研究所論文方向 2026-10-19
- 目標學程：東吳大學資料科學系碩士
- 語料：75 則去重（健保骨密度給付、師生比政見、DeepSeek V4.1-Flash 等）
- 硬規則：A/B/C 三題；口語主題；AI 整合；指導教授僅教授／副教授前二名
A. 長照醫療
專題主題
健保骨密度檢查終生最多只給付3次——怎麼用AI幫高齡者與長照個案排出「誰最該先用掉這一次」，又不會漏掉偏鄉和行動不便的人？
正式題名草稿
健保DXA骨密度給付次數限制下之高齡骨鬆風險分層與檢查優先序模型：準確度、公平性與可解釋性評估
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開統計、文獻風險因子與合成／去識別的高齡個案資料（年齡、性別、停經、類固醇使用、跌倒史、共病、居住地城鄉）建立骨折／骨鬆風險分層模型（邏輯迴歸、梯度提升樹、可解釋性SHAP），再以模擬「終生3次、間隔兩年」規則做檢查排程最佳化；比較規則式（FRAX類門檻）、機器學習與人工判斷在敏感度、陽性預測值、節省檢查數及城鄉／性別子群落差上的表現。禁止自動診斷，僅輸出供醫師覆核的優先序建議。
值得研究的理由
本日語料（中央社等）指出健保DXA骨密度檢查對停經與長期類固醇使用者終生最多給付3次、間隔兩年以上，並擴大藥物給付；另有報導衛福部憂心老人健保費補助推升財源壓力並排擠長照。次數有限加上資源有限，正好形成可量化的決策問題：如何用資料科學做風險分層與檢查優先序，兼顧準確、公平與可解釋。近30日A題未涉及骨鬆／給付次數，不重複。
市場／可行性／目的
- 市場：高齡化使骨鬆與跌倒骨折成為長照主要負擔；醫院、社區健康站與保險端皆需要在有限給付下做精準篩檢。能證明公平且可解釋的優先序工具，可延伸為社區篩檢排程或醫療機構決策輔助的試用規格。
- 可行性：可用公開統計與合成資料建原型，不需自訓大模型；真實資料需IRB與去識別合作。碩士時程可完成風險模型基準、排程模擬與公平性檢核。
- 目的：在健保骨密度檢查次數受限的條件下，建立可解釋、可檢核公平性的高齡骨鬆風險分層與檢查優先序方法，並量化其對漏判與資源使用的影響。
研究方法
文獻風險因子整理；合成／去識別資料建構；機器學習分層與SHAP解釋；給付規則排程模擬；子群公平性與敏感度分析；專家（醫師）覆核訪談。
爭議點
- 終生最多3次、間隔兩年以上的給付規則，是否讓風險預測模型的「誰先檢查」變成配給決策而非單純醫療建議？
- 衛福部提到老人健保費補助可能排擠長照等支出，風險分層模型若降低檢查量是否被拿來當節流理由？
- 風險預測若主要依賴就醫紀錄，偏鄉、行動不便或較少就醫的長者是否更容易被低估？
建議指導教授（前二）
1. 丁德天（副教授）— 高齡醫學、醫學影像分析、精神流行病學
- 高齡醫學與流行病學背景，可指導骨鬆風險因子選取、骨密度影像／臨床資料解讀與偏誤、公平性討論。
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學
- 風險分層與排程模型屬機器學習／資料探勘核心，可指導模型比較、可解釋性與驗證設計。
B. 學齡教學
專題主題
北市候選人喊「降低國中小師生比」——怎麼用資料和AI證明班級變小真的讓老師少累、孩子學得更好，而不是只多花錢？
正式題名草稿
國中小師生比調降之成效評估：以機器學習與因果推論檢驗教師負荷、學習表現與資源分配公平性
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開教育統計（各校班級數、師生比、學生組成、學業表現、教師流動）建構學校層級資料集，採機器學習預測教師負荷／離職風險與學習表現，並用差異中之差異、傾向分數配對等因果推論估計師生比調降效應；以SHAP解釋關鍵因子，並分析不同區域與社經子群的效益差異，輸出資源分配模擬（預算約束下優先順序）。不使用可辨識個別學生之資料。
值得研究的理由
本日語料（UDN）指出台北市長候選人在松山信義區提出「市長我不幹了」肥皂箱，承諾百日內回應教育痛點，並主張降低國中小師生比以回應第一線教師與家長壓力；另有幼兒園園長會議缺席爭議顯示教育議題高度政治化。這類主張需要資料證據：師生比與教師負荷、學習表現的關係能否被量化？近30日B題未涉及師生比政策評估，不重複。
市場／可行性／目的
- 市場：教育局、地方議會與智庫需要可驗證的政策成效評估工具；能清楚比較不同師生比情境成本與效益的框架，可延伸為政策模擬儀表板或學校資源配置建議。
