研究所論文方向 2026-10-02
- 目標學程：東吳大學資料科學系碩士
- 語料：83 則去重（衛福部健康幣上路與左流右新疫苗、微軟 60 語即時轉寫模型、GPT-6 Astra Ultrafast 加速程式代理與 NVIDIA DOCA 代理技能包）
- 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
健康幣上路，打疫苗、做癌篩就送點數——怎麼用資料看它真的把「本來不去篩檢的長輩」拉進來，還是只是送給本來就會去的人？
正式題名草稿
預防保健點數誘因之異質效果評估：以健康幣為例探討高齡族群篩檢與接種參與、數位門檻與公平性
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開政策規則（點數項目、年齡上限、入帳時程）與合成或經授權去識別的參與資料，建立「誘因對篩檢與接種參與」的評估任務。以因果機器學習（uplift modeling、因果森林）估計不同年齡、城鄉、是否有本人門號、過去是否曾篩檢等子群的增量效果；以存活分析檢驗入帳延遲（2 天、兩個月）對後續參與的影響；以數位門檻特徵分析誰被排除。語料未公開參與人數與篩檢率，研究不得補造。模型只做政策評估，禁止用於個人化推銷或提供給保險通路。
值得研究的理由
健康幣 10 月 1 日上線：健檢、癌篩、疫苗可累積，滿 1,000 幣 12 月起可兌換，2 年內最多 13,150 幣、上限依年齡不同；首登 200 幣、量表 100 幣，三種疫苗共 1,950 幣；左流右新同日開打可領點數。爭議包括只吸引原本就會健檢的人、首登需等 2 天入帳、癌篩點數兩個月才入帳、非本人門號無法實名綁定、壽險業納入通路的資料疑慮。近 30 日長照題目未涵蓋預防保健誘因。
市場／可行性／目的
- 市場：衛生主管機關調整點數設計、地方衛生所鎖定未參與長者、醫療院所改善接種動線都需要增量效果證據。
- 可行性：因果機器學習與存活分析有成熟套件；先以合成資料驗證方法，再視合作取得去識別資料；須通過倫理審查。
- 目的：量化健康幣對高齡族群的增量效果、入帳延遲影響與數位排除，提出更公平的誘因設計建議。
方法
政策規則整理與合成資料設計；因果森林／uplift modeling 估計異質處置效果；存活分析；子群公平性指標比較；衛生所或基層診所人員訪談三角驗證。
建議指導教授（前二）
1. 丁德天（副教授）— 高齡醫學、因果機制拓樸排序、精神流行病學：可協助定義高齡預防保健結局、干擾因子與子群設計。
2. 葉向原（教授）— 機器學習、資料探勘、資料科學：可指導因果森林與 uplift modeling 的實驗設計與模型驗證。
分數
理論 8／實務 9／市場化 7
依據語料 id
11、39、43、44、45、48、50
B. 學齡教學
專題主題
即時字幕 100 毫秒就出字、支援 60 種語言——新住民孩子和聽障生上課開字幕，怎麼證明真的聽懂更多，字幕翻錯又不會把孩子教錯？
正式題名草稿
多語即時語音轉寫應用於中小學課堂之學習成效與錯誤風險：以新住民子女與聽障學生為對象之評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以自錄或經同意的模擬課堂音檔（國語、台語夾雜、學科專有名詞、教室雜音）建立評測集，比較多個深度學習語音辨識系統（AI 即時轉寫）的字元錯誤率與術語錯誤率及口音子群差異；小規模準實驗比較「無字幕」「即時字幕」「即時字幕加教師課後校正」三組的理解測驗與認知負荷；以錯誤類型分析找出數字、單位、否定詞等高風險誤譯。語料未提供台灣課堂準確度數據，研究不得補造；禁止用學生語音訓練合成模型。
值得研究的理由
微軟 MAI-Transcribe-2-Streaming 支援 60 種語言、約 100 毫秒產生初步結果，語料指出即時字幕貼近上課與教育無障礙需求，但準確度排名只依單一評測平台、弱勢語言表現未說明、語音合成可能被濫用；NVIDIA 方言微調語料也指出說方言的人常被語音助理聽不懂。近 30 日學齡題目未涵蓋課堂即時字幕。
