為符合老人需求及身心障礙者照護需求，行政院於2007年通過「我國長期照顧十年計畫」應對政策，從2007年至2016年間的「長照1.0」，到2017年上線的「長照2.0」，面對即將到來的「長照3.0」，透過機器學習的方法，探討潛在的發展的議題，採用主題模型分類國內、外長照相關文獻資料，分類文章並產生主題。
本論文透過結合深度非負自動編碼（Deep Non-negative Autoencoder ,DNAE）演算法與在線學習模式的主題模型，探索隨著時間的推移主題演變狀況，使用長照相關之國內外論文為資料集。依據模型實驗結果，此方法可以即時更新模型，取得各時間段的主題，再透過網路圖觀察主題演進，詞彙擴展則可透過熱點圖及Jensen–Shannon Divergenc計算距離的等方法來觀察，以達成探討長照主題演進及詞彙擴散的目標。

To meet the needs of the elderly and individuals with disabilities, the Executive Yuan approved the "Ten-Year Long-Term Care Plan" in 2007. This plan includes the "Long-Term Care 1.0" phase from 2007 to 2016 and the "Long-Term Care 2.0" phase, which was launched in 2017. As we approach the "Long-Term Care 3.0" phase, this study explores potential development issues through machine learning methods. It employs topic modeling to classify domestic and international literature related to long-term care, categorizing articles and generating topics.
This paper combines the Deep Non-negative Autoencoder (DNAE) algorithm with an online learning model to explore the evolution of topics over time, using a dataset of domestic and international long-term care-related papers. According to the experimental results of the model, this method can promptly update the model and obtain topics for each period. The evolution of topics can be observed through network diagrams, while vocabulary expansion can be tracked using heat maps and Jensen-Shannon Divergence distance calculations. This approach achieves the goal of exploring the evolution of long-term care topics and the diffusion of related vocabulary.

論文審定書 i
摘 要 ii
Abstract iii
圖 次 vi
表 次 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
第二章 文獻探討 3
2.1 長期照護概況 3
2.1.1 長期照護定義 3
2.1.2 臺灣長期照護發展歷程 3
2.2 機器學習 Machine Learning 5
2.2.1 非負矩陣分解 Nonnegative Matrix Factorization 5
2.2.2 時間序列主題模型 Time series topic model 6
2.3 深度學習 Deep learning 7
2.3.1 自動編碼器 Autoencoder 7
2.4 在線學習 Online Learning 8
第三章 研究方法與步驟 10
3.1 研究流程與方法 10
3.1.1 文獻資料蒐集 11
3.1.2 建立研究模型 12
3.2 評估標準 15
3.2.1 詞彙擴散程度 15
3.2.2 主題演進的可視化 16
3.3 流程架構 17
第四章 實驗結果與分析 19
4.1 主題與詞彙 19
4.2 視覺化主題關係及演化 20
4.3 詞彙的擴散 22
第五章 研究結論與建議 24
5.1 研究結論 24
5.2 研究限制 24
5.3 未來建議 24
第六章 參考文獻 26
附錄A 30
附錄B 43

