本論文は、1923年9月に発生した関東大震災における朝鮮人虐殺事件を経験し生き延びた朝鮮人にとって、関東大震災朝鮮人虐殺がどのような出来事だったのかについて実証的に明らかにしようとしたものである。本論文の課題は、第一に、関東大震災朝鮮人虐殺を経験し生き延びた朝鮮人の生と記憶について。第二に、日朝間にまたがる関東大震災に対する日本の治安当局の対応。そして第三に、朝鮮人虐殺事件後、朝鮮社会にどのような影響を及ぼしたのか。以上の三点を明らかにすることである。 / 博士(現代アジア研究) / Doctor of Philosophy in Contemporary Asian Studies / 同志社大学 / Doshisha University

京都大学 / 新制・課程博士 / 博士(教育学) / 甲第22928号 / 教博第256号 / 新制||教||199(附属図書館) / 京都大学大学院教育学研究科教育学環専攻 / (主査)教授 佐藤 卓己, 講師 福井 佑介, 准教授 竹内 里欧, 教授 孫 安石(神奈川大学) / 学位規則第4条第1項該当 / Doctor of Philosophy (Education) / Kyoto University / DGAM

付記する学位プログラム名: デザイン学大学院連携プログラム / 京都大学 / 新制・課程博士 / 博士(教育学) / 甲第24159号 / 教博第279号 / 新制||教||213(附属図書館) / 京都大学大学院教育学研究科教育学環専攻 / (主査)教授 齊藤 智, 准教授 野村 理朗, 教授 楠見 孝, 教授 田中 利幸 / 学位規則第4条第1項該当 / Doctor of Philosophy (Education) / Kyoto University / DGAM

本研究旨在探討「以常用詞根輔以圖像構詞式詞彙教學法」、「常用詞根無圖像構詞式詞彙教學法」及傳統的「詞義說明式詞彙教學法」在學生的詞彙記憶上的差異；本研究亦探討學生的英文詞彙量、構詞察覺度、短期記憶、長期記憶及拼詞能力之間的相關。 本研究的主要發現如下：接受「以常用詞根輔以圖像構詞式詞彙教學法」的學生比接受「常用詞根無圖像構詞式詞彙教學法」及傳統的「詞義說明式詞彙教學法」的學生表現出更好的構詞察覺度、短期記憶、長期記憶及拼詞能力。在這三組中，構詞察覺度較高的學生對生詞有較佳的短期記憶與長期記憶能力，反之亦然；在詞彙記憶方面，短期記憶力較佳則長期記憶力也是較佳，反之亦然；並且，一星期後的後測分數比較高的學生在一個月後的後後測分數也會比較高；再者，詞彙的短期記憶與學生英文詞彙量的差異無關，因為學生所記住的生詞都可以持續短暫的時間，但不一定能長久記憶。 / This study aims to investigate the discrepancy in the use of the iconic-morphological approach via commonly-used roots, the non-iconic morphological approach via commonly-used roots, and the traditional definition-based teaching method in vocabulary memorization. It also explores the correlation between English vocabulary size, awareness of morphology, short-term memory for words, long-term memory for words, and vocabulary spelling abilities. The subjects of this study are 91 third-year students studying at the National Overseas Chinese Experimental Senior High School in Taipei County. They received instruction in the iconic-morphological approach via commonly-used roots, the non-iconic morphological approach via commonly-used roots, and the traditional definition-based teaching method, respectively. In the beginning, the three groups took the same pre-test to examine their vocabulary size. Then, subjects were immediately asked to take post-test 1 to examine their awareness of morphology after receiving different instructions. Later, subjects were asked to memorize forty unknown words within twenty minutes and then to take post-test 2 to investigate their short-term memory for words. A week later, post-test 3 was held to check their long-term memory for words. A month later, they sat for post-test 4, used to explore their longer-term memory for the forty words. In conclusion, the study summarizes the main findings pertinent to the proposed research questions. The students who receive instruction in the iconic-morphological approach via commonly-used roots finally develop higher awareness of morphology, better short-term memory for words, better long-term memory for words, and better spelling ability than those who learn in the traditional definition-based approach or in the non-iconic morphological approach via commonly-used roots. Among the three groups, the students who display higher awareness of morphology have better short-term memory and long-term memory for words, and vice versa. Moreover, those who have better short-term memory have better long-term memory, and vice versa; those who have better one-week long-term memory for words definitely have better one-month long-term memory for words. Interestingly, students can learn words by rote for a short period of time regardless of their vocabulary size. That is, one person’s short-term memory for words is not correlated with his vocabulary size.

