• 學位論文

利用自我調整理論與鷹架呈現機制探討遊戲式數位學習中的問題解決歷程

現今的教育和研究趨勢都在強調自主學習，但如何讓學習者維持自主學習，進而不斷地解決問題，其中關鍵影響因素，一直都未能被細緻的探究。以數位遊戲當作學習指導工具可以支持且強化：問題解決能力、注意力和專注度、學習成效和學習動機。近年來，遊戲式數位學習逐漸地成為各種工作與學習場域中一個關鍵的角色。透過遊戲中的概念與機制激起興趣、維持動機和引發創意，進而願意突破不必要的障礙，有助於學習者認知技能發展與知識的建構。然而，學習者在遊戲學習中時時面對著因挑戰與技能的失衡產生的「卡關」現象，是教育者與研究者極欲想要解決的情況。 數位遊戲環境中普遍存在各種鷹架式的數位輔助工具，藉由適當的鷹架呈現可引導與協助學習者如何持續追求並掌控挑戰。過往的鷹架工具都是由教學者的角度來設計居多，本研究利用眼動資料來分析學習者關注遊戲學習環境的訊息，以便設計出符合學習者的鷹架工具。此外，數位遊戲的規則系統不斷在學習者行動之後產生回饋，要如何善用遊戲中的回饋與酬賞機制，更是待突破的重點。因此，本研究主要的目的是期望藉由合適的遊戲學習設計來維繫學習者持續自主學習，分析遊戲式數位學習的問題解決歷程，並探索此歷程應用在教育現場上的潛力。 本論文進行了三個準實驗設計，基於鷹架理論與自我調整理論整合了眼動量測、自我調節量表、節奏遊戲與數獨遊戲探測學習者如何自我調節的認知與問題解決歷程。在第一個研究中，我們利用眼動儀分析學習者如何認知新的數獨遊戲學習環境以及注意力如何在各種資訊來源之間轉移。第二個研究則是利用具有難度關卡設計的節奏遊戲，探討玩家如何透過自我調整過程達成階段性的目標，並能維持心流體驗，以達到持續學習的效果。在基於研究一和研究二的成果，為了更深入了解玩家在卡關下問題解決的歷程，研究三設計具有輔助功能的鷹架，分析學習者如何利用有限制的資源(不同鷹架呈現與遊戲中的回饋酬賞機制)，解決所面臨的問題及創造出自己的學習方式。 本研究的實驗對象包括國小、國中與高中生。研究結果顯示：(1)進入全新的遊戲學習環境時，需要讓學習者清楚的了解規則，才有助於進行問題解決。(2)經過一段時間歷程後，自我調節才會對心流狀態產生影響。(3)相較於傳統教室學習，在遊戲式數位學習中，主動的失敗能使學習者持續精進的學習。(4)每次結束前的成功經驗直接影響學習者持續學習的意願和下一步選擇的關鍵。(5)在規則明確的學習環境中，提供隱藏的鷹架，可讓有經驗的學習者創造出新的問題解決策略。我們將其中兩項發現的鷹架呈現原則應用在教學現場中，獲得學生們正向的回饋。

• 學位論文

針對大規模平行之矩陣分解演算法的全面性評估

矩陣分解在許多領域是一項重要的技術，以目前來說，FPSG (Zhuang et al., 2013) [1] 和 NOMAD (Yun et al., 2014) [2] 這兩種演算法在共享記憶體的系統中是最好的矩陣分解演算法。然而我們在這兩種演算法中發現了一些有爭議的結果。 為了要探討FPSG和NOMAD這兩種演算法，在本篇論文當中我們有三個主要的目標：(1) 我們會仔細的比較兩種演算法的差別，並且做出客觀的效能評估。(2) 我們會用一個叫做SSE的指令集改寫一部分NOMAD的演算法，用來加速平行計算。(3) 我們會分別在FPSG和NOMAD上實作不同的學習率更新方法來比較差異。 做完兩種演算法的實驗結果之後，我們可以發現使用FS的FPSG比起使用MDS的NOMAD有相對好的收斂結果，不論是在雲端或是本地端的環境當中。然後在Netflix的資料集當中，我們發現使用RPCS的NOMAD比起使用MDS的NOMAD有著更好的收斂結果，但NOMAD_PRCS_sse還是比FPSG_RPCS_sse慢。接下來我們也發現在原本的演算法中，FPSG_RPCS_nosse比起FPSG_RPCS_sse有著更好的結果，在經過我們小幅度的修改了RPCS之後，收斂速度比原本的演算法還要快。

