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
14 results
Search Results
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。Item 視覺化模擬輔助人工智慧教學之研究-以類神經網路為例(2022) 蔡政宏; Tsai, Cheng-Hung當今社會中，人工智慧影響我們的生活面向甚廣。目前國際上的教育相關政策也將人工智慧議題納入探討，並期望從小教導孩子人工智慧相關知能。本研究針對高中年段的學生，設計視覺化模擬輔助人工智慧教學策略，並發展學習平台，透過「概念理解」、「概念反思」、「概念應用」三個教學步驟引導學生進行概念學習，教學主題聚焦於類神經網路。本研究以實證研究探討視覺化模擬輔助人工智慧教學與傳統講述式教學對高中生之人工智慧學習成就、學習態度影響之差異，以及學生對於視覺化模擬輔助教學的感受。從教學實驗結果發現：一、視覺化模擬輔助教學對人工智慧學習成就之影響 本研究發展之視覺化模擬輔助教學能透過模擬操作幫助學生建立概念：(1)， 提供學生操作與調整參數、觀察實驗結果的機會，使之能於操作過程中檢驗概念；(2) 輔助進行運算過程，以降低認知負荷並聚焦重要學習概念；(3) 模擬工具的設計融入日常生活情境，以幫助學生以解實際應用。實驗組學生因而能建立較正確清晰的人工智慧概念，進而增進其概念理解上的學習成就。但由於本研究的教學中程式設計相關教學內容較少，因此與傳統教學相較，雖亦使演算法程式實作有更好的表現，但其差異未達顯著。 二、視覺化模擬輔助教學對人工智慧學習態度之影響 實驗結果發現，使用視覺化模擬輔助教學之學生，由於能透過模擬操作測試概念並即時得到概念學習的回饋，對於自身學習成果的信心顯著高於接受傳統教學之學生。但兩組學生在「學習動機」、「自我效能」、「資訊科學抽象概念/程序之學習感受」面向沒有顯著差異。 三、學生對視覺化模擬輔助教學之感受 基於本研究的量化資料與質性訪談資料分析結果，視覺化模擬輔助教學相較於傳統教學，能使學生有更高的學習成就，實驗組學生也普遍認為視覺化模擬輔助教學對他們學習人工智慧相關知識有所幫助，此助益對學習艱深複雜的概念更加明顯。此外，訪談結果亦顯示學生認為模擬平台能夠幫助他們學習較抽象、具複雜運算的課程概念。Item 文字生成技術應用於學術論文寫作之評估─以人工智慧領域論文摘要為例(2022) 張悅倫; Chang, Yueh-Lun文字生成技術的應用在近年愈臻成熟，其對學術產出過程的影響更是不容小覷。為初步瞭解此技術對學術研究發表的影響，並探索人類與電腦能否辨別電腦生成或人類撰寫之學術文章，本研究運用既有的開放資源，以人工智慧領域之論文摘要為範圍，進行了「人類評估電腦生成摘要」及「摘要生成模型自動化評估」兩實驗。實驗一依據ACL Anthology和arXiv（cs.AI）語料，以語言模型GPT-2生成論文摘要，再就英文文法檢查工具Grammarly和受試者對其之評估情形進行分析。實驗二則藉由分類器，實測電腦能否辨別出電腦生成之摘要，再與受試者的評估結果進行比較。研究結論如下：1. 電腦能生成仿真度高的摘要，並在Grammarly的評估指標表現較人類撰寫摘要佳。2. 受試者對於電腦生成摘要之平均良窳度給分為3.617，而人類撰寫摘要則為3.622，顯示人類在不知道有電腦參與生成的前提下，無法明顯地辨別出一篇摘要為電腦生成或人類撰寫。3. 以SciBERT預測30篇摘要之Micro和Macro f1皆為0.93，較受試者的0.53及0.44高上許多，顯示電腦具辨別電腦生成摘要之能力。同時，由於在SciBERT預測錯誤的2篇摘要中，有1篇在人類預測中為正確，推論電腦與人類或許能在辨別上相互輔助。