八大核心研究能力_2012 to 2018

2012年：大學畢業後，當了半年多的研究助理
2014年：接受碩士一年與博士一年的訓練
2016年：接受碩士一年與博士三年的訓練
2018年：接受碩士一年與博士五年的訓練，終於…要畢業了！

在博三至博五這兩年中，八大核心能力都有些許進步，且各向度能力程度也漸趨一致。八大核心能力中，我自覺進步最多者為：「研究方向」、「研究設計」、「寫作」與「建構團隊」。

在「研究方向」與「研究設計」方面，這兩年間隨著博論主題確定，有很多機會需要自己先想清楚研究設計以及監督整個研究的執行過程。再者，這段期間著手撰寫了幾項研究計畫，也給予其它研究計畫建議。因此對於研究方向的設定有較明確的目標，對於研究設計也較有實戰經驗。

在「寫作」方面，隨著統計與研究設計功力的進步，我在這幾年能撰寫的論文主題也更加深入，也開始有不少機會可撰寫較大型的研究計畫。因此寫作能力也在這些經驗中穩定地成長。

在「建構團隊」方面，除了持續與原本的合作夥伴合作外，這幾年多了一些協助團隊成員撰寫論文、研究小組討論會、以及協助統籌助理們收案的任務。在這些討論與任務中，我逐漸累積了一些領導與合作的經驗。

畢業後即將踏入陌生的土地、加入陌生的研究團隊，期待這些能力還能持續穩定地成長。

八大核心研究能力_2012 to 2016

2012年：大學畢業後，當了半年多的研究助理

2014年：接受碩士一年與博士一年的訓練

2016年：接受碩士一年與博士三年的訓練

在博二博三這兩年中，八大核心能力都有些許進步

自覺分數最高者為：「閱讀」、「統計」與「時間管理」

在「閱讀」方面，這兩年間持續地閱讀文獻、研究計畫等，並有許多自己寫作與給予其他人寫作建議的學習機會，再加上統計、研究方法之精進，這些能力的進步，使得閱讀方面的能力亦成長不少。

在「統計」方面，這兩年維持每學年至少修1-2門統計，且又有老師聘請業太教授我們IRT/Rasch與CAT之概念與技術，目前幾乎將未來可能較有機會派上用場的統計都學得差不多了（已修過的統計課包括：基礎統計、廣義線性模型、結構方程模型、多變量分析、統合分析、重複測量分析、Rasch分析、CAT模擬分析）。未來還須把握/創造實作機會，陸續將這些已學過的統計概念應用於資料分析與寫作上。

在「時間管理」方面，這兩年的事情真是有增無減啊！雖然做事習慣還是無法達到老師建議的多工模式，但目前至少都能將每件事情在時限前提早完成，且品質還算可以。值得一提的是，我越來越能較精確地掌握每項任務所需時間了，不再像以前那樣設好行事曆後又不斷將任務往後延期。

自覺分數最低者為：「研究方向」、「研究設計」與「建構團隊」

在「研究方向」與「研究設計」方面，這兩年間有陸續撰寫一些院內研究計畫、國健署委託研究計畫、科技部研究計畫等，累積不少撰寫計畫之功力，但是目前研究題材之擬定與計畫撰寫架構大多還是停留在「模仿」的階段，還沒有能力自己想出或決定出創新、有價值、可行的計畫題材。

在「建構團隊」方面，這兩年間合作的團隊成員變動不大，且全數都是老師努力拓展所得的資源，故這方面可能要待未來須自己獨當一面時，才較有機會磨練吧...

對照Raw score & Rasch score之分析方法

以Rasch驗證評估工具之優勢之一，即為將raw scores (ordinal scale)轉換為Rasch scores (ordinal scale)，以提升後續分數運算與應用之價值。

一般常用的分析方法有二：
1. 以ConQuest匯出 raw scores和Rasch scores之對照表。
此方法最單純，但問題在於ConQuest僅能提供MLE或WLE（最大概似估計法）的分數對照表，但結果輸出之Rasch reliability與person-item map數值卻是以EAP (expected a posteriori)估計而得的能力估計值。MLE與EAP之估計值因為估計方法不同，同樣的個案會有不同的能力值，尤其是極端能力的個案，能力估計值落差大。