• 學位論文

節點拓撲特性、社群與階層結構對於複雜網絡中散播者選擇之影響

在複雜網絡中如何衡量及選擇具有高度影響力的網絡「散播者」節點，對於分析線上社交網站的訊息傳遞、商業領域的病毒式行銷、新興傳染病的監控及互聯網的連鎖性失效等擴散現象都有非常重要意義。本論文的主旨在探討如何衡量複雜網絡中節點的影響力，進而選擇具有高度影響力的節點做為網絡散播者，同時運用電腦模擬方法來驗證散播者節點在網絡擴散模擬中可以獲得的擴散效益。因此，本論文會介紹二項具原創性的複雜網絡研究。首先，在第一項研究中提出結合全域多樣性及區域特性的衡量架構來計算網絡節點的影響力，透過此架構所選擇的最大影響力之散播者節點，擁有強固及穩定的網絡擴散能力。接著，在第二項研究中提出以規則為基礎之階層性連結合併策略的社群偵測演算法及社群中心點的選擇策略。對於不同規模的複雜網絡，先利用社群偵測演算法快速地及有效地找出社群結構，再透過社群中心點的選擇策略，選擇社群結構的中心節點做為散播者節點，藉此得到更好的網絡擴散效益。最後，綜合上述兩項研究結果，本論文提出一個如何從複雜網絡中選取散播者節點的決策流程，透過此流程來協助使用者做出合適的決策。

• 學位論文

應用於金融交易之結合多系統建議的深度強化學習

• 學位論文

基於骨架的多分支三維卷積網路之人體動作辨識

近年來，人體動作辨識可被應用在許多領域，像是居家照顧、監控系統以及人機互動，而人體骨架資訊不會輕易地被光線變化所影響，且較可以描繪出人體的輪廓，這些因素使得基於骨架的人體動作辨識正蓬勃發展。 本論文提出一個多分支架構來辨識基於骨架的人體動作，首先，將抓到的骨架座標正規化，以解決多變化視角的問題。接下來，我們對已正規化的三維骨架資訊上作三種不同的骨架視覺化，進一步將三維的資訊轉成二維的影像串列，這些利用不同方法產生的二維影像彼此之間會互補。接著，我們將這些影像輸入進獨立的三維卷積神經網路來做分類，最後融合不同分支的結果來得到最終的預測分類。我們使用NTU RGB+D資料庫進行實，其結果說明我們所提出的方法能有非常好的結果。

• 學位論文

代理人技術於互聯雲中工作排程之研究

在雲端計算的時代中，運算資源不足時，使用者可以即時地租用雲端運算資源以滿足運算需求。在這篇博士論文中，我們將研究如何聰明地將多個不同的雲端資源結合在一起，並產生一個如同單一雲的互聯雲環境。 這篇論文共有兩個主題。在第一個主題中，我們使用代理人技術建立一個混合雲環境。環境中共有五種代理人：System Monitor Agent用來監視互聯雲的環境、Job Dispatch Agent用來將工作與資源作配對，並進行派送、Instance Group Manage Agent負責調整互聯雲的資源、Instance Group Administrate Agent負責管理指定的雲端資源、而Job Execute Agent負責在指定的雲端資源裡執行工作。在此我們使用Rough Set Theory來加強代理人的智慧；代理人可以藉由工作的特徵與資源現況來預測工作執行時間。透過實驗，在我們的混合雲中代理人可以偵測出目前的資源是否能在期限內完成工作；若無法完成，代理人會加入更多的資源來完成工作。 在第二個研究中，我們設計了一個Workflow Agent來協助執行Workflow相關的工作。Workflow是一個由多種不同的工作與特殊的執行順序描述所組成的工作包。在這裡我們使用Workflow Agent來分析並分解成一串將要執行的工作。透過實驗評估，我們的Workflow Agent可以正確地分析Workflow；系統也可以正確地執行Workflow。同時，當一個Workflow有被指定限期完成時，系統也有可能過資源調整來讓Workflow能在期限內完成。