本篇文章將採用長期記憶模型之一的HYGARCH模型，搭配1985年廣場協議後的日圓匯率期貨資料來估計日圓期貨匯率買入和放空部位的日報酬風險值，探討控管日圓匯率期貨在使用上的風險。為了更準確地計算風險值，本文採用常態分配、學生t分配以及偏態學生t分配來作模型估計以及風險值之計算。 本文實證的結果將有兩方面的貢獻：首先，實證結果顯示當我們採用厚尾分配估計風險值時，樣本內風險值的估計誤差會與信賴水準的高低呈正比的現象，證明在極端的風險值估計上，厚尾分配均有較佳的表現。其次，與其他使用HYGARCH模型研究日圓匯率的文章相較，本文在風險控管層面上所提供的偏態學生t分配，於估計風險值時，比起只考慮厚尾的對稱學生t分配將來得更為有效，其不但在估計誤差上較小，而且根據Kupiec檢定法，其在樣本內的風險值估計也有較好的表現。此外，本文也將多方證明此資料的偏態分配屬於右偏。 / In order to manage the exposure of the dollar/yen futures returns with regarding the long memory behavior in volatility, we use the HYGARCH(1,d,1) model with the data after the Plaza Accord to compute daily Value-at-Risk (VaR) of long and short trading positions. To take into account the fat-tail situation in financial time series, we estimate the model under the normal, Student-t, and skewed Student-t distributions. The contribution of this article is twofold. First, the empirical results show that the bias of in-sample VaR increases as the confidence level increases when VaR is calculated with a fat-tail distribution. Second, we provide a better distribution, the skewed Student-t innovation, for estimating the HYGARCH model for the Japanese yen in respect of risk management because the bias under the skewed Student-t innovation is smaller than that under the Student-t distribution, and in-sample VaR of the models with a skewed Student-t distribution outperforms based on Kupiec test. In addition, we get the innovation skewed to the right through the in-sample VaR analysis.

二十一世紀初的經濟不景氣橫掃了全球的DRAM製造產業，讓全世界的DRAM製造產商大賠了120億美金，國內廠商受傷尤其嚴重，甚至發生公司債之債務不履行事件，國內廠商岌岌可危。本論文主要係以案例探討之方式，研究國內DRAM製造廠商之經營模式、產業特性與風險管理問題，尤其在面對國際間產業劇烈之競爭下，國內之DRAM製造商的經營條件比國際大廠更為艱困，例如：金融環境、政府支援程度、生產規模、技術自主問題等與國外廠商皆有一段差距，因此在經營上所面對之風險與其他國家製造商相較，其實更為險峻。 / 本文以案例公司發生公司債之債務不履行事件為切入點，深入地了解一家在本國企業中屬於中大型企業之DRAM製造公司，為何會有債務不履行之情況發生？其近因似為案例公司在財務上過度倚賴公司債為籌資工具，且公司債之到期或轉換公司債之履約期間過於密集，以致產生流動性問題，然而其遠因乃在於DRAM產品價格快速的滑落，廠商缺乏適當的風險管理工具及機制以應付DRAM之價格風險。DRAM產品為成本競爭導向之標準產品，成本競爭來自於生產良率、製程微縮與新建更大尺寸廠房，當每家廠商都競逐於經濟規模以降低成本時產業會變得不穩定而暴起暴落，在產品價格處於高點時，所有廠商將產能利用率(稼動率)推到最高，此時因產能稼動率高，因此平均每單位晶片之生產成本較低，所以廠商獲利頗豐，並可輕易自資本市場取得資金擴充產能；等到市場供過於求，產品價格下跌處於低點時，廠商只好減產以降低損失，在其他條件不變下，此時因產能稼動率低，因此平均每單位晶片之生產成本反而較產品價格好時還要高，產品價格下跌所帶來的巨額損失，對廠商的虧損有乘數效果，此時廠商在資本市場或銀行等間接金融市場都不容易籌措到資金，本文以案例公司所面對之風險管理問題，提供幾個避險之建議，其中包括金融業、政府等應該能夠扮演更積極的角色，創造共贏共榮的局面，並避免類似之事件再發生，此為本文最大之貢獻。

