研究所論文方向 2026-10-27
- 目標學程：東吳大學資料科學系碩士
- 語料：90 則（苗栗日照40Hz照明、Google Gemini 學習筆記本、微軟AI代理改寫程式碼等）
- 硬規則：A/B/C 三題；口語主題；AI 整合；指導教授僅教授／副教授前二名
A. 長照醫療
專題主題
苗栗日照中心整間改用40Hz照明、說能幫失智長輩——怎麼用資料設計一套檢驗，看光到底有沒有改善長輩狀態，又不讓家屬抱過高期待？
正式題名草稿
日間照顧中心40Hz閃頻照明與智慧照護設備之成效評估：失智長者行為時序資料之準實驗與機器學習分析
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開文獻效果量與合成的長者行為時序資料（活動量、睡眠、情緒事件、血壓體溫）建立模擬日照場域；用時間序列模型與因果推論（差異中之差異、合成控制）比較導入前後與對照中心的變化，並用異常偵測找出可能對光刺激有反應／不良反應的長者子群；強制輸出不確定性區間，禁止用單一分數對家屬宣稱療效。
值得研究的理由
本日語料（蕃新聞、自由時報10/26）指出：苗栗第32家日照中心「油桐花綜合式長照機構」在頭份開幕，可收45人；主空間全面改用40Hz照明，並導入護智燈、線上血壓體溫系統；報導提到MIT與高醫小樣本研究稱光刺激或改善失智相關指標，但機構端尚無公開追蹤數據。語料僅有開幕報導，無成效數字；因此『智慧設備到底有沒有用』是開放問題，適合以資料設計評估。近30日長照題未涵蓋『日照中心智慧環境介入成效』。
市場前景
各縣市日照布建加速，業者愈來愈用智慧設備當差異化賣點；縣府、家屬與採購單位需要獨立、可重現的成效檢驗框架，避免『有裝就當有效』。
技術可行性
全程使用公開文獻參數與合成資料，不需個案個資；時間序列、因果推論與敏感度分析皆為碩士時程可完成範圍；若日後與機構合作須另行 IRB 與同意。
研究目的
建立日照中心環境介入（照明、智慧監測）的成效評估方法，量化效果、不確定性與潛在風險，並提出對家屬與採購端的誠實溝通指標。
呈現形式
碩士論文（合成資料模擬器＋因果評估流程＋子群風險分析；附程式與評估檢核表）
研究方法
文獻效果量萃取；合成行為時序生成；差異中之差異與合成控制；異常偵測與子群分析；功效分析與敏感度分析；風險溝通指標設計。
爭議點
- 小鼠與78人小樣本研究，能否支撐整間日照中心全面改用40Hz照明當賣點？
- 閃頻照明對未失智長者視力、作息與癲癇風險仍未釐清，誰來把關？
- 高價調光與智慧系統成本，會否排擠照顧人力與膳食預算、轉嫁給家屬？
評分
理論 7／實務 8／市場化 7
建議指導教授（前二名）
1. 丁德天（副教授）— 高齡醫學、精神流行病學、因果機制拓樸排序：失智長者介入成效與因果推論屬其高齡醫學與流行病學專長。
2. 呂明頴（副教授）— 行為分析、資料探勘、人工智慧：長者行為時序資料的分析與異常偵測可由其行為分析專長指導。
B. 學齡教學
專題主題
AI筆記本能把課本一鍵變成短篇課程、考前複習超方便——國高中生用了，怎麼證明真的學會，而不是少讀原文、只記到摘要？
正式題名草稿
生成式AI學習筆記工具對中學生學習成效之評估：摘要依賴、理解深度與落差公平性之資料分析
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
以公開課文與合成學習歷程資料，建立『原文閱讀／AI摘要複習／混合』三種情境的模擬實驗；用自然語言處理量測摘要對原文關鍵概念的覆蓋率與失真，並以學習分析與混合效果模型估計理解題、遷移題的得分差異與不同先備能力學生的差距。
值得研究的理由
本日語料（Google 官方部落格10/26）指出：15位大學生大使分享最愛的 Gemini 功能，其中學習筆記本可把課程教材轉為短篇課程、適合考前複習；微軟10/26《Learning Curves》也提到各國 AI 普及落差極大。語料為使用心得，沒有任何成效數據；同類工具必然流入國高中，因此『學生用摘要工具複習，理解深度與原文閱讀量如何變化』是開放問題。近30日學齡題已涵蓋 AI 素養、AI 聊天機器人健康課，但未涵蓋『AI 摘要複習工具與理解深度』。
市場前景
各家 AI 學習工具正快速進入校園，老師與家長需要可重現的評估方法，判斷工具是輔助理解還是替代閱讀；可延伸為學校導入規範與教材商評測。
技術可行性
