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 - 2 of 2
  • Item
    生醫文獻中特定關係組合之自動化擷取
    (2018) 陳弘奇; Chen, Hung-Chi
    本研究目的為擷取自然語句中指定名詞間的關係判定,並應用在生醫文獻內,以便快速地找出文獻中有用途的關係。雖然本研究是透過生醫文獻為基礎,但是對於各個領域的研究人員在探討自己領域的相關文獻資料時,也可以透過此方法更快速且正確的篩選到自己需要的文獻及資料。 本研究所使用的資料集分成兩組,並在實驗上兩組資料個別獨立。一組為參考Clinical trials (https://clinicaltrials.gov)網站中提供美國官方已完成的疾病研究和藥物的配對為基礎,並透過PubMed資料庫(https://www.ncbi.nlm.nih.gov/pubmed)搜尋目標疾病藥物對的生醫文獻摘要。其資料分成兩類:從PubMed文章摘要找出含有Clinical trials所提及到的疾病可被藥物治療之句子,視為正向的句子;以及相同疾病不能被藥物治療或是疾病與藥物無任何關聯之句子,視為負向的句子。 另一組為SemEval 2013 Task 9所提供,內容為MedLine的摘要以及DrugBank的資料庫構成的語料庫,SemEval 2013 Task 9為從生醫文獻中擷取藥物間交互作用的競賽(SemEval 2013 Task 9:Extraction of Drug-Drug Interactions from Biomedical Texts),該競賽將藥物間的交互作用分成五類:Advice(建議)、Effect(影響)、Mechanism(機制)、Int(交互作用)和False(無交互作用)。 本研究為透過多層次的機器學習方法搭配基本字詞轉換與自然語言句子分析作為特徵擷取。本研究在藥物—疾病關係辨識實驗最佳結果Accuracy為75.7%、Precision為76.3%、Recall為74.6%以及F-score為75.5%;在藥物—藥物關係辨識實驗最佳結果Precision為47.8%、Recall為72.4%以及F-score為57.6%。
  • Item
    以混合式方法自生醫文獻擷取藥物-藥物交互作用之研究
    (2017) 陳佩瑄; Chen, Pei-Hsuan
    一種疾病往往伴隨著許多不同的症狀,而一種症狀通常使用一種藥物治療,例如:感冒時,會有咳嗽、鼻塞或頭痛等症狀,所以就需要多種藥物來治癒該疾病。在服藥期間,若藥物與藥物之間產生不理想之狀況,像是藥效過強或互相抵抗,導致療效失敗,嚴重甚至導致死亡,就是所謂的藥物-藥物交互作用(Drug-Drug Interaction, DDI)。目前許多的藥物-藥物交互作用仍隱藏在大量的生醫文獻中,等著被研究人員挖掘,若利用自然語言處理(Natural Language Processing, NLP)的擷取和分析等技術,將能大量挖掘隱藏的藥物-藥物交互作用以及減少研究人員的挖掘時間。 論文中所使用的資料來源是由SemEval 2013 Task 9所提供的語料庫,內容包括MedLine的摘要和DrugBank的資料庫,SemEval 2013 Task 9的競賽內容為自生醫文獻中擷取藥物-藥物交互作用(SemEval 2013 Task9:Extraction of Drug-Drug Interactions from Biomedical Texts),將藥物-藥物交互作用分成五類:Advice(建議)、Effect(影響)、Mechanism(機制)、Int(交互作用)和無交互作用,評估的方式為計算辨識和分類的precision、recall和F1-measure。 本研究利用混合式方法進行辨識和分類,其中混合式方法為機器學習方法和以規則為基方法,由於語料庫內部五個類別的數量呈現不平衡的狀態,因此,運用兩階段的方式先辨識藥物對是否有交互作用存在,辨識所獲得的F1-measure為70.8%,接著再將辨識出有交互作用的藥物對做分類,分類所獲得的F1-measure為62.5%,其中FBK-irst隊伍獲得最好的效能,辨識和分類的F1-measure分別為80.0%和65.1%,參賽隊伍之平均辨識和分類的F1-measure分別為68.1%和51.8%,雖然辨識和分類無法比FBK-irst隊伍所獲得的F1-measure還高,但所獲得的F1-measure高於平均許多。在未來可將機器學習方法和以規則為基方法運用於其他領域的資訊擷取研究上。