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 - 7 of 7
  • Item
    使用LRCN模型進行情感分析
    (2023) 羅湧程; Luo, Yong-Cheng
    情感分析是近年來自然語言處理領域中的一個熱門研究方向。然而傳統的深度學 習分類模型往往難以捕捉到文本內在的複雜特徵,導致分類效果不佳。因此,本研究 使用深度學習的長期循環卷積網路(long term recurrent convolutional networks, LRCN)模型來進行文本的情感分析。同時我們也討論 Word2Vec 和GloVe 兩個預訓練模型所建構的詞向量空間對文本分析的影響,並以Reddit 和 Twitter 兩個資料集來探討這兩種模型的分類表現。同時我們也將LRCN 模型與傳統的深度學習模型:Convolutional Neural Network( 卷積神經網路 、Recurrent Neural Network ( 循環神經網路 、Long short term memory( 長短記憶神經網路 做比較,我們發現LRCN 能夠更有效的去捕捉字與字之間的空間特徵,通過循環網路層提取文字序列間的關係,有較佳的模型表現。
  • Item
    以產品圖形為基的方法分析手機及相機功能之相關性研究
    (2020) 蔡鎮宇; Tsai, Chen-Yu
    隨著網路的普及,店家的銷售模式及消費者的購物模式逐漸改變,許多人購物前會事先在網路論壇等平台查詢產品相關評價後才決定是否購買。網路論壇常見的討論方式為發佈一篇與產品之間比較的文章,而許多網友則會在下方留下自己偏好的產品以及一些對產品的看法。 本論文使用的資料來自於批踢踢實業坊Mobilecomm看板文章,實驗語料選自文章中的網友所撰寫的文章推文。研究目的主要希望針對這些文章推文進行極性分析,透過分析結果進一步對產品進行排名。儘管產品的整體排名是一項重要的指標,但現在越來越多消費者會根據相機功能選購手機,因此研究中同時會對相機功能的部分進行排名。 在計算手機品牌分數上,本研究將建立有向加權圖確立每個手機品牌之間的關係,透過定義比較句和主觀判斷句的方式,以這些句子建立每個產品本身的分數以及有向邊的分數。 最後透過正向句和負向句不同的權重計算方式得出兩種不同結論。當使用正向句分數減去負向句分數時,得出當相機功能排名靠前時,手機品牌的分數不會靠後。當使用正向句分數除以負向句分數時,目前暫時無法判斷手機品牌與相機功能的相關性。
  • Item
    利用詞性與詞權重分析中文意見之研究
    (2010) 李昇陽
    在資訊爆炸的時代中,我們可以很容易搜尋到大眾的想法與心得,如何快速擷取這些寶貴的資訊,變成了一個重要的課題。目前關於這方面的研究已經慢慢興起,也有許多大型會議提供進行評比的競賽主題,我們希望提出意見的模型,使得進行意見存在與否方面的研究能有所助益。 本篇研究根據主題中的查詢字串找出包含意見的文件,在探討詞的各種權重方面,我們首先對每份文件進行斷詞,並根據查詢主題計算詞的PMI值,然後我們以文件內主題相關詞彙的PMI跟BM25屬性得到關於主題相關度的分數。也根據文件內意見相關詞彙權重與距離權重結合主題相關分數得到意見相關分數;在探討詞性方面,我們在流程中加入主題相關詞彙需經過名詞過濾,意見相關詞彙除了原本的詞典外,也加入了高PMI且詞性為不及物動詞的的詞來擴充。
  • Item
    旅遊評論關注面向與不一致性分析研究
    (2018) 許先緯; Hsu, Hsien-Wei