2. 以ConQuest匯出所有個案的EAP能力估計值，再以Excel比對每位個案的raw scores和EAP值，最後再依據raw scores排序，手動挑出每個raw score分數點對應的EAP值。
然而，當raw scores之資料點有缺漏時，如總分為0-10分，但沒有個案得0分，此時則無法產生完整的分數對照表。


在上述二方法接碰壁時，則需要產生一筆模擬資料作分析。模擬分析方法有二：
1. 用Matlab撰寫EAP演算的程式語言，並以其估計模擬資料各樣本的EAP能力估計值。
此方法會遇到的問題包括：ConQuest之EAP算則有自行調整過，並非完全等於教科書上的算則。且無法確定ConQuest估計時使用的參數（手冊上未說明），包括：切分點 (nodes)
範圍，以及likelihood function應依據平均數與標準差為何的分配產生。因此，即便都是使用EAP估計法，以Matlab估計所獲得估計值會與ConQuest所獲得之估計值不同。
 
2. 用Conquest作兩步驟分析，將模擬分析的題目難度參數與共變矩陣固定為原始資料之數值後，匯出所有模擬個案的EAP能力估計值。
此方法最單純，且也是最建議的解決方法（參考業太的建議）。

註：模擬資料僅需留意資料須涵蓋各題每個分數點，以及所有總分分數點即可，不需要依據原始個案能力的分配產生。因為單向度、單參數的Rasch mocel之下，raw score總分可一對一對應Rasch score，不受作答反應影響。即若兩人原始總分相同，無論答對簡單題目較多或答對困難題目較多，所得的Rasch score相同。

CAT simulation問題紀錄

1. 以ConQuest分析within-item multidimensional Rasch analysis，須自行輸入design matrix或限定受試者之能力平均值為0 (constraint=cases)，方能較精確地估計題目難度參數。由於題目難度是研究者可自行控制的，且我們無法把握收案對象之能力平均值為何，故通常不更改Conquest之預設限制，即限定題目難度之平均值為0 (constraint=items)。此時，我們必須自行輸入design matrix進行分析。(Ref: ACER ConQuest Manual)
Q1-1: 為何同屬2個dimensions (i.e., Emotion & Social)的題目，design matrix中，b和τ的係數須乘上2倍，例如：b=[0, -1, -2, -3, -4]→[0, -2, -4, -6, -8]；τ=[0, 0, 0; -1, 0, 0; -1. -1, 0, -1, -1, -1; 0, 0, 0]→[0, 0, 0; -2, 0, 0; -2. -2, 0, -2, -2, -2; 0, 0, 0]？(Ref: ACER ConQuest Manual)

Q1-2: 承上，由此design matrix可知，得分機率的計算公式會不太一樣？如下圖所示：

Q1-3: within-item multidimensional題目的wright map應如何呈現（ConQuest無法產生，需自行繪製）？

Q1-4: 依據王文中老師於1997年之書目，同一題目但不同面向使用不同量尺之within-item multidimensional題目（例如：某一題目屬於2個面向，其於2面向各有1分數，該題共有2個分數），其scoring matrix與design matrix與between-item multidimensional題目不同。例如：Emotion & Social各為 [0, -1, -2, -3, -4]之5點計分，故共有5*5種得分的排列組合。scoring matrix (B)與design matrix (D)之表徵方式如下圖所示：

此design matrix之參數為結合b&τ之階難度，若欲分別估計b&τ二參數，design matrix應如何設計？得分機率公式與計算MAP之公式是否與之前教過的不同？
(Ref: W Wen-Chung, M Wilson, and Ray Adams. "Rasch models of multidimensionality between items and within items" Objective measurement : theory into practice. Ed. M. Wilson, G. Engelhard and K. Draney. Greenwich, Conn: Ablex Publishing, 1997. 139-155.)


Q2. 如何將Matlab之模妳所得的CAT施測程序與rules整合入網頁，以形成可於臨床上實際施測的CAT系統？須如何與工程師溝通，以及需準備那些資訊給工程師？

Q3. CAT-FM之施測模式與其它CAT系統不同（不同處要再請教業太），要如何修改以與其它CAT系統一致呢？

違反Rasch "local independence"假設對於能力估計之影響

若違反local item independence，即某位個案作答不同試題之反應會互相影響，如題組。此現象使得各題之作答反應可預測性較高，試題鑑別度提高，ICC較接近Guttman-like curve（可依據已作答題目，判斷其它題目接近100%的機率會答對/錯，而減少模稜兩可的出現機率，如50%答對/錯）。此時，能力估計之範圍變得較廣（兩極端能力增加）（圖一），能力分佈之variance增加（圖二），因而估計信度Separation增加（圖三）。

