研究所論文方向 2026-11-03
長照醫療：桃園 18 家醫院讓病人住院就能申請長照、出院兩天內接上——怎麼用資料和AI預測哪些病人最可能「接不上」，又不漏掉不知情的弱勢戶？
正式題目：住院期間長照銜接之出院後斷鏈風險預測與主動介入優先序模型
為何值得研究：本日語料（蕃新聞）報導桃園 18 家醫院推動住院期間即可申請出院銜接長照，多數個案出院後約兩天內可獲照顧支持，可銜接居家、專業服務、交通、輔具與無障礙改善。出院當下最怕沒人顧、輔具與交通斷鏈；誰最可能接不上、該優先主動接觸，正適合用資料科學做風險分層。語料只有政策與概況，沒有個案或成效數據，須以公開統計與合成資料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『住院—出院—長照啟動』個案資料（年齡、失能程度、獨居、共病、居住地距離、輔具需求），用梯度提升＋SHAP 預測出院後 7 天內未接上服務的風險，並以校準曲線、決策曲線比較不同主動介入門檻；用子群分析檢查偏鄉、獨居者的漏報率。
市場展望：醫院出院準備服務與地方長照管理中心都需要在有限個管量能下決定先聯絡誰；可解釋的斷鏈風險提醒工具有明確需求。
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；真實個案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，須做敏感度分析。
研究目的：建立『不漏掉最可能斷鏈的長輩、也不浪費個管量能』的出院銜接風險分層與介入優先序評估框架，並檢驗對獨居、偏鄉者的公平性。
呈現形式：碩士論文（合成資料集＋風險分層模型＋門檻與子群公平性分析；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；個管量能限制下的介入門檻模擬。
爭議點
- 兩天內接通是否各地醫院落差大、偏遠地區難以複製，語料未揭露各院成效。
- 住院中須主動洽詢才啟動，可能漏掉不知情或無家屬的弱勢戶。
- 風險分數若被用來排序資源，可能被誤解為資格篩選，需明確定位為輔助提醒。
指導教授前二
1. 丁德天（副教授）— 高齡醫學、精神流行病學、社會網絡分析：出院後照顧斷鏈與高齡者風險因子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、人工智慧、資料科學：風險預測、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：台語認證考試 19 歲以下免報名費、全程電腦化——怎麼用 AI 語音評分幫學生練台語口說，又證明對不同腔調的孩子一樣公平？
正式題目：臺灣台語口說自動評分之跨腔調公平性評估與學習回饋模型
為何值得研究：本日語料（彰化縣政府轉知教育部公告）指 116 年 3 月臺灣台語語言能力認證考試 A 卷 3 月 6 日、B／C 卷 3 月 7 日，報名至 11 月 23 日，報名費 250 元，19 歲以下免費，採電腦化測驗。學生是主要受測族群，語料沒有評分標準或成績數據，故以公開台語語音語料庫與合成情境驗證，聚焦口說自動評分的準確度與跨腔調公平性。
AI／資料科學整合：以公開台語語音語料訓練／微調語音辨識與發音評分模型，輸出發音、流暢度分項回饋；以不同腔調、年齡、錄音品質分群，檢驗評分誤差與人工評分的一致性（相關係數、Cohen's kappa）及子群偏差。
市場展望：各縣市本土語教學、補教與教材業者需要低成本的口說練習與回饋工具；語音評分公平性亦是教育科技的合規重點。
技術可行性：有公開台語語料與開源語音模型可用，單機 GPU 即可微調；真實考生語音取得需授權，初期用公開語料。限制：腔調標註不一致，須在論文中明確定義。
研究目的：建立可重現的台語口說自動評分與公平性評測基準，回答評分準確度與跨腔調偏差的取捨，並提出對學生有用的分項回饋設計。
