研究所論文方向 — 2026-10-18
目標：資料科學系碩士｜語料 81 則
共通爭議點
- 三題共通張力是『報導中的現象或廠商宣稱，是否等於可驗證的成效』：預立醫療決定的意願調查、不分系政策成效、MCP 伺服器的能力宣傳都是外部敘述，碩論須自建可獨立檢核的標籤、指標與任務集。
- 三題都牽涉敏感或受限資料（臨終意願對話、學生成績與休退學紀錄、商家帳號與客戶名單），真實資料取得受倫理審查與授權限制，須明確區分公開／模擬資料與真實資料的結論效力。
- 三題都有『AI 建議被過度信任』風險：AI 摘要可能替病人與家屬下結論、轉系預警可能貼標籤、代理人可能在無人覆核下改動商家資料；須把人工覆核成本與錯誤代價納入評估。
長照醫療：衛福部呼籲「趁還能想的時候先簽預立醫療決定」，但逾半有意願的人沒跟家人談——怎麼用AI分析家人對話，找出哪些人最容易卡關、哪些說法最能幫上忙？
- 正式題目：預立醫療照護諮商之對話文本分析：以自然語言處理辨識家庭溝通障礙與促進簽署之語句特徵
- 學位：碩士｜資料科學系碩士
為何值得研究：本日語料中衛福部官員公開簽署預立醫療決定並呼籲民眾先與家人談好，並引用調查指出逾半有簽署意願者尚未與家人討論。預立醫療決定的瓶頸不在表單，而在家庭溝通：不知道怎麼開口、擔心不吉利、家人意見不一致。目前諮商多靠人工，缺少系統化方法找出常見障礙與有效說法，是自然語言處理與資料科學可切入的缺口，也直接關係長照與安寧照護的決策品質。
AI 整合：以中文大型語言模型與文字分類／主題模型處理公開衛教問答、諮商逐字稿範例與模擬情境對話，標註『溝通障礙類型』（忌諱、資訊不足、家人分歧、信任醫療等）與『促進說法』；比較關鍵詞、嵌入向量與微調模型的辨識表現，並以可解釋方法呈現判斷依據；AI 僅提供諮商人員參考的障礙摘要與建議話術，不做簽署勸說。
市場前景：高齡化與預立醫療決定推廣使醫院、安寧療護與長照個管單位對『可擴充的諮商輔助』有需求；可供醫療衛教平台、醫院社工與數位健康廠商參考。
技術可行性：可用公開衛教資料、公開訪談與由專家審閱的模擬對話建立語料，不依賴真實病人逐字稿；以人工標註加一致性檢驗建立標準，模型採現成中文預訓練模型微調，運算需求適中，符合碩士規模。主要風險是標註主觀性與語料偏誤，以多人標註與敏感度分析處理。
研究目的：建立預立醫療決定家庭溝通障礙的分類架構與辨識模型，找出最常見的卡關類型與有效促進說法，提出可供諮商人員使用的輔助摘要原型並評估其倫理風險。
呈現形式：碩士論文（語料建立與標註規範＋障礙分類模型比較＋可解釋分析＋諮商輔助原型與倫理風險評估）
方法：公開語料蒐集與去識別化；多人標註與 Cohen's kappa 一致性檢驗；TF-IDF、嵌入向量與微調中文模型比較；以 F1、校準與分群錯誤分析評估；LIME／SHAP 解釋；專家盲評建議話術的適切性；模擬資料與公開資料的結論分開報告。
評分：理論 7／實用 8／市場化 6
爭議點：
- 報導引用的『逾半有意願者未與家人談』是單次調查結果，碩論不能直接當作模型標籤；須自建可驗證的『溝通卡關』操作型定義，並說明調查樣本代表性限制。
- 臨終與照護意願對話極度敏感，真實語料取得需倫理審查與當事人同意；公開語料（衛教問答、論壇、公開訪談）與模擬對話的結論效力不同，須清楚區分。
- AI 若被拿來『勸簽』會侵犯自主決定；研究定位應是輔助諮商人員找出溝通障礙與合適說法，而非替病人或家屬做決定，須在設計與評估中納入倫理約束。
推薦指導教授：
