不知從什麼時候起，壓力已成為大家關懷的話題之一。在繁忙的都會生活中，壓力就像空氣一般，無所不在。研究壓力最有權威的賽利(Hans Selye)醫師，稱健康的或愉快的壓力為優壓(eustress)，而不健康或不愉快的壓力為劣壓(distress)，此亦說明了有的壓力可以提昇人的鬥志，激發人的無限潛能，但也有的壓力處理不好時，足以使人斃命。 壓力這回事，對於即將邁入廿一世紀的人類而言，只會是個有增無減的難題，亦是現代人必嘗的生活苦味。尤其有一種因「身分」而來的壓力––「工作壓力」，更是一種處在特定情境時所無法避免的負擔！基於上述理由，引發筆者研究本文的動機，希能在這股探討壓力的洪流之中，一方面著眼於如百花齊放的各種壓力理論，另一方面佐以實驗，以期在面對這種「必要之惡」時，更能夠適應及跨越這道障礙。 本研究共分為五章，採問卷調查法，研究對象為台北市九家報社的文字記者。研究工具為改編及部分自編的「A 型人格量表」、「壓力源量表」及「壓力症狀量表」。統計方法採用次數分配、皮爾森積差相關、變異數分析、多元逐步迴歸。 本文因採問卷設計方式來調查研究，故凡問卷調查之所囿，亦為本研究之限制，加上筆者本身學識、能力皆十分有限，本研究疏失必多，此在本文中都會有詳實的說明。

股價的漲跌變化是由於證券市場中眾多不同投資人及其投資決策後所產生的結果。然而，影響股價變動的因素眾多且複雜，新聞也屬於其中一種，新聞事件不但是投資人用來得知該股票上市公司的相關營運資訊的主要媒介，同時也是影響投資人決定或變更其股票投資策略的主要因素之一。本研究提出以新聞文件做為股價漲跌預測系統的基礎架構，透過文字探勘技術及分類技術來建置出能預測當日個股收盤股價漲跌趨勢之系統。 本研究共提出三種分類模型，分別是簡易貝氏模型、k最近鄰居模型以及混合模型，並設計了三組實驗，分別是分類器效能的比較、新聞樣本資料深度的比較、以及新聞樣本資料廣度的比較來檢驗系統的預測效能。實驗結果顯示，本研究所提出的分類模型可以有效改善相關研究中整體正確率高但各個類別的預測效能卻差異甚大的情況。而對於影響投資人獲利與否的關鍵類別"漲"及類別"跌"的平均預測效能上，本研究所提出的這三種分類模型亦同時具有良好的成效，可以做為投資人進行投資決策時的有效參考依據。 / Stocks' closing price levels can provide hints about investors' aggregate demands and aggregate supplies in the stock trading markets. If the level of a stock's closing price is higher than its previous closing price, it indicates that the aggregate demand is stronger than the aggregate supply in this trading day. Otherwise, the aggregate demand is weaker than the aggregate supply. It would be profitable if we can predict the individual stock's closing price level. For example, in case that one stock's current price is lower than its previous closing price. We can do the proper strategies(buy or sell) to gain profit if we can predict the stock's closing price level correctly in advance. In this thesis, we propose and evaluate three models for predicting individual stock's closing price in the Taiwan stock market. These models include a naïve Bayes model, a k-nearest neighbors model, and a hybrid model. Experimental results show the proposed methods perform better than the NewsCATS system for the "UP" and "DOWN" categories.

