為何主流媒體的科學新聞報導不連結回原始資料來源？

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

「每天有 10,000 名嬰兒潮出生的人年滿 65 歲。」——《紐約時報》，2014 年 8 月 1 日

「每月有 8,000 名嬰兒潮出生的人年滿 65 歲。」——《紐約時報》，2016 年 5 月 7 日

每天都會有幾千份不同的報紙刊登這樣的報導：「每『某段時間』有『多少』『某族群』『如何』。」許多報導內容都與某個「里程碑」(milestone) 相關，或是一生只會發生一次的事，例如出生、死亡或特定年齡的生日。

你對每月有多少嬰兒潮出生的人年滿 65 歲有任何概念嗎？我其實也完全沒概念。所幸我們往往可以理性推論出，這些陳腔濫調的說法是否合理。而在本例中，甚至能夠找出上述哪一則報導的說法基本上正確，而哪一則報導肯定錯誤。

什麼是利特爾法則？

其中一種方法是根據稱作利特爾法則 (Little’s Law) 的經驗法則。它是一種守恆定律 (conservation law)，說明經過某些處理過程的事物數量、事物抵達某處理階段的速度，以及處理過程所花費時間長短，三者之間的關係。

以下舉一個簡單例子，你就能輕鬆記住這個法則，並且用來檢視你的思路。想像一間有「1,000 名」學生的學校；每名學生入學後會就讀「4 年」，然後畢業；如果忽略輟學生和轉學生，則每個年級會有「250 名」學生，如圖所示。

利特爾法則把上述 3 個數字的關係連結起來：總共 1,000 名學生等於每年級 250 名學生乘以 4 年。1,000 除以 250 得到 4，1,000 除以 4 得到 250，而 250 乘以 4 則得到 1,000。單就上述例子來說，這樣的關係現在看來顯而易見，但利特爾法則說明的關係，卻是由麻省理工大學史隆管理學院 (MIT Sloan School of Management) 的利特爾 (John Little) 教授，於 1954 年第一次提出。

接下來就使用利特爾法則來估算，每天有多少嬰兒潮出生的人年滿 65 歲吧。為了簡化計算，首先假設美國人口為 3 億人，也就是正在「處理過程中」的人數。「處理過程」指的是一個人的一生。假設每個人活到 75 歲，則 75 年就是「處理時間」。上述數字其實過度簡化，原因是有些人英年早逝，而有些人則長命百歲；此外，人口估算的方法也忽略了遷入、遷出和出生率，但目前為止，這個估算數字已經夠好。

如果將 3 億除以 75，會得到各年齡組別都有 400 萬人，這個數字同時也是抵達率 (arrival rate)：每年 400 萬人出生；以及離開率(departure rate)：每年 400 萬人死亡。同時 400 萬人也是每年抵達任何年齡里程碑的人數，其中就包含年滿 65 歲。如圖 7.2 所示，包含 65 歲在內，任何特定年齡的人數都是 400 萬人。

將 400 萬除以「1 年（400 天）」，可以得到每天 10,000 人。但實際上 1 年只有 365 天，也就是比 400 天少了 10%，所以可以將 10,000 增加 10%，得到每天達到任何年齡里程碑的人數約為 11,000 人的結論。

因此，「每天有 10,000 名嬰兒潮出生的人年滿 65 歲」的說法正確，而「每月有 8,000 名嬰兒潮出生的人年滿 65 歲」則錯誤，「每月」應該改為「每天」。

使用之前，先了解數字是怎麼來的

相同類型的推理也可以應用到其他地方：

「今年的每一天，都約有 1,800 人會慶祝最具意義的生日（65 歲生日），這也意味著他們即將退休。」——《每日郵報》(Daily Mail)，2011 年 8 月 2 日

英國人口約為 6,500 萬人，因此可以假設人們的壽命為 65 年，藉此簡化計算。這代表每年有 100 萬名英國人年滿 65 歲，因此每天約有 2,700 人年滿 65 歲。然而，英國的預期壽命略為超過 80 年，因此更接近的數字應該是每天 2,300 人年滿 65 歲（6,500 萬除以 80 再除以 365）。這個數字比報導中的 1,800 人還要多，但相差不大，報導數字還在合理範圍內。

為了進一步確認，我另外找了一些獨立資料來源。許多報導都提到，出生於 2013 年 7 月 22 日的喬治王子(Prince George)，是那天出生的「2,200 個嬰兒」中的其中一個。當然喬治王子很可能成為未來英格蘭的國王，身分和其他嬰兒顯然不同。

