1997；Weber & Schult, 1998）、電子商務（e.g. Wilke et al., 1998）、規劃及配置（e.g. Bergmann et al., 1998）、教育（Schank & Cleary, 1994；Aluisio & Oliveira Jr.,1995）、軍事計劃（e.g. The Navy Center for Applied Research in Artificial Intelligence, 1999）、以及複雜機械系統的檢修（e.g. Deters, 1995；Goker & Birkhofer, 1995）等，並且被融入於許多主流產品及應用。其中，CBR 的應用發展得最成熟的領域為諮詢服務系統 （Bartsch-Sporl et al., 1997）。 以下列表舉出歷年來國外在各領域所發展較知名的 CBR 系統及 CBR 骨架（CBR-Shell）：表二國外 CBR 系統發展概況系統名稱發展年代研究者應用領域

CYRUS 1983 Janet Kolodner（美國）Episodic Memory

MEDIATOR 1985 Simpson Dispute Resolution

PLEXUS 1986 Adaptive Planning

JUDGE 1986 美國 Criminal Sentencing（Law）

SWALE 1986 美國 Case-Based Explanation

CHEF 1986 Hammond（美國） Cooking

PROTOS 1986 Poter &Bareiss（美國）Knowledge Acquisition （Medicine）

(24)

（續表二）

系統名稱發展年代研究者應用領域

HYPO 1987 Ashley（美國） Patent Law

PERSUADER 1987 Sycara

CBD 1988 Machines

TA 1988 Programming

COACH 1988 Football Coach

JOHNNY 1988 Reading

REFINER 1988 Sharma & Sleeman

（蘇格蘭）

Knowledge Refinement

PRODIGY 1988 Planning

ROENTGN 1989 Medicine

CABARET 1989 Rissland & Skalak

CLAVIER 1989 Meak Lockheed

The Battle Planner 1989 Goodman

CASEY 1989 Koton Heart Failure Diagnosis

MEDIC 1989 Turner Medicine

IVY 1989 Medicine

PATDEX 1989 Richter（歐洲） Diagnosis

CREEK 1989 Aamodt（歐洲） Diagnosis

MOLTKE 1989 歐洲

KATE-CBR 1990 CBR-Shell

Caplan/CbC 1991 歐洲

CCC+ 1991 Diagnosis

GREBE 1991 Branting Law

PARIS 1991 歐洲

CADET 1991 Mechanical design

ESTEEM 1991 CBR-Shell

ReMind 1991 CBR-Shell

CBR-Express 1991 CBR-Shell

VMS 1992 Technical Support

IULIAN 1992 Oehlmann Theory Revision

INRECA 1992 歐洲 CBR-Shell

INRECA-Ⅱ 1992 歐洲 CBR-Shell

JULIA 1992 Hinrichs Cooking

CLAVIER 1992 Design Synthesis

ARCHIE 1992 Architectural Design

ARCHIE-Ⅱ 1992 Architectural Design

TLA 1992 Mechanical Linkages

CABARET 1990-92 Skalak（美國） Law

MODELER 1993 Model Formulation

CBR 1993 Wastewater Treatment

ADA（Architectural Design Aid）

1995 John Hunt &Roger Miles

Architectural Design

資料來源：Aamodt, 1994；Watson, 1994；何楝國, 1997；Bergmann, 1998； Dattani, ?。

(25)

二、CBR 工具發展現況

近幾年來隨著 CBR 研究與應用的蓬勃發展，CBR 工具的種類愈來愈多、功能愈來愈強、介面也愈來愈親和。從早期的 DOS 介面發展到視窗介面，及至近幾年愈來愈熱門的 WWW CBR（Java Tools at AID Research Group, 1999）、交談 式 CBR（Conversational Case-Based Reasoning, CCBR）（Aha et al., 1998； Munoz-Avila & Hendler, 1998；The Navy Center for Applied Research in Artificial Intelligence, 1999）；從純文字介面到結合圖形介面（e.g. CBR-Works 4, 1999）；從樹狀結構到物件導向系統（Java Tools at AID Research Group, 1999）；從單純的案例擷取，到具有案例調適功能。CBR 工具已漸漸走出研究室，成為有發展潛力的商業軟體。