投資人在投資決策之過程中，所分析之資料可分為財務性與非財務性資訊兩大類，然而受限於傳統財務資料格式之不一致，可能需花費額外之財力與物力來處理，甚至浪費精力於資料的重新輸入。另一方面，非財務資訊在投資決策過程中日益重要，但其龐大的資訊揭露量卻往往徒增投資人閱讀與搜尋上之不便，甚至降低了可閱讀性。 有鑑於上述兩大投資分析不便之處，本研究運用文字探勘(Text mining)技術，嘗試處理股東會年報中與企業策略相關之非財務性資訊，以協助閱讀者有效率地分析、整理這些半結構化，甚至是非結構化文字資訊。另一方面，本研究利用可延伸企業報導語言(eXtensible Business Reporting Language, XBRL)不受軟體平台限制，可於網路上自由下載流通等特性，作為財務資訊之資料來源，同時建立一種新的分析模式，透過連結機制之設計以連接非財務性與財務性資訊，並運用ROMC系統分析法與雛型系統設計法完成本企業策略分析決策支援系統，希冀能協助投資人能於短時間內瞭解並印證標的公司之產業發展與競爭策略，提升決策品質。 / There are two main data types in investment decision process: financial and non-financial. Because the inconsistent of data type in traditional financial data, investors may have more additional costs to solve this problem. In addition, non-financial data become more and more important in investment decision process, but huge amount of non-financial disclosure may reduce the readability and increase the difficulty of searching. To solve the above problems, we try to use text mining technology to handle the semi-structured or unstructured non-financial data related to business strategies in the annual reports of public companies effectively and efficiently. In addition, we use XBRL (eXtensible Business Reporting Language) to be our financial data resources because of its interoperability and re-usability. We also develop a new analytic method to link financial and non-financial data together. Finally, we use two system methodologies: R.O.M.C. and prototyping to design and build our business strategy analysis decision support system in order to help investors understand and prove strategies in companies, and improve the decision quality which they make.

競爭是現代社會中無所不在的行為，國家或企業透過產業競爭分析、企業競爭分析，乃至市場分析及技術預測（Technological Forecast），才能知己知彼並且擬定正確的決策。對科技產業而言，若企業無法隨時掌握技術發展的趨勢，儘早投入技術研發或調整企業的經營策略。不久之後，市場便會被其他競爭對手所佔據。所幸，沒有一項技術發明是直接由發明者的腦袋直接跳到廣泛應用的境地。其間總是經過好幾個連續階段，每一個階段都使得「實用性」及「有用性」更成熟。因此若能掌握科技發展的脈絡，早期投入研發，便能維持企業的競爭優勢。 專利資訊可以用來評估與預測技術發展、規劃研發或技術發展項目、避免誤觸專利權而浪費研發資源、掌握企業發展動向及市場需求。許多企業和政府機關已經發現專利分析的重要性，並且投入大量的人力、物力來進行專利分析的工作。然而，專利的申請日和公開日之間還是存在至少18個月的時滯，若企業過渡倚賴專利資訊的分析，容易使後續的研發資源投入競爭激烈的技術紅海當中。因此若要充分掌握前瞻技術發展的脈動，基礎研究趨勢分析相對於專利趨勢分析，其重要性有過之而無不及。 在分析方法方面，現存的書目記錄以科學與技術類佔大多數，因此，以書目計量學為工具，自然成為研究「科學」技術整體發展的主流。除了傳統的計量分析之外，利用自動化的方法，挖掘大量文件中的隱含及有用知識，也是最近熱門的研究議題。對探勘技術而言，關聯分析、分群、預測等探勘技術，也漸漸成為技術預測不可或缺的工具之一。 過去曾有眾多的研究利用書目計量來分析學術論文或專利資訊，而最近幾年則陸續出現利用文字探勘來分析學術論文或專利資訊，但這樣的分析結果是片段而不完全的。本研究提出整合性的概念，同時結合計量分析（Bibliometrics）與文字探勘（Text Mining）兩種方法，分別對學術論文（Science Citation Index Expanded）與專利資訊（Derwent World Patents Index）這兩種文獻資料作分析，透過互相比較來瞭解技術發展的趨勢。除此之外，也希望透過個案分析，對本研究所提出之方法論本身，探討之間的關聯性。 在選擇個案方面，奈米科技是目前最熱門的科技產業發展方向。其中最具代表性的產業即「半導體產業」和「微機電系統產業」。蝕刻（Etching）製程與設備技術的良劣，直接影響晶圓產品良率的高低，是影響奈米科技未來發展的重要技術之一。故蝕刻技術之發展趨勢值得深入研究。 而本研究之研究結論如下： 1.技術趨勢分析在層次上宜由遠（計量分析）而近（文獻探勘），理論（論文資料）與應用（專利資料）應並重，分析結果才能互補長短。 2.科學發展與市場需求為專利技術生命週期的領先指標。 3.科學發展增加技術商業化的應用，但市場需求則強化了創新擴散的效果。 4.蝕刻技術的基礎研究目前處於成熟期，而技術發展目前處於成長期。在電子產品輕薄短小、高效能的需求下，預期蝕刻技術將持續被商業化應用。 5.蝕刻技術的領先地位，美商已逐漸被亞洲企業所取代，尤其近來南韓的半導體廠商最為積極。台灣的台積電和聯電過去已累積雄厚的技術發展基礎，惟台灣在基礎研究與產學合作方面仍待加強。