全球面臨人口老化與人口不斷成長的壓力下，對於醫療服務的需求不斷提升。醫療服務領域中常以資料探勘「關聯規則」分析，挖掘隱藏在龐大的醫學資料庫中的知識(knowledge)，以支援臨床決策或創新醫療服務。隨著醫療服務與應用推陳出新(如，電子健康紀錄或行動醫療等)，與醫療機構因應政府政策需長期保存大量病患資料，讓醫療領域面臨如何有效的處理巨量資料。 然而傳統的關聯規則演算法，其效能上受到相當大的限制。因此，許多研究提出將關聯規則演算法，在分散式環境中，以Hadoop MapReduce框架實現平行化處理巨量資料運算。其相較於單節點 (single-node) 的運算速度確實有大幅提升。但實際上，MapReduce並不適用於需要密集迭帶運算的關聯規則演算法。 本研究藉由Spark記憶體內運算框架，在分散式叢集上實現平行化挖掘多維度多顆粒度挖掘關聯規則，實驗結果可以歸納出下列三點。第一點，當資料規模小時，由於平行化將資料流程分為Map與Reduce處理，因此在小規模資料處理上沒有太大的效益。第二點，當資料規模大時，平行化策略模式與單機版有明顯大幅度差異，整體運行時間相差100倍之多；然而當項目個數大於1萬個時，單機版因記憶體不足而無法運行，但平行化策略依舊可以運行。第三點，整體而言Spark雖然在小規模處理上略慢於單機版的速度，但其運行時間仍小於Hadoop的4倍。大規模處理速度上Spark依舊優於Hadoop版本。因此，在處理大規模資料時，就運算效能與擴充彈性而言，Spark都為最佳化解決方案。 / Under the population aging and population growth and rising demand for Healthcare. Healthcare is facing a big issue how to effectively deal with huge amounts of data. Cased by new healthcare services or applications (such as electronic health records or health care, etc), and also medical institutions in accordance with government policy for long-term preservation of a large number of patient data. But the traditional algorithms for mining association rules, subject to considerable restrictions on their effectiveness. Therefore, many studies suggest that the association rules algorithm in a distributed computing, such as Hadoop MapReduce framework implements parallel to process huge amounts of data operations. But in fact, MapReduce does not apply to require intensive iterative computation algorithm of association rules. Studied in this Spark in-memory computing framework, implemented on a distributed cluster parallel mining association rules mining multidimensional granularity, the experimental results can be summed up in the following three points. 1th, when data is small, due to the parallel data flow consists of Map and Reduce, so not much in the small-scale processing of benefits. 2nd, when the data size is large, parallel strategy models and stand-alone obviously significant differences overall running time is 100 times as much when the item number is greater than 10,000, however, stand-alone version cannot run due to insufficient memory, but parallel strategies can still run. 3rd, overall Spark though somewhat slower than the single version in small scale processing speed, but the running time is less than 4 times times the Hadoop. Massive processing speed Spark is still superior to the Hadoop version. Therefore, when working with large data, operational efficiency and expansion elasticity, Spark for optimum solutions.

