研究所論文方向 2026-10-21

長照醫療：長輩睡不好，床邊不用戴任何東西就能量——怎麼用AI評『零接觸睡眠監測』準不準、誤報會不會讓家屬和照服員整晚被吵醒？

正式題目：高齡長照場域零接觸睡眠生理監測：AI判讀準確度、誤報警示負荷與介入成效評估

• 為何值得研究：本日語料指出緯創醫學與長庚科大簽MOU，推AI高齡暨健康產業人才計畫，首波鎖定睡眠健康，採零接觸生理監測並搭配健康促進介入。長照機構夜間人力吃緊，睡眠監測若可靠可協助排序夜巡，但公開資料缺少對高齡者的準確度與誤報成本評估；近30日題目未涵蓋睡眠／零接觸監測。
• AI／資料科學整合：以公開睡眠資料集（如PhysioNet類）與去識別／合成的高齡夜間生理訊號（心率、呼吸、體動）建立睡眠分期與夜間異常事件偵測模型，比較傳統特徵＋機器學習與深度時序模型（LSTM、Transformer）；分析不同年齡、失智與共病子群的準確度落差，並模擬警示門檻對照服員夜巡次數與漏報的取捨。
• 市場前景：高齡化與長照人力短缺下，非穿戴式夜間監測需求上升；能量化誤報負擔與子群公平性的評測框架，可作為機構採購與驗收依據。
• 技術可行性：使用公開資料與合成資料即可在碩士時程完成建模與門檻模擬；真實場域資料需IRB與機構合作，列為延伸。無需自訓大型模型。
• 研究目的：建立高齡零接觸睡眠監測的AI判讀基準，量化準確度、子群落差與警示負荷，提出可驗收的門檻設定方法。
• 呈現形式：碩士論文（模型比較＋警示門檻模擬；附評測腳本與機構驗收檢核表）
• 研究方法：公開／合成資料整備；睡眠分期與事件偵測模型比較；子群公平性分析；警示門檻與人力負荷模擬；專家（護理／照服員）訪談校正。
• 爭議點：

- 零接觸監測是否只是把更多長者夜間資料交給廠商，隱私與同意如何落實？

- 警示太敏感會造成照服員警報疲勞，太遲鈍又漏掉惡化，門檻誰說了算？

- 睡眠改善是否真的等於健康改善，還是只是漂亮的指標？

• 指導教授：

1. 丁德天（副教授）— 睡眠與高齡健康屬高齡醫學與流行病學範疇，可校正臨床定義、子群與研究倫理。

2. 葉向原（教授）— 時序模型比較、特徵與驗證設計屬機器學習核心，可指導實驗與指標。

學齡教學：微軟在資料中心旁開『AI學習中心』，一年要讓5000名學生動手玩——怎麼證明孩子真的學會AI，而不是玩過一次就忘？

正式題目：企業設立之K12實作型STEM／AI學習中心：學習成效追蹤、參與公平性與長期留存評估

• 為何值得研究：本日語料指出微軟於愛爾蘭Grange Castle資料中心園區開設Dream Space實作型STEM與AI學習中心，預計未來十二個月有逾5,000名學生使用。這類校外體驗中心在台灣也漸多，但多以參與人次作為成果，缺少前後測、留存與公平性的資料分析；近30日學齡題目未涵蓋校外實作中心。
• AI／資料科學整合：設計AI素養前後測與延遲後測題庫（概念、資料判讀、AI限制），用項目反應理論／機器學習預測哪些學生短期有進步卻長期留存低；以學習分析（活動日誌、作品）建立早期預警，並用公平性指標檢查不同學校背景學生的受益差異。可用LLM輔助作品評分，但需與人工評分比對一致性。
• 市場前景：各國推動AI素養與校外實作資源，教育局與企業需要可呈現成效的評估方法而非人次統計；評測框架可延伸為課程採購與補助依據。
• 技術可行性：以公開教育資料集與自編匿名題庫模擬為主，真實場域資料需學校與監護人同意；碩士時程可完成分析管線與原型。
• 研究目的：建立校外AI／STEM實作中心的學習成效與公平性評估方法，量化短期進步、長期留存與子群落差。
• 呈現形式：碩士論文（評估框架＋學習分析模型；附題庫、分析腳本與公平性報告）
• 研究方法：前後測與延遲後測設計；學習日誌特徵工程；留存預測模型；LLM評分與人工一致性檢定；公平性分群分析；教師訪談。
• 爭議點：

