研究所論文方向 2026-10-26

語料 52 則；目標：資料科學系碩士

長照醫療：住宿式長照補助調高到每月最高1.5萬、不排富——怎麼用資料和AI看出哪些家庭最可能申請不到、床位又夠不夠，避免補助變成「有錢人先搶到」？

• 正式題目：住宿式長照機構補助政策之資格篩檢、申請落差與床位配置之機器學習與最佳化分析
• 為何值得研究：本日語料（風傳媒10/25重點新聞）指出：住宿式長照補助調高至每月最高1.5萬元、全年18萬且不排富；長照第4級或中度身障可申請，已領身障住宿補助可再加5千；改按月認列入住天數，申請至12月16日，且非所有床位適用。這是可檢驗的政策：誰符合資格、誰實際申請、床位是否可得之間有落差。語料僅有政策摘要，無申請人數；研究須以公開統計與模擬資料進行。近30日長照題目已涵蓋床位缺口、出院銜接、假牙補助等，尚未涵蓋『住宿補助的資格—申請—床位三段落差』。
• AI 整合：以公開的長照需要等級分布、機構床位與縣市所得統計，加上合成的家庭資料，建立『符合資格→實際申請→取得合適床位』三段漏斗模型；用機器學習預測申請落差的高風險族群，用最佳化模型模擬在床位限制下不同補助規則的覆蓋與公平性，並做模型可解釋性分析。
• 市場：補助上路後，衛福部、縣市政府與機構都需要用資料評估政策是否觸及真正需要的家庭；可重現的落差診斷與模擬框架可供政策評估與機構規劃使用。
• 可行性：全程使用公開統計與合成資料，不需個案個資；漏斗模型、公平性指標與最佳化模擬皆為碩士時程可完成範圍。
• 研究目的：量化住宿式長照補助在資格、申請與床位三階段的落差，找出最容易被遺漏的族群，並比較不同規則下的覆蓋與公平性。
• 呈現形式：碩士論文（漏斗模型＋合成資料產生器＋公平性與床位配置模擬；附分析程式）
• 方法：公開統計蒐集與合成資料生成；分群與風險預測（邏輯斯迴歸／梯度提升）；公平性指標（城鄉、所得、失能等級）；床位配置最佳化模擬；情境比較與敏感度分析。
• 評分：{'theory': 7, 'practicality': 8, 'marketization': 7}
• 指導教授：1. 許晋雄（教授）、2. 丁德天（副教授）
• 爭議點：

- 補助『不排富』是否讓資源集中到本來就住得起機構的家庭，而非最需要的人？

- 補助僅適用部分床位且按月認列入住天數，行政門檻是否反而擋掉偏鄉與資訊弱勢者？

- 用模型預測『誰會申請不到』時，名單與分數若被誤用於篩人，責任與公平性如何界定？

學齡教學：國教署補助26所學校做交通安全課程、還有學校用AI工具教孩子——怎麼證明孩子真的更會過馬路、搭公車，而不是只多上了幾堂課？

• 正式題目：中小學交通安全教育介入成效之資料驅動評估：學習表現、行為觀察與事故風險之AI輔助分析
• 為何值得研究：本日語料（教育部全球資訊網、青年日報）指出：國教署補助26所安全教育重點學校推動交通安全課程；苗栗國中導入AI與數位工具，花蓮公車教案獲優良教案；勝利國小以『停看轉揮動』口訣教低年級認識小綠人；區域聯盟將協助各校依在地需求深耕。語料未提供任何成效數據，因此『課程是否真的改變行為』是開放問題，適合以資料設計評估。近30日學齡題目有嘉義校門口零排放接送區，但屬空氣與車流，未涵蓋交通安全教育成效評估。
• AI 整合：用公開的學童交通事故統計與學校所在路口資料建立風險地圖；以模擬情境（虛擬路口題組或影片題）蒐集匿名答題與反應資料，用機器學習預測哪些教學方式、年段與路口類型的學習成效最好；並以分類模型分析教案文本的設計特徵與成效關聯，比較有無AI輔助的差異。
• 市場：教育部與縣市政府推動安全教育需要可驗證的成效指標；教案成效評估與風險地圖可延伸為校方與教師可用的決策工具。
• 可行性：事故統計與路口資料為公開資料，行為資料以匿名問卷、模擬題組取得，不需影像追蹤孩子；碩士時程可完成資料建模與評估。
• 研究目的：建立交通安全教育成效的評估框架，找出對不同年段與路口風險最有效的教學設計，並檢視AI輔助是否擴大校際落差。
• 呈現形式：碩士論文（風險地圖＋成效評估模型＋教案特徵分析；附匿名題組與分析程式）
• 方法：公開事故資料空間分析；匿名前後測與題組設計；成效預測（混合效應／梯度提升）；教案文本特徵萃取；校際公平性比較；效果量與敏感度分析。
• 評分：{'theory': 7, 'practicality': 8, 'marketization': 6}
• 指導教授：1. 呂明頴（副教授）、2. 金凱儀（教授）
• 爭議點：