近年來台灣政府積極推動「營造英語生活環境行動方案」，再加上「國小英語課程」的實施，使得國小校園中充斥各種英語印刷文字佈置。本研究旨在了解這些校園英語環境印刷文字佈置之設計與成效及如何有效運用這些英語教學資源。 本研究對象來自於台北縣一國小九位教職員(其中包括四位行政人員和五位英語教師)以及622位三到六年級的學童。資料收集主要來源為訪談及問卷。收集的資料(主要採用描述性統計及卡方檢定)分別進行分析比較。 本研究主要的發現如下: 1.校園英語環境印刷文字佈置設計規劃主要由教育主管機關以及學校行政人員決定和負責。 2.英語教師參與校園英語環境印刷文字佈置設計規劃的程度會影響她們是否使用這些英文印刷文字進行教學的意願。 3.80%以上的受訪學生都注意到校園中的英語環境印刷文字佈置，也顯示高度的學習意願。但是由於多數英語教師未使用這些英語環境印刷文字於教學，這些校園英語環境印刷文字佈置對於學生英語學習幫助不明顯。 4.大部分的受訪者贊同校園中英語環境印刷文字佈置的必要性，並提出建議。 本研究有助於初步瞭解校園中英語環境印刷文字佈置的設計使用情形和成效。文末作者進一步提供英語環境印刷文字佈置設計和應用之相關建議，作為未來校園英語環境印刷文字佈置設計之參考。 / In Taiwan, with the policy of creating an English-friendly environment and new elementary school English curriculum, different kinds of environmental print (EP) such as English signs and English learning related posters can be seen in nearly every elementary school. It is important to have a clear idea about the effectiveness of elementary school’s environmental print (ESEP) and how to make use of ESEP. The purpose of the present study is to investigate the design of the ESEP and its effect in language learning and teaching. Participants of the study were nine school staff and 622 students sampled from the third grade to the sixth grade in one elementary school in Taipei county. Two sets of interviews and questionnaires were employed to collect data. Both qualitative analysis of interviews and quantitative statistical analysis (descriptive statistics focusing on frequency and percentage examination, and chi-square test) of the questionnaire were employed. The major findings are summarized as follows. First, the design of ESEP is primarily a top-down process. The educational authority and the school’s administrative staff directed the design of ESEP. Second, the degree of the involvement of the design of ESEP influenced English teachers’ willingness to conduct ESEP instruction. Third, more than 80% of the students noticed the existence of ESPE and showed high interest in learning about ESEP. However, without English teachers’ instruction, the effectiveness of ESEP in students’ language learning was not obvious. Fourth, most participants appreciated the existence of ESEP, and they gave suggestions for future ESEP development. Finally, some implications and suggestions for future research were discussed.

在網際網路快速發展下，大量使用者在獲取知識與新聞的管道，已由傳統媒體轉移到網路上。網路活動下使用者互動後所留下的訊息，也就是網路口碑，也逐漸受到重視。而隨著經濟發展，國人在固定薪資下無法負擔高房價、高物價的生活，如何透過投資理財來增加自身財富，已是非常普遍，其中又以股市投資為大眾所重視之途徑。 網路新聞的發布，除了具有網路的即時性外，配合使用者閱讀內化後所留下的評論，應含有比網路新聞本身內容更多的資訊，投資者便可藉此找尋隱含之中大量市場消息與資訊。 本研究為了在龐大的資料量中，幫助使用者挖掘其背後之涵義，進而提供投資預測，將蒐集網路新聞及其閱讀者評論共1068篇，並分為訓練資料與測試資料，使用文字探勘及相關技術做前處理，再透過kNN分群技術，計算訓練資料文件間相似度，將大量未知資料依其相似度做分群後，利用歷史股價訊息對群集結果之特徵分析解釋之並建立預測模型，最後透過測試資料將模型分群結果進行評估，進而對股價趨勢做出預測。 / With the rapid development of the Internet, the way of user access to knowledge and news transfer from traditional media to the network. Internet word-of-mouth, the message generated from users' interaction on internet, attracts more and more people's attention. With economic development, people in the fixed salary cannot afford high prices and high price in live. People increase their own wealth through investment is very common, among which the stock market is the way to public attention. Internet news has the immediacy of the Internet. And the comments left with the user to read the internalization should contain more information than the Internet news. Investors can find the market news and information by Internet news and comments. In this study, in order to help the user to find the meaning behind the huge amount of data, and thus provide investment forecast. We will collect 1068 of internet news and reader reviews to divide into training data and test data using text mining and related technologies to do the pre-treatment, and then calculate the similarity between the training data by kNN, a lot of unknown data according to their similarity clustering. Cluster through the historical share price analysis and modeling. Finally, the model clustering results were evaluated through the test data to predict price trends. The prediction model from training data clustering, use test data to do the evaluation found: k = 15, the similarity threshold value = 0.05, cluster the results of the F-measure performance up to 56% rise in the cluster. K values and the similarity threshold will be adjusted to obtain the most favorable results of the model

