本研究開發「智慧校園GO」網頁系統，平時提供校園三種策略導引(最短路徑/最低打擾/無障礙路線)功能，當遇上校園霸凌、學生群聚、火災、菸害、陌生訪客闖入監控等緊急事件，則啟動Level 0(最低)到Level 2(最高)的警報分級，通報相關人員、紀錄當下影像或數據，規劃「無障礙」或「最短路徑」進行即時處置。系統採響應式介面(模式切換、模糊搜尋)、地圖箭頭顯示，樓層動畫與實景照片呈現，支援自動起點及模擬定位。後端整合ESP32感測、YOLO 影像辨識，以Dijkstra演算規畫路徑。實測顯示，霸凌警示準確率95%、群聚辨識正確率92%，介面易用性取得4.1/5的分數，而「影像辨識偵測行為」功能取得4.7/5的高分肯定，展現智慧校園GO系統於即時警示與校園安全的實用價值。

健身房四處林立，健身為現代人所崇尚的活動，人們知道健身的益處，但須持之以恆才能享受，否則容易受到傷害。根據研究證實適當運動對身體的益處大於壞處。傳統啞鈴只是一種健身器材，但也是最佳器具之一，然而每次操作時使用者須自行計算次數，使遺漏次數、多算次數等問題層出不窮，容易造成使用者心理負擔和增加運動傷害的可能性。在作品中我們將啞鈴結合科技，使用時在啞鈴或手機設定次數，啞鈴即可幫助使用者計算次數，也能糾正使用者動作是否標準，當達到設定次數時，啞鈴會發出聲音提醒使用者。系統以ESP32為主控器，搭配6軸加速度感測器偵測慣性運動，介面設計有HMI、心率感測器及藍芽無線傳輸控制，再經由手機APP程式記錄操作者每次運動姿態。

本研究提出一套結合BERT模型與自訓練分類器的失語症分類系統，透過多個方法及參數組合提升判斷精確性。研究靈感來自櫻井等人(2023)[15]提出的BERT分類模型，並參考Cong et al.(2024)[5]針對大型語言模型(LLMs)在臨床環境中的應用，進一步探索自訓練分類器在增強BERT判別能力方面的潛力。 本研究的創新點在於，模型基於醫生標註的分類結果進行深度學習，而非讓AI直接從語料中自動分類病患類型，這與先前主要依賴LLMs自動分類的方法不同。此外，本研究納入詞性、語法結構與語音長度及肢體語言標記，以提升模型的處理能力與個人化治療。 考慮語料庫規模及醫學倫理，本研究採用AphasiaBank(全球最具權威的語料資源之一)的英文訪談文本進行模型訓練，同時移除所有個人隱私資訊。

本研究目的在發展簡易快速的熱島效應強度估算方法，利用氣象署地面測站的網格化資料，排除高度對氣溫的影響後，找出都市範圍中的最高、最低溫數值，分析臺北、臺中、臺南及高雄四座城市的長期熱島效應強度變化趨勢。 我們發現各城市熱島效應變化趨勢有不同特徵。臺北及臺中的熱島效應強度在63年間有增加趨勢，但臺南及高雄未見增強，這可能與人口數及都市發展相關；臺中熱島效應強度具有最明顯的季節變化，這與季風和地形相關。臺中火力發電廠及臺南科學工業園區的運轉與建設皆造成當地區域氣溫上升，導致最高溫位置的改變。 本研究提供臺灣四個直轄市的熱島效應長期變遷資料，也為未來面對城市氣候的調適策略提供科學依據。

本研究整合光介電泳(Optically-induced dielectrophoresis；ODEP)與微流體技術，通過修改微流體晶片內的光照圖案光照強度、角度來改變作用於微粒的ODEP力強度與角度，並透過層流流體控制來嘗試實現三種不同半徑(5.8μm、 10.8μm與15.8μm）塑膠微粒的自動化分離與收集。

