文學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/2
院成立於民國44年，歷經50餘年的銳意發展，目前設有國文、英文、歷史、地理、臺文等5個學系、翻譯和臺灣史2個獨立所，以及全球華人寫作中心和國際臺灣學研究中心。除臺史所僅設碩士班，其餘6個系所均設有碩、博士班；目前專兼任教師近250人，學生約2500餘人。
本院早期以培養優秀中學國文、英文、歷史和地理教師為鵠的，臺灣中學語文和史地教育的實踐與成功，本院提供不可磨滅的貢獻。近年來，本院隨師範體系轉型而調整發展方向，除維持中學師資培育的優勢外，也積極朝理論研究和實務操作等面向前進。目前，本院各系所師培生的教師檢定通過率平均在95%以上；非師培生在文化、傳播、文學、應用史學及環境災害、地理資訊系統等領域發展，也已卓然有成。
本院各系所教師的研究能量極為豐富，參與國內外學術活動相當活躍。根據論文數量、引用次數等指標所作的學術力評比，本院居人文領域全國第2名。各系所之間，無論是教師的教學與研究，或學生的生活與學習，都能相輔相成、榮辱與共，彼此渾然一體，足堪「為師、為範」而無愧。
News
Browse
6 results
Search Results
Item 探究一位高中英文教師如何透過議題式導向教學促進學生的深度學習(2024) 黃鑫喻; Huang, Hsin-Yu臺灣的十二年國民基本教育課綱強調全人教育，因此每一門科目和學校的課程設計都很重視核心素養；然而，如何培養學生的素養尚未明確規定。教師也需要付出許多心力來思索該如何將教學與世界接軌。如今，越來越多英文老師採用議題融入式教學來促進學生的深度學習，因為議題其本身的特性便能夠使學生將知識與世界串連、發現不同的觀點、分析每個選擇背後的價值觀，因此，使用議題融入式教學可以整合學生的學習，避免知識的碎片化。本研究採質性設計，旨在尋求合適的教學方法和實例，用以提供未來教師將議題融入教學的方式以及培養學生深度學習和素養的養成。本研究主要資料收集方式包括觀察一位具相關豐富經驗教師所授的兩門多元選修課程，以及訪談該名教師對深度學習和議題融入式教學的認知。資料收集後，研究者使用開放式編碼以及課堂互動評估系統中的教學支持面向作為預設編碼來分析資料。研究結果顯示，教師的教學可以分為三個面向，且這三個面向亦與本研究中對深度學習的定義相符：（1）促使有意義學習的教學、（2）增強學習遷移的教學、（3）培養學生素養的過程。綜上所述，本研究認為議題融入式教學有助於學生與世界連結、建構更全面的情境、培養學生的素養，引導他們進行深度學習。Item 以深度學習理論進行戶籍人口推估(2024) 洪紹予; Hong, Shao-Yu人口資料於各學科與領域皆有使用上需求，其中地理學注重於討論人口資料於空間上分佈位置。近年來隨著政府資料公開，Open Data可取得人口資料最精細尺度為最小統計區，但台灣政府受限於法治規定，無法開放戶籍門牌尺度人口資料。更精細的人口資料可以減少人口推估誤差，一直以來都有此需求。近年來由於電腦硬體技術提升，使深度學習理論再次受到重視與使用。近期人口推估研究也開始使用深度學習理論進行人口推估。本研究使用分區密度法，多層感知器與卷積神經網路，分別建立三種人口推估模型。並使用容積率、建蔽率、樓地板面積樓層高度、建物型態、國土利用調查成果圖、都市計畫土地使用分區圖等資料做為模型訓練因子，最終產製出5公尺人口網格資料，並與戶籍人口資料進行驗證比對。研究結果顯示卷積神經網路人口推估模型推估結果最為優秀，模型訓練表現優於多層感知器人口推估模型，卷積神經網路人口推估模型Adjusted R2可達0.72585。採用深度學習方法人口推估模型與採用傳統方法人口推估模型相比，更不容易出現極端人口高估與低估現象。Item 中文網路留言之幽默偵測(2023) 朱曼綾; Ju, Man-Ling本研究旨在探討利用深度學習模型(deep learning)對於台灣網路論壇—批踢踢實業坊(簡稱 PTT 論壇)上推文(論壇中對留言的稱呼)的中文幽默文本分類。文中結合了失諧理論(Incongruity Theory)、貶抑理論(Disparagement Theory)及釋放理論(Release Theory)並提出幽默是由違反行為(behavioral violation)及邏輯/溝通(logical/maxim violation)上的原則所形成。本研究於兩種層次的語境中找尋行為及溝通違規以進行幽默分類。第一種語境為推文裡的局部語境(local context)；第二種語境為整個文章及推文互動的全局語境(global context)。