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。Item 以混合研究法探討樂智AI桌遊對輕度認知障礙長者之成效(2023) 林利珍; Lin, Li-Chen背景：具有交互功能的技術輔助培訓工具可以改善患有輕度認知障礙(MCI)長者的健康結果。本研究探討基於人工智慧的桌遊針對患有MCI的長者，以改善他們的認知功能、憂鬱程度、一般自我效能和對生活的滿意度的有效性；及這套桌遊的易用性與未來MCI長者的使用意圖。方法/設計：採取準實驗設計。台灣北部八家日照中心或長照據點輕度認知障礙長者的109位參與者，分為實驗組(n=52)與對照組(n=57)，實驗組接受樂智AI桌遊，對照組則為維持一般常規活動。將兩組參與者分別完成前後測之問卷調查，包括認知功能(MMSE、ADAS-Cog)、憂鬱程度、一般自我效能與生活滿意度的影響，使用廣義估計方程式(GEE)分析資料。樂智AI桌遊的可用性通過系統易用性量表(SUS)進行評估與分析未來使用意圖。結果：GEE分析顯示，實驗組在 MMSE（P<0.001）、ADAS-Cog（P<0.001）、憂鬱程度（P=0.018）、一般自我效能（P<0.001）與生活滿意度方面(P=0.001)均有顯著改善，這些影響持續了三個月。另外，SUS的平均分數為87.50，表明參與者的評價非常好，且未來使用意圖高。 結論：這項研究的結果支持基於交互式人工智慧的桌遊在改善機構化長者的認知功能、憂鬱、一般自我效能與生活滿意度方面的有效性。參加者對課程的評價非常好。建議長期護理機構的管理人員可以採用基於人工智慧的桌遊作為培訓工具，以協助健康促進計劃，以減少機構老年人認知和心理健康惡化的可能性。Item 北部某校大學生對於反毒機器人教材之使用及衝擊成效評價(2023) 姚正容; Yao, Cheng-Jung本研究的目的是以無藥物濫用經驗之大學生為對象，以計畫行為理論為基礎，運用反毒機器人教材探討大學生在藥物濫用的介入提升學生對於藥物濫用基本識能及拒絕技能成效與大學生對科技產品反毒機器人的使用評價。本研究共招募大學一至四年級140位學生為研究對象，有效樣本114位學生，實驗組學生接受反毒機器人教材介入，介入時間為5節課，共計250分鐘，對照組學生接受傳統講座式的教學課程，介入時間為1節課，共計50分鐘，二組學生在介入課程前進行前測問卷，於課程教材介入後給予後測問卷。統計方法使用SPSS for Windows version 23.0 進行分析，採用描述性統計、配對 t 檢定、廣義估計方程式及一般多元迴歸分析檢定介入前後之變化成效。研究顯示以反毒機器人教材介入藥物濫用教學之學生在基本識能有顯著進步，並且大學生對於使用反毒機器人之態度、主觀規範、知覺行為控制及行為意圖使用評價皆顯著。大學生對於反毒機器人的使用經驗及涉入程度均獲得較高的回饋，尤其是對於已曾經使用過教育機器人的大學生來說，反毒機器人的使用評價前後測也有顯著。結果顯示本研究工具反毒機器人教材可應用於實際情形，未來可將此工具擴及不僅是大學生的使用，建議可融入校園藥物濫用教學提升學生相關知識與技能。Item 視覺化模擬輔助人工智慧教學之設計與評估(2021) 王聿; Wang, Yu隨著人工智慧於生活中的應用日益增加，人工智慧教育在K-12逐漸受到國際重視，然而過去人工智慧教學多實施於高等教育，目前較缺乏針對高中生設計的人工智慧教材。人工智慧包括許多抽象概念，以往針對K-12的人工智慧教育多著重在使用現有工具動手操作，而不介紹人工智慧理論，學習者難以瞭解其背後原理。模擬可以將抽象概念具體化。為了幫助學習者理解人工智慧抽象概念，本研究建置人工智慧主題的視覺化模擬輔助學習平臺，並提出模擬輔助教學步驟：操作觀察、概念探索、概念整合。