Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

用一張圖學會專業知識寫作心法:怎樣得到學測國語文寫作測驗那 21 分?

鄭國威 Portnoy_96
・2018/02/09 ・4519字 ・閱讀時間約 9 分鐘 ・SR值 526 ・七年級

-----廣告,請繼續往下閱讀-----

圖/ken19991210 @Pixabay

今年的學測剛結束,我以及同溫層裡的朋友雖然都早就遠離高中的年紀(看遠方),但因為有不少教育圈的朋友,所以浮出不少討論,其中最受關注的竟是國語文寫作能力測驗。跟過去我記憶中的作文考試不同,考卷上不是丟給你一個像是「孝順」、「論公平」、「我的祖母」之類的題目,而是個 2011 年的心理學研究圖表!同事幫我找了原始研究出來看,我讀著讀著,驚覺我竟然曾經讀過這篇短短的研究!

但就跟研究中所探討的一樣,在這個案例裡,我記得這份研究,但記不得出處,好在有搜尋引擎,我在 Google 上輸入「Google 效應  PanSci 」立刻在泛科學上找到了這篇轉載自《科學人》雜誌的文章,接著又找到這篇摘自《數位痴呆症》一書的摘文,而泛科學作者蔡宇哲老師也為國語日報寫過一篇,可見這篇研究之熱門。(編按:太多篇了就看這篇吧 《萬事問google 對我們的記憶力有什麼影響?》)該研究是現代人對 Google 等網路大神的依賴性是否已經讓我們的大腦與之共生,在維基百科上還有條目呢!

萬事問 google 對我們的記憶力有什麼影響?

我看了以後,覺得或許可以用這次國語文寫作能力測驗的題目為案例,來介紹一下我在線上課中提出的知識寫作架構圖。學測的題目是:

「二十一世紀資訊量以驚人的速度暴增,有人認為網路資訊易於取得,會使記憶力與思考力衰退,不利於認知學習;也有人視網際網路為人類的外接大腦記憶體,意味著我們無須記憶大量知識,而可以專注在更重要、更有創造力的事物上。對於以上兩種不同的觀點,請提出你個人的看法,文長限 400 字以內。」

寫個 400 字乍看很簡單,但可不能像平常在臉書上發廢文那樣寫,在考試時還有時間限制跟不小的壓力,所以一個好的寫作策略就更重要了。知識寫作架構圖改編自商業模式圖,分成九格,做法很簡單:以後遇到這類透過閱讀理解題的寫作題目,就回想起以下這張圖。(最下面有好記憶詳細版

-----廣告,請繼續往下閱讀-----
專業知識寫作架構圖,想更了解課程請見連結

熱點與場景──消費者的注意力在哪裡?

你的消費者就是閱卷者,他大概是 30 歲到 50 歲左右的人,可能已經自組家庭,職業大概是老師,女性可能性較高,你認為他在閱卷當下那段時間會關注什麼呢?要找到一個會吸引他的熱點,以及他可能熟悉、或會感到新奇的場景,配合題目寫下開頭。以下是熱點的示範:

熱點型

流行文化類:「在電影《駭客任務》裡,主角尼歐只需要透過程式輸入大腦,就可以立即學會武術。如今我們人人都能隨時透過手機上網查找資訊,但能查得到,就代表學得會嗎?」

節慶類:「農曆新年即將到來,許多人會在假期期間出遊,用 Google 查找飯店跟餐廳的資訊、出了門才用 Google 地圖導航,但如果突然失去這些方便的服務,會發生什麼情況呢?」

名人類:「『學而不思則罔,思而不學則殆』,孔子這番話恰巧回應了當代資訊社會中,人們對於網路科技對人類記憶與思考及創造力之影響的爭辯。」

場景型

熟悉場景:「在這個走到哪手機網路到哪,凡事問谷哥的年代……」

架空場景:「如果人類大腦直接連上網路,任何知識都可以隨時連網搜尋,我們會變得超級有創造力嗎?」

破牆場景:「正在閱卷替考卷打分數的你,要是電腦突然關機,之前儲存的分數紀錄都不見了,你還能回想起之前打過的分數嗎?」

才 16-17 歲的你,可能根本沒有看過駭客任務,重點是你的目標讀者很有可能看過,這就是找尋熱點跟場景的時候最重要的關鍵,你得先搞清楚你是寫給誰看的?文章不是自己寫爽快的,要站在讀者的角度想,提供對他來說能有共鳴的熱點。當然,你也可以換成任何其他有關的熱點,例如福爾摩斯與他的記憶宮殿,只要你有把握可以用該熱點能在簡短一兩句內吸引讀者的注意力,並展現出差異。節慶類熱點需要你對日常生活深入觀察,而名人類就看你的本事了。

不管是遇到什麼題目都可以從熱點(流行文化、節慶、名人)、場景(熟悉場景、架空場景跟破牆場景)切入,用得好可以幫助你脫穎而出。但不用執著,如果一時想不到,就跳過問題一,直接進入問題二。

駭客任務,1999年上映的經典科幻電影。現在的中學生有聽過嗎?圖/imdb

問題意識:為何讀者要知道這件事?