Watson（ 1994、 1995）比較了數種 CBR 工具，包括 ART*Enterprise、 Casepower、Case-1、the Inference CBR2 family、Eclipse、ESTEEM、KATE、ReCall、 ReMind、以及 CBR-Works 等。此外，AI-CBR、CBR-Web、Case-Based Reasoning Repository 等網站都有關於 CBR 工具的介紹。選擇適當的工具來建構 CBR 系統，必須考慮下列幾個因素（Byte Magazine, 1997）： 1. 作業平台的相容性：確認系統可以在企業/機關裡的所有電腦運作，有些便宜的系統只能限定在某些平台運作。 2. 案例呈現方式：CBR 系統有許多不同的呈現案例的方式，例如網狀的、包含許多變數的單一值、階層式的。分析案例的呈現方式有助於了解系統如何運作以及是否易於維護。 3. 案例擷取：檢查系統是否有較複雜的擷取演算法，只擷取「最鄰近的案例」可能是不夠的。 4. 是否有調適的功能：較便宜的系統通常沒有這項功能。 5. 使用介面的型態：這是關乎一個工具是否能被接受最重要的因素，有些系統不提供圖形式使用者介面（GUI）。

三、CBR 發展應用現況

Bartsch-Sporl、Althoff 及 Meissonnier 在 1997 年採用問卷調查的方式，做了一項全球性大規模的研究，調查現有的 CBR 系統，並討論可以從它們的發展及使用中學習到什麼。蒐集到的資訊有助於確認 Aamodt 及 Plaza 於 1994 年所提出 的、需要再進一步研究發展的 CBR Cycle 裡的每個步驟（Bartsch-Sporl et al.,

1997）。資料的蒐集方式是寄出兩個結構化問卷給 CBR 系統的開發者，共回收 50

份問卷。調查範圍包括 CBR 在各個不同領域的應用，結果發現諮詢服務系統（Help-Desk Systems）是發展得最成熟的領域。此外，關於先進的規劃及設計支援系統的 CBR 之研究，大部分都仍只是在實驗室裡操作，較少實際應用，還沒

(26)

被証明是否真的是個令人信服的高級尖端產品、是否實際可行、是否有投資利潤。一般而言，分析性 CBR 系統與綜合性 CBR 系統相較而言，是較不複雜、較例行性的工作，且通常有較多的使用者。以下分項討論當今 CBR 系統發展狀況及課題： (一)全球特性回收的 50 份問卷共來自 14 個國家，其中德國 20 份、美國 7 份、英國 7 份。顯示世界各國研究 CBR 的概況，以德、美、英的研究發展最為蓬勃。大部分（36/50）的 CBR 系統是由大學或研究所發展出來的，其中 29 個系統仍處於研究雛型的階段，只有少數幾個系統供規律地日常使用。 (二)案例 1.案例庫裡所包含的案例數量大部分系統只擁有少量的案例，只有 7 個系統擁有 2,000 個以上的案例，沒有一個系統的案例數超過 20,000 個。 2.每個案例所採用的屬性一個典型的案例擁有 30~70 個屬性。屬性的類別分為符號化的、結構化的、符號化的及數字的、數字的等四類，結果顯示大部分系統採用符號化的屬性，令人吃驚的是，結構化的屬性佔很大的比例，而數字的屬性僅佔很少比例。此外，只有 12 個系統使用清單（flat list），有 27 個系統使用較結構化的案例呈現方式。 3.只有「案例」是否足以解決問題 9 個系統開發者答「是」，29 個系統開發者表示除了案例外，系統裡還存有一般知識。顯示系統開發者在建構複合的案例式及知識庫系統，而不只是發展純粹的案例式系統，這和他們所遭遇到問題的複雜性有關。 (三)應用領域調查結果顯示 CBR 常被用於其他方法無法解決或不適用的領域，各有 22 個系統用於分析性工作及綜合性工作，6 個系統用於其他工作。原先以為至少一半的 CBR 系統用於分析性工作，包括分類、診斷、決策支援，但問卷調查結果顯示並非如此，很多系統比原先預期的更有創造性、變化性，這可能是因為大部分受訪者是在研究室的環境中工作。 (四)工具議題調查結果顯示幾乎可以用任何一種程式語言來執行 CBR 系統，大部分系統使用 Lisp、C 或 C++，而結合圖形介面的物件導向式語言比傳統的程式環境表現得更好。