本研究以1993年到2017年3月間的193篇FOMC Minutes作為研究素材，先採監督式學習方法，利用潛在語意分析（latent semantic analysis，LSA）萃取出升息、降息及不變樣本的潛在語意，再以線性判別分析(Linear Discriminant Analysis, LDA)進行分類；此外，本研究亦透過非監督式學習方法中的探索性資料分析(Exploratory Data Analysis, EDA)，試圖從FOMC Minutes中找尋相關變數。研究結果發現，LSA可大致區分出升息、降息及不變樣本的特徵，而EDA能找出不同時期或不同類別下的重要單詞，呈現文本的結構變化，亦能進行文本分群。 / In this study, 193 FOMC Minutes from 1993 to March 2017 were used as research materials. The latent semantic analysis (LSA) in supervised learning methods was used to extract the potential semantics of interest rate increased, decreased, and unchanged samples, and then linear discriminant analysis (LDA) was used for classification. In addition, this study attempts to find relevant variables from FOMC Minutes through exploratory data analysis (EDA) in unsupervised learning methods. The results show that LSA can distinguish the characteristics of interest rate increased, decreased, and unchanged samples. EDA can find relevant words in different periods or different categories, show changes in the text structure, and can also classify the texts.

面對全球資訊網(WWW)應用蓬勃發展，網際網路上充斥著各種類型的資訊資源。而如何有效地管理及檢索這些資料，就成為當前資訊管理的重要課題之一。在發掘資訊時，最常用的便是搜尋引擎，透過比對查詢字串與索引表格(index table)，找出相關的網頁文件，並回傳結果。但因為網頁描述資訊的不足，導致其回覆大量不相關的查詢結果，浪費使用者許多時間。 為了解決上述問題，就資訊搜尋的角度而言，本研究提出以文字開採技術實際分析網頁內容，並將其轉換成維度資訊來描述，再以多維度資料庫方式儲存的架構。做為改進現行資訊檢索的參考架構。 就資訊描述的角度，本研提出採用RDF(Resource Description Framework)來描述網頁Metadata的做法。透過此通用的資料格式來描述網路資源，做為跨領域使用、表達資訊的標準，便於Web應用程式間的溝通。期有效改善現行網際網路資源描述之缺失，大幅提昇搜尋之品質。

本論文採用負向促發作業，探討中英雙語者之認知處理，主要研究目的為：一、探討雙語連結因不同促發順序（L1-L2 或 L2-L1）所致的不對稱性，及其連結性質的差異。二、探討不同 L2 熟練度的雙語者，是否表現出不同的雙語連結型態，而有發展性變遷的現象。三、探討雙語概念、詞彙的連結，是否會因文字形式、雙語文字間的相關或對譯關係的不同，而有不同的型態。 在兩個實驗中，所進行之負向促發作業卻產生正向促發效果，根據文獻推論可能是 SOA 間距不夠長；且繼續分析此促發效果型態，仍有其理論意義。 實驗一以 20 名中文四同學、 20 名英文四同學，進行匿視促發項之跨語言語意相關字彙判斷作業，結果發現：促發順序 L1-L2 產生顯著效果、L2-L1 無顯著效果、兩方向間的不對稱值隨著 L2 熟練度提高而變小。顯示雙語間的不對稱現象，是因兩方向之連結性質不同所致，且此不對稱有發展性變遷的現象，與雙語之「修正階層模式」預測一致。 實驗二以 24 名一般大學生，採相同作業程序，進行匿視促發項之跨語言對譯字（具體、抽象）、相關字字彙判斷，結果發現：整體之數據分析，顯示對譯字並未比相關字產生較大效果；具體對譯字也沒有比抽象對譯字產生較大效果；具體對譯字在兩促發順序之不對稱值也沒有比抽象對譯字小。但分別將對譯字、相關字在不同促發順序分析其不對稱情形、及在 L2-L1 情況對譯字、相關字之效果差異，顯示此部份結果符合以「修正階層模式」為基礎所提出之預測。 總括而言，中英雙語之概念、詞彙連結之不對稱性，亦能以「修正階層模式」加以解釋；但是文字形式對中英雙語之影響，仍有待更進一步研究來加以釐清。

