研究所論文方向｜2026-10-12
> 來源語料：76 則（長照醫療 / 學齡教學 / AI代理人）
> 讀者定位：東吳大學資料科學系碩士論文
> 三大領域：A 長照醫療 ✓ ｜ B 學齡教學 ✓ ｜ C AI／AI代理人 ✓
---
報告層爭議點（3 則）
1. 長照制度 vs. 技術遮羞布：「建了床卻沒人照顧」的悖論揭示長照擴充邏輯的根本矛盾：政府補助蓋床位卻不同步解決照服員薪資結構與工時條件；資料科學能預測哪些機構最先斷鏈，但若預測工具只是讓管理者「提前知道問題」而不觸動薪資制度，機器學習預警模型恐成為拖延政策改革的緩衝器，把照服員短缺從制度問題轉化為可被個別管理的技術問題。
2. 數據刀與轉型代價：少子化存活率預測模型以「科系」為單位，關閉一個科系背後卻是教職員工作流失、在學學生被迫轉系或轉學的真實衝擊；資料科學提供的「科系消亡預測地圖」可能被主管機關拿來正當化快速整併決策，跳過社會對話程序，數據反而成為簡化複雜轉型協商、壓縮利害關係人異議空間的工具。
3. 資本敘事先於科學共識：AMD 以 82 億美元收購 World Labs 顯示資本大力押注世界模型，但學術評估若缺乏統一的虛實遷移基準（sim-to-real benchmark），業界宣稱的「虛擬練習可有效轉移至真實環境」將難以被獨立研究驗證；虛擬環境的物理假設（重力、剛體接觸）遠不及現實的複雜性（軟性材料、不確定人類行為），投資敘事有可能先於科學共識被固化為產業標準。
---
A 長照醫療
新床蓋好卻不敢收人？用資料找出哪些長照機構最快人力斷鏈
正式題目：機構型長照服務供需落差預測：基於照服員招募週期與機構特徵之人力斷鏈預警模型
目標學位：碩士 ｜ 學程：資料科學系碩士
為何值得研究
本日語料（長照需求達九十二萬人，機構新床因缺照服員不敢收，近九成業者缺工，平均半年才招到且多不滿三年離職，住宿補助提高仍難留才，團體家屋只收半數並虧損）揭示長照體系正面臨結構性斷鏈：不是缺床，而是床建好了卻沒人可用。目前缺乏系統性研究，以各縣市機構特徵（床位規模、人員薪資、成立年限、地理位置）預測「最快無法正常收住」的機構群體。近 30 日長照題目已涵蓋輿論汙名與人力流失（NLP）、床位推估、AI 訪視紀錄等，均未觸及「新床建好後人力斷鏈預測」的供需落差角度，題目不重複。
AI 整合
整合衛福部公開長照統計（機構床位數、服務人數、人員異動）、機構評鑑結果、縣市薪資中位數及人口老化指標；以生存分析（Kaplan-Meier、Cox 比例風險模型）建立機構服務能量維持時間的預測模型；以機器學習（Random Forest、Gradient Boosting）比較效能；以 SHAP 輸出高風險特徵排序；以 K-Means／DBSCAN 識別高風險機構類型；提供縣市分級人力斷鏈風險熱力圖。
研究方法
衛福部長照統計整合 → 生存分析（Kaplan-Meier、Cox）→ 機器學習分類（RF、GBM）→ 集群分析（K-Means、DBSCAN）→ SHAP 可解釋性 → 縣市空間視覺化
分數：理論性 7 ｜ 實務性 9 ｜ 市場性 8
領域爭議點
1. 若 AI 人力斷鏈預警模型只協助主管機關「精準鎖定高風險機構」卻不改變補助公式，模型輸出可能強化對特定機構的標籤化，進一步加劇人員逃離惡性循環。
2. 照服員招募週期與離職率屬機構人事記錄，高風險機構恰恰最不願揭露，造成嚴重的選擇性偏誤，預測模型的外部效度受到根本限制。
3. 「斷鏈預警」以機構層級為對象，若被誤用為預測個別員工離職意圖的工具，將侵犯勞工隱私並帶來違反勞動法規的法律風險。
指導教授
| 排名 | 姓名 | 職稱 | 契合專長 | 推薦理由 |
|------|------|------|----------|----------|
| 1 | 葉向原 | 教授 | 機器學習、資料探勘、人工智慧、資料科學 | 題目技術核心為生存分析與機器學習預測建模，葉教授機器學習與資料科學背景最直接支撐模型建置、特徵工程設計與評估指標選擇。 |
