研究所論文方向 2026-10-28

本日爭議

• 本日語料僅為廠商或媒體摘要，缺乏獨立成效數據，三題皆需以公開資料或模擬驗證。
• 政策與技術宣稱（替手、延後到校、自主改進）的公平性與責任歸屬均有爭議。
• 資料取得與倫理限制可能影響研究可行範圍。

A 長照醫療：看護移工請假、懷孕時家裡就沒人顧——怎麼用資料算出各地每週到底缺多少「臨時替手」，又該先補給哪些家庭？

正式題名：家事移工休假期間照顧空窗之替手需求預測與資源配置最佳化

• 為何值得研究：本日語料（風傳媒、中時、自由、UDN 等）報導民團赴衛福部陳情：移工請假或懷孕造成照顧空窗，衛福部稱2025年底約13萬聘移工家庭使用長照（約47%），團體則要求緊急承接與機構聘僱。各方引用數字不同，且缺乏『空窗到底發生多少、集中在哪』的公開量化分析；近30日長照題未涵蓋移工休假替手需求。
• AI 整合：以公開統計（長照使用、移工聘僱、人口與失能分布）與模擬情境，建立各縣市臨時替手需求預測模型（機器學習＋不確定性區間），再以最佳化／配對演算法比較不同資源配置策略（機構承接、社區替手、居家臨托）在覆蓋率、等待時間與公平性（城鄉、所得）的表現。不使用個資，採合成情境檢驗。
• 市場前景：長照3.0與家事移工政策調整是持續議題；可重現的缺口估算與配置模擬工具，對地方政府、長照機構與民團倡議皆有直接用途。
• 技術可行性：僅需公開統計與合成資料；需求預測與整數規劃均有成熟開源套件；碩士時程可完成資料整理、模型與情境模擬。限制：移工請假個案資料非公開，需以假設參數敏感度分析補足。
• 研究目的：量化家事移工休假／懷孕造成的照顧空窗規模與地區分布，並比較替手配置策略的覆蓋率與公平性。
• 呈現形式：碩士論文（需求預測模型＋配置最佳化模擬＋敏感度與公平性分析；附開源程式與合成資料）
• 方法：公開資料整合；需求預測（梯度提升、貝氏區間）；整數規劃／配對模擬；城鄉與所得公平性指標；參數敏感度分析。
• 爭議點：民團主張空窗是政府責任，衛福部則稱近半數聘看護家庭已使用長照，雙方對缺口大小說法不一。；長照3.0多元陪伴方案被批屬自費、偏向有錢家庭，資源配置可能加劇不平等。；恢復移工機構集體聘僱 vs. 外展試辦因食宿安全停辦，替代方案的可行性與風險仍有爭議。
• 指導教授：1. 丁德天（副教授）— 照顧空窗涉及高齡失能者需求與政策因果機制，屬其高齡醫學與因果分析專長。；2. 許晋雄（教授）— 替手資源配置與配對屬最佳化與決策分析問題。

