| dc.contributor | 心理系 | |
| dc.creator (作者) | 黃柏僩 | |
| dc.date (日期) | 2023-10 | |
| dc.date.accessioned | 28-May-2025 14:07:32 (UTC+8) | - |
| dc.date.available | 28-May-2025 14:07:32 (UTC+8) | - |
| dc.date.issued (上傳時間) | 28-May-2025 14:07:32 (UTC+8) | - |
| dc.identifier.uri (URI) | https://nccur.lib.nccu.edu.tw/handle/140.119/157154 | - |
| dc.description.abstract (摘要) | 近年來，深度學習已在電腦視覺、語音辨識等科學領域獲得空前的成功。本計畫試圖從近期深度學習的研究成果，思考心理計量可如何從中獲得助益。透過對深度學習文獻之回顧，我們提出了幾種應用深度學習於心理計量的研究方向，包括使用GPU計算與變分法（variational inference）加速複雜心理計量模型於大型資料之訓練、建立可整合結構與非結構資料之測量模型、以及使用生成對抗網路（generative adversarial network）協助自動試題的產生。申請人認為前述的這些研究方向，都是在建立智慧測驗評量系統時所需解決的關鍵步驟，並能協助古典心理計量學面對當代巨量資料之挑戰。 | |
| dc.format.extent | 116 bytes | - |
| dc.format.mimetype | text/html | - |
| dc.relation (關聯) | 科技部, MOST109-2410-H004-197-MY3, 109.08-112.07 | |
| dc.subject (關鍵詞) | 表徵學習; 試題反應理論; 測驗理論; 自編碼器; 潛在狄利克雷分配; 變分法; 機器學習; 深度學習; 人工智慧; 對抗生成模型; 自動試題生成 | |
| dc.subject (關鍵詞) | representation learning; item response theory; test theory; autoencoder; latent Dirichlet allocation; variational inference; machine learning; deep learning; artificial intelligence; generative adversarial nets; automated item generation | |
| dc.title (題名) | 大型資料之表徵學習：心理計量學如何從深度學習獲得助益？ | |
| dc.title (題名) | Representation Learning with Large Data Sets: How Can Psychometrics Benefit from Deep Learning? | |
| dc.type (資料類型) | report | |
