研究所論文方向 2026-11-02
長照醫療：長輩的「量六力」檢測要納入健康幣——怎麼用資料和AI預測哪些人最需要被轉介、哪些人其實不用跑一趟，又不漏掉失智早期警訊？
正式題目：高齡者功能評估（六力）結果之失智風險分層與轉介優先序預測模型
為何值得研究：本日語料（聯合新聞網）報導國健署規劃將長者功能評估「量六力」納入健康幣獎勵，去年36萬人受檢、今年估50萬，約四分之一需進一步關懷轉介；但檢測與資料上傳程序、獎勵額度與時程尚待研議。受檢人數大、轉介比例高，正需要可解釋的風險分層，協助排定誰先轉介。語料未提供模型或成效數據，須以合成資料與公開統計驗證，並標註不確定性。
AI／資料科學整合：以公開統計與文獻參數建立合成『六力』評估資料（年齡、各項功能分數、共病、居住地），用梯度提升＋SHAP 建立轉介優先序模型，並以校準曲線、決策曲線比較不同轉介門檻；另用子群分析檢查偏鄉、行動不便者的漏報率。
市場展望：國健署每年數十萬人受檢，轉介名額有限，可解釋的分層與排序工具對地方衛生所、長照據點有明確需求；亦可延伸為獎勵設計的政策模擬。
技術可行性：合成資料加開源機器學習套件即可完成方法驗證；真實評估資料需倫理審查與去識別，初期以情境模擬為主。限制：合成資料外部效度有限，須作敏感度分析。
研究目的：建立『不漏掉高風險長輩、也不浪費轉介量能』的轉介優先序評估框架，並檢驗健康幣誘因下的受檢族群偏差。
呈現形式：碩士論文（合成資料集＋分層與排序模型＋子群公平性與門檻分析；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；梯度提升＋SHAP；校準與決策曲線；子群漏報／誤報檢驗；受檢選擇偏差的模擬分析。
爭議點
- 健康幣獎勵可能吸引健康長輩受檢，反而讓真正行動不便、偏鄉的高風險者更難被觸及。
- 約四分之一受檢者需轉介，但轉介後的追蹤與照護量能是否足夠，語料未說明。
- 檢測與資料上傳程序仍待研議，資料品質與隱私保護尚無規範，模型輸出可能被誤當診斷。
指導教授前二
1. 丁德天（副教授）— 高齡醫學、精神流行病學：高齡者功能評估與失智風險分層直接對應其高齡醫學與流行病學專長。
2. 葉向原（教授）— 機器學習、資料探勘、資料科學：風險分層、可解釋模型與校準檢驗屬其機器學習與資料科學專長。
學齡教學：國教署三年砸6.6億、補助868件校園設施——怎麼用資料找出哪些學校最缺卻沒拿到，補助真的有照需求分配嗎？
正式題目：國民中小學設施補助之需求—分配一致性評估與優先序預測模型
為何值得研究：本日語料（自由時報、教育部全球資訊網）指國教署近3年累計補助868案、投入6.6億元，例如宜蘭成功國小風雨走廊704萬、南投平和國小遮雨通廊316萬，聚焦師生通行安全。語料只有補助端數字，沒有需求端與落選資料，因此可用公開學校統計（班級數、校齡、區域、偏鄉屬性）建立需求指標，檢驗補助分配與需求是否一致。
AI／資料科學整合：用公開學校基本資料建立設施需求指標，以機器學習預測『高需求學校』，再比對實際補助分布，找出需求高卻未獲補助的學校；並以可解釋模型（SHAP）說明哪些因素影響獲補助機率，檢視偏鄉與規模偏差。
市場展望：教育主管機關與地方教育局在預算有限下，需要透明、可驗證的優先序工具；亦可供民意監督與審計參考。
技術可行性：使用教育部公開統計與公開補助清單即可；若取不到落選資料，以模擬資料與敏感度分析補足。限制：需求指標屬代理變數，須明確標註。
研究目的：檢驗設施補助是否與學校需求一致，並提出可解釋的補助優先序方法與公平性指標。
呈現形式：碩士論文（公開資料整合＋需求指標＋分配一致性與偏差分析；附腳本與資料字典）
研究方法：公開資料蒐集與清理；需求指標建構；邏輯迴歸與梯度提升預測獲補助機率；SHAP 解釋；城鄉與規模子群公平性檢驗；優化式分配情境模擬。
