研究所論文方向 2026-10-20

長照醫療：長者假牙補助可能被砍、影響13.9萬人——怎麼用資料和AI算出誰最先吃不好、變瘦、變虛弱，讓長照提早補位？

• 正式題目：老福法修法下長者假牙補助變動之咀嚼功能退化、營養不良與衰弱風險預測及影響分層模型
• 學位：碩士／資料科學系碩士
• 為何值得研究：本日語料（中時、太報）報導老福法修法恐使弱勢長者假牙與醫療補助被刪、衛福部指影響約13.9萬人、地方稱不會斷炊，社家署仍在盤點影響範圍。補助變動的實際後果缺乏量化依據，正適合以資料科學估計哪些長者最先受影響。近30日A題未涉及假牙／口腔／咀嚼，不重複。
• AI整合：以公開統計、文獻風險因子與合成／去識別長者資料（年齡、獨居、失能等級、缺牙數、體重變化、共病、城鄉）建立咀嚼功能退化、營養不良與衰弱風險分層模型（邏輯迴歸、梯度提升樹、SHAP），並以情境模擬比較『補助維持／縮減』對高風險人數與照護需求的影響，檢核城鄉與所得子群落差。僅輸出供社工／護理人員覆核的優先名單，不做自動決策。
• 市場展望：高齡化使口腔與營養議題成為長照預防重點；地方衛生局、社區健康站與長照機構需要在預算有限下排序介入對象，可延伸為政策影響評估與個案優先序工具。
• 技術可行性：可用公開統計與合成資料做原型，無須自訓大模型；真實資料需IRB與去識別合作，碩士時程可完成基準模型、情境模擬與公平性檢核。
• 研究目的：建立補助變動情境下，長者口腔—營養—衰弱風險的可解釋預測與影響分層方法，並量化漏判與城鄉落差。
• 呈現形式：碩士論文（風險模型基準＋補助情境模擬；附特徵字典、公平性檢核表與覆核流程建議）
• 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；補助情境模擬；子群公平性與敏感度分析；社工／牙醫專家訪談。
• 評分：{'theory': 7, 'practicality': 9, 'marketization': 7}
• 爭議點：

- 補助若被併入其他給付而縮減，模型預測出的『高風險長者』是否反而成為要求維持補助的證據，還是被拿去排擠名額？

- 口腔、營養與衰弱的因果鏈多為觀察性證據，預測模型是否容易把相關誤當因果？

- 偏鄉、獨居或較少就醫的長者在資料中本來就少見，是否更容易被低估風險？

• 指導教授：

1. 丁德天（副教授）— 高齡醫學與流行病學背景，可指導口腔—營養—衰弱風險因子選取、因果與偏誤討論。

2. 葉向原（教授）— 風險分層與情境模擬屬機器學習核心，可指導模型比較、可解釋性與驗證設計。

學齡教學：學校辦園藝實作、藝術展演的『美感校園』——怎麼用資料和AI證明孩子真的更有學習動機，而不是只多辦幾場活動？

• 正式題目：美感校園實作課程對國中小學生學習動機與參與度之成效評估：以機器學習與因果推論檢驗
• 學位：碩士／資料科學系碩士
• 為何值得研究：本日語料（教育部全球資訊網）以「美感就是符合你的學習需求」介紹從園藝實作到藝術展演的美感校園案例。這類課程常以活動數量或滿意度呈報，缺乏可比較的成效指標；以資料科學建立動機與參與度的評估方法有實際需求。近30日B題未涉及美感教育，不重複。
• AI整合：以公開學校統計與去識別問卷／參與紀錄（出席、社團與展演參與、學習動機量表）建構學校或班級層級資料集，用機器學習預測動機變化並以差異中之差異、傾向分數配對估計美感課程效應；可用文字探勘分析學生開放式回饋；以SHAP與子群分析檢核城鄉與資源落差。不使用可辨識個別學生之資料。
• 市場展望：教育局與學校需要可驗證的課程成效證據以爭取經費；成效評估框架可延伸為學校自評儀表板與課程設計建議。
• 技術可行性：以公開統計與匿名問卷即可建構資料集，碩士時程可完成量表設計、因果估計與文字分析。
• 研究目的：建立美感校園課程對學習動機與參與度的資料驅動評估方法，區分課程效應與學校條件，並檢核公平性。
• 呈現形式：碩士論文（學校層級資料集＋因果估計＋回饋文字分析；附量表與指標字典）
• 方法：公開統計與問卷整併；探索性分析；機器學習與SHAP；差異中之差異／配對估計；文字探勘；公平性與敏感度分析。
• 評分：{'theory': 6, 'practicality': 7, 'marketization': 6}
• 爭議點：