延續前面的鋪陳,這個部分就是要帶出一個設問,展現你真的搞懂出題者的意思。作法很簡單,如下示範:

-----廣告,請繼續往下閱讀-----

「當我們每天花好幾個小時上網,無時無刻不帶著智慧型手機,想到什麼問題可隨時查找,我們自然就不需要使勁記憶,也不需要思考能夠取得資訊的複雜策略,所以有人認為網際網路會讓人的記憶力跟思考力衰退,然而真的是這樣嗎?」

你也可以從另一方角度來寫

「身為學生,我明白記憶複雜的知識並不輕鬆,也很花時間。隨時隨地可利用的網路科技改變了一切,讓人們不用幾乎再浪費精神跟時間記憶,有人便認為這樣的改變可讓人更專注於重要的事物,以及發揮創造力,然而真的是這樣嗎?」

引出問題的方式還有很多,可自行發揮。這部分重點就是要激起讀者的好奇心,想繼續看下去。完成後就繼續下一部分。

寫作的重點之一就是讓讀者想繼續往下看。

誰:知識的創造/發現者是什麼樣的人?

這部分又分兩種狀況,如果是一般的知識或科普寫作,要寫的是知識的創造或發現者是誰,通常是某個研究者跟其團隊。如果是在像是學測這樣的考試,因為問的就是考生自己的觀點,所以就是要適當地介紹自己,告訴閱卷者自己與文章主題的關係,讓閱卷者知道為何你會有這樣的看法。以下是示範:

「我從小學二年級就開始上網,遇到不知道的問題也很習慣立即上搜尋引擎,或是到維基百科閱讀條目……」

讀者會對他理解跟能夠具象化的人物產生信任,信任帶來偏好。所以我都會建議專業知識寫作者,在引用研究或知識時,不要只是用「XX 國研究指出」、「有研究指出」、「調查顯示」這樣簡略的陳述方法,而是多提供一些研究者或團隊的細節,細節讓人安心,例如他們研究這方面知識多少年了、過去研究的題目有哪些、這個學校是什麼樣的學校、研究計畫的經費是哪個單位支持的……等等。不要花太多篇幅,只要兩三句話就有很好的效果。

-----廣告,請繼續往下閱讀-----

在考試時,考生要做的則是讓閱卷者感覺跟自己貼近一點,同時展現出自己的觀點從何而來,這也連接到下一個部分。

怎麼做:得到此知識的過程跟邏輯?

這部分是重點中的重點。在知識文章中是要能介紹知識創造者/發現者的發現過程,在很多科學新聞或知識文章中,這部分時常被省略掉,因為介紹起來太麻煩,而且作者通常假設讀者只想要知道研究結果或這只是能用來幹嘛。但我認為唯有能夠好好介紹知識的探索過程,包括其中的失敗挫折,才是能協助讀者、啟迪思維的好知識文章。

而如果是在考試,而且問的是考生自己的想法,在這樣的情況下,考生要做的講清楚在自己立場背後的思維邏輯,可參考示範如下:

「……我認為網際網路解放了記憶的負荷,因為記憶不代表學習,回顧古代中國八股取士的弊病,和許多國家依舊延續的填鴨式教育,雖然試圖讓學生大量記憶,卻都壓抑了社會的創意……」

或是

-----廣告,請繼續往下閱讀-----

「……我認為記憶是那些我們判斷後認為值得留下的知識,如果過度仰賴網路,就等同於把判斷交給了搜尋引擎或各種網路服務的演算法,由演算法代替我們思考……」

沒有標準答案,重點是邏輯要通暢、表達方式要清楚。可以多用列點法,像是

「我認為 XXXX,有以下三個理由。第一,XXXXX,第二,XXXXX,第三,XXXXX」

這樣的寫法可以幫助作者或考生很快掌握文章篇幅跟架構,但也可能稍嫌僵硬,有好有壞,得自己取捨。接著就到下一部分。

結果:這個知識告訴我們什麼?

