研究所論文方向 2026-09-25
- 目標學程：東吳大學資料科學系碩士
- 語料：88 則去重（Google Health Guardian／Pixel Watch 緊急偵測、國中校安人力 2000、校園刺傷與代理缺額、Meta Muse 眼鏡代理人、Siri 多步驟行動、AMD 本機代理式 AI 等）
- 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手錶會盯血壓呼吸還能自動求救——長照家庭拿來顧長輩前，怎麼評誤報會不會嚇死人、Premium訂閱又會不會拉開健康落差？
正式題名草稿
穿戴式健康趨勢與緊急偵測導入高齡長照家庭：誤報代價、就醫決策與訂閱公平性評估
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／合成之高齡穿戴時序（血壓、呼吸相關代理訊號）與事件標註建立評測集；用機器學習／時序異常偵測與校準曲線比較「原廠門檻」「在地調整門檻」「僅趨勢儀表板＋人工判讀」在敏感度、特異度、誤報率、延遲報警與高齡子群落差上的差異。設計「趨勢≠診斷」的決策支援輸出與緊急偵測假陽性成本模型；禁止把未授權真實病患串流用於訓練或對外自動放行診斷。
值得研究的理由
本日語料指出 Google Health 上線 Health Guardian，可設定血壓、胰島素阻抗與睡眠呼吸等指標，特定歐區 Pixel Watch 並支援呼吸緊急偵測；連續追蹤與自動求救直接牽動高齡長照家庭的日常決策與急診負擔。近 30 日已涵蓋開源／封閉醫療影像模型、基因圖譜與診所資安模型等；本日改聚焦「消費級穿戴健康趨勢×緊急偵測」在長照情境的誤報、課責與訂閱公平性，屬可落地的資料科學碩論且不重複。
市場／可行性／目的
- 市場：長照家庭與日照／居家單位採購穿戴監測需求上升，但缺可驗證的誤報與公平性規格；能量化假陽性代價與訂閱落差的評估框架，可延伸為機構試用檢核、保險／輔具補助討論或縣市政採驗收。只有「會自動求救」而無誤報證據，難通過倫理與照顧現場信任。
- 可行性：可不自訓旗艦模型，採公開／合成時序＋閾值與監督式異常偵測；需 IRB／個資最小化與模擬急救流程。碩士時程可完成基準評測＋誤報成本分析＋使用邊界建議書。
- 目的：建立穿戴健康趨勢與緊急偵測導入高齡長照的多指標評估方法，量化誤報、就醫決策品質與訂閱公平性，並提出可複製的導入邊界。
建議指導教授（前二）
1. 丁德天（副教授）— 高齡醫學、精神流行病學、社會網絡分析、醫學影像分析、青少年健康
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學、生物資訊
分數
理論 8／實用 9／市場化 8
依據語料 id
69
---
B. 學齡教學
專題主題
教育部要把國中校安人力加到兩千人——怎麼用資料決定哪校先加人，AI預警衝突會不會把孩子標成「高風險」？
正式題名草稿
國中校安人力配置與校園衝突早期預警：資料驅動優先序、公平性與標籤化風險評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開統計與去識別校級特徵（班級數、通報類別粗分、代理缺額代理變數、城鄉／社經指標）建立「增置優先序」與「衝突熱點早期預警」模型；比較「僅班級數規則」「監督式風險評分」「可解釋規則＋人工覆核」在對準高風險校、城鄉／公私立公平性、假陽性標籤率與可行動建議品質上的差異。可用機器學習分類／排序學習與公平性約束；強制產出「不得對學生個人貼標、僅供校級資源配置」的使用邊界，並對照校事會議行政協助分流的可檢驗指標。禁止用可識別學生個資訓練或對外公布個人風險分。
值得研究的理由
本日語料可見院會拍板國中校安人力三年由約 620 增至 2000、中央年投約 12 億，並引發國小比照、契約制流失與「保全化」疑慮；同日亦有校園刺傷重傷案、代理教師缺額與恐龍家長壓力、以及校事會議精進方案將公布。近 30 日已涵蓋數位素養自評、AI 素養課與假學習偵測等；本日改聚焦「校安人力配置×資料科學優先序／衝突預警」的公平性與防標籤化，對齊學齡現場且不重複。
市場／可行性／目的
