統計1 統計的用途

普查是最簡單的方法，也是最不用學習統計的量化研究。
而學習統計是為了「推論」，比方說有一萬人的國小老師，要「抽樣」100人來「推論」到10000人，統計就是在這時候來做「檢定」用。
統計可以幫助你不用去做到1萬人次的普查，可以節省金費和心力。

網路問卷是最難做分析的，因為無法得知母群體的來源與特性(是否常態分布等)，若用傳統的統計分析，則會出現爭議，若使用「無母數統計」會增加分析的難度。

KM LOG1: The Nonsense of Knowledge Management

Part I:

Data and information may be managed, and information resource may be managed, but knowledge can never be managed.

When employees leave a company, their knowledge goes with them, no matter how much they've shared.

Can "Tacit knowledge" be captured? The answer, of course, is that it cannot be "captured" - it can only be demonstrated through our expressible knowledge an through our acts.

The conclusion is reached that "knowledge management" is an umbrella term for a variety of organization. Those activities that are not concerned with the management of information are concerned with the management of work practice.

Part II

KM is a papular work in business work, but even in acdamic community, they still use 'knowledge' as a synonym for 'information'. A lot of KM activities are just a kind of Information Management.

Even though, it is not saying that people to contribute effectively the management of organizations is impossible and that sharing knowledge is impossible. It's just to differcult to do it.

Part IV

The opinion of this article made me shock. I have never heard opinions like this.

Before I read this report, I knew KM was a kind of work to make the knowledge of a company can be stored and shared. Especilly sharing, it was the most important activity of KM. But now, I agree that 'Tacit Knowledge' can't be captured, the knowledge will go with retired employees, no matter how much they shared before. I also argee that 'Information' and 'Knowledge' these two words make people confused.

In this condition, KM may be a fad. But I still believe KM should be developed. Because of the economy of knowledge, in this term, we never use ‘information’ to replace ‘knowledge’. It is a new word and this is a new world, the important element of companies (or others) is not only information but knowledge. So we do need a new discipline to deal with this new element.

I believe Wilson didn’t mean to offend the people who advocate managing knowledge. He just wanted to remind us the knowledge couldn’t be handled as like as we handled information before.

W18 The End Talk

最後一堂課，老師用讓我們用interview的方式，說明自己在這個學期學到了什麼。

Round 1 ：由映竹訪問我關於期末報告論文的議題
由於我們是用聊天的方式進行，所以沒有甚麼很明確的問題，以下簡略的將對話內容摘要：

你寫這篇研究的動機大概是什麼？
因為之前當過國科會的研究助理，所以大概知道有些人在數位典藏國家型計畫結束後，會被強迫遣散，所以想要了解他們在計畫結束後的規畫是什麼。

你真的有這麼關心這一群人嗎？
嗯......其實也還好啦..只是想說有些認識的學長姐在裡面工作，而且是第一份工作，不知道他們被遣散後，該怎麼辦，想要稍微了解一下。順便也看一下這些研究助理們往後會不會繼續留在數位典藏相關產業裡面貢獻。

所以你的研究對象是鎖定在老師底下的學生嗎？
嗯..不是耶，因為老師底下的學生通常都是任務性質的幫忙完成工作。我比較想知道自願被招聘進去的那些研究助理未來該怎麼走。是要回家帶小孩？還是自己開公司？或是其他出路之類的

那國外類似計畫的人呢，他們有比較早結束的計畫，那他們的人去哪裡了？
ㄜ....這個禮拜一的時候小蝶老師也有問到我，老實說，我還真的忘了有國外的狀況可以做相關的文獻探討。沒有注意到這一個部分....不過我在想，應該怎麼找到那些檔案呢？這感覺會比較像一個研究報告...不知道這些報告該去哪裡拿...希望國外會有人跟我做相關的研究...

那你比較想看哪個國家的？
我覺得應該是英國吧，因為美國最近一次的大型國家型典藏計畫是美國記憶計畫，但那已經結束有將近10年了....而英國的AHDS最近才剛結束，影響應該會比較深刻一點。不過AHDS似乎是一個機構...也不像是一個計畫...總之會再找國外類似的案例來研究。

感想：
跟同學重新講了自己的研究之後，發現中間有許多矛盾和不足的地方，由其是最後一個問題，我打從心裡沒有想到可以去探討相關案例，而且國內的應該也有早已結束的長期大型計畫，也可以作為survey的對象。
原來在做研究的時候，很容易的會陷入象牙塔裡面，在自己認知的世界出不來...還是要多跟其他人討論才可以海闊天空......