接續上部分的研究方法跟邏輯說明,接著這部分則是講研究或知識告訴我們什麼。如果是考生,則是要在這部分清楚提出自己的看法。

在我們相信研究或知識探索的過程可信的前提下,我們對於結果還是要有一定的審慎。如果是相關就不能寫成因果,如果是在實驗動物身上得到的就不能一下子推論到人身上。對考生來說,就是要避免過度推論,把自己的想法說得太滿,適當地收回來。可參考以下示範:

-----廣告,請繼續往下閱讀-----

「從上述的討論,我認為網路科技的確降低了記憶壓力,幫助人們更快速協作與創造。儘管如此,我認為我們依舊該持續關注可能的負面影響……」

或是

「雖然我認為網路科技的確對記憶跟思考能力產生了負面影響,但是這並不代表我忽視了網路對創作力的解放我很期待能夠更了解相關研究得到的結論,來驗證我的想法是否正確……」

這樣除了可以避免話講太滿而出錯,也展現自己持續求真的態度。

展望:知道了這個知識,然後?

在知識寫作時,若只讓文章停留在提供知識,其實不太夠。提出展望,是為了給予讀者一種超越感,讓他們知道你除了原本的題目以外,還借力一蹬,有了更高一層的好奇心,在傳播這個知識給讀者之後,還要帶著讀者去思考下一步,並回看自己,讓知識討論跟自己連結起來。同樣,為了勾起讀者興致,可以用提問來起頭,或直接用反問作結,例如:

「…搜尋引擎改變了人類記憶跟思維的方式,那麼越來越便利、普及的人工智慧助手又將造成什麼變化呢?……」

或是

-----廣告,請繼續往下閱讀-----

「…畢竟,身為準大學生,還有誰比我們更該在意網際網路對自己的影響呢?…….」

感受:你希望讀者讀完之後產生什麼情緒?

圖/TeroVesalainen @Pixbay

讓讀者產生情緒,情緒才會帶來行動,這也就是為什麼臉書要把讚變成多種情緒按鈕,就是為了讓人們更輕易地表現出情緒。當然,如果是希望讀者分享的專業人士作者,還有其他方式讓讀者樂於分享。但在考試時就沒這回事了,考生只要做到讓閱卷者讀完有所觸動就算不錯了。

對考生來說,如果文章大致寫完,就可以花時間改改修辭,讓文章活潑一些,在閱卷老師眼中亮起來。如果是意圖打造個人品牌的專業人士,則是要好好思考整篇文章的調性,因為這就代表了專業人士的形象,是幽默還是嚴肅,是狂放還是慎微,是可愛還是高冷,是樂觀還是厭世。

接下來兩個部分,在學測時用不著,但如果是知識寫作者,想讓文章效果更好、讓讀者更信任你,則千萬別漏寫,這兩個部分是「知識的出處在哪裡?想知道更多要讀什麼?」以及「哪些圖文影音可以搭配文字,讓讀者讀起來更舒適、更深刻?

寫文章要寫得順,最重要的還是增加高品質的輸入與輸出。就如同這次國語文寫作能力題目所討論的主題,我們現在人整天在網路上,閱讀量其實不小,但品質可能不夠好。同樣的,現代人也有很多寫作的機會,但在社群媒體上發心情文或是在通訊軟體上聊天,可培養不出什麼好的寫作能力。

-----廣告,請繼續往下閱讀-----

以上是知識寫作架構圖的簡單說明,希望能把自己的這一套方法提供給有需要的朋友。

寫作九宮格詳細版(點圖放大),課程請詳見連結
-----廣告,請繼續往下閱讀-----
文章難易度
鄭國威 Portnoy_96
247 篇文章 ・ 1301 位粉絲
是那種小時候很喜歡看科學讀物,以為自己會成為科學家,但是長大之後因為數理太爛,所以早早放棄科學夢的無數人其中之一。怎知長大後竟然因為諸般因由而重拾科學,與夥伴共同創立泛科學。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

5

106
5

文字

分享

5
106
5
你認為閱讀只需要用眼嗎?先聽懂,才能讀懂!
雅文兒童聽語文教基金會_96
・2022/08/27 ・3967字 ・閱讀時間約 8 分鐘

-----廣告,請繼續往下閱讀-----

  • 文/雅文基金會聽語科學研究中心研究員 詹益智
人類大腦最初演化的目的是為了聆聽口說語言。圖/EXECUTIVEMIND

人類習得語言的順序:先學會聽才能學會讀

於 2016 年上映的電影「寒戰 II」中,由梁家輝飾演的李文彬有一句經典的台詞

「沒有學會走,先學跑,從來不是問題,但先問一問自己是不是天才。如果不是,就要一步步來[1]。」

這就好似使用口語溝通者語言發展的歷程,除非你是天選之人,有過人的天份,否則通常會依聽、說、讀、寫的順序習得語言[2],這樣的順序透露了一個重要的訊息,即閱讀的學習應奠基於聽理解力。為何語言習得的順序是先聽再讀呢?從人類大腦的演化的足跡便可略知一二。除非特別說明,以下皆以使用口語者為主要談論對象。

