研究所論文方向 2026-10-14
長照醫療：各醫院資料格式都不一樣，AI 換家醫院就失靈？用 FHIR 標準化後，長照出院銜接的預測模型能不能真的跨院通用
- 正式題目：FHIR 標準化對跨院長照轉銜風險預測模型可移植性之影響評估
- 學位：碩士／資料科學系碩士
為何值得研究
本日語料（iThome）報導衛福部資訊處規劃 FHIR Box 共通平臺：各院自行開發 HIS，別院的 AI 常要重整資料、重寫介接才能使用，改以 FHIR、CQL 與 SMART on FHIR 疊在既有系統上。長照端的痛點正是出院、轉診時資料接不起來。語料本身談的是智慧醫療而非長照，長照情境為研究延伸：長者出院銜接、再入院與跌倒風險預測模型在單一醫院訓練後，換到另一家就掉準確度，原因多半不是演算法而是欄位定義、單位與編碼不一致。目前缺少把『標準化程度』與『模型跨院表現落差』量化連結的研究。資料科學可介入：使用公開去識別化臨床資料集（如 MIMIC 類資料並以 FHIR 轉換）模擬多院情境，比較原始欄位、FHIR 對應與標準化後的跨院遷移表現。近 30 日長照題目涵蓋手錶警報、基因圖譜、AI 訪視紀錄、床位預測、獨居分級等，均未觸及『資料標準化與模型跨院可移植性』，題目不重複。
AI／資料科學整合
以機器學習與深度學習建立長者出院後再入院或照護需求升級的風險預測模型；將資料轉為 FHIR 資源並以不同標準化程度（原始、部分、完整對應）訓練；採留一院外（leave-one-hospital-out）驗證跨院表現，量測區辨度、校準度與公平性；以領域適應與特徵對齊方法嘗試縮小落差，並分析編碼錯誤對特定族群的影響。
市場展望
國家級共通平臺與醫院 AI 導入都卡在跨院資料串接，能量化『標準化投資換來多少模型可移植性』的方法，可供醫院資訊預算、AI 廠商跨院銷售與主管機關驗收參考；長照資訊系統未來也需對接醫院資料。
技術可行性
公開去識別化臨床資料集與 FHIR 轉換工具、開源 FHIR 伺服器均可取得；跨院情境可用資料集內的多院或多單位切分模擬；模型與驗證屬一般機器學習範圍，單人可於碩士期程完成。主要挑戰是真實跨院資料不易取得，需明確界定為模擬並標示外推限制。
研究目的
量化 FHIR 標準化程度與長照轉銜風險預測模型跨院表現落差的關係，找出最影響可移植性的欄位與編碼類型，並提出資料標準化優先順序建議。
呈現形式
碩士論文（FHIR 轉換管線＋跨院遷移實驗＋欄位層級影響分析＋公平性評估；附標準化優先順序檢核表）
研究方法
公開臨床資料集前處理與 FHIR 資源對應；設定三種標準化程度；留一院外驗證與領域適應比較；以 AUROC、校準曲線與子群體公平性指標評估；欄位消融與編碼錯誤注入實驗；重複實驗與統計檢定。
爭議點
- 標準化需要把各院欄位對應到國際編碼，對應過程本身會遺失資訊或編錯；若評估只比較『轉換前後準確率』，會忽略編碼錯誤對特定族群（如失智、多重共病長者）的系統性偏誤。
- 跨院模型要有多家醫院資料才能驗證，但醫院間資料共享涉及同意、去識別化與院方競爭；研究可得的資料可能只來自少數友善醫院，結論能否外推有疑問。
- 報導中三院互通仍在驗證階段，平臺說法超前實際可用程度；碩論若以平臺宣稱為前提，必須獨立量測『真的接得起來』的比例，而不是引用官方描述。
評分
理論 7／實務 9／市場化 7
推薦指導教授
1. 丁德天（副教授）— 高齡醫學、醫學影像分析、因果機制拓樸排序：題目核心為長者臨床資料與出院轉銜風險，丁副教授的高齡醫學與臨床資料分析專長可把關風險定義與臨床意義。
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學：跨院遷移、領域適應與模型驗證屬機器學習核心，葉教授可指導實驗設計與可移植性評估。
學齡教學：國中生發明 AI 專注力訓練遊戲幫 ADHD 孩子——怎麼證明孩子真的更專心，AI 的『專注』判斷又不會冤枉孩子？
- 正式題目：以影像辨識進行學齡 ADHD 兒童專注力訓練之成效驗證與判讀偏誤評估
- 學位：碩士／資料科學系碩士
為何值得研究
