首頁 / 普通考試 圖書資訊管理考古題 / 民國115年 普通考試 圖書資訊管理 資訊系統與資訊檢索概要 民國115年 普通考試 圖書資訊管理 資訊系統與資訊檢索概要考古題
民國115年 普通考試 圖書資訊管理 資訊系統與資訊檢索概要收錄考選部官方試題，共 4 題可線上瀏覽，考選部未公告本科目答案。
題目與答案
H-index 為Hirsch（2005）所提出，可用來評估研究人員的學術發表品質
與數量。請說明何謂H-index？（10 分）並說明其有何優缺點。（15 分）
參考解答（AI 生成，非官方） 一、H-index（h指數）之定義：Hirsch於2005年提出，用以同時衡量研究者的產量與影響力。若某研究者有h篇論文，每篇至少被引用h次，而其餘論文的被引次數均不超過h次，則其h指數為h。此定義把「篇數」與「被引次數」結合為單一數值，數值愈高代表兼具質量與數量。 二、計算方式：將論文依被引次數由高至低排序，依序標示序號1、2、3……，找出「被引次數大於等於序號」的最大序號即為h。例如被引次數為20、12、8、5、2、1，序號4之5大於等於4、序號5之2小於5，故h=4。不同資料庫（Web of Science、Scopus、Google Scholar）因收錄範圍不同，算出的結果可能不一致。 三、優點：(1)兼具量與質，可避免以大量低被引論文衝高篇數；(2)單一數值、直觀易懂，便於比較與溝通；(3)對少數超高被引論文不過度敏感，較能反映穩定的產出；(4)可延伸為m值（h除以年數）或i10指標，用於不同職涯階段的比較。 四、缺點：(1)領域差異大，人文與社會科學的被引次數普遍偏低，跨領域比較並不公平；(2)資深研究者累積時間長，年輕研究者相對吃虧；(3)忽略單篇極高被引論文的貢獻，也不區分作者序與自我引用；(4)無法反映品質、創新與社會影響；(5)高度依賴資料庫收錄範圍，再現性不足。 五、改善與建議：宜搭配g-index、FWCI、同儕評審與altmetrics（替代計量）綜合判斷；計算時應排除自我引用、註明資料來源與檢索日期，並以同年資、同領域的常模比較。國內教師評鑑與研究獎勵不宜以h指數為唯一指標，以免扭曲研究方向。
結構化查詢語言通常是指Structured Query Language（SQL），是一種用
來操作關聯式資料庫的標準語言，請說明SQL 之資料操作語言（Data
Manipulation Language, DML）的功能及相關的核心指令。（25 分）
參考解答（AI 生成，非官方） 一、SQL之分類與DML定位：SQL可分為DDL（CREATE、ALTER、DROP）、DML、DCL（GRANT、REVOKE）與TCL（COMMIT、ROLLBACK）。DML（Data Manipulation Language，資料操作語言）係對資料表內的「資料列」進行新增、修改、刪除與查詢，不改變資料表結構，是應用程式存取資料的核心。 二、INSERT（新增）：語法為INSERT INTO 資料表(欄位…) VALUES(值…)，可一次插入多列，或搭配SELECT由其他資料表批次匯入。執行時須符合主鍵唯一性、外鍵參照與NOT NULL等限制，否則將產生錯誤而整筆交易失敗。 三、UPDATE（修改）：語法為UPDATE 資料表 SET 欄位=值 WHERE 條件。WHERE決定影響範圍，省略即更新全表；實務上應先以SELECT驗證條件、在交易中執行並先行備份，避免誤改大量資料。 四、DELETE（刪除）：語法為DELETE FROM 資料表 WHERE 條件，僅刪除資料列而保留表結構，可配合ROLLBACK回復。若僅需清空全表可用TRUNCATE，其屬DDL、不可回復且不觸發刪除觸發程序，兩者不可混用。 五、SELECT（查詢）：DML中最常用者，語法為SELECT 欄位 FROM 資料表 WHERE 條件 GROUP BY 分組 HAVING 分組條件 ORDER BY 排序；可搭配INNER JOIN、LEFT JOIN、子查詢、聚合函數（COUNT、SUM、AVG）與DISTINCT，用以產生報表與決策資訊。 六、實務要點：DML具交易性，須以COMMIT確認、ROLLBACK取消，以確保ACID特性；並應落實權限最小化、使用參數化查詢以防SQL Injection（資料隱碼攻擊），大量異動宜分批處理並建立適當索引以維持效能。