研究探討所提出之視覺化模擬輔助人工智慧教學對高中生人工智慧素養（包含人工智慧概念與人工智慧演算法實作）、學習態度以及運算思維之影響。為瞭解視覺化模擬輔助人工智慧教學的有效性，本研究透過實證研究比較視覺化模擬輔助教學與傳統教學之差異。研究結果發現：一、視覺化模擬輔助人工智慧教學對人工智慧素養之影響實驗組在經過視覺化模擬輔助人工智慧教學後，其人工智慧概念與人工智慧演算法實作皆較控制組佳。顯示出視覺化模擬輔助人工智慧教學比傳統講述式教學更能夠幫助學習者學習人工智慧概念以及人工智慧演算法實作，透過視覺化模擬輔助人工智慧教學可以增進學習者之人工智慧素養。而在訪談中，實驗組學習者表示在視覺化模擬輔助平臺上修改演算法的參數以及實作練習題填答完後給予的即時回饋，皆有助於其對演算法之理解。此外，分析視覺化模擬輔助平臺的使用情形顯示，本研究發展之視覺化模擬輔助教學中，以「概念整合」的引導最能幫助學習者理解人工智慧概念。二、視覺化模擬輔助人工智慧教學對學習態度之影響經過本研究之視覺化模擬輔助人工智慧教學後，在「對人工智慧課程的感受」之學習態度面向，統計結果為實驗組顯著較控制組佳。顯示視覺化模擬輔助人工智慧教學比傳統講述式教學更能夠增加學習者學習人工智慧正向的態度，訪談中實驗組多數學習者提到「程式設計」之運用，可見他們將人工智慧概念與實作產生更多連結，更深入瞭解程式設計的意義與重要性。而在「視覺化模擬輔助人工智慧教學的有效性」面向，根據對實驗組學習者進行的半結構式訪談結果顯示，學習者普遍認為本研究發展之學習步驟具有引導學習之效，因此本研究發展之學習步驟有助於幫助學習。三、視覺化模擬輔助人工智慧教學對運算思維之影響實驗組經過視覺化模擬輔助人工智慧教學以及控制組經過傳統講述式教學後，兩組運算思維無顯著差異。代表視覺化模擬輔助人工智慧教學不會影響學習者的運算思維。此結果可能的原因為本研究之實驗時間有限，而運算思維需經過長時間的培養才能有所提升。Item 開放領域中文問答系統之建置與評估(2021) 楊平; Yang, Ping近年來隨著人工智慧技術日新月異，答案抽取式機器閱讀理解模型在 SQuAD 等資料集上已可超出人類的表現。而基於機器閱讀理解模型，加入了文章庫以及文件檢索器的問答系統架構，亦取得良好的成績。然而這樣子的資料集測試成效於實際應用上，可以達到什麼樣的效果是本研究好奇的問題。本研究主要進行了兩個任務，第一個為開發並比較不同的問答系統實作方式，以資料集自動化測試的方式評估何種實作方式的成效最好。第二個為將自動化測試表現最好的問答系統，交由受試者進行測試，並對實驗結果進行分析。最終得到的結果有四個。第一，本研究以中文維基百科做為文章庫；以Elasticsearch作為文件檢索器；以Bert-Base Chinese作為預訓練模型，並以DRCD資料集進行訓練的Sentence Pair Classification模型作為文件重排序器；以MacBERT-large作為預訓練模型，並以DRCD加上CMRC 2018資料集進行訓練的答案抽取式機器閱讀理解模型，作為文件閱讀器。此問答系統架構可以在Top 10取得本研究實驗的所有系統當中最好的成效，以DRCD Test set加上CMRC 2018 Dev set進行測試，得到的分數為F1 = 71.355，EM = 55.17。第二，本研究招募33位受試者，總計對系統進行了289道題目的測試，最終的成果為，在Top 10的時候有70.24%的問題能被系統回答，此分數介於自動化測試的F1與EM之間，代表自動化測試與使用者測試所得到的結果是相似的。第三，針對29.76%無法得到答案的問題進行分析，得到的結論是，大部分無法回答的原因是因為無法從文件庫中檢索正確的文章。第四，Top 1可回答的問題佔所有問題中的26.3%，而Top 2 ~ 10的佔比為43.94%。