# 7/14 TANET論文

- 評估六頁有多少個字，摘要前言文獻(2頁)，加上感謝(國科會補助...)，注意圖片大小及內容是否清楚(4~5張 含系統架構圖)。
- 確認註冊費系上有沒有補助

## 主題

1. 人工智慧與大數據
- 人工智慧技術與應用、生成式人工智慧、機器學習、深度學習
- 大數據分析及應用、巨量資料處理、資料探勘
- 智慧校園、智慧城市、智慧家庭、智慧行動生活科技
- AIOT人工智慧物聯網技術與應用、智慧機器人、智慧無人機

5. 數位創新學習與基礎設施
- 科技結合創新學習、遠距教學、線上學習、行動學習
- 程式設計教學、資訊素養教學、翻轉教學、電腦輔助教學
- e化政府及國防安全、e化教育及偏鄉應用
- 數位基礎設施、治理及政策
- 智慧校園、校務數位賦能、校務研究

## 規定

- 臺灣網際網路研討會（TANET 2024）論文只接受PDF格式，論文頁數為4-6頁（中英文皆可）。
- 徵稿期間：投稿系統開放日~ 2024年08月01日止
- 論文錄取通知日：2024 年09月20日
- 投稿錄取論文 : 須至少一位作者註冊並出席發表或海報展示說明。

## 摘要

    隨著數位科技的快速發展，學校中的資訊傳遞和交流方式日益多元化，但學生在面臨資訊不對稱和取得不易等挑戰時，現有的資訊平台卻存在資訊分散和互動性不足的問題，本研究計畫旨在建立一個基於 Discord 伺服器和應用程式（APP）的校園互動平台，並支援聊天機器人、生成式 AI 等技術，以快速且精確地提供校內師生取得資訊及相互交流的機會。
    平台將包含公共頻道和各科系頻道，促進資訊流通，並通過機器人提供最新消息、天氣狀況、選課評價和公車動態等功能。除此之外，還將發展出專屬的網頁平台，以延伸機器人的功能，滿足使用者的需求。本研究計畫不僅提升了現有資訊平台的互動性和資訊集中度，還通過深度整合生成式 AI 技術，為校內師生提供了一個個性化、高效且便捷的資訊獲取和交流渠道，能夠顯著改善校園生活的品質。

關鍵字:數位科技、校園互動、生成式 AI、聊天機器人、Discord

## 前言
- 為甚麼做這個? 好處? 論文會分幾個大節(段落)?

    在這個資訊爆炸的時代，資訊傳遞交流方式日益多元，每個人或多或少都有接觸過相關事物，但資訊正確與否成為了另一個問題。在大學校園中的學生面臨著日益繁忙和複雜的生活挑戰，包括學業壓力、跨領域學習、和時間管理等問題。隨著社交平台的普及和機器人技術的發展，許多組織開始探索如何利用這些平台為學生提供更好的校園服務。
    由於，校園現有的資訊平台存在學生互動性低以及資訊取得不易等問題。因此，以社群為基礎建立了一個校園資訊平台實為必要的發展方向。
    Discord（鍾興瑄，2023）是廣泛用於遊戲社群的通訊平台，近年來逐漸受到教育領域關注。用在校園應用上，可提供了即時聊天和語音通話的功能，使學生可以方便地與同學、老師和校園組織進行交流。
    拓展聊天機器人技術也為 Discord 平台增添更多可能性。此外，聊天機器人回答的校園問題，若從制式化的訊息延伸至通過生成式 AI 提供自動化的回答服務和功能，將幫助使用者更好地了解校園資訊、快速地獲取學校相關訊息、解決學生與校園互動低的問題、和提高校園運作的效率。

