研究所論文方向 2026-11-07
- 本日語料多為媒體報導或廠商宣稱，缺乏獨立成效數據，三題皆須以公開、合成或自建資料驗證，外部效度需審慎說明。
- 三題皆涉及高影響判斷（醫療紀錄遺漏、兒少通報、搜尋答案可信度），模型輸出若被當成最終決策會有責任歸屬爭議。
- 真實資料（居家醫療錄音、校園通報、商用搜尋完整引用紀錄）受隱私、法規與服務條款限制，初期只能做方法驗證。
長照醫療：雲林在宅急症照護用 AI 把醫護講的話自動變紀錄——長輩和醫護常講台語、夾雜口音，怎麼評這份自動摘要錯在哪、會不會漏掉重要症狀？
- 正式題目：在宅急症照護語音轉寫與自動摘要之方言／口音穩健性與關鍵資訊遺漏評估
- 學位：碩士／資料科學系碩士
為何值得研究：本日語料報導雲林縣在宅急症智慧照護平台啟用，以 AI 語音轉紀錄與自動摘要協助醫護減少重複整理。到府場景的對話常含台語、國語夾雜、長輩口音與居家雜音，轉寫與摘要出錯的型態與門診不同；但語料只講效益，沒有錯誤率與漏報資料。這是適合資料科學碩論的評估問題：量化錯在哪、漏掉什麼、對哪類說話者更差。語料未提供任何真實對話資料，需以公開語料與合成對話驗證。
AI／資料科學整合：以公開台語／國語語音語料與依臨床劇本合成的居家訪視對話（含症狀、藥名、生命徵象關鍵實體）建立測試集；比較多種語音辨識模型加 LLM 摘要的流程，量測詞錯誤率、關鍵實體遺漏率與摘要幻覺率，並依口音、語速、噪音分層做公平性檢查；再以不確定度或信心分數訓練『需人工複核』分流器，檢驗能否在少量複核下攔下高風險錯誤。
市場展望：在宅急症與居家醫療擴張，醫護人力吃緊，語音紀錄是高需求的減負工具；縣市衛生局與醫療資訊廠商需要可驗證的品質評測與複核機制。
技術可行性：開源語音辨識模型、公開語料與合成對話即可完成方法驗證；真實錄音須倫理審查與去識別，初期不依賴。限制：合成對話與真實居家環境有落差，須做敏感度分析並如實標註。
研究目的：建立居家醫療語音轉寫與摘要的方言穩健性評測框架與基準，量化關鍵資訊遺漏，並驗證信心分流能否以最小人工複核成本攔下高風險錯誤。
呈現形式：碩士論文（合成對話測試集＋評測指標＋分層公平性分析＋複核分流實驗；開源腳本）
方法：1) 蒐集公開語音語料並依臨床劇本合成居家訪視對話；2) 標註關鍵實體與症狀變化；3) 比較多組 ASR＋摘要流程；4) 計算 WER、關鍵實體遺漏率、幻覺率並分口音／噪音分層；5) 訓練信心分流器並以複核成本–漏報率曲線評估；6) 做敏感度分析與限制說明。
評分：{'theory': 6, 'practicality': 8, 'marketization': 7}
爭議點：
- 語料僅說明平台能減少重複整理，未揭露轉寫錯誤率與醫護修改比例，效益缺乏數據。
- 台語、國語夾雜與長輩口齒不清是否降低辨識品質，可能造成對不同族群長輩的紀錄品質不均。
- 摘要若漏掉症狀變化或藥物資訊，責任歸屬於醫護、院方或系統商並不明確。
指導教授：
1. 蘇明祥（副教授）— 語音訊號處理、口語對話系統與 NLP 直接對應轉寫與摘要評測。
2. 丁德天（副教授）— 高齡醫學背景可協助定義臨床關鍵資訊與長輩族群分層。
學齡教學：孩子被爸爸用『薑罰』處罰、媽媽上網求助才知道可能涉性侵——老師和學校輔導室怎麼靠 AI 幫忙分辨哪些情況該通報，又不冤枉家長、不漏掉孩子？
- 正式題目：校園責任通報情境之文本分類輔助與誤判／漏判風險評估
- 學位：碩士／資料科學系碩士
為何值得研究：本日語料多家媒體報導國中女學生遭父親以「薑罰」處罰，母親上網求助後衛福部示警恐涉性侵、最重可判7年以上。事件顯示一般人對『管教』與『不當對待』的界線不清，學校教師又是責任通報人員，需要在資訊不足時快速判斷。語料只有新聞，沒有校園通報資料。題目聚焦資料科學：用公開法規與案例文本建立情境集，評估 AI 輔助判斷的漏判與誤判、可解釋性與人工把關流程，而非取代專業判斷。
AI／資料科學整合：以衛福部公開通報指引與公開新聞、判決書去識別文本，加上專家審閱的合成情境（家長／學生／老師敘述），建立『是否達通報門檻』多類別標註集；比較關鍵字規則、微調中文 BERT 與 LLM 提示法，並用校準與保守閾值設計『寧可轉人工複核』的分流；以漏判率優先、誤判率次之的成本敏感指標評估，並分析不同敘述風格（委婉、方言、孩子口吻）的差異。
市場展望：教育局、學校輔導室與兒少保護單位需要降低通報判斷落差與新手教師壓力；可解釋的輔助工具與訓練情境集有公共部門需求，但須嚴守倫理邊界。