代表許多問題並非系統無法得出解答，而是排序位置不正確，若能建立更好的答案排序機制，將能大幅提升問答系統的實用性。Item 利用人工智慧技術偵測中文假新聞(2021) 林郁綺; Lin, Yu-Chi在資訊快速傳播的時代，假新聞滿天飛的困境肆虐全世界，在資訊爆炸的時代如何使用資訊科技的技術快速過濾虛假的資訊是此研究想要探討的問題。 本研究為探討人類與電腦在中文假新聞偵測上的實際表現，分別以人類與電腦為出發點進行三個實驗，「自然語言模型辨別假新聞」根據臺灣假新聞平台「CoFacts 真的假的」建置中文假新聞語料，並包含知識推論標記，再使用Naïve Bayes、SVM以及BRET進行真假新聞預測；「人類辨別假新聞編寫模型」根據經濟日報語料，使用GPT2-Chinese生成假新聞，並請受試者辨別真假新聞；最後以「假新聞自動編寫模型評估」整合前兩項實驗，以分類器實測電腦是否能辨別出GPT2-Chinese自動生成的假新聞，並比較與受試者的差異，實驗結論如下： 1. BERT預測真假新聞MicroF1為0.8184，MacroF1為0.7686，顯示電腦在一定程度上能夠輔助人工辨別假新聞，但並非真正瞭解語意。 2. 受試者辨別GPT2-Chinese自動生成之假新聞，其真新聞平均可信度為3.68，假新聞為2.54，顯示閱讀者可以辨別真假，但不具有背景知識的受試者較難辨別，而新聞與受試者越相關越會提高轉發意願。 3. BERT預測問卷的30篇新聞，其MicroF1與MacroF1皆為0.93，僅2篇錯誤，而人類判斷錯誤為5篇，且判斷錯誤的新聞完全不重疊，顯示電腦可以辨別電腦所產生的假新聞，並且與人類有互補合作之處。 綜合而言，本研究的貢獻不僅建置了包含知識推論之假新聞語料庫，並進行分類器評測；且從反向思維實作了假新聞編寫模型之訓練，更以人類與電腦進行實測，奠定了未來假新聞研究之基石，期待日後能有更多研究者投入於此。Item 建立和應用具有幽默風格的生成對話系統(2021) 楊德倫; Yang, Te-Lun本研究旨在建置與應用一個具有幽默風格之對話系統。藉由2019 年CECG（Chinese Emotional Conversation Generation）評估任務所使用的170萬則對話語料，整合 GPT-2 與 BERT 等工具與技術進行實作，建立與應用一個具備情感對話的系統；而後結合LCCC（Large-scale Cleaned Chinese Conversation）base版本680萬則對話語料，讓對話系統擁有更豐富的對話內容；最後加上 156 句具有幽默風格的少量撩妹語料進行微調（fine-tuning），同時透過前導文句調整（prefix-tuning）來控制文字的生成。 系統成效評估是基於以下準則：（一）建立兩個對話系統，一個經由CECG 和 LCCC-base 語料庫進行訓練，並用撩妹幽默語料進行微調，另一個僅由CECG 和 LCCC-base 語料庫進行訓練。（二）在第一輪當中，使用帶有調情性質的自訂文句作為會話的開始，並測試50次。（三）評估每次對話是否連貫流暢，同時，最後一輪的結束對話是否具有如同調情般的幽默風格。（四）測試最多3輪。 過程由四位人工判斷，沒有使用撩妹語料進行微調的對話系統，其生成回應具有撩妹效果的有29%，而使用撩妹語料進行微調的對話系統，其生成回應具有撩妹效果的有62%。 本研究的主要貢獻如下：（一）將情感融入發文字串，作為條件求機率，以便簡潔地依原方式訓練，並使用 GPT-2。（二）運用 BERT 來預測回應文句的連貫性，以作為排序的依據。（三）透過少量的語料來微調預訓練模型，改變模型的文字生成風格。（四）透過前導文句的調整，來實作出具有幽默風格的多輪對話系統。