## 文獻探討
### 聊天機器人 (Chatbots)

(1) 聊天機器人之定義：
    聊天機器人（Chatbot）是一種計算機程序，其主要目的是通過文本或語音與使用者進行對話。這些程序利用自然語言處理（NLP）等技術，以理解和解釋使用者的語言，並回應以模擬人類對話（Khanna Anirudh，2015）。聊天機器人可以在各種應用中發揮作用，包括客服、教育、醫療等領域。它們可以基於預先編程的規則和模式，也可以使用機器學習等技術來不斷學習和改進其回應。
(2) 聊天機器人的基本原理和運作方式：
    聊天機器人的基本原理包括:人工智慧標記語言(AIML)、自然語言處理(NLP)。當機器人接收到使用者輸入的資料後，進行自然語言處理(NLP)理解使用者的意圖，並產生適當的回應，可以是文字或圖片等形式。
(3) 聊天機器人在教育領域的應用現狀和趨勢：
    聊天機器人在教育領域的應用正不斷擴展，成為一種創新的教學工具。這些機器人可以被設計成教育助手，提供學生個人化的學習體驗。例如，它們可以回答學生問題、解釋概念、提供額外練習，並在學習過程中提供即時反饋。
    透過自然語言處理技術，聊天機器人能夠與學生進行真實對話。此外，它們還可以在數學、科學等學科中提供支援，使學習更生動有趣。在線上課程和遠程教學中，聊天機器人的應用也能夠提供個別化的指導，協助學生克服學習障礙。然而，教育領域仍需持續評估和改進聊天機器人的應用，確保它們能夠有效地融入教學環境，促進學生的學習和成長。

### 生成式 AI (Generative AI)

(1) 生成式 AI 技術的基礎概念和發展歷程：
    生成式 AI 技術是一種可以創造新內容和想法的人工智慧，包括創造對話、故事、影像、視訊和音樂。通過學習大量的數據，從而可以生成與原始數據相似的新數據。它主要依賴於深度學習技術，其中最常見的是生成對抗網絡(GAN)、長短期記憶網絡(LSTM)、Transformer 等模型。發展歷程可以追溯到 1980 年代，Hopfield Network（John Joseph Hopfield，1982）以及 Boltzmann machine（GeoffreyHinton&Terry Sejnowski，1985）模型誕生，但由於當時電腦的計算能力和數據量
    限制，造成模型的表現並不理想。隨後 GAN（Ian Goodfellow，2014）以及 VAE（Diederik P. Kingma&Max Welling，2015）問世，推動了生成式 AI 的快速發展，並取得了重大突破。至今生成式 AI 不斷提升生成的品質和生成的能力，不過大眾也逐漸重視生成式 AI 的可控性及其倫理責任。
    
(2) 生成式 AI 在自然語言生成、對話生成等方面的應用：
    自然語言生成(NLG)可以利用生成式 AI 應用在文本生成、機器翻譯、人機對話以及教育與研究等領域，像是聊天機器人使用 NLG 技術來生成更加自然、人性化的對話，或是用於生成個人化的學習材料或研究報告。
    
(3) 生成式 AI 模型的訓練和調整，以適應校園資訊交流平台的需求：
    生成式 AI 模型的訓練和調整是生成式 AI 技術的核心。生成式 AI 模型是一種人工智慧模型，可以生成新的資料，例如文字、圖像、音樂等。需要收集和準備訓練模型所需的資料，並且訓練過程需要進行迭代，直到模型達到預期的效果，最後進行評估與調整確保模型的性能符合要求（Shalev-shwartz，S. andBen-david，S. 2014 )。
    
(4) 生成式 AI 會面臨到的挑戰：
    生成式 AI 技術是一項新興技術，仍處於發展的早期階段，可能會碰到數據偏見以及安全性的問題。生成式 AI 技術是一項新興技術，仍處於發展的早期階段（Dario Amodei，2016）。它可以創造出新的內容和想法，並在各個領域得到廣泛應用。然而，生成式 AI 技術也面臨著一些挑戰。
    其中之一是數據偏見，生成式 AI 技術是基於數據進行訓練的。如果訓練數據存在偏見，那麼生成式 AI 模型也會產生偏見的結果。例如，如果訓練數據中女性的比例較低，那麼生成式 AI 模型可能會生成對女性不利的內容。並且如果有人惡意導入一些不正確或是虛假的訓練數據，可能會導致生成式 AI 模型生成錯誤的訊息進而產生安全性及真實性的問題。