本研究目的在創建有效降低校園走廊奔跑的警示系統，以AI糾察隊取代人力。第一代利用micro:bit加速度感測器，以強度>2800成功判斷跑步行為並發出警示。第二代使用micro:bit、麥坤智能車及超音波感測器製作走廊跑步監測器，記錄時間差來判斷跑步與否，不僅找出學生走廊奔跑速率的邊界條件－兩機器距離60公分，時間差240毫秒，還突破測速照相單向偵測的限制。第三代用AI影像辨識與預訓練人體模型的OSEP平臺－它每0.2秒偵測鼻子X座標位移是否介於180~300，以此速率規則判斷是否奔跑。結果顯示，跑步辨識準確率達94%，還讓走廊奔跑率從71%降到48%，更建立即時通報系統，防治效果顯著。

為揭開「為何有的麵團彈牙、有的卻軟趴趴」的謎團，從發酵時間下手，結果發現時間越長，彈性和韌性就像漏氣的氣球般漸漸消失。那加多一點酵母呢？實驗後麵團反而更無力，像睡過頭一樣軟趴趴，我們驚覺，發酵速率才是關鍵！ 轉向冷藏發酵，意外發現經過低溫「歷練」後的麵團更有韌性。接著加小蘇打，結果像打散的沙堡，彈性全失，推測是麵團原本的結構被破壞。 於是我們改走「澱粉之路」，發現加入富含支鏈澱粉的糯米就像讓麵團裝上彈性肌肉，彈性與韌性大大提升！而後經多次實驗調整比例，成功找到最佳配方。 最後設計「嚼勁實驗」，結果證實彈性與韌性與實際咀嚼感呈正相關。我們也將持續探索這條「麵團之路」，發掘更多有料又好咬的美味秘密！

本研究探討改良meArm機械手臂，自製不易傾倒、效能追蹤及發電效率三特質之太陽光源追蹤器的可行性，期待結合太陽軌跡運行模式與光敏電阻降低轉向電能消耗。我們探討感測器、太陽能板及周圍環境如何影響發電 效率。以高亮度LED燈模擬太陽，數位萬用表測量電流及電壓，藉以判斷發電效率。總整超過49種太陽光源追蹤器配置及超過441筆實驗記錄，結果顯示：環境溫度25 ℃以下，太陽能板用塑膠片覆蓋，並以廚房紙巾清潔；配置3個離太陽能板高度0cm，透明膠帶遮蓋的光敏電阻，發電效率最佳。本研究成功運用市售創客玩具自製太陽光源追蹤器。應用於非中午時段的戶外，可較固定式太陽能板增加約2 0~40%的發電量，期待藉此激盪人們關注提升太陽能發電效率的方式。

平行四連桿機構廣泛應用於機械手臂中，若於桿件上加掛橡皮筋，可顯著降低轉動所需力矩，實現節能。然而，現有設計多依賴經驗與試錯法，缺乏系統化方法。本研究開發出高直觀性橡皮筋平行四連桿輔助設計程式，能提升機構設計效率與準確性。透過建立橡皮筋施加於連桿的數值分析力矩模型，並透過實驗數據對彈力常數進行非線性修正，提高模型有效性。同時，構建綜合指標以評估系統性能，並運用基因演算法搜尋最佳參數組合。實驗結果顯示，運用輔助設計程式尋找橡皮筋的最佳掛置點，能抵銷高達99%連桿所需做功，展現極高應用潛力。未來將納入轉動慣量與摩擦力，進一步提升模型現實性，並推廣至其他四連桿機構設計，為機械系統節能提供全面解決方案。

隨著台灣在奧運羽球雙打再奪金牌後，更多台灣人想嘗試這項運動。為提升新手學習效率，本研究旨在開發一套幫助新手透過手機進行姿勢矯正的軟體。首先，本研究選擇BlazePose模型當作人體姿態辨識模型，並訓練MLP、KNN及YOLO等姿勢分類器。其中，KNN分類器在影片姿勢分類表現最佳，準確率達94.80%。此外，本研究設計Ball In Ball Out流程可偵測羽球並自動剪輯單一打擊片段，準確率為95.89%。經上述多模態資料分析後，再檢查常見錯誤姿勢及比對專家姿勢差異，最終LLM給予使用者姿勢錯誤矯正建議。羽球專家對姿勢矯正建議的平均認同百分比達82.40%，羽球新手達81.16%。