第五章 知識萃取機制設計
第三節 知識萃取機制考量之各因素的標註重要度模糊隸屬函數制定
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
四、 標註喜愛共識
標註共識的另一種則是應用社群評分概念(Gruber, 2008)的標註喜愛共識。當 讀者在瀏覽別人的標註時，可以將他認為不錯的標註加入「喜愛清單」（見圖 5 - 4），而該標註就會增加標註喜愛共識 1 人。標註喜愛共識不會計算重複的人次，
同一位讀者只能對同一筆標註加入喜愛清單一次。
圖 5 - 4 將標註加入喜愛清單示意圖
第三節 知識萃取機制考量之各因素的標註重要度模 糊隸屬函數制定
本研究利用「知識萃取機制專家評估問卷」邀請五位閱讀相關領域專家針對 六項考量因素的論域與各因子評定其重要度，然後再利用模糊樣本平均數與二相 模糊統計法來制定標註重要度的模糊隸屬函數，結果請見附錄 D。
本研究邀請了五位專家進行標註重要度模糊隸屬函數的評估，但是每一位專 家在閱讀領域的專業程度有所不同，各專家的意見應賦予不同等級的權重。在閱 讀領域中越為專業的專家，其權重越高，該專家的意見也對整體評估結果有較大 的影響。依照專家與閱讀領域的專業程度，本研究將五位專家分成 A、B、C 三 組，並分別賦予不同的權重。專家 A 是閱讀學習與數位學習領域的專家，共兩 位，分別為 A1 與 A2，賦予三倍權重；專家 B 是具有實務經驗的教師，共一位，
賦予二倍權重；專家 C 是數位學習領域的研究生，共兩位，分別為 C1 與 C2，
賦予一倍權重。詳細的專家背景資料如表 3 – 3 所示。
本研究在「知識萃取機制」考量之六項因素又分成連續變項的「標註範圍共 識」、「標註喜愛共識」與「標註範圍長度」三項，以及名義變項的「標註範圍詞
‧
‧
‧
以下以「標註策略類型」來說明模糊樣本平均數(fuzzy sample mean)的定義 與推導方式（吳柏林，2005）。設 U 為「標註策略類型」的論域，令 L={L1, L2,
‧
‧
‧
×3+5×2+1×1+6×1=53。全部的加權總和相加，可以得到數值 210。然後將各個加 權總和除與 210，便可計算出表 5 - 5 最後一列的權重。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
內容推薦，最後再將標註建議回饋給讀者。當讀者閱讀標註建議的同時，也可以 表示「贊成」或「不贊成」的回饋，以用於本研究「知識萃取機制」評估之依據。
各項細節說明如下。
一、 建議門檻分數
「建議門檻分數」意即六項考量因素的平均值。如果讀者進行的某一標註所 獲得的「標註分數」低於平均值，則「知識萃取機制」認為該讀者需要一些建議 與推薦來輔助改善閱讀標註技巧。「建議門檻分數」的計算方式是根據六項考量 因素的論域中各因子，計算其糢糊樣本平均數，依此作為單因子評價集，再進行 糢糊綜合評判所得到的結果。本研究最後計算出的「建議門檻分數」為 2.243。
二、 標註技巧建議
標註建議給讀者的回饋資料有兩種：一種是標註技巧的建議，另一種則是「標 註分數」較佳的優質標註內容推薦。
標註技巧的建議係針對標註特徵中的「標註範圍長度」、「標註範圍位置」、「標 註範圍詞性」三項因素進行分析，而有「標註範圍長度建議」、「標註範圍位置建 議」與「標註範圍詞性」等三種標註技巧的建議。如果讀者撰寫的標註其標註特 徵仍有改善空間，則「知識萃取機制」就會把該項建議加入標註建議中。這部份 是採用各因素的標註因素分數來計算，而標註技巧的建議也是取論域中各因子的 模糊樣本平均數為門檻，將平均水準以上的因子作為建議的依據，並排除掉該標 註特徵所在的因子，產生一段標註技巧建議敘述。
以下說明這三種標註技巧建議的設計方式。
（一） 標註範圍位置建議
如果讀者在段落的中間進行標註，經「知識萃取機制」計算後，判定該標註 的「標註分數」低於「建議門檻分數」，則「知識萃取機制」就會開始準備建立
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
標註建議。根據標註範圍位置的重要度模糊隸屬函數評估結果，其高於平均值以 上的因子為「段落開頭第一句」、「段落開頭第二句」以及「倒數第一句」。因此 標註範圍位置建議的敘述將會是「段落開頭或最後的內容可能是比較重要的部份，
建議您選擇此處來標註」。如果該標註落於段落的開頭，則建議敘述則會改成「段 落最後的內容可能是比較重要的部份，建議您選擇此處來標註。」。
（二） 標註範圍詞性建議
根據標註範圍詞性的重要度模糊隸屬函數評估結果，高於平均值以上的因子 為「名詞」、「及物動詞」、「量詞」、「外文標記」與「不及物動詞」，因此標註範 圍詞性建議係從這五種詞性中選擇最多四種作為建議的內容。如果讀者標註的範 圍包含了「外文標記」與「感嘆詞」等兩種詞性，而該標註的「標註分數」低於
「建議門檻分數」的情況，「知識萃取機制」判斷該讀者需要標註建議。由於該 標註擁有「外文標記」這項詞性，所以在標註範圍詞性建議中也會排除「外文標 記」，而給予如「建議您選擇名詞、及物動詞、量詞、不及物動詞等較具體的內 容來標註，這可讓您對文章的印象更為深刻」的建議敘述。
