資料轉換—綱要配對與映射

基模與綱要映射是異質資訊管理（heterogeneous data management）核心的 基礎「元數據」²¹（metadata）的兩個構成要素，基模是描述出各個資料庫的架 構，綱要映射則是描述出基模與基模之間的關係（Fagin et al. 191）。所有資料的 的綱要映射方法進行全面性的評估，並開始進行機器學習技術研究（Bellasehne et al. vi）。資訊科學領域所追求的是尋找出某種可以借由少量人力就能夠有效並

21 元數據（Metadata），又稱元資料、中介資料、中繼資料，為描述數據的數據（data about data），主要是描述數據屬性（property）的資訊。

式及不同程度簡化的方法所能轉化出來的最佳視覺或是最佳概念的效果。新的 始進行推論，即所謂的由下至上（bottom-up）的資訊驅動步驟（data-driven process）及由上至下（top-down）的觀念驅動步驟（conceptually-driven process）

（Cohen 26）。資訊驅動步驟的推論方式會將觀察到的資訊條列分述出來，觀念 驅動步驟則是運用已有的知識識別這些資訊所代表的意義。在實際操作時，這 兩種分析方式會循環進行，最後，最適合用來解釋這些資訊的新基模也就決定 了這個新資訊的位置（Cohen 29）。除了這兩種步驟之外，以色列心理學學者 David Navon （ 1943 ～ ） 針 對 視 覺 感 知 的 部 份 提 出 了 整 體 至 局 部 步 驟

（global-to-local process）的概念，他認為視覺感知是在整體架構建構好之後才 開始填上細節的內容，且整體差異比局部差異更常被察覺（Navon 353）。整體

以就擁有許多模糊的空間。再者，「整體」的框架並不見得都會比「局部」的細 節容易辨識，所以若從一剛開始對「整體」這個框架的解讀就有偏差，隨後填 入「局部」的細節內容也就會變成是錯誤的延伸。「整體」與「局部」的意義是 會互相牽動的，但是應該並不是如Novon 所述的，全然由「整體」來決定「局 部」。

圖4.11 Novon 圖像辨識流程研究 資料來源：（Navon 365）

人們在辨識的圖像的時候，基本上還是由不斷漂移的視線拼湊出「整體」

的樣貌，也就是先快速地由「局部」概略連結出「整體」的模糊框架，再從模 糊的「整體」回頭檢視「局部」的內容的定位是否合宜，「整體」與「局部」兩 端反覆驗證與修正之後所取得的最佳平衡點即是答案。因此，若在第一時間就 能夠定位到層級較高的「局部」（如樣板群組就比樣板的層級高），就能夠較快 速地建構出層級較高的網路，向下填上「局部」的細節時，也就比較不會有失 準的問題。若觀者不能識別層級較高的「局部」時，他們就需要花更多時間上 下往返進行修正，這種情形就比較容易產生錯誤的推論。另一種狀況則是觀者 可能能夠識別這些「局部」，但是由於每一位觀者過去截然不同的經驗使得他們 所關注的議題產生了差異，所以當他們在觀察圖像時，視覺動線就會有所不同

（如圖 4.6）。當在他們在觀察圖像的時候，他們會很自然地把他們所關注的議

題的「局部」的層級排得比較高，而後由這些「局部」所連結出來的「整體」