本研究旨在建構適合臺灣的高等教育資歷架構指標構面，研究先以文獻歸納方式，初擬臺灣高等教育資歷架構構面指標，再以12位專家為對象，利用模糊德菲法建構指標，再以模糊層級分析法求得各構面指標權重。資料分析結論如下： 一、博士學位構面指標 (一)博士學位構面重要性以「能力」為最高，而以「技能」為最低 (二)「知識」構面下指標重要性以「具備該領域知識批判及理解能 力」為最高，而以「理解研究方法之最適選擇」為最低 (三)「技能」構面下指標重要性以「對於該領域知識有關文獻或方法能進行深入的評論」為最高，而以「批判性評估與運用數字、圖像及數據」為最低 (四)「能力」構面下指標重要性以「在專業領域或學術活動中具備高度自主性及反省能力」為最高，而以「透過研究提出有水準的論文，以創新或詮釋知識」為最低 (五)博士學位指標串聯權重重要性以「在專業領域或學術活動中具備高度自主性及反省能力」為最高，而以「批判性評估與運用數字、圖像及數據」為最低 二、碩士學位構面指標 (一)碩士學位構面重要性以「能力」為最高，而以「知識」為最低 (二)「知識」構面下指標重要性以「具備高度的專業領域知識」為最高，而以「理解研究方法之最適選擇」為最低 (三)「技能」構面下指標重要性以「整合研究結果並將其運用至實務中」為最高，而以「在專業領域中具備專業解決問題技能」為最低 (四)「能力」構面下指標重要性以「在複雜任務設定及工作成果上，展現領導力」為最高，而以「研究能獲認可」為最低 (五)碩士學位指標串聯權重重要性以「在複雜任務設定及工作成果上，展現領導力」為最高，而以「在專業領域中具備專業解決問題技能」為最低 三、學士學位構面指標 (一)學士學位構面重要性以「能力」為最高，而以「知識」為最低 (二)「知識」構面下指標重要性以「具備主修學科的基礎知識」為最高，而以「理解知識的暫時性及有限性」為最低 (三)「技能」構面下指標重要性以「具備終身學習能力，以便不斷更新知識」為最高，而以「在有限資訊下能做出合理決定」為最低 (四)「能力」構面下指標重要性以「在專業團體中展現合作力」為最高，而以「能在他人引導下工作並具備反省能力」為最低 (五) 學士學位指標串聯權重重要性以「在專業團體中展現合作力」為最高，而以「在有限資訊下能做出合理決定」為最低 四、高等教育著重「能力」構面 五、博士著重「知識」構面 六、研究所強調「自主性」與「領導力」，大學部強調「合作力」 本研究藉由結論發現，針對實務應用及未來研究提出如下之建議： 一、實務應用方面 (一)對於教育行政機關建議 1.建立高等教育學術資歷架構 2.評鑑指標強調學生能力構面 3.高教培育政策注重倫理道德 (二)對於高等教育機構建議 1.畢業條件參酌高等教育指標 2.課程規劃強調能力構面培育 3.博士培育首重自主反省能力 4.碩士培育強調複雜工作領導 5.學士培育主張團體合作能力 6.高教培育著重專業倫理道德 二、未來研究方面 (一)擴大研究對象 (二)加入質性方法 (三)增加研究變項 / The purpose of the study was to construct the indicators for the Taiwan Framework for Higher Education Qualifications. Research methods include literature analysis, fuzzy Delphi technique and fuzzy AHP. In the literature analysis, this study discussed the theory of Framework for Higher Education Qualifications, studied Framework for Higher Education Qualifications. of each country and explored the initial construction of indicators for the Taiwan Framework for Higher Education Qualifications. In the empirical research, fuzzy Delphi questionnaire and fuzzy AHP questionnaires were used to investigate educational administration representatives, scholars and experts. The conclusions of this study are： 1.Doctor degree： (1)The highest overall weight distribution of the level in the doctor degree is “competency ”. The lowest overall weight distribution of the level in the doctor degree is “skill ”. (2)The highest overall weight distribution in the knowledge level in the doctor degree is “have the Critical and comprehensive ability in the professional domain”. The lowest overall weight distribution in the knowledge level in the doctor degree is “understand the most appropriate choice of the research methods ”. (3)The highest overall weight distribution in the skill level in the doctor degree is “comment deeply on the literature and methods ”. The lowest overall weight distribution in the skill level in the doctor degree is “estimate critically and utilize the number, figure and data ”. (4)The highest overall weight distribution in the competency level in the doctor degree is “have autonomy and reflective ability in the professional domain ”. The lowest overall weight distribution in the competency level in the doctor degree is “publish the essay with decent level by research to innovate and interpret knowledge ”. (5)The most importance indicators in the doctor degree is “have autonomy and reflective ability in the professional domain”. The least importance indicators in the doctor degree is “estimate critically and utilize the number, figure and data”. 