研究所論文方向｜2026-10-11

目標學位： 資料科學系碩士

語料數量： 42 則（去重後）

選題日期： 2026-10-11

---

整體觀察（報告層 controversy_points）

1. 長照勞動力汙名化困境： 社工被政治人物不實言論汙名化，凸顯台灣長照體系長期壓低照顧人力價值的結構困境；AI 模型可預測誰即將離職、識別哪些輿論事件加劇職場負面情緒，但若預測工具只是讓管理層「提前知道問題」卻不改善薪資與勞動條件，資料科學究竟是賦能改革，還是在合理化制度慣性？

2. 科學班逕升大學的城鄉公平性： 北一女、建中等 9 所明星高中科學班聯署爭取逕升大學，本意在留住科研人才，但教育工會指出若無限科配套，補習競賽將向下延伸至國中小、加劇城鄉教育不公；資料科學能量化誰在入學前就已被結構性排除，然而「用數據揭露不公平」與「政策背後早有利益方主導」的結構衝突，使研究結論的政策影響力受到系統性限制。

3. APT 情資 AI 代理的評估悖論： 美國司法部查封「亞麻颱風」漏洞掃描工具後，台灣關鍵基建與大學被鎖定的輪廓才部分曝光；讓 AI 代理人自動追蹤 APT 指標可提高情資分析速度，但代理人歸因錯誤（把正常探測誤判為 APT 行為）的政治代價，與漏掉真實攻擊的安全代價，在任何量化研究框架下都難以用相同指標衡量，評估指標的選擇本身即是政治判斷。

---

A｜長照醫療

照顧服務員被汙名化，誰先不幹了？用 NLP 分析社群輿論和機器學習預測長照人力流失

正式題目： 照顧勞動力輿論汙名化與離職風險預測：基於社群媒體自然語言處理與機器學習之長照人力流失預警框架

靈感來源： ID40（李彥秀言論將社工與毒品供應掛勾，社工工會宣布集體抗議並要求道歉）

為什麼值得研究：

語料揭示照顧勞動力如何在一夕間遭政治言論汙名化，澄清難消首次印象傷害與職場不信任。台灣長照體系長期面臨人力短缺，輿論汙名更加速人才流失，但目前缺乏系統性研究探討「媒體輿論對照顧服務員的負面再現」與「人力流失指標」之間的關係。

AI 整合方式：

以 BERT/RoBERTa-Chinese 分析社群媒體（PTT、Facebook 公開社團）涉及照顧服務員的文本情感與汙名化主題，建立輿論汙名指數時序序列；整合長照統計人力異動數據，以 Random Forest、XGBoost 建立離職風險預測模型；SHAP 值輸出可解釋的高風險特徵排序。

研究目的： 量化媒體事件對照顧服務員職業形象的汙名化衝擊，建立人力流失預警模型，協助長照主管機關提前識別高風險機構。

研究方法： 社群語料爬取→中文情感分類（BERT）→主題模型（BERTopic）→輿論指數建置→分類預測模型（RF/XGBoost）→SHAP 可解釋性→AUC/Precision-Recall 評估

爭議點：

1. 以照顧服務員職業身份為分析標籤可能再次強化刻板印象；「預測誰會離職」的模型若被雇主用於差異化管理，反而可能引發歧視性對待

2. NLP 輿論指數與離職率之間的因果連結難以驗證，轉職決策往往受薪資、工時等線下因素主導

3. 若主管機關以算法識別高風險員工而非改善整體薪資結構，資料科學工具反而可能成為延緩制度改革的緩衝器

評分： 理論 7 ／實用性 9 ／商業化 7

推薦指導教授：

| 排名 | 姓名 | 職稱 | 對應專長 | 理由 |

|------|------|------|----------|------|

| 1 | 丁德天 | 副教授 | 高齡醫學、精神流行病學、社會網絡分析、因果機制拓樸排序 | 高齡醫學與精神流行病學直接契合長照議題；社會網絡分析可指導輿論傳播建模；因果機制拓樸排序有助釐清輿論事件與離職率的因果方向 |

| 2 | 吳政隆 | 教授 | 自然語言處理、文字探勘、深度學習、文本情感分析 | 研究技術主軸（BERT 情感分類、主題模型、輿論指數建置）由 NLP 與文字探勘專長最直接支撐 |