(27)

大部分的系統是在 UNIX 平台上執行，其次是個人電腦及麥金塔，僅 7 個系統在數種平台上執行。顯示許多系統仍舊處於研究雛型，並非為更廣大的使用群而設計。有幾個系統可直接在 WWW 上使用，這使得系統變得較容易被更大範圍的使用者所接近、使用。 (五)研發系統所耗費的時間及精力只有 1/3 的系統花費的建置時間少於 12 個月，大部分的系統花費 1~3 年的時間，甚至有 3 個系統花費更長的時間。大部分系統建置所花費的人力少於每個月 12 個人。自行發展工具（tool）的系統所需的研發時間不一定較長。研發所需時間長短受到下列因素的影響：熟悉新工具所需的時間、致力於提供較好的使用者介面所花費的精力、系統最終使用者是否是一大群人。 (六)系統最終使用者（end users）的數量大部分系統的最終使用者不超過 12 人，2 個系統的最終使用者介於 13~100 人，2 個系統的最終使用者超過 100 人。顯示部分系統已經發展到可提供給較廣大的族群使用。 (七)學到的教訓 1. 第一代 CBR 工具（例如 ReMind、ESTEEM）只能被用來建立最初的雛型，而不能發展出最終的系統。 2. 有些系統開發者提到關於使用物件導向式語言及相對應的發展環境的美好經驗。 3. 案例庫愈龐大，所使用的資料庫系統愈是重要。 4. 如何定義 CBR 系統的角色及範圍是很重要的一點，因為這影響到許多以後繼之而來的設計決策。 5. 必須考慮將來是誰負責維修系統，並儘早讓他們參與系統的研發過程，尤其是那些他們將來要接管處理的問題。 6. 必須注意對最終使用者的訓練，尤其是如果他們對軟體系統的使用不太熟悉時。 7. 許多系統開發者都遇到一個相同的問題：案例的蒐集及模型的使用並不像原來所想像的那麼簡單。特別是當必須藉助專家來蒐集案例、評估案例的品質時，這可能要耗費相當多的時間。 8. 領域模型的使用是一個很重要的課題，它的成功與否直接影響到整個系統是否能成功。同樣地，當採用傳統的相似性方法時，權重的選擇也直接影響系統的成敗。 9. 在系統開發過程、甚至在系統的使用過程中，都必須考慮案例庫的再組織及所使用到的一般知識的維護。

(28)

10. 對分類性或診斷性工作而言，相似性的觀念主要用於「評估找到正確（診斷的）分類的機率」；對較複雜的決策支援工作及大部分綜合性工作而言，相似性是指「案例被再使用的能力（reusability）或其調適能力（adaptability）的評估」。兩者之間的差異必須被考慮，否則可能會導致額外的努力、以及步驟不斷循環迭代（iteration），因為在系統剛開始發展時，通常並不太清楚什麼是能調適得最好的案例、以及如何從案例庫中把它們過濾出來。 11. 一個供日常使用的 CBR 系統必須多考慮以下兩點：(1)將 CBR 系統融入使用者平時的工作環境中；(2)設計良好、且易於操作的使用者介面。對使用者而言，他所想要的是一個能滿足需求、易於操作使用、易於更新維護的系統。 (八)進一步研究的議題