研究結果發現，相較於使用詞袋特徵(bag-of-words)的傳統機器學習模型，利用局部語境資訊的 BERT 模型可以提升模型表現。當 BERT 模型使用全局語境時，語境資訊的提取方式則對模型表現有不同影響。當模型提取原始的全局語境資訊時，模型表現沒有進步，而經過注意力機制對文章各部分進行重新賦權後，模型表現則有微幅提升。本研究亦從事後分析獲得幾項發現：一，就幽默推文來說，局部語境常出現某些討論主題。二，推文確實與文章某些部分有較緊密的連結。三、文章與幽默推文的連貫性較低，此發現支持了幽默裡的失諧現象，即透過轉換看待事物的視角來製造幽默。Item 使用深度學習方法建立崩塌判釋模型(2023) 許恆瑜; Hsu, Heng-Yu崩塌災害對於居民造成財產和生命的威脅，同時也對下游水庫、河道輸砂和農業等方面造成影響。因此，若能快速且準確地掌握崩塌位置及其影響範圍，對於執行正確的減災策略和後續的整治工作至關重要。本研究使用深度學習方法對谷關水庫集水區進行崩塌判釋，並比較了不同輸入資料的模型表現差異，同時比較了深度學習方法與支持向量機的精度差異。研究結果顯示，深度學習方法進行崩塌判釋係具可行性，本研究使用衛星影像光譜值作為模型輸入資料，且加入不同崩塌影響因子，深度學習模型在測試集之F1-score介於0.75至0.81，精確率介於0.73至0.80，召回率介於0.77至0.85，整體表現良好。其中，當輸入資料加入平面曲率因子階段為最適選，F1-score為0.80，精確率為0.75，召回率為0.85，可成功判釋出85%衛星影像中崩塌類別。本研究亦比較深度學習方法和支持向量機模型表現。研究結果顯示，深度學習模型表現皆優於支持向量機模型。其中，於深度學習模型中加入平面曲率因子階段表現為最佳，F1-score為0.75，精確率為0.76，召回率為0.74，並於研究中發現深度學習模型判釋出的像素雜異點較少，不需額外處理雜異點問題，係使用深度學習模型優勢之一。Item 應用深度學習與給水管戶籍化演算法統計分析漏水潛能(2022) 陳佳瑩; Chen, Chia-Ying臺灣降雨分布在地理位置與地形等時間及空間因素影響下，水資源難以保存，每逢枯水期「水」尤顯珍貴，除在平時呼籲民眾節約用水外，如何有效降低漏水率亦是一項重要的課題，本研究旨在探討如何規劃管線汰換區域與預測漏水位置以降低管網漏水率(研究範圍：臺北自來水事業處供水轄區)。本研究提出以邏輯斯迴歸(Logistic regression)與深度神經網路(Deep Neural Networks，DNN)演算法，針對給水管過去16年來修漏資料與現行給水管線空間資料分析漏水潛能影響特徵，透過演算法學習產生模型計算每支給水管漏水潛能，再搭配「給水管戶籍化演算法(Service-pipe Grouping Algorithm，SGA)」，使管線從「點」整合成「群」並結合圖面，另以街廓作為區域劃分，更加彈性且貼近給水管線埋設位置，可視化呈現漏水潛能。本研究結果顯示，針對給水管以深度神經網路演算法，透過分處、口徑、管材及管齡等特徵計算漏水潛能，可有效預測漏水位置，並結合給水管戶籍化演算法以街廓或分群呈現漏水潛能空間分布，協助規劃管線汰換優先順序。Item 深度學習影像分類應用於福衛二號衛星影像之崩塌地自動判釋(地理學系, 2019-11-??) 蔡詠名; 張國楨; 陳俊愷; 周學政; Yung-Ming Tsai, Kuo-Chen Chang, Chun-Kai Chen, Hseuh-Cheng Chou臺灣易遭受各種自然災害侵襲，如地震或颱風。山區容易發生崩塌，造成生命財產安全的損害。使用遙測技術監測崩塌地的發生是政府機關的年度任務。然而，這個任務暨需求大量人力，且花費許多時間。為了解決這個問題，本研究提出應用深度學習進行全自動化衛星影像崩塌地分類的方法，以獲得更準確並可靠的分類結果。所採用之分類模型是基於U-Net 卷積類神經網路，以CNTK 深度學習工具進行開發。此模型以一對衛星影像與地真資料做為模型輸入，輸出預測的分類結果。使用多對福衛二號影像與地真資料進行模型訓練。地真資料共分五類：植被、河床、崩塌地、水體與其他地物類別。為了更準確分辨崩塌地與其他易混淆類別如河床與農地，衛星影像中加入坡度圖層做為分類資訊。本研究所產出的分類模型相當可靠，能夠清楚從衛星影像上判釋崩塌地。模型本身可以重複使用，而且過程完全自動化，並可改善崩塌地監測與繪製崩塌地目錄的工作流程，對環境災害監測與災害潛勢繪製將有所助益。