111 地方特考四等 圖書資訊管理 資訊系統與資訊檢索概要 考古題詳解

核心觀念

本題考查資訊檢索（Information Retrieval, IR）系統效能評估的核心指標。在資訊檢索領域中，評估檢索系統好壞通常建立在「二元相關性」（Binary Relevance，文件僅區分為相關或不相關）與「檢索結果列聯表」（Contingency Table / 混淆矩陣 Confusion Matrix）的基礎上。

檢索結果分類基礎架構

將系統檢索的文件集合與整體資料庫比對，可劃分為四種狀態：

• 精確率（Precision rate, $P$）：檢索出的文件中有多少比例是相關的。 $\text{Precision} = \frac{TP}{TP + FP}$
• 回現率（Recall rate, $R$）：系統中所有相關的文件中有多少比例被成功檢索出來。 $\text{Recall} = \frac{TP}{TP + FN}$
• 正確率（Accuracy rate, $A$）：系統分類正確的文件（檢索出相關的＋未檢索出不相關的）佔資料庫總文件數的比例。 $\text{Accuracy} = \frac{TP + TN}{TP + FP + FN + TN}$

解題方法

本題為典型的圖書資訊學專業申論題，答題架構應條理分明、層次清晰：

1. 建立基底：先列出 $2 \times 2$ 檢索列聯表定義符號（$TP, FP, FN, TN$），確保後續公式推導具備嚴謹性。
2. 分項論述各指標：針對「精確率」、「回現率」與「正確率」，依題目要求嚴格拆分為「意義」與「計算方式」。
3. 深入申論實務問題：將「實務判定問題」分為兩大層次，先點出「人為相關性判定的根本困境」，再分別論述各指標在大型系統運作時的特定瓶頸（特別是回現率的分母難以計算，以及正確率在資料極度不平衡下的失真現象）。

題意分析與指標解析

本題要求針對三個指標逐一分析，各指標的內涵與實務瓶頸如下：

1. 精確率（Precision rate）

• 意義：衡量檢索結果的「純度」或「準確度」。反映使用者花費時間檢視檢索結果時，所獲得的有效資訊比率，與使用者是否會被大量垃圾資訊干擾直接相關。
• 計算方式：檢索到的相關文件數（$TP$）除以檢索到的總文件數（$TP + FP$）。 $P = \frac{TP}{TP + FP}$
• 實務問題：
• 排序位置忽略問題：傳統精確率將所有檢索出來的文件視為同等權重，未考慮現代檢索系統的排名（Ranking）。若相關文件全落在結果清單末端，精確率雖相同，但使用者體驗極差。
• 無法反映完整度：精確率極高的系統可能只檢索出極少數文件（例如系統只檢索出 1 篇完全相關文件，精確率為 100%），忽略了其餘大量重要文件。

2. 回現率（Recall rate）

• 意義：衡量檢索系統的「廣度」或「涵蓋能力」。反映系統是否能將資料庫內潛在的所有相關資源全數撈出，對於專利檢索、醫學實證回顧等「寧可多看不可遺漏」的情境極為關鍵。
• 計算方式：檢索到的相關文件數（$TP$）除以資料庫中所有實際相關的文件總數（$TP + FN$）。 $R = \frac{TP}{TP + FN}$
• 實務問題：
• 分母（相關文件總數）無法得知：在真實世界的大型資料庫或網際網路檢索中，資料量達到百萬至數百億筆，實務上不可能由人工檢視每一筆「未被檢索出的文件（$FN$）」，導致分母 $(TP + FN)$ 無法精確量測，通常只能透過「集中評估法（Pooling）」或統計抽樣進行粗略估計。
• 與精確率的消長反比關係（Trade-off）：極端追求高回現率時，系統往往需要放寬檢索條件，導致檢索出大量不相關文件，使精確率急遽下降。

3. 正確率（Accuracy rate）

• 意義：衡量系統對全體文件進行二元分類（相關／不相關）的「整體判定正確比例」。
• 計算方式：判定正確的文件數（$TP + TN$）除以資料庫全部文件總數（$N$）。