2.Master degree： (1)The highest overall weight distribution of the level in the master degree is “competency ”. The lowest overall weight distribution of the level in the master degree is “knowledge ”. (2)The highest overall weight distribution in the knowledge level in the master degree is “have the high level knowledge in the professional domain”. The lowest overall weight distribution in the knowledge level in the master degree is “understand the most appropriate choice of the research methods ”. (3)The highest overall weight distribution in the skill level in the master degree is “integrate the research conclusions and apply the research conclusions”. The lowest overall weight distribution in the skill level in the master degree is “have the problem solve skill in the professional domain”. (4)The highest overall weight distribution in the competency level in the master degree is “have the leadership in the complicate task”. The lowest overall weight distribution in the competency level in the master degree is “research can be recognized ”. (5)The most importance indicators in the master degree is “have the leadership in the complicate task”. The least importance indicators in the master degree is “have the problem solve skill in the professional domain”. 3.Bachelor degree： (1)The highest overall weight distribution of the level in the bachelor degree is “competency ”. The lowest overall weight distribution of the level in the bachelor degree is “knowledge ”. (2)The highest overall weight distribution in the knowledge level in the bachelor degree is “have the basic knowledge of the major subject”. The lowest overall weight distribution in the knowledge level in the bachelor degree is “understand the temporality and limitation of knowledge”. (3)The highest overall weight distribution in the skill level in the bachelor degree is “have the life learning ability”. The lowest overall weight distribution in the skill level in the bachelor degree is “make reasonable decision in the limited information”. (4)The highest overall weight distribution in the competency level in the bachelor degree is “cooperate in the profession team”. The lowest overall weight distribution in the competency level in the bachelor degree is “work by the guidance and have the reflective ability”. (5)The most importance indicators in the bachelor degree is “cooperate in the profession team”. The least importance indicators in the bachelor degree is “make reasonable decision in the limited information”. 3.Doctor degree focus on “knowledge ” level than master degree and bachelor degree. 4.Graduate focus on autonomy and leadership. Undergraduate focus on cooperation. In addition, this research intends to offer suggestion respectively on the aspect of practical application and future study.

No description available.