反之，若違反local person independence，即不同個案作答某一試題之反應會互相影響，如rater效果、練習效應。此現象使得能力估計值相依，分佈範圍較集中（圖一），能力分佈之variance減少（圖二），因而估計信度Separation降低（圖三）。

圖一、 違反local independence假設時，Rasch能力估計值之分佈範圍

註：Response Dependence即local item dependence；Trait Dependence即local person dependence

圖二、 違反local independence假設時，Rasch能力估計值之標準差

註：Person SD與每個能力估計值之SE不同

圖三、 違反local independence假設時，Rasch估計之信度 (Seperation)

參考文獻：

1. Local Dependency and Rasch Measures 

2. Studies on the effect of violations of local independence on scale in Rasch models: The Dichotomous Rasch model

SEM_ordinal data之處理

SEM多以covariance matrix作為資料分析型態，以ML法估計參數
然而，ML估計法是以資料為常態分配為前提假設，若違反多元常態分配之假設（可以Mardia's tests作檢定），則會影響ch-square與SE之估計值，對於參數估計值之影響較小。

然而，實務上量表或基本資料變項多為ordinal data，有違常態分配之假設。建議之處理方法有四，四者擇一：

1. 改變資料型態：tetrachoric / polychoric correlation matrix。若資料為categorical data，Pearson's correlation會低估概念之相關。故以tetrachoric（兩點量尺）或polychoric（多點量尺）correlation matrix較恰當。但有有部份學者質疑以correlation matrix取代covariance matrix之合適性。

2. 改變SEM模型：改用Muthén model (continuous/ categorical variable methodology)，其假設每個categorical data背後有一常態分配。並以該分配為基礎估計變項間的關係。

3. 改變估計法：以Asymptotically Distribution-Free (ADF)、Weighted Least Square (WLS)或貝氏估計法估計模型參數。

但第2、3項解決方法，需要非常大的樣本數（至少幾千人），實務上難以達成。故若違反多員常態假設之情況不嚴重（多員常態風度係數<25），以covariance matrix與ML估計還是接受度最高的方法。為減少ordinal data因違反多元常態分配對於結果造成之影響，學者建議使用以下第4點作法：

4. 校正估計結果：使用Satorra-Bentler scaled chi-square & robust SE

CAT simulation課程內容與心得

截至昨天，我們共上了三堂 simulation課

課程內容主要包含：CAT simulation之流程（概念），熟悉Matlab基礎語法，以及使用Excel與Matlab練習最基礎、單純的模擬分析情境

由於simulation的概念與流程不複雜，IRT的理論在之前我們也都學習過，故這堂課概念較少，軟體實作暫絕大多數時間。
雖然目前才剛開始，花了較多時間練習基礎的程式語言，距離要能夠自己完成simulation還有一大段路要走，但我覺得不會很無聊，且在業太的帶領下，輔以我們原先較熟悉的Excel與矩陣運算邏輯，Matlab並沒有我們原先想像得這麼恐怖（目前為止），其實滿容易上手的。

請教王文中老師之IRT相關問題

測驗是否符合單向度可使用傳統測驗理論之CFA或現代試題理論之Rasch分析作檢驗，但實務分析上發現二者之結果有差異，包括是否符合單向度、應刪除的題目等，請問二者分析結果差異之來源可能為何？

Rasch對於模型的假設較多，是較嚴格的分析方法。
實務分析上發現，二者分析之結果不盡相同。尤其當測驗題數較多時，Rasch分析結果較好。例如：Rasch分析結果為單向度，但CFA分析卻仍不fit。

Testlet Response Theory & Testlet-Based CAT

為解決建構CAT-HEALER可能遇到的題組問題，日前鑽研了一下題組反應理論之概念與CAT之應用方法，重點紀錄如下：

局部獨立性 (local Independence)為IRT之前提假設之一。局部獨立性可分為兩部分：局部試題獨立性 (local item independence, LII)與局部受試者獨立性 (local person independence, LPI)。LII是指當受試者能力已知時，該受試者在某試題上的作答反應與其它題無關。LPI則為當試題難度已知時，不同能力的受試者在該試題上的作答反應間相互獨立。二者皆須滿足才算符合局部獨立性的假設。