市場／可行性／目的
- 市場：學校採購語音工具、特教資源中心與教育主管機關制定使用規範需要成效與錯誤風險證據。
- 可行性：呼叫現成服務或開源模型即可比較；數小時評測集與準實驗屬碩士範圍；須處理未成年人語音授權。
- 目的：量化課堂即時字幕的錯誤差異、高風險誤譯與對新住民子女、聽障學生理解的影響。
方法
課堂音檔蒐集與轉寫標註；深度學習語音辨識系統比較與字元錯誤率與術語錯誤率；口音／語言子群分析；三組準實驗與理解測驗、認知負荷量表；師生訪談三角驗證。
建議指導教授（前二）
1. 蘇明祥（副教授）— 語音訊號處理、口語對話系統、深度學習：可指導語音辨識評測集與錯誤率設計。
2. 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：可協助準實驗設計與學習成效評量。
分數
理論 7／實務 9／市場化 7
依據語料 id
58、74
C. AI／AI代理人
專題主題
程式代理人號稱快 8 倍、NVIDIA 還幫代理人塞「技能包」——怎麼評它變快之後會不會更常改錯，技能包又是真的有幫助還是只把人綁在單一廠商？
正式題名草稿
程式代理人之速度、品質與領域技能注入評估：以修改—測試—除錯迴圈與廠商技能包為例的實驗研究
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以開源程式修復任務集與需要專業 API 知識的自建任務，比較「標準模式」「高速模式」「高速模式加領域技能包」三種代理人設定；指標含任務完成率、測試通過率、迴圈次數、工具呼叫與錯誤呼叫率、總時間、token 成本、人工返工行數；以多目標最佳化描繪速度—品質—成本柏拉圖前緣，以存活分析看第幾輪迴圈失敗；並做技能包移除與跨廠商替換的消融實驗。所有數據須由實驗產生，不得引用不存在的基準。
值得研究的理由
GPT-6 Astra Ultrafast 跑在 NVIDIA Blackwell 上並開放 API，最高比標準模式快 8 倍，主打縮短程式代理的編輯、測試、除錯循環；NVIDIA 在 GitHub 釋出 DOCA AI 代理技能，提供經驗證的 API 簽章與建置限制。爭議在提速的測試條件不明、品質是否下降、技能包綁定單一生態系、示範情境代表性不足。近 30 日代理人題目未聚焦速度—品質取捨與領域技能注入。
市場／可行性／目的
- 市場：企業導入程式代理人最在意「快了是否也對、總成本是否下降」，需要同一套指標比較與技能包效果驗證。
- 可行性：公開資料集加 API 小規模實驗，控制任務數即可；需設 API 費用上限並固定版本以利重現。
- 目的：建立程式代理人速度—品質—成本多指標評測框架，量化高速模式與技能包的影響與可移轉性。
方法
任務集建置與控制實驗；完成率、錯誤工具呼叫率與成本指標；多目標最佳化（柏拉圖前緣）；存活分析；技能包消融與替換實驗。
建議指導教授（前二）
1. 葉向原（教授）— 人工智慧、機器學習、資料科學：可指導代理人評測實驗設計、消融實驗與指標建構。
2. 許晋雄（教授）— 作業研究、最佳化理論、決策分析：可協助速度、品質與成本的多目標最佳化與採購決策模型。
分數
理論 7／實務 9／市場化 8
依據語料 id
54、61、62
三個爭議點
1. 健康幣以點數鼓勵健檢、癌篩與接種時，該持續加碼誘因，還是先用資料證明它真的拉進原本不去篩檢的長輩，而不只是補貼本來就會去的人與熟悉 App 的族群？
2. 即時字幕號稱 100 毫秒出字、支援 60 種語言時，學校該直接開給新住民子女與聽障生使用，還是先在台灣教室的口音與學科術語上驗證錯誤率，避免翻錯造成概念誤解？
3. 程式代理人宣稱快 8 倍、廠商又提供技能包時，團隊該依速度與原廠宣稱採購，還是先用同一套任務驗證速度、品質與成本的取捨，並檢查技能包是否只是綁定單一生態系？