111 高普考高考三級 圖書資訊管理(選試英文) 資訊系統與資訊檢索 考古題詳解

核心觀念

本題評量考生對人工智慧（Artificial Intelligence, AI）基礎技術架構之掌握，以及能否將資科理論落地對接至圖書資訊學（LIS）三大核心業務。核心考點包含：

1. 人工智慧主要分支領域：機器學習與深度學習（Machine Learning & Deep Learning）、自然語言處理（Natural Language Processing, NLP）、電腦視覺（Computer Vision, CV）、語音處理（Speech Processing）、知識工程與知識圖譜（Knowledge Engineering / Knowledge Graphs）、機器人學（Robotics）。
2. 圖書館實務應用情境：

• 資訊檢索（IR）：語意檢索（Semantic Search）、密集向量檢索（Dense Retrieval）、查詢意圖理解、智慧排序與推薦。
• 技術服務（Technical Services）：自動分類與編目（Automatic Classification & Cataloging）、元資料自動抽取（Metadata Extraction）、權威控制與資料對齊。
• 讀者服務（Reader / Public Services）：智慧參考諮詢（Virtual Reference / Chatbots）、無人巡架與錯架辨識（Robotics / RFID / CV）、個人化館藏推播、智慧空間與門禁辨識。

解題方法

本題為標準的「觀念定義＋跨領域實務應用」申論題，作答策略應採「先體後用、技術與情境雙向錨定」：

1. 前段（廣度架構）：清楚界定 AI 定義，並以專業學理分類（感知、認知、學習、行動）列舉主要分支，展現扎實的資科基本功。
2. 後段（深度對應）：以題目指定的「資訊檢索」、「技術服務」、「讀者服務」建立三層次標題。每個面向務必緊扣**「具體 AI 分支技術」＋「圖書館作業場景」＋「解決之痛點／產生之效益」**，避免空泛宣稱「AI 很有用」卻未交代底層演算法或技術名稱。

選項分析（申論評分維度拆解）

本題為申論題，閱卷委員主要依據以下評分指標給分：

• 分支領域涵蓋度（約佔 10 分）：能否精準列舉 4 至 6 項公認的 AI 核心子領域，並附上精確的英文縮寫與定義。若僅寫「機器學習」一項而未展開自然語言處理、電腦視覺等，將失分 4~6 分。
• 三大面向技術對應精確度（約佔 15 分，各 5 分）：
• 資訊檢索：須明確指出如何突破傳統布林檢索（Boolean Retrieval）與字串比對的限制（如：詞嵌入 Word Embedding、BERT 語言模型、向量相似度計算）。
• 技術服務：須著眼於「幕後作業」（編目、分類、權威檔、元資料建置）。若誤將讀者借還書歸入技術服務，即屬重大概念瑕疵。
• 讀者服務：須著眼於「前台互動」（諮詢、閱覽、流通、無人化空間），闡明人機互動（HCI）與自動化實體設備之運作。

解題技巧

1. 答題架構矩陣化：舉例時採用「技術名稱 $\rightarrow$ 圖書館系統/功能 $\rightarrow$ 實務效益」三部曲，段落結構一致，閱卷官一目了然。
2. 避免範疇混淆：圖資學界對「技術服務」（採訪、編目、典藏、數位化處理）與「讀者服務」（流通、推廣、參考諮詢、資訊素養指導）劃分極為明確，舉例時切忌界線模糊。
3. 時空背景適應：本題為民國 111 年考題，當時大語言模型（LLM, 如 GPT-3/ChatGPT）方興未艾；作答時以 Transformer、BERT、CNN/ResNet、知識圖譜等成熟技術為基底，並可適度帶入生成式 AI，能展現與時俱進的專業素養。

【答案】

一、人工智慧（Artificial Intelligence）之主要分支領域

人工智慧係指利用電腦系統模擬人類感知、學習、推理、思考與決策等智慧行為的科學。其主要分支領域包含：

1. 機器學習與深度學習（Machine Learning & Deep Learning, ML/DL）：

核心觀念

本題評量圖書資訊學（LIS）核心領域中「使用者資訊行為」（Information Behavior）與「資訊檢索系統（IR Systems）」之人機互動整合能力。涉及之核心觀念包含：

1. 使用者中心資訊檢索（User-Centered Information Retrieval）：打破傳統以系統效能（查全率、查準率）為中心的視角，轉向以使用者的需求情境、認知歷程及心理狀態為出發點。
2. Carol C. Kuhlthau 的資訊搜尋過程模型（Information Search Process, 簡稱 ISP 模型）：探討使用者在建構意義（Sense-Making）與解決資訊問題歷程中，認知（Cognitive/Thoughts）、情感（Affective/Feelings）與生理/行動（Physical/Actions）三個向度的動態演變。
3. 不確定性原則（Uncertainty Principle）與介入區域（Zone of Intervention）：檢索初期資訊需求模糊導致不確定性與焦慮上升；隨概念成形（Formulation），不確定性下降，自信度提升。
4. 當代資訊檢索技術演進：生成式人工智慧（Generative AI）、對話式檢索（Conversational IR）、大型語言模型（LLMs）、個人化演算法推薦對使用者檢索行為所造成的範式轉移（Paradigm Shift）。

