ABCDEFGHIJKLMNOPQRSTUVWXYZ
1
通過：請務必參考評審意見修正加強，無須再送件複審(聯合評審時將檢核是否完成修正)
2
序號題目(中文)題目(英文)人數審查意見
3
1智慧化AI圖像生成平台設計與實作Intelligent AI Image Generation System : Design and Implementation2委員A：
1.ComfyUI有許多內建流程，作者應明確說明專題自己開發的部分，或是說明流程本身值得探討和修改實驗之處。例如資料收集處理，模型訓練，程式開發，以及優化。
委員B：
報告書格式需再按規定仔細修改
委員C：
1.圖3.1~3.4未在本文作說明
2.第四章的圖與表需在本文做適當的說明與分析
3.摘要分段過多(簡化至一、兩段即可)
4.參考文獻格式需調整
委員D：
困惑度、準確率定義缺乏，就直接在4.1.3使用，建議補上。標題格式錯誤。如何衡量生成圖品質，使用ChatGPT似乎太簡單，能否用其他方式評估？
委員E：
1.報告書格式需再按規定仔細修改，有些段落排版過於密集、圖說與內文間距略小，需統一格式
2.評估數據缺失，缺乏量化指標統計與比較分析。
3.本專題完整建置了AI圖像生成平台，涵蓋系統架構設計、功能模組劃分（如模型載入、參數調整、生成流程控制），整體流程清楚、功能完善，展現出良好的系統開發與整合能力。
4
3表格增強生成對 Text-to-SQL 結合 LLM 在關聯式資料庫的表現提升幅度Comparison of table-augmented generation versus text-to-SQL with LLM performance improvement in relational databases1委員A：
1.題目標題不易理解
2.Text2SQL還是Text-to-SQL要一致或是區分清楚
3.報告中許多"Gungsuh"字體，應修正為規定字型
委員B：
報告書字型格式需再按規定仔細修改
委員C：
1.未依照系上專題報告格式作排版與章節分頁
2.第二、三、四、五章需重寫，太多別字與缺字
3.圖與表需在本文提及並做適當的說明與分析
4.參考文獻內容與格式需調整
委員D：

委員E：
1.本專題成功設計並比較了Text-to-SQL與TAG技術於結構化資料庫查詢中的表現，能針對不同提問類型進行分類評估，展現良好的分析能力與問題架構設計。
2.報告書字型格式混亂
3.專題深度（技術成分）稍微不足，系統主要依賴LLMAPI接口與SQL查詢邏輯，未挑戰資料處理效率、模型優化、或LLM本身的進階應用
4.實作與成果內容呈現過少，缺少對實際應用效度的佐證。
5
4交通號誌模擬攻擊研究Research on Traffic Sign Simulation Attack1委員A：
1.各種顏色高斯noise的實際應用場景為何，應說明
2.探討實際應用場景的攻擊形式
委員B：
報告書字型格式需再按規定仔細修改
圖的文字呈現亂碼
委員C：
1.所有的圖與表皆需在本文提及並做適當的說明與分析
2.圖2=>改為圖2.1;圖3=>改為圖3.1
3.方程式需括弧編號
4.參考文獻內容與格式需調整
委員D：
文獻太少，關於影像辨識攻擊的研究很多，第二章需多補上論文探討。
委員E：
1.報告書格式需再按規定仔細修改，目錄、頁碼與章節排版略顯混亂，部分段落行距不一致，圖表編號格式不統一，如「圖2」和「圖2.2」並列，卻沒有標示它們之間的邏輯關係（應該是「圖2.1」、「圖2.2」才對）。
2.實作與成果內容呈現過少／缺乏評估數據佐證系統效度，雖有成功攻擊率（ASR）指標，但欠缺如每一類別的數值統計表、混淆矩陣數據表詳細數據，且未提供干擾強度對辨識率影響曲線，評估仍偏表面。
3.專題深度嚴重不足，研究內容多集中於套用既有架構進行簡單模擬，缺乏深入探討（如干擾強度量化分析、抗干擾訓練策略比較），屬於實驗性質偏淺。
6
5基於 LLaMA 的語言模型：結合 LoRA 與提示工程自動化需求文件生成Automating Requirements Document Generation Using a Large Language Model with LoRA and Prompt Engineering3委員A：

