碩論：AI 代理人影響文獻分析（資料科學視角）— 2026-10-15

主題一：AI 代理人影響（2 篇）

1. The Fabricated Front: Generative AI and the Opacity of Workplace Performance

• 來源： arXiv:2608.18369v1
• 摘要： 以高夫曼戲劇論分析 Anthropic AI Interviewer 資料集的 1,250 份訪談逐字稿，歸納聲音、出處、脆弱性、注意力與投入五種工作表現不透明機制。研究顯示，生成式 AI 可能使可見產出與人類投入脫鉤。
• 六維度： 未直接測量生活效益、生產力效果、健康、成癮、焦慮或停用反應；主要證據是工作互動、責任來源與合作信任的不透明。
• 目標關聯： 可作為 Hermes Agent、OpenClaw、Grok Bot 代辦工作時之來源揭露、責任與人工投入可檢視性研究基礎，但不能直接外推特定產品效果。
• 資料科學視角： 理論導向質性文本分析；資料為 1,250 份訪談逐字稿。可將五類機制轉為繁中多標籤任務，評估標註一致性、分類效能與跨模型泛化。

2. Technological folie à deux: Feedback Loops Between AI Chatbots and Mental Illness

• 來源： arXiv:2507.19218v3
• 摘要： 從認知與臨床風險角度提出人機回饋迴路：聊天機器人的諂媚、情境適應，可能與使用者的信念更新偏誤、現實檢驗困難及社會孤立互相強化，造成信念不穩定與依賴。本文是風險論證，並非因果效果研究。
• 六維度： 涵蓋情緒支持、心理健康與依賴風險；未量測工作效率、焦慮量表、使用門檻或停用後果。
• 目標關聯： 對具長期記憶、個人化與主動互動能力的代理提供健康風險假設，但不代表 Hermes Agent、OpenClaw 或 Grok Bot 必然造成傷害。
• 資料科學視角： 概念整合與機制論證，無新受試者樣本。可用低風險事實任務操弄諂媚程度，量測信念修正、信心、採納與繼續使用意圖。

MoA 綜合

• 方法論地圖： 今日方法從 1,250 份訪談的理論導向質性文本分析，延伸至心理健康的人機回饋機制模型；缺口是尚未以可重現實驗或縱向日誌，把不透明特徵、諂媚、信任校準與健康結果連結。
• 可執行碩論設計：

1. 代理投入透明度分類基準： 以 600–1,000 段去識別工作對話建立多標籤分類與跨模型基準。

2. 諂媚回饋與信念修正實驗： 以 80–120 名一般成人進行低風險受試者內實驗，估計諂媚對校準與依賴意圖的影響。

3. 代理降頻後的能力與情緒追蹤： 以兩週任務日誌及中斷時間序列建立停用影響曲線。

• 資料與倫理： 使用可驗證、低風險任務；對話去識別並保留模型與提示版本。健康研究排除危機個案，設退出、倫理審查與轉介程序。
• 師資對接： 呂明頴副教授（人工智慧、資料探勘、行為分析）、蘇明祥副教授（自然語言處理、口語對話系統、情緒與人格感知）、丁德天副教授（精神流行病學、物質濫用、青少年健康）。

主題二：ChatGPT／Grok 聊天成癮與生活強制性（2 篇）

1. Is ChatGPT A Good Translator? Yes With GPT-4 As The Engine

• 來源： arXiv:2301.08745v4
• 摘要： 以多個翻譯基準比較 ChatGPT、GPT-4 與商用翻譯系統。品質隨語言、領域與版本改變；GPT-3.5 較常出現幻覺與誤譯，GPT-4 錯誤較少。
• 四維度： 未研究成癮門檻或有害內容抗拒；客觀結果顯示信任應按任務校準，人工錯誤分析可提供一般使用者辨錯研究的真值材料。
• 目標關聯： 直接涵蓋 ChatGPT 與 GPT-4；方法可重跑 Grok、Claude、Gemini，但舊版本結果不能代表目前模型。
• 資料科學視角： 跨語言、跨領域基準與人工錯誤分析；可建立繁中跨領域翻譯錯誤庫，量測辨錯率、採納率、反應時間及信心校準。

2. Trust and Reliance in XAI -- Distinguishing Between Attitudinal and Behavioral Measures

• 來源： arXiv:2203.12318v1
• 摘要： 主張區分態度性的信任與行為性的依賴，避免因構念混用而誤判透明度效果。本文為概念與量測整理，沒有新的受試者資料。
• 四維度： 未研究使用門檻；核心是把主觀信任、辨錯、採納與拒絕行為分開量測，本文未提供聊天模型的直接數據。
• 目標關聯： 可套用 ChatGPT、Grok、Claude、Gemini 的信任與採納研究，但不是聊天成癮或特定產品實證。
• 資料科學視角： 可在每一試次同時記錄信任評分、答案判斷及是否採納，以適當依賴率、過度依賴率和校準誤差建立四象限模型。

MoA 綜合

• 方法論地圖： 今日方法結合跨語言／跨領域模型基準與 XAI 構念分析；優勢是可建立有真值的錯誤刺激，缺口是尚未把主觀信任、辨錯、實際採納及問題性使用放進同一重複量測設計。
• 可執行碩論設計：

1. 繁中翻譯錯誤—依賴四象限： 以 100–150 名學生、人工校對翻譯題及訊號偵測分析建立錯誤難度題庫與依賴模型。

2. 模型標籤與可信度錯置實驗： 對相同回答隨機配置模型標籤，以雙盲交叉設計估計品牌偏誤。

3. 高頻使用、失控感與功能損害分解模型： 蒐集四週裝置端彙總、經驗抽樣與經驗證量表，以潛在類別及交叉延宕模型辨識風險型態。

• 資料與倫理： 翻譯題由雙語評審建立真值；固定模型版本、提示及採樣參數。行為日誌不保存私人聊天全文，且不得自行創造成癮臨床切點。
• 師資對接： 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、深度學習、自然語言處理、人工智慧）、丁德天副教授（精神流行病學、物質濫用、青少年健康）。

跨主題爭議

1. 方法論： 質性訪談、概念論文與模型基準不能單獨證明代理造成心理傷害或聊天使用造成成癮；需要前瞻、重複量測或隨機實驗。

2. 量測： 互動時數、主觀信任、採納行為與問題性使用是不同構念；跨模型與跨語言題目難度亦未必等值。

3. 倫理： 工作訪談、聊天日誌與健康訊號可能暴露身分、信念及脆弱狀態；須資料最小化、去識別、可撤回、版本留存與必要轉介。

三個爭議點

1. 方法論：質性訪談、概念論文與模型基準能提出機制及刺激材料，卻不能單獨證明代理造成心理傷害或聊天使用造成成癮；需要前瞻、重複量測或隨機實驗。

2. 量測：互動時數、主觀信任、採納行為與問題性使用是不同構念；跨模型與跨語言題目難度也未必等值，必須分開量測並檢查校準與量測恆等性。

3. 倫理：工作訪談、聊天日誌與健康訊號可能暴露身分、信念及脆弱狀態；研究不得誘發臨床危機，須資料最小化、去識別、可撤回、版本留存與必要轉介。