請注意，以上為了計算方便，都是使用近似數字，如有必要，之後還可以進一步進行更精確的計算。例如，我並不確定報導包含英國的哪些區域，有可能實際上相關的人口是 7,500 萬人，這樣的話就可以先假設預期壽命為 75 年，便於計算，然後在更確定實際的人口數後，進行上調或下修。

簡化數字的方法，確實能幫助你更容易計算數字。無論計算任何數字，你都應該先尋找簡化數字的方法，之後再來考慮，是否需要計算更精確的數字。

——本文摘自《一輛運鈔車能裝多少錢？：輕鬆培養數感，別再被數字迷惑》，2023 年 6 月，三民出版，未經同意請勿轉載。

這是我長久以來的一個疑惑：為何主流媒體不提供原始資料來源？

我們很少看見主流報紙在報導時會附上資料來源的網路鍊結，在電視新聞上也幾乎沒看過。或許這是因為平面媒體版面跟螢幕大小的限制，而且就算刊登或打上字幕，一般人也不太會把連結抄下來、坐到電腦前，然後上網看原始資料連結，太麻煩了。

不過，現在幾乎每一家主流的報紙或電視新聞都有自家的網路電子報平台，甚至也在網路上優先發佈訊息，為什麼我們還是看不到新聞報導上提供原始資料來源的連結呢？而這種作法造成的問題在科學報導上，影響最大，而且是負面影響。

Ben Goldacre，知名的Bad Science部落格格主，也一直批評這種作法。他在部落格上以及衛報的專欄上持續揭露主流媒體報導科學新聞時犯的錯誤，包括扭曲、誤解、誇大等等，然而這些偏失的根源都來自於一個簡單的操作：主流媒體總是不提供原始資料來源。媒體便藉此讓沒時間深究的閱聽人上當，靠著似是而非的引據吹出一個又一個科學謠言。他在最新的文章中用3個案例來指出這個作法造成的問題。

第一個案例，英國電訊報日前報導「海上風力發電機組造成鯨魚擱淺」(Wind farms blamed for stranding of whales)(現已撤下)，這篇報導的資料來源是PLoS One期刊上的這篇論文「喙鯨對模擬以及實際的海軍聲納有反應 (Beaked Whales Respond to Simulated and Actual Navy Sonar)」，電訊報的的報導中說「海上風力發電廠是鯨魚發生海灘擱淺的主要原因之一，研究此一議題的科學家如此表示」，然而該論文從頭到尾完全沒有提到海上風力發電廠！論文作者之一Ian Boyd教授在報導中還被引言，但是事實上Boyd根本沒有接獲電訊報的採訪，也沒有在其他地方談及海上風力電場對鯨魚的負面影響，卻被擅自當成「權威專家」引述。搞得他只能在那篇報導下方留言回應。雖然電訊報後來撤下報導，並刊登更正啟事，但是你可以自己讀讀看，就知道這更正啟事同樣沒有反省的意思。

事實上，就算我們不是科學家，也不是該領域專家，如果電訊報在報導中鍊結引用論文出處，任何人滑鼠一點過去就會看見論文標題跟摘要，馬上就會起疑：「這篇論文談得是聲納吧？？？」

報導者沒看原始論文，OK，拿研究單位發的新聞稿來改寫，OK，可讓我們看看原新聞稿：「鯨魚『怕』聲音」(Whales Scared of Sound)，裡頭也完全沒提到海上風力發電廠。電訊報的報導只能說是穿鑿附會，聯想力十足：鯨魚怕聲音–>海上風力發電廠運轉會發出聲音–>鯨魚擱淺是由於海上風力發電廠–>「專家」也這麼說。這種超級跳躍性的推論就被當成正式報導，不斷被轉載，談論，直到論文作者微弱的抗議被看見，然後才不情不願撤下報導，放上一篇更不情不願的更正啟事。

如果報導中有連結，報導者在扭曲報導之前應該也會想想：「這樣一下就會被揭穿，那還是謹慎下筆好了」。

如果第一個案例是完全錯誤，另一個案例就顯得可笑了。Anna Ahn博士最近發佈研究，解釋為何有著比較短的腳跟的人會有比較強健的小腿肌肉，可是到了電訊報上(而且是時尚版)就成了「厚底高跟鞋是纖細小腿的秘密」，到每日郵報(Daily Mail)上就變成「維多利亞貝克漢的好消息！厚底高跟鞋比起平底鞋讓女性小腿線條更美」，然後在快遞報(Express)上也一樣：「厚底高跟鞋使腳線條勻稱」。