委員B：
專題應用面稍微不足
委員C：
1.缺英文題目
委員D：
PDFSplitandMergeSoftware還有stewards的資料說明不足。
錯字偏多。
委員E：
1.報告書格式需再按規定仔細修改，排版略為凌亂，部分行距過密、表格過長且無換頁整理，格式未完全統一。
2.本專題整體完成度佳，具備明確實作系統與初步評估流程，但在技術深度、數據分析與格式細節上仍有提升空間。
7
6利用擴散模型實現2D圖像到3D建模的轉換2D Image to 3D Modeling Conversion Using Diffusion Models1委員A：

委員B：
報告書字型格式需再按規定仔細修改
參考文獻需按規定格式修改
委員C：
1.所有的圖與表皆需在本文提及並做適當的說明與分析
2.將5.B.研究成果移至第四章的後面
3.方程式勿以圖示表示，需打字並括弧編號
委員D：
流程圖配色請修正，或者使用方格方式。
應該置於第三章。
相關文獻不足，請增加。
委員E：
本專題完成了從2D圖像到3D模型自動生成系統，整體完成度高，但仍偏基礎應用層次，缺乏技術創新與完整數據驗證，建議強化技術深度與系統評估，有潛力朝更高階3D生成技術方向精進。
8
7基於網站伺服器架構的反向代理於串流影像辨識Reverse Proxy Based on Website Server Architecture for Streaming Video Recognition3委員A：

委員B：
專題技術成分稍低
委員C：

委員D：

委員E：
1.本專題結合了Nginx伺服器、SimpleRealtimeServer（SRS）、YOLO系列影像辨識與Flask/Streamlit前端設計，整體系統架構清楚、模組劃分完整，且能實際做到多路即時串流辨識，具備整合開發與系統實作能力。
2.系統效能評估略嫌簡單，雖有FPS比較，但缺少更全面的效能數據，較難充分量化系統表現。
9
8OCRecycle：利用OCR模型辨識回收標章OCR-Based Recognition of Recycling Symbols2委員A：

委員B：
報告書格式有許多問題，需再按規定仔細修改
委員C：
1.所有的圖與表皆需在本文提及並做適當的說明與分析
2.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
委員D：
header在此鍵入需移除。
錯別字偏多，再做修改使其通順。
委員E：
1.本專題完整整合了OCR技術、影像前處理（灰階轉換、CLAHE增強）、固定ROI擷取與即時鏡頭操作，從理論基礎、系統架構到實際網頁功能設計都有良好落實，展現出系統規劃能力與實作細緻度。
2.系統侷限於固定角度與清晰標章情境，對於模糊、透明材質、浮雕回收標章辨識仍有顯著限制，未能針對這部分進行更深一層的技術突破。
3.系統效能量化不足，未提供辨識率（accuracy）、召回率（recall）、或平均推論時間（inferencetime）等客觀統計數據來評估整體辨識系統的準確性與速度表現。
10
9個人化健身系統Personalized fitness system2委員A：

委員B：
參考文獻需按規定格式修改
委員C：
1.摘要無須加文獻註解
2.方程式勿以圖示表示，需打字並括弧編號
3.所有的圖與表皆需在本文提及並做適當的說明與分析
4.參考文獻內容與格式需調整
委員D：

委員E：
1.偵測準確度受限於單鏡頭單角度設計，對於動作角度微小變化（例如手腕彎曲幅度不足）或快速動作連貫偵測仍容易出現誤判，缺少進階3D姿勢校正技術或多角度輔助，限制了系統精度。
2.系統擴充性不足，目前僅支援單人單機操作，尚未設計多人同步偵測、遠端訓練監看、雲端資料備份等功能，應用場景受限於單一本地端使用。
3.缺乏量化評估指標佐證效度，雖有10位使用者基本測試，但未提供完整的偵測準確率統計表、錯誤率分析或延遲時間測試結果，難以客觀量化系統的效能與穩定性。
11
10家具銷售網站結合語言模型與擴增實境Furniture sales website combines Language model and Augmented reality3委員A：
1.語言模型用在何處未清楚說明
2.客戶如何輸入家具想放的位置未說明
3.評級之用途為何未說明
4.section3.4說明令人無法理解
委員B：
報告書字型格式需再按規定仔細修改
委員C：
1.所有的圖(第四章)與表皆需在本文提及並做適當的說明與分析
2.參考文獻內容與格式需調整
委員D：
標題格式不對。請修正。
產品實作部分並沒有看到AR結合的頁面，再請加上。
委員E：
1.展現出良好的跨技術整合與系統開發能力
2.缺乏大量效能測試與量化數據支撐，難以驗證系統在大規模實際環境下的穩定性與流暢度。
3.參考文獻明顯過少，且部分引用深度不足
12
11基於 RAG 技術之糖尿病衛教系統A Diabetes Education System Based on RAG Technology3委員A：

