研究方法

用手機 GPS 資料分析民眾移動模式

• 原本資料：問卷或人口普查資料。
  
• 新資料：手機定位資料或交通感測器蒐集到的匿名 GPS 資料。
  
• 應用：疫情期間政府可利用這類資料分析群聚區域、推估防疫政策的實施效果。
  

用社群媒體資料預測選舉結果

• 原資料：傳統民調。
  
• 新資料：Twitter、Facebook 或 PTT 上的討論趨勢、情緒分析結果。
  
• 挑戰與意義：雖然存在雜訊，但結合時間序列與詞頻分析，有時比民調更早發現民意波動。
  

• 探討主題: 調漲基本工資是否會導致弱勢勞工失業
  
• 卡德與克魯格利用新澤西和賓夕法尼亞州在不同時間點上調漲最低工資的情況進行實驗研究⁵。
  
• 1982年，Brown, Charles, Curtis Gilroy, and Andrew Kohen以新古典模型（Neoclassical Model）預測，調漲最低工資會導致勞動力需求減少，從而導致失業增加，特別是對於技能較低的勞工⁶。
  
• 2006年，Neumark, David, and William Wascher以彈性分析（Elasticity Analysis）對同一主題進行研究，通過分析工資彈性和就業彈性，研究最低工資對不同勞動力群體（如青少年、低技能工人）的影響，結果發現最低工資增加對青少年和低技能工人的就業有負面影響，但程度較小⁷。
  
• 2010年，Dube, Arindrajit, T. William Lester, and Michael Reich以現代實證研究（Modern Empirical Studies）最低工資對就業的影響(比較鄰近但在不同最低工資政策下的縣市)，結果發現最低工資的增加對低薪工人的就業影響微乎其微，或在某些情況下是正面的⁸。
  
• 2016年，Meer, Jonathan, and Jeremy West以動態調整模型（Dynamic Adjustment Models）研究最低工資對就業的長期動態影響，而不僅僅是靜態的短期影響，結果：發現最低工資提高會減緩就業增長，但不會立即導致大規模失業⁹。
  

以機器學習重新預測學生學業表現

• 原方法：傳統用迴歸或 t 檢定分析學生成績與背景因素關係。
  
• 新方法：利用隨機森林、神經網路等 ML 模型，以更高維度、非線性方式預測學生表現與學習成效。
  
• 結果：有助於早期預測學習落後學生，提供個別化介入策略。
  

以自然語言處理(NLP)分析歷史文本

• 原方法：人工標註、分析史料或文獻。
  
• 新方法：利用 NLP 對大量文本進行情緒分析、主題建模（topic modeling），分析歷史語境下的輿論變化。
  
• 應用：像是追蹤報紙中某議題（如婦女參政）的情感傾向變化。
  

傳統以機械減震系統避免攝影震動
結合生物與資訊科技的創新穏定器: 終極相雞

利用深度學習與影像處理技術改善黑白影片色彩化

1. 對技術有基本理解
   
2. 對新領域有基本理解
   
3. 換句話說：多讀書才有資格談創新
   

• 第一次用的關鍵字找到可能相關的第一批paper，從第一批paper中找出更精確的關鍵字，再搜尋第二批paper
  
• 找到目標paper，由其中的reference paper往外延伸到其他相關paper
  
• 找到作者: 依由作者其他paper往外延伸
  

• Google 關鍵字 filetype:pdf
  
• Google scholar
  
• Google Advanced Search
  
• Google Image Search
  
• Google Book Search
  

• 博碩士論文網: 基於學位授予法，國家圖書館為國內唯一博碩士論文法定寄存圖書館
  
• 登入會員的優點: SDI、記錄檢索歷史、線上問卷服務
  
• 系統裡的所有論文幾乎都能在Google找到，可以加限縮(主題 ndlpd)
  
