在改良語料的選擇上，採用 CKIPTagger 和 Jieba-zh_TW 同樣之中央社語料，並增加國家教育研究院之專業領域名詞作為詞庫擴充，共計 357,042 筆詞。為判斷自訂語料庫架構是否達正向之改善，對比 CKIPTagger 與 Jieba 斷詞，分析輸出差異；藉此，對比文本選擇為CKIP所測試之範例以及CNA每日頭條新聞作為分析標的。

在機器學習理論中，精確率愈高、召回率就愈低，反之亦然；因此，透過重新訓練語料庫後，本研究之Fácile_Jieba斷詞在效能輸出方面，僅略遜於中研院的CKIPTagger 2.62%，對比特化繁體中文版本的Jieba提升4.89%，而在原生Jieba則是提升高達8.47%。

透過重新組建語料庫後，Fácile_GPT3 摘要在精確率效能輸出僅略遜於 ChatGPT 約略 8.818873‰，由此可知，修正後的繁體中文語料架構之正向有效性。