### 自然語言處理 (Natural Language Processing, NLP)

(1) 自然語言處理的定義：
    自然語言處理（NLP）是探索如何利用計算機來理解和處理自然語言文本或語音（Chowdhury, G.，2003）。這項技術的目標是讓計算機能夠像人類一樣理解和處理自然語言，從而為人們提供更加方便、高效的人機交互方式。隨著 NLP技術的不斷發展，我們可以期待它在未來為人們帶來更多的便利和價值。
    
(2) 自然語言處理技術所面臨的挑戰：
    自然語言處理(NLP)面臨著許多挑戰。不同語言具有不同的語法、詞彙和語義。例如，英語是屈折語，而漢語是孤立語。這意味著英語的詞形會隨著語法功能而發生變化，而漢語的詞形則保持不變（Deutscher, Guy.，2006）。
    另一個挑戰是上下文理解。例如，“我喜歡這本書”這句話的含義可能因“這本書”所指的內容而有所變化。如果“這本書”指的是一本小說，那麼這句話可能表示喜歡這部小說的故事或人物。如果“這本書”指的是一本教科書，那麼這句話可能表示喜歡這本書的內容或教學方法。
    為了應對這些挑戰，NLP 研究人員提出了各種技術和方法，隨著技術的發展，NLP 技術正在不斷進步，並在越來越多的領域得到應用。

### 教育科技 (Educational Technology, EdTech)

(1) 教育科技的發展趨勢和應用現狀：
    近年來，隨著科技的快速發展，教育科技也得到了迅速發展，不僅達成了在線教育的普及，也能透過大數據的應用更好地了解學生的學習情況，並做出相應的決策，更可以應用擴增實境(AR)為學生提供沉浸式的學習體驗，讓他們在虛擬環境中進行學習和探索（林佳穎、邱美虹、林佳弘，2021），甚至能在未來透過 AI 實現個人化的學習以及智能評估等輔助。
(2) 社交平台在教育領域中的應用和效果：
    社交平台可以作為課堂教學的輔助工具，教師可以通過社交平台發佈課程資料、課堂錄影、課後作業等，方便學生隨時隨地學習。學生可以通過社交平台加入學習小組，與其他學生交流學習心得，互相幫助。教師也可以通過社交平台與其他教師交流教學經驗，分享教學資源。所以教育平台不僅能提高學習效率，也能促進學生合作，更可以幫助教師的專業發展。
(3) 教育科技對學生學習和校園生活的影響：
    臺灣在教育科技運用上的歷史，包括電化教育、視聽教育、視聽傳播、教學科技及數位學習等時期。其中，個人電腦的普及以及網路的出現對教育產生深遠影響，使教學與電腦幾乎難以分離，也改變了教學方法和師生互動方式。現今，軟體與硬體已經融為一體，資訊與網路科技與教育緊密相連，影響範圍廣泛，不僅使教學多元化，還改變了學習方式（何榮桂，2012）。
(4) 教育科技面臨的問題
    在教育科技發展的背景下，網路成為了豐富的資訊來源，然而，這也引發了資訊過濾的問題，學生可能難以有效地辨別和選擇適切的資訊。因此，加強學生的資訊素養教育變得至關重要，以培養其適應快速發展的資訊社會的能力。

    同時，教師在教學中也需要具備相應的資訊技術能力，整合科技資源於教學過程中。這不僅包括基本的電腦操作技能，還需了解教學軟體、多媒體資源的應用，以提升教學的靈活性和多元性，有助於創造更具互動性和引人入勝的學習環境，促進學生更主動地參與學習過程。因此，在教育科技的應用中，同時重視學生的資訊素養和教師的資訊技術能力培養，是確保科技融入教育帶來正面效果的關鍵要素。