委員B：
報告書格式，尤其是換頁的部分需再按規定仔細修改
委員C：
1.參考文獻(作者姓名)格式需調整一致
委員D：

委員E：
1.參考文獻數量不足，全文僅列出約10篇參考文獻，且大多偏向技術領域，缺乏醫療專業文獻支撐，建議補充更多臨床研究或糖尿病相關指引資料，以提升內容專業性與系統可信度。
2.缺乏評估數據佐證系統效度，雖有基本使用者體驗調查，但針對回答速度、查詢延遲、正確率等效能數據的量化分析較少，未能完整佐證系統在即時性與大規模查詢下的表現，建議補充更全面的效能測試結果。
13
12基於Kubeflow的Node-red量子機器學習自動化開發 -以帕金森氏症SVM辨識為例Node-red quantum machine learning and quantum gate module development based on Kubeflow- Taking Parkinson's disease SVM identification as an example3委員A：

委員B：
報告書字型格式需再按規定仔細修改
參考文獻需按規定格式修改
委員C：
1.未依照系上專題報告格式作排版與章節分頁
2.所有的圖(第四章)皆需在本文提及並做適當的說明與分析
3.參考文獻太少且未在本文引用
4.未清楚呈現"以帕金森氏症SVM辨識為例"的結果
委員D：
避免使用"代碼"，應使用"程式碼"
委員E：
1.參考文獻數量不足，參考文獻僅5篇，且多為教學資源，正式學術論文明顯不足，建議增加期刊或研討會論文佐證。
2.缺乏評估數據佐證系統效度，缺少詳細量化數據，無法充分驗證成效。
3.專題應用面稍微不足，應用層面仍以技術展示為主，實際應用案例不足。
4.參考文獻需在文章中都要引用，部分文獻僅列於參考文獻清單，正文未見引用，建議加強文中文獻呼應。
14
13導入生成式AI的腦機控制系統Integration of Generative AI into Brain-Computer Interface Control Systems3委員A：

委員B：
報告書字型格式需再按規定仔細修改
委員C：

委員D：

委員E：
1.專題應用面稍微不足，主要集中於自走車控制場景，對於實際大型輪椅平台或多障礙動態環境的應用探討較少，應用延伸性不足。
2.缺乏評估數據佐證系統效度，缺乏大量用戶測試數據（例如不同受測者之精確率變異、反應時間標準差等），系統效能證明略顯不足。
3.參考文獻需按規定格式修改，部分參考文獻格式不一致，如中英文夾雜、頁數標示不完整，建議全面統一格式（如APA或IEEE格式）。
4.專題深度（技術成分）稍微不足，SSVEP分類採用SVM，較為常見，生成式AI部分主要依賴ChatGPTAPI，缺乏深入模型自定義與本地端運算探討，技術深度略低。
15
14Stochastic MuZero 在暗棋遊戲中的應用與表現分析Application and Performance Analysis of Stochastic MuZero in Dark Chess2委員A：