本日語料（青年日報）報導教育部表揚國際發明展金牌學生，其中高雄龍華國中「專注力大師」以 AI 影像辨識訓練 ADHD 兒童，且發明協會觀察今年作品大量融入 AI、醫療科技增加。校園與家庭已出現用鏡頭判斷孩子是否專心的工具，但報導未提供成效或驗證資料。學齡教學現場的真實需求是：這類工具到底有沒有讓孩子更專心、判斷在不同孩子身上準不準。資料科學可介入：以公開專注力與姿態資料集及（取得同意後）小規模課堂資料，比較影像專注力指標與老師觀察、作業表現的一致性，檢驗不同子群體的誤判率，並用前後對照評估訓練成效。近 30 日學齡題目涵蓋 AI 家教模擬學生、特教生語音生圖、字幕、素養評量、AI 沉浸教室等，未觸及『專注力影像辨識的效度與誤判』，題目不重複。
AI／資料科學整合
使用視覺模型（人臉關鍵點、姿態估計、視線估計）將影像轉為專注力特徵，再以機器學習建立專注狀態分類器；比較本機輕量模型與雲端模型；以老師標註與任務表現作為效標，檢驗效度與子群體誤判；引入不確定性估計，低信心時不下判斷；評估訓練遊戲介入前後的專注力變化。
市場展望
特教與一般班級對專注力輔助工具需求持續增加，家長與學校採購前缺少獨立效度驗證；可驗證且保護隱私的評估框架可供教育科技廠商、特教資源中心與學校選用工具時參考。
技術可行性
視線與姿態估計有成熟開源模型，可於一般電腦本機運作；公開專注力資料集可作基礎驗證，課堂資料需取得同意並以小樣本進行；統計與機器學習範圍適合碩士規模。主要挑戰是倫理審查與資料取得，可用模擬情境與去識別化特徵降低風險。
研究目的
建立影像式專注力判讀工具的效度與公平性評估框架，量化其與教師觀察及學習表現的一致性、對不同孩子的誤判差異，並檢驗訓練介入的實際成效。
呈現形式
碩士論文（專注力特徵萃取＋分類器建置＋效度與子群體誤判分析＋前後對照介入評估；附隱私保護的本機部署原型）
研究方法
公開資料集與小規模課堂資料蒐集（含知情同意）；影像特徵萃取與專注狀態分類；以教師標註、作業表現為效標進行效度與一致性分析；分群誤判率與公平性指標；前後測與對照設計評估成效；不確定性校準與本機運算隱私設計。
爭議點
- 報導未提供作品的實際使用成效或臨床驗證；『專注』是以臉部或姿態推論的代理指標，不等於學習成效，若直接把辨識分數當成效，研究結論會建立在未驗證的假設上。
- 影像辨識模型對不同年齡、膚色、鏡頭角度與坐姿習慣表現可能不一；ADHD 兒童本來就較多動，模型可能把正常的動作多樣性判成『分心』，造成對特定孩子的系統性冤枉。
- 孩子臉部影像屬高度敏感資料，家長、老師與學校都想看紀錄，但持續被鏡頭盯著可能增加孩子壓力；研究要處理同意、本機運算與資料最小化，也要正視『被監看』本身對專注力的影響。
評分
理論 7／實務 8／市場化 7
推薦指導教授
1. 金凱儀（教授）— 適性化學習、電腦輔助教學、數位遊戲式學習：題目涉及學齡孩子的訓練遊戲設計與學習成效評估，金教授的適性化學習與遊戲式學習專長可把關教學介入與成效設計。
2. 丁德天（副教授）— 青少年健康、精神流行病學、醫學影像分析：ADHD 屬兒少精神健康議題且涉及影像判讀，丁副教授的青少年健康與影像分析專長可協助臨床意義與效度檢驗。
AI／AI代理人：Google 讓多個 AI 代理人分工從零蓋出一座寺廟——多代理人真的比單一代理人強嗎？多花的錢和多出的錯，怎麼量？
- 正式題目：多代理人協作與單代理人於多步驟生成任務之品質、成本與錯誤傳播比較評估
- 學位：碩士／資料科學系碩士
為何值得研究
本日語料（動區動趨）報導 Google 發表 Gemini 4 Argon，強化空間推理，展示多智能體在 Blender 從零建成日本寺廟群，並公布輸入每百萬代幣 2 美元的定價。這代表『多個代理人分工、呼叫建模工具完成一件複雜作品』正從概念走向可用 API。但目前缺少獨立比較：分工到底提升多少品質、增加多少成本、錯誤在哪個代理人與哪一步放大。資料科學可介入：建立可量化的 3D 場景生成任務集（物件數、結構一致性、約束滿足率），比較單代理人、固定分工多代理人與動態分工多代理人，量測成功率、代幣成本、延遲與失敗類型，並以步驟紀錄做錯誤傳播分析。近 30 日代理人題目涵蓋工具呼叫評測、模型路由、記憶留存、資安代理、機器人規劃等，未觸及『多代理人協作 vs 單代理人的成本品質與錯誤傳播』，題目不重複。
