理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    基於圖神經網路之假新聞偵測研究
    (2023) 姚秉均; Yao, Bing-Jun
    在現今互聯網時代,隨著網路技術不斷發展,使得我們在閱覽資訊上也越來越便利,但與此同時,假新聞也藉著技術發展的順風車變得更容易生產傳播以及造成影響。所以本人便打算做和假新聞辨識相關的研究,找到較好的假新聞辨識的方法並提升假新聞辨識的準確率。由於看到CompareNet這一圖神經網路模型對於假新聞的辨識相較其他基礎方法效果更好。因此本研究是以CompareNet這一研究為基礎,基於LUN(Labeled Unreliable News Dataset)語料庫中的LUN-train語料庫創建了一個含有普通名詞、複數名詞、專有名詞、動詞、形容詞、副詞的知識庫,並將該知識庫和CompareNet這一研究相結合,使用LUN語料庫中的LUN-train語料庫來訓練模型、使用SLN(Satirical and Legitimate News Database)以及LUN語料庫中的LUN-test語料庫來對模型進行測試,提升假新聞辨識的準確率。
  • Item
    基於集成學習方法進行謠言偵測
    (2022) 陳煒鈞; Chen, Wei-Jiun
    網路社交媒體充斥著假消息,連牛津辭典在2016年都將"Post-Truth"列為一個詞彙,錯誤的資訊可能對人造成危害,所以建構一個能夠辨識網路上各種不一樣說法、消息的系統是一個重要的議題。本研究利用預訓練語言模型搭配文字以外的特徵建立出一套辨識謠言的系統,辨識在社交媒體Twitter及Reddit使用者發表內容的真偽。 本論文的資料集來自SemEval 2019 RumourEval: Determining rumour veracity and support for rumours (SemEval 2019 Task 7)的任務B,該任務將Twitter及Reddit上的句子經由人工標註分為3類,真(True)、假(False)、未驗證(Unverified),本研究先經由資料增強的方式增加資料量,接著以不同的語言模型(RoBERTa、ALBERT)及傳統分類(SVM)個別進行訓練,再將不同的模型組合進行集成學習(Ensemble Learning),訓練並給予不同的權重,最後加上後處理達到Marco F1 72 %,RMSE 0.5879的成績。
  • Item
    使用加上額外特徵的語言模型進行謠言偵測
    (2021) 陳信睿; Chen, Xin-Rui
    本篇論文提出一個強健語言模型加上額外特徵的系統,處理SemEval 2019RumourEval: Determining rumour veracity and support for rumours (SemEval2019 Task 7),主要包含了兩個任務,任務A 為 使用者的立場偵測,任務B偵測謠言是真、假或未驗證, 本研究利用到了對話分支的追蹤資訊,使用強健的預訓練語言模型與詞頻特徵,加上報導其他特徵的深度學習預訓練模型,結合兩者的預測結果,做出任務A的立場驗證,其Macro F1達到62%,再透過規則模型處理任務B的消息驗證,達到 Macro F1 68%,且 RSME降到0.5983。