委員B：
技術成分缺乏前瞻性，貢獻不足
委員C：
1.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
委員D：
目前暗棋若能力相當之勝率不應為84%一面倒，受試者水平如何？這段建議補充說明。
委員E：
1.參考文獻數量不足，參考文獻主要以技術介紹與部落格來源為主，正式學術期刊比例偏低。
2.缺乏評估數據佐證系統效度，雖有勝率曲線與人機對戰紀錄，但缺乏更細緻的效能數據，如不同局勢下的決策準確率、殘局處理成功率分析等。
3.專題深度稍微不足，主要聚焦在LightZero框架的應用與參數微調，缺乏針對模型結構本身（如後狀態建模）進行深入分析或創新。
4.參考文獻需在文章中都要引用，部分文獻列於最後但正文中未有呼應或引用
16
15靈魂騎士(PC遊戲設計)Soul Knight(PC Game Design)2委員A：
結論應針對專題成果說明，而不只是感想
委員B：
報告書字型格式需再按規定仔細修改
委員C：
1.未依照系上專題報告格式作排版與章節分頁
2.圖與表在本文正確引用並做適當的說明與分析
3.參考文獻內容與格式需調整
4.將第五章成果與結論分開為第五章成果與與第六章結論
委員D：
英文字部分請調整成TimeNewRoman字型
委員E：
1.參考文獻需按規定格式修改，部分文獻格式不統一，包含網址引用不全、標題未標明出版年分，建議統一APA或IEEE格式。
2.專題應用面稍微不足，遊戲以單人單機為主，尚未嘗試多人連線、多人合作、AI難度動態調整等更廣泛的應用場景設計。
3.專題技術成分過低，實作成果不足，雖有技能系統與靈魂碎片系統設計，但主要功能以基礎功能堆疊為主，少見創新遊戲機制或高複雜度程式結構開發。
17
16應用生成式人工智慧於圖像與影像生成平台AI-Driven Platform for Image and Video Generation Using Generative Models3委員A：
結論要寫完整
委員B：
實作與成果內容呈現過少//缺乏評估數據佐證系統效度
報告書格式需再按規定仔細修改
委員C：
1.摘要缺關鍵字
2.所有的圖需在本文正確引用並做適當的說明與分析
3.參考文獻太少且內容與格式需調整
4.實作內容未完整分析
委員D：
與某組相似度高，建議說明不同之處。
委員E：
1.參考文獻數量不足，參考文獻以模型技術為主，數量偏少（僅7篇），且部分為技術簡介，缺少應用層或系統設計層面研究文獻支撐。
2.實作與成果內容呈現過少，缺乏評估數據佐證系統效度，雖有功能列表與示範流程，但缺少系統效能量化數據，如翻譯正確率、生成圖像PSNR指標、影片推論延遲等客觀測試結果。
3.平台主要以整合現有模組為主，未深入優化如自訂ComfyUI節點流程、或LLM與生成模型之間的語義優化策略。
4.圖編號需修改，並與報告內文中一致，報告書格式需再按規定仔細修改，參考文獻需按規定格式修改。
18
17類魂2D動作遊戲—靈魂羈絆Souls-like 2D Action Game — Soul Fetters4委員A：

委員B：
報告書字型格式需再按規定仔細修改
很多圖表都有跨頁的問題
委員C：
1.圖1.1未在本文正確引用並做適當的說明
2.參考文獻內容與格式需調整一致(作者需要全列出，勿以etal.表示)
委員D：