- 課堂上學會口訣（如『停看轉揮動』）是否等於真實路口行為改善？

- AI與數位工具的成效，是否只在資源較多的學校出現？

- 行為觀察若用影像或感測蒐集，如何避免侵犯孩子隱私？

AI／AI代理人：雲深處一口氣公布世界模型、VLA、智能體、評測平台五項「具身大腦」成果——機器人代理人說自己讀懂意圖，怎麼設計一套不靠廠商自說自話的評測？

• 正式題目：具身智能體之獨立評測框架：意圖理解、規劃步驟與工具／動作呼叫可靠度之指標設計與外部效度分析
• 為何值得研究：本日語料（觀點網）指出：雲深處科技圍繞 DEEPRobotics-Brain 一次公布五項具身研究成果，含世界模型 DR-WM-1.0、VLA、智能體、策略優化與評測平台，定位真實場景作業、強調讀懂意圖並在交互中自我迭代。語料僅有標題層級摘要，無具體數字與方法，所有說法皆為廠商自述，這正是需要獨立評測的理由。近30日代理人題目已有 Figure 家事機器人失敗步驟、虛實遷移、行動前模擬，但尚未涵蓋『跨廠商、可重現的意圖理解與規劃評測指標設計』。
• AI 整合：本題主題即 AI 代理人：選用開源具身／規劃型代理框架與公開模擬基準，設計任務集並記錄每步規劃、工具或動作呼叫軌跡；定義意圖理解正確率、計畫可行率、錯誤步驟分類與自我修正成功率等指標，檢驗不同代理（有無世界模型、單一與多代理）的排名是否一致，並分析評測分數的外部效度。
• 市場：人形與具身機器人廠商快速增加，採購與監管端缺乏中立評測；可重現的指標與軌跡資料集對評測機構、整合商與研究社群都有用。
• 可行性：以開源模擬環境與開源模型完成，不需實體機器人；任務集設計與軌跡標註為主要工作量，碩士時程可完成指標與分析。
• 研究目的：提出一套可重現的具身代理人評測指標，量化意圖理解、規劃與自我修正能力，並檢驗模擬分數的外部效度與排名穩定性。
• 呈現形式：碩士論文（任務集＋軌跡資料集＋指標與外部效度分析；附模擬評測腳本）
• 方法：模擬任務集設計；多代理框架軌跡蒐集；意圖／計畫／修正指標定義與人工標註一致性檢驗；排名穩定性與相關分析；錯誤步驟分類；統計檢定與成本統計。
• 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：

- 廠商自建評測平台的分數，能否被第三方重現與比較？

- 『讀懂意圖並自我迭代』如何量化，而不是停在示範影片？

- 模擬環境的評測結果搬到真實場景會掉多少，掉在哪一步？

三個爭議點

1. 三題皆以公開、合成或模擬資料為主，結論能否外推真實場域仍待驗證？

2. A、B 題語料僅有政策／活動摘要無成效數據，C 題為廠商自述，皆待獨立驗證。

3. 補助資格預測、教學成效評估與機器人評測若被誤用為篩人、排名或採購唯一依據，歸責如何處理？