Des milliards de «choses» connectées à l’internet constituent les réseaux symbiotiques de périphériques de communication (par exemple, les téléphones, les tablettes, les ordinateurs portables), les appareils intelligents, les objets (par exemple, la maison intelligente, le réfrigérateur, etc.) et des réseaux de personnes comme les réseaux sociaux. La notion de réseaux traditionnels se développe et, à l'avenir, elle ira au-delà, y compris plus d'entités et d'informations. Ces réseaux et ces dispositifs détectent, surveillent et génèrent constamment une grande uantité de données sur tous les aspects de la vie humaine. L'un des principaux défis dans ce domaine est que le réseau se compose de «choses» qui sont hétérogènes à bien des égards, les deux autres, c'est qu'ils changent au fil du temps, et il y a tellement d'entités dans le réseau qui sont essentielles pour identifier le lien entre eux.Dans cette recherche, nous abordons ces problèmes en combinant la théorie et les algorithmes du traitement des événements avec les domaines d'apprentissage par machine. Notre objectif est de proposer une solution possible pour mieux utiliser les informations générées par ces réseaux. Cela aidera à créer des systèmes qui détectent et répondent rapidement aux situations qui se produisent dans la vie urbaine afin qu'une décision intelligente puisse être prise pour les citoyens, les organisations, les entreprises et les administrations municipales. Les médias sociaux sont considérés comme une source d'information sur les situations et les faits liés aux utilisateurs et à leur environnement social. Au début, nous abordons le problème de l'identification de l'opinion publique pour une période donnée (année, mois) afin de mieux comprendre la dynamique de la ville. Pour résoudre ce problème, nous avons proposé un nouvel algorithme pour analyser des données textuelles complexes et bruyantes telles que Twitter-messages-tweets. Cet algorithme permet de catégoriser automatiquement et d'identifier la similarité entre les sujets d'événement en utilisant les techniques de regroupement. Le deuxième défi est de combiner les données du réseau avec diverses propriétés et caractéristiques en format commun qui faciliteront le partage des données entre les services. Pour le résoudre, nous avons créé un modèle d'événement commun qui réduit la complexité de la représentation tout en conservant la quantité maximale d'informations. Ce modèle comporte deux ajouts majeurs : la sémantiques et l’évolutivité. La partie sémantique signifie que notre modèle est souligné avec une ontologie de niveau supérieur qui ajoute des capacités d'interopérabilité. Bien que la partie d'évolutivité signifie que la structure du modèle proposé est flexible, ce qui ajoute des fonctionnalités d'extensibilité. Nous avons validé ce modèle en utilisant des modèles d'événements complexes et des techniques d'analyse prédictive. Pour faire face à l'environnement dynamique et aux changements inattendus, nous avons créé un modèle de réseau dynamique et résilient. Il choisit toujours le modèle optimal pour les analyses et s'adapte automatiquement aux modifications en sélectionnant le meilleur modèle. Nous avons utilisé une approche qualitative et quantitative pour une sélection évolutive de flux d'événements, qui réduit la solution pour l'analyse des liens, l’optimale et l’alternative du meilleur modèle. / Billions of “things” connected to the Internet constitute the symbiotic networks of communication devices (e.g., phones, tablets, and laptops), smart appliances (e.g., fridge, coffee maker and so forth) and networks of people (e.g., social networks). So, the concept of traditional networks (e.g., computer networks) is expanding and in future will go beyond it, including more entities and information. These networks and devices are constantly sensing, monitoring and generating a vast amount of data on all aspects of human life. One of the main challenges in this area is that the network consists of “things” which are heterogeneous in many ways, the other is that their state of the interconnected objects is changing over time, and there are so many entities in the network which is crucial to identify their interdependency in order to better monitor and predict the network behavior. In this research, we address these problems by combining the theory and algorithms of event processing with machine learning domains. Our goal is to propose a possible solution to better use the information generated by these networks. It will help to create systems that detect and respond promptly to situations occurring in urban life so that smart decision can be made for citizens, organizations, companies and city administrations. Social media is treated as a source of information about situations and facts related to the users and their social environment. At first, we tackle the problem of identifying the public opinion for a given period (year, month) to get a better understanding of city dynamics. To solve this problem, we proposed a new algorithm to analyze complex and noisy textual data such as Twitter messages-tweets. This algorithm permits an automatic categorization and similarity identification between event topics by using clustering techniques. The second challenge is combing network data with various properties and characteristics in common format that will facilitate data sharing among services. To solve it we created common event model that reduces the representation complexity while keeping the maximum amount of information. This model has two major additions: semantic and scalability. The semantic part means that our model is underlined with an upper-level ontology that adds interoperability capabilities. While the scalability part means that the structure of the proposed model is flexible in adding new entries and features. We validated this model by using complex event patterns and predictive analytics techniques. To deal with the dynamic environment and unexpected changes we created dynamic, resilient network model. It always chooses the optimal model for analytics and automatically adapts to the changes by selecting the next best model. We used qualitative and quantitative approach for scalable event stream selection, that narrows down the solution for link analysis, optimal and alternative best model. It also identifies efficient relationship analysis between data streams such as correlation, causality, similarity to identify relevant data sources that can act as an alternative data source or complement the analytics process.

