彈出視窗js的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

為降低醫師警示疲勞建構一套警示特徵系統

為了解決彈出視窗js的問題，作者簡碩辰 這樣論述：

研究背景：為了減少錯誤並提高病人的安全，現代化醫療會於電子化醫令系統中導入警示。然而，系統中充斥著大量與臨床無關緊要的警示，最終導致「警示疲勞」的發生，病人風險反而因此提高。根據不同情況判斷個別警示的價值，以降低醫師警示疲勞便成為一個重要課題。研究目的：因此，本研究目的在於替電子化醫令系統打造一套警示特徵系統。透過收集主觀與客觀的特徵值，作為判斷警示價值的依據。接著，我們提出兩個降低醫師警示疲勞的方法:警示數量-效益比與情境化警示。警示數量-效益比可識別出系統中有問題與適當的警示。情境化警示則可智能地過濾掉醫師不會觀看的警示。同時，我們將探索醫師接受或拒絕警示的關鍵因素。研究材料與方法：本研

究以臺灣北部某醫學中心全院門診做為研究對象。客觀資料由軟體工程方法，打造視窗專注偵測程式，收集的特徵包含警示訊息內容、警示停留時間、出現次數等。主觀特徵資料則採用結構化問卷方法，收集醫師對於個別警示的觀點，包含安全性、完整性以及看到的反應。警示數量-效益比，透過結合警示數量與醫師觀點，在四個象限中定義出適當與有問題的警示。情境化警示採用ANN, XGBoost, Random Forest, Decision Tree, Logistic Regression共五種不同機器學習方法來完成。八組特徵(全部、警示、人口、環境、診斷、處方、檢驗、警示+人口)被用做輸入。輸出則使用警示停留時間，搭配自

訂義時間窗口(警示停留時間在時間窗口內定義為觸發，以外則定義為不觸發)。藉由改變時間窗口的左閥值(0.3s-4.0s每次向右移動0.1s至2.9s-4.0s)進行敏感度分析，用以找出最佳效能的時間窗口。在此同時，八組特徵也被分別用來建置模型，以確定他們對於停留時間的影響。最後，我們使用科技接受模型，以問卷方法找出醫師接受或拒絕警示的關鍵因素。結果：我們的研究完整收集2020-2021年，醫院全院門診的警示發生紀錄共6,603,924筆，其中警示停留時間的峰值為1.0秒。接著我們調查了72位醫師對於系統中前20名常見警示的看法，結果顯示安全性、完整性以及看到的反應，平均得分為2.3、3.1與2.

9分。警示數量-效益比成功找出兩個有問題的警示，佔總體發生次數的45%。接著，根據警示數量-效益比，我們使用了19個警示類別，共計813,026條記錄，建構情境化警示。它們皆屬於臨床類型或在系統中適當使用彈出式警示。敏感度分析的結果顯示，當時間窗口在0.3s-4.0s有著最好的效能(AUROC = 0.73, AUPRC = 0.97)。使用警示+人口的特徵組，並搭配XGBoost所建立的模型效能最好(AUROC = 0.73)，最重要的特徵組模型為警示(AUROC = 0.66)與人口(AUROC = 0.62)。而醫師們接受警示的關鍵因素，相較於字體大小、訊息內容、呈現方式等，他們最在意的

為警示頻率，並且建議應盡量精簡以降低整體的發生次數。結論：我們的研究成功建構一套警示特徵系統，並提出兩種方法:警示數量-效益比與情境化警示，用以改善醫師警示疲勞的情形。警示數量-效益比成功找出兩個有問題的警示類別，它們有著高頻頻率卻無法提供相等的臨床價值。情境化警示可以智能地過濾醫師在特定情況下不會觀看的警示。我們還發現，醫師們其實樂意在臨床決策過程中使用警示，然而過於頻繁地提醒則會適得其反。通過這些方法，我們期待能夠改善醫師警示疲勞的發生情況，從而提高病人的安全性。

利用Word2Vec結合機器學習偵測惡意Javascript

為了解決彈出視窗js的問題，作者賴俊霖 這樣論述：

　　Javascript是一種能夠直接在網頁瀏覽器上執行的程式語言，攻擊者可以透過客戶端的網頁瀏覽器來進行各種網路攻擊。檢測Javascript惡意程式碼的方式主要可以分為兩種:靜態方法和動態方法。靜態方法主要透過機器學習的方式分析惡意程式碼的相關特徵來檢測是否為惡意程式碼，動態方法則可以透過在sandbox等封閉環境執行的方式，觀察惡意程式的行為並記錄。在Javascript流行於各網站的同時也存在許多的風險。Javascript的惡意行為諸如重新導向、彈出式視窗或是XSS攻擊，都可能對用戶造成嚴重危害。因此我們提出一種透過Word2vec將Javascript程式碼向量化的方式，透過機器

學習提取Javascript的特徵。實驗結果顯示，我們的方法在檢測Javascript惡意程式碼時，可以達到98 %以上的準確率。