研究所論文方向 2026-10-06
- 目標學程：東吳大學資料科學系碩士
- 語料：110 則去重（部嘉護理之家滿床與長照大樓、北市人屋雙老、特教教師以 Gemini 生成視覺指引、微軟 Power Platform 在既有應用加入 AI 代理）
- 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
本日爭議點
1. 部嘉護理之家占床 99%、另有 85 名長者排隊，候選人爭取 18 億元蓋長照大樓並配置職員宿舍，台北市則 65 歲以上占 24.76%、平均屋齡 39.62 年形成「人屋雙老」；但語料質疑蓋宿舍能否真正解決照護人力短缺、護理人員從哪裡招募仍待說明、五年工期期間候位長者可能被迫轉往外縣市：長照床位該用候選人政見與排隊人數決定，還是先用人口、屋齡與人力資料推估各區缺口與可補進的照護人力？
2. 特教教師用 Gemini 為不識字學生生成視覺指引，不會寫字的學生以語音生成圖像表達自己；但語料指出特教學生資料極為敏感、AI 生成圖像未必符合個別障礙學生的理解方式，科技投入還可能成為減少特教人力的理由：AI 對特教學生是否有幫助，應由教師分享的個案故事下結論，還是需要以個別學生的理解表現與隱私風險做系統性評估？
3. 微軟主張企業不必從零開始，可在既有應用上用 Power Platform 加入 AI，人與代理可協作建置；但語料質疑深度依賴微軟平台恐供應商鎖定，AI 代理自動做決策時責任歸屬與稽核不清，低程式碼普及也可能衍生影子 IT 與資安風險：企業代理人上線前，該信任平台宣稱的「受治理」，還是需要可重現的工具呼叫紀錄與錯誤歸因評測？
A. 長照醫療
專題主題
護理之家床位 99% 滿、還有 85 位長輩排隊——怎麼用資料算出各區還缺幾張床、蓋好之後照護人力補不補得上？
正式題名草稿
高齡人口與老屋特徵下之長照機構床位需求預測與照護人力缺口推估：以住宿式護理之家為例
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開資料（內政部各鄉鎮市區人口年齡結構、住宅屋齡統計、衛福部長照機構床位與服務量統計、護理人員執業登記統計；實際可取得的粒度須於研究初期確認）建立兩階段模型：第一階段以機器學習（如梯度提升樹、空間迴歸）預測各區未來 5 年住宿式機構床位需求，特徵含高齡人口比、獨居比例、平均屋齡、既有床位占床率；第二階段以情境模擬與最佳化，在護理人力供給（新畢業、流失率）限制下評估擴床方案能否「有床有人」，並比較集中蓋大樓與分散擴充、搭配居家安全改善降低入住需求等策略。語料未提供各區排隊與人力明細，若無法取得則以公開統計建立模擬情境並明確標示。
值得研究的理由
本日語料指出，部立嘉義醫院護理之家占床率 99%、另有 85 名長者排隊，地方擬興建 18 億元長照大樓整合日照、失智與培訓，並配置職員宿舍以留住照護人才；但語料同時質疑宿舍能否真正解決人力短缺、護理人員從哪裡招募仍待說明。另一則語料指出台北市 65 歲以上人口占 24.76% 居全台之冠、青壯人口占比最低，平均屋齡 39.62 年居六都之首，形成「人屋雙老」，專家預估銀髮宅與醫療照護需求將大增，老屋都更與原地老化也可能互相衝突。床位蓋多少、蓋在哪、人力能否跟上，目前多由政見與排隊人數推動，缺少把人口結構、居住條件與照護人力同時納入的量化推估，正是資料科學可以回答的問題。近 30 日長照題目已涵蓋住宿式機構補助後家庭負擔、出院銜接、獨居長者分級等，未涵蓋床位需求與照護人力缺口的聯合推估，題目不重複。
市場／可行性／目的
- 市場：高齡化地區的地方政府、衛福部與醫院體系都面臨長照擴床決策，成果可延伸為長照據點設置、銀髮住宅規劃與照護人力培訓配額的決策工具，也可供長照機構評估展店區位。
- 可行性：人口、屋齡、機構床位與醫事人員統計多有公開版本，預測與最佳化方法成熟；若排隊名單或人力流失率無法取得，以縣市或鄉鎮層級加情境假設仍可完成碩士規模研究。
- 目的：建立結合人口結構、住宅老化與照護人力供給的長照床位需求與人力缺口推估模型，量化不同擴床與居家安全策略對候床人數及人力缺口的影響，提供地方長照規劃依據。
呈現形式
碩士論文（床位需求預測模型＋人力限制下擴床情境模擬；附各區缺口地圖與決策儀表板原型）
方法
公開人口、屋齡、床位與人力統計整理；特徵工程；機器學習與空間迴歸需求預測；人力供給情境模擬；擴床方案最佳化比較；敏感度分析與公平性檢視。