委員E：
1.參考文獻數量不足，參考資料偏重基礎工具與技術手冊（如Unity手冊、TileMap說明），缺少遊戲設計理論或玩家行為分析相關的進階研究文獻，建議補充。
2.缺乏評估數據佐證系統效度，雖有玩家問卷調查，但缺少詳細數據分析，如不同場景切換流暢度、Boss戰鬥AI回應延遲測試等客觀量測。
3.專題深度不足，遊戲雖完成主要系統設計，但AI生成對話的RAG應用仍屬初步嘗試，且主要以Unity基本功能為主，技術創新度較低。
4.文獻標號混亂，且引用格式不一致，部分圖片說明過短或缺乏背景解釋。
19
18多模型與深度學習並行架構於智慧監控系統之研究Research on Parallel Deep Learning Architectures with Multi- Model Integration for Intelligent Surveillance2委員A：
1.應明確呈現並行執行的效能
2.結論有多餘?號
委員B：
專題技術成分略不足
委員C：
1.參考文獻需依序引用
2.圖3.5未在本文引用，且何謂"冷卻30秒後?"
3.更正結論"簡訊通知可於約（?）秒內完成"
4.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
委員D：
目錄格式混亂3.63.7沒有
委員E：
1.實作成果缺乏評估數據佐證系統效度，雖提供Precision、Recall、FPS等指標，但對簡訊通知準確率、實際多場景測試（不同光源、人群密度下效能變化）缺乏更全面性數據佐證。
2.專題應用面稍微不足，目前主要針對單場域單攝影機場景，尚未測試多鏡頭並行、多場域即時監控整合（如大型商場、智慧工廠部署需求）。
3.雖有超過30篇參考文獻，但以模型介紹與基本技術資料為主，缺乏更深入的智慧監控系統整合設計、異常行為偵測應用案例等實務文獻支撐。
20
19太陽能板缺陷模擬與檢測系統Solar Panel Defect Generation and Detection System2委員A：
缺乏資料集特徵探討分析。缺乏神經網路架構說明以及本專案採用該架構因素分析。未呈現訓練過程，有成果照片但未詳細評估結果並且對照哈希方法
委員B：
專題技術成分稍低，實作成果略不足
委員C：
1.修正圖與表編號格式，且所有圖與表皆需在本文做適當的說明與分析
2.方程式需括弧編號
3.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
委員D：
篇幅過少。
資料集缺少說明。
評估部分，缺少沒有GAN後與導入GAN後的比較。
無人機模擬部分與GAN的關係不明顯。
委員E：
1.雖引用19篇文獻，但較多為工具、平台介紹或基礎概念說明，較少直接探討太陽能板缺陷檢測系統實作案例或進階生成對抗網路應用文獻。
2.缺乏評估數據佐證系統效度，生成樣本與相似性比對有展示，但缺乏完整檢測系統針對瑕疵識別能力的定量評估。
3.專題深度稍微不足，主要聚焦於資料擴增與比對，缺乏如檢測模型建置、性能優化、異常篩選策略設計等技術深化。
21
20基於大語言模型的搜尋引擎最佳化研究A Study on Search Engine Optimization Based on Large Language Models3委員A：

委員B：
專題深度（技術成分）的描述稍微不足
委員C：
1.參考文獻需依序引用
2.所有圖與表皆需在本文做適當的說明與分析
3.參考文獻內容與格式需調整
委員D：
缺少評估，輸出表格太多太雜，缺少重點。缺少技術深度
委員E：
1.實作與成果內容呈現過少，缺乏評估數據佐證系統效度，主要以模型生成內容為主，但缺乏實際Google搜尋排名變化數據、點擊率（CTR）等量化指標佐證，無法完整驗證生成內容對SEO結果的影響。
2.參考文獻數量不足，總體僅引用8篇文獻，其中包含較多基本定義或概念性資料，缺乏較新且針對「AI自動化SEO生成」的學術或技術文獻引用，深度略顯不足。
3.專題深度不足，雖然探討SEO與LLM結合，但主要集中在標題、內文生成，比較缺乏進一步自動化流程技術深化。
4.專題應用面不足，系統尚未模擬大規模網站部署或批量內容生成場景，且未針對行動裝置優化、多語系SEO（i18n）提出更具體應用情境。
22
21單體式系統開發_以東海大學選課系統為例Monolithic system development- take the course selection system of Tunghai University as an example3委員A：
1.未展示作者宣稱的TDD的文件與紀錄，未證明先測試再驅動開發
2.本專題整合多個網頁使其功能一致，但似乎不是作者宣稱的MonolithicSoftware。
3.多張圖片字體極小無法閱讀(圖3.3資料庫架構ERD圖)
委員B：

委員C：
專題技術成分不夠深入，實作成果貢獻度不足
委員D：

委員E：
1.參考文獻數量不足，只引用12篇文獻，且大多為工具官方網站資料，缺乏更多探討單體式系統部署與高併發設計最佳實踐的學術性文獻，基礎略顯薄弱。
2.缺乏評估數據佐證系統效度，雖有JMeter負載測試結果，但缺乏如多節點併發測試、故障轉移（Failover）情境測試等更完整效能測試數據。
23
22結合注意力機制之FASPA-YOLO 與本地部署 LLaMA 模型的胸腔 X 光生成式 AI 診療平台A Chest X-ray Generative AI Diagnostic Platform Integrating Attention-Based FASPA-YOLO and a Locally Deployed LLaMA Model4委員A：

