碩論：AI 代理人影響文獻（資料科學視角）

日期：2026-10-05

主題一：AI 代理人影響

方法與資料：使用 HackerEarth Employee Burnout Challenge 次級資料，比較 KNN、隨機森林與 SVM，採 30 折交叉驗證並建置 Streamlit 介面；摘要未載明樣本數。
指標：R²；SVM 報告 R²=0.84，並以成對 t 檢定比較模型。
六維度：涵蓋倦怠風險預測原型，但未證明代理改善健康；工作效率、成癮、焦慮與停用反應均未評估。
碩論借鑑：串接去識別代理事件日誌與每週倦怠量表，以時間切分驗證模型並比較人口變項基線。

小樣本 HCI 焦點團體貼近真人任務，公開資料監督式 ML 易於複製；共同缺口是事件日誌、任務成果與心理量表的縱向聯結。

1. 代理主持是否犧牲質性資料多樣性：比較真人／代理焦點團體的主題覆蓋、編碼一致性、成本與參與感。

2. 代理使用日誌的倦怠預警增益：以八週事件與量表比較 SVM、隨機森林及基線模型。

3. 代理故障對工作焦慮與恢復時間的影響：在標準任務置入可復原故障，以混合效應模型分析恢復時間、錯誤與焦慮。

師資對接：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）、呂明頴副教授（人工智慧、資料探勘、行為分析）、何穗華助理教授（UI/UX、人機互動、行為科學分析）。

方法與資料：以 1,000 名美國成人發展 TILLMI；採探索性因素分析、獨立子樣本 CFA 與收斂效度分析，另有 800 份 GPT-4 模擬作答輔助原型流程。
指標：六題二因子量表；CFI=.995、TLI=.991、RMSEA=.046。
四維度：量測情感親近與認知依賴，不是成癮門檻；未以帶真值任務驗證辨錯，也未評估有害內容抗拒。
碩論借鑑：翻譯 TILLMI、聯測問題性使用，做跨模型多群組 CFA，再加入帶真值辨錯任務檢驗信任校準。

方法包括台灣成人心理計量調查與 LLM 信任量表驗證；量表便於複製，但缺客觀使用日誌、跨模型測量恆等性及錯誤／有害建議的行為指標。

1. 跨聊天模型問題性使用量表恆等性：結合問卷與裝置端週用量，以多群組 CFA 比較四種聊天模型。

2. 解釋介面是否改善信任校準：以帶真值題目比較無解釋、來源與反事實條件，分析採納率、辨錯率與 Brier score。

3. 問題性使用與有害建議抗拒：以低風險情境做流暢度×警示因子實驗，用混合邏輯迴歸分析拒絕與查證行為。

師資對接：丁德天副教授（精神流行病學、物質濫用、青少年健康）、鄭江宇副教授（行動裝置 UX 設計與實驗、巨量資料分析）、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）。

1. 方法論：橫斷自陳、小樣本 HCI 與公開次級資料各受因果、外部效度及情境錯置限制。

2. 量測：高頻使用不等於臨床成癮；感知信任也不等於辨錯能力，須以客觀用量與行為校準指標驗證。

3. 倫理：對話日誌、倦怠與問題性使用均屬敏感資料，應最小化留存、允許退出刪除並提供風險轉介。

1. 方法論爭議：橫斷自陳、小樣本 HCI 與公開次級資料各自受因果、外部效度及情境錯置限制，不能直接推論長期代理影響。

2. 量測爭議：高頻使用不等於臨床成癮；感知信任也不等於辨錯能力，必須以客觀用量、正確採納、錯誤拒絕與校準指標驗證。

3. 倫理爭議：對話日誌、倦怠與問題性使用均屬敏感資料，應最小化內容留存、允許退出刪除，並為脆弱使用者提供風險說明與轉介。