核心觀念

本題測驗關聯式資料庫（Relational Database）中「鍵（Key）的理論定義、完整性限制與實務設計原則」：

1. 鍵的層級理論（Key Hierarchy）：關聯模型中資料識別集合的包含關係，即 $\text{Super Key（超鍵）} \supseteq \text{Candidate Key（候選鍵）} \supseteq \text{Primary Key（主鍵）}$。
2. 完整性限制（Integrity Constraints）：

• 實體完整性（Entity Integrity）：主鍵不可包含虛值（$\text{NULL}$），且每一筆紀錄的值必須唯一。
• 參照完整性（Referential Integrity）：外來鍵的值必須參照另一個表格既有的主鍵值，或是為 $\text{NULL}$。

3. 主鍵評估原則：兼顧邏輯唯一性、最小性、儲存效率、索引搜尋效能與資料生命週期中的穩定性。

解題方法

本題為典型申論問答題，切入策略分為兩大主軸：

1. 主鍵（Primary Key, PK）評估原則：採系統化架構回答，不可僅答「不能重複與不能為空」，必須從「關聯模型理論要求（唯一性、非空值性、最小性）」與「資料庫工程實務考量（不可變性、簡約高效性、安全性）」雙向論述。
2. 其他鍵之類型與意義：依據「關聯資料庫理論演進」與「關聯參照架構」分類條列。必須涵蓋超鍵、候選鍵、替代鍵、外來鍵四大核心鍵，並適度補充實務上至關重要的複合鍵與代理鍵／自然鍵，以展現答題深度。

選項分析

本題為申論題，非選擇題，無選項之區分。各子題評分構面與奪分要點分析如下：

• 子題一：主鍵評估原則之評分焦點
• 基礎分：寫出「唯一性（Uniqueness）」與「非空值性（Not NULL / 實體完整性）」。
• 進階高分關鍵：寫出「最小性（Minimality）」、「不可變性（Stability / Immutability）」與「安全性／無語意性（Avoid PII / Preference for Surrogate Key）」。若漏寫「不可變性」，常導致資料更新時引發串聯修改（Cascading Update）甚至關聯失效，為扣分大宗。
• 子題二：其他鍵類型與意義之評分焦點
• 超鍵（Super Key）與候選鍵（Candidate Key）：必須明確點出兩者差異在於「最小性（Irreducibility）」。
• 替代鍵（Alternate Key）：須說明其與主鍵的同儕關係（候選鍵中未被選為主鍵者）。
• 外來鍵（Foreign Key）：須指出其為「表格間關聯的橋樑」與維護「參照完整性」的核心角色。

解題技巧

1. 集合包含口訣快速建構架構： $\text{超鍵 (Super Key)} \xrightarrow{\text{去除冗餘欄位 (最小性)}} \text{候選鍵 (Candidate Key)} \xrightarrow{\text{被選中}} \text{主鍵 (Primary Key)}$ $\text{候選鍵 (Candidate Key)} \xrightarrow{\text{未被選中}} \text{替代鍵 (Alternate Key)}$
2. 常犯陷阱防範：

• 陷阱一：外來鍵一定不能為空值？ 錯誤。除非特定業務規則限制，否則外來鍵允許為 $\text{NULL}$（代表尚未建立關聯）。
• 陷阱二：拿具有業務意義的欄位（如身分證字號、Email）當主鍵？ 這是實務大忌。身分證涉及個資洩漏，Email 具有變更可能（違反穩定性），答題時應強調採用無商業語意的「代理鍵（如自動遞增整數）」優於具意義的「自然鍵」。

【答案】

一、評估作為主鍵（Primary Key, PK）的評估原則

在關聯式資料庫設計中，主鍵是代表一筆實體的唯一識別欄位。評估挑選主鍵時，應遵循以下六大原則：

核心觀念

本題評量使用者經驗（User Experience, UX）與以人為本設計（User-Centered Design, UCD）在網站系統設計之實務應用。核心理論依據為 Jesse James Garrett 於《The Elements of User Experience》（使用者經驗的要素）所提出的經典五層模型（Five Planes Framework）。

該模型由抽象至具體，將網頁 UX 拆解為五個互相連貫的執行層面：

1. 策略層（Strategy Plane）
2. 範圍層（Scope Plane）
3. 結構層（Structure Plane）
4. 骨架層（Skeleton Plane）
5. 表層（Surface Plane）

