研究所論文方向 2026-10-22

A｜長照醫療

長輩健保費改由中央全免——怎麼用資料看出長輩就醫是更及時，還是只是多跑門診，又不漏掉最弱勢的人？

正式題目：高齡者健保費補助政策之就醫行為與健康結果評估：因果推論與機器學習異質性分析

• 為何值得研究：本日語料（聯合報社論）指出中央補助長者健保費，主要在拉齊各縣市標準，估計中央增加約360億元、占明年總預算不到1%；社論並批評反對論述缺乏實據。長輩是長照需求核心族群，但政策爭論多為立場之辯，缺少以資料量化『就醫行為與健康結果是否改善、誰受益最多』的分析；近30日長照題目未涵蓋健保保費補助政策評估。
• AI／資料科學整合：以公開統計與去識別／合成的高齡就醫紀錄為基礎，用準實驗設計（差異中之差異、合成控制）估計補助對就醫行為的平均效果，再以因果森林等機器學習方法估計異質性效果，找出受益最大與最可能被漏掉的長者子群（偏鄉、獨居、慢性病）；並以預測模型模擬不同補助範圍的財政與可近性取捨。
• 市場前景：高齡化下各國與各縣市持續調整長者醫療與保費補助，政府、智庫與健保單位需要以資料呈現政策成效與公平性的分析方法；評估框架可延伸為政策模擬工具。
• 技術可行性：以公開總體統計、去識別或合成資料即可在碩士時程完成方法驗證；若需健保申報檔須申請資料使用許可，列為延伸，不影響核心貢獻。
• 研究目的：建立長者保費補助政策的因果評估與異質性分析流程，量化就醫可近性、利用變化與子群公平性。
• 呈現形式：碩士論文（政策評估方法＋模擬分析；附分析腳本與公平性報告）
• 研究方法：政策時點與對照組設計；差異中之差異／合成控制；因果森林異質性分析；子群公平性指標；財政情境模擬；敏感度分析與專家訪談。
• 爭議點：

- 免繳保費是否反而增加不必要的就醫與資源浪費，還是讓原本不敢就醫的長輩得以早期就診？

- 約360億元的中央支出，成效要用就醫次數、疾病惡化或照護負荷哪一個指標衡量才公平？

- 政策評估若只看平均效果，是否掩蓋偏鄉、獨居、失能長者的受益落差？

• 指導教授：

1. 丁德天（副教授）— 政策效果的因果推論與高齡健康流行病學設計為其專長，可校正研究設計與臨床意義。

2. 葉向原（教授）— 異質性效果估計、預測模擬與驗證設計屬機器學習與資料科學核心。

B｜學齡教學

融合教育班裡特殊生多、導師忙不過來——怎麼用資料算出哪些班最需要特教助理員，又不把孩子貼上標籤？

正式題目：融合教育班級資源配置：特教助理員派置、教師負荷與一般生受教權之資料驅動評估

• 為何值得研究：本日語料指出：全教產表示融合教育下導師負擔沉重，核定減班未實際減生，部分班級有五至六名特殊生，要求導師每週減授一節並補足特教助理人力；教育部擬公布情緒行為處理指引，特教助理員將增聘至1600名並改採月薪制。人力增加後『派到哪裡最有效』缺少資料化的評估方法；近30日學齡題目未涵蓋融合教育資源配置。
• AI／資料科學整合：以去識別／合成的班級結構（特殊生人數、班級規模、助理員時數）與教師負荷問卷建立負荷指數，用機器學習預測高負荷班級並以可解釋模型（SHAP）說明原因；再以最佳化模型模擬在固定1600名助理員下的派置方案，比較『負荷降低』與『跨校公平』；並可用NLP分析指引條文與教師意見，找出實務落差。
• 市場前景：特教人力調度與教師減課是教育主管機關與學校持續面對的議題，能呈現資源配置成效與公平性的分析框架，可作為縣市教育局決策輔助。
• 技術可行性：以合成資料與公開統計為主，真實班級資料需學校與主管機關同意且高度去識別；碩士時程可完成指數、預測與派置模擬原型。
• 研究目的：建立融合教育班級負荷評估與助理員派置模擬方法，兼顧教師負荷、一般生受教權與資源公平。
• 呈現形式：碩士論文（負荷指數＋派置模擬；附腳本、可解釋性報告與倫理檢核）
• 研究方法：負荷指標建構；可解釋預測模型；整數規劃派置模擬；公平性分群分析；意見文本NLP；教師與特教專業訪談；隱私與標籤風險評估。
• 爭議點：