(0829更新)衛生福利部_長照2.0懶人包.pdf. (不詳).
蔡璧竹. (2022). 日本社區整合型照護體系演進對臺灣長照政策之啟示. 社區發展季刊, 179期.
杜秀秀. (2013). 長期照顧政策模型的發展─稅賦制、保險制之比較分析. 142 期. https://www.sfaa.gov.tw/SFAA/Pages/ashx/File.ashx?FilePath=~/File/Attach/2857/File_3402.pdf
法務部. (2021, 六月 9). 長期照顧服務法-全國法規資料庫. https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=L0070040
國家發展委員會. (不詳). 出生率及死亡率趨勢—人口推估統計查詢系統. 讀取於 2022年11月27日, 從 https://pop-proj.ndc.gov.tw/chart.aspx?c=1&uid=61&pid=60
國家發展委員會. (2022, 八月). 三階段年齡人口結構—人口推估統計查詢系統. https://pop-proj.ndc.gov.tw/chart.aspx?c=18&uid=4112&pid=60
弘光科技大學. (2014). 探討韓國長期照護保險之照顧管理制度 (衛生福利部 102 年度「探討實施長期照護保險國家之照顧管 理制度」; (分項計畫四：探討韓國長期照護保險之照顧管理制度).
立法院第69卷 第04期公報. (不詳). 讀取於 2024年1月9日, 從 https://ppg.ly.gov.tw/ppg/PublicationOfficialGazettes/download/communique1/final/pdf/lib/69640400.pdf
立法院第69卷 第41期公報. (不詳). 讀取於 2024年1月9日, 從 https://ppg.ly.gov.tw/ppg/PublicationOfficialGazettes/download/communique1/final/pdf/lib/69654100.pdf
立法院第83卷 第54期公報. (不詳). 讀取於 2024年1月9日, 從 https://ppg.ly.gov.tw/ppg/PublicationOfficialGazettes/download/communique1/final/pdf/lib/835400.pdf
衛生福利部. (2016a). 長期照顧十年計畫2 0. https://www.mohw.gov.tw/dl-46355-2d5102fb-23c8-49c8-9462-c4bfeb376d92.html
衛生福利部. (2016b, 九月). 衛福/衛福季刊—衛福_第10期. http://www2.mohwpaper.tw/inside.php?type=history&cid=325&pos=c
衛生福利部. (2018). 106年調查報告-106年老人狀況調查. 衛生福利部. https://www.mohw.gov.tw/dl-70609-64499d44-6d1f-408e-a449-6af459b7cd17.html
行政院. (2016, 九月). 推動長照十年計畫2.0 [Text/html]. 2.16.886.101.20003; 2.16.886.101.20003. https://www.ey.gov.tw/Page/448DE008087A1971/aa69f5ba-4fc4-4825-9ba8-c93588dcbc86
張賢政. (2023). 德國及荷蘭長期照顧政策及服務考察報告 [考察報告]. 基隆市衛生局.
Bank, D., Koenigstein, N., & Giryes, R. (2021). Autoencoders (arXiv:2003.05991). arXiv. http://arxiv.org/abs/2003.05991
Blei, D. M. (2003). Latent Dirichlet Allocation.
Blei, D. M., & Lafferty, J. D. (2006). Dynamic topic models. Proceedings of the 23rd international conference on Machine learning, 113–120. https://doi.org/10.1145/1143844.1143859
Brunton, S. L., & Kutz, J. N. (2019). Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control (1 本). Cambridge University Press. https://doi.org/10.1017/9781108380690
Hoi, S. C. H., Sahoo, D., Lu, J., & Zhao, P. (2018). Online Learning: A Comprehensive Survey (arXiv:1802.02871). arXiv. http://arxiv.org/abs/1802.02871
Huang, S.-T., Kang, Y., Hung, S.-M., Kuo, B., & Cheng, I.-L. (2020). Topic Diffusion Discovery based on Deep Non-negative Autoencoder. 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI), 405–408. https://doi.org/10.1109/IRI49571.2020.00067
Jing, L., Zbontar, J., & LeCun, Y. (2020). Implicit Rank-Minimizing Autoencoder (arXiv:2010.00679). arXiv. http://arxiv.org/abs/2010.00679
Kang, Y., Lin, K.-P., & Cheng, I.-L. (2018). Topic Diffusion Discovery based on Sparseness-constrained Non-negative Matrix Factorization (arXiv:1807.04386). arXiv. https://doi.org/10.48550/arXiv.1807.04386
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. https://doi.org/10.1038/44565
Ognyanova, K. (不詳). Network visualization with R.
R Core Team. (2016). R: A Language and Environment for Statistical Computing [Software]. R Foundation for Statistical Computing. https://www.R-project.org/
Ram, K., & Broman, K. (2014). aRxiv: Interface to the arXiv API (頁 0.10) [Dataset]. https://doi.org/10.32614/CRAN.package.aRxiv
Robinson, J. S. and D. (不詳). Welcome to Text Mining with R | Text Mining with R. 讀取於 2024年7月2日, 從 https://www.tidytextmining.com/
Tu, D., Chen, L., Lv, M., Shi, H., & Chen, G. (2018). Hierarchical online NMF for detecting and tracking topic hierarchies in a text stream. Pattern Recognition, 76, 203–214. https://doi.org/10.1016/j.patcog.2017.11.002
Wang, C., Blei, D., & Heckerman, D. (2015). Continuous Time Dynamic Topic Models.
Wang, X., & McCallum, A. (2006). Topics over time: A non-Markov continuous-time model of topical trends. Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 424–433. https://doi.org/10.1145/1150402.1150450
WHO. (2022, 十二月 1). Long-term care. https://www.who.int/europe/news-room/questions-and-answers/item/long-term-care
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org
Xu, W., Liu, X., & Gong, Y. (不詳). Document Clustering Based On Non-negative Matrix Factorization.