    網路的便利性改變人們的消費習慣和店家的經營模式,許多人在進行購物前習慣上網先查詢相關評價再決定是否購買,希望購買的物品能達到預期的效益。店家則希望消費者在購物體驗後能上網留下評價,這些評論能夠吸引更多人關注並且提供店家維持品質和改善的方向。一篇評論通常包含使用者給予的星等分數和意見,當評論文章數量變多,經過觀察會發現其中有些評論的星等分數和意見內容不符合,像是使用者給予5顆星的正面評分但是留下的意見卻都是許多缺失和抱怨,就是所謂的不一致現象。 本論文使用的資料來自於TripAdvisor國際旅遊評論網站,實驗資料選自台北市知名7間飯店。研究目的有二:第一個目的是擴充情感字典裡的詞彙數量,透過自建擴充的情緒詞彙庫和所提出的情緒計算模組能自動賦予每個詞彙情緒分數,分析評論文章的不一致性,以便提供有效的評論意見供旅客做為參考依據。第二個目的是找出評論文章裡的面向詞(Aspect term),將所有面向詞映射到向量空間後使用分群演算法進行分群,希望意義相近的詞彙能夠分到同一類並找出能夠代表此類的代表字,當使用者想要查看所在意面向的評論文章時,不需要每篇評論都要看過,而是能夠透過分析出來的代表字快速找到有關此面向的評論文章,也能更細部的分析各個面向的正負面評價。 本研究提出三種基於不同規則的統計算法辨識評論文章的不一致性,其中使用去掉最低分做算術平均數之規則,系統準確率可達到85.7%。關注面向部分,使用Word2vec產生詞向量,利用K-Means和Fuzzy C-Means將面向詞分群,並找出每群的代表字。研究結果顯示,使用Fuzzy C-Means分群找出的代表字較能區分各種不同面向。
  • Item
    利用臉書資訊探討網路新聞的吸引度及極性分析
    (2017) 楊登堯; Yang, Deng-Yao
    過去人們獲取資訊的途徑只有從談話、書籍、報章雜誌等媒體,資訊量的收集速度緩慢且數量有限,然而現今網路的發達以及科技改良所賜,網路的方便性及發達帶給了這個社會資訊化。 社群網站的興起(例如:facebook、twitter),讓許多人開始透過這些網路平台,迅速傳播新聞資訊或就生活上的知識進行交流與溝通。報紙雜誌等傳統媒體,也開始透過網路平台進行發佈。 然而在資訊爆炸的時代,人們該如何從這些大量的報導中獲取想要或者喜歡的資訊,而媒體又該如何從新聞內文中適當的撰寫以便吸引閱聽人,讓人們能夠喜歡閱讀該報導,並且可以從這些報導當中,發掘現今人們的新聞喜好傾向,這些都是目前值得研究者探討且著墨的地方。 本研究將首先利用情緒分析的技術,分析現在網路新聞內文經常使用哪些詞彙或語句,可激發閱聽人的情緒反應以增加其閱讀興趣。其次,為了更進一步了解新聞極性的趨勢,也就是正向的新聞比較受歡迎還是負向的新聞比較受歡迎,會先進行斷詞之後,利用TF-IDF值尋找出關鍵字,然後利用語料庫進行比對,得到正向詞與負向詞的資訊,接著再利用Facebook提供的讚數當作佐證,就可以看出現在人們是喜歡哪一類的新聞。 研究結果發現,閱聽者比較常關注負向新聞,並且本研究利用圖斯勒(Marc Trussler)和索羅卡(Stuart Soroka)在加拿大麥基爾大學(McGill University)的實驗結果相比對,顯示和從心理系角度所做的研究,有相符的結果,進而佐證本研究的可信度。
  • Item
    使用廣義知網於情感詞彙之極性分析研究
    (2015) 陳傳生; Chen, Chuan-Sheng
    近幾年隨著網路的快速發展,我們可以根據自己的需求,很方便的找到各式各樣相關的資料。在消費前,人們往往習慣於收集評論和分析做為參考;而評論中出現的情感詞彙更是影響使用者看法的指標。採用人工的方式找出意見詞彙,雖然準確度高,卻相當耗費時間和人力,更永遠不可能趕上資訊產生的速度。 在此本論文提出一種非監督的方法,過程不需要人工的介入。主要目的是分析電影領域的評論文章,從中找出帶有情感的詞彙,並給予極性。本論文分兩大部分處理此問題,第一部分透過中文的語法規則找出情感詞彙可能出現的位置,收集這些位置出現的詞彙做為種子,接著透過廣義知網進行擴充。本研究統計廣義知網對部分詞彙情緒標記的正負數目,給予一個類別中的成員相同的極性。 在第二部分中,針對國立臺灣大學情緒詞詞典NTUSD(舊版)進行斷詞分析,再次透過廣義知網擴充,找出可能的情緒詞彙。對於無法由廣義知網部分詞彙的情緒標記而得到極性的詞彙,和NTUSD(舊版)進行完全比對,試著納入更多的擴充詞彙。最後利用前幾步驟中得到的類別整體極性,為帶有複雜概念結構的詞彙分類極性。 結合兩部分後,本研究以人工方式選出的980個情緒詞彙做測試,實驗結果顯示可以得到92.48%的正確率。