在每一層面中，均區分「以功能/任務為導向（軟體操作介面）」與「以資訊/內容為導向（超文本檢索空間）」的設計考量，精準扣合題目「操作與執行設計」之核心。

解題方法

本題為申論題型，答題切入點應採「由深層至淺層、由抽象至具體」的邏輯架構作答：

1. 破題定義：以國際標準 ISO 9241-210 界定 UX 本質（使用者在使用系統過程中所產生的主觀知覺與整體反應）。
2. 核心論述：以 Garrett 的五層架構為骨幹，詳述各層面在「操作流程」與「執行設計」上的具體工作項目。
3. 延伸實踐：補充現代網頁設計必備的跨層面執行準則（如易用性原則、響應式設計 RWD、無障礙網頁規範 WCAG）。
4. 結論昇華：結合理論與圖書館/資訊檢索系統情境，提出持續迭代優化之觀點。

選項分析

本題為申論題，非選擇題。評分關鍵在於能否精準引述專業理論架構，並將抽象觀念轉化為具體的系統操作與介面設計要點，避免流於發散的經驗談。

解題技巧

1. 答題架構化（記憶口訣）：牢記「策、範、結、骨、表」五字訣，即可確保答題完整度，不會遺漏任何維度。
2. 避免答題盲點：切忌一開始就跳入「按鈕顏色、字體大小、視覺排版」等最表層的討論，若缺乏底層「策略」、「範圍」與「結構（資訊架構與互動設計）」的鋪陳，將難以獲取高分。
3. 結合圖資專業用語：論述結構層與骨架層時，適度帶入「資訊架構（IA）」、「分面檢索（Faceted Navigation）」、「後設資料呈現」等專業術語，展現應考圖書資訊管理類科的專業深度。

【答案】

網頁使用者經驗（User Experience, UX）係指使用者在瀏覽、互動及操作網頁系統時所建立的整體知覺、認知與情感反應。進行網頁 UX 的操作與執行設計時，最成熟且具權威性之典範為 Jesse James Garrett 提出之使用者經驗五層模型（The Five Planes）。設計流程應由底層（抽象觀念）往頂層（具體呈現）循序展開，各層面的操作與執行設計要點說明如下：

一、 策略層（Strategy Plane）：明確核心目標與需求定位

此層面奠定系統的存在價值，是整體設計的起點：

1. 使用者需求分析（User Needs）：透過使用者研究方法（如訪談、問卷、使用者人物誌 Persona、旅程地圖 Journey Map），探勘目標族群之真實痛點、資訊尋求行為及使用情境。
2. 網站/組織目標設定（Site Objectives）：確立系統預期達成的商業或服務目標（如提高檢索成功率、降低跳出率、提升數位資源利用量），並制定具體的衡量指標（KPIs）。

核心觀念

本題評量考生對**機器學習（Machine Learning, ML）基礎學習典範（Learning Paradigms / Methods）**之認知，並要求結合「資訊檢索（Information Retrieval, IR）」與「推薦系統（Recommender Systems）」之領域應用。

機器學習的核心定義在於：電腦系統藉由「經驗（Experience, $E$）」來改善執行特定「任務（Task, $T$）」的「效能衡量（Performance measure, $P$）」。依據訓練資料是否具備標籤（Ground Truth / Labels）以及學習過程之反饋機制（Feedback Signal），機器學習的基礎學習方法主要劃分為三大典範：

1. 監督式學習（Supervised Learning）：以成對的「輸入－標籤」資料進行訓練，學習輸入至輸出的映射函數。
2. 非監督式學習（Unsupervised Learning）：僅提供未標籤的輸入資料，學習資料內在的隱含結構、分佈或關聯性。
3. 增強式學習／強化學習（Reinforcement Learning）：代理人（Agent）透過與環境（Environment）互動，依據獲得的獎勵（Reward）或懲罰（Penalty）信號，調整行動策略以最大化長期累積報酬。