## 研究方法
### 系統架構圖

為了提供使用者校園相關資訊的即時查詢服務。整體架構可分為三個主要部分：資料庫、Discord Bot 及功能模組。

資料庫：系統的核心資料儲存在資料庫中，包含了使用者、課程、天氣、公車時刻表以及課程評價等資訊。透過將資料結構化儲存，能有效提升資料查詢效率，並為後續資料分析提供基礎。

Discord Bot：Discord Bot 作為系統與使用者的主要互動介面，負責接收使用者指令並回傳相應的資訊。Bot 的運作仰賴 Discord API，即時接收來自各功能模組的更新訊息，並將其傳遞給 Discord 伺服器。

功能模組：

系統的功能模組可視為系統的幕後推手，負責處理各種任務，以提供使用者所需的資訊。其中，爬蟲組件扮演著資料收集的角色，它定期爬取校園首頁公告、課程資訊等外部資料，並將其存入資料庫，以確保資料的即時性。

為了讓系統能與使用者進行實時的互動，Bot 扮演著訊息傳遞的角色。當其他功能模組產生新的資訊或更新時，會將這些訊息透過 Discord Bot 發送到 Bot，使得 Bot 能夠即時將最新資訊傳遞給使用者。

此外，API 組件則負責與外部系統進行溝通。例如，當使用者查詢天氣資訊時，API 組件會呼叫天氣預報 API 來獲取相關數據。同樣地，查詢公車時刻表時，API 組件也會呼叫公車資訊 API 來取得即時的公車到站資訊。

為了提升使用者體驗，我們還引入了生成式 AI 組件。這個組件結合了自然語言處理技術，能夠理解使用者的自然語言指令，並生成相應的文本回應。例如，使用者可以向 Bot 詢問「這門課的評價如何？」，Bot 便能透過生成式 AI 組件，根據資料庫中的課程評價資訊，生成一段客觀且有用的回應。

### 前瞻技術

(1) 生成式 AI 組件
    在使用生成式 AI 技術，特別是機器人問答和訊息生成方面，面臨著選擇適合的大型語言模型的挑戰。目前，主流的模型包括 GPT-4 Turbo、Llama 2 和Gemini Pro。這些模型各有優缺點，需要比較最符合需求的模型。
    GPT-4 Turbo 擁有巨大的模型規模和廣泛的語言支援，但是它不開源且僅能透過API 呼叫，使用成本相對較高。相比之下，Llama 2 雖然模型規模中等，但它的簡潔高效、易於訓練和部署，且不收費。而 Gemini Pro 具有強大的性能和易用性，且不收費，但模型規模相對較小且僅能透過 API 呼叫。綜合考量後，將選擇 GPT-4 Turbo或 Gemini Pro 模型作為機器人訊息生成的基礎。
    接下來，將著手處理資料和建立訓練資料集，例如、確定問題的主題範疇以及收集常見的使用者與機器人問答。透過這樣的資料集，能夠讓模型更深入地理解問題並
生成合適的答案。
    雖然模型經過微調後，仍無法保證其生成的內容都符合期望。因此，將透過自然語言檢查模型生成的答案，確保其品質。同時，積極收集使用者的反饋，並根據反饋不斷調整和優化模型，例如、若反饋為好的，就將其對話納入訓練資料集用於模型的微調；若反饋為差的，則透過模型重新生成新的內容。圖二，為強化生成式 AI 組件之流程圖，展示基於自然語言及使用者反饋調整生成式 AI 模型。