- 企業辦的AI學習中心是否也是品牌與人才布局，教學內容中立性如何確保？

- 參訪式體驗活動的學習成效是否只是短期興奮，缺乏長期追蹤？

- 能到學習中心的學生是否本來就是資源較好的學校，反而加大落差？

• 指導教授：

1. 金凱儀（教授）— 專長於數位學習與適性化學習，可指導學習成效設計與教育場域實驗。

2. 葉向原（教授）— 留存預測與公平性分析屬機器學習與資料探勘，可指導模型與驗證。

AI／AI代理人：Gemini開進車裡，可連你的Gmail、行事曆、地圖幫你代辦——AI代理人用到『個人資料』時，怎麼測它會不會亂讀、亂做、講錯？

正式題目：個人化AI代理人之跨應用工具呼叫評測：個資存取最小化、任務正確性與語音情境下的誤操作風險

• 為何值得研究：本日語料指出Gemini全球推出於Android Auto與Google內建車機，經授權可連結Gmail、行事曆、照片與地圖等個人資料，讓駕駛免手持說話取得個人化協助。這是會理解意圖、跨應用呼叫工具代辦的代理人實例，但缺乏公開評測回答：它讀了多少不需要的資料、做錯的比例與可恢復性。近30日C題未涵蓋個資存取最小化與語音情境。
• AI／資料科學整合：題目本身為AI代理人路線：以開源LLM代理框架搭配模擬信箱、行事曆、地圖API建立沙盒，設計語音轉文字帶雜訊的任務集（改行程、回覆信件、導航代辦），記錄工具呼叫與資料存取紀錄，評估任務成功率、多餘資料讀取量、誤操作率與可還原性，並比較不同權限設計與確認機制（二次確認、唯讀預設）的效果。
• 市場前景：車載與手機代理人快速普及，車廠、平台與監管單位需要可重複的個資與誤操作評測；基準與指標可延伸為代理人安全稽核服務。
• 技術可行性：全合成資料與開源模型沙盒，碩士時程可完成；語音雜訊可用公開語音資料集模擬；不接觸真實帳號。
• 研究目的：建立個人化代理人在個資存取與語音情境下的評測基準，量化正確性、最小權限與誤操作風險的取捨。
• 呈現形式：碩士論文（沙盒實驗＋任務集＋評測基準；附腳本與權限設計比較）
• 研究方法：沙盒與合成個資建置；語音雜訊任務設計；工具呼叫與存取日誌標註；權限／確認機制A/B比較；成本與錯誤分析；倫理討論。
• 爭議點：

- 授權一次後代理人可讀取多少個資才算『夠用』，最小權限如何量化？

- 駕駛免手持語音互動下，錯誤執行（寄錯信、改錯行程）的責任誰負？

- 評測用的模擬信箱與行事曆能否代表真實使用者的混亂資料？

• 指導教授：

1. 蘇明祥（副教授）— 語音情境下的口語對話代理人屬其核心專長，可指導語音雜訊任務與對話評測。

2. 吳政隆（教授）— LLM代理與工具呼叫涉及NLP與深度學習，可指導模型與實驗設計。

三個爭議點

1. 三題皆依賴合成或公開資料，結論能否外推到真實場域仍待驗證？

2. 題目取材自單一來源新聞，是否被新聞熱度牽著走？

3. 監測與代理人工具若被誤用為考核或稽核依據，責任如何歸屬？