1. 案例模型的演化（case model evolution）：CBR 系統的應用領域不斷地演

變，這帶來一個案例演化的問題，CBR 系統在使用上究竟有多重要。 2. 能自動精細調整的相似性矩陣：有些系統開發者對使用試誤法（trial and error）以改善相似性的功能有所抱怨。這個問題必須透過能夠學習及調適屬性權重的方法來解決。 3. 能自動再組織的案例庫：對大型案例庫而言，這是個大議題，也是將會持續發展的領域。 4. 支援維護混合型系統中所使用的一般知識：這個問題甚至比案例庫的再組織更為困難。 5. 從案例庫裡學習一般知識：這個步驟允許從案例中摘錄出一般知識（例如為了調適的目的）。這和在案例庫中進行資料採礦（data mining）的問題相似，它的解答同時也有助於一般知識的維護。

四、國內 CBR 相關研究

國內 CBR 研究才剛起步，建築與規劃領域亦僅有少數相關研究，且大部分是 CBR 於建築設計的應用，僅何楝國（1997）及鄒克萬（1998）討論 CBR 於都市計劃的應用。以下將歷年建築與都市計劃領域之 CBR 相關研究整理如表三：表三歷年建築與都市計劃領域之 CBR 相關研究研究題目年度研究者出版單位研究內容建築案例：一種設計資訊描述系統 1994 王聖哲成大建研所（碩論）案例資訊的分類與檢索方式案例式設計現象與方法之初探 1996 蕭一山成大建研所（碩論）以案例式設計實驗探討方法與現象。

(29)

（續表三）研究題目年度研究者出版單位研究內容案例式設計與推理在建築應用之研究（總計畫） 1997 邱茂林、王明蘅、劉舜仁、施宣光、陳珍誠國科會文獻回顧，案例式設計與推理之各項課題探討，以及系統之架構規劃。建築設計案例式推理系統研究 1997 施宣光、邱茂林國科會主要內容包括案例式推理之架構、系統建構、與部分程式化及測試。案例式設計之建築個案研究 1997 邱茂林國科會主要內容包括設計案例之特性與建築個案研究，建築個案研究分成案例分析與實驗二部分以瞭解其可行性與適用性。案例式資料庫之使用行為研究 1997 王明蘅國科會主要內容包括分析設計案例之內涵、案例式資料庫之組織，以及使用行為。記錄與分析案例式資料庫之使用行為，以瞭解其設計知識與案例式思考之關係。案例式設計中之案例選擇與試用之研究 1997 劉舜仁國科會主要內容為案例應用時之設計推理方式分析，將應用型態學作初步分析，並以教學實驗配合進行分析不同型態之設計案例。案例式立面設計中案例選擇與調適之研究 1997 林勝忠東海建研所（碩論）將案例式推理應用於建築立面的設計，研究重點在於案例的選擇與調適。案例式農村規劃支援系統之研究 1997 何楝國成大都研所（碩論）整合案例式推理方法及農村規劃的領域需求等，以研擬建構案例式農村規劃支援系統。案例式都市規劃支援系統發展架構之研究 1998 鄒克萬國科會研究重點在於探究 CBR 的理論及探討整個架構的雛形，並沒有涉及系統建置部分。全球資訊網建築案例資料庫系統之建構 1999 魏洪泰成大建研所（碩論）建構案例式推理架構中之案例資料庫系統，以辦公建築案例式設計實驗，進行對案例擷取模式的探討。原案圖像資料記錄與分析－以案例式設計為例 1999 王培儼成大建研所（碩論）以原案分析為方法，以住宅設計為實驗題目，記錄分析原案圖像資料，進行案例式設計行為實驗記錄與分析。

(30)

第三章研究方法及系統建構

第一節研究方法

本研究使用英國 Wales 大學所開發的 CBR 軟體 Caspian 來建置「地震防救災文獻案例式查詢系統」，並採用專家訪談的方式，根據訪談結果訂定指標系統之關鍵指標及一般指標的權重值。