圖二、強化生成式 AI 組件之流程圖

    以課程推薦功能（模組 5）為例，圖三，為應用生成式 AI 組件進行課程推薦之流程圖，展示使用者透過機器人取得課程資料的流程。機器人接收輸入或關鍵字訊息，透過資料庫中既有的資料提供回應資料，再將撈取到的回應資料，當作成輸入資料至生成式 AI 組件，針對使用者學習需求的個人化課程提供資料和建議。這使得機器人能以更自然的回應使用者，提供更精準的答覆。例如、當學生輸入”我想修『動態網頁設計 Django』程式，可以給我一點建議嗎？”，此時平台會（1）擷取關鍵字『動態網頁設計 Django』，透過查詢資料庫或爬蟲將既有課程資料當作參考資料，（2）平台會根據學生是否有修習過相關課程(『網頁前端程式設計』或『python 程式設計』)，來產生適當訊息。最後將（1）、（2）所產生的訊息，結合一段將詢問意見的輸入問題，輸入至生成式 AI 組件。例如、輸入至生成式 AI 組件的訊息可能如下：

我已經修過 ["網頁前端程式設計","Python"] 課程，我是否具備修習 ["動態網頁設計Django"] 課程的基礎？["動態網頁設計 Django"] 課程是否適合我？其中 ["動態網頁設計 Django"] 課程摘要如下，… (由資料庫撈出來或是爬蟲取得的參考資料)。

(2) 機器學習組件
    首先，需要收集個人基本資料（如就讀科系、在學年級）、修課紀錄和職業興趣偏好，以及職能診斷報告。這些資料將以結構化的格式儲存在資料庫中。接著，進行資料預處理，包括數據清洗、去除不完整或不準確的資料，以及特徵選擇或提取，以將原始資料轉換為可供機器學習算法處理的格式。
    然後，使用監督式機器學習方法來建立模型，使用決策樹或支持向量機模型，用於預測使用者對課程的興趣程度或推薦特定課程。下面將分析上述兩種模型之比較：
    
支援向量機(Support Vector Machine)：
    支援向量機(以下簡稱 SVM)是分析資料的機器學習算法，通過建構複雜的決策邊界來捕捉使用者的興趣模式。SVM 通常通過找到最佳的分隔超平面來將數據分類為不同的類別。在課程推薦的任務中，SVM 可以根據使用者的修課紀錄和興趣特徵來構建一個模型，從而將使用者分類為對某些課程感興趣和不感興趣的群體。由於SVM 能夠處理高維度的資料和非線性問題，因此它可以有效地捕捉使用者的複雜興趣模式。然而，SVM 的計算成本較高，對於大型資料集可能需要更多的時間和計算資源。

決策樹(Decision Tree)：
    決策樹是輔助決策的機器學習算法，通過將資料分割成不同的子集來建立一系列的分類規則，從而預測用戶對於某些課程的興趣程度。在課程推薦的任務中，決策樹可以幫助理解哪些特徵對於預測使用者興趣最為重要，並且提供了一個易於理解的模型結構。另外，決策樹對於混合型數據和缺失值的處理能力較強，並且不需要太多的數據預處理。然而，決策樹容易出現過度擬合的問題，特別是在處理高度非線性的問題時，因此可能需要進行樹的修剪或者使用集成學習方法來改進效果。
    
    在訓練模型之前，需要進一步進行資料分割，以便將資料分成訓練集和測試集以進行驗證。接著進行模型訓練，將資料提供給模型，並通過調整模型的參數，以最小化預測與實際結果之間的誤差。在模型訓練完成後，使用測試集對模型進行評估。這可以通過計算不同評估指標（如準確度、F1 分數等）來完成，以評估模型的性能。
    最後，將訓練好的模型部署並整合到課程推薦功能中。當使用者發出查詢時，系統將使用者的個人資料作為輸入，並通過模型進行預測，從而生成個人化的課程推薦結果。同時，為了不斷提升系統的準確性和用戶滿意度，需要持續收集使用者的反饋資料，並根據這些資料來優化模型。圖四，為機器學習組件運作之流程圖，展示從蒐集資料開始到訓練、優化模型的流程。
    