- 可行性：公開教育統計與問卷即可建構學校層級資料集，無須個資；碩士時程可完成資料整併、因果估計與情境模擬。
- 目的：建立國中小師生比調降的資料驅動成效評估方法，量化教師負荷、學習表現與公平性影響，並提出預算約束下的資源配置模擬。
研究方法
公開統計蒐集與整併；探索性分析；機器學習預測與SHAP；差異中之差異／配對因果估計；預算約束情境模擬；敏感度與公平性分析。
爭議點
- 降低師生比被視為教育痛點解方，但缺乏資料時，是否只是政見口號而無法驗證成效？
- 教師負荷改善與學生學習成果是否同步，或只改善其中之一？
- 資源若優先給高需求學校，是否反而造成其他學區感到不公平？
建議指導教授（前二）
1. 金凱儀（教授）— 電腦輔助教學、適性化學習、數位遊戲式學習
- 長年從事教育科技與適性化學習，可指導教學成效指標設計與教育場域研究的評估框架。
2. 呂明頴（副教授）— 商業智慧、人工智慧、資料探勘、行為分析
- 行為分析與資料探勘適合處理學校層級資料建模、資源配置與政策情境模擬。
C. AI／AI代理人
專題主題
DeepSeek新版輕量模型說「專為代理軟體調校、任務更快完成」——怎麼評它變快是真的做對，還是少做了檢查步驟？
正式題名草稿
輕量模型之代理式軟體工程任務評測：完成時間、解題正確率與驗證步驟省略之關係分析
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
主題本身即AI代理人：建立小型軟體工程任務集（修bug、補測試、改設定），以多種輕量模型驅動同一代理框架，記錄完整軌跡（工具呼叫序列、測試執行次數、重試、耗時、token成本）；以統計與軌跡探勘比較完成時間、通過率、驗證步驟占比及『偽成功』（通過表面測試但隱藏錯誤）比例，並分析Search API啟用前後被不實資料誤導的差異。
值得研究的理由
本日語料（SiliconANGLE）指出DeepSeek推出V4.1-Flash-1017，稱可縮短任務執行時間，官方測試DeepSWE解題率由74.2%升至77%，且針對代理軟體調校並開通Search API。速度與分數是廠商自述，缺獨立檢驗；以代理人軌跡資料評估『快』與『對』的取捨，正是資料科學可做的基準研究。與近30日已出現的代理人題目（模型分流、NVIDIA部署、SDK版本）角度不同，聚焦輕量模型的速度—正確率—驗證行為。
市場／可行性／目的
- 市場：企業導入代理式程式工具時，需在速度、成本與可靠度間取捨；獨立、可重現的評測方法對採購、內部治理與開發團隊選型都有直接價值。
- 可行性：可使用開源任務集與可呼叫之模型API，碩士規模任務集約數十至數百題即可；需控制成本與沙盒環境避免執行風險，無需自訓模型。
- 目的：建立輕量模型代理式軟體工程任務的速度—正確率—驗證行為多指標評測方法，檢驗『更快』是否以犧牲可靠度為代價，並提出可重現的實驗與報告規範。
研究方法
任務集設計與沙盒環境；代理軌跡蒐集；多指標統計比較與軌跡序列探勘；偽成功案例人工標註；Search API對照實驗；成本與風險分析。
爭議點
- 官方自測的DeepSWE解題率由74.2%升至77%，是否能在獨立測試集與不同代理框架下重現？
- 「縮短任務時間」是否來自更少的測試、驗證或工具呼叫，而降低結果可靠度？
- 同步開放Search API讓代理更易上網取資料，是否增加被惡意內容誤導或資料外流的風險？
建議指導教授（前二）
1. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學
- 代理軌跡探勘與多指標統計評測屬機器學習與資料探勘專長，可指導基準設計與實驗嚴謹度。
2. 吳政隆（教授）— 文字探勘、深度學習、自然語言處理、人工智慧
- 程式修補、測試日誌與工具呼叫文字紀錄需NLP與深度學習分析，可補強軌跡錯誤分類與偽成功標註方法。
報告層爭議點
- 政策與廠商宣稱常缺獨立資料驗證，碩論題目需以可重現評測取代新聞敘事。
- 三題皆涉及資源有限或風險取捨，公平性與可解釋性應列為必要指標。
- 語料以新聞摘要為主，細節不足處須以公開資料或合成資料補足，避免過度推論。
三個爭議點
1. 政策與廠商宣稱常缺獨立資料驗證，碩論題目需以可重現評測取代新聞敘事。
2. 三題皆涉及資源有限或風險取捨，公平性與可解釋性應列為必要指標。
3. 語料以新聞摘要為主，細節不足處須以公開資料或合成資料補足，避免過度推論。