然而在教育測驗中，經常出現多道試題共用相同情境的情況，例如：閱讀測驗，由一篇文章衍生多道試題，此些試題的作答反應必有高度的相關性，產生題組效應 (testlet effect)，違反局部獨立性之假設。此時，Testlet Response Theory (TRT)為可行的分析方法之一。
題組效應是指受試者的作答反應除了受試者能力影響以外，亦受到題組的潛在因素影響。

TRT與IRT同，具有一參數、二參數與三參數模型。不同點為：TRT將題組效應 (γ)放入模型估計，將題組效應γ與被試能力θ 分別估計，即θ與γ獨立。 

以Rasch Testlet Model為例：

Testlet-Based Computerized Adaptive Testing (TBCAT)

第一階段先選取最大訊息量的題組，第二階段則由該題組的所有試題中選則訊息量最大的試題，受試者提供作答反應後，電腦進行能力估算，再依據受試者的能力提供最大訊息量的下一題（同一題組）。若達預設標準，例如：同一題組只選2題（共10題），則換下一題組。

TBCAT之選題方式介於Computerized Multistage Testing (CMT)與Item-Based Computerized Adaptive Testing (IBCAT)之間。TBCAT屬於多階段選題 (CMT)。以試題為單位選題，作答完一試題後即進行能力估算，故無法返回重填 (IBCAT)。每位受試者作答的題目亦不盡相同 (IBCAT)，即便能力相仿者，可能作答難度相仿的不同題組，或同一題中難度相近的不同，以避免試題曝光度太高。（即題組與試題皆為適性選題）

p.s. CMT為多階段選題，以題組為單位選題，同一題組所包含的題目固定。受試者完成一題組後電腦再依據該題組的作答結果進行能力估算，再挑選下一題組。能力相仿者，可能作答難度相近的不同題組，但若作答相同題組，每位受試者之作答題目皆相同（題組內有10題，則大家都作答這10題）。


TRT之應用實例
1. Wang X, Baldwin S, Wainer H, Bradlow ET, Reeve BB, Smith AW, et al. Using testlet response theory to analyze data from a survey of attitude change among breast cancer survivors. Stat Med. 2010;29:2028-2044  （醫學領域的文章，目前僅找到這一篇）
2. Eckes T. Examining testlet effects in the testdaf listening section: A testlet response theory modeling approach. Language Testing. 2013

英文寫作常見問題

彙整John的英修建議，發現以下幾點自己在英文寫作上的問題最常被糾正：

1. and之前要加逗點：A, B, and C

2. 名詞前常忘記加the限定

3. compared to之前要加as：“as” compared to

4. 重點名詞要先寫。例如：
(1) The STREAM-15 shows comparable psychometric properties with STREAM-30.
→ The psychometric properties of the STREAM-15 are comparable to those of the STREAM-30
(2) A few patients were detected as deterioration during hospitalization by the STREAM-30.
→ Deterioration during hospitalization was detected in a few of the patients by the STREAM-30.

5. 比較兩種事物時，常忘記加代名詞，導致比較的對象不對等。例如：The group-level psychometric properties of the STREAM-15 were shown to be as robust as those of the STREAM-30 and STREAM-27.

6. 主詞/受詞與動詞距離太遠。例如：
(1) The baseline scores of the 3 subscales of the STREAM-30 of the remaining 195 patients and those of the 193 patients lost at second assessment were not significantly different (p > .05).
→ The baseline scores of the 3 subscales of the STREAM-30 of the remaining 195 patients were not significantly different (p > .05) from those of the 193 patients lost at second assessment.
(2) As expected, deterioration during hospitalization was detected in a few of the patients by the STREAM-30.
→ As expected, deterioration during hospitalization was detected by the STREAM-30 in a few of the patients.

