研究所論文方向 2026-10-01
- 目標學程：東吳大學資料科學系碩士
- 語料：106 則去重（衛福部訪查 70 萬獨居長者分 4 級風險、教育部推教師離線權、世新大學撤系辦改由 AI 協助行政引發反彈）
- 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
- 註：當日語料無明確 AI 代理人新聞，C 題以世新 AI 行政爭議延伸為「行政代理人」前瞻評測，不評斷世新現有系統
A. 長照醫療
專題主題
衛福部要訪查 70 萬獨居長者、分 4 級風險——怎麼用 AI 幫忙分級，才不會漏掉真正危險的長輩，又不讓這份名單變成詐騙目標？
正式題名草稿
獨居長者大規模訪查之風險分級模型：高風險召回、訪員差異與個資保護邊界評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開訪查流程與合成的訪查紀錄（居住、健康、社會聯繫、財務管理等欄位）建立 4 級風險分級任務。用機器學習比較「訪員主觀分級」「規則計分表」「模型初篩加訪員覆核」在高風險召回率、誤報率、縣市與訪員一致性的差異；用社會網絡特徵檢驗孤立程度對分級的貢獻。語料未公開 4 級判準與已訪 8 萬人分布，研究不得補造。模型只輸出建議等級與理由，禁止自動降低關懷頻率，也禁止以可識別長者資料訓練或對外分享。
值得研究的理由
本日語料指出衛福部擬於 2 年內訪查約 70 萬名獨居長者，已訪約 8 萬人；訪查後分 4 級風險，高風險者提高關懷頻率；訪員遵守「二會三不」，不索取存摺、印章與帳號。此舉源於社工侵吞長者存款案。爭議包括 1.2 萬名訪員素質如何把關、監護人監守自盜暴露地方監督缺失、大規模建檔的隱私保護。近 30 日已涵蓋安心交接、服務斷線與偏鄉日照可及性；本日聚焦風險分級本身，題目不重複。
市場／可行性／目的
- 市場：70 萬人的訪查規模需要一致、可稽核的分級方法；能量化漏判與訪員差異的評估規格，可作為地方政府與委託單位的訪查品質驗收依據。
- 可行性：公開政策文件、合成訪查紀錄與小規模專家標註即可，無需真實長者個資；須遵守個資最小化與研究倫理審查。
- 目的：建立獨居長者訪查風險分級的多指標評估方法，量化高風險召回、訪員一致性與資料保護邊界。
方法
訪查欄位設計與合成資料；機器學習分類與門檻成本分析；訪員間一致性（Kappa）；社會網絡孤立特徵；長照或社工專家盲評三角驗證。
建議指導教授（前二）
1. 丁德天（副教授）— 高齡醫學、社會網絡分析、精神流行病學：可定義風險結局、孤立指標與不可自動降低關懷的邊界。
2. 葉向原（教授）— 機器學習、資料探勘、資料科學：可指導分類模型、漏判成本與子群誤差分析。
分數
理論 7／實用 9／市場化 7
依據語料 id
82
---
B. 學齡教學
專題主題
老師下班可以不回 LINE 的「離線權」——怎麼用 AI 分析親師訊息，找出哪些時段、哪類訊息最容易吵起來，又不偷看家長隱私？
正式題名草稿
國中小親師溝通訊息之時段、類型與衝突風險：教師離線權規範成效的文本探勘評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以去識別或合成的親師訊息，用自然語言處理與文本情感分析分類為行政通知、學習、緊急、情緒抱怨等類型並標註時段與情緒強度；比較「無離線規範」「時段分級規範」「時段分級加緊急訊息自動標記、教師覆核」三種情境下的夜間訊息量、情緒強度與緊急訊息延誤。緊急訊息召回率為首要指標；模型只標記與提醒，禁止自動封鎖家長訊息或貼標籤。語料只提供衝突件數與 7 校落實，不得捏造各校成效。
值得研究的理由
本日語料指出親師衝突由 2018 年前每年不到百件增加到 2024 年近 300 件；教育部 6 月發函要求建立合理溝通管道，全台至少 7 校落實離線權；龍安國小規範不同時段的溝通內容並獲家長會支持，以改善教師招募困境。爭議在緊急例外如何界定、沒有法律拘束力、家長擔心掌握不到孩子狀況。近 30 日已涵蓋校安人力、數位素養自評與家庭螢幕指南；題目不重複。