(3) 爬蟲組件
    使用爬蟲技術週期性地收集和更新相關的資料，並將這些資訊整合到機器人的回
應中，提供更即時和準確的資訊。以課程查詢（模組 4）為例，使用者發送課程搜尋
請求，機器人會至學校的網站爬取課程資料（例如：課程簡介、評分方式...等），再
製作嵌入式訊息回傳給使用者。圖五，為爬蟲組件運作之流程圖，展示使用者利用機
器人來取得如課程、校園相關資訊的流程。

(4) API 組件
    利用開放資料（OPEN DATA）來取得天氣資料、公車狀態等資料，以增強機器人的功能。透過 OPEN DATA 提供的公共資料，獲取各種實時或者預測性資訊。這些資料可以直接用於機器人的功能模組，獲取最新的資訊並提供給使用者。透過整合這些開放資料，我們可以使機器人提供更豐富、更實用的服務，提升使用者體驗。

圖六，為 API 組件運作之流程圖，展示機器人從 API 取得資料並發送訊息的流程。

### 平台部屬 (移到系統實作)

圖七、為平台分層架構圖，展示網頁平台和聊天機器人的組成部分、使用的技術以及產生的資料與服務。

(1) 網頁平台
    運用 XAMPP 或類似工具在實驗室的電腦上搭建伺服器環境，包括 Apache 伺服器、MySQL 資料庫和 PHP 解析器。XAMPP 提供了一個完整的開發環境，這樣的方式能夠在開發和測試階段更靈活地進行操作，確保與 MySQL 資料庫的連接和操作順利進行，以儲存和檢索用戶資料。同時，利用 mdbootstrap 前端框架，快速建置美觀的網頁介面。這個框架提供了許多現成的 UI 元件和樣式，有助於提高開發效率和網頁的視覺吸引力，也能實現在不同尺寸和設備上提供一致的使用體驗。
    在部署網頁應用之前，需要進行最後的工作。首先，需要購買網域名稱，以便使用者能夠通過網址訪問應用。網域名稱就像是應用在網際網路上的門牌號碼，方便使用者找到應用。再來，將申請一個 SSL 證書。SSL 證書是一種數字證書，用於在網際網路上建立安全的連接。通過將 SSL 證書用在網站上，可以實現 HTTPS 協議，這是一種安全的通訊協議，用於在使用者瀏覽器和網站之間進行加密通訊。這意味著使用者在與網站互動時，他們的敏感信息將被加密，從而保護他們的隱私和安全。

(2) 聊天機器人
    使用 Python 作為主要開發語言。並整合 requests 和 beautifulsoup4 爬蟲套件這兩個套件的功能主要為，前者用於發送外部 API 以及其他請求，像是獲取天氣資訊、公車時刻、網頁原始碼等數據；後者從網頁中爬取所需的資料，例如最新消息、課程資料等，以供機器人使用。同時，使用 py-cord Discord 套件進行 Discord 聊天機器人的開發，此套件提供了與 Discord 伺服器進行連接和互動，提供多元化的功能，實現與用戶的互動和功能操作。此外，也整合 OpenAI 套件，如 GPT-4 Turbo 或 Gemini Pro，提高聊天機器人的對話理解能力和回應自然度。