| 2 | 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專長提供長照領域知識；因果機制拓樸排序方法有助於釐清機構特徵與人力斷鏈之間的因果方向。 |
---
B 學齡教學
哪些大學科系快撐不住了？用機器學習畫出少子化衝擊下的科系存活地圖
正式題目：少子化第二波衝擊下私立大學科繫存活率預測：基於機器學習與人口統計資料之招生危機預警模型
目標學位：碩士 ｜ 學程：資料科學系碩士
為何值得研究
本日語料（116學年私立大學寄存名額達589個，較去年增加三成創7年新高，超過九成來自私校；專家示警少子化第二波衝擊已逐漸浮現，技專校院陷入「寄無可寄」的極限困境）揭示台灣高等教育正進入結構性收縮的加速期。目前政策回應以「後見之明」為主，缺乏系統性的科系層級存活率預測工具。近 30 日學齡教學題目已涵蓋明星高中城鄉公平性、大學申請算法公平性、AI 代寫偵測等，均未觸及少子化招生危機的科系層級存活率預測，題目不重複。
AI 整合
整合教育部歷年招生統計（科系層級招生率時間序列）、縣市人口推計（國發會）、科繫類別、學校財務健全度指標；以生存分析建立科系維持招生門檻年數的預測模型；以機器學習（Gradient Boosting、LightGBM）建立招生危機分類模型；以時間序列（ARIMA、Prophet）預測縣市人口對招生量的影響；以 SHAP 解釋關鍵風險特徵；提供縣市分科系的存活風險視覺化地圖。
研究方法
教育部招生統計整合 → 生存分析（Kaplan-Meier、Cox）→ 機器學習（GBM、LightGBM）→ 時間序列（ARIMA、Prophet）→ SHAP → 集群（t-SNE、K-Means）→ 空間視覺化（GeoPandas）
分數：理論性 8 ｜ 實務性 8 ｜ 市場性 7
領域爭議點
1. 科系存活率預測模型若被教育部直接採用為整併依據，可能在社區需求仍存在的情況下提前關閉特定科系，損害偏鄉學生就近就讀機會，數據優化邏輯與教育公平價值在此產生根本衝突。
2. 寄存名額機制本質上掩蓋真實缺額數據，私校財務壓力可能導致招生數據失真；若模型以官方登錄招生數為主要特徵，可能學習到機構的「數據操作能力」而非真實存活力。
3. 若研究成果被媒體解讀為「即將倒閉科系榜單」，可能觸發招生恐慌的自我實現預言（self-fulfilling prophecy），資料科學發表本身就改變了它所預測的現象。
指導教授
| 排名 | 姓名 | 職稱 | 契合專長 | 推薦理由 |
|------|------|------|----------|----------|
| 1 | 葉向原 | 教授 | 機器學習、資料探勘、資料科學、人工智慧 | 題目技術核心為生存分析與機器學習預測建模，葉教授機器學習與資料科學背景最直接支撐模型建置與評估指標設計。 |
| 2 | 呂明頴 | 副教授 | 行為分析、資料探勘、人工智慧、商業智慧 | 科系招生危機預測涉及學生升學行為模式，呂副教授的行為分析與商業智慧專長可補足教育行為數據詮釋；決策分析背景有助政策情境模擬框架設計。 |
---
C AI／AI代理人
AI代理人先在虛擬世界練好，能順利搬到真實任務嗎？設計一套評估虛實遷移能力的測量框架
正式題目：基於世界模型的AI代理人虛實遷移評估：從虛擬環境預訓練到真實任務部署的行為一致性指標研究
目標學位：碩士 ｜ 學程：資料科學系碩士
為何值得研究
本日語料揭示兩個互補信號：學術端（世界模型可在虛擬環境生成近乎無限練習經驗，突破機器人訓練資料稀缺瓶頸）與資本端（AMD 以 82 億美元收購李飛飛的 World Labs，押注物理 AI 與空間智能）。世界模型作為 AI 代理人的訓練範式正從學術概念快速走向產業投資，但目前缺乏系統性的評估框架，量化「在虛擬環境預訓練的代理人，部署到真實任務時保留了多少行為能力」。C 類近 30 日題目已涵蓋 APT 多代理情資、銀行代理合規、行政代理評估等，均未觸及世界模型代理人虛實遷移評估，題目不重複。