1. 吳政隆（教授）— 文字探勘、深度學習、文本情感分析、自然語言處理、人工智慧：文字探勘與自然語言處理為核心專長，可指導對話語料標註、分類模型與情感／態度分析。
2. 丁德天（副教授）— 精神流行病學、高齡醫學、社會網絡分析：高齡醫學與精神流行病學背景，可指導臨終意願、家庭決策情境的臨床意義與研究倫理。
學齡教學：大學改成「先不分系、再轉系」，結果成大一次10人轉進資工、轉不出去的更迷惘——怎麼用資料提早看出哪些學生會卡住，又不亂貼標籤？
- 正式題目：大學不分系與轉系制度下學生轉系成功與休退學風險之機器學習預測與公平性評估
- 學位：碩士｜資料科學系碩士
為何值得研究：本日語料報導教育部砸重金推動大學不分系以降低休退學率，但成大有一次10人轉進資工，同時有學生轉不出去而更迷惘，政策目標與現場結果出現落差。熱門科系名額壓力、選課前置條件與學生探索期長短，都會影響誰能順利轉系、誰最後休退學。目前多為個案報導，缺少可重複的風險評估與公平性檢驗方法，是教育資料探勘可切入的題目。
AI 整合：以機器學習（梯度提升、存活分析）整合去識別化的入學管道、修課、成績與轉系申請紀錄，預測『轉系成功／卡關／休退學』風險並輸出可解釋因子；以反事實模擬比較不同轉系名額與門檻政策的影響；以分群公平性指標比較不同背景學生的誤判率；AI 僅提供導師輔導優先序，不作為准駁依據。
市場前景：大學招生壓力與教學品質評鑑使校務研究（IR）與學務單位需要可解釋的學習預警；可供大學校務研究單位、教育科技廠商與政策評估單位參考。
技術可行性：可用公開之學生歷程資料集（如公開的校務研究範例資料）與依政策規則生成的合成資料驗證方法，真實校務資料屬選配；演算法為成熟的表格資料與存活分析，運算需求低，符合碩士規模。主要風險是真實資料取得，故設計為『公開／合成資料驗證＋政策情境模擬』。
研究目的：建立不分系／轉系制度下的轉系與休退學風險預測及公平性評估框架，找出最影響卡關的因子，並用情境模擬比較名額與門檻政策調整的可能效果。
呈現形式：碩士論文（資料來源整合與標籤定義＋風險預測模型比較＋公平性與可解釋分析＋政策情境模擬原型）
方法：Cox 比例風險與競爭風險模型、梯度提升與邏輯迴歸比較；以 AUC、校準曲線與時間依賴指標評估；分群誤判率與機會均等差異；SHAP 解釋；以合成學生世代進行名額／門檻反事實模擬並做敏感度分析。
評分：理論 7／實用 8／市場化 6
爭議點：
- 報導以個別學校與個案為主，轉系與休退學的因果不能從單校個案推論；須用公開統計與模擬資料驗證方法，並說明外部效度限制。
- 預警模型若被用來決定誰能轉系或被輔導，可能固化弱勢學生的不利處境；須分群（入學管道、家庭背景、性別）檢驗誤判率，並避免把預測結果當成准駁依據。
- 學生成績與修課紀錄屬敏感資料，真實資料需校方授權與倫理審查；碩論須以去識別化公開資料或合成資料為主，並清楚標示結論效力。
推薦指導教授：
1. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學：機器學習與資料探勘為核心專長，可指導風險預測模型比較、校準與公平性檢驗。
2. 呂明頴（副教授）— 商業智慧、人工智慧、資料探勘、行為分析：商業智慧與行為分析專長，可指導學生選課／轉系行為分析與決策支援儀表板設計。
AI／AI代理人：SEO 工具商推出 MCP 伺服器，讓 AI 代理人直接幫店家查在地排名、出報表、找潛在客戶——怎麼評它會不會亂改商家資料或亂叫工具？