市場／可行性／目的
- 市場：教師荒與親師衝突讓學校需要可說服家長的溝通規範；能證明離線時段不延誤緊急事件的評估方法，可作為學校公約與主管機關推廣依據。
- 可行性：合成或經同意去識別的訊息、預訓練中文語言模型即可，無需自訓大型模型；須通過倫理審查。
- 目的：量化教師離線權規範對夜間訊息與緊急事件處理的影響，提出不侵犯隱私的導入邊界。
方法
訊息類型與情緒標註；中文文本分類與情感分析；規範前後與跨校準實驗；緊急訊息召回與誤判分析；教師與家長訪談三角驗證。
建議指導教授（前二）
1. 吳政隆（教授）— 文本情感分析、自然語言處理、文字探勘：可指導訊息標註、分類模型與錯誤分析。
2. 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：可分析衝突升溫的對話模式與提醒設計。
分數
理論 7／實用 9／市場化 7
依據語料 id
44
---
C. AI／AI代理人
專題主題
世新把系辦交給 AI 處理後學生大反彈——如果做成會幫學生借場地、查排課的「行政 AI 代理人」，怎麼評它會不會辦錯事、卡住時又找不到真人？
正式題名草稿
大學學生行政 AI 代理人之工具呼叫正確率、失敗轉人工與學生權益影響評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計學生行政代理人任務：理解需求→規劃步驟→呼叫假的選課查詢、場地借用、排課衝突檢查工具→回覆或轉人工。在沙箱與合成學生請求上記錄工具呼叫正確率、重複借用或漏查衝堂、轉人工時效與誤導回覆；比較「只回答規章的聊天機器人」「代理人直接執行」「執行前學生確認」「關鍵步驟一律人工核准」四種設定，並可用不同大型語言模型當代理人核心對照。禁止連接真實校務系統或使用真實學生資料。
值得研究的理由
本日語料指出世新大學整併系辦後改由 AI 協助行政，學生反映求助與行政作業不順；台學聯指人力縮減導致教室衝堂，也影響畢業製作與場地借用；師生只能在 Threads、Dcard 求助。教育部要求檢討溝通，無共識將到校訪視，並重申須循序漸進、做好過渡配套。另篇語料指 Anthropic 推出主打程式與知識工作的 Claude Fable 5.1、Mythos 5.1。語料未說明世新所用 AI 是否為代理人，本題為前瞻評測。近 30 日已涵蓋例行代理、企業試算表代理與執行期治理；本日聚焦校園學生服務代理人，題目不重複。
市場／可行性／目的
- 市場：少子化與行政人力壓縮下 AI 行政是趨勢；代理人辦錯率與轉人工時效的評測規格，可作為學校導入前驗收依據。
- 可行性：合成請求、假工具 API 與沙箱代理人，使用現成大型語言模型，無需自訓模型。
- 目的：建立學生行政 AI 代理人的多指標評測方法，比較工具呼叫正確率、失敗轉人工時效與學生權益影響。
方法
任務與假工具設計；代理人軌跡蒐集；正確率、重複與遺漏副作用、轉人工時間多指標統計比較；失敗案例分類；學生與行政人員盲評交叉驗證。
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：可指導意圖理解、對話狀態與轉人工設計。
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧：可指導代理人設定比較、失敗探勘與統計檢定。
分數
理論 8／實用 9／市場化 8
依據語料 id
39, 40, 2
---
三個爭議點
1. 衛福部要訪查 70 萬獨居長者並分 4 級風險時，該相信 1.2 萬名訪員各自判斷，還是先用資料檢驗分級一致性、確保真正高風險者不被漏掉，又不讓名單成為詐騙目標？
2. 教師離線權只是校內約定時，該先要求家長配合，還是先用親師訊息資料證明離線時段沒有延誤緊急事件、夜間衝突真的減少？
3. 大學用 AI 接手行政後學生找不到人時，該繼續擴大 AI 代辦，還是先用代理人評測證明它辦得對、卡住時能及時轉給真人？