研究所論文方向 2026-10-17

目標：資料科學系碩士　語料 95 則

共通爭議

三題共通張力是『政策或廠商敘述是否等於可驗證的成效』：失智照護目標值、雙語專題成果、單機一條龍示範都是外部宣稱，碩論須自建可獨立檢核的指標與任務集。
三題都涉及敏感或受限資料（失智個案紀錄、未成年人學習歷程、代理人的檔案與系統權限），真實資料取得與倫理審查限制研究規模，須明確區分模擬資料與真實資料的結論效力。
三題都有『AI 輸出被過度信任』風險：轉介排序、學習協助、自動部署皆可能在無人覆核下被採用，須把人工覆核成本與錯誤代價納入評估。

長照醫療：失智照護3.0要做到「全齡全病程」、失智藥也可能納健保——怎麼用AI幫忙分流，找出最該先轉介的人，又不漏掉年輕型失智？

正式題目：失智症全病程照護分流與轉介優先序之機器學習預測模型：含年輕型失智之公平性評估

為何值得研究：本日語料報導衛福部啟動『失智照護3.0』，要把全齡、全病程支持納入長照3.0，並研議失智藥納健保、對象擴及年輕型失智，同時以 2035 年三率 80% 為目標。政策擴大後，需求會集中湧入診斷與轉介端，第一線很難判斷誰該先轉介、誰處於哪個病程階段。公開統計多為整體數字，缺少可重複的分流與風險排序方法，是資料科學可切入的缺口。

AI 整合：以機器學習（梯度提升、可解釋模型）整合去識別化的認知量表、共病、用藥與照護使用紀錄，預測病程階段轉變與照護空窗風險，輸出轉介優先序；以 SHAP 與校準曲線提供可解釋性；以分群公平性分析比較年輕型與高齡族群的漏判率；AI 僅提供排序建議，由個管師與醫師覆核。

市場展望：失智照護3.0 與藥物納保將擴大診斷與個管需求；可解釋的轉介優先序工具可供醫院記憶門診、社區失智據點、長照個管單位與醫療資訊廠商參考。

技術可行性：可用公開之去識別化研究資料（如 NACC、ADNI 的申請取得資料）與合成資料驗證方法，並以公開統計校準模擬情境；真實個案資料需倫理審查與使用協議，故設計為『公開資料驗證＋模擬壓力測試』，規模符合碩士。主要風險是年輕型樣本不足，可用分層抽樣與敏感度分析處理。

研究目的：建立失智症全病程的轉介優先序預測與公平性評估方法，找出最需優先轉介的特徵與最容易被漏判的族群，提出可供個管師覆核的分流輔助原型。

呈現形式：碩士論文（公開資料整合與標籤定義＋病程轉變與空窗風險預測模型＋可解釋與分群公平性分析＋分流輔助儀表板原型）

方法：操作型定義與標籤設計；梯度提升、邏輯迴歸與生存模型比較；SHAP 與校準分析；分群公平性（年齡、性別、教育程度）與敏感度分析；合成資料壓力測試；不確定性與人工覆核成本分析。

爭議點：

政策目標（2035 年診斷、服務、識能三率達 80%）屬宣示性指標，碩論不能直接當作模型標籤；須自建可驗證的『延遲診斷』『照護空窗』操作型定義。
年輕型失智樣本少且資料零散，模型易被高齡主流族群主導，導致對年輕型的漏判；須分群報告敏感度，並接受統計檢定力不足的限制。
失智藥若納保，分流模型可能被用來決定誰先獲得資源，涉及自動化決策的公平與責任歸屬；AI 只能輔助排序，不得取代醫師診斷。

指導教授：

1. 丁德天（副教授）— 高齡醫學與精神流行病學專長，可指導失智病程定義、風險因子與臨床意義。
2. 葉向原（教授）— 機器學習與資料探勘為核心專長，可指導預測模型比較、校準與公平性檢驗。

學齡教學：高中生用全英文發表數學專題、學校說AI有融入教學——怎麼證明AI真的幫到英文較弱的學生，而不是只讓本來就強的人更強？

正式題目：雙語數學專題學習中生成式AI輔助對不同英語程度學生學習成效與表達落差之影響評估

為何值得研究：本日語料報導國立鳳山高中雙語實驗班學生以全英文發表數學專題，題材包含樂透期望值與降噪耳機的三角函數原理，外賓肯定『AI融入教學』的成果；另有 Gemini 筆記本能依課堂資料產生摘要、測驗與抽認卡。雙語授課下，英語較弱的學生可能同時被語言與數學兩道門檻擋住，AI 輔助是幫助還是加深落差，目前缺乏可重複的量化證據。

AI 整合：以學習分析與機器學習建模：蒐集學生使用 AI 輔助的互動紀錄、草稿版本與測驗成績，分析不同英語程度學生的使用模式；以混合效應模型與因果推論（傾向分數加權）估計 AI 輔助對概念理解與表達的異質性效果；以文本探勘區分『語言潤飾』與『概念補足』兩類 AI 協助；輸出公平性指標與早期預警。

市場展望：雙語教學與 AI 輔助學習快速推廣，學校與教育科技業者需要可驗證成效與公平性的評估方法；可供雙語實驗班、教育局、教育科技廠商與教師社群參考。

技術可行性：可用公開學習分析資料集與開源 LLM 模擬學生協助情境，並以匿名化問卷或小規模課堂合作取得實測資料；真實校園資料需倫理審查與家長同意，故設計為『公開／模擬資料驗證＋小規模實證』，規模符合碩士。主要風險是樣本小，可用重複測量與敏感度分析處理。