一、研究動機與目的 本研究的目的，在於探討血壓胺在記憶上是扮演抑制或促進的角色，由於腦中的血壓 胺有百分之八十以上含量分佈在背縫核（B ７）和腹縫核（B ８），而投射到前腦， 背縫核大部份投射到紋狀體，腹縫核大部份投射到海馬迴，兩者在功能上有很多不一 樣的地方。因此，本實驗目的，在於分別破壞紋狀體、海馬迴和前腦中血壓胺的含量 ，來探討血壓胺在記憶上所扮演的角色。 二、研究方法 （一）實驗動物 實驗動物為９０隻雄性大白鼠。 （二）實驗程序 首先分成三個實驗進行，分別手術前腦、紋狀體、海馬迴三個區域。手術十天後，開 始進行實驗，分別給予電擊訓練後，馬上注射藥物至手術的區域，以破壞血壓胺的含 量，四十八小時後，測試大白鼠對於電擊的記憶，測試完畢之後，馬上將大白鼠犧牲 掉，分別取前腦、紋狀體、海馬迴、背縮核以及腹縫核的組織，以作組織化學分析。 （三）統計分析 （１）有關記憶的行為反應，以無母數統計方法進行分析。 （２）有關腦部血壓胺含量的分析，以單因子變異量的模式進行分析。 （四）預期實驗結果 （１）行為分析 破壞血壓胺組的大白鼠，其記憶行為反應較未破壞組的大白鼠差。 （２）組織化學分析 血壓胺的含量：背縫核較腹縫核多。未被破壞組較破壞組多。

近幾年，風險值已經成為金融機構風險控管的重要工具。它的明確及簡單易懂是其讓人接受的原因，加上巴塞爾銀行監理委員會在1996提出的巴塞爾協定修正，規定銀行將市場風險因素納入考量，並允許銀行自行發展內部模型，以風險值模型衡量市場風險後，各種風險值的估算方法相繼被提出。 本篇論文是使用部分整合自回歸條件變異數（Fractional Integrated Generalized Autoregressive Conditional Heteroskedasticity，簡稱FIGARCH）計算長期利率期貨多空部位的每日風險值。選取的三支長期利率期貨是在芝加哥期貨交易所掛牌的三十年期美國政府債券期貨（TB）、十年期美國政府債券期貨（TN） 與十年期市政債券指數期貨（MNI）。 利率期貨的研究在過去文獻中，甚少被提及。但隨著利率型商品日新月異的發展，以利率期貨避險的需求也與日遽增。尤其在台灣，利率期貨更是今年新登場的期貨商品。因此，我選擇利率期貨作為研究標的，藉由以FIGARCH模型來配適波動性，提供避險者一個估算風險值的方法。 FIGARCH模型係由Baillie、Bollerslev與Mikkelsen於1996所提出，與傳統GARCH模型所不同的是，FIGARCH模型特別適用於描述具有波動性長期記憶（Long Memory）性質的資料。所謂長期記憶性，是指衝擊所造成的持續性是以緩慢的雙曲線速率衰退。而許多市場實證分析均指出，FIGARCH較適合用來描述金融市場上的波動性。此外，本研究的風險值計算，除了一般實務界常用的常態分配以外，還考慮了t分配與偏斜t分配，以捕捉財務資料常見的厚尾與偏斜的特性。 而實證結果顯示，長期利率期貨報酬率的波動性確實存在長期記憶性，所以FIGARCH(1,d,1)模型可以適切地估算長期利率期貨的每日風險值，不論在樣本內或樣本外的風險值計算均優於傳統GARCH(1,1)模型的計算結果。至於各種不同分配的比較，在樣本內的風險值計算，當α=0.05時，常態分配FIGARCH(1,d,1)模型表現較佳；當α=0.025到0.0025時，t分配與偏斜t分配FIGARCH(1,d,1)模型表現較佳，而偏斜t分配FIGARCH又稍微優於t分配FIGARCH(1,d,1)模型。 而樣本外的風險值預測，則有不同的結果，當α=0.05，t分配與偏斜t分配FIGARCH(1,d,1)模型表現較佳；而α=0.01時，常態分配FIGARCH(1,d,1)模型表現較佳。而且t分配與偏斜t分配FIGARCH(1,d,1)模型在α=0.01會出現太過保守的情形，出現失敗率（failure rate）為零，高估風險值。 / Value-at-Risk (VaR) has become the standard measure used to quantify market risk recently, and it is defined as the maximum expected loss in the value of an asset or portfolio, for a given probability α at a determined time period. This article uses the FIGARCH(1,d,1) models to calculate daily VaR for long-term interest rate futures returns for long and short trading positions based on the normal, the Student-t, and the skewed Student-t error distributions. The U.S. Treasury bonds futures, Treasury notes futures, and municipal notes index futures of daily frequency are studied. The empirical results show that returns series for three interest rate futures all have long memory in volatility, and should be modeled using fractional integrated models. Besides, the in-sample and out-of-sample VaR values generated using FIGARCH(1,d,1) models are more accurate than those generated using traditional GARCH(1,1) models. For different distributions among FIGARCH(1,d,1) models, the normal FIGARCH(1,d,1) models are preferred for in-sample VaR computing whenα=0.05, and the Student-t and skewed Student-t models perform better for in-sample VaR computing whenα=0.025-0.0025. Nonetheless, for out-of-sample VaR, the Student-t and skewed Student-t FIGARCH(1,d,1) models perform better in the case α=0.05 while the normal FIGARCH(1,d,1) models perform better in the case α=0.01. The VaR values obtained by the Student-t and skewed Student-t FIGARCH(1,d,1) models are too conservative whenα=0.01.