委員B：
報告書字型格式需再按規定仔細修改
參考文獻需按規定格式修改
委員C：
1.參考文獻需依序在本文引用
2.所有圖與表皆需在本文做適當的說明與分析
3.方程式需括弧編號
委員D：

委員E：
1.本專題成功結合FASPA-YOLO影像辨識與LLaMA語言生成技術，並進行本地端部署與4bit量化，系統完整度高、流程清楚。
2.雖列舉36篇文獻，但有不少為公開網站或資料集說明，針對FASPA-YOLO、Unsloth微調、醫療影像診療平台的最新學術文獻較少，研究基礎略有不足。
3.缺乏評估數據佐證系統效度，影像辨識部分提供混淆矩陣與召回率曲線，但語言模型輸出未有客觀的BLEU、ROUGE、BERTScore等語言生成評估指標佐證，缺乏完整多面向效能驗證。
24
23以DIFY生成式AI實作機器設備維修智慧客服Using DIFY generative AI to implement intelligent customer service for machine equipment maintenance3委員A：

委員B：
報告書字型格式參考文獻格式等等需按規定
專題技術成分稍低，實作成果略不足
委員C：
1.致謝詞先不要提及老師
2.參考文獻內容與格式需調整，且需依序在本文引用
3.所有圖與表皆需在本文做適當的說明與分析
委員D：
未按照規定隱藏致謝匿名。目錄格式混亂。通篇寫起來像技術文件，例如大量的第一人稱。
委員E：
1.本專題完整運用Dify平台，結合自訂義API、本地部署、多模態資料處理、FAISS向量搜尋，針對實際維修場景進行多輪實測驗證，有高度的實作與應用能力。
2.參考文獻數量不足，雖引用15筆以上文獻，但大多來自工具官方文件或GitHub說明，缺乏針對「企業級智慧客服系統本地部署實作」之相關學術研究文獻支撐，深度稍嫌不足。
3.缺乏評估數據佐證系統效度，雖有本地端知識庫測試與範例問答結果，但未搭配完整問答準確率、用戶體驗調查或系統負載測試等客觀效能指標。
25
24遊戲難度認知負荷：基於腦波動態調整應用Adaptive Game Difficulty Adjustment Based on Cognitive Load Using EEG Signals3委員A：
1.未展現腦波變化與遊戲之對應，無法評估是否完成本作品
2.第四章系統架構:未完整說明架構
委員B：
報告書字型格式需再按規定仔細修改
委員C：
1.部分圖與表未在本文引用並做適當的說明與分析
2.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
委員D：

委員E：
1.缺乏評估數據佐證系統效度，雖有問卷及腦波數據比對分析，但缺乏如即時遊戲反應時間、失誤率變化曲線、長時間遊玩下疲勞曲線等更細緻的量化佐證。
2.專題技術成分過低，目前腦波即時處理流程較為基礎，缺少如即時異常偵測（eventdetection）、自適應參數調整等進階功能。
26
25適用於肺部疾病之AI聽診器The AI Stethoscope for Pulmonary Diseases1委員A：

委員B：
實作與成果內容呈現過少//缺乏評估數據佐證系統效度
委員C：
1.系統功能測試實證不足
委員D：

委員E：
1.缺乏評估數據佐證系統效度，如混淆矩陣細部分析、各疾病類別錯誤率比較或交叉驗證曲線圖表補充，無法全面展示系統在多類別診斷下的穩健性​。
2.專題深度不足，系統整合性佳，但於模型優化層面（如超參數自動搜尋、資料不平衡處理、特徵工程深化）著墨較少，模型精緻化空間仍大。
27
26解 m,n,k 遊戲-以Connect 6對局遊戲為例On solving the m,n,k-Game: A Case Study of Connect 6 Board Game2委員A：

委員B：
報告書格式需再按規定仔細修改
專題技術成分過低，實作成果不足
委員C：
1.大部分圖與表未在本文正確引用並做適當的說明
2.方程式需括弧編號
3.修正圖與表編號格式
4.參考文獻格式需調整一致
委員D：