Round 2：由我訪問叔華關於這學期的課程學到了什麼

請問學到最有印象的是？

1. 從課本和讀論文的練習中，知道了做研究的流程與原因該是怎麼樣的。比如說：以前只知道在寫文章前要先文獻探討，而現在知道為什麼寫文章需要文獻探討了。
2. 了解到研究需要有相當嚴謹度，從架構到用詞，都會影響文章的品質

請問最沒把握的是？
有了研究方法的相關名詞知識，但是在操作上還是會碰到問題。由其是在解釋資料的部分，自己所認為的推理過程解釋，在其他老手的眼中看起來像是笑話一樣，考慮到的層面還不足，而且會陷入數字與語句的迷思當中。

感想：
在跟叔華聊天的過程中，我們有互相聊到對於這堂課的心得，他說：與其他系所相對起來，我們所得到的知識無法用考試來衡量，比方說調查研究，其他系的學生會從定義開始下手，說明調查研究的定義、特性、問題該怎麼發展等等，像在寫書一樣(外顯知識)。但我們學到的，會比較著重在研究意識跟研究問題的發展，相對來講，是比較哲學上的思路(內隱知識)。

我也有相同的感想，突然要我講出一個研究法名詞的定義跟特性，我可能沒辦法講的很詳細完整。但是要我思考一個研究議題，我會想的比較深入。應該這樣說，我覺得這學期學到比較多的是研究方法的意涵與思考，而非研究工具的使用。這兩個部分是需要合而為一的，但相信在工具的部分，往後的學習歷程能慢慢的補足，畢竟思考的能力還是比工具使用能力重要許多。

[W17] 量化分析

今天這堂課主要學習的是：
1.整理原始數據(編碼簿)：問卷上的答案，紀錄的表格
Code Book VS Coding Book：Code Book是定義Code的地方；Coding Book是擺放raw data的地方
2.量化資料分析：研究者作一些事情將些原始資料，變成能夠看到他在假設上所陳述的為何(描述統計)
3.解釋數據(最難的地方)：最後能夠解釋或是給予理論一些有意義的結果

資料處理

• 資料編碼 (原來量化也是需要編碼的!!)
• 輸入資料
• 清除資料

資料分析

1.單變項分析

• 次數分配(Frequency)
  每一種category裡面，有幾個次數出現
























































變項	值	次數	百分比
income	1	25	6.25%
	2	50	12.5%
	3	100	25%
	4	150	37.5%
	5	50	12.5%
	6	25	6.25%
gender	1	100	25%
	2	300	75%

• 集中量數測量
  主要概念關鍵字：最小值、最大值、中位數、平均數、眾數
  


• 離散趨勢測量
  用來描述變項分數的分散情形，主要觀念關鍵字有：全距、四分差、變異數

2. 雙變項分析
想了解變項之間的關係是什麼
在解讀時可從從散佈圖中看三樣東西：形狀、方向、密度

3.多變項分析

• 統計控制
• 百分比的表格設計
• 多元迴歸分析

推論統計

需要注意的有：統計的目的、統計顯著度(顯著水準為.05 .01 .001)
另外在敘述上，光是X跟Y有相關，這樣的敘述不夠好，必須寫說X跟Y有統計上的顯著相關


老師不斷提醒我們量化的概念不應該分散的來讀，但我今天所理解到的概念還是非常的分散。最懂的部分是量化分析的步驟：資料處理→量化分析→解釋量化。但是這三個part的內涵還是一知半解，尤其是分析的部分。知道甚麼是單變項、雙變項，知道怎麼算中位數、平均數、眾數，但這些概念在甚麼時候用得上呢，更正確的說，應該是這些概念要怎麼拼湊才會得到問題的答案，甚麼樣的問題需要有哪些概念？不知道…這是我目前量化最大的障礙。

除此之外，老師也一再提到統計工具的重要性，量化這個部份要把握的是各個方法的概念與使用時機，其他的就交給高科技來處理。

W16 investigation II

這次的調查過程比Foster教授的還要棘手很多，表面上只是看四篇文章寫個分析心得，但實質上卻有重大的內涵。若是個人一篇文章的分析還容易完成，但當四篇研究放在一起的時候，它們所擦出的火花，是很複雜的。

整個作業的過程中我們一直在想，如何把四篇研究放在一起比較，但發現其實實驗研究之間的比較是沒什麼意義的，尤其是在資料處理與實驗進行過程方面，因為這些都會隨著研究者的研究目的與假設而改變，並非說我這篇文章有多做一次共變數分析多做一次T檢定，而你的沒有，就代表你的文章寫的不好，這是我們這次報告所獲得的最大心得。

我們也曾經想過用柏堯一組的方式作呈現，但當把表格列出來後，發現我們根本沒有能力去說明為什麼這篇有T檢定，而另一篇沒有；為什麼你的是用組內迴歸同質性分析，我的卻是組間？這當中牽扯到太多太多的統計概念，所以決定放棄這種表達方式，因為我們所能告訴大家的僅是為什麼這四篇都是用共變數分析，共變數的用途與共變數需要注意的事項。

其實今天的報告懂的，仔細想想沒幾樣，唯一比較懂的新概念就是老師所講解的虛無假設與對立假設之間的差異以及Type Error I & II的概念。

	犯罪事實有	犯罪事實無
調查犯罪有	correct	Type I Error(信心水準0.1)
調查犯罪無	Type II error(信心水準.05)	correct

因為沒有實際看過該報告，直接聽同學們的簡短敘述，我還是沒有辦法擷取出當中的重點，往往發現還在弄懂該研究在講什麼的時候，就報告完了....看來我離鑑賞報告的功力還有一甲子之多....

