高雄海洋科技大學學測分數的問題，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

小組積分競賽合作學習融入面積單元對五年級學童學習成就影響之研究

為了解決高雄海洋科技大學學測分數的問題，作者蔡依瑾 這樣論述：

本研究目的在探討以小組積分競賽合作學習教學法與傳統講述式教學法對國小五年級學童在面積學習成就、學習動機的影響，並進一步了解學童的學習感受。本研究採質量混合設計，以自編的測驗蒐集量化資料，以半結構式晤談蒐集質性資料，隨機選取臺南市新化區某國小兩班共47位學童為樣本，其中男生21位、女生26位。研究者以不等組前後測設計，一班為實驗組接受以小組積分競賽合作學習教學法融入數學教學；另一班為對照組接受傳統講述教學法教學。教學前，實驗組學童接受「數學學習動機量表」前測；教學後，兩組學童皆接受「面積成就測驗」，實驗組須再接受「數學學習動機量表」後測。研究分析以SPSS 21.0 為統計工具，進行描述性統計

、單因子共變數分析等方法分析量化資料，並對實驗班學童進行半結構式晤談蒐集質性資料，研究結果如下：一、國小五年級學童在面積單元各向度的數學解題表現不同：實驗組在「平行四邊形的面積」及「三角形的面積」表現最佳；對照組在「三角形的面積」及「梯形的面積」表現最佳，實驗組與對照組皆在「複合圖形的面積」表現最差。而各題型的答對率實驗組皆高於對照組，實驗組的標準差亦皆低於對照組。二、以小組積分競賽合作學習教學法與傳統講述教學法進行比較，實驗組學童在「面積成就測驗」的表現顯著優於對照組。三、實驗組接受以小組積分競賽合作學習教學法融入數學教學後，其在「數學學習動機量表」的前、後測沒有顯著差異。四、從質性的晤談中

，學童皆認為以小組積分競賽合作學習教學法融入數學教學，讓 課堂更為活潑有趣，進行積分競賽不僅能夠提高學習的動機，也更能專注於課堂 學習，而合作學習也會讓每個人更有參與感。

應用AI分析生活空間塑膠足跡輔助永續產品開發決策

為了解決高雄海洋科技大學學測分數的問題，作者鄭淵壕 這樣論述：

聯合國在2019年將塑膠汙染列為僅次於氣候變遷的危害，在環境中掩埋，洩漏在海洋的塑膠廢棄物已是全球災難。本研究結果不在於提倡環保，或綠色消費，畢竟大部份使用者在對於生活享受或產品樂趣是高於其為環境改變而減少享受等這類道德動機。本研究會聚焦在工業設計第一階段田野觀察，透過導入AI深度學習技術（Deep Learning），提高實驗大規模田野、取得更接近母體數量的樣本的可能性，來進一步精確了解，設計產品對於整個社會與使用習慣的影響，而驅動本文的研究動機。本研究希望提出更透明化、一致性、準確性的生活數據，透過科技力的輔助，來觀察個人生活空間（personal living space, PLS）裡

的塑膠足跡的流動與使用習慣。鼓勵發展生態上有效的技術，以及大量的重新設計都市的循環基礎建設，並從中找到新未來的商業模型與產品開發決策因素。本研究主要參考於ISO/TS14067 及PAS2050的盤查數據收集五大原則，以YOLO深度學習神經網路的辨識技術來建構塑膠足跡（Plastic Footprint），透過使用者提供生活空間照片進行間接式田野觀察，探討人類、環境、物件三者間的互動關係，提供工業設計師、決策者在跨部門設計溝通，評估永續產品開發對環境與社會影響的一套流程或介面。研究方法 : 間接式田野觀察、機器學習、企業深度訪談。在研究成果部分，（1）AI辨識速度與準確率的驗證。本研究主要以機

人合作概念，以深度學習辨識為主，人眼為輔，採YOLOv4深度學習神經網路進行塑膠物件的辨識，Mask R-CNN我們應用在前測階段負責標註塑膠產品，輔助人眼識別。在YOLO物件辨識的部分，經人工交叉比對驗證，其準確度可達92.55%；YOLOv4與YOLOv3相比，可增加23.76%（183個）的物件偵測命中率；照片資料分析與框選速度可較人眼（194.9sec / photo）提高兩百九十五倍到千倍之多（0.18~0.66sec / photo）；本研究樣本78人198張照片，跨越三縣市台南、高雄、雙北的26個行政區，四種不同的個人生活空間（PLS），房間、客廳、浴室、辦公室。而AI神經網路在

照片中識別出的953個塑膠物件只用了130秒。並且經過人眼反覆確認，驗證只需要一名專業人員，約為數小時，保守估計實際應用可提高田野觀察的分析速度50倍以上，且達高準確度，適合大規模量化調查研究使用。（2）田野調查流程的簡化透由AI技術導入，傳統九大流程可縮減為四大流程。（3）建構數據視覺化，塑膠足跡與產品影響力地圖。（4）在驗證的部分，數據分析在箱型圖（Box Plot）顯示一個人在生活中持有物品的狀態，backpack、clock、keyboard、laptop、mouse、suitcase（行李箱），一個人擁有一件；chair、sofa、TV & monitor擁有1-2個；cup、ted

dy bear（玩偶），擁有1-3個；遙控器擁有2-3 個；potted plant（盆栽） 擁有2-4個；瓶罐類4-7個，有著極大離峰值（outlier）40、21、16件，每個人在此類有極高的變異（Variance）。實驗結果非常接近我們現實生活的體驗。（5）最後，本研究提出4種工業設計師或企業應用決策評估情境模擬，以供未來進行可建立在資料驅動上（Data-Driven）的設計。