人類大腦最初演化的目的是為了習得口說語言(後簡稱口語)[3],而是習得口語的最佳媒介。在幾十萬年前口語就已出現[4],而書面語則約在五千年前才誕生[5],因此人類祖先在開始透過文字溝通之前,早已有了數萬年的口語交流經驗。我們可以發現,使用口語溝通的兒童一出生便自然地開始聆聽口語,接著才是學會閱讀,這並非是巧合,而可能是大腦演化之下的產物。

閱讀不只是認字這麼簡單,還需要良好的聽理解力

談到閱讀,許多人的第一印象就只是閱讀文字,但僅只如此嗎?閱讀文字其實只是閱讀過程中最基本、最初階的的技能。兒童在學習閱讀的過程中,無不從識字開始,透過記憶字形、拼讀注音、部首或聲旁線索認讀文字,但即便能將文本所有的文字唸出,也不代表能理解文本背後的涵意,癥結在於是否能將唸出的文本賦予應有的意義,才可達到閱讀理解的目的[6]

-----廣告,請繼續往下閱讀-----

兒童在早期學讀的過程中,所接觸文本的難度大多低於其口語理解的水準,因此其閱讀理解主要受到識字能力的限制[7],到了晚期透過閱讀來學習的階段,兒童的識字能力會因多次的練習而趨近自動化,也就是一眼便能提取文字的語音;此時,他們所接觸文本在內容與結構上也會變得更加困難與複雜,單憑識字能力,並不足以讓他們理解全文,而聽理解力,才是決定其閱讀成效的因素之一 [7]。

早期「學習閱讀階段」的文本內容相對容易,閱讀理解主要受識字能力的影響,晚期「透過閱讀學習階段」的文本內容相對困難,閱讀理解主要受聽理解力的影響。圖/筆者製圖 & TheSchoolRun

一般而言,聆聽口語可幫助一個人建構閱讀時所需的語言基礎,例如詞彙與句法[8],換言之,聽理解力可能會影響語言知識的習得,進而左右閱讀的表現。研究指出聽理解力對於閱讀理解的影響會隨著兒童年紀漸長而有所增加[9]。最終,聽理解力甚至可以完全預測其閱讀理解[10]

語言知識是閱讀發展的關鍵

你可能會質疑聾人朋友沒有聽力也可閱讀,原因在於他們仍可透過手語或讀唇的方式獲取語言知識。沒錯,語言知識便是其中的關鍵!有許多具有殘存聽力的兒童,因聽經驗較為缺乏而需要花更多時間奠定語言根基,相對於典型聽力的兒童,也較易有閱讀發展遲緩的現象[11]。有些研究甚至發現,聽損兒童的閱讀能力到了國小四年級時就停滯不前[12],顯見聽力對使用口語為主要溝通者閱讀發展的重要性。

聽理解力可用以區分不同類型的閱讀障礙

在臨床上,閱讀理解困難可分為三大類:失讀症(dyslexia),即有識字困難但保有完好的聽理解力;理解困難(poor comprehender),即有足夠的識字能力,但聽理解力有缺陷;廣泛性閱讀障礙(garden variety poor reader),即識字與聽理解力皆低落[7]。由此可見,聽理解力在閱讀理解上扮演著決定性的角色。

-----廣告,請繼續往下閱讀-----

聆聽和閱讀都會在內心產生感官意象

聽理解力不單只是透過聽去理解口語中的詞彙與句法,良好的聽理解力還牽涉到是否能將這些語言及背景知識整合成一個心理模型(Mental Model)[13],也就是能在內心中,將人、事、時、地、物具像化,以幫助理解。舉例來說,你將和朋友去參加一場美食盛宴,你可能會在腦海中勾勒出當天會場的樣貌、會出席的要角、即將發生的事、食物的滋味、美妙的音樂等。

在聆聽言談與閱讀文本時,皆會觸發這種感官意象的形成[7]。因此聽理解力與閱讀理解其實同出一轍。換句話說,聽理解力和閱讀理解其實共用了相同的心理處理機制,只不過聽理解力並未涉及文字解碼的歷程。

