研究所論文方向｜2026-10-13
> 來源語料：84 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. 用 AI 評 AI，基準可信嗎：AI 餐點辨識、模擬學生、模型路由器都是用 AI 去評 AI；若基準資料本身有偏差，評估結果會把偏差包裝成客觀指標，廠商與政策端更容易引用漂亮數字而忽略失真。
2. 資料豐富度 vs. 隱私：三題都牽涉敏感或高風險情境（慢性病長輩飲食、兒童學習紀錄、代理人代辦任務），驗證需要大量真實資料，但同意、去識別化與再識別風險與資料豐富度之間難以兩全。
3. 廠商宣稱未獨立驗證：語料多為廠商發表或新聞稿，宣稱效果尚未經獨立驗證；碩論必須設計獨立對照實驗與失敗案例分析，否則容易變成替產品背書。
---
A 長照醫療
長輩用手機拍一張就記飲食——怎麼評 AI 認餐點、估營養準不準，錯了會不會讓糖尿病長輩吃錯？
- 正式題名：高齡慢性病照護情境下多模態餐點影像辨識與營養估算之準確度與風險評估
- 來源：Google Health 拍照記錄餐點、教練記憶（語料未直接談長者，長照情境為研究延伸）
- 學位／系所：碩士／資料科學系碩士
- AI／資料科學整合：多模態模型辨識菜色與份量、估營養素；比較零樣本、微調、檢索增強；校準度與臨床風險機率；低信心轉人工確認
- 評分：理論 6／實用 8／市場 7
- 指導教授：1. 丁德天（副教授）— 高齡醫學、醫學影像分析；2. 葉向原（教授）— 機器學習、資料科學
B 學齡教學
AI家教上線前先拿「模擬學生」試跑——怎麼證明模擬學生真的像孩子，不會讓老師被假數據騙了？
- 正式題名：以學習紀錄訓練之模擬學生擬真度評估：AI 家教上線前測試之效度與偏差分析
- 來源：StudentSim（用去識別化學習紀錄訓練模擬學生，評估 AI 家教）
- 學位／系所：碩士／資料科學系碩士
- AI／資料科學整合：知識追蹤與 LLM 模擬學生比較；行為分布距離、預測效度；分群偏差分析
- 評分：理論 7／實用 7／市場 6
- 指導教授：1. 金凱儀（教授）— 電腦輔助教學、適性化學習；2. 吳政隆（教授）— 深度學習、自然語言處理
C AI／AI代理人
AI代理人把每次模型呼叫自動分給大小不同的模型——怎麼評省下的錢，是不是拿答錯換來的？
- 正式題名：代理式工作流中模型路由策略之成本—品質取捨評估與失敗模式分析
- 來源：AMD Helion（內建 token 路由器，把代理的模型呼叫導向不同模型）
- 學位／系所：碩士／資料科學系碩士
- AI／資料科學整合：多步驟代理任務基準；固定模型、規則式、學習式、級聯路由比較；成本品質帕累托與錯誤傳播
- 評分：理論 7／實用 9／市場 8
- 指導教授：1. 吳政隆（教授）— 深度學習、自然語言處理；2. 許晋雄（教授）— 作業研究、最佳化理論
三個爭議點
1. 三題共通的張力是「評估工具本身可信嗎」：AI 餐點辨識、模擬學生、模型路由器都是用 AI 去評 AI；若基準資料（餐點照片標註、去識別化學習紀錄、路由評測集）本身偏差，評估結果會把偏差包裝成客觀指標，廠商與政策端反而更容易引用漂亮數字而忽略失真。
2. 三題都牽涉敏感或高風險情境（慢性病長輩飲食、兒童學習紀錄、代理人代辦任務），資料科學研究需要大量真實資料才能驗證，但取得資料的同意、去識別化與再識別風險，與研究要求的資料豐富度之間存在難以兩全的取捨。
3. 語料多為廠商發表或新聞稿（Google Health、StudentSim 論文摘要、AMD 藍圖），宣稱的效果尚未經獨立驗證；碩論若直接以其宣稱為出發點，容易變成替產品背書，必須設計獨立的對照實驗與失敗案例分析才站得住腳。