解題方法

本題為典型的圖書資訊學與資訊檢索申論題，作答策略採**「定義 $\to$ 原理與代表演算法 $\to$ 資訊檢索／推薦系統之實際應用」**的三層結構開展。

1. 破題歸納：明確點出機器學習的三大核心方法為「監督式學習」、「非監督式學習」與「增強式學習（強化學習）」。
2. 分項論述：

• 逐一針對各方法說明其輸入資料型態、學習目標與反饋機制、代表演算法。
• 務必緊扣題目引言之「推薦」與「資訊檢索」，列舉圖書資訊管理或搜尋引擎中常見之具體案例（如：排序學習、協同過濾／主題模型、個人化探索推薦）。

3. 對比總結：以結構化表格彙整資料特性、目標與應用場景，建立閱卷老師容易評分的視覺焦點。

選項分析

本題為申論題（非選擇題），無固定選項。在此針對題目所問之三大核心學習方法進行個別深入剖析與比較，並釐清相關概念界線：

一、 監督式學習（Supervised Learning）

• 核心原理：訓練資料由特徵向量（Feature Vector）與對應之正確標籤（Label / Ground Truth）組成，形式為 $\mathcal{D} = \{(\mathbf{x}_i, y_i)\}_{i=1}^N$。模型之目標在於藉由最小化預測值與真實值間的損失函數（Loss Function），學得一個泛化能力強的映射函數 $f: \mathcal{X} \to \mathcal{Y}$。
• 任務類型與代表演算法：
• 分類（Classification）：目標標籤 $y$ 為離散類別（如：支援向量機 SVM、邏輯斯迴歸 Logistic Regression、隨機森林 Random Forest、深度神經網路 DNN）。
• 迴歸（Regression）：目標標籤 $y$ 為連續數值（如：線性迴歸 Linear Regression、梯度提升樹 GBDT）。
• 資訊檢索與推薦應用：
• 排序學習（Learning to Rank, L2R）：在搜尋引擎中，利用人工評定或使用者點擊日誌標註的相關性等級（相關／不相關），訓練 RankNet、LambdaMART 等模型，以產出最佳檢索排序。
• 點擊率預估（CTR Prediction）：在推薦系統中，以使用者的歷史瀏覽特徵與項目特徵作為輸入，預測使用者點擊某項資源之機率。

二、 非監督式學習（Unsupervised Learning）

• 核心原理：訓練資料僅包含輸入特徵，無人工標籤或目標輸出，形式為 $\mathcal{D} = \{\mathbf{x}_i\}_{i=1}^N$。模型在缺乏外部指導的情況下，自行探索特徵空間中的潛在模式、相似度分群或機率分佈 $p(\mathbf{x})$。
• 任務類型與代表演算法：
• 分群（Clustering）：探索資料聚集特性（如：$K$-Means、$K$-Medoids、階層式分群、DBSCAN）。
• 降維與主題塑模（Dimensionality Reduction & Topic Modeling）：擷取核心特徵與潛在語意（如：主成分分析 PCA、特異值分解 SVD、潛在狄利克雷分布 LDA）。
• 關聯規則探勘（Association Rule Mining）：發掘共現模式（如：Apriori 演算法）。
• 資訊檢索與推薦應用：
• 搜尋結果分群（Search Results Clustering）：依據檢索出的文獻全文特徵進行即時分群，自動生成多面向（Faceted）主題導引。
• 基於矩陣分解之推薦（Matrix Factorization）：在協同過濾（Collaborative Filtering）中，利用 SVD 將「使用者－項目」評分矩陣分解為潛在因子空間（Latent Factor Space），發掘隱含的偏好與書籍主題關聯。

三、 增強式學習／強化學習（Reinforcement Learning）

• 核心原理：奠基於馬可夫決策過程（Markov Decision Process, MDP）。代理人（Agent）在環境中處於狀態 $s_t \in \mathcal{S}$，根據當前策略 $\pi(a_t|s_t)$ 採取動作 $a_t \in \mathcal{A}$，環境回饋下一個狀態 $s_{t+1}$ 及即時純量獎勵訊號 $r_t \in \mathbb{R}$。學習目標並非單一步驟的正確答案，而是透過試錯（Trial-and-Error）尋求最佳策略 $\pi^*$，以最大化長期的折扣累積期望報酬：