閱讀時,內心也會聽到「聲音」

聽理解力對閱讀的影響也可從「默讀」(subvocalization or silent reading)的觀點來談。所謂「默讀」指的是在閱讀時,心中將文字唸出聲音,這是典型聽力者閱讀時的自然過程,它有助於大腦理解與記憶所讀過的內容,從而能夠減少認知負荷,並將剩餘的認知資源用在高層次的語言理解[14]

既是唸出「聲音」,自然就會牽涉到聽理解力,若是聽經驗不足,即便將文字唸出,對讀者而言只不過是一連串無意義的語音符號,因而也就無法達到閱讀理解的目的。

-----廣告,請繼續往下閱讀-----

聆聽與閱讀同篇文章時,相同的大腦區塊都被激活了

這些透過顏色編碼的 3D 大腦地圖顯示了大腦在聽聆聽(頂部)和閱讀(底部)同一篇故事時,語意處理的過程基本相同。圖/Fatma Deniz University of California, Berkeley

一群加州大學柏克萊分校的腦神經學家 Deniz 等人[15],在《神經科學雜誌》(Journal of Neuroscience)上,發表了一篇有關大腦處理聽力與閱讀的論文,他們利用功能性磁振造影(Functional Magnetic Resonance Imaging, fMRI)技術,記錄一群成人受試者在閱讀和聆聽同一篇故事時,大腦活動的狀況,並根據結果繪製3D大腦互動式地圖(interactive map ,這個網頁可以讓你體驗 3D 大腦互動式地圖)。

這個地圖以不同的顏色標示大腦活動的區塊。研究人員不但發現聆聽和閱讀同一時詞彙時,相同的大腦區塊會被激活外,更發現不同類別的詞彙所激活的大腦區塊也有所不同。例如,與數字相關的單詞會激活一個區塊,而與時間​​相關的單詞則會激活另一個區塊。

也就是說,無論透過聆聽或是閱讀相同的文本,這兩種處理語意訊息的方式都是類似的,這也證實了聆聽與閱讀間緊密不可分割的關係。研究人員也提到了未來對於閱讀理解有障礙的兒童或許可以透過聆聽有聲書的方式來改善他們的閱讀理解力。

如何透過「聽」來提升閱讀理解?

TEDxTaipei 是個可用來訓練聽理解力的平台。圖/TEDxTaipei

既然聽與閱讀間的關係來自於語言理解,訓練聽力來提升語言理解進而促進閱讀能力應是可行的方法,那麼應該要怎麼透過聽來提升閱讀理解力呢?平時我們可以利用手機或電腦的 TEDxTaipei 平台聆聽不同主題的演說,並利用四種實證策略來聆聽[16]

-----廣告,請繼續往下閱讀-----

1.預測(prediction)

在聆聽演講時,可試著預測講者後續要說的內容,因為對內容的理解有很大程度取決於我們所聽到的是否與預期的一樣,如與期待不符,則可能會產生誤解。相反地,如果我們能準確地預測接下來的內容,聆聽便會變得更有效率。

2.釐清(clarification)

除了預測外,釐清自己是否能理解所聽到的內容,也是聆聽中重要的一環。有時我們可能會發現講者使用了一些艱澀難懂的專有名詞或概念,此時不妨按下暫停鍵,稍微 Google 一下,找出相關的解釋,如此不但可豐富自己的背景知識,更有助內容的理解。若我們對不懂之處置之不理,就無法順利地理解演說的內容。

-----廣告,請繼續往下閱讀-----

3.提問(questioning)

有目的的去聽一場演講比漫無目的聆更可使聽者對演說的內容產生共鳴,而自我提問便可以達到這樣的目的。自我提問的策略可在演講的任何時刻皆可使用,例如在演講前使用,便能將背景知識帶入自己的意識中,而有助內容的理解。在演講中使用,可以促使自己更專注的聆聽,因為在某種程度上,也是與內容作交流。若在演講後使用,則可訓練自己的批判性思維。

4.摘要(summary)

聽完一場演講後,試著用自己的話重述一遍講者的內容,但需將焦點放在講者主要闡述的想法是甚麼?有哪些細節可以支持這些想法?哪些訊息是不相關或非必要的?對演講的內容做摘要不但可幫助自己更積極且專注地聆聽,也可訓練自己整合訊息的能力,並對內容也會留下更深刻的印象。

-----廣告,請繼續往下閱讀-----

閱讀若想要達到「讀你千遍也不厭倦」的境界,或許可從訓練自己的聽理解力開始,當建立起閱讀所需的語言與背景知識的基礎後,就不會產生「讀你一遍都感厭倦」的無奈感囉!