• 找到一篇論文後，由引用論文延伸擴散繼續搜尋(可由被引用數、被點閱數、被下載數來觀察各論文的人氣指數)，再由排序順序來找到可以優先查看的其他論文
  
• 輸出管理: 可以輸出書目APA格式或RIS格式
  
• 我的研究室: 可以看歷史查詢記錄
  
• 物聯網 運算
  

• ResearchGate
  

ResearchGate 是一個專為科學家和研究人員設計的社交網絡平台。它的主要用途包括：

• 分享和發現研究成果：研究人員可以在平台上上傳自己的論文、文章、書籍和其他研究材料，並與全球的同行分享​​。
  
• 互動和合作：ResearchGate 提供了討論區和問答功能，研究人員可以在這裡討論研究問題、尋求建議，並尋找合作夥伴​​。
  
• 研究影響力：平台會追蹤研究材料的下載和引用次數，幫助研究人員了解他們的研究影響力和受歡迎程度​​。
  
• 資源和工具：ResearchGate 還提供了各種工具和資源，幫助研究人員進行資料分析、尋找工作機會和了解最新的研究趨勢​​。
  
• 個人資料和網絡：用戶可以創建個人學術檔案，展示他們的研究歷史和專業背景，並擴展他們的專業網絡​​。
  
• 期刊上找不到PDF的論文可以試著直接跟原作者要
  

• 使用方式參考圖No description for this link
  

ProQuest 是一家提供全球學術研究和教育支持的公司，擁有多個數字資料庫和信息服務。以下是 ProQuest 的主要定位和功能：

• 多學科資料庫：ProQuest 提供廣泛的多學科資料庫，包括人文、社會科學、醫學、工程、科學技術等各個領域的學術期刊、論文、書籍、報紙、雜誌等資料​​。
  
• 學術論文和研究文獻：ProQuest 收錄了大量的博士論文、碩士論文和學術研究報告，為研究人員提供豐富的原始資料來源​​。
  
• 專題資料庫：ProQuest 提供專門針對某些領域的資料庫，如商業、法律、教育、藝術和人文學科等，滿足不同學科研究的需求​​。
  
• 全文檢索和獲取：用戶可以通過 ProQuest 的強大搜索引擎，檢索和獲取全文資料，並且可以按需下載或在線閱讀​​。
  
• 歷史文獻和報紙檔案：ProQuest 也包含大量歷史文獻和報紙檔案，提供了豐富的歷史研究資源，適合歷史學者和研究人員使用​​。
  
• 圖書和電子書：除了期刊和論文，ProQuest 還提供大量的電子書和圖書資源，方便用戶進行多樣化的學術研究​​。
  
• 教育和學術支持：ProQuest 為教育機構、圖書館和研究機構提供支持，幫助他們有效管理和利用數字資源，並提供培訓和技術支持​​。
  

ProQuest 在學術研究和教育領域中扮演著重要角色，通過其全面的資料庫和信息服務，為全球研究人員和學生提供豐富的資源和支持。

• 使用方式參考圖No description for this link
  

EBSCO 是一家提供信息資源和服務的公司，專注於支持學術研究、教育和企業的需求。以下是 EBSCO 的主要定位和功能：

• 多學科資料庫：EBSCO 提供多種資料庫，涵蓋各種學科領域，如人文、社會科學、醫學、科學技術、教育等，為研究人員和學生提供豐富的學術資源​​。
  
• 全文檢索和獲取：EBSCO 提供強大的搜索引擎，用戶可以方便地檢索到期刊文章、書籍、報紙、雜誌等資料，並獲取全文內容​​。
  
• 專題資料庫：EBSCO 有針對特定學科或主題的專門資料庫，如 Business Source Complete（商業資料庫）、CINAHL（護理和健康資料庫）、ERIC（教育資料庫）等，滿足特定領域的研究需求​​。
  
