研究所論文方向 2026-10-24
語料 54 則；目標：資料科學系碩士
長照醫療：微軟的 AI 診斷團隊靠『多叫幾個AI醫師分工』就比醫師準、還更省檢查——放到多種慢性病纏身的長輩身上，怎麼評它會不會多開檢查或漏掉重點？
- 正式題目：多代理人臨床診斷系統於高齡共病情境之準確度、檢查成本與安全性評估
- 為何值得研究：本日語料（微軟官方）指出 MAI-DxO 在 MIMIC-IV-ED 急診案例準確率約為醫師的 1.7 倍，成本可降至一半至三分之一。但原文所稱的病例並非專為高齡共病設計；長輩多重用藥、症狀不典型，是否也適用並不清楚。注意：此為微軟自述結果，本題僅借其方法議題，研究對象設為高齡／長照出院銜接情境。近30日長照題目涵蓋穿戴預警、藥物、FHIR 跨院模型，尚未涵蓋『多代理診斷系統在高齡共病的評估』。
- AI 整合：以公開的 MIMIC-IV 系列（需完成 PhysioNet 申請）擷取 65 歲以上、多重共病子集，建構『多代理分工（問診、開檢查、審成本）』與單一模型的對照原型；比較診斷正確率、建議檢查數與成本、漏診高風險診斷的比例，並以分層分析檢視年齡、共病數、不典型症狀下的表現落差。
- 市場：高齡急診與長照轉介量持續增加，醫院與健保單位都需要『準確又不浪費檢查』的輔助診斷驗證方法；可重現的高齡子群評估流程具實務參考價值。
- 可行性：MIMIC 需資格審查但可取得；亦可先用公開臨床案例文本做方法驗證。不需臨床部署，碩士時程可完成評測原型；真實病歷為延伸。
- 研究目的：檢驗多代理診斷架構在高齡共病子群的效益是否成立，量化準確度、檢查成本與漏診風險之間的取捨。
- 呈現形式：碩士論文（多代理診斷原型＋高齡子群評估框架；附分析程式與錯誤案例集）
- 方法：高齡共病子集抽取與去識別資料處理；單代理與多代理診斷原型；準確率、檢查數、成本與漏診指標；分層與公平性分析；錯誤案例質性分類；敏感度分析。
- 評分：{'theory': 7, 'practicality': 7, 'marketization': 7}
- 指導教授：1. 丁德天（副教授）、2. 葉向原（教授）
- 爭議點：
- 研究採用公開病例與資料集，能否代表真實臨床環境的複雜情況？
- 醫師若過度依賴AI的診斷建議，是否會削弱臨床判斷的能力？
- 「醫療超級智慧」的願景由企業提出，出現醫療錯誤時責任與監管誰來承擔？
學齡教學：颱風天北北基桃台中停課、南部照常上課——怎麼用資料算出停課決定到底多準、孩子被迫上學或白白停課各有多大代價？
- 正式題目：颱風停課決策之風雨資料評估：判準一致性、誤停誤開成本與學習損失
- 為何值得研究：本日語料指出薔琵颱風造成全台災情累計 3671 件、1 死 350 傷，13 縣市續停班課，北北基桃、台中停課而台南高雄正常上班。停課與否直接牽動學生通學安全與學習時數，但各縣市判準是否一致、事後看是否『停得對』，語料未提供評估。近30日學齡題目未涵蓋停課決策與天氣風險。注意：本題以通學安全與學習損失為核心，不涉個別學生資料。
- AI 整合：蒐集公開的歷年颱風停班停課公告、氣象署風雨觀測與預報資料、災情統計，建立『依風雨預報預測各縣市停課』的機器學習模型；用其與實際決策對照，找出判準不一致的縣市，估算『誤開（有風險仍上課）』與『誤停（無須停課）』的成本；再以模擬估計學習時數損失與補課負擔，比較偏鄉與都會學校差異。
- 市場：極端氣候使停班停課更頻繁，教育局、學校與家長都需要透明、可重現的決策參考；可延伸為防災決策輔助與校務通知系統。