研究目的：建立評估 AI 輔助雙語數學學習成效與英語程度落差的分析方法，分辨 AI 協助帶來的是概念理解還是語言包裝，提出對教師可用的使用建議與預警指標。

呈現形式：碩士論文（學習紀錄與測驗資料整合＋異質性效果與公平性分析＋AI 協助類型文本分類＋教師端分析原型）

方法：學習歷程資料前處理；混合效應模型、傾向分數加權估計異質性效果；文本分類區分協助類型並做標註一致性檢驗；公平性（英語程度、性別、學校資源）與敏感度分析；匿名化與隱私風險評估。

爭議點：

報導中的專題成果是學校自述且樣本為雙語實驗班，已是篩選後的學生；碩論不能把其成果外推到一般班級，須設計對照與先備程度控制。
AI 輔助可能讓學生交出更漂亮的英文成品，卻未必真懂數學概念；若只看成品語言品質會高估成效，須同時以概念測驗與口頭追問驗證。
學生與教師的學習歷程資料涉及未成年人隱私，取得真實資料需家長同意與倫理審查；須以匿名化與模擬資料補強，並清楚區分兩者的結論效力。

指導教授：

1. 呂明頴（副教授）— 資料探勘與行為分析專長，可指導學習歷程資料的建模與使用模式分析。
2. 吳政隆（教授）— 文字探勘與自然語言處理專長，可指導學生英文成品與 AI 協助類型的文本分析。

AI／AI代理人：NVIDIA說在一台機器上就能讓AI代理人寫程式、測試、部署一條龍——怎麼評它做到「部署」那一步會不會出錯、出錯時能不能自己發現？

正式題目：本機端程式開發代理人於測試至部署閉環之可靠性評測：失敗模式、自我偵測與成本分析

為何值得研究：本日語料報導 NVIDIA RTX Spark 搭載 GB10 晶片與大型統一記憶體，可在單一機器本機跑 AI 代理，並在 Windows 或 WSL 中完成編碼、測試與部署而無需跨環境遷移。近期評測多聚焦在『寫程式』本身，對『測試後的部署步驟』這一最容易造成實際損害的環節缺乏系統化量測，包括代理人是否會察覺自己部署失敗、是否會回滾。這是可用資料科學方法量化的缺口。

AI 整合：題目本身即 AI 代理人：以開源 LLM 與開源代理框架，在沙盒容器中建立『編碼→測試→部署』的任務集，並刻意注入部署期故障（相依版本衝突、設定檔錯誤、埠號占用、測試覆蓋不足）；評測代理人的成功率、自我偵測率、回滾率、工具呼叫次數與代幣成本；比較防護策略（部署前自我審查、第二代理人覆核、不確定時回報人類）並做帕累托分析。下一步可延伸為多代理人分工的部署流水線。

市場展望：本機端與私有環境的程式代理人日益普及，企業需要代理人上線前的可靠性驗收標準；可重複的部署閉環評測基準，可供代理人平台、DevOps 工具商與企業資安與風控團隊參考。

技術可行性：可用開源模型、開源代理框架與容器化沙盒自建任務與故障注入，並以 SWE-bench 等公開基準做對照；全部評分可自動化，不需特殊硬體即可縮小規模執行；規模符合碩士。主要風險是任務真實度，可用真實開源專案的部署設定補強。

研究目的：建立程式代理人在測試至部署閉環的可靠性評測基準，量化各類部署故障下的失敗模式與自我偵測能力，並比較防護策略的成本效益，提出上線前檢核清單。

呈現形式：碩士論文（故障注入任務集與沙盒環境建置＋多模型與防護策略比較＋成功率／成本帕累托與失敗分類＋可重現評測工具原型）

方法：故障類型分類與受控任務集生成；多模型多策略重複實驗；成功率、自我偵測率、回滾率、工具呼叫數、代幣與延遲的帕累托分析與統計檢定；失敗類型人工標註與一致性檢驗；消融與故障比例敏感度分析。

爭議點：

廠商展示以單一硬體上的流暢示範為主，缺乏公開的失敗率；碩論須自建任務集與評分，不能以示範作為效能證據。
程式代理人自行判斷『測試通過即可部署』，可能因測試本身不足而誤判成功；須區分『測試通過』與『行為真的正確』，並把假陽性納入指標。
本機端執行帶來資料不外流的優勢，但代理人擁有檔案與指令權限後，誤刪或誤改環境的風險同樣存在；需以沙盒隔離設計實驗，並在論文中明確限定安全假設。

指導教授：

1. 吳政隆（教授）— 代理人以大型語言模型為核心，其深度學習與 NLP 專長可指導提示設計與失敗模式分析。
2. 蘇明祥（副教授）— 對話與語言模型行為分析專長，可協助設計故障注入對照實驗與錯誤分類。

三個爭議點

1. 三題共通張力是『政策或廠商敘述是否等於可驗證的成效』：失智照護目標值、雙語專題成果、單機一條龍示範都是外部宣稱，碩論須自建可獨立檢核的指標與任務集。

2. 三題都涉及敏感或受限資料（失智個案紀錄、未成年人學習歷程、代理人的檔案與系統權限），真實資料取得與倫理審查限制研究規模，須明確區分模擬資料與真實資料的結論效力。

3. 三題都有『AI 輸出被過度信任』風險：轉介排序、學習協助、自動部署皆可能在無人覆核下被採用，須把人工覆核成本與錯誤代價納入評估。