• 電子書和電子期刊：EBSCOhost 提供大量電子書和電子期刊，供用戶在線閱讀和下載，擴展了傳統圖書館的資源​​。
  
• 歷史文獻和檔案：EBSCO 也收錄大量的歷史文獻和檔案資料，支持歷史研究和學術探討​​。
  
• 教育支持和教學資源：EBSCO 為教育機構提供教學資源和課程支持，包括教師用的教學材料和學生用的學習資源，幫助提升教育質量​​。
  
• 圖書館管理服務：EBSCO 為圖書館提供管理服務，幫助圖書館有效管理其數字資源，並提供技術支持和培訓​​。
  
• 個性化服務和工具：EBSCO 提供個性化的研究工具，如文獻管理、書籤、標注等功能，幫助用戶更有效地進行研究和學習​。
  

EBSCO 的目標是通過提供全面的學術資源和先進的技術支持，促進全球學術研究和教育的發展。

ProQuest 和 EBSCO 是兩個主要的學術資源和信息服務提供商，雖然它們在許多方面有相似之處，但也有一些顯著的差異。以下是它們的比較：

Papers With Code 是一個專注於將學術論文與其對應的代碼資源相結合的平台。它的主要定位和功能如下：

• 學術論文與代碼的結合：該平台收集了大量的機器學習和人工智慧領域的學術論文，並提供這些論文對應的開源代碼，方便研究人員直接使用和驗證研究結果​​。
  
• 方便的搜索和瀏覽：用戶可以通過關鍵詞、研究領域、資料集等多種方式進行搜索，快速找到相關的論文和代碼資源​​。
  
• 基準測試和排行榜：平台上還提供了各種基準測試和排行榜，用於比較不同方法在標準資料集上的表現，幫助研究人員了解當前最先進的方法和技術​​。
  
• 社區貢獻：研究人員可以上傳自己的論文和代碼，與全球的同行分享他們的研究成果，促進學術交流與合作​​。
  
• 資源整合：Paper with Code 也會整合其他相關資源，例如資料集、預訓練模型和教程，為研究人員提供一站式的學習和研究平台​​。
  

這個網站在促進學術研究的透明度和可重複性方面發揮了重要作用，使得更多的研究人員能夠方便地訪問和使用最新的研究成果和技術。

• National Library of Medicince: 美國健康研究院公共資料庫，每天83萬次點擊、160萬篇論文下載
  

PubMed Central (PMC) 是美國國家生物技術信息中心（NCBI）運營的免費數字存儲庫，專門用於存放生物醫學和生命科學領域的全文期刊文章。它的主要定位和功能如下：

• 免費訪問學術文章：PMC 提供了大量經過同行評審的學術期刊文章的免費全文訪問，支持開放獲取（Open Access）理念，旨在使科學研究更加透明和可用​​。
  
• 廣泛的學科覆蓋：該平台涵蓋了生物醫學和生命科學的多個學科，包括醫學、公共衛生、生物學、遺傳學、神經科學等領域，為研究人員、醫療從業者和學生提供豐富的資源​​。
  
• 高效的搜索和檢索功能：PMC 提供強大的搜索引擎和檢索工具，用戶可以通過關鍵詞、作者、期刊名稱、出版日期等多種方式快速找到所需的文章​​。
  
• 文獻鏈接和引用：平台上的文章通常與其他科學文獻和資料庫（如PubMed、GenBank）相互鏈接，方便用戶進一步查閱相關研究成果和資料​​。
  
• 持續更新和存儲：PMC 定期更新，持續增加新的期刊和文章，並確保數字化內容的長期存儲和保存，維持資料的持久可用性​​。
  

PubMed Central 在促進科學知識的共享和傳播方面發揮了重要作用，為全球的研究社群提供了一個可靠和便捷的資源平台。

如果你看不懂找到的paper: 由淺入深填補背景知識，一般來說，閱讀難度大概是: 期刊論文 > 博士論文 > 課本 > Wikipedia。
如果你看不懂某篇paper，可以依序查看:

1. 作者的論文
   
2. 教科書
   
3. 網路教學文
   
4. 知識型的Youtuber
   

如果還是看不懂，表示這不是你目前該研究的主題

如果把讀paper的技能分級，大概有以下幾類

1. 低: 讀遍所有相關paper只找到部份idea
   
2. 中: 讀遍所有相關paper找到可用的idea
   
3. 高: 讀挑中的幾篇paper找到可用的idea
   

• Bear Markdown Notes
  
• Goodnotes
  
• Notability
  
• Notion
  
• Emacs/org-mode
  

• hackmd.io
  

• Dropbox
  
• Google Drive
  
• OneDrive
  

咖啡因對認知功能的影響已被廣泛研究。根據 Johnson 與 Lee（2018）的實驗研究，受試者在攝取 200 毫克咖啡因後，於反應時間測驗中的表現顯著優於對照組，顯示咖啡因具有促進警覺與加快反應的效果。此外，該研究指出，咖啡因的效果在攝取後 30 分鐘最為顯著，持續約兩小時。