  1. 寒戰II
  2. Pawarbrother21. (2022, February 11). Language skills- Listening, Speaking, Reading, Writing. 
  3. Victor. (2021, March 15). Three reasons listening is the most important skill to tackle first. 
  4. Scerri, E. M., Thomas, M. G., Manica, A., Gunz, P., Stock, J. T., Stringer, C., … & Chikhi, L. (2018). Did our species evolve in subdivided populations across Africa, and why does it matter?. Trends in Ecology & Evolution33(8), 582-594.
  5. Gelb, I. J. (n.d.). Sumerian language
  6. Hoover, W. A., & Gough, P. B. (1990). The simple view of reading. Reading and Writing2(2), 127-160.
  7. Hogan, T. P., Adlof, S. M., & Alonzo, C. N. (2014). On the importance of listening comprehension. International Journal of Speech-Language Pathology16(3), 199-207.
  8. Hogan, T. P., Bridges, M. S., Justice, L., M., & Cain, K. (2011). Increasing higher level language skills to improve reading comprehension. Focus on Exceptional Children, 44(3), 1-19.
  9. Catts, H. W., Hogan, T. P., & Adlof, S. M. (2005). Developmental changes in reading and reading disabilities. In The connections between language and reading disabilities (pp. 38-51). Psychology Press.
  10. Adlof, S. M., Catts, H. W., & Little, T. D. (2006). Should the simple view of reading include a fluency component?. Reading and Writing19(9), 933-958.
  11. Harris, M., Terlektsi, E., & Kyle, F. E. (2017). Literacy outcomes for deaf and hard of hearing primary school children: A cohort comparison study. Journal of Speech, Language, and Hearing Research, 60, 701–711
  12. Traxler, C. B. (2000). The Stanford Achievement Test, 9th edition: National norming and performance standards for deaf and hard-of-hearing students. Journal of Deaf Studies and Deaf Education, 5, 337–348.
  13. Kintsch, W., & Kintsch, E. (2005). Comprehension. In S. G. Paris & S. A. Stahl (Eds.), Current issues in reading comprehension and assessment (pp. 71-92). Mahwah, NJ: Erlbaum.
  14. Erickson, K. (2003). Reading comprehension in AAC. The ASHA Leader, 8(12), 6-9.
  15. Deniz, F., Nunez-Elizalde, A. O., Huth, A. G., & Gallant, J. L. (2019). The representation of semantic information across human cerebral cortex during listening versus reading is invariant to stimulus modality. Journal of Neuroscience39(39), 7722-7736.
  16. Aarnoutse, C., Brand-Gruwel, S., & Oduber, R. (1997). Improving reading comprehension strategies through listening. Educational Studies23(2), 209-227.
-----廣告,請繼續往下閱讀-----
所有討論 5
雅文兒童聽語文教基金會_96
61 篇文章 ・ 223 位粉絲
雅文基金會提供聽損兒早期療育服務,近年來更致力分享親子教養資訊、推動聽損兒童融合教育,並普及聽力保健知識,期盼在家庭、學校和社會埋下良善的種子,替聽損者營造更加友善的環境。

0

8
2

文字

分享

0
8
2
學測該怎麼出題?——點評高中數學教育與 111 年數學學測
科學月刊_96
・2022/03/02 ・3952字 ・閱讀時間約 8 分鐘

  • 文/張鎮華|臺灣大學數學系名譽教授。

Take Home Message

  • 今年學測試題為 108 課綱實施的第一次學測。數學考題公布後,各界普遍對本次的試題感到失望。張鎮華認為,本次試題大多符合 108 數學課綱的精神,但試題的份量太重,學測應回歸「初步篩選門檻」的定位。
  • 張鎮華表示,數學考題的份量應調整適中,過去考題內容大多偏難,學生學習時遂常以對付考試為方向,以歷年考試題型為依據,背公式以求速解,忽略基礎概念的學習。
  • 近年來數學教學及評量已融入計算機使用,但大考仍禁止使用計算機,張鎮華認為,培養數感是計算機融入教學的重要理念之一,未來大考應允許使用計算機。
  • 張鎮華建議大考中心除了公布簡答之外,也能出版詳細的文件,闡述出題理念,協助引導教師的教學方向。

111 年學測於今(2022)年元月下旬登場,這是 108 課綱實施之後的第一次學測,各界都引頸觀望大考中心會如何回應 108 課綱,這更是教學現場師生關注的焦點。在數學科有兩個為人重視的方向,其一是回應數學自高二起分流教學,數學 A 和數學 B 如何命題;其二是學測數學科考題近年來在難易間來回擺盪,今年會是如何?

