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。

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。

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）」！

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。

以研華科技為例，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。

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。

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。

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）。

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。

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。

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

• 文／雞湯來了特約作者吳心予
• 校稿／雞湯來了張芷晴、陳世芃
• 製圖／雞湯來了實習生翁欣容
• 編輯／雞湯來了蕭子喬

電視劇《華燈初上》以日式酒店為背景，描述劇中人物的愛恨情仇。其中最受到關注的是劇中兩位女主角：蘿絲跟蘇之間發生的故事。蘿絲和蘇在高中時期成為好姐妹，一路以來發生了蘿絲離家出走、蘇未婚懷孕、蘿絲因為前夫的債務坐牢、兩人共同經營「光」酒店、各自面對不同的愛情煩惱等等人生轉折的時候，蘿絲跟蘇都一直陪伴在彼此身邊、不離不棄。

「就像我和蘇一樣，有人在背後支撐妳，不管發生什麼事，只要有她在就心安」
－《華燈初上》蘿絲

然而，在第二季的劇情裡，蘇跟蘿絲親密的情感卻出現裂痕，發生激烈的爭吵。在爭吵之中，蘇頻頻說出傷人的話，甚至讓蘿絲拿起煙灰缸想要砸向蘇。是什麼原因讓原本要好的閨蜜決裂？原生家庭的溝通模式，如何影響她們的相處？

「同情就像一把刀子，一刀刺死我，這種你最擅長，

又假裝一副清高溫柔、與世無爭的樣子，妳就是要證明妳是最優秀、贏的那個。」
－《華燈初上》蘇

女生的感情為什麼這麼好？獨特性的閨蜜情感

從蘿絲跟蘇的感情互動中，可以看到女性親密情感關係的獨特性，它自成一格，獨立於女同志以及異性戀關係框架之外。相較常見女性的人生規劃以原生家庭或另一半為主，劇中蘇跟與蘿絲都把對方當作人生規劃的重心，事業跟養育子女的計畫都與彼此相關。不論是生活安排或者情緒感受，蘇跟蘿絲的狀態緊緊相連，除了考慮對方的感受與處境，也將對方視為生命中重要的夥伴。

甚至當蘿絲跟蘇兩人在面對「情人跟閨蜜」二選一的情境時，都選擇了彼此。蘿絲跟江瀚在一起之後，蘇選擇隱忍自己對江瀚的情愫，支持好姊妹的感情。蘿絲與江瀚分手後，蘇與江瀚無縫接軌的戀情曝光，一開始蘿絲非常憤怒，但是蘿絲在蘇與他人衝突或遇到人生困境的時候，都站在蘇的立場處理事情，可見閨蜜情感對蘇跟蘿絲來說都勝過愛情。　

《華燈初上》的劇情，讓我們不只看見愛情如何影響閨蜜情感，而是兩個原生家庭及婚姻破裂的異性戀女生，如何成為互相支持的角色，以及緊密的關係如何受到兩人的自我價值感、成長背景以及戀愛經驗影響，發生劇烈的爭吵與誤會。

閨蜜情感總是脆弱？3大因素影響友情

蘇跟蘿絲在學生時期跟成年後曾經歷強烈的爭吵，在吵架的過程中，可以看到兩人面對衝突時的不知所措。她們看待友誼跟處理衝突的方式，都受到家庭關係、自我價值感跟戀愛經驗的影響。

因素1｜家庭關係影響溝通習慣

原生家庭的互動方式，大幅影響蘇跟蘿絲看待自我與人際關係的角度。蘇的媽媽與蘇之前沒有良好的溝通與照顧關係，導致蘇缺乏與親近的人溝通的能力。蘿絲的爸爸用權威的方式教育子女，所以蘿絲沒有機會跟父母表達內心想法，也無法被父母理解，年少的時候就離家出走。

因為兩人都生在缺乏良好溝通的家庭，每當蘇跟蘿絲的關係出現矛盾，都是用大聲爭吵的方式跟對方互動，無法順暢面對衝突。不管青少年時期或者成年後的蘿絲跟蘇，對於關係都缺乏安全感與溝通能力，無法坦誠對人際關係中的對象說出自己的感受與期望，只會習慣性地用傷害對方或自己的形式，期望情感關係朝向理想的方向發展。