• 學位論文

有邏輯依賴關係的強化學習問題處理

目前強化學習已經能很好的解決很多序列的順序決策問題（Sequential decision problem），但是對於有長時間延遲獎勵（Delayed reward），或者獎勵稀疏（Sparse reward）的問題，仍然沒有很有效的解決方式。 本研究關注整個遊戲過程（episode）中每個步驟前所處的狀態，這個步驟執行的動作以及動作前後狀態的變化，在原有強化學習算法中加入logical reward，通過增加關鍵步驟的logical reward的方式，對解決有延遲獎勵的問題作出一種新的嘗試。 本方法主要分析單一遊戲過程（episode）中狀態的變化，得到一個新的狀態-動作對應的表，並將表中的logical reward值加入到遊戲環境給出的Reward中，進行強化學習算法的迭代。從而達到讓Agent掌握邏輯關係的效果。 另一方面，通過狀態的提取，可以獲得造成邏輯關係的關鍵信息，並且這部分信息在類似環境中是相同的，因此可以將一個環境中訓練出來的結果應用在另一個類似的環境中，實現遷移學習的效果。

• 學位論文

基於深度學習目標檢測之羽球影片空間定位及球員位置預測

本論文利用基於深度學習的目標檢測方法Single Shot Multibox Detector，抓取羽球賽事影片中球員的位置，透過研究分析中的影像處理，轉換影片視角並提取特徵，以達到預測球員未來的移動位置之目的。 研究方法中為了要轉換成俯視視角取得正確的球員相對位置，需要先抓取影片中的球場的四個邊界點，再執行透視轉換。利用透視轉換後的俯視圖提取球員的位置以及界定框的長寬比當作特徵。在本實驗中會對每位球員建立自己的資料模型，透過支持向量機以及隨機森林實作預測球員未來的位置，預測0.1秒後的準確率可達0.634。 此系統的特點在於，僅須利用影像即可執行預測，不須再球員或場地加裝其他傳感器。其二，透過本系統判斷預測完後的影像的幀率仍可維持在15到20。其三，透過影像視覺化的呈現數值的預測結果。

• 學位論文

結合長短期記憶和卷積網路之單一物體追蹤

卷積網路存在一些不足的地方，它只保存一次性的訊息，忽略在一部影片中的連續幀之間的時間相關性，因為這樣的缺點，我們採用遞迴神經網路去強化在幀和幀之間追蹤特定物體的能力。 本論文針對單一物體追蹤，成功地將Mask R-CNN和長短期記憶網路結合成一個系統，我們稱為遞迴區域卷積神經網路。此外，我們提出追蹤模組的三個替代設計加強我們系統的追蹤能力，我們也檢測不同追蹤模組的架構對追蹤能力的影響。根據實驗結果，我們的系統不只改善了卷積網路因為嚴重的遮蔽或模糊導致的偵測失敗，而且使得偵測出物體的外接矩形更加地符合真實值。相較於其他先進的追蹤演算法，我們提出的系統和替代設計展現了突出的追蹤能力

