碩論：AI 代理人影響文獻（資料科學視角）｜2026-11-02

主題一：AI 代理人影響

1. AI-driven Thermal-aware Data Center Capacity Planning

作者： Yixing Li、Mark Fenton、Matthew Kaufeler、Ka Ming Leung、Xin Ai、Zhiyu Zeng（2026）
來源： https://arxiv.org/abs/2610.02442v1
摘要： 提出以人工智慧模型取代大量高擬真 CFD 模擬的資料中心熱感知容量規劃框架。模型以機架功率、伺服器功率、配置及 HVAC 設定等參數預測溫度；摘要報告對未見設計具高準確度及一萬倍加速。這是代理服務基礎設施效率的間接證據，不是人機互動或心理影響研究。
六維度： 未直接測量生活協助、健康、成癮、焦慮或停用反應；工作效率僅限資料中心規劃與熱預測速度，不能外推為知識工作者生產力。
資料科學視角： 以營運參數訓練溫度預測模型並用 CFD 模擬檢驗未見設計。資料含功率、配置及 HVAC 設定，但摘要未揭露樣本筆數或公開資料集。指標包含溫度預測準確度、預測時間及加速倍率；除一萬倍加速外，摘要未報誤差數值。可借用其系統遙測方法，把延遲、能源或溫度與任務品質聯合建模。

2. From Model-Based Screening to Data-Driven Surrogates: A Multi-Stage Workflow for Exploring Stochastic Agent-Based Models

作者： Paul Saves、Matthieu Mastio、Nicolas Verstaevel、Benoit Gaudou（2026）
來源： https://arxiv.org/abs/2604.03350v1
摘要： 以系統化實驗設計與機器學習代理模型探索高維、隨機的代理人基礎模型；先篩選主導變數、評估變異並切分參數空間，再學習非線性交互作用，以辨識不穩定區域。
六維度： 未直接測量生活協助、健康、成癮、焦慮或停用反應；僅能間接支持建模流程自動化與政策測試效率。
資料科學視角： 資料來自隨機代理模擬的參數—結果紀錄，摘要未報模擬次數或參數維度。指標涵蓋主導變數、結果變異、不穩定區域與代理模型映射能力，但未提供預測誤差數值。可把 Hermes 或 OpenClaw 的提示、工具、重試與權限配置視為高維參數，找出失敗率或成本劇增區域。

方法論綜合

本日方法以系統遙測、CFD 對照、系統化實驗設計、敏感度篩選與機器學習代理模型為主；優點是可重複操控系統參數，缺口是完全沒有真人使用、心理量表、任務成果與停用期資料。

可執行碩論設計

1. 代理配置不穩定區域辨識： 假設工具數、重試上限與任務複雜度存在非線性交互作用，造成失敗率與成本突增。以 80–120 個標準化研究任務，在沙盒中重複執行並蒐集成功率、延遲、token、工具錯誤及人工接管；採篩選設計與樹模型／SHAP 分析，產出可重製遙測資料集與安全配置圖。

2. 後端負載—使用者等待焦慮聯合研究： 假設相同答案品質下，延遲與波動提高等待焦慮並降低持續使用意願。招募約 90 名學生，隨機呈現低／高／波動延遲，同步記錄系統延遲、完成率、短版狀態焦慮及放棄行為；以混合效果模型分析，產出 QoS 與人因反應聯合模型。

師資對接： 呂明頴副教授（人工智慧、資料探勘、行為分析）、葉向原教授（機器學習、資料探勘、人工智慧、資料科學）、蘇明祥副教授（自然語言處理、口語對話系統、情緒與人格感知）。

主題二：聊天軟體成癮與生活強制性

1. Needs-aware Artificial Intelligence: AI that 'serves [human] needs'

作者： Ryan Watkins、Soheil Human（2022）
來源： https://arxiv.org/abs/2202.04977v3
摘要： 概念性討論 AI 的技術、心理、倫理與概念邊界，主張重新檢視「需求」，使 AI 真正服務人類需求。未呈現聊天 LLM 的實證樣本、成癮門檻或察錯測驗。
四維度： 未建立使用量或成癮切點；僅概念性提及信任；未測量察錯能力或對有害內容的抗拒。
資料科學視角： 屬概念與規範性分析，沒有受試者、日誌或實驗資料，也沒有量表、準確率、效果量或信效度。可用來把「需求被滿足」與「失控或功能損害」分開操作化，再以日誌及行為任務驗證。