解題方法

1. 學者與理論選擇切入點：選取 Carol C. Kuhlthau 之 ISP 模型（Information Search Process Model） 作答。ISP 模型是圖資界探討資訊檢索行為最經典、結構最完整（六階段、三構面），且與「當代檢索系統設計」最具對話空間的理論。
2. 答題結構佈局：

• 模型說明：列出六個發展階段（起步、選擇、探索、形成、蒐集、呈現），並橫向貫穿「情感、思維、行動」三維向度。
• 重要因素與影響：點出核心概念「不確定性原則」與「介入區域」，並論述其對中介服務、資訊素養教學及檢索系統介面設計的深遠啟發。
• 當代檢索現況與新增因素：分析當前以「生成式 AI / 對話式檢索」與「演算法推薦」為主軸之情境，指出傳統 ISP 中「探索（Exploration）」與「蒐集（Collection）」階段的質變，據此提出新增因素——「演算法可信度評估與人機共構驗證（Algorithmic Trust & Verification Burden）」，並論證其必要性。

選項分析

本題為申論題型，無選擇題選項。依據典試委員會評分標準，配分層次與得分要點拆解如下：

1. 理論模型說明（配分約 8 分）：能否準確列出理論名稱、學者姓名，並完整陳述模型的歷程階段與多維架構。
2. 重要因素與影響（配分約 7 分）：能否精準掌握理論精髓（如不確定性概念），並能宏觀說明對資訊檢索系統開發與中介者角色的實質貢獻。
3. 當代資訊檢索現況之思辨（配分約 5 分）：能否結合理論與當前技術（如對話式 AI 檢索、即時答案摘要、演算法濾泡），展現技術敏銳度。
4. 模型擴充與合理論證（配分約 5 分）：新增之因素是否具備理論邏輯與現實痛點支撐，而非憑空拼湊。

解題技巧

1. 三維對照表格化：回答 Kuhlthau 的六階段時，若以條列配合「思維、情感、行動」三向度呈現，可使層次井然有序，極具說服力。
2. 抓緊靈魂關鍵字：答題務必出現 Uncertainty Principle（不確定性原則）、Zone of Intervention（介入區域）、Formulation（焦點形成），此為閱卷老師給分的必備核心詞。
3. 增添變項的設計邏輯：新增因素必須能「嵌入原模型並解釋新現象」。當代資訊檢索從「自己逐筆篩選網頁」轉變為「AI 直接生成單一答案」，原探索階段的「迷失與焦慮」轉變為面對 AI 幻覺（Hallucination）時的「驗證負荷與過度信任風險」，以此切入論述最具前瞻性與學術深度。

【答案】

一、Carol C. Kuhlthau 資訊搜尋過程模型（ISP）之理論架構

美國圖書資訊學學者 Carol C. Kuhlthau 於 1980 年代提出「資訊搜尋過程模型」（Information Search Process, ISP Model）。該理論奠基於 George Kelly 的個人建構理論與 John Dewey 的反思思維，將資訊搜尋視為一個動態的「意義建構（Meaning-Making）」歷程。

Kuhlthau 將使用者在完成資訊任務的歷程劃分為六個階段，並在各階段中解析「情感（Affective）」、「思維（Cognitive）」與「行動（Physical）」三個層面的交互作用：

1. 起步階段（Initiation）：

• 思維：意識到資訊需求的存在，思考任務範疇與目標。
• 情感：感到憂慮、不確定（Uncertainty）。
• 行動：與他人討論、探索背景知識。

2. 選擇階段（Selection）：

• 思維：確定欲探討之廣泛主題領域。
• 情感：短暫樂觀、準備展開工作。
• 行動：查閱初步參考資源、決定初步方向。

3. 探索階段（Exploration）：

• 思維：面對大量歧異或衝突的資訊，試圖理解但感到概念模糊。
• 情感：感到挫折、困惑、懷疑與高度焦慮（此為整個歷程中不確定性最高的階段）。
• 行動：廣泛定位資訊、閱讀各方觀點。

