研究所論文方向 2026-09-26
- 目標學程：東吳大學資料科學系碩士
- 語料：48 則去重（康乃爾訪義守 AI／智慧醫療／銀髮實驗室、高大 AI 沉浸教學獲未來科技獎、微軟 ASSERT／代理執行期治理、Copilot Autopilot 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
康乃爾來談AI與智慧醫療、還去看智慧銀髮實驗室——長照機構真要導入前，怎麼用資料證明有幫助、又不會把長者資料洩光？
正式題名草稿
國際AI智慧醫療／銀髮科技交流導入長照機構：成效指標、資料治理與倫理邊界評估
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／合成之長照情境任務（跌倒風險提醒、用藥依從提醒、生理趨勢儀表、轉介摘要）建立導入前後評測集；用機器學習或規則＋監督式模型比較「僅人工流程」「銀髮科技儀表板＋人工覆核」「AI 輔助建議但禁止自動診斷／自動放行」在敏感度、誤報率、照顧者負荷、資料最小化遵守率與城鄉子群落差上的差異。強制產出資料分類、同意／最小化與審計軌跡規格；禁止用未授權真實住民串流訓練或對外自動診斷。
值得研究的理由
本日語料指出康乃爾大學代表團訪義守大學，聚焦AI與智慧醫療國際合作，並實地參訪醫療體系與智慧銀髮科技實驗室；教育部亦協助安排。近 30 日已涵蓋穿戴緊急偵測、開源醫療影像模型、資安修補模型與基因圖譜等；本日改聚焦「國際交流帶動的智慧銀髮／AI 醫療導入」在長照機構端如何用資料科學驗證成效、資料治理與倫理邊界，屬可落地碩論且不重複。
市場／可行性／目的
- 市場：台美高教與南台灣智慧醫療／銀髮產學升溫，長照與日照單位需要可驗證的導入檢核而非參訪亮點；能量化成效與資料治理的框架可延伸為機構試用規格、縣市政採或產學合作 KPI。只有交流新聞而無評測證據，難通過家屬信任與個資監管。
- 可行性：可採公開／合成長照任務資料＋儀表板原型，無需自訓旗艦模型；需 IRB／個資最小化與機構合作紅線。碩士時程可完成基準評測＋治理檢核表＋導入邊界建議書。
- 目的：建立國際交流驅動之 AI 智慧醫療／銀髮科技導入長照的多指標評估方法，量化成效、資料治理與倫理風險，並提出可複製的資料科學導入邊界。
建議指導教授（前二）
1. 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
23
---
B. 學齡教學
專題主題
國小已經在用AI沉浸教室：3D生成、AI家教還會即時翻譯——怎麼證明孩子真的學到，又不會因VR太貴或歷程被盯太緊而受傷？
正式題名草稿
國小AI沉浸教學與虛擬教室：學習成效、城鄉設備落差與學習歷程監控風險評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別課堂任務（閱讀理解、跨語練習、3D 概念探索）建立評測集；比較「傳統教室」「沉浸環境＋教師主導」「AI 家教引導＋教師覆核」在學習增益、互動品質、設備可用率、城鄉／社經子群落差與歷程資料最小化上的差異。可用學習分析、適性化推薦與可解釋回饋；強制「歷程僅供教學改進、禁止對學童個人風險貼標或對外公開」。禁止蒐集可識別兒童個資用於對外模型訓練。
值得研究的理由
本日語料指出高雄大學藝創系團隊AI沉浸教學系統獲國科會2026未來科技獎，整合3D生成、AI家教與跨語即時翻譯，並已於國小及日本學校虛擬教室實地應用。近 30 日已涵蓋國中校安人力配置、數位素養自評與假學習偵測等；本日改聚焦「國小AI沉浸／虛擬教室」的學習成效、設備公平與歷程監控風險，對齊學齡現場且不重複。
市場／可行性／目的
- 市場：教育科技獲獎加速校園試用，但缺可驗證的成效與公平規格；能量化學習增益與監控邊界的框架可做成縣市／學校採購驗收或偏鄉補助條件。只有展示片而無公平與隱私證據，易加深家長疑慮。