（三） 標註範圍長度建議
標註範圍長度建議係指專家認為閱讀標註時最合適的標註範圍字數長度。根 據表 5 - 3 標註範圍長度重要度模糊隸屬函數中，取模糊隸屬度為 r={0/低重要, 0/
中重要, 1/高重要}的因子，因此設定標註長度建議為 21 字以下。當標註的範圍 長度字數超過 21 的字以上時，所回饋的標註範圍長度建議便是「建議您標註範 圍盡量不要超過 21 字，讓重點更為聚焦」。
三、 優質標註內容推薦
除了標註技巧的建議之外，「知識萃取機制」還會篩選「標註分數」較高的 標註作為優質標註內容推薦，將之與標註技巧建議一起回饋給讀者。在優質標註
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
內容推薦的篩選機制中，「標註分數」低於建議門檻分數的標註稱為「被推薦標 註」，而要推薦給讀者的標註則稱為「推薦標註」。而「推薦標註」是在推薦標註 搜尋範圍之中，挑選「推薦門檻分數」以上並排除掉標註撰寫者之外，同時擁有 最高「標註分數」的標註。其中推薦標註搜尋範圍與推薦門檻分數說明如下。
（一） 推薦標註搜尋範圍
推薦標註搜尋範圍係以「被推薦標註」所在位置為中心點，依照分隔句子的 標點符號，如句號、驚嘆號、問號等，搜尋附近一句話前後的範圍，再排除掉「被 推薦標註」所在位置，最後得到的範圍稱之為「推薦標註搜尋範圍」，如圖 5 - 6 所示。
圖 5 - 6 推薦標註搜尋範圍示意圖
（二） 推薦門檻分數
「推薦門檻分數」的意義為標註技巧具有最佳標註特徵的標註。計算方式為 兩項標註共識因素中標註因素分數最低的因子與四項標註特徵因素中標註因素 分數最高因子，並依此作為模糊關係矩陣，再經過糢糊綜合評判推導出的分數。
本研究依此計算結果的推薦門檻分數為 1.947。
……如分析、批判、創造。因此科學學習的概念，需要讓學生透過觀察現象學習知識、從做 中學，但是常常沒有一個很好的實驗環境，提供學生操作與學習。因此，本研究將科學教育 活動的設計，採行 e-Learning 的理念，設計 e-GBL（e-Game based Learning，簡稱 e-GBL）遊 戲式學習平台的教學環境。以 e-GBL 平台的創意及導入步驟，將複雜且艱難的科學活動課 程，建構出一套完整的知識體系，打破科學教育無法重複實驗的侷限；設計多元化且可重複 演練及觀察的科學教育課程，協助學生在 e-GBL 平台中，虛擬香蕉的培育經驗，認識植物的 成長，實踐做中學的理念，由教師引導學生反思錯誤的關鍵，進而學習正確的科學知識。然
而… 說明：
標註範圍 推薦標註搜尋範圍
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
四、 標註建議回饋
當讀者進行閱讀標註時看到標註建議之後，可以對標註建議表示「贊成」或
「不贊成」的回饋，本研究稱之為「標註建議回饋」。讀者亦可先略過標註建議，
往後再回頭送出「標註建議回饋」。當讀者「不贊成」或關閉標註建議之後，標 註建議將會隱藏起來，保留讀者原本撰寫的標註。當讀者表示「贊成」時，若標 註建議未包含「推薦標註」，則讀者撰寫的標註會被刪除；若標註建議包含「推 薦標註」，則會讀者撰寫的標註將會被移至「推薦標註」的標註範圍。
第六節 標註指引設計
標註指引是在閱讀文章頁面上以紅字顯示 KALS 推薦標註的範圍。藉由將重 要標註的位置標亮，可有效吸引讀者在閱讀文章時的注意。當標註的「標註分數」
高於「推薦門檻分數」時，KALS 就會將該標註的標註範圍標亮作為標註指引。
除了幫助讀者閱讀文章時能夠聚焦於重點範圍之外，也能夠激勵讀者觀摩重要度 較高的標註、促進社群之間的互動。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y 第六章 實驗結果與分析
根據研究架構，本研究從實際規劃的閱讀實驗中蒐集讀者產生的閱讀標註行 為資料，並進行統計分析，以驗證基於「知識標註學習系統」所發展的「知識萃 取機制」的有效性。本研究實驗的研究對象共 19 人，透過共同對一篇指定閱讀 文章進行合作式閱讀標註學習，並繳交閱讀報告方式進行，實驗時間長達二週。
本章從五個面向來說明實驗數據分析的結果。第一節針對實驗對象的使用意 見調查與閱讀理解分數評量結果進行說明；第二節則是從「標註分數」是否與實 驗對象的閱讀理解分數呈現正相關進行分析，以驗證基於「標註分數」判定優質 標註內容與進行標註技巧建議的「知識萃取機制」的有效性；第三節分析「知識 萃取機制」中考量的六項因素是否能夠反映實驗對象閱讀理解分數的差異，以驗 證個別考量因素的有效性；第四節分析「標註因素分數」是否與實驗對象的閱讀 理解分數呈現正相關，用來判斷經由閱讀專家評估之標註重要度模糊隸屬函數的 有效性；第五節則從實驗對象在「知識標註學習系統」的系統操作標註行為中，
分析各種系統操作因素中可以反映出閱讀理解分數差異的因素，以作為未來加入
分析各種系統操作因素中可以反映出閱讀理解分數差異的因素，以作為未來加入