研究所論文方向 2026-10-29

A 長照醫療

老福法修法刪掉弱勢長者的部分負擔補助、衛福部估漏接6.6萬人——怎麼用資料和AI找出這些人是誰、住哪裡，在一個月的空窗期先接住最需要的？

正式題目：老人福利法修法後弱勢長者醫療補助缺口之辨識與優先補位模型

• 為何值得研究：本日語料（中央社、UDN、自由時報、NOWnews等）報導老福法三讀刪除地方補助弱勢長者部分負擔與未給付醫療費之法源，衛福部估約6.6萬名長者對不上既有補助資格，立委要求一個月內提出替代措施報告。缺口人數為官方估計，缺乏『這些人是誰、分布何處、醫療負擔多重』的量化分析；近30日長照題雖談過長輩健保費全免，但未涵蓋『修法漏接對象辨識與補位』。
• AI／資料科學整合：以公開統計（中低收／低收資格、縣市敬老金與補助差異、高齡人口與失能分布、醫療負擔）建立合成長者情境，用機器學習估計『符合需求但對不上既有補助』的風險分數，再以最佳化／配對演算法比較不同臨時補位規則（依所得、依醫療負擔、依地區）在覆蓋率、漏接率與成本的取捨，並檢視縣市間公平性。不使用個資。
• 市場前景：高齡化使弱勢長者補助缺口持續擴大；可重現的缺口辨識與補位模擬工具，對衛福部、地方政府與社福團體做政策評估有直接用途。
• 技術可行性：僅需公開統計與合成資料；以開源機器學習與最佳化套件即可完成。限制：真實漏接名單不公開，需以情境假設驗證，並明確標註估計不確定性。
• 研究目的：建立弱勢長者醫療補助缺口的風險辨識與補位策略比較框架，量化漏接與公平性。
• 呈現形式：碩士論文（風險模型＋補位規則模擬比較＋縣市公平性分析；附合成資料與腳本）
• 研究方法：公開資料整合；合成人口建模；風險分類與校準；最佳化補位模擬；漏接率、覆蓋率、成本與縣市差異統計比較；敏感度分析。
• 爭議點：

- 倉促刪除部分負擔補助條文，是否犧牲最弱勢長者來換取全民免保費。

- 社會救助法補不上缺口，6.6萬人估計值隨高齡化可能逐年增加，數字本身仍待獨立驗證。

- 一個月內的臨時替代措施有無法源與財源，空窗期醫療費由誰承擔並不清楚。

• 指導教授：

1. 丁德天（副教授）— 弱勢長者醫療負擔與缺口分布屬其高齡醫學與流行病學專長。

2. 許晋雄（教授）— 補位規則的資源配置與取捨屬其最佳化與決策分析專長。

B 學齡教學

東海要辦『世界學堂』讓學童去新加坡用英文和AI沉浸學習——怎麼設計一套檢驗，證明孩子真的英文和AI素養變好，而且不是只有付得起的家庭才受益？

正式題目：AI 沉浸式跨國親子共學之學習成效與公平性評估框架

• 為何值得研究：本日語料（東海大學新聞）報導東海與游榮吉基金會簽署合作意向書，推出『世界學堂』跨國親子共學計畫，首波2027年7月開辦，學童赴新加坡以英文與AI沉浸學習，家長同步參與藝術課程。僅為合作意向與活動介紹，未見成效指標與參與者條件；近30日學齡題尚無『沉浸式跨國AI學習成效與公平性』。
• AI／資料科學整合：設計前後測與追蹤指標（英文口說聽力、AI素養、學習動機），以因果推論（傾向分數配對／差異中差異）在模擬或公開學習資料上比較參與與未參與學童，並用機器學習找出『誰受益最多、誰被排除』（家庭收入、城鄉、基礎程度），評估AI輔助課程的教學成效與公平性；可用開源語音／語言模型自動評分口說。
• 市場前景：游學與AI學習產品快速增加，家長與學校缺乏可信的成效證據；公開、可重現的成效與公平性評估框架，對教育單位與公益方案設計有實務價值。
• 技術可行性：計畫2027年才開辦，故以公開學習成效資料與模擬資料建立並驗證評估框架，不需實際招生；開源模型可做口說自動評分。限制：真實成效資料待計畫上線後取得，論文定位為評估方法。
• 研究目的：建立AI沉浸式跨國共學方案的成效與公平性評估框架，並檢驗不同家庭條件學童的受益差異。
• 呈現形式：碩士論文（評估指標設計＋因果推論分析＋受益異質性與公平性分析；附模擬資料與腳本）
• 研究方法：指標設計；前後測與配對比較；差異中差異；異質性處理效應估計；口說自動評分一致性檢驗；公平性指標與敏感度分析。
• 爭議點：

