研究

主軸 1：AI 代理人與教育創新 AI Agents & Educational Innovation

大型語言模型讓「會使用工具、能自行分解任務的代理人」成為可行的教學工具，但把代理人放進課堂會同時打開兩個缺口。第一個是學習被掏空：學生把判斷外包給模型，交出來的成果看似完整，過程中卻沒有發生學習。第二個是無法審計：代理人的中間決策不留痕跡，教師無法判斷一份作業裡哪些部分是學生自己的判斷。

本主軸處理的問題是：在什麼條件下應該把流程寫死，換取可重現與可歸責；在什麼條件下應該把任務分解交還模型，換取跨題型的泛化能力。兩者不是新舊之爭，而是買到不同的東西——固定管線買到可審計，開放式鷹架買到可泛化。判準一旦講清楚，才談得上把代理人放進課程設計。

目前的作法是在實際授課的課程中建置受控的 AI 鷹架，記錄學生與代理人的互動軌跡，並以準實驗設計比較不同鷹架強度下的學習成效。這是進行中的方向，尚無已發表的成果。

主軸 2：智慧物聯與韌性系統 Intelligent IoT & Resilient Systems

通訊與感測系統的可用性，不能只用平均效能衡量。真正決定系統能不能用的，是它在退化狀態下還剩多少功能——基地臺毀損、節點電力耗盡、流量突增、感測資料受環境干擾時，服務衰減得多快、能不能撐到救援到位。

這一線的研究把「韌性」拆成可量測的問題來處理：災害情境下如何依使用者移動性做流量卸載、無線可充電感測網路的充電器要佈署在哪裡才在能量受限下維持覆蓋、軟體定義網路如何在攻擊造成大規模影響前就偵測異常流量、以及如何從觀測資料以深度學習模型預測能見度這類會直接影響作業安全的環境變數。

這些子題的共同結構是：先定義退化情境，再問系統在該情境下的功能保留率，最後才談最佳化。

相關著作

• H.-M. Chuang, C.-H. Tsai, and W.-K. Soong, LSTM-based hybrid deep learning models for visibility prediction: a data-driven approach, Advances in Meteorology, 2026. doi:10.1155/adme/3091260
• H.-M. Chuang, F. Liu, and C.-H. Tsai, Early detection of abnormal attacks in software-defined networking using machine learning approaches, Symmetry, 2022. doi:10.3390/sym14061178
• A.-H. Tsai and C.-H. Tsai, The hybrid traffic offloading mode for disaster-resilient communication networks based on user mobility, Wireless Communications and Mobile Computing, 2021. doi:10.1155/2021/9403982
• W.-P. Chen, A.-H. Tsai, and C.-H. Tsai, Smart traffic offloading with mobile edge computing for disaster-resilient communication networks, Journal of Network and Systems Management, 2019. doi:10.1007/s10922-018-9474-z
• K.-H. Yao, J.-R. Jiang, C.-H. Tsai, and Z.-S. Wu, Evolutionary beamforming optimization for radio frequency charging in wireless rechargeable sensor networks, Sensors, 2017. doi:10.3390/s17081918