不過其實只要讀過這短短的研究新聞稿，就會發現這研究跟鞋子一點關係都沒有，研究僅對赤腳受試者進行調查跟實驗，測量的是解剖上的腳跟長度，也就是阿基里斯腱到足後關節之間的距離。記者，在我無法理解的精神狀態下，自行加油添醋寫了報導，但是如果他們敢附上原始論文或新聞稿連結的話，應該會理智一點吧。

最後一個例子：每日郵報(Daily Mail)在頭版用嚇人的標題寫著「常在加氯的游泳池中游泳增加罹患膀胱癌的風險」，然而這篇論文事實上要探究的是社會階級是否在使用水的行為上有不同，而這不同又是否連結至膀胱癌的發生。研究的結果是，儘管高知識高所得分子比較常飲用應該比較純淨的瓶裝水，但是他們比較常運動，例如游泳，而且洗澡次數多、時間長，因此三鹵甲烷曝露量更高，這樣正反相抵之下，其實曝露量也不會比較少。而即使如此，這個研究也沒有發現膀胱癌跟三鹵甲烷之間的關聯。(註：還是有研究表示有所關聯，但風險極低)。

但或許這樣寫報導就沒人看吧。每日郵報想讓讀者恐慌，卻引用了並不支持報導論調的論文，是刻意的扭曲。

Goldacre認為這種「對某篇文章的回應扭曲了該文章」的情形一直在發生，刻意忽略重要訊息還能不被抓包，靠得就是我們難以檢驗其真實性。大多數主流媒體一直不改此一行徑，反倒是看重自己名聲的部落客總是提供資料連結，讓你可以再三確認。他的結論是：加上鍊結實在是太簡單了，而不這麼做的動機才更讓人質疑。從此之後，他的信任法則很簡單：只要沒有連回原始資料來源，就不要相信。我極為贊同，也衷心期盼媒體，從電子報版本開始，能夠馬上改進。

————————————————-

延伸閱讀：為何又是英國研究

108 課綱開啟全新閱讀素養時代。

科學素養不再侷限於考試的解題方法，學生閱讀科學讀物時,如何在氾濫資訊中找到高品質、適合學習程度的科學素材，是教育現場至關重要的課題。

臺灣師範大學 SmartReading 團隊將 AI 讀物難度分級技術，透過測驗、選書、閱讀、讀後回饋四大功能，完整記錄孩子的學習歷程，提升中小學生科普閱讀動機，成為自律自主的科普學習者。

臺灣師範大學於 110 年至 111 年間，與國科會、新北市、臺中市等單位合作，連續辦理三屆「SmartReading 科普閱讀力大賽」，每屆競賽歷時半年。競賽組別以國小三年級至高中一年級共分七個組別。參賽學校涵蓋臺北市、新北市、臺中市、臺南市、高雄市、花東等十九縣市，報名參賽人數累計八千餘人。

由系統建置適合學生閱讀的兩千多本科普讀物

競賽期間，參賽學生使用「SmartReading 適性閱讀」系統,透過精準快速的中文閱讀能力診斷，將閱讀程度與讀物難度適配。藉由系統已建置，適合國小三年級至高中一年級的 2,180 餘本科普讀物，不僅能激勵其學習動機，更可有效提升選擇的效率，降低科學閱讀恐懼。第三屆科普閱讀力大賽不受疫情波擾，採實體與線上兩種施測方式，於 111 年 5 月份圓滿完成賽事。

111 年 9 月 24 日於臺灣師範大學舉行頒獎典禮，邀請新北市教育局張明文局長、臺北市教育局鄧進權副局長、臺灣閱讀協會陳昭珍理事長、康橋國際學校秀岡校區卓意翔副校長、親子天下兒童產品事業部副總經理林彥傑、新北市信義國小陳桂蘭校長到場擔任頒獎嘉賓。參賽學校師生、家長齊聚典禮會場，為優秀的得獎同學喝采。

臺師大宋曜廷副校長表示，數位閱讀邁向新時代,團隊使用「SmartReading 適性閱讀」系統作為科普賽競賽平台，期望在知識爆炸的時代,藉由測驗、選書、規劃的「智慧閱讀三步驟」，培養學子的跨領域閱讀力與閱讀習慣，讓學生們手握知識大門的鑰匙，成為自律自主的「SmartReader」。

科普閱讀競賽的三大特色

一、適配閱讀能力與圖書難度，擴增多元書籍與文章素材

參賽學生首先須參加中文適性閱讀能力診斷（DACC），依據診斷結果,配合其當前閱讀能力的科普推薦書單，讓學生選書有依據、個人化。本競賽目前共有「推薦書單」、「推薦文章」等 2 種閱讀素材，主題包含植物／動物、數學、天文地科、物理／化學等 8 大類別。「推薦文章」功能，則與「PanSci 泛科學」及「數感實驗室 Numeracy Lab」合作評選，當前提供 600 餘篇線上科普短文,競賽期間提供已超過 4,000 人次的瀏覽次數。