然而，也有研究指出咖啡因的效果可能因個體差異而有所不同。Chang（2020）針對 100 名大學生進行問卷與測試，發現習慣性攝取咖啡者與非咖啡飲用者在反應速度上差異不顯著。作者推測，長期攝取可能導致耐受性上升，使得咖啡的提神效果減弱。此結果與 Johnson 與 Lee（2018）的發現不一致，顯示在進行咖啡與認知效能研究時，需考慮個體飲用習慣的變項。

綜上所述，儘管多數文獻支持咖啡有助於提升反應能力，但也有研究指出效果可能因人而異，仍需進一步研究其影響機制與個體差異因素。

1. Chang, H. T. (2020). The influence of habitual caffeine consumption on cognitive performance in college students. Journal of Behavioral Neuroscience, 28(3), 145–152. https://doi.org/10.1234/jbn.2020.0032
   
2. Johnson, R. L., & Lee, M. Y. (2018). Acute effects of caffeine on reaction time and alertness. Cognitive Science Quarterly, 14(2), 87–99. https://doi.org/10.5678/csq.2018.0014
   

• 這個實驗之所以有名，是因為這是歷史上第一次「隨機對照實驗」。
  
• 準備 8 杯奶茶：
  
  • 其中 4 杯是先加牛奶後加紅茶
    
  • 4 杯是先加紅茶後加牛奶
    
• 這 8 杯的順序是隨機排列的，女士無從得知哪一杯是什麼順序。
  
• Fisher 請這位女士從 8 杯茶中，挑出 4 杯她認為是先加牛奶的(「隨機對照實驗」)。
  

如果這位女士 完全是亂猜的，她有多大的機率會剛好猜對全部 4 杯？

這其實是一個 組合數學與機率問題，我們可以計算出在隨機猜的情況下，她「剛好挑中 4 杯正確的」機率：

• 從 8 杯中挑 4 杯的方法有 \(\binom{8}{4}=70\) 種可能的選法
  
• 而其中只有 1 種選法是全部猜對的（4 杯都挑對）
  
• 所以完全亂猜時，全對的機率為：\(\frac{1}{70} \approx 0.0143\)（約 1.43%）
  
• 到底該怎麼判斷她是不是用猜的呢？費雪的重要貢獻之一，是提出了判斷一個實驗是否有效，必須設定一個機率的上下限，他稱之為「顯著水準(level of significance, \(\alpha\))」，他常常把這個水準訂為 5％。小於 5％的，他就認為可能性可以排除、不考慮。
  
• 費雪又計算了這位女博士猜對 6 杯的可能性，這種情況是，女士在把奶倒進茶裡的 4 杯當中選了 3 杯，又在把茶倒進奶裡的 4 杯當中選了 1 杯，這種組合的可能性有：4×4=16 種。猜對 6 杯的機率是 16/70 ≈ 22.85％。因為 22.85％大於 5％，所以他認為 6 杯不行，要增加到 8 杯
  

• 虛無假設(Null Hypothesis) \(H_0\) ： 女士無法分辨沖泡順序（她只是亂猜）
  
• 對立假設(Alternative Hypothesis) \(H_1\) ： 女士能分辨沖泡順序（有辨識能力）
  
• 如果女士猜對了全部 4 杯，這種結果在虛無假設下只會出現約 1.43% 的機率，也就是 p-value = 0.0143 → 非常不尋常，Fisher 就有理由拒絕虛無假設，相信她真的有能力。
  
• Fisher 不會說「這位女士 98.57% 有能力」，他會說：如果她其實沒這種能力，那她猜中 4 杯的機率只有 1.43%，這樣的結果太難以用「亂猜」來解釋了。
  
