研究所論文方向 2026-10-23

A｜長照醫療

工研院的「AI在宅醫療」要靠穿戴衣物盯中風病人在家狀況——怎麼評預警準不準，誤判漏判時又怎麼不嚇到家屬、不漏掉偏鄉長輩？

正式題目：中風居家照護之多模態穿戴生理訊號異常預警：準確度、誤報成本與跨族群公平性評估

• 為何值得研究：本日語料（工研院新聞）指出「AI在宅醫療」獲 APEC 未來健康照護子基金支持，為今年臺灣唯一入選案，整合穿戴監測、AI預測與中風居家照護，並搭配紡織所多模態生理監測服飾，攜手四經濟體推動跨國場域。居家預警的價值取決於準確度與誤報成本，但新聞未提供評估數據；近30日長照題目涵蓋手錶誤報、零接觸睡眠監測，尚未涵蓋中風居家照護的預警模型比較。
• AI／資料科學整合：以公開的生理訊號資料集（如心率、呼吸、活動量）與合成的中風居家情境資料為基礎，建立異常預警模型（時序模型、異常偵測），比較不同感測組合的偵測延遲、誤報／漏報率；加入分群公平性檢查（獨居、偏鄉、不同體型與膚色對感測的影響）與警報疲勞模擬，估算照服員與家屬的實際負擔。
• 市場前景：高齡化與居家照護需求上升，穿戴與遠距監測是長照與醫療器材的成長方向；可重現的預警評估流程可供廠商、照護機構與政策單位作為驗證參考。
• 技術可行性：以公開資料集與合成資料即可在碩士時程完成方法驗證；真實中風病人資料需倫理審查與院方合作，列為延伸，不影響核心貢獻。
• 研究目的：建立居家中風照護穿戴預警的評估框架，量化準確度、誤報成本與子群公平性，提出不同風險門檻下的警報策略。
• 呈現形式：碩士論文（預警模型比較＋評估框架；附分析程式與公平性報告）
• 研究方法：公開生理訊號資料集整理；時序異常偵測與分類模型；偵測延遲與 ROC／PR 分析；子群公平性指標；警報疲勞模擬；敏感度分析與專家訪談。
• 爭議點：

- 跨智利、韓國、馬來西亞、越南收生理數據，個資跨境與醫療責任歸屬如何劃分仍待釐清。

- AI 及早辨識異常，但誤判或漏判時遠端團隊與演算法誰負臨床責任？

- 監測服飾若當醫療器材使用，查驗登記與居家場景資安標準是否跟上？

• 指導教授：

1. 丁德天（副教授）— 高齡醫學與健康風險評估為其專長，可校正臨床意義與評估指標設計。

2. 葉向原（教授）— 預警模型、異常偵測與驗證設計屬機器學習與資料科學核心。

B｜學齡教學

微軟與圖書館協會要免費教大家 AI 素養——放到國中小，怎麼用學習資料證明學生真的學會，又不只讓資源多的學校受益？

正式題目：中小學 AI 素養培訓成效之學習分析：前後測、學習軌跡與城鄉／校際落差評估

• 為何值得研究：本日語料（微軟官方部落格）指出微軟與美國公共圖書館協會擴大提供免費 AI 素養培訓，對象含圖書館工作人員與民眾，並延伸至學校與社區教育。免費培訓普及後，關鍵在『學生到底學到什麼、誰學得到』；原文未提供成效評估。注意：此為美國案例，本題僅借其議題，研究對象設為臺灣中小學。近30日學齡題目未涵蓋 AI 素養課程的成效與落差評估。
• AI／資料科學整合：以公開或模擬的課程前後測與學習行為紀錄為基礎，用學習分析建立素養成長指標；以混合效應模型與因果方法（傾向分數加權）估計課程成效，再用機器學習找出成效最低的學生與學校子群；並用 NLP 分析課程教材對隱私、偏誤等風險議題的涵蓋程度。
• 市場前景：各國推動中小學 AI 素養，教育單位、出版與教育科技業者都需要可量化的成效證據與公平性檢核方法。
• 技術可行性：以合成資料與公開教育統計即可完成方法驗證；真實學生資料須取得學校與倫理審查同意，列為延伸。
• 研究目的：建立 AI 素養課程成效與公平性的評估流程，量化成長幅度、子群落差與教材風險議題涵蓋度。
• 呈現形式：碩士論文（學習分析＋評估框架；附指標定義與分析腳本）
• 研究方法：素養指標設計；前後測與學習軌跡分析；混合效應模型；傾向分數加權；子群落差分析；教材 NLP 涵蓋度分析；敏感度分析。
• 爭議點：

