研究所論文方向 2026-09-19
- 目標學程：東吳大學資料科學系碩士
- 語料：2 則去重（MedGemma 1.5、Qwen 3 4B）
- 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
Google出會看醫療影像又會讀病歷的模型——長照／診所要用前，怎麼評它準不準、隱私扛不扛得住？
正式題名草稿
醫療多模態模型於長照與基層診所之影像—病歷聯合推論：正確率、幻覺、隱私風險與臨床／照管可用評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別影像—病歷語料評估多模態模型正確率、幻覺與隱私風險；比較純視覺／純文本／聯合設定，並做人工覆核成本與公平性分層。
值得研究的理由
本日語料出現 MedGemma 1.5 醫療多模態模型。近 30 日已涵蓋空窗、交通、訪視 AI Agent 等；本日改評長照／診所導入前的多模態可用與隱私。
市場／可行性／目的
- 市場：機構需要可稽核的醫療AI驗收規格
- 可行性：API＋小樣本去識別標註即可完成基準
- 目的：量化正確率、幻覺與隱私風險，提出導入建議
建議指導教授（前二）
1. 丁德天（副教授）— 高齡醫學、醫學影像分析、精神流行病學
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、生物資訊
分數
理論 8／實用 9／市場化 9
依據語料 id
2
---
B. 學齡教學
專題主題
中文小模型變便宜又能跑——國高中用它改作文、給閱讀回饋，怎麼證明有幫助又不擴大落差？
正式題名草稿
中文小型語言模型於國高中作文與閱讀回饋之成效、偏差偵測與數位落差評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別作文／閱讀作答與教師黃金回饋評測中文小模型；比較有用性、事實正確、評分一致性與偏差，並做資源／程度分層公平性。
值得研究的理由
本日語料出現 Qwen 3 4B 等中文優化小模型。近 30 日已涵蓋 AI 營隊、校園助理、假學習偵測等；本日改做學齡語文回饋的成效與落差。
市場／可行性／目的
- 市場：學校需要可驗證的中文回饋品質規格
- 可行性：小模型本地／低成本API＋準實驗即可
- 目的：量化成效、偏差與數位落差
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
2. 吳政隆（教授）— 文字探勘、自然語言處理、深度學習
分數
理論 8／實用 9／市場化 8
依據語料 id
1
---
C. AI／AI代理人（優先）
專題主題
四十億參數的中文小模型要當「本地代理人」幫你呼叫工具——怎麼評它穩不穩、會不會亂做事又燒成本？
正式題名草稿
小型中文語言模型作為本地 Agentic 代理人：工具呼叫可靠度、軌跡錯誤與成本—延遲評測框架
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計多步驟工具呼叫任務集，記錄本地小模型代理人軌跡；評成功率、工具選擇、參數幻覺、延遲與成本，並對照較大模型與單次生成。
值得研究的理由
本日以中文小模型為主、代理人旗艦新聞不足；依契約改評「小模型本地 Agent 工具呼叫」可靠度與成本，銜接後續多代理路線。
市場／可行性／目的
- 市場：邊緣／本地代理人導入需要可驗證評測
- 可行性：開源小模型＋自建任務集即可
- 目的：建立工具呼叫可靠度與成本評測框架
建議指導教授（前二）
1. 蘇明祥（副教授）— 口語對話系統、自然語言處理、深度學習
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學
分數
理論 8／實用 8／市場化 9
依據語料 id
1
---
報告層爭議點（恰好 3）
1. 長照／診所導入醫療多模態模型時，該先追求輔助效率，還是先用可稽核指標卡住錯誤判讀與隱私風險？
2. 國高中改用便宜中文小模型做作文／閱讀回饋時，該先看平均成效，還是先卡住偏差與城鄉落差？
3. 小參數模型要當本地代理人呼叫工具時，該先信官方效能敘事，還是先用統一軌跡指標查清可靠度與隱性成本？
三個爭議點
1. 長照／診所導入醫療多模態模型時，該先追求輔助效率，還是先用可稽核指標卡住錯誤判讀與隱私風險？
2. 國高中改用便宜中文小模型做作文／閱讀回饋時，該先看平均成效，還是先卡住偏差與城鄉落差？
3. 小參數模型要當本地代理人呼叫工具時，該先信官方效能敘事，還是先用統一軌跡指標查清可靠度與隱性成本？