碩論：AI 代理人影響文獻（資料科學視角）— 2026-10-06

主題一：AI 代理人影響

1. AI-EduAgent: A Decentralized Autonomous AI Agent for Real-Time Adaptive Personalized Learning

來源： Semantic Scholar；DOI：10.1109/ICMCTC62214.2025.11196718
摘要： 研究提出結合多代理強化學習、神經適應式 AI、情感運算、聯邦學習與區塊鏈的個人化學習代理框架。摘要宣稱其適應性、知識保留與資料安全優於傳統模型，但未揭露樣本規模、完整比較指標與效果量。
六維度： 提供教育場景的個人化協助與自動調適；未報告節省工時的效果量，也未直接測量健康、成癮、焦慮或停用影響。
方法： 系統設計及模型比較，整合多代理強化學習、情感運算、聯邦與持續學習。
資料： 摘要未揭露樣本規模、資料集或觀察期間；複製時需自行蒐集學習事件、測驗與情緒回饋。
指標： 摘要僅稱適應性、知識保留深度與安全性較佳，未提供效果量或不確定性。
碩論借鑑： 縮小為單一課程代理介入，保存推薦、接管與測驗事件，以重複量測比較學習增益與負荷。

2. Collaborating with AI Agents: Field Experiments on Teamwork, Productivity, and Performance

來源： arXiv:2503.18238
摘要： 研究以 Pairit 將 2,234 名參與者隨機分派至人類—人類或人類—AI 團隊，共產出 11,024 則廣告，並以獨立評分及 X 平台約五百萬次曝光評估。人機團隊產量與文字品質較高，但圖像品質較差、輸出更同質化。
六維度： 直接涵蓋工作效率及品質權衡；未測量一般生活協助、健康、成癮、焦慮或代理撤除影響。
方法： 大規模隨機實地實驗，結合平台事件、對話、委派紀錄、獨立盲評與平台成效。
資料： 2,234 名參與者、11,024 則廣告及約五百萬次曝光；碩論可縮為校園知識任務與數百件產出。
指標： 單位時間產出、文字與圖像品質、自相似度、訊息類型、委派、直接編輯、點擊率、觀看時長及每次點擊成本。
碩論借鑑： 隨機比較人工與代理協作，除速度與品質外納入輸出多樣性及人工接管率。

方法論地圖

方法由整合式教育代理系統設計延伸至大規模隨機實地實驗；後者有真實事件與成果指標，前者提供適應與隱私架構，但共同缺口是代理長期使用、心理量表與撤除條件的聯結。

可執行碩論設計

1. 代理個人化學習的增益與認知負荷：假設代理調適提升測驗增益但可能增加監控負荷；蒐集 60–100 名學生四週事件、前後測與負荷量表，以隨機對照及混合效應模型分析，產出可重跑事件格式與介入效果估計。

2. 效率提升是否伴隨內容同質化：假設代理協作提高單位時間產出但降低語意多樣性；蒐集人工組與代理組各至少 150 件成果及編輯日誌，以人工盲評和嵌入相似度分析，產出效率—多樣性權衡基準。

3. 代理撤除後的任務恢復成本：假設高委派者在代理突然停用時錯誤率與恢復時間增幅較大；採受試者內交叉實驗分析委派率、接管、恢復時間及狀態焦慮，產出依賴與韌性指標。

師資對接： 呂明頴副教授（商業智慧、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）、金凱儀院長／系主任／教授（電腦輔助教學、適性化學習）。

主題二：ChatGPT／Grok 聊天成癮與生活強制性

1. Problematic ChatGPT use: Manifestations, etiologies, and evaluation

來源： Semantic Scholar；DOI：10.1016/j.bj.2026.100998
摘要： 敘事性回顧整合問題性 ChatGPT 使用的實證、心理計量、理論模型及初步腦電研究，涵蓋六個國家或地區。問題性使用與憂鬱、壓力、自我控制受損及功能困難相關，但量表仍需進一步驗證。
四維度： 整理問題性使用與依賴量表，但沒有通用時數門檻；未以帶真值任務直接檢驗可信度、辨錯或有害內容抗拒。
方法： 敘事性回顧。
資料： 跨台灣、土耳其、中國、韓國、新加坡及美國；摘要未提供納入篇數與總樣本。
指標： 問題性使用、對話 AI 依賴、生成式 AI 依賴量表，以及心理健康與腦電功能連結。
碩論借鑑： 建立共同構念表，再以客觀週用量與功能受損驗證收斂效度，不把單一時數直接當成成癮切點。