103年度國衛院生物醫學學術研討會

注意事項：
1. 海報文末須加註Acknowledgement: NHRI grant number
2. Group discussion口頭報告時間為10分鐘，討論5分鐘
3. 因經費短缺，自104年度起，整合性研究計畫將著重於八大項研究重點。計畫申請時須specify研究重點，若未符合研究重點之申請案，將不受理。我們研究室較可能申請之研究重點為：
        4. Mental/neurological disorders and aging
        4-1 Cognitive neuroscience research
        4-2 Identify novel strategies to prevent and treat mental and neurological disorders, such as stroke,
              depression, schizophrenia, Alzheimer’s disease and Parkinson’s disease

這次的研討論演講與報告內容，與先前參加過的學系/學會研討會有很大的落差，包括：研究主題與研究者的功力。本次演講的主題多環繞於基礎醫學研究，以基因研究為大宗。疾病類型則以癌症居多。演講者與報告者多為研究資歷深厚的教授或院士級人物，除台風穩健、英語流利外，研究的scope既廣且深，演講重點之拿捏非常精準，幾乎能在短時間內說明或回答最精簡扼要之處，且說明也幾乎都能深入淺出（除了基礎醫學我實在無緣聽懂外）。這些都是我們須學習的基礎能力。

海報時間僅陳為堅教授請我簡短說明研究的特別之處，是否以往的OT都不是以病人為中心？可能是研究主題非顯學，至少對於基礎醫學學者來說關係較遙遠，駐足在我們海報前的人數極少，大多是reviewers。

八大核心研究能力

2012年：大學畢業後，當了半年多的研究助理

2014年：接受碩士一年與博士一年的訓練

這兩年間，修課、實際參與研究、論文撰寫、大小討論等的持續磨練之下，我已可明顯地感受到自己在各項研究能力的快速累積與成長，但在研究構想與主題scope的掌握上，我自覺還有許多進步空間。

Tests of Marginal Homogeneity重點整理

1. Tests of Marginal Homogeneity為McNemar's test之延伸，用於相依樣本、資料為非連續變項之無母數檢定，目的為檢驗行與列的資料分佈是否相同。前者可用於多類的變項，即k*k列聯表；而後者僅能用於二分變項，亦即2*2列聯表。二者皆僅能用於方型矩陣（行列數相同）。
例如STREAM-27與S-STREAM之individual-level responsiveness比較表應畫為下圖，如此每一細格之資料才會mutually exclusive：

2. 檢定時可用X²或G²之p值是否<0.05判定兩分配是否具顯著差異。二者皆為比對卡方分配之critical values，然而當樣本數較少或某些細格之數值太小時，X²檢定值會偏離卡方分配，故使用G²較適切。

3. 欲檢定二情境（raters/measures）於特定量尺之資料分部是否有差異之方法有二：(1)可使用McNemar's test比較該量尺與其它量尺（pooling另外的所有量尺資料）之資料分佈使否具顯著差異。(2)算出二者分佈比例的差異及其95%信賴區間，若0落於區間內則代表無顯著差異。

4. Tests of Marginal Homogeneity與(weighted)Kappa之異同：二者皆為檢驗inter-rater agreement，前者著眼於差異，後者著眼於一致的部份。前者檢定結果為顯著與否，後者為係數。（或許未來可同時使用此二指標來驗證類別資料的再測/施測者間信度）

Kappa如何受評分不均影響

Cohen's Kappa = P(A)-P(E) / 1-P(E) (A為觀察值；E為期望值)

agreement percentage相同時（Example 3&4的P(A)皆等於0.90），若raters一致的評分較集中於某一量尺，則Kappa值較低。因該細格期的望值（猜測造成評分一致的機率）是以平方的倍數放大，當分子分母同時扣掉較大的期望值時，Kappa係數即降低許多。

agreement percentage相同時（Example 5&6的P(A)皆等於0.65），若raters不一致的評分較集中於某一細格，即Example 6中coder 1評Accept處Coder 2多評Ack；而相反的情況則未出現。則Kappa值較高。代表施測者間評分的歧異度較低？！（原因待討論）

Ref: Eugenio, B. D. and Glass, M. (2004). The Kappa Statistic: A Second Look. Computational Linguistics, 30(1):95-101.

bootstrap approach

目的：放大樣本。研究者欲瞭解母群的參數，但無法收集母群中所有個案的資料，故僅能由母群中抽取部分具代表性的樣本，合併bootstrap approach將樣本放大以逼近真實的母群參數。

應用：
1. 當抽樣分配不符合統計之假設時（如樣本資料為偏態，而絕大多數有母數統計皆假設資料為常態分配），可利用bootstrap approach重複抽樣逼近常態分配
2. 當樣本數不足，可利用bootstrap approach放大樣本（但原先的樣本數不足，可能存在代表性不足的問題）
3. 如此次比較group-level responsiveness方法，由於ES和SRM為單一數值而非平均數，無法直皆以假設檢定做驗證。故我們以bootstrap approach產生ES與SRM之分配，求出mean & SD以使用統計推論。

