◎ 李俊達（臺北市立大學社會暨公共事務學系教授）、劉自平（臺北市立大學社會暨公共事務學系助理教授）
本文針對「少子女化衝擊」課題，透過焦點座談受邀專家與GRB系統作為主要人才資料蒐集來源，包含領域專家名單及專家對應之著作文本內容。選擇這兩大來源作為人才蒐集的起點，主要目標在於提升資料的精確性與完整性，並藉由將人才姓名與著作資料納入檢索增強生成系統，以提供更準確的人才推薦結果。
首先，盤點既有人才資料階段。本文針對「少子女化衝擊」相關議題進行人才盤點，依據以下關鍵字設定範圍：托育與幼兒服務（如公托、準公托、保母等）、居住協助政策（如社會住宅、租金補貼等）、友善職場政策（如育嬰留職停薪津貼、彈性工時等）、生育獎勵與津貼、家庭教育政策（如性別角色、平權等）。
為了蒐集更具代表性的專業人才，設計「專業領域人才推薦問卷」，邀請專家填寫，並運用滾雪球抽樣法以擴充人才資料庫。人才資料來源分為兩大類，分別為：1、焦點座談會受邀專家：作為第一輪滾雪球抽樣的起點；2、GRB系統：透過課題關鍵字搜尋，篩選相關研究計畫的作者作為第一輪滾雪球抽樣對象。
自行政院於2018年7月核定《我國少子女化對策計畫》後，臺灣總人口數於2020年正式進入負成長階段。為完整觀察政策發展與研究趨勢，本文將GRB系統搜尋範圍設定於近五年內的相關計畫，以確保研究資料的時效性與代表性。
再者，為焦點座談與人才資料蒐集。由於國內專家學者較少主動維護個人學術資料庫，若僅依賴網路爬蟲技術蒐集資料，仍需人工驗證與補充。因此，本專案透過焦點座談會作為主要方法，以系統性方式達成資料蒐集目標。在具體作法上，分別有：1、焦點座談會發送人才蒐集問卷：問卷將提供給受邀專家，請其填寫相關專業領域資訊；2、GRB系統篩選之研究計畫作者：問卷亦將發送給GRB系統搜尋所得的計畫作者，請其根據各個課題關鍵字，推薦1至5位學者專家，並提供1至2篇相關政策或研究文獻。
其人才與文本蒐集結果，透過推薦機制蒐集到17位焦點座談專家。另外，依據GRB系統搜尋結果，蒐集58位專家學者。總計整理超過300篇相關政策或實務研究文本。透過滾雪球抽樣法，除了可擴充GRB系統外部的潛在人才，也能進一步提高資料的多樣性與代表性。此外，在研究初期，本文亦針對相關領域專家進行深度訪談，以獲取議題面向設定、可取得的數據與資料來源、適用的研究分析方法，該訪談結果亦可作為後續文本分析的補充資料。
最後，運用AI資料進行資料處理與建置人才推薦系統。除了傳統資料蒐集方式，本文亦採用AI技術，透過自然語言處理（NLP）與檢索增強生成（RAG）技術，提升資料處理與人才推薦的效能。其優勢在於收集專家學者的研究文本，透過AI分析，萃取關鍵字與專長領域，且透過語言模型解讀文本內容，歸納出更全面的關鍵字詞彙。另外，AI技術自動比對專長領域與文本關鍵字，進行專家分類與推薦。針對研究文本中提及的重要人物名稱進行額外歸納與儲存，以擴充資料庫內容。
本文透過焦點座談專家名單與GRB系統，建立「少子女化衝擊」課題之專業人才資料庫，並結合AI技術提升人才推薦準確度。透過滾雪球抽樣與深度訪談，確保人才來源的多元性；同時，利用自然語言處理技術解析研究文本，進一步擴充人才資料與專長分類。未來可進一步優化AI演算法，以提升資料分析與政策研究的應用價值。