2. Exploring Trust and Literacy in Engagement With Generative AI and Science Information Behavior

來源： Semantic Scholar；DOI：10.17645/mac.11357
摘要： 研究使用 2024 年丹麥全國代表性調查 514 人資料，以 29 個變項的機率圖模型分析生成式 AI 信任、AI 素養、使用經驗、科學資訊接觸及人口變項。信任位於技術理解與輸出可靠性信念之間的核心位置，但觀察性模型不能確認中介因果。
四維度： 直接測量多維信任與 AI 素養；未建立成癮門檻，也未測量帶真值辨錯率或實際有害內容拒絕行為。
方法： 全國代表性橫斷調查、描述統計及機率圖模型。
資料： 514 名丹麥受訪者；在台複製需問卷本土化及抽樣資源。
指標： 多維信任、技術與認知 AI 素養、生成式 AI 經驗、科學資訊接觸及條件關聯結構。
碩論借鑑： 加入帶真值辨錯與查證行為，檢驗主觀素養、信任與實際表現是否一致，避免把圖模型邊解讀為因果。

方法論地圖

方法以跨文化敘事回顧、代表性問卷與機率圖模型為主，能建立問題性使用、信任與素養構念，但缺裝置端客觀用量、縱向方向性，以及有真值的辨錯與有害內容抗拒任務。

可執行碩論設計

1. 客觀用量能否改善問題性使用辨識：假設週用量、夜間使用與連續對話長度能在量表外增加功能受損預測力；蒐集 100–150 名使用者八週本機彙總日誌與週量表，以時間切分的階層迴歸及分類模型分析，產出去識別特徵字典與增益評估。

2. 自評 AI 素養與真實辨錯能力落差：假設高自評素養未必帶來較佳辨錯校準；蒐集 150 名受試者的素養問卷、帶來源真值題及信心分數，以訊號偵測理論和校準曲線分析，產出辨錯能力基準。

3. 信任、依賴與有害建議拒絕的路徑：假設問題性使用透過過度信任降低低風險有害建議拒絕率；蒐集問卷、去敏化情境選擇及查證點擊，以中介模型與混合邏輯迴歸分析，產出行為性抗拒指標。

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、巨量資料分析與行銷應用）、吳政隆教授（文字探勘、自然語言處理、人工智慧）。

跨主題爭議

1. 方法論： 代理隨機實驗能估計特定任務的因果效果，問卷與敘事回顧多為關聯證據；兩者不能未經跨任務及縱向驗證就合併推論長期生活影響。

2. 量測： 產量、主觀信任與問題性使用量表分屬不同構念；應分別加入品質、多樣性、客觀用量、辨錯校準及實際拒絕行為。

3. 倫理： 代理事件、學習狀態、心理量表與對話內容可能揭露敏感資訊；須資料最小化、去識別、允許退出刪除，並避免回饋未驗證的健康或成癮診斷。

三個爭議點

1. 方法論爭議：代理隨機實驗能估計特定任務的因果效果，問卷與敘事回顧則多為關聯證據；兩者不能未經跨任務與縱向驗證就合併推論長期生活影響。

2. 量測爭議：產量、主觀信任與問題性使用量表分屬不同構念；應分別加入品質、多樣性、客觀用量、辨錯校準及實際拒絕行為，不能以單一分數代替。

3. 倫理爭議：代理事件、學習狀態、心理量表與對話內容可能揭露敏感資訊；研究須資料最小化、去識別、允許退出刪除，並避免用尚未驗證的模型回饋個人健康或成癮診斷。