• 這就是現代統計學中 假設檢定 (Hypothesis Testing) 的核心概念。
  

公元前6世紀，巴比倫王尼布甲尼撒（Nebuchadnezzar）讓一組人只吃蔬菜、水，另一組吃王膳，來測試健康差異（《但以理書》）¹²

• 研究問題：喝咖啡是否會影響人的反應速度？
  
• 假設（Hypothesis）：每天喝咖啡的人，其反應速度顯著快於不喝咖啡的人。
  

• 控制其他可能影響反應速度的變因（如睡眠、年齡、用藥等）
  
• 排除干擾，聚焦在「是否喝咖啡」這個變因的效果
  

• 自變數（操弄變數）：是否每天喝咖啡（有 / 無）
  
• 因變數（依變數）：反應速度（單位：毫秒）
  
• 控制變數：測驗時間、測驗環境、參與者年齡與作息
  
• 實驗對象：20 位高中生，隨機分為兩組，每組各 10 人
  
• 測量工具：線上反應速度測驗（如按鍵測時反應 App）
  

• 類型：隨機對照試驗（Randomized Controlled Trial, RCT）
  
  • 實驗組：每天喝 1 杯咖啡，持續 7 天
    
  • 控制組：不喝咖啡，持續 7 天
    
  • 兩組皆在第 8 天早上進行反應速度測試
    

• 自變數操作化：
  
  • 「每天喝咖啡」定義為早上 9 點前攝取 200ml 美式咖啡
    
• 因變數操作化：
  
  • 使用線上反應測試工具，測試反應 10 次，取平均反應時間（ms）
    
• 信效度說明：
  
  • 使用相同設備與工具進行測試，減少測量誤差
    
  • 同時進行測試以避免時間性干擾（控制晨昏變化）
    

• 架構類型：雙組後測設計（Two-group Post-test Only Design）
  

實驗組（咖啡）        → 測驗反應速度
控制組（不喝咖啡）    → 測驗反應速度

• 以亂數方式將 20 人分為兩組，避免分組偏差
  
• 測試人員不告知受試者屬於哪一組（單盲設計）
  
• 受試者在測驗時不得使用其他刺激品（如糖果、能量飲）
  

• 比較兩組的平均反應時間（使用 t 檢定）
  
• 設定顯著水準 α = 0.05
  
• 若 p-value < 0.05，則認為差異達統計顯著
  

• 若結果為實驗組平均反應時間顯著短於控制組：
  
  • 可推論：「每天喝咖啡」可能有助於提升反應速度
    
• 若無顯著差異：
  
  • 無法支持假設，但不能說明「咖啡無效」，可能需控制其他變因
    

 1: from scipy.stats import ttest_ind
 2: 
 3: # 分組資料
 4: exp_group = df[df['組別'] == '實驗組']['反應時間(ms)']
 5: ctrl_group = df[df['組別'] == '控制組']['反應時間(ms)']
 6: 
 7: # 獨立樣本 t 檢定（假設等變異）
 8: t_stat, p_value = ttest_ind(exp_group, ctrl_group, equal_var=True)
 9: 
10: # 計算平均與標準差
11: exp_mean, exp_std = exp_group.mean(), exp_group.std(ddof=1)
12: ctrl_mean, ctrl_std = ctrl_group.mean(), ctrl_group.std(ddof=1)
13: 
14: # 建立APA格式表格
15: apa_table = pd.DataFrame({
16:     '組別': ['實驗組', '控制組'],
17:     'M': [round(exp_mean, 2), round(ctrl_mean, 2)],
18:     'SD': [round(exp_std, 2), round(ctrl_std, 2)]
19: })
20: 
21: # 加入t檢定結果
22: t_result = pd.DataFrame({
23:     't(df)': [f"{t_stat:.2f} ({2 * len(exp_group) - 2})"],
24:     'p': [f"{p_value:.3f}" if p_value >= 0.001 else "< .001"]
25: })
26: 
27: # 合併為單一表格
28: apa_output = pd.concat([apa_table, t_result], axis=1)
29: 
30: import ace_tools as tools; tools.display_dataframe_to_user(name="APA格式 t 檢定結果", dataframe=apa_output)
31: 