學測宜回歸「初步篩選門檻」的定位

學測始於民國 83 年,其定位是「初步篩選門檻」。但是數學科的考題並沒有對位,一直到民國 100 年之前,試題普遍都較難,滿級分人數占考生的百分比幾乎各年都只比 1% 略多,民國 85 年的 0.16% 更是歷年來滿級分比例最低的一次。這樣的難題,引發大部分學生害怕數學,現場老師更無法正常教學。自民國 100 年起,數學科考題逐漸回歸基礎,但卻在難易之間來回擺盪,讓師生每年惴惴不安。

民國 108、109 年的學測數學科試題極為適當,但卻因為滿級分考生的百分比高而獲罪,讓人無法理解;隔年數學科考題轉難,這雖在大家預料之內,但是各界熱切期望其回歸基本。本來期盼分程度測驗的數學 A 和數學 B 能解此困境,但是在今年數學 A 考完當晚,許多國高中老師、大學教授紛紛發表評論,對考題表示失望與不解。

筆者因為要協助高中數學學科中心,拍攝數學 A 和數學 B 的解答影片,先獨自逐題解答了兩份試卷,感覺題目其實都出得很好,大致上回應了 108 數學課綱的精神。但是其份量太重,100 分鐘的考試時間並不是合理的安排,難怪各界覺得太難;就連數學 B 試卷,其對象是低數學需求的學生,筆者也認為份量太重。

-----廣告,請繼續往下閱讀-----

我猜想,數學 A 的份量會如此重,可能是想與數學 B 有所區隔。但是兩份試卷內容都太重了,學測還是應該回歸「初步篩選門檻」的定位,以利現場教學。

數學的教與學宜重視基礎概念,避免依考試題型學習

面對大考,數學的教與學也應該反思。數學的知識密度高,比起其他學科,有更多的邏輯推理,解題更宜細緻緩慢,需要充分的時間。可惜的是,面對「科科等值」的壓力,數學科的考試時間只能和各科一樣。在這樣的限制下,如果數學考題份量適當,也無不可;偏偏各處的考題大多偏難,學生的學習遂常以對付考試為方向,以歷年考試題型為依據,背公式以求速解,忽略基礎概念的學習。

在引導學生的學習應注重基礎概念這件事情,大考中心歷年來極盡努力。以今年數學 A 第 1 題為例,就是在傳達一個理念,排列組合只要重視基礎原理及組合數 Ckn 就夠了。早年有關排列組合的學習內容極多,許多內容都是被「製造」出來的考試難題,不關乎組合學的根本。後來 99 課綱刪除了環狀排列,108 課綱則刪除重複組合,將內容回歸到基礎概念。審視大考中心這些年來有關排列組合的試題,其實都是基本的概念,高中師生應該要理解,重視基礎概念才是王道。

111 年學測數學 A 第 1 題。資料來源/大學入學考試中心

再以今年數學 A 第 4 題為例,涉及的只有等差數列的定義,以及對數的換底公式和常用對數的 3 條對數律。早年有關對數的教學,涉及極多一般底的變形對數律公式,也出現底為函數的偏鋒考題,於對數本質的學習幫忙不大,但學生卻窮於背公式、解難題。其實對數相關的問題,只要以換底公式回歸常用對數,必要時再輔以常用對數的 3 條對數律,均能順利回答。99 及 108 數學課綱均重視此理念,大考中心的試題亦都契合此想法,高中師生當可放心依此教與學。

-----廣告,請繼續往下閱讀-----
111 年學測數學 A 第 4 題。資料來源/大學入學考試中心

今年學測數學 A 還有許多值得稱道的題目。例如第 7 題中,絕對值代表數線上兩點間的距離,若能搭配數線上的圖形判斷,並不需要進行去絕對值的耗時計算;第 10 題有關三次函數的性質,不必記憶對稱中心的公式,不淪為費時的三次配方,是相當用心的題目;第 12 題揭示,不必背誦一元二次方程式的公式解;第 6、15 題提醒,不能忘記國中所學的基礎平面幾何知識,凡此種種都很精采。

更多有關今年數學 A 考題的分析,可參考延伸閱讀的《高中數學學科中心電子報》文章。

計算機融入教學與評量

108 數學課綱除了從高二起分三軌教學以外,還有一個重點,就是計算機融入教學與評量。108 數學課綱高中範圍的 84 條學習內容中,有 24 條使用計算機作為參考教具。實施要點各處亦闡明,教材要設計計算機相關內容,教學應重視學生使用計算機的方法與態度,教學資源應包括計算機,學習評量宜容許學生使用計算機。

