面向高风险医疗检索增强生成的主张选择性认证

针对高风险医疗问答场景，现有检索增强生成（RAG）系统常局限于单一的“回答或弃权”决策，难以处理混合证据。本研究提出“主张选择性认证”方法：将回复分解为可验证的主张，依据检索证据进行评分，并通过意图感知选择器将其映射为{完全支持、部分支持、冲突、弃权}四类。实验表明，该系统在开发集和测试集上均实现了极低的不支持主张风险（UCCR=0）和高动作准确率，有效分离了动作标签预测与基于证据的主张选择，提升了复杂证据下的可靠性。