因素2｜自我價值影響自尊與安全感

青少年時期形塑的自我價值，也進一步影響蘇與蘿絲的閨蜜感情。當青少年的自我價值感低落，認為自己不值得獲得友情支持，就不容易感受到身邊朋友的情感支持。

蘇從小被母親拋棄，在學校除了蘿絲沒有其他朋友，在戀愛關係中用激烈的手段離開或者挽留關係，對於人際關係有著強烈的不安全感與不自信，認為自己不值得被愛。低落的自我價值感影響蘇從蘿絲身上感受到的支持，讓蘇認為「蘿絲跟其他人一樣可能會背叛自己」，難以獲得關係中的安全感。

因素3｜戀愛經驗影響自我覺察深度

戀愛關係的結束，可能引爆原本隱藏的感受，以及對閨蜜情感進一步的覺察，也可能因此動搖原本的姐妹情誼。蘿絲因為跟江瀚分手，發現堅強的內心也有脆弱的地方；蘇也在跟江瀚分手之後，發現自己面對感情沒有想像中理性，一旦面對破裂的關係，沒有復原的能力與勇氣。

蘇與蘿絲激烈爭吵後，無法面對蘿絲可能傷心的情緒，同時出於對於現有生活的逃避，離開與蘿絲共同經營的日式酒店，連股份也劃分得一乾二凈。

閨蜜吵架怎麼辦？2個方法梳理過去、尋找關係共識

蘿絲跟蘇因為長期在生活上跟情感上互相扶持，累積了深厚的情誼，但感情在突發事件爆發後，引爆過去的家庭、自尊與戀愛經驗議題帶來的影響，尤其兩人跟原生家庭成員溝通不良的經驗，持續影響她們的友情發展，難以維持像是學生時期一樣的單純互動。

面對閨蜜情感中的爭吵，可以透過自我覺察與表達感受兩個方式，找到能夠一起長期經營閨蜜關係的模式。

• 自我覺察｜
  回顧過往的家庭關係與人際關係（戀愛經驗），思考過去與家人溝通的方式，能不能對家人說出內心的想法？心裡的想法有沒有被聆聽？跟家人互動的時候，能不能感受到愛和支持的正向感受？
• 表達感受｜
  從過去的人際互動經驗中，找到順利溝通的方式，用來與閨蜜表達內心想法。或者從過去不愉快人際經驗中，反思自己不適應的互動模式，以及期望的互動方式，並嘗試與閨密討論兩人對關係的期待，一起尋找共識。

參考資料

張晏榛（2011）。「非標準親密關係」的女性友「情」：以異性戀女性為例。高雄醫學大學性別研究所碩士論文，未出版。

許皓宜（2004）。姊妹情誼的舊曲與新調～戀愛經驗對成年前期女性友誼影響之探究。國立台灣師範學院教育心理與輔導學系碩士論文，未出版。

Niobe Way & Melissa L. Greene（2006）。Trajectories of Perceived Friendship Quality During

Adolescence: The Patterns and Contextual Predictors。JOURNAL OF RESEARCH ON ADOLESCENCE，16(2)，293–320。

• 文／雞湯來了蕭子喬
• 校稿／雞湯來了張芷晴、陳世芃
• 製圖／雞湯來了特約美術黃珮甄
• 編輯／雞湯來了蕭子喬

連續劇《華燈初上》中，不僅有日式酒店裡複雜的同事情誼，更有下班回到家中更難解的收出養母子糾葛。蘇慶儀（以下簡稱蘇）與子維走在路上，當子維對旁人說出「這我乾媽」，蘇只能假笑附和；蘇割腕自殺後，子維心急如焚把蘇送上救護車，蘇說了一堆話卻還是無法說出口「不只是乾媽」……。

面對早已揮別，卻近在眼前的親子關係，蘇如何一次次嚥下自己的複雜心情？

蘇謀劃奪回兒子的安排看似「不懂感恩」蘿絲，其實正反映當年懷孕，在無家庭經濟或家人支持下，不得已出養自己親生骨肉，對於一個青少女而言是生理更是心理的切身之痛，不只影響著青少女時期的蘇，更影響了她日後的性格與追尋幸福的態度。

「我應該要謝謝你，但我討厭只能謝謝你的自己」－《華燈初上》蘇慶儀

小媽媽蘇：不得已的出養，成為一生的重擔

劇中的蘇，明明是被叔叔強迫而懷孕，卻由她獨自承受汙名與痛苦，成為小媽媽的蘇難以獨自承擔扶養責任，決定出養親生骨肉。多年之後，成年的蘇藏著這個揮之不去的秘密，成為生活中的反覆拉扯的心理糾葛。

