研究所論文方向 2026-09-12

目標學程：東吳大學資料科學系碩士
語料：107 則去重（重分析；含 C 領域）
硬規則：A/B/C 三題；口語主題；AI 整合；指導教授僅教授／副教授前二名

A. 長照醫療

專題主題

個人助理跟長照互踢皮球時，用AI預測誰會「服務斷線」，並幫算出該給多少時數

目標學程／學位

資料科學系碩士／碩士

AI／資料科學整合

以去識別申請／轉介／核定時數歷程建構空窗風險預測，並用可解釋 AI 指出互踢節點與時數建議。

值得研究的理由

本日語料集中於個助未入法、與長照互踢、服務空窗致健康傷害。把制度斷點做成可預測、可解釋的資料科學題。

建議指導教授（前二）

1. 葉向原（教授）— 機器學習、資料探勘

2. 丁德天（副教授）— 高齡醫學、因果／網絡

分數

理論 8／實用 9／市場化 8

---

B. 學齡教學

專題主題

師培課搬進人形機器人和生成式AI後，用數據看學生有沒有學到、誰被落下、怎麼變成正式課

目標學程／學位

資料科學系碩士／碩士

AI／資料科學整合

工作坊前後測、互動日誌、問卷與生成式AI使用文本，做成效預測與落差偵測。

值得研究的理由

教大路演展出具身智能與生成式AI；要把展示熱度變成可評量證據。

建議指導教授（前二）

1. 金凱儀（院長／系主任／教授）— 電腦輔助教學、適性化學習、XR

2. 吳政隆（教授）— 深度學習、自然語言處理

分數

理論 8／實用 8／市場化 8

---

C. AI／AI代理人（優先）

專題主題

大家開始用「AI代理人」幫寫程式、上網辦事——怎麼用數據評它靠不靠譜、會不會亂花成本或洩密？

正式題名草稿

工具呼叫型 AI 代理人在程式與資訊任務上的可靠度、成本與資安風險之多指標評估框架

目標學程／學位

資料科學系碩士／碩士

AI／資料科學整合

設計代理人任務基準（程式、查找、多步驟工具呼叫），記錄軌跡與成本，建立可靠度／成本／資安多指標，並用統計與機器學習比較不同代理框架；重點在 agentic／tool-use，不是單次聊天。

值得研究的理由

本日 Grok／GPT／Qwen 等產品強調編程代理與低成本工具鏈。一般人想知道：跑分好看是否等於真的會辦事？會不會多花錢或洩密？適合做成碩論可執行的評估框架。

市場／可行性／目的

市場：採購評測、內部 MLOps 儀表板
可行性：公開基準＋自建小任務集即可，不必自訓大模型
目的：提出可複製的代理人評估流程

建議指導教授（前二）

1. 吳政隆（教授）— 深度學習、NLP、文字探勘

2. 蘇明祥（副教授）— NLP、口語對話系統、深度學習

分數

理論 8／實用 9／市場化 9

依據語料 id

1, 2, 3

---

三個爭議點

1. 長照／個助互踢應優先入法，還是先用資料模型減少服務斷線？

2. 師培把人形機器人和生成式AI搬進現場，要先證明有學到再買，還是先鋪點再補證據？

3. AI代理人跑分好看就該導入，還是先用統一指標查清可靠度、成本與洩密風險？