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：題目核心是高齡人口的照護需求推估，丁副教授的高齡醫學專長可指導需求定義與長者風險特徵選取，社會網絡分析也有助處理獨居與照顧支持因素。
2. 許晋雄（教授）— 作業研究、最佳化理論、決策分析：擴床方案與照護人力配置屬資源限制下的決策問題，許教授的作業研究與最佳化專長可指導情境模擬與方案比較模型。
分數
理論 7／實務 9／市場化 7
依據語料 id
55、47
B. 學齡教學
專題主題
不會寫字的特教生用說的就能叫 AI 畫圖、老師用 AI 做看圖步驟卡——怎麼證明孩子真的看懂、表達得更多，又不洩漏他們的敏感資料？
正式題名草稿
生成式 AI 視覺指引與語音生圖對國中小特教學生理解與表達之成效評估：兼論個別適配與資料隱私
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
設計單一受試或小樣本重複量數研究：在取得學校、家長與倫理審查同意後，比較同一學生在「教師手繪或既有圖卡」與「生成式 AI 視覺指引」兩種條件下完成步驟任務的正確率、所需提示次數與完成時間；表達端記錄學生以語音生圖的嘗試次數、語音辨識錯誤率與教師判讀的表達完整度。以語音辨識與影像特徵（圖像複雜度、步驟數、色彩對比）建模，分析哪些圖像特徵與學生理解表現相關，產出個別適配建議；另建立提示詞個資檢核流程，量化教師輸入中含姓名、診斷等敏感資訊的比例與去識別化後的效果。語料未提供任何學生成效數據，所有資料需自行蒐集；若無法進入特教現場，改以特教教師對 AI 圖像的適配評分資料集進行分析並明確標示限制。
值得研究的理由
本日語料指出，特教教師需為各類障礙學生量身設計學習方案，有教師用 Gemini 生成視覺指引，幫助不識字的學生理解；不會寫字的學生則以語音生成圖像表達自己，教師正與同事開發特教 AI 應用。這讓 AI 有機會縮小特教學生的學習落差，關係到教育平權、特教資源分配與輔助科技政策；但語料同時指出特教學生資料極為敏感、AI 生成圖像未必符合個別障礙學生的理解方式，科技投入也可能被當作減少特教人力的理由。目前證據多為教師個案分享，缺少以學生實際理解與表達表現衡量的資料研究。近 30 日學齡題目涵蓋即時字幕、AI 沉浸教室、AI 改作文等，未涵蓋特教學生的 AI 視覺指引與語音生圖，題目不重複。
市場／可行性／目的
- 市場：特教與資源班教師長期缺少客製化教材時間，教育局處、特教資源中心與輔具科技廠商都需要可驗證的 AI 輔助工具評估方法；成果可延伸到語言發展遲緩、自閉症學生的溝通輔助產品。
- 可行性：生成式影像與語音辨識工具已可取得，單一受試設計適合小樣本特教場域；主要難點在倫理審查與現場合作，需及早聯繫學校特教團隊，否則以教師評分資料集為替代方案。
- 目的：評估生成式 AI 視覺指引與語音生圖對特教學生理解與表達的實際效果，找出影響適配度的圖像特徵，並建立教師使用時的個資檢核流程，提供特教 AI 導入的實證依據。
呈現形式
碩士論文（單一受試／小樣本實驗＋圖像特徵與理解表現分析；附個資檢核流程與教師使用指引原型）
方法
倫理審查與知情同意；單一受試交替處理設計；任務正確率、提示次數與完成時間量測；語音辨識錯誤率分析；圖像特徵擷取與迴歸分析；教師訪談；提示詞個資比例統計。
建議指導教授（前二）
1. 金凱儀（教授）— 電腦輔助教學、適性化學習、多媒體應用：題目屬電腦輔助教學與適性化學習在特教場域的應用，金教授的多媒體應用與適性化學習專長可指導實驗設計、教材呈現與學習成效評量。
2. 蘇明祥（副教授）— 語音訊號處理、口語對話系統、深度學習：學生以語音生成圖像涉及語音辨識與口語互動，蘇副教授的語音訊號處理與口語對話系統專長可指導語音辨識錯誤分析與互動設計。
分數
理論 7／實務 9／市場化 6
依據語料 id
104
C. AI／AI代理人
專題主題
公司在舊系統裡塞進會自己做決定的 AI 代理人——出錯時，怎麼從紀錄查出是哪一步、哪個工具呼叫錯了，該算誰的責任？
正式題名草稿
低程式碼平台企業 AI 代理人之工具呼叫軌跡評測與錯誤歸因：兼論稽核可追溯性與影子 IT 風險
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