- 可行性：可採公開教材任務＋小規模准實驗／準實驗與合成歷程日誌，無需自訓旗艦模型；需未成年人保護與學校合作紅線。碩士可完成成效實驗＋公平性報告＋監控邊界指引。
- 目的：建立國小 AI 沉浸教學的多指標評估方法，量化學習成效、設備落差與歷程監控風險，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、混合／擴增／虛擬實境
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
24
---
C. AI／AI代理人（優先）
專題主題
微軟說AI代理人會自己找風險、修完還能證明有修好——怎麼評它挖到的是真傷害還是測評分數，會不會被廠商框架鎖死？
正式題名草稿
AI代理人執行期治理：自動風險評測、修復有效性證明與工具呼叫可靠度評估框架
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計代理人任務集（規劃步驟→呼叫模擬工具→觸發風險→提出修復→再評測）；記錄軌跡、tool-use 序列、ASSERT 式需求轉測項、修復前後分數與未覆蓋失敗。建立成功率、工具選擇正確率、未授權動作率、風險召回／精確率、修復有效性（再測通過且人工抽樣確認）、步驟成本等指標。比較「純手寫測項」「ASSERT 自動轉測」「自動挖風險＋強制人工覆核」「僅建議不自動修復」。可輔以 Copilot Autopilot／主動代理作為對照場景類型；禁止連真實生產系統自動放行高風險動作。
值得研究的理由
本日語料指出微軟持續打造 AI 代理執行期治理基礎，ASSERT 可把書面需求轉成嚴格評測與政策控管，run-assert-eval 能自動找風險並證明修復有效；同日 Copilot 亦強化 Home／Code／Autopilot 等主動代理與工作作業系統化定位。近 30 日已涵蓋 Muse 眼鏡視線代理人、GENIE 代理式銀行與一般工具代理人等；本日改聚焦「執行期自動評測×修復證明」的可靠度、業務對齊與供應商鎖定，具資料科學可操作實驗且不重複。
市場／可行性／目的
- 市場：企業導入長時代理需要可驗證的執行期治理與修復證明規格；統一軌跡與測評指標可做成資安／合規採購附件或內部上線閘門。只有廠商展示而無獨立業務對齊評測，難回應測評分數≠真傷害與路徑鎖定疑慮。
- 可行性：可透過假工具 API、合成需求文件與沙箱代理人自建任務集，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＋修復有效性柏拉圖分析。
- 目的：建立 AI 代理人執行期治理的多指標評測方法，比較自動風險發現、修復證明與工具呼叫可靠度，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. 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
2. 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
分數
理論 8／實用 9／市場化 9
依據語料 id
38, 40, 41
---
本日元爭議
1. 國際交流把 AI 智慧醫療／銀髮實驗室推到長照眼前時，該先追合作亮點，還是先用成效與資料治理證明不會洩光長者資料？
2. 國小 AI 沉浸教室獲獎上線時，該先追求沉浸體驗，還是先用學習成效、設備公平與歷程監控邊界證明孩子真的受益？
3. AI 代理人會自動找風險並證明修好時，該先相信測評分數，還是先用業務對齊與獨立軌跡查清會不會被廠商框架鎖死？
三個爭議點
1. 國際交流把 AI 智慧醫療／銀髮實驗室推到長照眼前時，該先追合作亮點，還是先用成效與資料治理證明不會洩光長者資料？
2. 國小 AI 沉浸教室獲獎上線時，該先追求沉浸體驗，還是先用學習成效、設備公平與歷程監控邊界證明孩子真的受益？
3. AI 代理人會自動找風險並證明修好時，該先相信測評分數，還是先用業務對齊與獨立軌跡查清會不會被廠商框架鎖死？