Digitaliseringen av förskolan är ett faktum och läroplanen för förskolan är under förändring. Denna förändring kräver ökad kompetensutveckling för förskollärare eftersom ansvaret vilar hos dem att förse de stora barngrupperna med kunskap som de har rätt till. Ett sätt för huvudmannen att förse förskollärarna med kompetensutveckling är via IKT-grupper.Syftet med grupperna är att deltagarna ska inspireras och ta del av varandras arbete med digitala verktyg i förskolan. Syftet med vår undersökning är att belysa hur förskolläraren tar del av information om hur lärplattan kan användas som ett verktyg i verksamheten. Samtidigt syftar vår undersökning till att undersöka hur förskolläraren tillämpar lärplattan tillsammans med förskolebarn i den planerade aktiviteten. Studien grundas på observationer av planerade aktiviteter samt intervjuer med förskollärare från fyra förskolor i två kommuner i Mellansverige.Vårt resultat visar att förskollärare använder lärplattor i kombination med andra digitala verktyg för att engagera och göra fler barn delaktiga i de gemensamma lärprocesserna. Vidare visar vår forskning en indikation på att sociala medier är förskollärares primära inspirationskälla till utvecklandet av IKT-undervisningen och lärmiljön i förskolan.

Nous assistons actuellement à une explosion de la quantité des données visuelles. Par exemple, plusieurs millions de photos sont partagées quotidiennement sur les réseaux sociaux. Les méthodes d'interprétation d'images vise à faciliter l'accès à ces données visuelles, d'une manière sémantiquement compréhensible. Dans ce manuscrit, nous définissons certains buts détaillés qui sont intéressants pour les taches d'interprétation d'images, telles que la classification ou la recherche d'images, que nous considérons dans les trois chapitres principaux. Tout d'abord, nous visons l'exploitation de la nature multimodale de nombreuses bases de données, pour lesquelles les documents sont composés d'images et de descriptions textuelles. Dans ce but, nous définissons des similarités entre le contenu visuel d'un document, et la description textuelle d'un autre document. Ces similarités sont calculées en deux étapes, tout d'abord nous trouvons les voisins visuellement similaires dans la base multimodale, puis nous utilisons les descriptions textuelles de ces voisins afin de définir une similarité avec la description textuelle de n'importe quel document. Ensuite, nous présentons une série de modèles structurés pour la classification d'images, qui encodent explicitement les interactions binaires entre les étiquettes (ou labels). Ces modèles sont plus expressifs que des prédicateurs d'étiquette indépendants, et aboutissent à des prédictions plus fiables, en particulier dans un scenario de prédiction interactive, où les utilisateurs fournissent les valeurs de certaines des étiquettes d'images. Un scenario interactif comme celui-ci offre un compromis intéressant entre la précision, et l'effort d'annotation manuelle requis. Nous explorons les modèles structurés pour la classification multi-étiquette d'images, pour la classification d'image basée sur les attributs, et pour l'optimisation de certaines mesures de rang spécifiques. Enfin, nous explorons les classifieurs par k plus proches voisins, et les classifieurs par plus proche moyenne, pour la classification d'images à grande échelle. Nous proposons des méthodes d'apprentissage de métrique efficaces pour améliorer les performances de classification, et appliquons ces méthodes à une base de plus d'un million d'images d'apprentissage, et d'un millier de classes. Comme les deux méthodes de classification permettent d'incorporer des classes non vues pendant l'apprentissage à un coût presque nul, nous avons également étudié leur performance pour la généralisation. Nous montrons que la classification par plus proche moyenne généralise à partir d'un millier de classes, sur dix mille classes à un coût négligeable, et les performances obtenus sont comparables à l'état de l'art. / We are currently experiencing an exceptional growth of visual data, for example, millions of photos are shared daily on social-networks. Image understanding methods aim to facilitate access to this visual data in a semantically meaningful manner. In this dissertation, we define several detailed goals which are of interest for the image understanding tasks of image classification and retrieval, which we address in three main chapters. First, we aim to exploit the multi-modal nature of many databases, wherein documents consists of images with a form of textual description. In order to do so we define similarities between the visual content of one document and the textual description of another document. These similarities