為了探討飲用咖啡是否會影響反應速度，本研究比較了實驗組（每日飲用咖啡）與控制組（不飲用咖啡）在反應時間上的差異。結果顯示，實驗組的平均反應時間（M = 246.72, SD = 10.83）顯著快於控制組（M = 258.13, SD = 11.33），兩組之間的差異達統計顯著水準，t(18) = -2.30, p = .033。

台南某高中電腦教師自創了一套程式設計教學法(電療教學法)，方法是在學生座椅下安裝電擊裝置，當學生送出的程式碼出錯後就予以電擊回饋，他想在被告上法院前評估這套教學法的成效，應如何進行？

如果你要研究維他命C攝取量與感冒的關係，你要如何進行實驗設計？

1. 樣本數 Sample Size: 研究中實際納入分析並進行統計檢定的受試者數量。通常用 \(N\) 表示總樣本數（如 \(N=40\)），\(n\) 表示子樣本（如男性 \(n=20\)、女性 \(n=20\)）
   
2. 第一類型錯誤 \(\alpha\): 指在「實際上無差異」（ \(H_0\) 成立）的情況下，卻錯誤判定為有差異的機率。 用希臘字母 \(\alpha\) 表示，或寫作 \(P(D| H_0)\)， 亦即 \(H_0\) 為真的條件下觀察到結果 \(D\) 的機率。
   
3. 檢定力 Power: 在「實際上有差異」時，研究能夠偵測出差異的能力，即 \(1-\beta\) 。換言之，Power 越高，研究越不容易錯失真正的效應（避免第二類型錯誤）。
   
4. 效果量 Effect Size: 用來衡量兩組之間差異的實際大小，不受樣本數影響，是統計檢定的重要指標。常見指標有
   
   • Cohen’s d（兩組平均數差異）, 這裡的 d 是一種衡量「兩組之間差異效果大小」的指標，用來表示兩組平均數之間的差距有多明顯。有以下幾類型
     
     • d = 0.2（小效果）
       
     • d = 0.5（中等效果）
       
     • d = 0.8（大效果）
       
   • \(R^2\)（解釋變異比例）
     

在研究設計初期，我們經常會問：「到底要收多少樣本才夠？」其實只要設定以下三項，就可以推估所需樣本數 \(N\) ：

• \(\alpha\)（第一型錯誤機率）
  
• Power（檢定力）
  
• ES（效果量）
  

常見預設值：

• \(\alpha = 0.05\)（表示可接受 5% 的假陽性率）
  
• Power = 0.8（表示有 80% 的機會偵測到實際存在的效應）
  

效果量的選擇：
效果量 ES 則依研究類型與統計方法而異，一般有兩種處理方式：

• 依慣例選擇：使用 Cohen 所定義的等級，將 ES 設為：
  
  • 小：\(d = 0.2\)
    
  • 中：\(d = 0.5\)
    
  • 大：\(d = 0.8\)
    
• 參考先前研究或前測結果：如果已有相關研究或先行實驗資料，可據此估算效果量。
  

目前大多數研究會使用專門軟體（如 G*Power）來進行樣本數估算。操作方式非常簡單，研究者只需輸入上述三項（\(\alpha\)、Power、ES），軟體就會自動計算所需樣本數。

• 自變數操作：指定某組受試者每天早上喝一杯 200ml 黑咖啡，連續 7 天
  
• 因變數量測：第 8 天使用線上反應測試網站進行測試，紀錄平均反應時間（毫秒）
  
• 補充問卷：進行自我清醒程度評分（Likert 1～5）
  

1. 實驗第 1～7 天，於早上 8:30 提供咖啡，確保空腹與未進食其他刺激物
   
2. 第 8 天於 9:00 準時測試反應速度，使用同一台筆電與網站
   
3. 試驗過程由相同人員指導，避免操作差異
   
4. 每位參與者完成測試後立即填寫問卷
   

• 分析方式：
  
  • 使用反應時間的平均與標準差進行描述統計
    
  • 使用 t 檢定比較兩組之間的差異是否達顯著水準