4. 形成階段（Formulation）：

核心觀念

本題評量圖書資訊檢索領域中「次世代檢索工具」之演進與系統架構評估，核心觀念包含：

1. 資源探索服務（Web-Scale Discovery Service, WDS）之定義與定位：以預先建置之集中索引（Central Index）為核心，提供超越傳統圖書館目錄（OPAC）與跨資料庫整合查詢（Federated Search）之單一檢索入口。
2. 檢索架構之典範轉移：分散式即時廣播查詢（Distributed/Broadcast Querying）轉向集中式預先收割索引（Harvested Pre-indexing）。
3. 資訊檢索與人機互動特性：單一檢索框（Single Search Box）、後分類/琢面導覽（Faceted Navigation）、相關度排序演算法（Relevance Ranking Algorithm）及 OpenURL 鏈結解析器（Link Resolver）之技術整合。
4. 系統評估架構：從內容涵蓋度（Content）、檢索與排序效能（Retrieval & Performance）、使用者介面與體驗（UI/UX）、系統整合性（Interoperability/Integration）及廠商技術支援等構面建立客觀評量指標。

解題方法

本題為標準的「三段式申論題」，回答時宜採用層次分明的結構化分析法：

1. 興起因素與背景環境：採用「外在需求拉力（使用者行為改變）」與「內在系統推力（電子資源碎片化、傳統跨庫技術瓶頸、雲端與巨量資料技術成熟）」雙軌切入。
2. 運作機制與重要特性：先以流程化架構說明「資料收割 $\to$ 集中索引建置 $\to$ 檢索處理與相關度排序 $\to$ 鏈結解析與全文獲取」之運作流程；再條列其具代表性之核心技術特性。
3. 功能評估要項：從圖書館館藏管理與讀者檢索服務之實務需求，劃分為「內容資源」、「檢索效能」、「介面功能」、「系統介接」及「維運管理」五大面向進行系統化剖析。

選項分析

本題為高考三級申論題，無選擇題選項。試卷評分比重與作答配分對應如下：

• 第一子題（興起因素與背景環境）：占分約 25%～30%。應點出 Google 搜尋模式對讀者的制約、數位資源膨脹，以及傳統 Federated Search 的致命缺點。
• 第二子題（運作機制與重要特性）：占分約 40%。必須精確使用專有名詞（如 Central Index、OAI-PMH、API、Link Resolver、Faceted Navigation），避免流於空泛描繪。
• 第三子題（功能評估要項）：占分約 30%～35%。須兼顧館員端（系統介接、授權統計）與使用者端（查全率、查準率、操作直覺性）的雙重視角。

解題技巧

1. 善用技術對比：作答時將「資源探索服務」與「傳統跨資料庫檢索（Federated Search）」進行對照（如下表思維），最能展現考生之專業深度：

• 傳統跨庫：即時查詢各別資料庫、速度取決於最慢的伺服器、無法進行全域精準排序、去重複困難。
• 資源探索服務：預先建置中央索引（Central Index）、毫秒級極速回應、全域統一相關度排序、自動有效去重複。

2. 關鍵術語不可遺漏：Central Index（集中式索引）、OAI-PMH、Faceted Navigation（琢面導覽）、Link Resolver（鏈結解析器）、OpenURL、Relevance Ranking。
3. 避開常見陷阱：

• 誤將探索服務簡化為「新版 OPAC」；探索服務涵蓋實體館藏、訂購資料庫、電子書、機構典藏及開放取用（OA）資源。
• 評估要項不可只寫「介面美觀」，必須著重「資源授權與涵蓋率」、「與自動化系統（ILS/LSP）之整合性（如即時可借狀態）」。

【答案】

一、資源探索服務之興起因素與背景環境

資源探索服務（Web-Scale Discovery Service, WDS）於 2009 年後迅速普及，其興起主要源於以下四項核心背景與環境推力：

1. 使用者檢索習慣的轉移（Google 效應） 隨著網路搜尋引擎（特別是 Google 與 Google Scholar）的普及，使用者習慣了「單一檢索框」、「即時反饋」、「高容錯率」及「依相關度排序」的檢索模式。相較之下，圖書館傳統多元且分散的查詢介面顯得過於繁瑣，促使圖書館必須提供具備現代 Web 體驗的檢索工具以迎合讀者需求。

2. 館藏資源的高度數位化與碎片化孤島 圖書館採購之電子資源（電子期刊、電子書、學位論文、整合資料庫、機構典藏等）快速增長。這些資源散落於不同出版商的平台系統中，形成資訊孤島（Information Silos），讀者若欲全面查找文獻，必須在數十個平台重複登入與檢索，極不便利。

3. 傳統跨資料庫整合檢索（Federated Search）之技術瓶頸 1990 年代末期發展的跨資料庫檢索系統係採用分散式架構（如 Z39.50 協定或即時廣播查詢），在使用者輸入檢索詞後，系統才即時向各遠端資料庫發送查詢請求。此模式存在嚴重的缺陷：