爭議點
- 補助案數與金額高不代表需求被滿足，語料未揭露落選學校與申請資料。
- 申請制可能讓行政能力強的學校更易獲補助，偏鄉小校反而吃虧。
- 『需求』的定義（通行安全、遮雨、老舊程度）有主觀成分，模型排序可能被當成分配依據而引發爭議。
指導教授前二
1. 許晋雄（教授）— 作業研究、最佳化理論、決策分析：有限預算下的補助優先序與分配最佳化直接對應其最佳化與決策分析專長。
2. 葉向原（教授）— 機器學習、資料探勘、資料科學：需求預測、可解釋模型與偏差檢驗屬其機器學習與資料科學專長。
AI／AI代理人：Google、OpenAI、Anthropic、微軟說「一行 robots.txt 就能拒絕 AI 訓練」——會自己上網查資料的 AI 代理人，怎麼測它真的有守規矩？
正式題目：網頁瀏覽型 AI 代理人對訓練退出標記之遵守度與行為稽核評測框架
為何值得研究：本日語料（Mashdigi）報導 Google、OpenAI、Anthropic 與微軟採納 IETF 草案，以 robots.txt 一行標記退出 AI 訓練，並與搜尋爬取脫鉤、不影響索引與 SEO；但時程不一（Anthropic 已上線）。隨著 AI 代理人會自行規劃、上網查資料與呼叫工具，『宣告』與『實際行為』是否一致缺乏第三方檢驗，適合做成可重現的稽核評測。
AI／資料科學整合：主題本身為 AI 代理人：自架測試網站，設定不同退出標記組合，讓開源瀏覽型代理人框架與可取得的代理人執行多步驟查資料任務，從伺服器日誌與工具呼叫紀錄量測遵守率、誤抓率與任務完成率的取捨，並提出代理人行為稽核指標。
市場展望：內容網站、出版與電商需要驗證 AI 是否遵守退出宣告；合規稽核與代理人可觀測性工具市場正在成形。
技術可行性：以自架網站、開源代理人框架與日誌分析即可完成，無需特定硬體；商用代理人僅就其公開行為測試，並遵守服務條款。限制：各家上線時間不同，須記錄測試日期與版本。
研究目的：建立可重現的『代理人是否遵守退出標記』評測基準，回答不同標記設計下遵守率與任務效益的取捨。
呈現形式：碩士論文（測試情境與日誌資料集＋評測框架＋實驗結果；開源腳本）
研究方法：標記情境矩陣設計；蜜罐頁面與日誌比對；代理人多步驟任務重複實驗；遵守率與完成率的信賴區間與統計檢定；違規案例分類與成本分析。
爭議點
- 報導稱四大廠採納 IETF 草案，但各家上線時程不一，草案尚非正式標準，實際遵守程度未經獨立驗證。
- 『禁訓練』與『搜尋／代理人即時取用』的界線模糊，代理人替使用者即時瀏覽是否算訓練並無共識。
- 第三方以自架網站測試爬蟲行為涉及法律與倫理邊界，結果可能被廠商質疑代表性。
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：代理人操作紀錄與合規／越界行為的分析屬其行為分析專長。
報告層爭議點
- 本日語料多為媒體摘要或政府新聞稿，缺乏獨立成效數據，三題皆需以公開資料或合成資料驗證。
- 三題涉及敏感或政策爭議對象（長輩功能資料、補助分配、AI 代理人合規），誤判與責任歸屬均有爭議。
- 真實資料（功能評估、落選補助、廠商爬蟲行為）取得受倫理與法規限制，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政府新聞稿，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. 三題涉及敏感或政策爭議對象（長輩功能資料、補助分配、AI 代理人合規），誤判與責任歸屬均有爭議。
3. 真實資料（功能評估、落選補助、廠商爬蟲行為）取得受倫理與法規限制，外部效度需審慎說明。