一、Caspian 介紹

Caspian 是由英國 Wales 大學所開發的免費軟體，提供 CASL 語言讓案例庫建置者撰寫應用程式。Caspian 是免費軟體，且可直接從網路下載，並附有原始程式碼，可自行修改程式，這是它最方便之處，也是本研究選擇 Caspian 作為研究工具的主因。 (一)主要程式結構 Caspian 之程式結構主要包括系統簡介、案例屬性的定義、關鍵指標的定義、修改的定義、調適規則的定義、案例庫等六個部分： 1.系統簡介（Introduction）協助使用者了解這個系統的目的及使用方法。 2.案例屬性的定義（Case Definition）定義一個案例中可能出現的每個屬性之名稱、類型（例如數值、列舉式、字串等）及權重，權重有助於搜尋比對合適的案例，權重愈大，表示該屬性愈重要。 3.關鍵指標的定義（Index Definition）定義哪一個（或哪幾個）屬性要被當作關鍵指標。Caspian 將所有屬性依重要程度分成「關鍵指標」和「一般指標」兩類，前者供第一階段篩選使用，後者則供第二階段篩選使用。關鍵指標係指那些最重要、最關鍵的屬性，其權重可視為無限大，且其屬性值的類型必須是列舉式（enumerated type）。指標系統中至少要有一個（或兩個以上）關鍵指標，以供系統進行初步篩選用，只有完全符合關鍵指標的案例才會在第一階段篩選時留下來。關鍵指標的訂定非常重要，若關鍵指標訂得很精準，則即使使用者對問題情境的了解不夠清楚、或是一般指標輸入有誤，系統也可以很快地找到符合基本要求的相似案例。因此，作為關鍵指標的屬性必須是能清楚分類的，使用者在輸入問題描述時一定要正確作答。有些屬性分類較為模糊不清、或是一個案例可能跨兩個以上屬性值、或是有些案例可能

(31)

沒有那個屬性分類，則即使該屬性很重要，也可能不適合當作關鍵指標。其餘不作為關鍵指標的屬性皆為一般指標，須依其重要性高低給定不同權重。關鍵指標可能是程式的內定值，也可以是使用者另行指定的。選取適當的關鍵指標有助於確保能從正確的範圍內擷取出案例，不符合關鍵指標的案例會在搜尋工作剛開始時就先被剔除，這樣可以節省許多工夫。除非案例庫很大，否則關鍵指標最好不要超過一個或兩個。 4.修改的定義（Modification Definition）有兩個目的，其一是可供指定哪些符號或數目字是相似的，其二是可將某個符號指定成為其他符號的抽象概念，這在案例搜尋的過程中有助於做更廣泛的搜尋，以找出更多相似的案例。相似符號或相似數目字之權重為原來屬性全部權重的四分之三。

5.調適規則的定義（Repair Rule Definition）

調適規則是用來調適從案例庫中擷取出來的建議解答，以使它更適於解決當前的問題。當被擷取案例被調適時，案例中問題部分的值被使用者所輸入的新值所取代，因此問題轉成代表當前的處境。然後，調適規則會發生作用，以檢驗被擷取案例的問題部分及解答部分中某些造成問題的特定值，如果相符合，則調適規則發生作用，被擷取案例的解答部分產生改變。 6.案例庫（Case Instance）案例包含兩部分，第一部分表示當前的處境或遭遇到的問題，第二部分則表示解答、診斷結果等。 (二)操作步驟 1.輸入問題情境使用者根據提示逐步輸入各項屬性的值，有些屬性如果不知如何作答，可以跳過不答，但作為關鍵指標的那個屬性一定要作答。根據所輸入的處境，系統會篩選出所有符合關鍵指標的案例。如果第一階段的搜尋結果沒有任何案例符合所有關鍵指標，則系統會提示使用者重新設定其他關鍵指標。 2.選擇是否要使用權重以 Caspian 進行相似性評估時，使用者可自行選擇是否要使用權重（亦即使用一般指標進行第二階段評估）。若選擇要使用權重進行相似性評估，則系統會在第一階段所篩選出的案例中搜尋比對所有屬性，並自動擷取一個總權重最高的案例，即最相似的案例。若選擇不使用權重，則系統會將所有符合關鍵指標的案例都擷取出來，使用者可一一瀏覽，再手動選擇想要的案例。