are computed in two steps, first we find the visually similar neighbors in the multi-modal database, and then use the textual descriptions of these neighbors to define a similarity to the textual description of any document. Second, we introduce a series of structured image classification models, which explicitly encode pairwise label interactions. These models are more expressive than independent label predictors, and lead to more accurate predictions. Especially in an interactive prediction scenario where a user provides the value of some of the image labels. Such an interactive scenario offers an interesting trade-off between accuracy and manual labeling effort. We explore structured models for multi-label image classification, for attribute-based image classification, and for optimizing for specific ranking measures. Finally, we explore k-nearest neighbors and nearest-class mean classifiers for large-scale image classification. We propose efficient metric learning methods to improve classification performance, and use these methods to learn on a data set of more than one million training images from one thousand classes. Since both classification methods allow for the incorporation of classes not seen during training at near-zero cost, we study their generalization performances. We show that the nearest-class mean classification method can generalize from one thousand to ten thousand classes at negligible cost, and still perform competitively with the state-of-the-art.

Diploma thesis focus on creation of neural network’s internal structure with goal of creation Artificial Neural Network capable of machine state monitoring and predicting its remaining usefull life. Main goal is creation of algorithm’s and library for design and learning of Artificial Neural Network, and deeper understanding of the problematics in the process, then by utilising existing libraries. Selected method was forward-propagation network with multi-layered perceptron architecture, and backpropagation learning. Achieved results was, that the network was able to determine parts state from vibration measurement and on its basis predict remaining usefull life.

<p dir="ltr">Vocabulary is a crucial element in second language learning. However, researchers in vocabulary acquisition express concerns about students’ successful acquisition of vocabulary (e.g., no significant gain after one semester of instruction (Clark & Ishida, 2005)) and the limited classroom instruction dedicated to vocabulary. In an effort to address these issues, the present study developed an online vocabulary learning system intended for use as homework, incorporating relevant theories, hypotheses, and empirical findings from existing literature and investigated its effectiveness employing a mixed-methods design.</p><p dir="ltr">For the quantitative component, students’ vocabulary gains were measured across three aspects of vocabulary knowledge (breadth/size, depth, and speed of access). A three-week experiment was conducted with students enrolled in the third-semester Japanese language course at a US Midwest institution. The final dataset included 54 students’ data. The experimental group (<i>n</i> = 28) utilized the new system to learn target words, while the control group (<i>n</i> = 26) used the current system employed in the course. The current system is also operated online and includes two types of exercises (i.e., listen-and-repeat and flashcards). ANCOVAs were employed to identify any significant differences between the groups, controlling for their pretest scores. Additionally, regression analyses were conducted to explore the relationship between the time the experimental group students spent learning new words using the new system and their outcomes, while also controlling for their pretest scores.</p><p dir="ltr">For the qualitative component, eight students from the same participant pool as the quantitative component participated in one-hour focus group discussions, conducted separately for the experimental and control groups.</p><p dir="ltr">The quantitative analysis revealed no significant differences between the groups; however, it was found that the time spent by the experimental group learning new words using the system significantly predicted two aspects of vocabulary knowledge. The qualitative data offered insights into potential explanations for the lack of significant differences between the groups, including the influence of students’ motivation on the experiment and the perceived difficulty level of the vocabulary exercises implemented in the new system. Based on the results of the present study, numerous suggestions are made for future development projects of similar systems and research.</p>