## 系統實作

4.1	聊天機器人
使用 Python 作為主要開發語言。並整合 requests 和 beautifulsoup4 爬蟲套件這兩個套件的功能主要為，前者用於發送外部 API 以及其他請求，像是獲取天氣資訊、公車時刻、網頁原始碼等數據；後者從網頁中爬取所需的資料，例如最新消息、課程資 料等，並將獲得的資料提供給機器人使用。
同時，使用 py-cord Discord 套件進行 Discord 聊天機器人的開發，此套件提供了與 Discord 伺服器進行連接和互動，提供多元化的功能，實現與用戶的互動和功能操作。除此之外，也整合 OpenAI 套件，如 GPT-4 Turbo 或 Gemini Pro， 提高聊天機器人的對話理解能力和回應自然度。
4.2	最新消息模組
使用網絡爬蟲技術從校園官網中抓取最新的公告和通知。爬取的資料經過篩選和分類，儲存在資料庫中。接著，利用生成式AI技術對資料進行分析，過濾出最重要和相關性最高的資訊。最後，這些整理過的消息會被製作成嵌入式訊息，透過Discord機器人發送到伺服器中的專屬頻道。
4.3	天氣模組
利用網絡爬蟲技術定期從中央氣象署氣象資料開放平臺抓取最新的天氣資料，包括當前天氣狀況、未來預報和極端天氣警報。這些數據經過篩選及整合後，儲存在資料庫中。接著，生成式AI技術對這些數據進行分析，生成天氣報告的嵌入式訊息。最後，由Discord機器人方式發送到伺服器中的天氣頻道，方便用戶隨時查詢。此外，模組還具備定制通知功能，使用者可以根據個人需求設置天氣提醒，獲得更個性化的服務。
4.4 公車模組
通過API接口從運輸資料流通服務平臺要求資料。獲得資料後，利用生成式AI對資料進行分析並產生嵌入式訊息。最後，由Discord 機器人發送至伺服器中的專屬頻道內，方便用戶查詢。
4.5	課程模組
利用爬蟲技術在靜宜大學課程相關網站擷取對應資料，例如：「課程評價、人數餘額等」。然後利用生成式AI產生嵌入式訊息，透過Discord bot發送至Discord頻道內。
4.6	校園助手模組

## 系統分析與比較

本研究及現有平台之差異 或是 效能分析

## 結論

## 參考文獻
> 中文：作者，名稱，來源，頁碼，年分。
> 英文：同上(頁碼及年份對調)

[1] 黃士昕（2023）。利用Line Bot 聊天機器人輔助新手增加學習Python 成效。﹝碩
士論文。國立高雄師範大學﹞臺灣博碩士論文知識加值系統。
https://hdl.handle.net/11296/5b9myk。
[2] 宋泓均（2023）。微積分聊天機器人的設計與研究。﹝碩士論文。南臺科技大學
﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/8w433g。
[3] 鍾興瑄（2023）。探討Discord線上遊戲社群的休閒效益：從眾行為的影響。﹝碩
士論文。嶺東科技大學﹞臺灣博碩士論文知識加值系統。
https://hdl.handle.net/11296/b3dc3x。
[4] 彭嘉瑋（2022）。生成式對話聊天機器人：以老人健康領域對話為例。﹝碩士論
文。國立雲林科技大學﹞臺灣博碩士論文知識加值系統。
https://hdl.handle.net/11296/93v4p7。
[5] 林佳穎、邱美虹、林佳弘 (2021) 。擴增實境在科學教育的研究趨勢：2005~2017
年學術文獻回顧。科學教育月刊，440期，2-17。
[6] Shalev-shwartz, S. and Ben-david, S. (2014) Understanding Machine Learning
from Theory to Algorithms. Cambridge University Press
[7] Dario Amodei, Chris Olah, Jacob Steinhardt, Paul Christiano, John Schulman, Dan
Mané, (2016) Concrete Problems in AI Safety.
[8] Khanna Anirudh, Pandey Bishwajeet, Vashishta Kushagra, Kalia Kartik,
Pradeepkumar Bhale, Das Teerath. A Study of Today's A.I. through Chatbots and
Rediscovery of Machine Intelligence. International Journal of u- and e-Service, Science
and Technology. 2015;8(7):277–284.
[9] Chowdhury, G. (2003) Natural language processing. Annual Review of Information
Science and Technology, 37. pp. 51-89.
[10] Deutscher, Guy. (2006) The unfolding of language: an evolutionary tour of
mankind's greatest invention reprint. New York: Holt Paperbacks.