如今,6 家出版社的高中數學教科書,均依照課綱的精神將計算機教學融入,學校老師們也開始教導學生正確使用計算機的方法與態度,許多回應都指出,計算機融入教學收到不錯的成效,過去一些害怕數學的學生,因為有了工具,逐漸開始喜歡數學。只是令人不解的是,大考中心並不允許學生在學測考試時使用計算機,理由之一是害怕學生利用計算機作弊;這是一個不可思議的藉口,請看世界極多國家的考試都已經允許學生使用計算機,並沒發生什麼不良事件。

審視今年學測數學科考題可以發現,為了害怕被批評不能使用計算機,一些需要使用真實數據的應用題目都不見了,因此考題中缺少高二的一些重要學習內容,例如指數、對數、三角函數的應用問題。取而代之的竟然是設計了第 2 題那種虛假情境的問題,如下:「某品牌計算機在計算對數 logab 時需按 log(a,b)……。」這種考題在以前的題目鋪陳上,是以題目抄錯順序為情境,這次刻意以計算機的操作布題,實為假情境。市售計算機的對數計算皆以 10 或自然對數 e 為底,並沒任意底數操作的方式,與現實矛盾的情境,無法回應 108 數學課綱的理念,倒不如讓學生在考試時使用計算機,才能讓他們更有感。

-----廣告,請繼續往下閱讀-----
111 年學測數學 A 第 2 題。資料來源/大學入學考試中心

另外,數學 B 第 15 題的答案:機率為 14/15,以及第 16 題的答案:機率為 31/45,都不如 0.93、0.69 能讓人感受機率的大小。讀者可試想,你會跟朋友說買了一間 2022 坪的房子嗎?當然要說 44.97 坪才讓人有感。培養「數感」是計算機融入教學的一個重要理念。另外,第 19 題需要學生動手計算 2.3/48、2.3/19、4/57 來作答,也不是高中數學學習的重點,應該允許他們用計算機算。

另外有些小瑕疵的題目,例如數學 A 第 14 題的高斯消去法宜慎重出題。

大考中心宜出版學測參考答案,闡述出題理念以引導現場教學

整題來說,今年學測的數學科考題大方向可圈可點。回顧大考中心成立的歷史,民國 80 年 10 月 14 日,教育部長毛高文在臺灣省教育行政會議中頒發的書面致詞說:「如果將來的入學方式能多元化,學生的學習方式就不能固定一個模式,要用最基本的道理來應付各種的需求和挑戰,導向正常教學。」

反應在教育部於 1992 年提出的《我國大學入學制度改革建議書-大學多元入學方案》,其第五項理念是:

(五)考試方法應輔助教育,而非教育去適應考試方法。

而「良好的大學入學制度」的 14 項評判規準中,被認為「第一重要」的規準是:

3. 能引導高中正常教學。

由前述文件觀之,大考中心應平衡兩個服務面向,一面是為大學選才服務,另一面是為高中學習成效檢定服務,不該過度傾向於某一面的需求而犧牲另一面。目前仍顯得太傾向為大學服務,數學相對表現令多數高中教師失望。

-----廣告,請繼續往下閱讀-----

本文最後不禁要再多提出一個請求。除了因為時間有限,宜減輕數學試題的份量以外,建議大考中心能出版學測參考答案,闡述出題理念以協助現場教學。雖然有許多人都已經釋出參考答案,但他們到底不是出題者,有些地方並不一定能精確了解出題的用心,如果中心能在公布簡答之外,出版詳細的文件、闡述出題理念、引導教學方向,對現場教學將有極大助益。

延伸閱讀

  1. 張鎮華,〈學測數學怎麼考?分程度測驗或許是正解〉,《科學月刊》,第 615 期,2021 年。
  2. 歐志昌,〈從 111 年學測數學 A 試題省思 108 數學課綱之教學與學生學習〉,《高中數學學科中心電子報》,第 168 期,2022 年。
  3. 大學入學考試中心,《我國大學入學制度改革建議書-大學多元入學方案》, 1992 年。
  • 〈本文選自《科學月刊》2022 年 3 月號〉
  • 科學月刊/在一個資訊不值錢的時代中,試圖緊握那知識餘溫外,也不忘科學事實和自由價值至上的科普雜誌。
-----廣告,請繼續往下閱讀-----
科學月刊_96
249 篇文章 ・ 3742 位粉絲
非營利性質的《科學月刊》創刊於1970年,自創刊以來始終致力於科學普及工作;我們相信,提供一份正確而完整的科學知識,就是回饋給讀者最好的品質保證。