2. LLMs Encode Harmfulness and Refusal Separately

作者： Jiachen Zhao、Jing Huang、Zhengxuan Wu、David Bau、Weiyan Shi（2025）
來源： https://arxiv.org/abs/2507.11878v5
摘要： 以模型內部表徵分析指出有害性與拒絕分屬不同方向，並以 steering 進行因果測試；另提出 Latent Guard，摘要稱在不同越獄方法下可達到不遜於 Llama Guard 3 8B 的表現並減少過度拒絕。
四維度： 未測量使用門檻、真人信任或察錯；直接研究模型對有害指令的拒絕與偵測，但未測量使用者是否抗拒或採納有害回答。
資料科學視角： 使用有害／無害指令及越獄測試資料，摘要未揭露資料集名稱、樣本量及模型清單。指標包括安全輸入偵測、拒絕、過度拒絕及跨越獄表現，但未提供數值。可把模型拒答率、安全分數與真人採納／拒絕分開量測，建立雙層評估。

方法論綜合

方法跨越概念／規範分析與模型表徵因果操控；前者有助構念界定，後者能拆分有害性判斷與拒答行為，最大缺口是沒有把模型安全訊號、真人察錯、拒絕行為、使用頻率及功能損害放進同一資料設計。

可執行碩論設計

1. 需求滿足—強制性使用雙構念驗證： 假設需求滿足與問題性使用可區分，且只有失控與功能損害能預測負面生活結果。先訪談 20–30 人建題，再招募約 200 名大學生收集量表、七日螢幕時間與功能損害，以探索／驗證性因素分析及增額效度檢驗，產出繁中構念量表與初步切點資料。

2. 模型拒答—使用者抗拒雙層基準： 假設模型拒答率高不必然提高使用者對改寫後有害建議的拒絕率。以四種聊天 LLM 對低風險模擬提示生成經專家標註的刺激，招募約 120 人，以階層式 logistic 模型比較模型安全分數、拒答型態及真人抗拒，產出匿名刺激集與雙層安全框架。

3. 信任提示與察錯訊號偵測實驗： 假設揭露不確定性可提高錯誤答案的 d-prime，但效果受既有信任與使用頻率調節。約 120 人隨機接受無提示或不確定性提示，判讀人工核實的正誤回答，分析 d-prime、錯誤採納率、反應時間及信心校準，產出可重製察錯任務。

師資對接： 丁德天副教授（精神流行病學、物質濫用、青少年健康）、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）、蘇明祥副教授（自然語言處理、口語對話系統、情緒與人格感知）。

跨主題爭議

1. 方法論： 系統加速、代理模擬與模型表徵實驗可建立機制證據，卻不能替代真人縱向或隨機研究；因果結論須同時觀察系統輸出、使用行為與心理結果。

2. 量測： 系統效率不等於人類工作效益，需求滿足或高使用量也不等於成癮；模型拒答、使用者察錯及對有害建議的抗拒不能互相代替。

3. 倫理： 代理遙測與聊天紀錄可能暴露敏感任務與私人對話，有害刺激亦可能造成風險；研究應最小化蒐集、去識別化、允許退出，並設置審查與中止機制。

三個爭議點

1. 方法論爭議：系統加速、代理模擬與模型表徵實驗可建立機制證據，卻不能替代真人縱向或隨機研究；跨兩主題的因果結論必須同時觀察系統輸出、使用行為與心理結果。

2. 量測爭議：系統效率不等於人類工作效益，需求滿足或高使用量也不等於成癮；模型拒答、使用者察錯與對有害建議的抗拒是不同指標，不能互相代替。

3. 倫理爭議：代理遙測與聊天使用紀錄可能暴露敏感任務與私人對話，有害刺激亦可能造成風險；研究應最小化蒐集、去識別化、允許退出，並對高風險內容設置審查與中止機制。