top of page

1. NodeXL Pro功能學習

顯示label.jpg

01:顯示Label名稱

Step1:在Vertices工作表中,將Label的儲存格格式改為通用

Step2:在Label中輸入=[@Vertex],便可使點上出現其標籤名稱

由於關鍵字數量龐大,在顯示Label名稱後可以很好的分辨關鍵字主題,而無須再反覆檢查。

02:Degree

將節點之間的degree(即vertex數)利用NodeXL Pro求得,並將其依1-100、5-100、10-100去區分,將關鍵字的數量依序減少,了解APP主要遇到的問題及使用者的反饋主要是偏向哪些面向。且從圖可見,當degree的數量越少的同時,圖表會越簡潔且具有分類性。圖表顯示方式是以Harel-Koren Fast Multiscale為主,此種圖示方式能夠將資料較集中的繪製出。

degree5-100.jpg
具類算法.jpg

03:Wakita-Tsurumirm聚類算法

一種用於聚類檢測的聚類算法。它使用模塊化度量 (Q) 作為網絡劃分的質量度量,基於這樣的想法,即具有固有社區結構的網絡偏離隨機網絡,而具有高模塊化的網絡在社區內部具有更密集的連接,但節點之間的連接更少不同的社區。

簡單來說就是把資料以高度模組化的形式去分類(意即每個分類更清楚了) 所以每個分類內的vertex的關聯性又更高了。

2.面對不同結果時的判斷以及取捨

在進行研究的後半部分工作時,我們考慮到評論本身的關鍵字切割是由我們主觀去切割的,因此可能會有判斷錯誤或是切割過於冗長的問題產生,在與教授的討論過後,決定使用中研院斷詞系統(CKIP)來進行二次切割並再次進行軟體輸出。在與先前的關鍵字切割結果進行比對,我們發現CKIP的斷詞結果比原先我們的關鍵字判斷切割得更細一些,導致在最後的群集分類有出現無意義群集、群集內vertex分類有明顯錯誤、冗字vertex過多的情況產生,因此,我們最後還是選擇使用初次的關鍵字判斷結果進行探討。在這段過程中,我們除了對研究本身有更加深入的了解,也訓練我們批判性思考的能力,對事情有著更加全面、跳脫框架的思考模式,幫助我們能夠更仔細的釐清問題,做出最佳的決策。

螢幕擷取畫面 2023-11-23 210539.png

3.訪談大綱的撰寫及注意事項學習

螢幕擷取畫面 2023-11-23-2.png

這次訪談歷程十分坎坷,從最一開始找尋不到願意受訪的機構,到找到數家長照機構,擬定訪談大綱,並在教授的協助下修改完成送出。接著開始設計問卷及準備電訪,過程中教授也提醒我們,問卷、企劃書甚至是逐字稿在撰寫時,任何隱私訊息都要去識別化,以防有心人士的利用並保護受訪者的個人資料安全。

撰寫訪談大綱時需要仔細的計劃和思考,在訪談過程中也要保持應變,以應對意外情況。同時也要尊重受訪者,除了保持應有的禮貌外,也要確保訪談過程是流暢和專業的,如此一來,既能獲得有價值的信息也可以達到訪談的目的。

組別:ZF02

組員:1091753 簡琦芸、1091756 洪珮津

bottom of page