---

B｜學齡教學

明星高中科學班只有台北才有？用資料看城鄉差距在升大學前就決定了

正式題目： 高中科學班設置不均與逕升大學政策之教育公平性評估：以空間資料科學量化城鄉入學機會差距

靈感來源： ID19、ID24、ID27、ID28、ID29（科學班逕升大學，北一女建中等 9 所明星高中聯署提案，教團憂淪卡位特權，補習下移至國中小）

為什麼值得研究：

語料揭示現有科學班集中於都會區明星高中，逕升大學制度若推行，城鄉學生連「資格考」的機會都不對等。資料科學可量化科學班設置的地理分布偏差，並模擬不同政策情境對城鄉公平性的影響，將「科學班是否公平」從主觀辯論轉為可驗證的實證命題。

AI 整合方式：

整合教育部科學班設置統計、縣市社經指標；空間分析（GIS 核密度估計、空間自相關）呈現設置地理集中程度；Random Forest/XGBoost 預測各高中學生進入科學班的機率；Gini Coefficient 計算城鄉機會差距；反事實政策模擬比較「現況逕升」與「擴增後逕升」的公平性指標變化；SHAP 解釋哪些地理與社經特徵最強烈預測機會不均。

研究目的： 量化科學班設置城鄉偏差，建立教育機會公平性評估框架，為逕升大學立法提供實證依據。

研究方法： 教育統計整合→城鄉社經特徵工程→GIS 空間分析→機率預測模型→公平性指標（Gini/Disparate Impact）→反事實政策模擬→SHAP 解釋

爭議點：

1. 科學班集中都會區使逕升制度從一開始就不平等；支持者認為菁英科研培育本應集中資源，「公平」與「卓越」存在根本衝突

2. 以行政區劃切分城鄉可能掩蓋都市內部的階級差異，地理代理變數的粗糙化使政策建議在執行層面失準

3. 倡議由既有科學班學校主導，具先行優勢鞏固動機；「擴增科學班」與「暫緩逕升」兩種政策回應需要截然不同的價值框架

評分： 理論 8 ／實用性 8 ／商業化 6

推薦指導教授：

| 排名 | 姓名 | 職稱 | 對應專長 | 理由 |

|------|------|------|----------|------|

| 1 | 葉向原 | 教授 | 機器學習、資料探勘、人工智慧、資料科學 | 技術核心（機率預測模型、公平性指標計算、SHAP 解釋、反事實模擬）由機器學習與資料科學專長最直接支撐 |

| 2 | 呂明頴 | 副教授 | 行為分析、資料探勘、人工智慧、商業智慧 | 升學行為分析（補習決策、學校選擇策略）與政策情境模擬框架設計可受益於行為分析與資料探勘背景 |

---

C｜AI／AI 代理人

讓 AI 代理人自動追蹤 APT 駭客指紋、跨來源比對情資、生成威脅報告——怎麼評它找得準不準

正式題目： 多代理人框架之進階持續威脅（APT）情資自動蒐集與攻擊指紋比對評估：工具呼叫準確率、誤判率與跨來源一致性指標研究

靈感來源： ID22（美查封「亞麻颱風」Flax Typhoon 工具 Microscan、FishHub；台灣電力基建與 2 所大學遭鎖定，惡意程式隱藏難察覺）

為什麼值得研究：

語料揭示 APT 攻擊工具跨多個目標分散使用，IoC 散落於多個異質來源，人工整合耗時且易遺漏。多代理人框架是解方候選：子代理分別呼叫 OSINT 工具（Shodan、VirusTotal）、威脅情報資料庫（MITRE ATT&CK、NVD CVE）、NLP 新聞抽取；主代理整合並生成結構化威脅報告。目前缺乏系統性評估框架測量代理工具呼叫的準確率、誤判率與跨來源一致性。

