本研究旨在製作環保的奈米磨擦發電機，並提升其功率，本篇使用細菌纖維素替換奈米摩擦發電機中常用卻難以降解的塑膠摩擦材料，並透過乙醯化及檸檬酸交聯接上擁有高電子密度的官能基同時減少纖維素鏈間的氫鍵，搭配冷凍手法製作孔洞纖維素增加反應產率，試圖提升奈米摩擦發電機的發電效率。最終製成環保奈米摩擦發電機，提升其作為綠能的潛力。

脂多醣 (Lipopolysacchatide, LPS)是由格蘭氏陰性細菌所產生的一種內毒素，存在於細菌莢膜中，即細胞膜的最外層，在細菌死亡後，細胞壁被破壞，LPS才會被釋出。其具有維持細菌外膜以及誘發宿主細胞產生免疫發炎反應的功能；此外，近年來的研究也指出脂多醣會影響宿主細胞內的粒線體生合成，且與許多人類疾病的發生有關係，例如敗血症、神經退行性疾病、代謝失調、和肝臟疾病。 本研究將探討脂多醣和肝臟疾病的關係，透過研究經建立表達不同粒線體自噬相關報導基因之人類肝癌細胞株(Huh-7)，了解脂多醣對肝臟細胞內粒線體自噬機制的影響，以及該影響與引發肝臟相關疾病的關係。希望本研究可為失調性粒線體自噬引發之肝臟疾病的治療開闢嶄新的方法。

本研究源自2023 IMO Shortlist C1，探討在 m×n 棋盤中以2×2子格進行特定硬幣翻轉，目標為全盤朝上。我們首先證明僅當 m或n為3的倍數時操作才可行，並將規則推廣至任意 k×k 子格，得出需滿足3(k−1)整除m或n的條件。進一步研究斜排與階梯形翻轉，發現僅特定形式的m與n可行，對於更一般的k與盤面結構，目前僅能歸納推論，缺乏嚴謹證明。本研究驗證不同棋盤與翻轉規則的可行性，並提供多種構造解，未來將拓展至高維棋盤與最小操作次數等議題。

惡嗪酮(Oxazinanone)為一個含氮與氧的六元雜環，現今以其製成的藥品仍為少數，但其骨架依然具備運用於未來藥品的使用之潛能。 已有高產率合成惡嗪酮之方式，然鑒於其嚴苛的反應條件，為使此反應得以廣泛應用，我們嘗試於研究中使用焦碳酸二叔丁酯(Boc2O)合成惡嗪酮。研究發現，我們預期的方法確實能在產率合理下以溫和的條件合成惡嗪酮骨架，其中以2,3-二甲基取代基為起始物之產率尤為優異，但由於TBAB殘留問題，無法得到精確產率，期盼未來研究可著手改善此問題，而讓這條全合成路徑更經濟實用。而透過改變催化劑亦提供我們推測其反應機構，但仍期盼未來能以立體化學得到更多證據證明反應機構。

本研究主要在探討不同反應條件對於銅氨纖維合成的影響，透過改變不同的因素(如：纖維來源、銅來源、銅氨纖維混合液注射方式以及濕式紡絲液濃度等)作為操作變因，模擬在工業操作中各組件的運作過程，探討變因對於銅氨纖維的生成、纖維表面平整度與拉伸強度的變化。本研究顯示纖維素的種類會對銅氨纖維 成型造成影響，選用不同的銅原子來源會影響銅氨錯離子的生成進而影響纖維的生成，所使用的濕式紡絲成形液濃度也會對銅氨纖維成型有所影響。

本研究針對2024年花蓮地震後災難現場人員管控問題，開發「AI災後現場守護通」系統。研究動機源於觀察到非救災人員擅闖管制區域，危及自身，更影響救援效率。本系統採用Google Gemini API進行影像辨識，透過Arduino開發板整合攝影模組，即時辨識救災人員與非救災人員，並透過LINE BOT發送通知。 研究分兩代系統開發：第一代使用NMK99開發板，日間準確率達86.7%，但夜間僅64.4%；第二代改用AMB82mini開發板，增強夜視功能與離線警報（LED燈+蜂鳴器），日間準確率提升至94.4%，夜間達85.6%，整體平均90.0%，反應時間在3秒內。 本研究創新結合AI視覺辨識與物聯網技術，建立零訓練即可部署的災後管理系統，不僅適用於地震，亦可延伸至其他災難場景，為災難管理提供科技解決方案。

現今運輸與物流系統消耗大量能源，造成高碳排放。本研究開發創新磁浮動力輪，旨在降低能源消耗並提升運行效率。研究結合三大核心技術： (1) Bedini馬達電能回收，延長續航力； (2) 慣性滾珠旋轉能，減少電力消耗，提升效率； (3) 側邊磁浮導引系統，減少摩擦，提升行駛平穩性。 實驗顯示，Bedini馬達能有效回收電能，慣性滾珠使行駛距離提升31%、側邊磁浮導引讓滑動阻力下降16%，且能減少晃動，提高穩定性。本設計具模組化與延展性，未來可應用於智慧物流、無人工廠與綠色交通系統，是具前瞻性的節能推進技術。

研究結果顯示討論式領導網路結構較為集中，互動性高、資訊流通快，可有效提高學習自我效能，但高度依賴核心成員，網路穩定性受限，適合需團隊合作課程。 放任式領導網路結構分散，成員自主性高、創造力強，但整體成效受學生自我管理能力影響大，且成員參與度不足、信息傳遞效率低，影響團隊的協同效應，導致自我效能提升不顯著較適合具高度自律的學生和開放性目標課程。 權威式領導網路結構集中，信息決策速度快，具高替代學習效果，但信息高度集中，限制學生自主性和創造力，較適合需明確結構與快速掌握知識的課程。綜合而言，領導方式沒有絕對優劣 ，可依任務性質與個人特質，選擇最適合的領導模式與小組合作方式，以達最有效的學習成果 。

本研究著重於透過面部表情的判斷進而推斷情緒狀態的深度學習神經網路模型。首先，將人類的情緒狀態分為七個類別，並透過MediaPipe框架取得影像中的臉部特徵位置，利用其座標框定臉部範圍並作為深度學習模型的輸入。第二，透過部不同特徵訓練模型，進一步優化模型識別情緒的準確度，並嘗試不同的特徵，例如：趨勢曲線函數的係數或是各種向量。最後我們設計了一個插件，利用此模型在Google Meet中進行即時的影像辨識並分析，作為線上課程的授課成效評估。 目前本模型在透過五層卷積層配合池化層及全連階層，並提取瞳孔眉毛向量、瞳孔鼻尖向量以及口部中心為基準點的向量作為特徵，能夠有84%的準確度，F1值落在約85，其中快樂情緒的辨識精準度高達98%。

本研究旨在開發一套以影像辨識為主、結合生理徵象監測之「工業廠房作業人員智慧型即時安全監控與危害預防平台」，以實現對作業人員 的即時保護與風險預警，成為基層勞工免於職災威脅守護者，保障工作權益的最佳防線。 此平台具備多工作場域模組化功能，首先以重電設備場域作為研究起點，透過有限狀態機（FSM）架構，系統性地建立作業流程的狀態圖。平台結合YOLO模型於狀態圖之啟始狀態進行防護裝備穿戴辨識，預防狀態之設備通電警示，作業狀態則以長短期記憶神經網路（LSTM），搭配心率與聲音感測器偵測。 此外，本研究亦於車床機械與高處施工場域展現良好的監控預警與可擴性成效。未來期望進一步推廣平台至更多工業環境，提升整體職場安全管理之智慧化。