碩論：AI 代理人影響文獻（資料科學視角）｜2026-10-27

主題一：AI 代理人影響

1. Provenance-Based Assessment of Plans in Context

來源： https://arxiv.org/abs/2011.01774v1
方法： 擴充 SHOP3 階層式任務網路規劃器，將相依資訊轉為 PROV-O 圖，再以圖傳播及真值維護式演算法分析資訊流、信心、支持關係與反事實。
資料： 規劃相依圖、來源、假設與支持關係；摘要未報人類受試者或大型公開基準。
指標： 切題性、敏感度、風險、假設支持、多樣性及相對信心。
碩論借鑑： 為本地代理建立 PROV-O 事件圖，以人工風險真值比較來源圖和文字理由在錯誤定位時間、命中率及信任校準上的差異。
六維度： 可支援生活代理計畫稽核及降低人工追查成本，但未直接量測生活成效、工作生產力、健康、成癮、焦慮或停用反應。
產品關聯： 可移植到 Hermes Agent、OpenClaw、Grok Bot 的工具呼叫計畫稽核；不是產品直接評估。

2. A Methodology to Engineer and Validate Dynamic Multi-level Multi-agent Based Simulations

來源： https://arxiv.org/abs/1311.5108v1
方法： 以 IRM4MLS 建立動態多層代理模擬，透過代理啟停及跨尺度聚合／拆分，在不損失資訊下選擇較輕量表示。
資料： 模擬狀態、代理互動與尺度轉換；可用合成資料重建，但真實參數仍需日誌或實驗估計。
指標： 資源節省與資訊保真；摘要未提供具體運算數值或人類成效指標。
碩論借鑑： 建立個人—任務—組織三層模型，以小型實驗校準效率與錯誤參數，再分析採用率及停機情境的整體風險。
六維度： 適合模擬生活、工作與健康情境的連鎖作用，也可建模代理中斷；但未直接測量真實協助、工作效率、健康、成癮、焦慮或戒斷。
產品關聯： 可作為 Hermes Agent、OpenClaw、Grok Bot 影響的多層模擬方法，不構成產品成效證據。

方法論地圖

本日方法集中於可追溯規劃圖與動態多層代理模擬：前者可檢驗來源、風險及反事實，後者可分析跨尺度互動與資源取捨；共同缺口是沒有把技術遙測、人工真值與心理／工作結果連結。

可執行碩論設計

1. 代理計畫可追溯性對照實驗： 假設 PROV-O 來源圖比純文字理由更能縮短錯誤定位時間；蒐集 300–500 個本地代理任務及人工風險標註，以受試者內對照與混合效果模型評估定位時間、風險命中率及信任校準，產出事件圖資料集與介面原型。

2. 代理失效的多層數位孿生： 假設高代理採用率在局部停機時會放大組織任務延遲；以 30–50 名成人受控任務所得參數校準個人—任務—團隊模型，執行情境模擬與全域敏感度分析，產出可重現模擬器及風險邊界。

3. 來源風險分數預測模型： 假設來源多樣性、相依深度及未支持假設可預測代理計畫失敗；由兩名標註者建立真值，以圖特徵及可解釋分類模型交叉驗證 AUROC、F1、校準誤差與標註一致性，產出預警模型。

資料策略與師資配適

事件日誌只保留工具類型、時間、相依邊與結果碼，不保存提示全文或憑證；雙人標註並區分實測與假設參數。葉向原教授（機器學習、資料探勘、人工智慧、資料科學）適合圖特徵與風險預測；許晋雄教授（作業研究、最佳化理論、決策分析）適合多層模擬；呂明頴副教授（人工智慧、資料探勘、行為分析）適合遙測與行為評估。

主題二：聊天軟體成癮與生活強制性

1. Programming Language Policy as an AI Literacy Equity Problem: A 15-Nation Comparative Analysis

來源： https://arxiv.org/abs/2607.11314v1
方法： 比較 15 國中等教育課程、考試框架、治理及改革案例。
資料： 國家層級課程、考試與政策文件；粒度為制度而非個人。
指標： 是否接觸程式設計、教學語言深度與治理結構；未報個人 AI 素養、察錯率或效果量。
碩論借鑑： 將教育暴露編碼為分層變項，招募不同科系學生完成繁中 LLM 錯誤題庫，檢驗程式與演算法背景能否預測察錯率及校準誤差。
四維度： 未研究使用門檻、產品信任或有害內容拒絕；僅提供 AI 素養取得差異可能影響察錯能力的背景。
產品關聯： 可解釋 ChatGPT、Grok、Claude、Gemini 使用者的素養背景差異，不是產品直接證據。