• 學位論文

在雲端服務提供具使用者詢答隱私保護之資料搜尋功能

近幾年雲端服務相當興盛，並且大幅改變人們使用網際網路的方式。許多軟體服務商透過雲端帶來的資源，提供更完善的服務品質與內容給他們的用戶。在各類形式的應用服務中，資料詢答相關功能往往佔有重要的一席之地。然而，資料詢答過程中，若沒有特別進行隱私防護措施，使用者進行詢答過程，多數情況不知其詢問內容已對服務提供者或有心人士透露出隱私資訊，如使用者關心的資訊、個人重要資料以及重要檔案內容等。若讓有意圖的人士取得，則可能利用這些資訊對使用者進行非預期甚至不法的行為。在維護使用者隱私以及讓詢答資訊的搜尋功能在雲端上應用，這兩者在目的與需求上，看起來似乎是有些衝突的。 對於使用者來說，詢答情境主要可分為兩種。一種是待詢答資料集合屬於服務提供者可解讀的，如搜尋引擎之於其所蒐集的資料；另一種則是不能直接解讀的，如雲端儲存服務之於使用者加密儲存於其中的資料。若要保護使用者隱私，對於前者來說，必須隱藏其詢問資訊，並且從詢答結果不容易知道使用者想詢問的資訊；而對於後者來說，若要提供詢答機制，除了詢問資訊需要保護外，使用者亦需提供雲端服務提供者可搜尋與維護的索引結構。 針對上述兩類情況，首先在我們的研究中，以提出可用來建置具使用者隱私保護的雲端資安服務系統框架來探討第一種詢答情境。以資安服務來說，對於用戶裝置在資源有所限制的情況，資安服務商除了在用戶裝置提供基礎的資安分析功能外，更透過以詢答為基礎的方式，結合雲端資安服務所擁有之不斷精進的智能，協助用戶有效抵抗網路的攻擊。透過雲端大量的硬體資源支援以及資安服務商的專業分析，以雲端服務為基礎的資安服務比起傳統的主機型資安監控，可以帶來更完善的防護。此系統框架涵蓋可以用來建立雲端服務的架構，並具備私人特徵過濾技術，用以保護使用者隱私。而這個系統框架所擁有的資安監控特徵值可以用來分析比對來自用戶裝置，透過關鍵字與數字範圍聯集所組成的詢問。此外，在此框架之中，也可利用一個信任的雲端中介層，進行部分用戶裝置所需要的資安監控運算，減少用戶裝置在資源方面的消耗。在我們的研究中，實作了雲端網路入侵偵測與雲端惡意網址偵測雛型系統，用以確定我們所設計的框架之有效性。由實驗結果可知，我們所設計的系統框架在實際雲端資安服務的設置情況下，的確能夠在可接受的效能表現下確保使用者的隱私。 另外一方面，雲端儲存服務對於一般大眾所帶來的便利性以及資料保存性等優點，使其受歡迎的程度不斷升高。用戶只需將其資料存放在雲端儲存服務商所提供的雲端空間，就可以任何裝置，在任何時間與地點，透過網際網路存取資料。而以資料安全考量來說，個人資料存放在雲端時，必須透過資料加密的方式來避免敏感性資料洩漏給不信任的第三方單位。然而隨著存放在雲端的資料越來越多，要能夠快速且安全地搜尋到個人加密過的資料放在哪裡是非常困難的。 有鑑於此，對於第二種詢答情境，我們以雲端儲存服務為例，提出一個可以支援加密格式搜尋的系統框架，讓用戶可以快速且安全地搜尋到存放在雲端空間的資料。在系統框架的核心，是一個創新的索引結構，稱為布隆過濾器加密搜尋樹(BFEST, bloom filter encrypted search tree)，並且支援片語關鍵字的方式搜尋。透過使用者端的加密，並且雲端服務提供者不知道實際的密鑰為何，因此在資料取得以及搜尋內容方面，均可有效保護。為了確定研究成果如預期，我們在hicloud S3雲端儲存服務實作此研究設計的雛型機制。而由實驗結果可知，此系統框架同樣可以在可接受的效能表現上，對於存放在雲端的加密資料提供具使用者隱私保護的詢問能力。