Browsing by Author "Lin, Wei-Ting"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    從世代理論觀點探究高中公民教師的敘事認同
    (2021) 林威廷; Lin, Wei-Ting
    臺灣自1980年代末以來經歷政治民主化、自由化、本土化，教育改革和公民課程改革亦隨之進展。長期以三民主義和公民課程為主的高中公民教育持續轉型，並在2000年代由具社會科學知識和公民資質培育性質的公民與社會課程取代，這些變化形塑了不同世代公民教師的經驗和認同。本研究旨在藉由兩位出生於1970年代初、經歷臺灣民主轉型期的高中公民教師的生命史敘事，探究他們的敘事認同。本研究採用Mannheim世代社會學的理論觀點，並以現象學訪談法探究兩位公民教師對臺灣政治社會變遷、教育改革、公民課程改革的理解。本研究發現兩位教師在政治社會化歷程中形塑各自獨特的政治認同和世代認同，並在其中習得社會科學專業知識、增進對社會變遷的認識而成為教師。教育政策和制度變化也對兩位教師的職涯產生不同影響，他們在公民教師換證、參與學科中心、投入或抗拒不同課綱的實踐中開展民主化和多元化的教師專業化歷程。他們追求本土化和民主價值、對抗意識型態灌輸的個人政治認同鑲嵌於教師專業認同中，這些認同也展現於他們課室外的行動和課室內的教學實踐。在考量自身專業經歷與職涯，意識到自己與新世代公民教師的世代差異後，兩位教師在108新課綱的改革中投入不同方向。
  • No Thumbnail Available
    Item
    應用Jigsaw合作學習於STEM教學策略：以學習物聯網為例
    (2022) 林威廷; Lin, Wei-Ting
    STEM（Science, Technology, Engineering, Mathematics）教學策略中，學生常因需要同時學習數個領域知識造成學習困擾；透過Jigsaw合作學習，小組成員可以到不同的「專家小組」學習某個領域知識，然後回到原小組把習得的知識分享給其他成員，可以有效降低前述困擾。本研究探討應用Jigsaw合作學習於STEM教學策略的成效，學習內容選定應用物聯網於PM2.5空氣污染的偵測。本研究採準實驗研究法，研究參與者為北部某國小六年級的104位學生，共四個班級，其中兩班為實驗組，共51位學生，施以Jigsaw合作學習；另兩班為對照組，共53位學生，採傳統合作學習。實驗實施共計五堂課，並以學習態度問卷、成就測驗與半結構訪談蒐集學生學習資料。研究結果顯示，整體而言，兩組學生在學習態度上並無顯著差異；但相較控制組學生，Jigsaw合作學習組學生認為學習活動有助於理解物聯網及空氣污染等知識。Jigsaw合作學習組學生的學習成就顯著優於控制組，但也發現學生對於Micro:bit與簡報軟體等的操作感到困擾。建議未來研究可改善本研究Jigsaw合作學習教學設計問題，並精進STEM教材設計，以提升學生之學習態度。
  • No Thumbnail Available
    Item
    探究新穎深度學習方法於中英文混語語音辨識之使用
    (2021) 林韋廷; Lin, Wei-Ting
    在多語言社會中易有一段對話中包含了多種語言的情形發生，不僅是多語言社會，甚至是單語言社會也受全球化的影響，對話中常參雜一些其他語言，這種現象稱為語碼轉換(Code-Switching, CS)。在CS自動語音辨識(Automatic Speech Recognition, ASR)中，需要同時辨識出兩種或更多種的語言，但又與多語言語音辨識不同，語者除了在句子間轉換語言外，更常在句子內進行轉換，所以也在最近被視為一個難題而被關注。本論文的研究分為兩個方面，分別為端對端和DNN-HMM混語語音辨識之改進方法，前者著重於增強中英文混語語料庫SEAME。我們採用了前陣子提出的模型Conformer，並設計語言遮罩(language-masked) multi-head attention架構應用到解碼器(decoder)端，希望讓各自的語言能學到其獨立的語言特性並強化其單語言的辨識能力。另外，為了防止模型學出的中文和英文特徵向量相近，而將三元組損失(Triplet loss)用於訓練模型。後者我們提出多種不同階段的語言模型合併策略以用於企業應用領域的多種語料。在本篇論文的實驗設定中，會有兩種中英文CS語言模型和一種中文的單語言模型，其中CS語言模型使用的訓練資料與測試集同一領域(Domain)，而單語言模型是用大量一般中文語料訓練而成。我們透過多種不同階段的語言模型合併策略以探究ASR是否能結合不同的語言模型其各自的優勢以在不同任務上都有好的表現。在本篇論文中有三種語言模型合併策略，分別為N-gram語言模型合併、解碼圖 (Decoding Graph) 合併和詞圖 (Word Lattice) 合併。經由一系列的實驗結果證實，透過語言模型的合併的確能讓CS ASR對不同的測試集都有好的表現。而端到端混語語音辨識之方法於測試集上的字符錯誤率(Token Error Rate, TER)並沒有顯著的進步，但透過其他數據分析發現我們的研究方法仍有些微效果。