2. Detecting Harmful Memes and Their Targets

來源： https://arxiv.org/abs/2110.00413v1
方法： 建立多模態監督式分類基準，採兩階段人工標註並比較十種單模態與多模態模型。
資料： 3,544 則 COVID-19 迷因，標記有害程度及攻擊目標。
指標： 評估有害內容及目標辨識；摘要未列具體準確率、F1 或標註一致性。
碩論借鑑： 以低風險授權子集讓聊天 LLM 解釋內容，再量測使用者接受、拒絕或回報行為，以及有害辨識率、目標辨識 F1 與反應時間。
四維度： 未研究成癮門檻或聊天信任，也不是使用者察錯研究；其真值標註可支援有害內容抗拒實驗。
產品關聯： 可改編為 ChatGPT、Grok、Claude、Gemini 的多模態安全情境，不代表產品拒答表現。

方法論地圖

本日方法涵蓋 15 國課程／考試制度比較，以及 3,544 則迷因、兩階段標註與十種模型比較；前者揭露 AI 素養暴露的不平等，後者提供有害內容真值，但缺少把個人教育背景、聊天使用強度、信任、察錯與實際拒絕行為整合的受控研究。

可執行碩論設計

1. AI 素養背景與有害內容抗拒： 假設具演算法訓練者較能辨識隱晦多模態傷害，但過度自信可能降低校準；招募 120 名大學生完成低風險題庫，以多層邏輯迴歸分析敏感度、特異度與 Brier score，產出繁中題庫。

2. 警示介面與攻擊目標辨識實驗： 假設結構化呈現有害程度與可能目標，比單一警示更能提升適當回報；隨機分派 90–120 名成人至三種介面，評估拒絕率、目標辨識 F1、反應時間及信任變化，產出介面原型與設計準則。

3. 聊天使用強度的雙構念模型： 假設使用時數只預測暴露量，功能損害才與強迫性使用相關；以四週最小化裝置日誌、問題性使用量表及每週真值任務建立階層模型，評估對察錯、查證與拒絕行為的增額解釋力。

資料策略與師資配適

只納入能自主同意的成人，多模態題庫排除極端內容並允許跳題與退出；教育背景以課程暴露而非國籍推定，日誌不保存對話。鄭江宇副教授（行動裝置 UX 設計與實驗、巨量資料分析與行銷應用）適合警示介面；吳政隆教授（文字探勘、深度學習、文本情感分析、自然語言處理、人工智慧）適合題庫與模型；丁德天副教授（精神流行病學、物質濫用、青少年健康）適合區分高頻使用與功能損害。

跨主題爭議

1. 方法論： 代理規劃、模擬、跨國政策比較與有害內容分類的分析單位不同；技術基準與制度差異只能形成使用者影響假設，不能直接推論聊天成癮或健康因果。

2. 量測： 運算資源、規劃風險、程式教育暴露與模型有害辨識率都不是使用者成癮、信任校準或拒絕行為；碩論必須另建人類層級真值、功能損害及行為指標。

3. 倫理： 代理事件圖可能洩露提示、工具權限或個資，有害內容題庫也可能造成心理負擔；應最小化日誌、移除憑證、限制刺激強度、允許跳題退出並提供事後說明。

三個爭議點

1. 方法論：代理規劃、模擬、跨國政策比較與有害內容分類的分析單位不同；技術基準與制度差異只能形成使用者影響假設，不能直接推論聊天成癮或健康因果。

2. 量測：運算資源、規劃風險、程式教育暴露與模型有害辨識率都不是使用者成癮、信任校準或拒絕行為；碩論必須另建人類層級真值、功能損害及行為指標。

3. 倫理：代理事件圖可能洩露提示、工具權限或個資，有害內容題庫也可能造成心理負擔；應最小化日誌、移除憑證、限制刺激強度、允許跳題退出並提供事後說明。