雖然劇中演的是1980年代的故事，而隨著時代推進，今日的未成年小媽媽數量仍不容小覷。行政院戶政司統計，近十年來（2010-2020）15-19歲未成年少女生育率皆為4‰。以2020年為例，誕生超過2000名未成年小媽媽（2020年15-19歲少女共有約551607位*4‰＝2206）。

雖然每個小媽媽懷孕的原由不盡相同，但當物質與身心條件未成熟，部分小媽媽會選擇出養。有質性研究深度訪談六位出養孩子的媽媽，發現社會對小媽媽及出養人的污名，成為親生母親一輩子脫不去的重擔。

「無力」的小媽媽：選擇出養多是為孩子好

台灣學者以兒福聯盟接獲出養個案的訪談內容統計，發現小媽媽決定出養孩子的５大因素為：經濟問題、家人無法支持、無力照顧孩子、教養問題、希望給孩子一個完整的家。

身心尚未準備好，物質與心理上的資源不足，以及希望無辜的孩子仍有好的發展，是小媽媽在未成年生育的狀況下，選擇與親身骨肉說再見的關鍵。

－－－以下爆雷－－－

當蘇聽見子維叫自己乾媽：出養重聚成為重大課題

特別的是，蘇的出養並非從此和親生兒子不復相見，而恰好是將撫養權交給朝夕相處的好閨蜜蘿絲。國內外研究指出，與出養子女「重聚經驗」是一段複雜的情緒之旅。而蘇的重聚不只是一段旅程，更是紮根在生活每一個細節中的糾葛，心情肯定更為複雜。

當蘇與子維相處，時時刻刻將蘇拉回當年的記憶，再次經歷著傷痛的焦慮，同時也因重新與兒子連結而感受療癒與釋放。這或許正是蘇即便心裡經歷著翻雲覆雨，仍樂於與子維出門逛街，以感情最好的乾媽／乾兒子相稱的原因。

另一方面，在蘿絲入獄，蘇「代替」蘿絲照顧子維時，就像是蘇與兒子的「關鍵重聚」；蘿絲出獄後，蘇則感受到與兒子「重聚後被迫分離」的痛苦。蘇與子維沒有拉開距離、保持界線，卻也沒有重新建立妥善的關係定位、重聚意義，使得蘇的心理一直卡在模糊不清，不知自己意義為何的狀態，成為最後心理失衡的重要原因之一。

蘇＆子維的剛剛好距離？拉開距離VS有預備的重聚

或許，成為小媽媽情非得已，出養也是無奈之下的選擇。然而今日的我們知道，身為出養者，和親生孩子的距離和意義都需要更明確的定位、更有意識地處理。

• 選擇１｜拉開界線、生活圈不重疊
  親生骨肉的情感連結渴望無可厚非，然而既已出養，雙方皆需要注意拉開生活距離，建立適當界線，避免情感與出養決策互相矛盾，造成複雜的心理糾葛。
• 選擇２｜討論後相聚，釐清彼此關係與意義
  若因任何一方希望重聚，出養者、收養者、孩子都需要有心理準備，並在有預備的前提下，一同面對新的角色意義與關係定位，過程中有相關單位協助引導較佳。

出養小媽媽可以怎麼做？相關資源：

• 衛福部社家署兒童及少年收出養流程
• 兒福聯盟出養服務介紹

如此以來，才能保護出養者、收養者，也保護孩子，有面對彼此更適當的界定與勇氣。期待今日的「蘇」與「子維」都能找到更適當的距離，更舒心的關係。

• 延伸閱讀：步母後塵？《2049》母女小媽媽人生的走向差別
• 延伸閱讀：《華燈初上》關係糾葛剖析專區

1. 王枝燦（2003）。家庭面臨出養事件之因素與需求分析。兒童福利期刊，4，111-131。
2. 鄭君紋、劉世閔（2011）。一位未婚女性在青少女時期懷孕的生育決定與出養經驗之敘事研究。教育科學期刊，10（2），139-172。
3. 楊淑宜（2015）。親生母親與被出養子女的重聚經驗探究。國立台灣大學社會工作學系未出版之碩士論文。
4. 行政院重要性別統計資料庫：未成年婦女生育率。
5. 行政院重要性別統計資料庫：現住人口數按性別及年齡分。