委員E：
1.參考文獻數量不足，參考文獻僅列出11篇，且多數聚焦於Connect6或基本m,n,k遊戲模型，缺少更近年的AlphaZero-MCTS、強化學習等研究引用。
2.缺乏評估數據佐證系統效度，雖有節點數與搜尋時間比較，但缺乏對不同棋盤尺寸、不同子數配置下的大規模效能分析，例如勝率測試、多場對局模擬結果統計。
3.專題技術成分過低，實作成果不足，尚缺乏如深度策略融合（AlphaZero-styleself-play）、自適應學習搜索權重等先進技術導入。
4.參考文獻需按規定格式修改，此論文較具有學術性，然部分文獻（如Wikipedia條目）不具學術性，且部分文獻格式未統一（缺頁碼、出版資訊）。
28
27雙階段高品質人臉與身體匿名化與一致性身份管理系統A Two-Stage Pipeline for High-Quality Face and Body Anonymization with Consistent Identity Management2委員A：
1.展示案例過少，應展示並說明指標計算與成果的關聯
委員B：
實作與成果內容呈現稍微不足
委員C：
1.摘要缺關鍵字
2.圖與表未在本文正確引用並做適當的說明
3.參考文獻需依序在本文引用
委員D：

委員E：
1.缺乏評估數據佐證系統效度，雖有FID、LPIPS、SSIM、FRProtection等量化指標，但缺少大規模測試資料集（如CelebA-HQ、LFW）的批量評估結果與多場景變異情境測試。
2.參考文獻需按規定格式修改，部分參考來源如Wikipedia（Gaussianblur）、Medium文章（FourierTransform應用）為非正式學術文獻，建議刪除或以正式期刊取代，雖引用20篇以上文獻，但多數集中於GAN、Diffusion模型與YOLO領域，針對實際隱私法規（如GDPR、HIPAA）與倫理規範相關研究補充不足。
29
28以立體成像及機械手臂支援桌球數位教練A digial table tennis coach based on stereo vision and robot arm3委員A：
1.報告格式混亂(章節標題字型統一用楷體，但有的是細明體)
2.對於遷移式學習，須討論原模型與新模型的遷移的特性
3.系統評估待補充完整
委員B：
報告書格式需再按規定仔細修改
委員C：
1.未依照系上專題報告格式作排版與章節分頁
2.圖與表需在本文正確引用並做適當的說明與分析
3.參考文獻內容與格式需調整；參考文獻需依序在本文引用
4.方程式需括弧編號
委員D：
4.4缺少評估後續說明，Thoroughput未提到。
委員E：
1.參考文獻數量不足，格式混亂，參考文獻雖涵蓋主要技術領域，但針對運動科學、智慧體育系統或物聯網運動應用方面的學術文獻較少。
2.缺乏評估數據佐證系統效度，雖有擊球成功率、傳輸延遲等指標，但缺少如多場次連續訓練效果、不同難度球路下的擊球成功率曲線等完整效能驗證數據。
3.專題深度不足，神經網路應用層面主要為基本分類與預測，未深入探討如時間序列建模（RNN/LSTM）、多模型融合（EnsembleLearning）等技術，目前重點在系統整合，若能導入如自動追蹤桌球、基於強化學習自我優化擊球動作等技術，將更具亮點。
30
29設計適用於灰階影像壓縮的改進式向量量化編碼法The Design of Improved Vector Quantization Technigue for Grayscale Image Compression2委員A：

委員B：
報告書格式沒有按照規定
實作與成果內容呈現稍微不足
委員C：
1.未依照系上專題報告格式作排版與章節分頁(第四章)
委員D：

委員E：
1.本專題針對向量量化（VQ）壓縮技術進行系統性的改良與實作，提出多種實驗設計，並以PSNR與SSIM等指標做系統性比較，完整展現了良好的實驗設計與分析能力​。
2.參考文獻數量不足，文獻共列15篇，其中多為早期經典資料（如1980年代VQ與BTC技術），針對近五年（例如基於深度學習或混合壓縮方法）研究的補充不足，建議擴充近期文獻。
3.缺乏評估數據佐證系統效度，雖有大量PSNR/SSIM表格比較，但缺乏更進一步如壓縮後檔案大小、演算法耗時（壓縮與解壓時間）等多角度效能分析。
4.圖片編號重複，如圖2.2
31
30從手動設計到自適應AI：遊戲難度調整的實驗性探討From Manual Design to Adaptive AI: An Experimental Exploration of Game Difficulty Adjustment1委員A：
1.在簡介與文獻探討多處提到"單人或是關卡"之難度調整，而專題內容應是敵人AI難度調整，建議釐清。
2.問卷如何與系統部分連結，問卷功能不明確
3.參考文獻出現"圖2.1..."，應該直接在該圖引用參考文獻標籤。
委員B：
實作與成果內容呈現稍微不足
委員C：

