學習資訊專業學院—圖書資訊學研究所

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/22

國立臺灣師範大學(本校)於民國四十四年成立社會教育學系圖書資訊學組,為臺灣最早成立之圖書資訊學相關科系。為培育知識經濟社會所需之高階圖書資訊服務人才,本校於民國九十一年成立圖書資訊學之獨立研究所(本所),隸屬本校教育學院,招收一般碩士生。

為提供在職圖書資訊服務人員之進修管道,本所於民國九十四年續接社會教育學系(社教系)之「圖書資訊學碩士學位在職專班(週末班)」及「學校圖書館行政碩士在職專班(暑期班)」,以培育具備資訊科技知能之圖書資訊服務人才。

為進一步推動跨領域合作,本所於民國九十五年與本校美術系、歷史系、國文系及產業界專家等共同籌設「數位內容與創新應用學分學程」,以培育兼具數位內容創作與加值應用之人才。因應圖書資訊學研究之變遷與知識服務產業之發展趨勢,本所於民國九十七年奉教育部核准成立博士班,並於民國九十八年招收第一屆博士生,以培育兼具圖書資訊學學術研究與管理領導能力之人才。

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    基於學生-問題表分群之學習概念圖研究
    (2014) 楊依婷; Yang, Yi-Ting
    學習概念圖是一種圖形化工具,可幫助學習者組織、整合過去學習過的知識與新學習到的知識。本研究利用資料探勘之關聯規則技術,分析學生測驗作答資料,建構學習概念圖,在過去的研究中,多是基於學生得分資料為常態分佈下,將學生分成高分、中分、低分群分析,但學生的得分常不屬於常態分佈,本研究以學生-問題表(S-P Chart)為分群基礎,分析30131位國中三年級學生自然科試卷資料,將學生依學習狀況分為六群,並利用資料探勘之關聯規則技術,分別建構各群學生「力與運動」單元之學習概念圖,以了解學生對於概念理解的順序,並根據建構出的概念圖結果,針對學生學習上的迷失概念,提出建議補救學習路徑,進行補救學習,最後評估學習成效。 研究結果發現,依關聯規則所建構出的各群學習概念圖與課程編排順序有很大的差異,此外,以S-P Chart為分群基礎可建構出更細緻化的學習概念圖結果,A群與A’群在得分上皆屬高成就之學生,但有不同的學習概念圖結構,而B群與B’群學生也是如此,其在得分上之成就相同,但學習概念圖結構不同。S-P Chart從個別學生的作答反應,診斷學習狀況,而非只從得分或排名去衡量,因此可做出更準確的分群,達到更徹底的適性化教學。 在學習成效方面,參與補救學習的40位學生全體成績有顯著提升,以分群資料來看,B群、C群、C’群學生經補救學習後,學習成效有顯著進步。本研究結果可提供給教師教學與領域專家編排教科書時參考,另也可提供給系統開發者參考,以快速建構學習概念圖與補救學習路徑,開發即時且適性化的數位學習系統。
  • Item
    整合公職人員財產巨量資料建構服務創新之研究
    (國立台灣師範大學圖書資訊學研究所, 2015-10-??) 洪國興; 郭展盛; Kwo-Shing Hong; Chan-Sheng Kuo
    公職人員財產申報法實施已有20 餘年,申報人動輒受罰,怨聲不斷;財產管理機關(構)處理財產查詢負荷沉重,受理申報機關(構)處理申報業務冗長,負荷繁重,卻無力發現可能的貪瀆者;而其「端正政風,確立公職人員清廉作為」的立法意旨並未能實現。要建構有能力「主動發掘貪瀆」的查核方法與工具,是走出困境的重要途徑之一,對財產的巨量資料(Big data)進行探索,將帶來發現不法的新契機。本研究在為公職人員財產申報法探索一個新的營運模式,從財產的巨量資料(Big data)出發,探索可能的資料探勘(Data Mining)與資料分析之方法,發展財產巨量資料的處理流程,進而建構公職人員財產申報的創新服務模式,使其有機會可以真正的實現其立法目的。
  • Item
    An Implementation of Distributed Framework of Artificial Neural Network for Big Data Analysis
    (國立台灣師範大學圖書資訊學研究所, 2016-10-??) 張景堯; 劉文卿; 何善豪; Jiing-Yao Chang, Wen-Ching Liou, Shan Hao Ho
    本研究設計一個分散式類神經網路框架以處理巨量資料之即時分析並能在極短的時間內得到不錯的結果。我們的實驗結果顯示在24 核心叢集平台上訓練分散式類神經網路模型可於17 秒收斂,進行預測時在0.7 投票閥值(voting threshold)設定下採用分層多重模型(multi-model with stratification)可獲得最多的真陽性結果且準確率達70%左右。在我們所建構的系統裡,類神經網路是用在資料採礦階段來發掘金融時間序列資料之模式。我們將訓練類神經網路的框架建置在分散式運算平台上,該平台我們採用具高效能記憶體內運算(in-memory computing)的Apache Spark 來建造底層基礎的運算叢集環境。我們評估了一些特別適用於預測金融時間序列資料的分散式後向傳導演算法,加以調整並整合進我們所設計的框架。同時,我們也提供了許多細部的選項,讓使用者在進行類神經網路建模時能有很高的客製化彈性。