研究所論文方向 2026-10-31
長照醫療：牛奶針被拿來治失眠、疑似成癮——長輩睡不好也常被開鎮靜藥，怎麼用資料和AI抓出『用藥異常』，又不冤枉正常就醫的人？
正式題目：高齡者鎮靜安眠類管制藥品非常規使用之異常偵測與風險分層
為何值得研究：本日語料（Yahoo新聞、經濟日報、富聯網）報導新北診所被控以自費丙泊酚（牛奶針）治失眠，五個月近百萬，衛福部不排除全面普查；麻醉醫學會指仿單不含失眠、過量恐呼吸衰竭。長輩失眠盛行、又多重用藥，鎮靜類藥物的非常規使用風險更高，但目前缺少可重現的資料化『異常用藥』判讀方法，適合資料科學補位。語料僅涉一般民眾案例，延伸到長照族群屬研究假設，須明確標註。
AI／資料科學整合：以公開統計與文獻參數建立合成處方／申報資料（年齡、共病、用藥頻率、自費與健保別、就診院所），用異常偵測（Isolation Forest、自編碼器）搭配可解釋模型（梯度提升＋SHAP）找出高頻、非適應症的鎮靜藥使用型態，並檢查對高齡、失智、偏鄉族群的誤報與漏報差異。
市場展望：管制藥品稽查、健保給付審查與長照機構用藥安全都需要可解釋的風險分層工具；衛福部已表態可能普查，政策評估需求明確。
技術可行性：以合成資料與公開統計即可完成方法驗證，開源套件足夠；真實申報資料需倫理審查與去識別，初期以模擬與情境假設驗證並標註不確定性。
研究目的：建立鎮靜安眠藥非常規使用的異常偵測與公平性檢驗框架，在『不漏掉高風險長輩』與『不誤傷合理用藥者』間取得平衡。
呈現形式：碩士論文（合成資料集＋異常偵測與可解釋模型＋誤報／漏報分層分析；附腳本）
研究方法：文獻參數整理；合成資料生成與敏感度分析；Isolation Forest／自編碼器；梯度提升＋SHAP；子群誤報漏報與校準檢驗；決策曲線比較不同警示門檻。
爭議點
- 診所稱符合專業判斷、家屬指稱成癮，歸責與舉證標準不一，模型標出的『異常』不等於違規。
- 全面普查若只依申報資料找異常，可能打到單一診所，反而漏掉真正分散的高風險用藥者。
- 長輩失眠與共病常見，過度警示恐讓合理用藥的長輩被貼標籤或被迫停藥。
指導教授前二
1. 丁德天（副教授）— 高齡醫學、物質濫用、精神流行病學：鎮靜藥濫用與高齡用藥風險直接對應其高齡醫學與物質濫用專長。
2. 葉向原（教授）— 機器學習、資料探勘、人工智慧、資料科學：異常偵測、可解釋模型與校準屬其機器學習與資料探勘專長。
學齡教學：教育部劃出『老師下班離線權』、列出狂傳訊息等親師衝突行為——怎麼用AI分辨哪些訊息已經是騷擾，又不讓家長正當詢問被誤判？
正式題目：親師溝通訊息之不當干擾樣態文本分類與誤判風險評估
為何值得研究：本日語料（翻轉教育）報導教育部10月30日公布校園職場不法侵害預防指引，列出密集傳訊、公開羞辱、施壓改成績等家長行為樣態，並明定教師離線權。學校如何判斷『合理關心』與『過度干擾』目前靠人工，缺乏可檢驗的資料化方法；但真實親師訊息涉及學生與家長隱私，研究須以合成或脫敏資料進行。
AI／資料科學整合：以合成親師對話（依指引列出的樣態設計情境並由多人標註）訓練中文文本分類模型（BERT 類微調與 LLM 少樣本比較），輸出『干擾程度』與判斷依據，並評估對語氣強烈但訴求正當訊息的誤判率與標註者一致性（Cohen's kappa）。
市場展望：各縣市學校需落實指引、設計親師聯繫機制，教育平台與校務系統廠商有導入訊息輔助分流工具的潛在需求。
技術可行性：以合成與公開語料即可完成；中文預訓練模型與開源套件足夠；真實訊息需倫理審查與去識別。
研究目的：建立親師訊息干擾樣態的可解釋分類與誤判風險評估流程，作為學校輔助判斷（而非自動處分）的依據。