- 全家共學、赴新加坡上課的模式是否適合不同經濟條件的家庭，文中未說明。

- 以郵輪與AI音樂創作作為課堂，其教學成效與一般課程差異，目前無資料佐證。

- 提撥收入支持弱勢學童，但比例與申請方式未說明，公益承諾仍待檢視。

• 指導教授：

1. 金凱儀（教授）— AI輔助沉浸式學習的成效評估屬其電腦輔助教學與適性化學習專長。

2. 蘇明祥（副教授）— 英文口說自動評分與對話分析屬其語音與口語對話專長。

C AI／AI代理人

Google Genie 4 讓 AI 代理人在虛擬世界裡自由對話、改場景，但約兩分鐘就忘記初始設定——怎麼評一個代理人在長時間任務中會不會前後不一致、越做越偏？

正式題目：世界模型中 LLM 代理人之長時程一致性與漂移評估基準

• 為何值得研究：本日語料（TechNews、iThome、鉅亨、Mashdigi等）報導 Google DeepMind 於10/27發表 Genie 4：以 Gemini 作為引導／規劃代理人，Genie 生成可互動世界，支援約120秒即時互動、原生音訊與 NPC 自由對話；同時多篇指出兩分鐘後會忘記初始設定、細節漂移。僅為研究預覽，無公開評測。近30日代理人題已涵蓋虛實遷移與先模擬再行動，但未涵蓋『長時程一致性與設定漂移的量測』。
• AI／資料科學整合：主題本身為 AI 代理人：以開源世界模擬／文字或網格環境，讓開源 LLM 代理人執行不同長度的多步任務，系統性量測初始設定遵守率、對話與狀態一致性、決策漂移曲線，並比較記憶策略（摘要、檢索、固定設定重注入）與多代理分工（規劃者＋執行者）對漂移與成本的影響。與代理人路線直接對應。
• 市場前景：世界模型與代理人模擬環境是遊戲、機器人與教育的新基礎設施；可重現的長時程一致性基準可供模型選型與部署前驗證。
• 技術可行性：Genie 4 未開放，故以開源模擬環境與公開 LLM 驗證同類問題；實驗以腳本批次執行，碩士時程可完成。限制：無法直接測 Genie 4，須在論文說明外部效度。
• 研究目的：建立長時程代理人一致性與漂移的評估基準，並比較記憶與多代理策略的緩解效果。
• 呈現形式：碩士論文（一致性基準＋記憶／多代理策略比較實驗＋漂移失敗模式分析；附基準與腳本）
• 研究方法：任務長度分級；設定遵守率與狀態一致性指標；漂移曲線；記憶策略與多代理消融實驗；成本分析；失敗模式分群與統計檢定。
• 爭議點：

- 僅開放受信任測試者，外界無法獨立驗證宣稱的規格與一致性表現。

- 約兩分鐘後場景與設定漂移，作為代理人或機器人訓練環境的價值受質疑。

- 『虛擬試錯零風險』的說法未證明技能能可靠遷移到真實任務。

• 指導教授：

1. 葉向原（教授）— 漂移量測與策略消融實驗屬其機器學習與AI專長。

2. 吳政隆（教授）— LLM 代理人對話一致性與語意分析屬其自然語言處理專長。

三個爭議點

1. 本日語料多為媒體摘要或廠商宣稱，缺乏獨立成效數據，三題皆需以公開資料或模擬驗證。

2. 政策缺口人數、教學成效與技術規格皆為單方說法，公平性與責任歸屬均有爭議。

3. 真實資料取得與倫理限制可能影響研究可行範圍，結論外部效度需審慎說明。