委員D：

委員E：
1.本專題從理論、系統建置到實驗設計皆完整，並且在手動設計與自適應AI之間建立了系統化的對比與檢驗。
2.參考文獻需按規定格式修改，文獻多以簡略方式呈現，部分來源未完整，雖有20篇，但偏重於RL技術與難度調整理論，針對大型商業遊戲導入DDA實務經驗的文獻仍較少，建議增加應用層面的補充。
3.雖有大量即時訓練圖表與問卷回饋，但缺乏在真實玩家群體中的廣泛測試。
32
31以特徵篩選支援透析不適長短記憶預測Feature Selection-Supported Prediction of Dialysis Discomfort Using Long Short-Term Memory2委員A：
1.應確認accuracy合理性,confusionmatrixerror案例過多
2.應說明資料欄位之意義，以及身體不適的相關欄位特徵。分析這些特徵與預測結果之關聯。
委員B：
報告書格式需再按規定仔細修改
委員C：
1.圖與表需在本文正確引用並做適當的說明與分析(圖4.1~4.3,4.9)
2.參考文獻內容與格式需調整(作者需要全列出，勿以etal.表示)
3.系統準確度欠佳
委員D：

委員E：
1.文獻內容較舊且缺乏近年研究成果，且引用格式需統一整理，文獻多偏重基礎機器學習理論，缺乏近五年針對醫療時間序列預測的最新文獻。
2.缺乏評估數據佐證系統效度，主要以混淆矩陣與準確率變化呈現結果，缺少如AUC、召回率、特異性等更完整效能評估指標​。
3.專題深度不足，LSTM架構設計基礎，未進一步嘗試BidirectionalLSTM、Attention等進階機制，技術深度仍有提升空間​。此外也缺少處理資料不平衡技術（如SMOTE），以及不確定性分析等更進階方法。
4.部分文獻雖列於最後，但正文中引用次數與討論比例偏低，應加強引用呼應
33
34
不通過：
35
序號題目(中文)題目(英文)人數審查意見
36
2基於學習率排程優化方法之研究：以古箏樂譜為例Research on Learning Rate Scheduling Optimization Methods: A Case Study on Guzheng Sheet Music3委員A：
1.使用那些內建之learningrate排程函數或是自己實作排程函數，應加以說明
2.應從音樂專家和聽眾的視角，探討生成樂譜的特徵，以及learningrate的影響
委員B：
報告書格式不符合規定
實作與成果內容呈現過少//缺乏評估數據佐證系統效度
委員C：
1.方程式編號需括弧()並儘量放在方程式同行的後方
2.圖與表需在本文提及並做適當的說明與分析
委員D：
文字充斥許多大陸用語，應盡量避免。
類似GPT生成格式，例如第二章。
缺少解釋資料集，題目是生成，與正確率關係為何？
衡量定義指標不明，是與本來樂譜的資料比還是？
委員E：
1.專題技術成分過低，僅為學習率排程策略比較，模型使用的是基本DNN，未結合適合序列資料的LSTM、Transformer等模型，無針對音樂資料特性做技術創新，整體技術內容太簡單，不符合專題的期待。
2.實作成果不足，雖有實驗結果（Loss曲線、Accuracy比較），但缺少完整的樂譜樣本呈現，也未有實際演奏驗證。實驗過程過於集中在數值指標（收斂速度、準確率），缺乏使用者端（音樂性、演奏性）效果評估。
3.無網站、APP或工具實作展示，僅是訓練模型與分析結果，應用成果面極度薄弱。
4.理論深度不足，學習率排程原理、古箏音樂特性、樂譜生成技術，介紹皆停留在簡單文獻整理層次，無深入推導或系統性分析。例如可以對古箏五聲音階、技巧特徵等做出理論模型設計。
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100