呈現形式：碩士論文（語音資料集整理＋評分模型＋跨腔調公平性分析；附腳本）
研究方法：公開語料蒐集與標註一致性檢驗；語音特徵與微調模型；與人工評分的一致性統計；腔調／年齡子群誤差與公平性指標；錯誤案例分類。
爭議點
- 19 歲以下免費、成人付 250 元，收費差異是否合理有待討論，語料未說明對報考率的影響。
- 全程電腦化測驗，年幼學生若操作困難需另行申請特殊服務，AI 評分是否放大數位落差。
- 台語有多種腔調與書寫系統，自動評分若以單一腔調為標準，可能對特定地區學生不公平。
指導教授前二
1. 蘇明祥（副教授）— 語音訊號處理、口語對話系統、深度學習：台語口說辨識與評分直接對應其語音訊號處理與口語系統專長。
2. 吳政隆（教授）— 自然語言處理、深度學習、人工智慧：語言模型、評分一致性與偏差分析屬其自然語言處理專長。
AI／AI代理人：9 位工程師靠 AI 代理人一天合併 1,211 個程式碼更新、4 個半月就上市——怎麼量代理人寫的程式到底品質如何，人工審查追得上嗎？
正式題目：AI 代理人大量產出程式碼變更之品質評測與人工審查負荷分析框架
為何值得研究：本日語料（Microsoft Command Line）指 10 月 21 日 9 位工程師合併 1,211 個 PR 到主幹，團隊約四個半月從空白 repo 推進到全球正式上市，並在上線期間把執行環境從 Python 改寫為 Rust。代理人能規劃步驟、改程式、呼叫工具，但公開資訊只有數量與時程，沒有品質數據；這正是缺少第三方可重現評測的地方，適合做成資料科學碩論的實驗與指標設計。
AI／資料科學整合：主題本身為 AI 代理人：用開源程式碼代理人框架，在公開開源專案的真實 issue 上產生 PR，記錄工具呼叫與修改步驟，量測測試通過率、回退率、引入缺陷數、審查所需時間與成本，並建立『每位審查者可承受的 PR 量』模擬。
市場展望：軟體團隊導入程式碼代理人後，需要量化品質與審查負荷的稽核與可觀測性工具；治理與合規需求正在成形。
技術可行性：以開源專案、開源代理人框架與 CI 測試紀錄即可完成，無需特定硬體；商用代理人僅測試其公開功能並遵守服務條款。限制：模型版本變動快，須記錄版本與日期。
研究目的：建立可重現的代理人 PR 品質與審查負荷評測基準，回答產出速度提升時，缺陷與審查成本如何變化。
呈現形式：碩士論文（任務集與執行紀錄資料集＋評測指標＋實驗結果；開源腳本）
研究方法：任務集挑選與難度分層；代理人重複實驗；測試通過率、回退率與缺陷分類的統計檢定；審查時間排隊模擬；成本與品質取捨分析。
爭議點
- PR 數量不等於生產力，1,211 個 PR 的品質如何檢驗，語料未提供缺陷率或回退率。
- 代理人寫大部分程式碼後，工程師的審查責任是否被稀釋，出錯時誰負責。
- 線上服務進行中把執行環境由 Python 改寫為 Rust，風險控管方式未揭露，難以第三方驗證。
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：代理人操作紀錄與行為模式分析屬其行為分析與資料探勘專長。
本日報告層爭議點
- 本日語料多為媒體摘要或官方公告，缺乏獨立成效數據，三題皆需以公開資料或合成資料驗證，外部效度須審慎說明。
- 三題都涉及高風險判斷（長輩照顧資源、學生語言能力、代理人產出程式碼），模型輸出若被誤當最終決策會有責任歸屬爭議。
- 真實資料（出院個案、學生語音、代理人 PR 紀錄）取得受隱私與倫理規範限制，初期只能以合成或公開資料做方法驗證。
三個爭議點
1. 本日語料多為媒體摘要或官方公告，缺乏獨立成效數據，三題皆需以公開資料或合成資料驗證，外部效度須審慎說明。
2. 三題都涉及高風險判斷（長輩照顧資源、學生語言能力、代理人產出程式碼），模型輸出若被誤當最終決策會有責任歸屬爭議。
3. 真實資料（出院個案、學生語音、代理人 PR 紀錄）取得受隱私與倫理規範限制，初期只能以合成或公開資料做方法驗證。