二、綜合性閱讀五力分數，開啟學生全方位閱讀力

本競賽賽程為期半年，學生透過「前測、閱讀任務挑戰、後測」三個階段。競賽期間，系統詳細記錄每週閱讀歷程，並產出線上「閱讀五力分數」報表。自主規劃閱讀期間計算為「規劃力」；讀後評量填答結果計算為「執行力」；閱讀多元書籍類別的結果計算為「博學力」；閱讀單一書籍類別的深化成果則計算為「精進力」；前後測成長結果計算為「成長力」。將閱讀能力數據化、可視化。

三、閱讀任務徽章，深化學生文化素養與科普閱讀興趣

本競賽內建徽章蒐集系統，參賽者於指定時間依據提示完成閱讀任務，即可獲得期間限定的特色科普徽章。任務內容包含閱讀指定的書單及文章類別、世界性科普節日、科學家生辰、台灣重要節慶與其他隱藏任務。本屆各年級累計獲得徽章達 20423 枚，因設計活潑及任務類型多樣，大受參賽者好評。

競賽結果發現學生的閱讀偏好

一、科普閱讀參與，國小男性最踴躍

活動期間參賽者共完成約 21,153 本的書籍評量。以不同學習階段來看；國小參賽者整體閱讀平均本數為 24 本，男生平均閱讀本數為 28 本，女生平均閱讀本數為 20 本。國、高中參賽者因科普讀本難度較高，需要較長的閱讀時間及一定的科學基礎知識，國中參賽者整體平均閱讀書籍數為 10 本；高中參賽者中女性平均閱讀本數多於男性，整體平均閱讀書籍數為 7 本。

二、學生偏好閱讀動物／寵物類與地球生態／天文類書籍

整體參賽學生對於科普書籍的喜愛程度，以植物／動物類（男生 28.19%、女生 27.91%）最能引起學生的閱讀興趣（如：《昆蟲老師上課了！：吳沁婕的超級生物課》、《小島上的貓頭鷹》、《神奇樹屋》等系列）。在次要類別，男女皆喜好生態／生命科學類的書籍（男生 15.20%、女生 16.87%）。

三、參賽學生閱讀歷程的質與量均佳，表現令人驚豔

本次參賽學生皆積極參與競賽。

以三年級組第一名得主，臺北市立大同國小的林靖軒同學為例，競賽期間閱讀書籍本數高達 383 本，書籍讀後評量的通過率更高達 95%，書籍不僅讀得多，更是能讀得要領。

四年級組第一名為第二次參賽的新北市信義國小謝秉言同學，本次競賽期間共閱讀 427 本書。

其中五年級組為本次競爭最激烈的一組，臺北市立長春國小的黃葦川同學以及高雄市立集美國小的吳勁毅同學，兩者僅以極小的分數差距位居第一及第二名。

此外，第一次參與競賽的高雄市立正義國小的孫政遠，競賽期間閱讀 281 本書籍，通過率達到 97%。

四、教育主管機關、學校師長及家長支持鼓勵，帶動學生優異表現

新北市教育局致力於推動智慧閱讀教育，不遺餘力，成果豐碩。本屆競賽全台共 2,104 人報名參與，全國賽獎項獲獎學生共計 36 人，其中新北市得獎學生便囊括 14 位，表現相當亮眼。

家長與學校師長共同陪伴，使得學生能專注於本次競賽，並有相當卓越的成果，例如新北市康橋國際學校、臺中市明道中學、臺中市葳格國際學校、臺北市東山中學等校，皆因全力推廣閱讀活動，才能有優異的競賽成果。以新北市康橋國際學校國中部為例，此次七年級組參賽者，全國賽前5名得主中，康橋中學就獲有 3 名的佳績。

第四屆科普閱讀力大賽即將開跑

延續前三屆廣受好評之科普賽事，第四屆科普賽將擴大辦理，邀請「PanMedia 泛科知識股份有限公司」馮瑞麒總經理、「數感實驗室 Numeracy Lab」賴以威教授、「國立臺灣大學科學教育發展中心」賴亦德執行長，持續提供參賽者更生活化、趣味化的科普文章，預期第四屆科普閱讀力大賽將能讓全球讀者有更高品質的閱讀體驗和更充實的閱讀收穫。

活動詳情請參閱官方網站。
新聞聯絡人：高等教育深耕計畫辦公室——鄭德蓉 02-2366-0916 #111