2026-09-16 碩論文獻分析：資料科學視角

主題一：AI 代理人影響

本日納入 2 篇：De Freitas 等人以微調分類與預註冊實驗顯示 AI 伴侶可降低狀態孤獨；Lim 的 DeBiasMe 以刻意摩擦與偏誤視覺化設計後設認知介入，尚無完整效果量。

方法涵蓋對話微調分類、Mechanical Turk 隨機實驗（招募 601、分析 296）與 HCI 設計研究；主要缺口是工具型代理人績效、成癮量表與停用後反應。

1. 陪伴代理人與孤獨／焦慮：15 分鐘 Hermes／一般助手對照，80–120 名學生，混合效應模型分析 UCLA 前後測。

2. 刻意摩擦與過度採納：2×2（有／無偏誤圖 × 正確／錯誤答案），記錄查錯、採納與作業時間。

3. 使用七日與停用一日：EMA 加日誌，估計孤獨與焦慮的個人內變化。

蘇明祥副教授（自然語言處理、口語對話系統、情緒與人格感知）、呂明頴副教授（行為分析、資料探勘、人工智慧）、丁德天副教授（精神流行病學、青少年健康）。

本日納入 2 篇：Scharowski 等人主張信任（態度量表）與依賴（如 Weight of Advice）必須分開；Trivedi 與 Sivanesan 在 DEFACTIFY 4.0 以噪聲 DeBERTa 集成達到 Task-A F1=1.0、Task-B F1=0.9531。

方法為測量契約與監督式文本分類，資料分割清楚、指標可複製；缺問題性使用量表、一般使用者查錯實驗與有害內容拒絕 RCT。

1. 信任與依賴分離實驗：同時蒐集信任量表與 WOA，比較四種聊天模型。

2. 人機來源偵測差距：以共享任務風格題庫比較學生與分類器。

3. 問題性使用與依賴聯合模型：14 天日誌加 EMA，多層次模型分析夜間使用與過度依賴。

鄭江宇副教授（行動裝置 UX 設計與實驗、巨量資料分析）、丁德天副教授（精神流行病學、物質濫用、青少年健康）、吳政隆教授（文字探勘、深度學習、自然語言處理）。

1. 方法論：短期 wellbeing 實驗不能外推成產品成癮或效率結論；分類競賽與立場論文更不能替代交叉實驗。

2. 量測：信任、依賴、機器 F1、時數與臨床成癮不可互換。

3. 倫理：孤獨對話、欺騙條件與有害內容實驗須 IRB、去識別、事後說明與危機轉介。

保存模型、日期、系統提示與題庫版本；真人研究須知情同意；日誌最小化並去識別；預註冊排除規則與分析碼。

1. 方法論爭議：孤獨隨機實驗能支持短期 wellbeing 因果，立場論文與共享任務分類不能外推成 Hermes／ChatGPT 的成癮或效率結論；若要做產品因果主張，需預註冊交叉實驗。

2. 量測爭議：信任量表、Weight of Advice、機器 F1、使用時數與臨床成癮不可互換；F1=1.0 只說明來源分類，不代表使用者能查覺錯誤或已成癮。

3. 倫理爭議：孤獨與對話屬敏感資料，偽裝真人條件涉及欺騙，有害內容與過度依賴實驗可能影響情緒；須 IRB、去識別、事後說明與危機轉介，不可為求效果量而省略。