• 檢索反應遲緩：檢索速度受限於反應最慢的遠端主機，常發生逾時（Timeout）。
• 無法全域排序與去重：各資料庫回傳欄位與格式不一，難以進行全域（Global）相關度排序，亦無法有效去除重複紀錄。
• 功能受限：無法提供深度詞彙擴展與動態後分類功能。

4. 雲端運算與大規模分散式索引技術之成熟 巨量資料處理、分散式叢集索引架構（如 Apache Lucene/Solr、Elasticsearch）與雲端計算儲存成本大幅降低，使資訊服務商有能力預先蒐集全球數十億筆學術詮釋資料與全文

核心觀念

本題的核心考點為研究資料管理（Research Data Management, RDM）與開放科學（Open Science）環境下的研究資料生命週期（Research Data Lifecycle）。

1. 研究資料管理（RDM）與 FAIR 原則：RDM 指在研究過程中對資料進行組織、儲存、保存與共享的整體策略，旨在確保資料符合 FAIR 原則（可尋找 Findable、可取得 Accessible、可互通 Interoperable、可再用 Reusable）。
2. 研究資料生命週期模型：典型模型（如英國數位典藏中心 DCC Curation Lifecycle Model、美國地質調查局 USGS 模型）涵蓋「設計與計畫 $\rightarrow$ 蒐集與組織 $\rightarrow$ 儲存與描述 $\rightarrow$ 分析與呈現 $\rightarrow$ 典藏與公開 $\rightarrow$ 檢索與再用」。
3. 階段核心任務：

• 蒐集與組織階段（Collection and Organization）：強調資料產出當下的規範化，確保資料具備長期可讀性、條理性與可追溯性（Provenance）。
• 儲存與描述階段（Storage and Description）：強調動態工作環境下的資料正確性、可理解性（透過詮釋資料賦予語意）以及安全性與團隊協同。

解題方法

本題為標準的模組化申論題，題幹已清楚限定回答範圍為兩大階段及其各自的三項要點。作答切入點與架構如下：

1. 分段結構化對應：嚴格依題目指定的兩大階段開展，並分別針對其下的 3 個子項目設立次級標題，切忌混為一談。
2. 理論與實務工具並重：申論此類技術與管理兼具的考題，不可僅寫抽象原則，必須具體舉出國際通用標準與技術工具（例如：開放檔案格式、命名常規、校驗碼 Checksum、Dublin Core / DataCite 詮釋資料、3-2-1 備份原則等），以展現資訊系統與圖書館學之專業深度。
3. 扣合「可重現性（Reproducibility）」與「長期取用（Long-term Access）」：各項重點的論述核心均圍繞在「如何讓當前研究團隊順暢協作」以及「未來如何被他人理解與再利用」。

選項分析

本題為國家考試之申論題（非選擇題，無選項）。評分關鍵在於能否精準闡述題幹所列之六大要項，以下為閱卷評分重點分析：

1. 「蒐集與組織階段」三大要項：

• 格式結構：是否指出「開放格式（Open Formats）」取代「專屬封閉格式（Proprietary Formats）」、結構化（Structured）資料標準化對長期保存的重要性。
• 檔案儲存架構：是否說明檔案命名常規（規範一致、無特殊符號、版本控制）與邏輯化資料夾階層目錄設計。
• 資料蒐集過程記錄：是否說明實驗日誌、儀器參數、抽樣過程、研究協定（Protocol）及 README 檔之撰寫，以確保資料出處（Provenance）與研究可重現性。

2. 「儲存與描述階段」三大要項：

• 品質確認：是否說明資料清理（Data Cleaning）、資料驗證（Validation）、極端值檢查與雜湊校驗碼（Checksum，如 MD5、SHA-256）之完整性驗證機制。
• 記錄描述：是否說明資料層級與專案層級之詮釋資料（Metadata）、通用與領域特定標準（如 Dublin Core、DataCite、DDI）、控制詞彙及資料字典（Data Dictionary / Codebook）。
• 儲存共享：是否說明短期動態儲存的存取權限控管、機密性維護、團隊協同機制，以及符合資訊安全的備份策略（如 3-2-1 原則）。

解題技巧

1. 對稱式骨架作答：兩大階段各自有 3 個名詞，作答時版面保持「$2 \times 3$」對稱排版，閱卷老師能在 10 秒內快速抓到 6 個核心採分點。
2. 必背專業名詞帶入：

• 格式：非專屬格式（CSV、XML、JSON、TIFF、TXT）。
• 記錄：README 檔、電子實驗紀錄簿（ELN）。
• 品質：資料校驗（Checksum: MD5 / SHA-256）。
• 描述：Dublin Core、DataCite、代碼簿（Codebook）。
• 儲存：3-2-1 備份法則（3 份副本、2 種不同儲存媒介、1 份異地保存）。