本論文使用非監督式新細胞認知機（Unsupervised neocognitron）神經網路來便是印刷體中文字。 關於非監督式新細胞認知機，本論文提出兩項修改。第一項，Us1子層的結點不進行學習，而是直接套用人為方式所指定的12個區域特徵，而Us1之後的S子層仍然使用非監督式學習的方式決定其所要偵測的區域特徵。第二項修改則是，在學習過中設定一個上限值來限制代表節點（representative）產生的個數。如此設計的目的是為了避免模板（cell-planes）分配不均的問題。在本研究，採用這兩項修改的新細胞認知機稱為模式一，而使用第二項修改的新細胞認知機稱為模式二。 本論文裡的所有實驗分為兩部分。在第一部分有四個實驗，這些實驗都使用相同的訓練範例與測試範例。訓練範例有兩組，第一組包含“川”,“三”,“大”,“人”,“台”等五個中文字。而第二組包含“零”,“壹”,“貳”,“參”,“肆”等中文字。訓練範例都市採用細明體，而測試範例則是採用其他九種不同字體。第一個實驗的主要目的是測試模式一的績效。實驗結果顯示，模式一很容易學習成功而且辨識率可以接受。另外三個實驗的目的是想要了解某些參數值與系統績效的關係。這些參數包含S-欄的大小（the size of S-column），模板樹（the number of cell-planes），以及節點的接收場大小（the size of cells’ receptive field）。這三個實驗所使用的網路系統是模式一。 第二部分有二個實驗，主要的目的是比較模式一與模式二的系統績效。在第一個實驗，所使用的訓練範例與第一部分實驗相同。實驗結果顯示模式一比較容易成功地學習，而且系統有不錯的表現。第二個實驗，使用17個中文字做為訓練範例。這17個字包括“零”,“壹”,“貳”,“參”,“肆”,“伍”,“陸”,“柒”,“捌”,“玖”,“拾”,“佰”,“仟”,“萬”,“億”,“圓”,“角”。實驗結果顯示，模式一仍然是一個不錯的系統。 / In this study, we are investigating the feasibility of applying the unsupervised neocognitron to the recognition of printed Chinese characters. Two propositions for the unsupervised neocognitron are mentioned. The first on proposes that the input connections of the first layer are manually given, and all subsequent layers are trained unsupervised. The second one concerns the selection of representatives. During the process of learning, the number of cell-planes that send representatives for each training pattern has an upper bound. The unsupervised neocognitron with implementing these two propositions is named as Model 1, and the unsupervised neocognitron with implementing only the second proposition is named as Model 2. Experiment in this study are grouped into two parts, called Part I and Part II. In Part I, four experiments are conducted. For each experiment, two sets of training patterns will be conducted respectively. The first one, called the simple training set, consists of five printed Chinese characters“川”,“三”,“大”,“人”, and “台” with size of 25*25 in MingLight font. The second one, called the complex training set, contains another five printed Chinese characters“零”,“壹”,“貳”,“參”, and “肆” in the some font and size. After training, these characters of other nine different fonts are presented to test the generalization of the network. The objective of the first experiment of Part I is to investigate the performance of Model 1. Simulation results shot that Model 1 demonstrates a good ability to achieve a successful learning. In other three experiments, the effect of choosing different value for some parameters in investigated. The parameters include the size of S-column, the number of cell-planes, and the receptive field of cells. In Part II, a comparison of the performance of Model 1 and Model 2 is made. In the first experiment, Model 1 and Model 2 are trained to recognize the simple and complex training sets described above. Experimental results show that Model 1 shows higher ability to achieve a successful learning, and performance of Model 1 is acceptable. In the second experiment, 17 training patterns are presented during the learning process. These training patterns include “零”,“壹”,“貳”,“參”,“肆”,“伍”,“陸”,“柒”,“捌”,“玖”,“拾”,“佰”,“仟”,“萬”,“億”,“圓”,, and “角”. From the simulation results, Model 1 is a promising approach for the recognition of printed Chinese characters.