B 學齡教學：中學生可不可以晚一點到校？教育部說各地試辦彈性到校——怎麼用資料證明孩子睡得多、學得好，又不增加家長接送負擔？

正式題名：中學延後到校試辦之睡眠、學習成效與通學負擔之準實驗評估

• 為何值得研究：本日語料（自由時報）報導教育部回應『中學生延後到校、縮短上課』：高中已於2022年修訂規範、國中作息由地方依學區與交通訂定並試辦彈性到校。語料未提供成效數據，正是研究空間；近30日學齡題未涵蓋到校時間與睡眠。
• AI 整合：以公開試辦學校資料與可取得的問卷／出缺勤／成績匿名統計，用因果推論（差異中之差異、合成控制）與機器學習評估延後到校對睡眠、遲到、專注與成績的影響，並以異質性分析找出對哪類學生（通學距離、年級、城鄉）效益最大。
• 市場前景：作息調整是教育現場與家長高度關切的政策；有證據的評估能支援地方教育局決策與後續試辦設計。
• 技術可行性：使用公開或申請取得之匿名彙整資料即可；因果推論工具成熟。限制：個別學生資料取得需倫理與行政許可，可先以彙總層級與公開調查資料做可行性驗證。
• 研究目的：評估延後／彈性到校對睡眠、出缺勤與學習表現的實際影響，並檢視通學與接送負擔的公平性。
• 呈現形式：碩士論文（準實驗設計＋異質性分析＋政策建議；附可重現分析腳本）
• 方法：差異中之差異／合成控制；異質處理效果（因果森林）；通學時間與接送成本估計；穩健性與敏感度檢驗。
• 爭議點：延後上課牽涉課綱節數、通學與家長接送，睡眠效益可能被放學時間與接送成本抵銷。；高中第一節前由學生自主安排，國中由地方依學區訂定，各地做法不一致，效果難以直接比較。；彈性到校可能讓早到孩子無人照看，或使雙薪家庭負擔加重，公平性有疑慮。
• 指導教授：1. 丁德天（副教授）— 睡眠與青少年健康的因果評估屬其專長。；2. 金凱儀（教授）— 學習成效與教學情境評估屬其教育科技專長。

C AI／AI代理人：智元推出能「部署後邊做邊學新技能」的機器人代理人框架——怎麼評它學會新招之後，舊本事有沒有悄悄退步？

正式題名：具身代理人部署後持續學習之技能遺忘與退化評估基準

• 為何值得研究：本日語料（TradingView）報導智元發布具身Agent框架 Genie Master，訴求機器人部署後能自主改進、邊做邊學新技能，作為跨場景複製的基礎。僅為發布消息，未見評測數據。近30日代理人題涵蓋權限、工具呼叫、虛實遷移等，尚未涵蓋『持續學習後的技能退化』。
• AI 整合：主題本身為 AI 代理人：以開源模擬環境（機器人操作或工具呼叫任務）建立『學新技能前後』的回歸測試基準，讓開源代理人依序學習多項技能，量測舊技能成功率、遺忘曲線、新技能收益與學習成本，比較不同記憶／技能庫更新策略（覆寫、版本化、隔離）。
• 市場前景：具身與自我改進代理人快速商用，『如何驗證它學了新的沒忘舊的』是部署方、保險與監管共同需求；可重現的回歸基準具實務價值。
• 技術可行性：僅用開源模擬器與公開模型，無需實體機器人；碩士時程可完成基準、實驗與策略比較。限制：Genie Master 本身可能未開放，故以開源框架代替驗證同類問題。
• 研究目的：建立持續學習代理人的技能回歸評估基準，量化遺忘程度並比較緩解策略。
• 呈現形式：碩士論文（回歸測試基準＋多策略比較實驗＋遺忘模式分析；附基準與腳本）
• 方法：任務序列設計；技能成功率與遺忘曲線量測；技能庫更新策略比較；統計檢定與成本分析；失敗模式分群。
• 爭議點：『部署後自主改進』是廠商訴求，缺乏獨立驗證，改進幅度與可靠度無公開數據。；邊做邊學可能造成舊技能退化（災難性遺忘），且使用者不易察覺。；自我改進的代理人出錯時，責任落在廠商、部署者或代理人本身並不清楚。
• 指導教授：1. 葉向原（教授）— 持續學習與遺忘量測屬其機器學習與AI專長。；2. 呂明頴（副教授）— 代理人行為與失敗模式分群屬其行為分析與資料探勘專長。

三個爭議點

1. 本日語料僅為廠商或媒體摘要，缺乏獨立成效數據，三題皆需以公開資料或模擬驗證。

2. 政策與技術宣稱（替手、延後到校、自主改進）的公平性與責任歸屬均有爭議。

3. 資料取得與倫理限制可能影響研究可行範圍。