(32)

3.選擇是否要把調適過的案例加入案例庫當相似案例被擷取出來後，調適規則就會被應用。最後，使用者可以選擇是否要把調適過的案例加入案例庫，讓系統發揮學習的功能。

二、專家訪談

雖然有些 CBR 系統可讓使用者自行訂定指標系統，但大部分都是由該領域的專家所訂定。如何選定關鍵指標、以及如何給定一般指標的權重，是訂定指標系統最大的難題。本研究選擇了 30 位有規劃經驗、具備基本電腦使用能力的受訪者進行訪談，擷取專家的意見作為訂定指標系統的參考。30 位受訪者均具規劃背景，其中 1 人為都市計劃領域之教師，7 人是專職的研究助理或規劃師， 22 人為博碩士班研究生。訪談的內容分為兩部分： (一)訂定指標系統受訪者首先必須在 13 個屬性中選取一個（或兩個以上）關鍵指標，再依其他一般指標的重要性給定不同權重（0~10 分）。 (二)根據問題情境，手動選取參考文獻在給定的問題情境下，受訪者手動挑選出相關參考文獻，以和系統運作結果相比較，藉以評估系統的有效性。

第二節系統建構

本研究採用案例式推理來建立「地震防救災文獻案例式查詢系統」，系統之建構可分為案例呈現、設定問題情境、指標系統的訂定、案例擷取、以及解答的評估等部分，分述如下：

一、案例呈現

案例呈現方式的決定為建立 CBR 系統的第一步，案例呈現方式涉及案例的「結構」及「內容」。「地震防救災文獻案例式查詢系統」將每一本書當作一個案例，共蒐集歷年來都市層級之地震防救災相關研究（不含地質研究、地震工程）一百餘本。採取「屬性－屬性值」結構，並以作者、出版單位、年度、研究性質、防救災階段、研究內容、研究方法、行政層級、行政部門、空間層級、可應用範圍、支援對象、以及關鍵字等 13 個屬性來表述每個案例的內容，各屬性所涵蓋之值域如表四所示。除了作者及關鍵字為字串型式、年度為數值型式外，其餘 10 個屬性均為列舉式。

(33)

在案例呈現時，若某個屬性有兩個屬性值，Caspian 較難處理，故在 13 個屬性中，研究方法、行政部門、支援對象等三個屬性並不用於問題情境的輸入，而是用於「解答」部分對案例的表述。表四指標系統之所有屬性及其值域一覽表屬性類型值　　　　　　　　域 1.作者字串 ---2.出版單位列舉式 1.國科會 2.內政部建研所 3.經濟部水資源局 4.交通部中央氣象局 5.農委會 6.其他中央單位 7.地方政府單位 8.學校 9.其他民間部門 3.年度數值 ---4.研究性質列舉式 1.基礎研究 2.應用研究 5.防救災階段列舉式 1.減災 2.預備 3.緊急應變 4.重建/復原 6.研究內容列舉式 1.地質調查 2.地震災害因素分析 3.地震災害潛勢分析 4.地震災害危險度分析 5.地震災害境況模擬 6.震災歷史及震災調查 7.地震工程 8.防災體系 9.防災計畫 10. 都市計畫之防災規劃 11. 土地使用計畫 12. 相關法規 13. 資料庫 14. 資訊系統 15. 通訊系統 16. 災害心理學 17. 災害保險 18. 教育訓練 19. 社區防災 20. 預警系統 21. 緊急應變 22. 損失估計 23. 重建/復原 24. 論文集 25. 其他 26. 綜合 7.研究方法列舉式 1.問卷調查 2.統計分析 3.現場調查 4.訪談及座談 5.資訊技術應用 6.文獻回顧 7.國外考察 8.案例研究 9.其他 8.行政層級列舉式 1.中央政府 2.地方政府 9.行政部門列舉式 1.工務 2.農業 3.社會 4.消防 5.警察 6.衛生 7.環保 8.財政 9.兵役 10. 教育 11. 綜合 12. 其他