- 用資料排序『最需要資源的班級』，會不會讓被點名的班級與特殊生被標籤化？

- 核定減班卻未實際減生、班上仍有五至六名特殊生，指標該看人數還是實際課堂負荷？

- 情緒行為預警若誤判，是否反而造成對特殊生的過度管控？

• 指導教授：

1. 葉向原（教授）— 負荷預測、可解釋模型與分群公平性分析屬機器學習與資料探勘核心。

2. 許晋雄（教授）— 助理員派置為資源配置最佳化問題，可指導模型建構與情境模擬。

C｜AI／AI代理人

開發者讓AI代理人每天自動抓關鍵字、寫文章、互相內連來拚流量——怎麼評這種『自動寫作代理人』產出的是有用內容，還是搜尋垃圾？

正式題目：自動化內容生成代理人流水線之品質與風險評測：關鍵字發現、文章生成、內部連結與AI搜尋引用成效

• 為何值得研究：本日語料指出：開發者以開源工具Gum抓取未被點擊的關鍵字，交給Claude自動產文並互相內連，宣稱半年後日收約兩千至三千美元；同時報導指Google AI摘要使傳統點擊下降（有摘要時傳統點擊剩不到一成），業者轉向搶AI搜尋的被引用。這是『找題目→寫文→連結→發布』的代理人流水線實例，但缺乏公開評測回答：產出的正確性、重複度、對讀者價值與被AI引用的實際機率。近30日C題雖有AI搜尋FAQ與SEO MCP查排名，但未涵蓋自動產文流水線本身的品質與風險評測。
• AI／資料科學整合：題目本身為AI代理人路線：以開源LLM搭配工具呼叫（關鍵字蒐集、搜尋、寫作、內連規劃）建立沙盒流水線，不實際發布；設計品質評測集（事實正確性、與既有文章重複度、可讀性、內連合理性），比較單代理人與多代理人（寫作者＋查核者）流程在品質、成本與Token用量上的差異，並以離線模擬的檢索式問答系統估計文章被引用的機率。
• 市場前景：企業與中小店家大量導入AI內容工具，平台與搜尋業者需偵測低品質自動內容；可重複的品質基準與偵測指標可延伸為內容稽核與合規服務。
• 技術可行性：使用開源模型、公開語料與離線檢索模擬即可完成，不實際發布、不接觸真實網站流量；碩士時程可完成流水線與評測集。
• 研究目的：建立自動內容生成代理人的品質、成本與風險評測基準，量化查核代理人對正確性與重複度的改善。
• 呈現形式：碩士論文（代理人流水線實驗＋評測集；附腳本與成本／品質比較報告）
• 研究方法：沙盒流水線建置；品質評測集與人工標註；單／多代理人A/B比較；重複度與事實性自動檢測；離線檢索引用模擬；成本與錯誤分析；倫理與濫用討論。
• 爭議點：

- 大量自動產文換流量，是否製造低品質內容、污染搜尋結果，品質門檻誰來定？

- 代理人自動內連與針對AI搜尋引用優化，算正當優化還是操弄排名？

- 以流量與引用率衡量成功，會不會忽略內容正確性與對讀者的實際價值？

• 指導教授：

1. 吳政隆（教授）— 文章品質、重複度與文本探勘評測屬其核心專長，可指導評測集與模型設計。

2. 呂明頴（副教授）— 搜尋流量與轉換的商業分析、行為指標設計，可指導成效與商業價值評估。

整體爭議

• 三題皆以合成或公開資料為主，結論能否外推真實場域仍待驗證？
• 題目取材自單一日新聞，可能被新聞熱度牽著走。
• 政策評估、預警與代理人評測若被誤用為考核或稽核依據，責任如何歸屬？

三個爭議點

1. 三題皆以合成或公開資料為主，結論能否外推真實場域仍待驗證？

2. 題目取材自單一日新聞，可能被新聞熱度牽著走。

3. 政策評估、預警與代理人評測若被誤用為考核或稽核依據，責任如何歸屬？