研究所論文方向 2026-11-06
長照醫療：台南長照復能用量一年暴增136%、卻只有溫馨故事沒有數據——怎麼用資料和AI看出哪些長輩復能後真的變得更能自理、哪些只是多跑幾趟？
- 正式題名：長照復能服務之功能改善軌跡建模與服務效益分層評估
- 學位／系所：碩士／資料科學系碩士
- 為何值得做：本日語料（Life 生活網）報導台南市衛生局長照專業服務成果會：今年至9月復能服務6,578人、使用人數年增136%，第2級含以上可撥1966申請到府復能；另一則（報新聞）說衛福部研討會首度把小規模多機能納入，長照3.0聚焦社區復能。兩則共同缺口是『成果多為故事、缺少可比較的功能改善數據』。復能量快速成長時，如何看出誰真的進步、進步多少、哪類服務組合有效，是很適合資料科學的問題。語料沒有個案資料，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：以文獻參數與公開長照統計建立合成『復能前後日常生活功能（如巴氏量表／IADL）、年齡、共病、居住型態、服務次數』個案縱貫資料；用混合效應模型與梯度提升＋SHAP 估計個別長輩的功能改善軌跡與『邊際效益遞減點』，再以聚類找出『高受益／低受益／需改介入方式』三群，並檢查偏鄉、獨居、輕度失能者的漏判率與子群公平性。
- 市場前景：長照3.0將復能納入社區主軸，縣市衛生局、特約單位與到府復能團隊都需要用有限治療師人力做效益分層與排程；可解釋的復能成效評估工具有明確需求。
- 技術可行性：合成資料加開源機器學習與統計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，須做敏感度分析並明確標註參數來源。
- 研究目的：建立可重現的『復能成效分層與效益遞減評估』框架，回答服務量暴增時，哪些長輩最受益、哪些該調整介入方式，並檢驗對輕度、偏鄉、獨居者是否公平。
- 呈現形式：碩士論文（合成縱貫資料集＋改善軌跡模型＋分層與子群公平性分析；附腳本）
- 方法：文獻參數整理；合成縱貫資料生成與敏感度分析；線性混合效應模型與梯度提升＋SHAP；聚類分層；治療師量能限制下的服務排程模擬；子群漏判／誤判檢驗。
- 評分：{'theory': 7, 'practicality': 8, 'marketization': 7}
- 指導教授：
1. 丁德天（副教授）— 高齡醫學、精神流行病學、因果機制拓樸排序：長輩功能改善的因果解讀與縱貫流行病學設計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：改善軌跡預測、分層聚類與可解釋模型屬其機器學習與資料科學專長。
- 來源：臺南市長照專業服務成果發表會分享溫馨復能故事、見證長輩重拾自立 - Life 生活網；長照3.0推社區復能、夜間照顧 衛福部研討會6家優良長照單位分享經驗 - 報新聞 Mega News
學齡教學：Gemini 能把手繪草圖一鍵變成可執行的 App——國中小學生這樣學寫程式，怎麼證明孩子真的懂邏輯，而不是只會下指令？
- 正式題名：生成式AI輔助程式學習中學生運算思維成效與依賴風險之評估
- 學位／系所：碩士／資料科學系碩士
- 為何值得做：本日語料（Google 官方部落格）指使用者可上傳手繪草圖、App 設計稿或遊戲棋盤照片，在 Canvas 要求 Gemini 寫程式，並在預覽視窗即時調整顏色、字型或功能。這降低學生與教師嘗試開發的門檻，但也引出教育問題：孩子是理解了流程與邏輯，還是只學會叫 AI 出結果？語料只是產品教學，沒有學習成效數據，因此適合設計一套可重現的評估：以前後測、操作紀錄與『改一個條件看懂不懂』的遷移任務衡量真實學習與依賴程度。
- AI／資料科學整合：以公開國中小運算思維題庫與程式學習資料為基礎，設計對照實驗（自己寫／AI 協助／AI 全代寫）；蒐集提示詞、修改次數、除錯行為等操作紀錄，用機器學習區分『理解型使用』與『依賴型使用』，並以反事實遷移題（改規則、找 bug）估計 AI 協助對理解的淨效應；另檢查英文較弱或起點較低的學生是否受益較少，確保公平。
- 市場前景：各縣市資訊科技課綱、補教與教育科技業者正面臨『學生用AI寫作業』的評量困境；可偵測依賴程度並提供鷹架式提示的工具，對教師與平台都有明確需求。
- 技術可行性：可用開源題庫、公開學習資料與小規模自建實驗（成人或大學生代理受試者先行預試）完成；涉及未成年真實資料須倫理審查與家長同意，初期以公開／合成操作紀錄為主。限制：AI 工具版本變動快，須記錄版本與日期。
