Loading [MathJax]/extensions/tex2jax.js

1

1
1

文字

分享

1
1
1

如何擁有好棒棒記憶力?背景知識是關鍵——《學生為什麼不喜歡上學?》

PanSci_96
・2019/02/11 ・3054字 ・閱讀時間約 6 分鐘 ・SR值 519 ・六年級

-----廣告,請繼續往下閱讀-----

編按:《學生為什麼不喜歡上學?》這本書以認知心理學研究成果為根基,歸納出大腦如何學習和記憶,並提供了教師如何應用這些認知原則於教學現場的方法。

記憶力取決於知識量

說到知識,具備越多知識的人,知識增長得也越快。運用同樣的基本方法,許多實驗都確認了背景知識對記憶的好處。

研究者請一些具備專業領域知識的人(比如說橄欖球或舞蹈或電子電路),以及另一些不具備任何專業知識的人來做實驗。所有人都會讀到一則故事或一篇短文,內容很簡單,即使對該領域不擅長的人也能理解,也就是說他們可以告訴你每句話代表的意思。但到了隔天,有背景知識的人比沒有的人記得的內容要多出許多。

圖/pixabay

你可能會認為,這個結果是因為注意力造成的。如果我是籃球迷,我會樂於閱讀籃球相關內容,也會讀得特別仔細;相反地,若我不是球迷,我就會覺得無聊。在其他的研究中,研究者請受試者學習對他們來說新鮮的主題(比方說百老匯音樂劇),一半受試者學很多,一半只學一點點。之後研究者請受試者閱讀其他有關該主題的新事實,然後他們發現「專家群」(也就是之前學很多的人)學習新知學得更快更好,勝過那些「新手」(之前只學一點點的人)。

我知道這個主題,所以我記得更好!

為什麼對主題稍有瞭解後,更容易記住內容?我之前說過,如果你對特定主題知道越多,就越容易理解該主題的新訊息。舉例來說,懂棒球的人比不懂的人更容易理解關於棒球的故事。事情有意義,我們會比較有印象。

-----廣告,請繼續往下閱讀-----

下一章會對歸納推論更深入討論,但為了讓你先有概念,請讀以下兩段短文:

運動技能學習是執行熟練動作能力的改變,這些動作能達到環境中的行為目標。神經科學界有個根本且未解的問題,就是有沒有獨立的神經系統來代表習得的連續運動技能反應。用腦成像及其他方法來定義該系統,需要詳細描述為了特定的排序任務要學習的確切內容是什麼。

 

戚風蛋糕將傳統蛋糕所用的奶油換掉,改用植物油。烘焙界有個根本且未解的問題,就是何時烤奶油蛋糕、何時烤戚風蛋糕。以專家品嚐會及其他方法來回答這個問題,必須詳細描述理想中的蛋糕有哪些特色。

第一段落擷取自一篇學術研究論文。7 每個句子都可以理解,如果你花點時間,就能看出句子之間的關聯:第一句提供定義;第二句提出問題;第三句闡述在解決問題前,必須先描述正在研究中的事物(技巧)。

第二段段落是我模擬第一段短文結構所寫的,每一句的結構都是一樣的。

你覺得到了明天再來回想,你會對哪一篇比較有印象?

圖/pixabay

第二段段落較容易理解(因此較易記住),因為你可以將內容和已知的事物連結起來。經驗告訴你,好吃的蛋糕滑順有奶油香,而非植物油的油膩,所以有些蛋糕改用植物油這個事實就足夠引起你的注意了。同樣地,最後一句提到「理想中的蛋糕有哪些特色」,你能想像蛋糕的特色可能是鬆軟、濕潤等等。

-----廣告,請繼續往下閱讀-----

請注意,這些結果和理解無關;儘管缺乏背景知識,你也能理解第一段段落,不過少了點廣度和深度。那是因為當你有背景知識時,儘管不自覺,你的大腦也會將你所閱讀的內容,和你對該主題已知的資訊連起來。