若要利用TP、FP、FN、TN 來衡量資訊檢索系統的效能，請解釋這四項
指標的意涵，並說明它們如何被用於計算查準率（Precision）與查全率
（Recall）。（25 分）
參考解答（AI 生成，非官方） 一、混淆矩陣（confusion matrix）之意義：評估資訊檢索系統時，以「系統是否檢出」與「文件是否相關」交叉成2×2矩陣，四格分別為TP、FP、FN、TN。此矩陣是查準率、查全率等所有效能指標的計算基礎，須先有相關判斷集（relevance judgments）方能填列。 二、TP與FP：TP（True Positive，真陽性）指系統檢出且經判斷為相關的文件數，代表「正確檢出」，是查準率與查全率共同的分子。FP（False Positive，偽陽性）指系統檢出但實際不相關的文件數，即俗稱的「誤檢」或雜訊（noise），數量愈多，查準率愈低。 三、FN與TN：FN（False Negative，偽陰性）指實際相關但系統未檢出的文件數，即「漏檢」（miss），會直接降低查全率，可能造成重要資訊遺漏。TN（True Negative，真陰性）指實際不相關且系統未檢出的文件數，代表「正確排除」；檢索情境中文件總量龐大，TN通常極大，故較少單獨使用。 四、計算公式與範例：Precision（查準率）＝TP／(TP＋FP)，衡量檢出文件中相關者所占比例；Recall（查全率）＝TP／(TP＋FN)，衡量相關文件被檢出的比例。例如資料庫有1,000篇、真正相關50篇，系統檢出40篇其中30篇相關，則TP=30、FP=10、FN=20、TN=950，Precision＝30/40＝75%，Recall＝30/50＝60%，F1＝2×0.75×0.6÷(0.75＋0.6)≒0.667。 五、權衡與限制：查準率與查全率通常呈互補關係，放寬檢索條件可提高查全率卻犧牲查準率。可輔以F-measure、MAP、nDCG、fallout＝FP/(FP＋TN)與accuracy綜合評估；另須注意相關判斷集的完整性（pooling）、固定的cutoff值與排序品質，才能公允比較不同系統。
何謂AIoT？（10 分）並說明AIoT 在圖書館的應用。（15 分）
參考解答（AI 生成，非官方） 一、AIoT之定義：AIoT即Artificial Intelligence of Things（智慧物聯網），指將人工智慧的演算與模型部署於物聯網架構中，使感測裝置不再只是蒐集與傳輸資料，而能在地或於雲端進行辨識、預測與決策，形成「感知—傳輸—運算—決策—回饋」的閉環，其價值在於把資料轉化為可執行的行動。 二、架構與關鍵技術：一般分為感知層（RFID、攝影機、溫濕度與人流感測器）、網路層（Wi-Fi、藍牙、LoRa、5G）、平台層（雲端資料庫、資料湖、AI模型訓練）與應用層。關鍵技術包括edge AI（邊緣運算）、電腦視覺、語音辨識、自然語言處理與機器學習預測，並以API串接既有自動化系統。 三、圖書館應用之一，空間與營運管理：以人流感測與影像辨識統計入館人數、熱門時段與座位使用率，動態調控照明、空調與人數管制以節能並維護安全；以AIoT盤點機器人結合RFID進行書架巡檢與錯架偵測；並可預測設備故障、落實預防性維護，降低館員例行負荷。 四、圖書館應用之二，讀者服務與館藏：建置個人化推薦與智慧客服（聊天機器人），提供24小時問答與預約提醒；以語音或影像檢索輔助視障讀者；以借閱與檢索紀錄預測主題需求，支援館藏採購與汰舊決策；並可結合OCR與AI進行古籍與期刊影像的辨識、詮釋資料自動產生與數位典藏檢索。 五、挑戰與建議：須正視讀者隱私與個資保護（個人資料保護法）、影像與行為資料的蒐集界線、系統成本與維護能力、資料品質與演算法偏誤等問題。建議訂定資料治理與倫理規範、落實去識別化與最小蒐集、強化館員AI素養與跨域合作，並確保無障礙設計與讀者信任，使AIoT真正服務而非取代圖書館的專業價值。