- 研究目的：建立可重現的『AI 協助程式學習之理解度與依賴風險』評測框架與指標，回答 AI 協助何時促進學習、何時只是代勞，並提出對低起點學生更公平的提示設計建議。
- 呈現形式：碩士論文（任務集與操作紀錄資料集＋理解／依賴分類模型＋遷移任務實驗結果；附腳本）
- 方法：運算思維題庫整理與難度分層；三組對照實驗設計；操作紀錄特徵工程與分類；前後測與遷移題的統計檢定；子群（起點／語言程度）公平性分析；提示鷹架介入的模擬比較。
- 評分：{'theory': 7, 'practicality': 7, 'marketization': 7}
- 指導教授：
1. 金凱儀（教授）— 電腦輔助教學、適性化學習、數位遊戲式學習：AI 輔助學習的成效設計、適性化提示與學習行為評估直接對應其電腦輔助教學與適性化學習專長。
2. 吳政隆（教授）— 自然語言處理、深度學習、人工智慧：提示詞與程式碼文本的分析、理解／依賴分類屬其自然語言處理與深度學習專長。
- 來源：Gemini 讓快速草圖變身為可運行的應用程式。（Google 官方部落格）
AI／AI代理人：NVIDIA 示範用一句話叫 AI 代理人自動建好 3D 模擬場景——怎麼評它建出來的場景是照指令做對、物理也合理，還是只是看起來像？
- 正式題名：自然語言驅動之 AI 代理人建構物理模擬場景的指令遵循與物理正確性評測框架
- 學位／系所：碩士／資料科學系碩士
- 為何值得做：本日語料（NVIDIA 官方部落格）示範開發者以自然語言指揮 AI 代理，結合 Houdini 與 Isaac Sim 建立動畫、材質與物理模擬，Omniverse 函式庫提供 GPU 加速物理與渲染。代理人需規劃步驟、呼叫多個工具、調整參數並產出可運行場景，但公開內容只有成功展示，沒有指令遵循率、錯誤類型、物理合理性或人工修正量等數據。這正是缺少第三方可重現評測之處，適合做成資料科學碩論的任務集、指標與實驗設計。
- AI／資料科學整合：主題本身為 AI 代理人：以開源 3D／物理模擬環境（如 Blender 腳本、開源物理引擎）與開源或可公開使用的代理人框架，建立由簡到繁的『自然語言場景建構任務集』；記錄代理人的規劃步驟與工具呼叫軌跡，以自動檢查（物件數量／位置／材質是否符合指令、物理穩定性測試）與人工評分，量測指令遵循率、物理錯誤率、人工修正次數與成本，並分析錯誤如何隨任務複雜度累積。
- 市場前景：遊戲、工業數位孿生與機器人訓練環境製作團隊正在導入代理人縮短建模流程，需要可量化的品質稽核與可觀測性工具；代理人治理與驗收標準需求正在成形。
- 技術可行性：以開源模擬環境、開源代理人框架與自動化檢查腳本即可完成，不需特定 GPU 叢集；商用代理人僅測其公開功能並遵守服務條款。限制：模型與工具版本變動快，須記錄版本與日期，人工評分需多人一致性檢驗。
- 研究目的：建立可重現的『模擬場景建構代理人』評測基準，回答代理人在指令遵循、物理合理性與人工修正成本間的取捨，以及錯誤在多步驟流程中如何累積。
- 呈現形式：碩士論文（任務集與代理人執行軌跡資料集＋評測指標＋實驗結果；開源腳本）
- 方法：任務集設計與複雜度分層；代理人重複實驗與軌跡記錄；自動檢查器與人工評分一致性（Cohen's kappa）；錯誤分類與累積模型；成本與品質取捨分析；統計檢定與信賴區間。
- 評分：{'theory': 6, 'practicality': 8, 'marketization': 7}
- 指導教授：
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：代理人工具呼叫軌跡與步驟行為模式分析屬其行為分析與資料探勘專長。
- 來源：Omniverse 深入探索：開發者如何藉由前沿 AI 代理將構想轉化為模擬（NVIDIA 官方部落格）
三個爭議點
1. 本日語料多為媒體摘要或廠商／官方教學，缺乏獨立成效數據，三題皆需以公開資料、合成資料或自建實驗驗證，外部效度須審慎說明。
2. 三題都涉及高風險或高影響判斷（長輩復能資源分配、學生學習成效認定、代理人自動產出模擬），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（長照個案紀錄、學生作品與操作紀錄、商用代理人完整軌跡）受隱私、倫理與服務條款限制，初期只能以公開、合成或自建資料做方法驗證。