AI 整合方式：

以多代理人框架（ReAct、Plan-and-Execute、LangGraph 或 AutoGen）建置 APT 情資蒐集系統；以 MITRE ATT&CK 公開 APT 報告建立黃金標準；計算評估指標：工具呼叫正確率、IoC 識別召回率、幻覺率、跨來源一致性分數；比較不同代理框架與底層語言模型（GPT-4o、Claude 3.5、Llama-3）的表現差異；追蹤代理失敗案例（cascading error 分類）。

研究目的： 設計多代理人 APT 情資蒐集評估基準，量化代理框架的工具呼叫行為，識別失敗模式，提供企業資安團隊選型的實證依據。

研究方法： 多代理人框架設計（ReAct/Plan-and-Execute）→工具呼叫 API 整合→NLP IoC 實體抽取→黃金標準建置與人工標注→評估指標計算（準確率/Recall/幻覺率）→消融實驗→代理失敗案例分類

爭議點：

1. APT 攻擊歸因爭議最大：同一工具可能被多組織重複使用或仿冒，代理人輸出「攻擊者為某國組織」的結論可能引發外交後果，但研究框架難以將不可逆外交代價納入誤判成本函數

2. 評估需有 ground truth，但 APT 標注資料集是機密或受限資源；公開基準（MITRE ATT&CK）的覆蓋面與即時性有限，研究外部效度依賴不可控的資料集品質

3. 代理人處理 APT 情資涉及機密資料流經自動化管線的洩漏風險；學術研究的開放性要求（可重現性、公開資料集）與威脅情資的機密性要求之間存在根本衝突

評分： 理論 8 ／實用性 8 ／商業化 8

推薦指導教授：

| 排名 | 姓名 | 職稱 | 對應專長 | 理由 |

|------|------|------|----------|------|

| 1 | 葉向原 | 教授 | 機器學習、人工智慧、資料探勘、資料科學 | 多代理人框架評估與 AI 行為基準測試的核心技術（消融實驗、評估指標設計、統計評估）由機器學習與人工智慧研究背景最直接支撐 |

| 2 | 吳政隆 | 教授 | 自然語言處理、文字探勘、深度學習、人工智慧 | 子代理的 NLP 實體抽取（從威脅報告與新聞識別 IoC）與結構化威脅報告生成由 NLP 與文字探勘專長最直接支撐；深度學習背景可支援語言模型選型比較實驗 |

---

*生成時間：2026-10-11 | 語料來源：today-media-frontpages、today-edu-info、daily-hot-topics*

三個爭議點

1. 社工被政治人物不實言論汙名化，凸顯台灣長照體系長期壓低照顧人力價值的結構困境；AI 模型可預測誰即將離職、識別哪些輿論事件加劇職場負面情緒，但若預測工具只是讓管理層「提前知道問題」卻不改善薪資與勞動條件，資料科學究竟是賦能改革，還是在合理化制度慣性？

2. 北一女、建中等 9 所明星高中科學班聯署爭取逕升大學，本意在留住科研人才，但教育工會指出若無限科配套，補習競賽將向下延伸至國中小、加劇城鄉教育不公；資料科學能量化誰在入學前就已被結構性排除，然而「用數據揭露不公平」與「政策背後早有利益方主導」的結構衝突，使研究結論的政策影響力受到系統性限制。

3. 美國司法部查封「亞麻颱風」漏洞掃描工具後，台灣關鍵基建與大學被鎖定的輪廓才部分曝光；讓 AI 代理人自動追蹤 APT 指標可提高情資分析速度，但代理人歸因錯誤（把正常探測誤判為 APT 行為）的政治代價，與漏掉真實攻擊的安全代價，在任何量化研究框架下都難以用相同指標衡量，評估指標的選擇本身即是政治判斷。