- 美感活動成效多靠問卷與主觀觀察，是否容易高估真正的學習動機提升？

- 資源較多的學校本來就較能辦展演，成效差異是活動造成，還是學校條件造成？

- 用AI分析學生作品或參與紀錄，是否會把『美』窄化成可量化指標而壓縮創意？

• 指導教授：

1. 金凱儀（教授）— 教育科技與學習成效評估專長，可指導課程成效指標與學習動機量測設計。

2. 葉向原（教授）— 可指導預測模型、因果估計與資料集建構等資料科學方法。

AI／AI代理人：AI代理人像員工一樣有帳號、能呼叫工具——怎麼從它的操作紀錄自動抓出『越權或被帶偏』的行為？

• 正式題目：代理式內部威脅偵測：以工具呼叫序列與權限日誌進行AI代理人越權行為之異常偵測與評測基準
• 學位：碩士／資料科學系碩士
• 為何值得研究：本日語料有NVIDIA談媒體領域的代理式安全，以及『Securing the agentic insider』一文，將具備權限的AI代理人視為內部風險。代理人會規劃步驟、呼叫工具，越權或被提示注入帶偏時需靠紀錄偵測，但缺乏公開評測基準。近30日C題雖有代理人權限與紀錄追查，但未做『工具呼叫序列異常偵測＋基準』，角度不同。
• AI整合：題目本身即AI代理人路線：以開源代理框架在沙盒中執行任務（查資料、讀寫檔、呼叫API），人工注入提示注入與越權情境，收集工具呼叫序列與權限日誌，建立標註資料集；比較規則式、統計與序列模型（如LSTM、Transformer）偵測越權的精確率、召回率、延遲與成本，並檢核誤報對人工審查負擔的影響。全程使用合成資料與沙盒，不碰真實系統。
• 市場展望：企業導入代理人後，稽核與資安團隊需要可落地的監控方法；公開基準與偵測流程可延伸為代理人治理與稽核產品原型。
• 技術可行性：沙盒代理環境與合成攻擊腳本可在碩士時程內完成；以開源或小型模型降低成本，需注意實驗安全隔離。
• 研究目的：建立AI代理人越權／被帶偏行為的標註資料集與偵測基準，量化各方法在準確、延遲與誤報成本上的取捨。
• 呈現形式：碩士論文（沙盒實驗＋資料集＋偵測基準；附情境清單與評測腳本）
• 方法：沙盒代理環境建置；情境與攻擊設計；日誌蒐集與標註；規則／統計／序列模型比較；誤報成本與敏感度分析；限制與倫理討論。
• 評分：{'theory': 8, 'practicality': 8, 'marketization': 8}
• 爭議點：

- 把代理人視為『內部人員』監控，是否等同對其所有操作全面留痕，帶來隱私與成本問題？

- 異常偵測誤報過多會拖垮資安人員，漏報則放過真正越權，兩者如何取捨？

- 合成的攻擊情境能否代表真實代理人被提示注入後的行為？

• 指導教授：

1. 呂明頴（副教授）— 行為分析與資料探勘專長，適合指導操作序列的異常偵測與評測設計。

2. 吳政隆（教授）— 大型語言模型代理與提示注入涉及NLP與深度學習，可指導模型與實驗設計。

報告層爭議點

• 三題皆依賴合成或去識別資料，結論能否外推到真實場域仍待驗證？
• 政策與產品新聞多為單一來源報導，題目是否被新聞熱度牽著走？
• AI風險分層或監控工具若被誤用為配給或稽核依據，責任如何歸屬？

三個爭議點

1. 三題皆依賴合成或去識別資料，結論能否外推到真實場域仍待驗證？

2. 政策與產品新聞多為單一來源報導，題目是否被新聞熱度牽著走？

3. AI風險分層或監控工具若被誤用為配給或稽核依據，責任如何歸屬？