技術可行性：公開法規與去識別文本加合成情境即可進行方法驗證；任何真實通報資料皆受法規保密，不可取得，須明確標註外部效度限制並經倫理審查。
研究目的：建立校園責任通報情境的文本分類評測基準，量化漏判與誤判的成本取捨，並驗證保守分流加人工複核流程能否降低漏報而不大幅增加誤報。
呈現形式：碩士論文（情境標註集＋成本敏感評測＋分流設計實驗；開源腳本與倫理說明）
方法：1) 整理公開通報指引並與專家訂定標註準則；2) 蒐集去識別公開文本並合成情境；3) 雙人標註並計算一致性；4) 比較規則、BERT 與 LLM 方法；5) 以校準、成本敏感閾值與人工複核比例評估；6) 分層分析敘述風格差異與錯誤案例。
評分：{'theory': 6, 'practicality': 7, 'marketization': 5}
爭議點：
- 多家媒體標題強調「酷刑」「涉性侵」，是否把個案過度渲染，可能影響民眾對管教與虐待界線的理解。
- 民眾上網查才知道此行為可能涉性侵，顯示教師與家長對通報界線的認知落差，語料未提供學校端處理資料。
- AI 輔助通報若誤判會冤枉家長，漏判會讓孩子繼續受害，兩類錯誤成本不對等且高度敏感。
指導教授：
1. 吳政隆（教授）— 文字探勘與自然語言處理對應情境文本分類與錯誤分析。
2. 葉向原（教授）— 機器學習與資料科學專長可支援校準、成本敏感評估與實驗設計。
AI／AI代理人：AI 搜尋代理人幫你查資料時到底引用誰？91APP 推『AI SEO』讓店家被 AI 看見——怎麼測這種優化能不能把 AI 帶偏、讓不實或低品質網頁被引用？
- 正式題目：生成式搜尋代理人之來源引用偏差與 GEO 操弄穩健性評測
- 學位：碩士／資料科學系碩士
為何值得研究：本日語料顯示 AI SEO／GEO（生成式引擎優化）服務與工具快速商品化，目標是讓內容被 AI 搜尋與代理人引用。會自己搜尋、閱讀並引用來源的搜尋代理人，其來源選擇受網頁結構與內容策略影響，但廠商說法缺乏獨立驗證。這與近 30 日已提過的 SEO MCP 工具與下毒搜尋結果不同：本題聚焦『引用來源偏差與被操弄的穩健性』。適合資料科學碩論：可設計對照實驗、引用指標與統計檢定。
AI／資料科學整合：建立固定問題集與受控網頁集（同一事實，分別用普通寫法、GEO 優化寫法、夾帶誘導語句寫法，並含真偽版本），讓開源檢索增強代理人與可取得的商用搜尋介面各自作答；量測引用率、引用正確率、被誘導採信不實內容的比例與答案忠實度，並用邏輯斯迴歸檢驗網頁特徵對被引用機率的影響；最後提出簡單的來源可信度重排防禦並評估成本與效果。
市場展望：企業與電商正投入 GEO 預算，AI 搜尋業者與資安、內容平台需要可重現的引用偏差與操弄風險評測；獨立基準有明確市場與政策需求。
技術可行性：自建受控網頁集與開源代理人框架即可重現；商用介面的採樣受服務條款與模型版本限制，須記錄版本與時間並以開源代理人為主要實驗。限制：結果不保證外推至所有商用系統。
研究目的：量化搜尋代理人的來源引用偏好與被 GEO 操弄的脆弱度，建立可重現的評測基準並驗證輕量防禦。
呈現形式：碩士論文（受控網頁集與問題集＋引用與誘導指標＋對照實驗與防禦評估；開源腳本）
方法：1) 設計問題集與多版本受控網頁；2) 部署開源檢索增強搜尋代理人並記錄完整引用軌跡；3) 定義引用率、正確率、誘導成功率、忠實度；4) 對照實驗與迴歸分析網頁特徵影響；5) 實作來源可信度重排防禦並做消融；6) 重複取樣與版本記錄以檢驗穩定性。
評分：{'theory': 6, 'practicality': 8, 'marketization': 8}
爭議點：
- 廠商宣稱 AI SEO 可打造流量閉環，語料未提供獨立驗證，成效數字缺乏可比較基準。
- 優化內容是否讓 AI 搜尋代理人引用更多低品質或誘導性網頁，可能破壞答案可信度。
- 商用 AI 搜尋的引用邏輯不透明，研究只能以黑箱抽樣觀察，結果可能隨模型更新而失效。
指導教授：
1. 葉向原（教授）— 機器學習與人工智慧專長可支援評測設計、迴歸與消融實驗。
2. 吳政隆（教授）— 文字探勘與 NLP 專長對應網頁內容特徵與答案忠實度分析。
三個爭議點
1. 本日語料多為媒體報導或廠商宣稱，缺乏獨立成效數據，三題皆須以公開、合成或自建資料驗證，外部效度需審慎說明。
2. 三題皆涉及高影響判斷（醫療紀錄遺漏、兒少通報、搜尋答案可信度），模型輸出若被當成最終決策會有責任歸屬爭議。
3. 真實資料（居家醫療錄音、校園通報、商用搜尋完整引用紀錄）受隱私、法規與服務條款限制，初期只能做方法驗證。