可用公開教材、合成學習歷程與開源模型完成；不需蒐集學生個資；若做真人實驗須另行 IRB 與監護人同意。碩士時程可完成評測集、覆蓋率指標與模擬分析。
研究目的
量化 AI 摘要式複習工具對中學生理解深度與原文閱讀行為的影響，找出最容易受益與最容易被誤導的學生族群。
呈現形式
碩士論文（摘要失真評測集＋學習成效模擬與混合效果模型；附程式與教師使用建議）
研究方法
教材概念標註；摘要覆蓋率與失真指標；合成學習歷程生成；混合效果迴歸；先備能力分層與公平性分析；教師專家審查。
爭議點
- AI摘要與短篇課程，會不會讓學生少讀原始教材、只記住被簡化過的內容？
- 分享者多為學生大使，實際學習成效缺乏獨立驗證。
- AI普及落差大，工具會不會讓本來就強、資源多的學生拉開差距？
評分
理論 7／實務 8／市場化 8
建議指導教授（前二名）
1. 吳政隆（教授）— 文字探勘、自然語言處理、深度學習：摘要失真與概念覆蓋率評測屬其文字探勘與 NLP 專長。
2. 葉向原（教授）— 機器學習、資料探勘、資料科學：學習成效建模與分群分析可由其機器學習專長指導。
C. AI／AI代理人（優先）
專題主題
微軟讓AI代理人一口氣改寫數億行程式碼、再用形式化驗證把關——怎麼評代理人改完的程式有沒有悄悄改變行為，人工審查又追不追得上？
正式題名草稿
程式碼改寫代理人之行為等價性與驗證涵蓋率評估：多層驗證（測試、靜態分析、形式化）之缺陷偵測基準
目標學程／學位
資料科學系碩士／碩士
AI／資料科學整合
主題本身為 AI 代理人：以開源專案的小型 C 轉 Rust／API 遷移任務，讓開源編碼代理人執行改寫，並人工與自動注入『行為偏移』缺陷建立基準；比較單元測試、差分測試、靜態分析與輕量形式化檢查各層的偵測率、漏報率與成本，找出代理人最常悄悄改變行為的模式（例如整數溢位、錯誤處理、並行語意）。
值得研究的理由
本日語料（Microsoft 官方部落格）指出：微軟以 AI 代理重寫 Windows、Azure 等大型程式碼庫，案例含 4 億行程式碼遷移到新編譯器工具鏈、C/C++ 改寫為 Rust，並強調結合形式化驗證、靜態分析與測試確認結果可信。文中為廠商自述，未揭露各驗證層實際抓到多少錯。近30日代理人題多集中在權限、成本、工具呼叫可靠度，尚未涵蓋『程式碼改寫代理人的行為等價性與驗證涵蓋』。
市場前景
企業大規模導入編碼代理人做遷移與現代化，核心問題是『怎麼信任它改的東西』；可重現的驗證基準與缺陷分類，對軟體團隊、資安審查與代理人工具商都有直接價值。
技術可行性
只用開源專案與公開模型／API，無需大量算力；缺陷注入與多層驗證工具鏈皆為現成開源；碩士時程可完成基準、實驗與缺陷分類。
研究目的
建立程式碼改寫代理人的行為等價性評估基準，量化各驗證層的偵測力與成本，歸納代理人悄悄改變行為的典型模式。
呈現形式
碩士論文（缺陷注入基準＋多層驗證比較實驗＋缺陷模式分類；附基準資料集與腳本）
研究方法
遷移任務蒐集；缺陷注入與標註；單元／差分測試、靜態分析、輕量形式化比較；偵測率、漏報率與成本分析；缺陷模式分群與統計檢定。
爭議點
- AI 代理人修改速度遠超人工審查，驗證能否真正追上仍有疑問。
- C/C++ 改寫為 Rust 雖提升記憶體安全，也可能引入新的行為差異。
- 以小團隊為 AI 變更背書，出錯時的責任歸屬與問責機制文中沒有說明。
評分
理論 8／實務 9／市場化 8
建議指導教授（前二名）
1. 葉向原（教授）— 機器學習、人工智慧、資料科學：代理人行為偏移的偵測與缺陷模式分群屬其 AI 與資料科學專長。
2. 蘇明祥（副教授）— 深度學習、自然語言處理：大型語言模型驅動之程式碼生成行為可由其深度學習與 NLP 專長指導。
報告層爭議點
- 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？
- A、B 題語料僅有開幕報導／使用心得、C 題為廠商自述，皆無獨立成效數據。
- 成效評估與驗證基準若被誤用為宣稱療效、評比學生或唯一採購依據，歸責如何處理？
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 題語料僅有開幕報導／使用心得、C 題為廠商自述，皆無獨立成效數據。
3. 成效評估與驗證基準若被誤用為宣稱療效、評比學生或唯一採購依據，歸責如何處理？