- 正式題目：MCP 工具介面下商務代理人之工具呼叫正確性與寫入安全性評測：以在地 SEO 任務為例
- 學位：碩士｜資料科學系碩士
為何值得研究：本日語料報導 LeadSnap 推出 MCP 伺服器，讓 AI 代理人可透過標準工具介面執行在地 SEO、報表與潛在客戶開發。MCP 讓代理人更容易接上各種商業系統，但也使『叫錯工具、傳錯參數、改到不該改的資料』的風險從單一應用擴散到整個生態。目前缺少針對商務類 MCP 工具的公開評測方法，涵蓋正確率、副作用、成本與可稽核性，是資料科學可建立基準與指標的題目。
AI 整合：主題本身即 AI 代理人：以大型語言模型代理人透過 MCP 呼叫模擬的在地 SEO 工具（查排名、讀商家資料、產生報表、修改商家欄位、寄送通知），設計任務集並比較不同模型與提示策略；評估工具選擇正確率、參數正確率、副作用錯誤率、重複呼叫與成本；並測試人工確認閘門與權限分級對安全性與效率的影響。
市場前景：MCP 正成為代理人接商業系統的通用介面，行銷、客服與電商工具商都需要可信的代理人評測與權限設計；可供 SaaS 廠商、行銷代理商與企業治理團隊參考。
技術可行性：可用開源 MCP 框架自建模擬在地 SEO 伺服器與資料（不連真實商家），以商用或開源模型 API 執行重複實驗；任務集與評分規則自行設計並做人工驗證，成本可控，符合碩士規模。主要風險是任務集代表性，以多情境與敏感度分析補強。
研究目的：建立商務類 MCP 工具呼叫的評測任務集與指標（含唯讀／寫入分級的錯誤成本），比較不同模型與權限策略的可靠性與成本，提出可落地的代理人權限與確認機制建議。
呈現形式：碩士論文（模擬 MCP 環境與任務集建置＋多模型工具呼叫實驗＋副作用與成本分析＋權限／確認閘門設計建議）
方法：自建模擬 MCP 伺服器與任務集；多模型、多提示策略重複實驗；指標含工具選擇正確率、參數正確率、副作用錯誤率、回滾率、代幣與延遲；失敗類型人工標註與一致性檢驗；權限分級與確認閘門的消融與統計檢定。
評分：理論 7／實用 8／市場化 7
爭議點：
- 報導屬廠商發布稿，能力描述未附獨立評測；碩論須自建任務集與基準，不能以廠商宣稱當作效能依據。
- 代理人若同時擁有『讀取』與『寫入』工具（改商家資訊、發送報表、聯絡潛在客戶），錯誤會直接造成商業損失；須把唯讀與有副作用的呼叫分開計分，並引入人工確認閘門的成本。
- 實驗要避免對真實商家與第三方服務造成影響，必須使用沙盒或模擬服務；沙盒結果與真實環境的落差須在結論中明確保留。
推薦指導教授：
1. 呂明頴（副教授）— 商業智慧、人工智慧、資料探勘、行為分析：商業智慧與人工智慧專長，可指導商務情境任務設計、評測指標與成本效益分析。
2. 蘇明祥（副教授）— 深度學習、自然語言處理、口語對話系統：深度學習與對話系統專長，可指導語言模型代理人的指令理解、工具選擇與失敗分析。
三個爭議點
1. 三題共通張力是『報導中的現象或廠商宣稱，是否等於可驗證的成效』：預立醫療決定的意願調查、不分系政策成效、MCP 伺服器的能力宣傳都是外部敘述，碩論須自建可獨立檢核的標籤、指標與任務集。
2. 三題都牽涉敏感或受限資料（臨終意願對話、學生成績與休退學紀錄、商家帳號與客戶名單），真實資料取得受倫理審查與授權限制，須明確區分公開／模擬資料與真實資料的結論效力。
3. 三題都有『AI 建議被過度信任』風險：AI 摘要可能替病人與家屬下結論、轉系預警可能貼標籤、代理人可能在無人覆核下改動商家資料；須把人工覆核成本與錯誤代價納入評估。