W15 資訊組織與使用者

今天的主題是李鶴立教授的資訊組織與使用者間的研究。
李教授一開始就道出了求學的辛酸史，一直沒有遇到好的指導教授，直到偶然的機會到圖書館作編目，才發現自己人生的興趣。這時就慶幸我們身在師大，有一群關心學生的老師們。(謎之音：狗腿作業也不會少一點!!)

李教授的研究是以使用者為出發點，探討collection的方式，將虛擬與實體的collection結合，並且讓使用者找資訊更加便利。講到這裡我心想，這不是資訊尋求行為研究嗎？怎麼李教授會一直強調這樣的研究還沒人作呢？李教授接著解釋，資訊尋求行為只是在探討一個小眾尋找資訊的過程，並非是人與整個information structure的互動。從李教授show的台大圖書館與國外大學首頁的圖片，感覺起來是類似人機介面的相關研究，這時小蝶老師代我們發言說，這方面的研究IA的學者最近似乎做了很多。李教授近一步解釋，IA通常研究的對象是一個小群體，甚至僅是一個網站的資訊架構，而他所關心的，是全體user與資訊之間的互動，這句話道出了研究格局的差異。李教授希望透過紮根的方式，形成使用者與資訊架構之間通用的理論知識，改善現有的資訊架構。說到這邊我才了解，原來李教授指的資訊，並非單指虛擬世界的information，而是在圖書館內所發生的information，也難怪李教授一直提到資訊時代圖書館的collection概念變得很複雜。

李教授的研究中指出，不同層次的使用者(如教授與學生)所需要的圖書館collection層次不一樣，而且搜尋能力上，教授也優於學生。但如果圖書館之間的資訊若如同Google一樣開放，會使資訊量加大，篩選變的複雜，不論使用者的能力與層次為何，都會造成相當大的困擾。

這跟我們的想像有所出入，一般我們都認為資訊連結的越多，我們找起東西來會更方便，圖書館間的資訊開放，我們就不用四處奔波蒐集資料。但事實上，沒有配套措施的情況下，使用者會陷入資訊海中，無法分辨資訊的內容，更不用說做研究時需要的閱讀分析了，根本連看都看不完。所以李教授才會提到，有些學者喜歡從小的地方開始蒐集資訊，等到有一定基礎了，再慢慢擴展出去。小蝶老師也說，讓電腦幫你抓取資訊，還不如自己親手蒐集來的齊全，資訊量太大，對使用者反而是個傷害。在這邊我一直很想跟語意網路的東西結合起來，總覺得這兩者之間或許能做一些互補的效果，可是腦袋一直混混沌沌的，想不出個所以然來......

Anyway，李教授的Guide principle是Cutter(1904)所提出的：使用者是以方便為導向來取得資訊。也就是以使用者為中心來發展一系列的研究。這與Raya教授所講述的conegtive work analyze有點相像，而我也有個同樣的問題：如果李教授研究出了一些使用者行為的理論，那麼又該如何改善現有的資訊架構呢？畢竟我們跟資訊架構師們還是有一段距離，我們的語言，他們不一定能完全理解。

正當我要發問的同時，李教授說了，研究使用者的人，其實還是要懂資訊系統的建構過程，才不會與設計師之間有代溝產生，也能清楚了解哪些是目前的資訊技術無法達成的，避免天馬行空的想像。

W14 如何寫研究報告??

今天經美美老師提醒，何謂權威性的文章？權威性指的是「原點」的意思，雖然ranking或許是一個權威性的指標，但卻不代表每個ranking都有效度存在，所以還是只能算是參考用的數字。

這時問題來了，該如何找到這些「原點」的文章呢？我想到的也只能看著文獻，慢慢從reference中回溯....但這是在所看的文獻都是正確的情況下才會有的結果，猶如老師所言，有些文獻是亂抄來的，這有點像骨牌效應，當你一開始看的幾篇文獻都是錯誤的時候，往後看的文章就很可能會出現同樣的錯誤，導致永遠找不到權威也就是原點在哪裡。這時就要靠有經驗的研究者來拉你一把，所以跟指導教授密切的討論是很重要的。

其實上述的情況如果是在自己熟悉的研究領域內都還容易解決，最困難的就是跨領域的研究，以我目前所做進行的題目為例：數位典藏從業人員的職涯規劃。恩...數位典藏容易找，數位典藏的從業人員也可以看歷屆參與名單，那什麼是職涯規劃呢？這我就找破頭了...只知道他是人一生中的影響職場轉變的重要名詞，卻不了解過程如何運作，而此類問題該如何下手研究，雖然已經看了很多類似的文獻，卻還是沒辦法將這些概念融入我的研究當中，最挫折的是看到：「職涯規劃的定義眾說紛紜」這句話時，也不知道哪些文獻是重點文獻了....指導教授這時也只能說多看看文章吧....

明明手上握有很多文獻，但卻無法分辨文獻、利用文獻是最令人挫折的，但我想這也就是研究的價值，要學著抓出這些文獻的共同點與缺點，告知往後的研究者一個正確的方向，這是研究的一大步，也是最困難的一步。