大腦會將你所閱讀的內容,和已知的資訊連起來。圖/Andrea Nguyen @flickr

幫助記憶的關鍵就是這些連結;記住東西基本上就是給記憶提示。當我們想起和目前正試著要記起來的事物有關的東西時,就是在記憶裡搜索。因此,當我說:「想想你昨天讀過的短文」,你會對自己說:「嗯,跟蛋糕有關」,然後自動地(也許完全不自覺),關於蛋糕的訊息開始閃過你的腦海——是烤的……有糖霜……生日派對……用麵粉、蛋、奶油做的……突然之間,那個背景知識(蛋糕是用奶油做的)為回想起短文提供了立足點:「啊哈,是關於棄奶油改用植物油來烤的蛋糕。」把短文中的這些句子加入你的背景知識,會讓短文更容易理解,也更好記。但是啊,運動技能的短文卻孤立無援,獨立於任何背景知識之外,所以之後比較難想起。

不只金錢,「知識」也是富者越富

長期記憶中存在事實型知識使得獲取更多事實型知識更容易,這個背景知識的最後效應值得多加思考。你能持有的訊息量多寡,端賴你已經具備的訊息量。所以,如果你具備的訊息量比我多,那你能獲得的就比我更多。

為了讓這個概念更具體(但讓數字清楚可辨),假設你的記憶中有一萬筆事實,但我只有九千筆,我們各自記住一定比例的新事實,比例多少視個人記憶中原本有多少而定。你可記得你聽聞之新訊息的百分之十,但因為我長期記憶中的知識較少,我只能記住百分之九的新訊息。假設我們兩人每個月都接觸五百則新訊息,表 2-1 顯示了十個月之後我們兩人長期記憶中所有的訊息量。

-----廣告,請繼續往下閱讀-----
【表 2-1】從表中可見,談到知識,富者越富。圖/《學生為什麼不喜歡上學?》

十個月之後,我們之間的差距從 1000 筆訊息拉大成 1043 筆訊息。因為長期記憶中儲存內容越多的人,學習就越容易,所以差距只會越來越大。我要迎頭趕上別無他法,只能接觸比你更多的事物。就拿求學來說,我得努力趕上,但執行起來很難,因為你以持續增加的速度在拉大我們之間的差距。

前例中的數字當然都是我編的,但基本觀念正確無誤——富者越富。我們都知道豐饒物產哪裡可以找到,如果你想接觸新單字與新觀念,你要從書本與報章雜誌裡找,學生流連忘返的電視、電玩與網路(比如社交網站、音樂網站等等)多半都是沒有幫助的。研究者悉心分析學生閒暇時間會接觸的許多內容,書籍、報紙、雜誌對於學生認識新觀念與新單字格外有幫助。

知識才是比想像力更重要

我在本章一開始引用了愛因斯坦的名言:「想像力比知識更重要。」希望現在你已經相信愛因斯坦是錯的。

知識更重要,因為知識是想像力的先決條件,或至少是引發解決問題、作出決策與創造力之想像力的前提。其他名人也曾發表過知識無用之類的 言論,見表 2-2:

-----廣告,請繼續往下閱讀-----
【表 2-2】偉大思想家貶低事實型知識重要性的言論摘錄。(點圖放大)圖/《學生為什麼不喜歡上學?

我不知道為什麼一些偉大的思想家(他們毫無疑問相當博學)那麼喜歡詆毀學校,視學校為只讓學生進行無用知識背誦的工廠。我想我們應該把這些看法視為反諷,或至少是趣談,且我不需要傑出、能力過人的智者告訴我(和我的孩子)得到知識是多愚蠢。

正如我在本章所言,最高階的認知過程——邏輯思考、問題解決等等——都和知識密不可分。確實,沒有能力使用知識,空有知識也是枉然;但同樣地,沒有事實型知識絕對不可能有效運用思考能力。

在此我引用一句西班牙諺語,提出與表 2-2 語錄不同的見解: 「Mas sabe El Diablo por viejo que por Diablo」。大致是說:「魔鬼之所以是魔鬼,並非因為有智慧,而是因為有年紀。」這句話強調經驗很重要,由此推斷知識亦然。