呈現形式：碩士論文（合成標註資料集＋分類模型比較＋誤判與公平性分析；附標註手冊與腳本）
研究方法：情境設計與多人標註；BERT 微調／LLM 少樣本；一致性檢定；混淆矩陣與子群誤判分析；錯誤案例質性分析。
爭議點
- 家長訴求正當但手段不當時，界線判斷見仁見智，模型標籤本身可能不一致。
- 離線權要求學校訂定聯繫時段，緊急事件如何界定尚待實務檢驗。
- 公開指名批評與合理監督的界線難分，自動分類可能壓縮家長正當表達。
指導教授前二
1. 吳政隆（教授）— 文字探勘、自然語言處理、文本情感分析：親師訊息分類與情緒語氣判讀屬其文字探勘與NLP專長。
2. 蘇明祥（副教授）— 自然語言處理、深度學習、情緒與人格感知：語氣與情緒感知模型與深度學習方法屬其專長。
AI／AI代理人：NVIDIA推出 NemoClaw，說能在『自己掌控的環境』裡管住 AI 代理人能碰什麼——怎麼設計實驗，量這套權限管控到底擋不擋得住代理人越權？
正式題目：AI 代理人執行環境政策管控之越權防護效果評測框架
為何值得研究：本日語料（NVIDIA 開發者部落格）說明代理程式需模型、框架、工具與執行環境四要素，NemoClaw 藍圖支援 OpenClaw、Hermes Agent 與 LangChain Deep Agents，並由執行環境限制代理可存取範圍。企業導入代理人的關鍵門檻是權限與資料安全，但文中沒有測試數據，正好可做獨立評測。本題不依賴該產品，可用開源沙盒複製『政策限制』的設計。
AI／資料科學整合：主題本身為 AI 代理人：設計工具呼叫任務集與越權／提示注入攻擊情境，在『無政策、粗粒度政策、細粒度政策』三種執行環境下跑開源代理框架，量測越權成功率、任務完成率、延遲與成本，並用統計檢定比較政策強度的取捨。
市場展望：企業導入代理人最在意權限管控，第三方可重現的評測基準與指標有明確需求，也可延伸為稽核工具。
技術可行性：以開源代理框架、容器沙盒與自建模擬工具即可完成，無需特定硬體；可用本地小模型降低成本。限制：不同模型行為差異大，需多次重複實驗。
研究目的：建立可重現的代理人越權防護評測基準，回答『政策越嚴，安全提升多少、任務完成率損失多少』。
呈現形式：碩士論文（任務與攻擊情境資料集＋評測框架＋實驗結果；開源腳本）
研究方法：任務集與攻擊情境設計；多組政策對照實驗；越權成功率、完成率、成本指標；重複試驗與信賴區間；失敗案例分類。
爭議點
- 宣稱可自行掌控技術堆疊，但與 NVIDIA 生態的綁定程度文中未說明。
- 政策執行與安全防護的實際效果，文中未提供測試數據。
- 目前僅支援三種代理框架，與其他框架的相容性仍待驗證。
指導教授前二
1. 葉向原（教授）— 機器學習、人工智慧、資料科學：評測設計、實驗統計與AI模型行為分析屬其AI與資料科學專長。
2. 呂明頴（副教授）— 人工智慧、行為分析、資料探勘：代理人操作行為與異常越權的行為分析屬其專長。
整體爭議
- 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合成資料驗證。
- 三題涉及敏感對象（長輩用藥、親師訊息、代理人權限），隱私、誤判與責任歸屬均有爭議。
- 真實資料（申報、訊息、代理人紀錄）取得受倫理限制，結論外部效度需審慎說明。
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合成資料驗證。
2. 三題涉及敏感對象（長輩用藥、親師訊息、代理人權限），隱私、誤判與責任歸屬均有爭議。
3. 真實資料（申報、訊息、代理人紀錄）取得受倫理限制，結論外部效度需審慎說明。