主題本身為 AI 代理人：以開源代理框架與可在本機執行的語言模型，建立模擬企業既有應用的沙盒（如請假簽核、採購申請、客戶資料查詢等表單流程與對應工具 API），設計含正確答案的任務集並刻意注入錯誤情境（權限不足、欄位缺漏、工具回傳異常、模糊指令）。記錄每次代理執行的完整工具呼叫軌跡，建立錯誤分類（規劃錯誤、選錯工具、參數錯誤、越權呼叫、未請求人類確認），再訓練錯誤歸因模型（序列分類或以語言模型評審搭配人工標註校正），評估從軌跡自動定位出錯步驟的準確率；同時比較不同紀錄粒度（只記結果、記工具呼叫、記完整推理摘要）對稽核可追溯性與儲存成本的影響。語料未提供任何微軟平台實測數據，研究不宣稱評測該平台本身，而是建立可套用於各種低程式碼代理平台的評測方法。
值得研究的理由
本日語料指出，微軟主張企業不必從零開始，可在既有應用上加入 AI，Power Apps 提供人與代理協作建置的混合式開發，並強調在受治理的平台上整合人員、代理與自動化。多數企業想導入 AI 又不想推翻既有系統，低程式碼結合 AI 代理會影響 IT 預算、人力配置與數位轉型速度；但語料同時質疑 AI 代理自動做決策時責任歸屬與稽核不清，低程式碼普及可能衍生影子 IT 與資安風險，深度依賴單一平台也可能造成供應商鎖定。代理人在既有業務流程中做錯事時，能否從工具呼叫紀錄定位錯誤步驟並歸因，是缺少公開評測方法的資料科學問題。近 30 日 AI 代理人題目涵蓋例行代理重複執行、湖倉問答代理、銀行代理式服務等，未涵蓋既有系統中代理人的工具呼叫軌跡錯誤歸因與稽核可追溯性，題目不重複。
市場／可行性／目的
- 市場：企業導入代理人最大顧慮是出錯後無法追責，稽核、內控與資安團隊都需要可量化的代理人行為紀錄與錯誤歸因方法；成果可延伸為代理人稽核工具、內控檢核規範與跨平台評測基準，降低供應商鎖定。
- 可行性：開源代理框架、本機語言模型與沙盒 API 均可自行建置，任務集與錯誤注入可控；主要工作量在任務設計與軌跡人工標註，碩士規模可控制在數百個任務。
- 目的：建立企業既有應用情境下 AI 代理人的工具呼叫軌跡評測與錯誤歸因方法，量化不同紀錄粒度對稽核可追溯性的影響，提供企業導入代理人時的責任界定與內控依據。
呈現形式
碩士論文（沙盒任務集與錯誤注入實驗＋軌跡錯誤歸因模型；附錯誤分類表、評測基準資料集與稽核紀錄格式建議）
方法
企業流程沙盒與工具 API 建置；任務集與錯誤注入設計；代理執行軌跡蒐集；錯誤分類與人工標註；序列分類與語言模型評審歸因；紀錄粒度比較實驗；準確率、召回率與成本分析。
建議指導教授（前二）
1. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學：錯誤歸因模型與評測資料集建構屬機器學習與資料探勘核心問題，葉教授的人工智慧與資料科學專長可指導模型設計與實驗評估。
2. 吳政隆（教授）— 自然語言處理、文字探勘、深度學習、人工智慧：代理人軌跡以自然語言指令與推理摘要為主，吳教授的自然語言處理與文字探勘專長可指導軌跡文本分析與語言模型評審方法。
分數
理論 8／實務 9／市場化 8
依據語料 id
91
三個爭議點
1. 部嘉護理之家占床 99%、另有 85 名長者排隊，候選人爭取 18 億元蓋長照大樓並配置職員宿舍，台北市則 65 歲以上占 24.76%、平均屋齡 39.62 年形成「人屋雙老」；但語料質疑蓋宿舍能否真正解決照護人力短缺、護理人員從哪裡招募仍待說明、五年工期期間候位長者可能被迫轉往外縣市：長照床位該用候選人政見與排隊人數決定，還是先用人口、屋齡與人力資料推估各區缺口與可補進的照護人力？
2. 特教教師用 Gemini 為不識字學生生成視覺指引，不會寫字的學生以語音生成圖像表達自己；但語料指出特教學生資料極為敏感、AI 生成圖像未必符合個別障礙學生的理解方式，科技投入還可能成為減少特教人力的理由：AI 對特教學生是否有幫助，應由教師分享的個案故事下結論，還是需要以個別學生的理解表現與隱私風險做系統性評估？
3. 微軟主張企業不必從零開始，可在既有應用上用 Power Platform 加入 AI，人與代理可協作建置；但語料質疑深度依賴微軟平台恐供應商鎖定，AI 代理自動做決策時責任歸屬與稽核不清，低程式碼普及也可能衍生影子 IT 與資安風險：企業代理人上線前，該信任平台宣稱的「受治理」，還是需要可重現的工具呼叫紀錄與錯誤歸因評測？