 

 

 

本文摘自《學生為什麼不喜歡上學?:認知心理學家解開大腦學習的運作結構,原來大腦喜歡這樣學》,久石文化,2018  年 12 月出版。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

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

-----廣告,請繼續往下閱讀-----

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。

0

1
0

文字

分享

0
1
0
【泛科開課】國民法官生存指南:用足夠的智識面對法庭裡的一切
PanSci_96
・2023/01/07 ・795字 ・閱讀時間約 1 分鐘

2023 年國民法官制度上路,每個人都有機會成為國民法官,你收到法院邀請函了嗎?

全國備選國民法官超過 13 萬人,也許明天就會收到法院邀請函。但是對於整個國民法官制度,與實際法院判決流程還一頭霧水該怎麼辦?

擁有美國國家訴訟詰辯學院教師資格 aka 刑事律師黃致豪,將開設「國民法官生存指南:用足夠的智識面對法庭裡的一切」線上課程,從理論與實務出發,全白話生動幽默說明;著重在「入選國民法官後,我該怎麼辦?」的實用概念與技巧。與坊間可以找到的律師、檢察官訓練資訊以及司法院的公關說帖不同,更非法條整理,是由專家整理,第一部專門為未來的國民法官量身打造的實用課程

立即填寫問卷,預約【課程開賣早鳥優惠】!

假設自己成為國民法官,你也有這些害怕:

  • 我又沒念過法律,為什麼我要決定人家的生死?接到通知就一定要去嗎?
  • 鑑定人或者專家,講的到底是真是假,該怎麼判斷?沒念過法律的人,意見可以跟高學歷的博士、法官、鑑定人對抗或者質疑他們嗎?
  • 職業法官與國民法官的差別在哪?國民法官在法庭中的角色是什麼?
  • 我在法庭上可以針對發言內容提出問題嗎?我可以跟家人親友討論我目前在審理的案件嗎?
  • 如果我不想判死刑結果大家判了死刑,我該怎麼辦?

過去的法院判決流程,總是與大眾生活存在距離。但唯有了解,才能消除疑惑。讓黃致豪律師一次解答所有國民法官在制度面、實務面、程序面、科學面會遇到的問題,幫你「臨庭」不亂

立即填寫問卷,預約【課程開賣早鳥優惠】!

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

0

1
0

文字

分享

0
1
0
【泛科開課】知識型創作者的 YouTuber 流量密碼鍊金術!
PanSci_96
・2022/11/14 ・635字 ・閱讀時間約 1 分鐘

現代問題要用現代方法解決!Youtube 影音當道,尋求知識與學習新技能的過程,也從文字轉向影音!

台灣最大知識科學媒體「泛科學」創辦人 aka 知識長鄭國威將開設「知識型創作者的 YouTuber 流量密碼鍊金術!」線上課程,不僅分享自己從文字知識型網站「泛科學」,轉型為知識型 Youtuber 的心路歷程,也手把手教你如何在詭譎多變的影音環境中,找到專業知識與流量的甜蜜點。

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

你有碰到以下問題嗎?

  • 影音時代,純文字內容已無法滿足觀眾快速求知的急切需求。當人們轉向 YouTube 尋求知識、直接學習各種新知與技能,知識工作者如何數位轉型?
  • 好知識值得訂閱,真專業必須爆紅,擁有專業知識的你,值得被更多人關注!想踏上創作者之路,該如何起步?專業知識如何輸出成觀眾好懂的內容?
  • 你可能看過許多「口語表達」、「自媒體經營」、「影音企劃」相關教學,但卻始終無法系統性整合,有效產出能吸引流量的內容⋯⋯
  • 你也可能想過,是因為知識內容共鳴度低?創作腳本不夠有趣?行銷方式不夠吸睛?

其實,最根本的原因 —— 是我們欠缺「知識轉譯」的能力!

知識傳播需要有效轉譯,將知識內化吸收,再輸出成他人易懂的內容。

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

-----廣告,請繼續往下閱讀-----
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。