教育學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/1

教育學院成立於民國44年6月5日，時值臺灣省立師範學院改制為臺灣省立師範大學，初設教育、社會教育、體育衛生教育、家政教育、工業教育五個學系，發展迄今，本院共設有7個學系（均含學士、碩士及博士班）、5個獨立研究所、1個院級在職碩士專班。

本院為國內歷史最久之教育學院，系所規模、師資，及學生品質向為國內首屈一指，培育英才無數，畢業校友或擔任政府教育行政單位首長及中堅人才、或為大學校長及教育相關領域研究人員、或為國內中等教育師資之骨幹、或投入民間文教事業相關領域，皆為提升我國教育品質竭盡心力。此外，本學院長期深耕學術，研究領域多元，發行4本 TSSCI 期刊，學術聲望備受國內外學界肯定，根據 2015 年 QS 世界大學各學科排名結果，本校在教育學科名列第22名，不僅穩居臺灣第一，更躍居亞洲師範大學龍頭。

Browse

Subject: search.filters.subject.Natural Language Processing

Search Results

Now showing 1 - 4 of 4
  • No Thumbnail Available
    Item
    以人工智慧輔助中文期刊參考文獻剖析之研究─以人文社會科學領域為例
    (2024) 郭珮涵; Kuo, Pei-Han
    隨著科學論文發表數量的快速增長，引用來源的多樣性和格式差異增加了參考文獻剖析的難度。本研究旨在探討如何自動化擷取科學論文中的參考文獻，並利用人工智慧工具進行剖析，藉以簡化工作流程，降低人力和時間成本，並提升圖書館的知識傳播效能。本文提出了從中文期刊文章檔案中自動化擷取參考文獻的方法，並評估使用人工智慧工具剖析參考文獻的可行性。本研究實驗分為三個部分，第一部分設計程式，擷取期刊文章中的參考文獻章節；第二部分評估不同人工智慧工具在參考文獻剖析任務中的效能；第三部分根據第二部分的實驗結果修正實驗方法，並評估和比較修正後的成果。實驗結果如下：1. 在參考文獻擷取實驗中，基於規則方法的程式能夠自動擷取文章中的參考文獻內容，用於建立資料集作為後續研究基礎。2. 在參考文獻剖析實驗中，本研究比較了spaCy和ChatGPT兩種基於Transformer架構的人工智慧工具的效能。實驗結果顯示，ChatGPT在各欄位的F1-score表現優於spaCy，具有較高的準確性和穩定性。3. 在第三部分實驗中，選擇了第二部分中效能較佳的ChatGPT進行提示修正。實驗結果顯示，經過提示調整後，ChatGPT在各欄位的F1-score表現均有所提升。本研究結果顯示了使用人工智慧工具自動化剖析參考文獻的可行性，並展現了大型語言模型在這一任務中的潛力和優勢。未來研究可以進一步嘗試結合多種人工智慧工具，探討利用不同模型優勢提升參考文獻剖析的準確性，同時探討減低剖析成本的可能性。
  • No Thumbnail Available
    Item
    人工智慧如何自動辨識電腦生成新聞之研究
    (2022) 文宣; Wen, Hsuan
    在人工智慧迅速發展的這個時代，開始有了機器自動生成新聞的技術，但機器生成的新聞內容並非全然正確時，檢視資訊的來源及內容就變成非常重要的一環，現今機器也能協助人類進行文章分類判斷，那機器到底為何能夠如此強大？本研究為探討在中文經濟新聞的範疇內，電腦生成的文章特徵是否與其他相關文獻中提及的電腦生成英文文章相同，而BERT對於經由語言學要素中，針對語意、語用及語法所設計的五個實驗進行修改後的中文文章，是否仍然可以準確的判斷出一篇文章為電腦生成或人工撰寫，並找到BERT判斷的關鍵因素為何，實驗結論如下：1. 無論是在英文或中文文章中，只要是電腦生成的文章，特徵基本上是相同的。2. BERT在判斷一篇中文新聞為人類撰寫或電腦生成時，可能判斷的依據主要在於語意及語法兩個部分。3. 一篇中文約300～350字的新聞，若只更動語意的部分，如將語句長度縮短，或是將逗點之間的句子隨機做位置上的調換，可使BERT準確度出現些許下降；若進而更動到語法的部分，例如使用Google翻譯，將一篇文章的詞彙結構打亂，則可以使BERT判斷的準確度大幅下降。
  • No Thumbnail Available
    Item
    應用關鍵字差異分析於立法委員選舉得票率預測之研究
    (國立台灣師範大學圖書資訊學研究所, 2017-10-??) 林應龍; 禹良治; Ying-Lung Lin, Liang-Chih Yu
    為探討臺灣立法委員選舉與網路新聞之關係及是否可使用網路新聞進行預測，我們使用2002年1 月1 日至2009 年12 月31 日之udn 網路新聞文本進行模型設計及訓練，以2008 年立法委員選舉得票率預測2012 年立法委員選舉得票率，並將實際得票率及預測得票率進行差異分析，觀察其相關性。而在視覺化部份，我們使用候選人詞彙差集和交集之社群網路圖呈現，快速呈現候選人特色。由於實際得票率影響變因十分複雜，在本研究中分析結果最佳平均絕對誤差約7%、相關係數約0.5，預測結果雖非十分準確，但其作為其中一類網路意見，用以補充電話民調，仍具有參考價值。本研究之主要貢獻在於應用自然語言處理及機器學習建構立法委員得票率之模型，說明如何處理稀疏矩陣及特徵選取之問題，最後我們說明情感分析的進一步應用，期許未來能有效從網路文本中提取有用資料以建構不同應用模型。
  • No Thumbnail Available
    Item
    應用關鍵字差異分析於立法委員選舉得票率預測之研究
    (國立台灣師範大學圖書資訊學研究所, 2017-10-??) 林應龍; 禹良治; Ying-Lung Lin, Liang-Chih Yu
    為探討臺灣立法委員選舉與網路新聞之關係及是否可使用網路新聞進行預測，我們使用2002年1 月1 日至2009 年12 月31 日之udn 網路新聞文本進行模型設計及訓練，以2008 年立法委員選舉得票率預測2012 年立法委員選舉得票率，並將實際得票率及預測得票率進行差異分析，觀察其相關性。而在視覺化部份，我們使用候選人詞彙差集和交集之社群網路圖呈現，快速呈現候選人特色。由於實際得票率影響變因十分複雜，在本研究中分析結果最佳平均絕對誤差約7%、相關係數約0.5，預測結果雖非十分準確，但其作為其中一類網路意見，用以補充電話民調，仍具有參考價值。本研究之主要貢獻在於應用自然語言處理及機器學習建構立法委員得票率之模型，說明如何處理稀疏矩陣及特徵選取之問題，最後我們說明情感分析的進一步應用，期許未來能有效從網路文本中提取有用資料以建構不同應用模型。