- 企業主導的免費培訓，是否會形成特定平台依賴？

- 公共圖書館與學校人力、經費有限，能否長期支撐培訓？

- 培訓內容是否涵蓋 AI 風險與隱私等安全議題？

• 指導教授：

1. 金凱儀（教授）— 教學科技與適性化學習為其核心專長，可指導課程成效與學習設計。

2. 葉向原（教授）— 子群找出、因果估計與模型驗證屬機器學習與資料科學核心。

C｜AI／AI代理人

電梯維修技師出門前，AI 代理人會幫忙列好要帶的工具、樓層和故障類型——怎麼評它的建議可不可靠，會不會讓技師照單全收而漏掉現場問題？

正式題目：維修場域 AI 代理人之工具與任務建議可靠度評估：準確度、過度依賴與資料品質影響

• 為何值得研究：本日語料（微軟官方報導）指出 TK Elevator 以 Microsoft Foundry 與 Azure OpenAI 建置代理應用，讓技師出發前取得電梯資訊，並自動列出所需工具、樓層與故障類型以減少往返。這是代理人從工單資料推薦行動的實例，但原文未公開準確度與投資報酬；近30日代理人題目涵蓋安全、成本、紀錄稽核，尚未涵蓋『維修建議的可靠度與人機互信』。
• AI／資料科學整合：本題主題即 AI 代理人：以公開或合成的維修工單（含手寫轉文字的雜訊）建立基準集，讓檢索增強的代理人推薦工具與故障類型；量測推薦準確度、遺漏代價與資料品質（OCR 雜訊、缺漏）對結果的影響；並以模擬技師實驗量化『建議錯誤時被採納的比例』，評估過度依賴。
• 市場前景：設備維運、製造與服務業普遍導入代理應用，可重現的可靠度評估與人機協作指標有實際需求。
• 技術可行性：以合成工單與公開文本資料即可建構基準與模擬實驗；真實企業工單須取得授權，列為延伸。
• 研究目的：建立維修場景代理人建議的評估基準，量化準確度、資料品質敏感度與過度依賴風險。
• 呈現形式：碩士論文（評測基準＋模擬實驗；附資料集與評估腳本）
• 研究方法：合成工單與雜訊注入；檢索增強代理人原型；推薦準確度與遺漏代價指標；資料品質敏感度分析；模擬使用者採納實驗；錯誤分類分析。
• 爭議點：

- 技師是否會過度依賴 AI 建議，而忽略現場判斷？

- 手寫筆記數位化後，既有服務資料的品質如何保證？

- 原文未提及導入成本與投資報酬，成效仍待量化。

• 指導教授：

1. 吳政隆（教授）— 手寫轉文字雜訊、工單文本檢索與語言模型評測屬其核心專長。

2. 呂明頴（副教授）— 人機採納行為分析與成效指標設計可指導評估與商業價值面。

報告層爭議點

• 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，且 B 題素材為美國案例，可能與臺灣情境有落差。
• 預警、成效評估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，且 B 題素材為美國案例，可能與臺灣情境有落差。

3. 預警、成效評估與代理人評測若被誤用為考核或稽核依據，責任如何歸屬？