研究所論文方向 2026-09-30
- 目標學程：東吳大學資料科學系碩士
- 語料：115 則去重（衛福部安心交接與高負荷照顧者無替手、蘋果與美國兒科學會家庭數位習慣指南、Microsoft Foundry Routines 例行代理與 Agent Framework 記憶／韌性執行）
- 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
高負荷照顧者近四分之一沒替手——安心交接要把十年經驗寫成清單，怎麼用資料找出誰該先交接、又不會把家裡的事洩出去？
正式題名草稿
家庭照顧者無替手風險與安心交接清單之優先序預測、據點媒合與個資邊界評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別的負荷、有無替手與據點可及性，加上合成的習慣／分工／聯絡資訊三項清單，建立交接任務：用自然語言處理把照顧眉角收成可交接欄位，用機器學習排出「高負荷且無替手」優先序，再用決策分析試算 191 處據點能接多少家庭。比較「只相信來電自述沒替手」「清單完整度加風險分數」「強制人工覆核、禁止自動指派替手」在召回、誤報、縣市子群與個資最小化上的差異。青年照顧者人數未公布，只能當成缺漏層，不可補造人數。模型只產出優先序與情境試算，禁止對個別家庭自動拒絕服務，或把可識別照顧細節拿去訓練。
值得研究的理由
本日語料指出失能人口破 92 萬、2031 年老年失能估 93 萬；約 18 萬家庭照顧者中，高負荷者 24.4% 沒有照顧替手，照顧歷程將近十年，而約 87 萬失能者已使用長照。衛福部以 191 處家照共融據點推「安心交接」，從習慣、分工、聯絡資訊把個人經驗轉成他人可接手的清單。另載 25 歲以下在學照顧者人數官方仍在統計。近 30 日已涵蓋服務斷線時數、穿戴求救與醫院孤島運作；本日改聚焦無替手與交接清單，題目不重複。
市場／可行性／目的
- 市場：長照 3.0 把無替手當成家庭最大難關後，縣市與據點需要可驗證的交接優先序，而不是只引用 24.4% 這一個比例。能量化清單可交接性與媒合負荷的規格，可做成 191 處據點的演練附件。只有記者會而無公平證據，難以說明替手網絡有沒有做實。
- 可行性：可採公開統計、合成交接清單與桌上演練，無需自訓旗艦模型；須遵守個資最小化，不以可識別家庭病況訓練。在學青年照顧者官方人數未定，實驗應明示這層缺資料。碩士時程可完成風險基準、媒合試算與導入邊界。
- 目的：建立家庭照顧者無替手風險與安心交接清單的多指標評估方法，量化誰該先交接、據點怎麼媒合，並提出可複製的資料科學實驗與個資邊界。
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
2. 許晋雄（教授）— 作業研究、最佳化理論、決策分析
分數
理論 8／實用 8／市場化 7
依據語料 id
63, 86, 84
---
B. 學齡教學
專題主題
蘋果跟兒科學會出家庭數位習慣指南——國中小要平衡睡眠、運動和課業，怎麼用資料證明螢幕規則真的幫到學習，又不會只有開得起家長控制的家庭受益？
正式題名草稿
兒童發展階段數位習慣指引之課業與作息成效、家庭裝置落差與適性化建議邊界評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別的作息與課業任務（睡眠時段、運動、作業完成）建立評測集；用學習分析與適性化規則比較「全班同一套螢幕時數」「依發展階段調整、教師覆核」「由人工智慧依作息建議調整、禁止自動處分」在作業完成、作息穩定、有無家長控制裝置的家庭落差上的差異。適性化只建議練習與作息安排，禁止對學童貼風險標籤，或把可識別使用紀錄用於對外訓練。
值得研究的理由