- 市場：教育行政與縣市需要可說明的校安人力配置依據；能量化優先序與防標籤化的框架可做成政策儀表板或計畫中期檢討規格。只有「加人好看」而無對準與公平證據，易加深家長焦慮與現場不信任。
- 可行性：可採公開教育統計＋合成／去識別校級面板，無需自訓旗艦模型；需未成年人保護與學校／教育局合作紅線。碩士可完成排序／分類實驗＋公平性報告＋政策使用指引。
- 目的：建立國中校安人力配置與衝突早期預警的多指標評估方法，量化對準度、公平性與標籤化風險，並提出可複製的資料科學導入邊界。
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、數位遊戲式學習、多媒體應用、穿戴式技術
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學、生物資訊
分數
理論 8／實用 9／市場化 8
依據語料 id
42, 44, 49, 59, 62, 53
---
C. AI／AI代理人（優先）
專題主題
Meta把AI代理人Muse塞進眼鏡、看一眼就能代辦——怎麼評它會不會亂看亂做事、又把視線畫面洩出去？
正式題名草稿
穿戴式視線理解AI代理人：多步驟工具呼叫可靠度、視覺隱私與越權風險評測框架
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計穿戴代理人任務集（依視線／語音理解場景→規劃步驟→呼叫模擬工具：查詢、下單、傳訊、導航、拒絕越權）；記錄規劃軌跡、tool-use 序列、視線／畫面留存政策、越權嘗試與最終輸出。建立成功率、工具選擇正確率、未授權動作率、隱私最小化遵守率、步驟效率與延遲等指標。比較「純語音描述」「視線理解直動」「強制二次確認」「僅建議不執行」「本機小模型代理 vs 雲端」。可輔以 Siri 多步驟行動與本機代理硬體約束作為對照設定；禁止連真實支付／通訊帳號自動放行。
值得研究的理由
本日語料指出 Meta 於 Connect 將個人 AI 代理 Muse 導入 AI 眼鏡，可依視線內容直接行動、語音模式支援長對話並在背景持續執行任務；同日亦有 Apple Siri AI 強調個人脈絡與多步驟行動，以及 AMD Ryzen AI Halo 主打本機運行代理式 AI。近 30 日已涵蓋金融 GENIE 代理式銀行、一般工具代理人與資安修補代理人等；本日改聚焦「穿戴視線理解×多步驟工具呼叫」的可靠度、視覺隱私與越權評測，具資料科學可操作實驗且不重複。
市場／可行性／目的
- 市場：消費級 AI 眼鏡與手機助理需要可驗證的「看了就做」上線驗收規格；統一軌跡、隱私閘門與越權指標可做成產品安全報告、企業採購或校園／公共場域禁用清單依據。只有展示片而無越權／洩密評測，難回應持續視覺監控疑慮。
- 可行性：可透過模擬場景影片／合成視線標註、假工具 API 與沙箱帳號自建任務集，無需自訓旗艦模型；主要成本在標註與推論。碩士可完成可重現基準＋隱私—可靠度柏拉圖分析。
- 目的：建立穿戴視線理解 AI 代理人的多指標評測方法，比較多步驟工具呼叫可靠度、視覺隱私與越權風險，並提出可複製的資料科學實驗與導入邊界建議。
建議指導教授（前二）
1. 蘇明祥（副教授）— 深度學習、自然語言處理、語音訊號處理、口語對話系統、情緒與人格感知
2. 吳政隆（教授）— 文字探勘、深度學習、文本情感分析、自然語言處理、人工智慧
分數
理論 8／實用 9／市場化 9
依據語料 id
66, 3, 8
---
本日元爭議
1. 穿戴健康趨勢與自動求救上場時，長照家庭該先相信「能顧長輩」，還是先用誤報代價與訂閱公平性證明不會嚇到人或拖垮急診？
2. 國中校安人力三年加到兩千人時，該先追求全數到位，還是先用資料對準高風險校並卡住 AI 預警的防標籤化？
3. AI 眼鏡代理人「看一眼就代辦」時，該先追便利體驗，還是先用工具呼叫軌跡、授權閘門與視覺隱私查清能不能上街？
三個爭議點
1. 穿戴健康趨勢與自動求救上場時，長照家庭該先相信「能顧長輩」，還是先用誤報代價與訂閱公平性證明不會嚇到人或拖垮急診？
2. 國中校安人力三年加到兩千人時，該先追求全數到位，還是先用資料對準高風險校並卡住 AI 預警的防標籤化？
3. AI 眼鏡代理人「看一眼就代辦」時，該先追便利體驗，還是先用工具呼叫軌跡、授權閘門與視覺隱私查清能不能上街？