AI 整合
以世界模型架構（WM、VLA、GAE）為研究對象，設計 sim-to-real 評估實驗：在 MuJoCo／Isaac Lab 虛擬環境訓練代理人後移植至混合虛實環境；設計評估指標集：任務完成率差距（virtual-to-real drop rate）、幻覺動作率（hallucinated action rate）、策略一致性分數（policy consistency score）、恢復行為觸發率（recovery trigger rate）；以消融實驗比較不同世界模型架構；識別遷移失敗的典型場景類型並建立失敗模式分類；提供可公開的評估資料集與基準分數。
研究方法
虛擬環境建置（MuJoCo／Isaac Lab）→ 世界模型架構比較（WM、VLA、GAE）→ 代理人訓練（RL＋模仿學習）→ 虛擬評估指標計算 → 混合虛實部署測試 → 行為一致性指標計算 → 消融實驗 → 遷移失敗場景分類 → 可重現性驗證
分數：理論性 9 ｜ 實務性 7 ｜ 市場性 8
領域爭議點
1. 世界模型虛擬環境以確定性物理假設為前提，但現實任務中的軟性材料（衣物、食材）、動態人類行為遠超模擬邊界；「虛擬練習可有效遷移」的宣稱若缺乏嚴謹獨立評估，難以辨別是真實能力還是對模擬器的刷分行為。
2. 業界已形成「世界模型是物理 AI 必由之路」的投資敘事；學術評估框架若未能在資本推動路線確立前建立，後續研究者將面臨「證明業界正確」的發表壓力，評估指標設計可能在資本敘事的重力場中偏移。
3. 「虛實遷移效能」的黃金標準需要真實環境部署實驗，涉及安全風險與高昂成本；碩士論文以混合虛實代替全真實部署所建立的評估框架，其生態效度（ecological validity）將受到嚴格的方法論審視。
指導教授
| 排名 | 姓名 | 職稱 | 契合專長 | 推薦理由 |
|------|------|------|----------|----------|
| 1 | 吳政隆 | 教授 | 深度學習、人工智慧、自然語言處理 | 世界模型代理人評估技術主軸是深度學習架構（VLA、WM）與 AI 系統行為評估，吳教授深度學習與人工智慧研究背景最直接支撐模型架構選型與消融實驗設計。 |
| 2 | 蘇明祥 | 副教授 | 深度學習、語音訊號處理、口語對話系統、情緒與人格感知 | 世界模型代理人評估涉及多模態感知（視覺＋動作訊號）與時序行為序列分析，蘇副教授深度學習與訊號處理背景可補足感知-行動一致性的方法論設計；對代理行為評估的視角有助虛實遷移失敗模式分類的理論化。 |
---
*分析師：analyst agent｜ingest 由 ingest_today_thesis_directions.py 執行*
三個爭議點
1. 「建了床卻沒人照顧」的悖論揭示長照擴充邏輯的根本矛盾：政府補助蓋床位卻不同步解決照服員薪資結構與工時條件；資料科學能預測哪些機構最先斷鏈，但若預測工具只是讓管理者「提前知道問題」而不觸動薪資制度，機器學習預警模型恐成為拖延政策改革的緩衝器，把照服員短缺從制度問題轉化為可被個別管理的技術問題。
2. 少子化存活率預測模型以「科系」為單位，關閉一個科系背後卻是教職員工作流失、在學學生被迫轉系或轉學的真實衝擊；資料科學提供的「科系消亡預測地圖」可能被主管機關拿來正當化快速整併決策，跳過社會對話程序，數據反而成為簡化複雜轉型協商、壓縮利害關係人異議空間的工具。
3. AMD 以 82 億美元收購 World Labs 顯示資本大力押注世界模型，但學術評估若缺乏統一的虛實遷移基準（sim-to-real benchmark），業界宣稱的「虛擬練習可有效轉移至真實環境」將難以被獨立研究驗證；虛擬環境的物理假設（重力、剛體接觸）遠不及現實的複雜性（軟性材料、不確定人類行為），投資敘事有可能先於科學共識被固化為產業標準。