本日語料指出蘋果與美國兒科學會發布家庭數位習慣指南，結合家長控制，平衡睡眠、運動、課業與螢幕，並強調依兒童發展階段調整，而非單一標準。近 30 日已涵蓋全民數位素養自評、沉浸教室與假學習；本日改聚焦學齡兒童的作息、課業與螢幕規則是否真的有學習差異，題目不重複。語料未提供成效數字，研究須自建評測，不可把指南本身當成已證實有效。
市場／可行性／目的
- 市場：家庭與學校都需要能執行的螢幕與課業規範；能量化「規則有沒有幫到學習、誰被裝置門檻排除」的規格，可做成導師班或親職說明的驗收條件。只有品牌指南而無落差證據，難以說明國中小該不該沿用。
- 可行性：可採公開作息任務、合成使用日誌與小規模準實驗，無需自訓旗艦模型；須遵守未成年人保護與學校合作紅線。碩士可完成成效比較、裝置落差報告與資料最小化指引。
- 目的：建立兒童發展階段數位習慣指引的多指標評估方法，量化課業與作息是否改善、家庭裝置落差，以及人工智慧適性化建議的邊界。
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、多媒體應用
2. 呂明頴（副教授）— 行為分析、資料探勘、人工智慧
分數
理論 7／實用 8／市場化 7
依據語料 id
98
---
C. AI／AI代理人（優先）
專題主題
微軟的例行代理會自己派工、自己回訊息——怎麼評它會不會做兩次，又把對話記憶留太久？
正式題名草稿
企業例行代理人之自動工具呼叫：重複副作用、中斷續跑與記憶留存邊界評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計代理人任務：觸發條件、規劃步驟、呼叫議題或訊息工具、留下軌跡與記憶。在假工具與合成工單上記錄是否重複建立議題、是否重複回覆、中斷後續跑是否重做已完成步驟、記憶是否超過該次任務所需。比較「只聊天不執行」「例行代理直接執行」「執行前強制人工核准」「記憶只留到任務結束就刪」。這是工具呼叫與可恢復執行的評測，不是再做一套資安修補代理人。禁止連接真實公司的程式庫或訊息區，禁止自動把訊息送到真人。
值得研究的理由
本日語料指出 Microsoft Foundry Routines 正式一般可用，開發者可建立自動執行的代理，例子包含分派 GitHub 議題與回覆 Teams。另篇載 Agent Framework 更新同時涵蓋 .NET 與 Python，重點包含互動體驗、記憶與韌性執行，對應長時間、可恢復的代理任務。近 30 日已涵蓋微軟執行期治理、一般工具代理人與企業試算表代理人；本日改聚焦會自己辦事的例行代理在重複執行與記憶留存上的評測，題目不重複。
市場／可行性／目的
- 市場：企業把聊天機器人改成會自己派工、回訊的例行代理後，需要可驗證的重複執行與記憶留存規格，才能進入資安與稽核採購。只有一般可用的產品公告而無獨立軌跡評測，難以回應做兩次與記太久的疑慮。
- 可行性：可自建合成工單、假工具與沙箱代理人，無需自訓旗艦模型；成本主要在標註與推論。碩士可完成可重現基準、重複副作用字典與記憶留存檢核表。
- 目的：建立企業例行代理人在工具呼叫上的多指標評測方法，比較重複副作用、中斷續跑與記憶留存，並提出可複製的資料科學實驗與導入邊界。
建議指導教授（前二）
1. 吳政隆（教授）— 自然語言處理、文字探勘、深度學習、人工智慧
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧
分數
理論 8／實用 9／市場化 8
依據語料 id
14, 15
---
三個爭議點
1. 高負荷照顧者近四分之一說沒替手時，該先相信這個比例，還是先用交接清單與據點資料算出誰該先被接住、沉默多數會不會被漏掉？
2. 家庭數位習慣指南要平衡睡眠、運動和課業時，該先沿用品牌家長控制，還是先用資料證明學習有改善、沒有那些裝置的家庭沒被排除？
3. 例行代理會自己派工、自己回訊息時，該先相信它能自動辦事，還是先用工具呼叫軌跡查它會不會做兩次、把記憶留太久？