AI／資料科學整合
題目本身即 AI 代理人：以開源代理框架與可程式化建模工具（如 Blender Python API）建立任務環境；實作單代理人、規劃者＋執行者＋檢查者的固定分工，以及動態分工三種架構；以多種開源與商用模型重複實驗；記錄每步工具呼叫、代幣與延遲，設計約束滿足與結構一致性自動評分，並做錯誤傳播與代理人間訊息失真分析。
市場展望
企業與創作者開始導入多代理人工作流，但缺少『何時值得多花成本分工』的判準；獨立評測方法與審計日誌可供代理人平台選型、成本控管與品質保證使用。
技術可行性
Blender 與其 Python API 免費，開源代理框架與多種開源模型可得；場景約束可程式化自動評分，實驗成本可控；主要挑戰是生成結果的主觀品質與版本漂移，可用規則式指標與固定版本、重複實驗處理，符合碩士規模。
研究目的
建立多步驟生成任務下多代理人與單代理人的品質、成本與錯誤傳播評估框架，找出分工真正有效與反而有害的任務類型，並提出代理人架構選擇準則。
呈現形式
碩士論文（任務集與自動評分建置＋三種代理架構比較＋成本品質分析＋錯誤傳播與失敗分類；附代理人步驟審計日誌工具原型）
研究方法
任務集設計與約束式自動評分；單代理人、固定分工、動態分工架構實作；多模型重複實驗與版本固定；成功率、代幣成本、延遲的帕累托分析與統計檢定；步驟紀錄的錯誤傳播與訊息失真分析；失敗模式分類與消融實驗。
爭議點
- 寺廟建模是展示而非驗證，能否產出可施工、可編輯的成果並未說明；若碩論以展示畫面當成功案例，會把『看起來像』誤認為『做得對』，必須自訂可量化的成品品質指標與失敗標準。
- 多代理人分工通常增加呼叫次數與總代幣成本，也多出代理人之間溝通失誤的環節；若只報告最終成功率而不報告成本與錯誤傳播，會讓多代理人的優勢被高估。
- 語料中只公布輸入單價，連續控制與多輪迭代的推論成本仍不透明，且為廠商發表的單一模型；研究結論可能綁定特定版本與計價，必須固定版本並以開源模型重複實驗確認可重現。
評分
理論 7／實務 8／市場化 8
推薦指導教授
1. 吳政隆（教授）— 深度學習、自然語言處理、人工智慧：多代理人以大型語言模型為核心，吳教授的深度學習與自然語言處理專長可指導代理人溝通、規劃提示與失敗模式的語言面分析。
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學：任務基準、實驗設計與錯誤傳播的資料分析屬機器學習與資料科學核心，葉教授可協助評估框架與統計驗證。
整體爭議點
- 三題共通張力是『評估工具本身可信嗎』：標準化對應、影像專注力指標與代理人自動評分都是用代理指標評真實成效；若指標與標註本身有偏差，漂亮數字會掩蓋失真。
- 三題都牽涉敏感或高風險情境（長者臨床資料、兒童臉部影像、代理人自動代辦），研究需要真實資料驗證，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，碩論須明確界定模擬與真實資料的外推界線。
- 語料多為新聞報導與廠商展示（iThome 平臺規劃、發明展報導、Google 發表），宣稱效果未經獨立驗證；碩論若直接以宣稱為前提容易變成替產品背書，必須設計獨立對照實驗與失敗案例分析。
三個爭議點
1. 三題共通張力是『評估工具本身可信嗎』：標準化對應、影像專注力指標與代理人自動評分都是用代理指標評真實成效；若指標與標註本身有偏差，漂亮數字會掩蓋失真。
2. 三題都牽涉敏感或高風險情境（長者臨床資料、兒童臉部影像、代理人自動代辦），研究需要真實資料驗證，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，碩論須明確界定模擬與真實資料的外推界線。
3. 語料多為新聞報導與廠商展示（iThome 平臺規劃、發明展報導、Google 發表），宣稱效果未經獨立驗證；碩論若直接以宣稱為前提容易變成替產品背書，必須設計獨立對照實驗與失敗案例分析。