- 可行性：氣象與停課公告皆為公開資料，可全程用公開資料完成；學習損失以公開教育統計與模擬估計，不需學生個資。
- 研究目的：量化颱風停課決策的一致性與錯誤成本，建立可重現的預測與評估流程，提出判準透明化的建議。
- 呈現形式：碩士論文（預測模型＋決策評估框架；附資料整理腳本與縣市比較報告）
- 方法：歷年停課公告蒐集與清理；風雨觀測與預報特徵工程；分類模型與可解釋性分析；縣市間判準一致性檢定；誤停誤開成本模擬；學習時數損失敏感度分析。
- 評分：{'theory': 6, 'practicality': 8, 'marketization': 6}
- 指導教授：1. 金凱儀（教授）、2. 呂明頴（副教授）
- 爭議點：
- 各縣市停班課判準不一，南部風雨未達標準即照常上班課。
- 地方各自宣布停班課，跨區通勤與就學的家庭安排容易混亂。
- 颱風路徑預測仍有變數，停課決策須隨時調整，事後如何檢討責任？
AI／AI代理人：楊立昆說 AI 代理人該先在『腦中模擬一遍』再動手才安全——怎麼評這種先模擬再行動的設計，真的能擋下危險操作，還是只讓代理人變慢？
- 正式題目：代理人行動前世界模型模擬機制之安全性與成本評估：危險操作攔截率、誤攔率與延遲
- 為何值得研究：本日語料（T客邦）指出楊立昆主張下一步突破在世界模型，AMI Labs 以 JEPA 讓系統在真實行動前先模擬，並稱智慧體資安事件暴露的是防護缺陷。這提出一個可檢驗的設計：代理人呼叫工具前先模擬後果。但文中沒有攔截率、延遲等數據。近30日代理人題目涵蓋越權稽核、虛實遷移、多代理成本等，尚未涵蓋『行動前模擬檢查』此一安全機制的效益評估。
- AI 整合：本題主題即 AI 代理人：在公開代理人評測環境（如工具呼叫、檔案與網頁操作任務）上，為代理人加上『行動前後果預測』檢查層（以語言模型或輕量預測器模擬工具呼叫結果），並注入危險與無害指令；量測危險操作攔截率、誤攔率、任務完成率與額外延遲／成本，並檢驗被提示注入或越獄時機制是否失效。
- 市場：企業導入會呼叫工具的代理人時，最在意安全與成本取捨；可重現的『行動前檢查』評測基準對廠商與稽核單位有直接用途。
- 可行性：可用開源代理人框架與公開評測任務、模擬環境完成；無須真實系統權限，碩士時程可完成評測基準與消融實驗。
- 研究目的：建立行動前模擬檢查的評測基準，量化安全收益與效能代價，找出機制失效的情境。
- 呈現形式：碩士論文（評測基準＋消融實驗；附任務集、攻擊樣本與評估腳本）
- 方法：危險／無害任務集設計；代理人原型加入預測檢查層；攔截率、誤攔率、完成率、延遲與成本指標；提示注入與越獄攻擊測試；消融與錯誤分析。
- 評分：{'theory': 8, 'practicality': 7, 'marketization': 7}
- 指導教授：1. 葉向原（教授）、2. 吳政隆（教授）
- 爭議點：
- 把智慧體資安事件全歸因企業防護，恐淡化模型本身的漏洞。
- 承認越獄難靠微調解決，卻仍稱工程就能關住自主行為。
- 現場可靠預測與規模部署，連本人都說還要再看幾年。
整體爭議點
- 三題皆以公開或合成資料為主，結論能否外推真實場域仍待驗證？
- 題目取材自單一日新聞，A 題微軟結果為廠商自述，尚待獨立驗證。
- 診斷輔助、停課預測與代理人攔截若被誤用為責任判定依據，歸責如何處理？
三個爭議點
1. 三題皆以公開或合成資料為主，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，A 題微軟結果為廠商自述，尚待獨立驗證。
3. 診斷輔助、停課預測與代理人攔截若被誤用為責任判定依據，歸責如何處理？