本研究以理學院大學數學學科能力測驗成績在7級分以上的女大學生49名作為研究對象，操弄兩種刻板印象：『女性的數學較差』與『理學院的學生數學能力較好』，結合『刻板印象威脅』與『刻板印象提升』的概念，探討一個同時具有正負向刻板印象的當事人，當被激發不同所屬團體認同（性別/科目），對於受試者工作表現、工作選擇與自我能力評估的影響，並驗證考試焦慮與工作記憶容量作為刻板印象效果的中介變項之可能性。 本研究為單因子設計，獨變項『不同認同團體激發』有三組：性別認同組、理學院認同組、控制組。依變項則有8項指標：工作記憶容量測驗分數、數學測驗分數、考試焦慮量表分數、考試焦慮生理測量、數學測驗選擇難度、數學測驗難度評估、自我評估數學能力、刻板印象相信程度。 研究結果發現，當受試者被激發理學院認同時，他們的確會受到刻板印象提升效果的影響，造成工作記憶容量上升，但當受試者被激發性別認同時，他們在工作記憶容量測驗上的表現和控制組的受試者並沒有差異，亦即，刻板印象威脅效果沒有顯現。而接受到不同認同團體激發的受試者，儘管在自陳式考試焦慮量表上並沒有顯現出差異，然而在脈搏測量上則顯現出組間差異。 另外，在『測驗難度選擇』方面，本研究發現理學院認同組的受試者較其他組受試者會選擇較困難的作業。然而，在『數學能力測驗難度評估』、『對自己能力的評估』、『刻板印象的相信程度』這三方面，不同組的受試者則沒有顯現出差異。而本研究所提出的刻板印象效果之中介機制，並未在本實驗中得到支持。最後，研究者除了對上述結果進行討論之外，亦提出本研究的限制以及對未來研究的建議。