方法：

註：共1,000個Bootstrap sample，每個sample各有n筆資料

初學者之文獻閱讀困境

依據我自己小時候 (?) 的經驗，以及與虹妗討論時之發現，彙整了以下三項初學者在閱讀文獻閱讀時常欲到的困難：

1. 難判斷文章優劣：因自身經驗與知識有限，初學者多難以判斷是作者沒交代清楚抑或只是自己看不懂。但其實因篇幅限制，作者沒接待清楚是常有的事，但初學者多會先很沒自信地認為應該只是自己的問題。

2. 統計方法：初學者最常在方法上卡關，常被一大串統計術語震懾住而直接跳過資料分析部分，甚至連作者解釋其使用各種統計方式的目的也略過，導致結果也看得一知半解的。我認為資料分析之重點並非統計本身，而是作者如何使用統計來得到各研究目的的答案。故誠如老師教我們的，初學者於資料分析部分，只須瞭解各統計分析的目的即可，而這也是初學者在閱讀資料分析時至少須瞭解的內容。

3. 目的與結果之連貫：初學者看文章時，雖是認真地讀完整篇文章，但理解的都是片段式的。也就是說，每一段或許都可以整理出重點，但要連貫全文，完整說明整篇的主旨與結果時，通常就會有困難了。

Cronbach's alpha之概念澄清

近日看了一些介紹Cronbach's alpha之文章，發現幾篇文章常提到"Cronbach's alpha is a lower-bound estimate of reliability"，中文是「alpha是估計信度的最低限度」。

這句話實在是很模糊，即使翻譯成中文仍不太能理解。再多看幾篇文獻深入探究後，將我目前瞭解的重點彙整如下：

1. 此處的信度是指「內在信度」。量表的信度可分兩類：「外在信度」(external reliability) 與「內在信度」(internal reliability)。外在信度是指再測信度與施測者間信度。而內在信度則是指內在一致性，亦即組成量表題項的一致程度如何。

2. Cronbach's alpha是基於"essentially tau-equivalent model"之假設所設計。

3. essentially tau-equivalent model假設一量表中，每個題項都是測量相同的潛在特質、具相同scale （計分方式與概念同、每一題的標準差相似），但每一題的精準度以及變異可不同。亦即每一題項所測量到的True score (T)都一樣，Observed score (O)的差異只受題目精準度影響（例如：比較specific或general的問法，所得分數的精準度不同）。

4. 但現實情況中，量表難以完全符合essentially tau-equivalent model之假設，亦即每一題分數之變異不同。又由信度之概念公式：reliability=Var(T)/Var(O)，當每一題的Observed score變異數不一，使得量表之Observed score總變數增加，信度將下降。即若違反essentially tau-equivalent model之假設，將低估信度。

綜合上述可知：以Cronbach's alpha容易低估量表的內在信度，換言之，以Cronbach's alpha計信度較保守，是估計信度的最低限度。

References: 

Graham, J. M. (2006). Congeneric and (Essentially) Tau-Equivalent Estimates of Score Reliability: What They Are and How to Use Them. Educational and Psychological Measurement, 66, 930-944.

Gu, F., Little, T. D., & Kingston, N. M. (2013). Misestimation of Reliability Using Coefficient Alpha and Structural Equation Modeling When Assumptions of Tau-Equivalence and Uncorrelated Errors Are Violated. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, 9, 30-40. 

Raykov, T. (1997). Scale Reliability, Cronbach's Coefficient Alpha, and Violations of Essential Tau-Equivalence with Fixed Congeneric Components. Multivariate Behavioral Research, 32, 329-353.

「教授為什麼沒告訴我？」

今天聽畢恆達教授之演講「教授為什麼沒告訴我？」，演講內容為學術論文寫作之重點。2小時的演講對於寫作技巧實質的改善有限，但對於研究的概念，倒是能讓我們產生一些省思，我認為是一場挺有收穫的演講。

研究的概念：

"A way of seeing is always a way of not seeing."每個人因為生長與學習背景不同，各有自己感興趣的故事與獨特的觀點，也因此每個人都是以自己的角度去看待同一件事務，可能因而忽略該事務不同的其它面向。每個人都必須要有主觀性（亦即老師常說的bias），它是人們之所以能理解或認識世界的基礎，但我們做研究時，應避免我們們的主觀性/先入為主而限制了對於事務的探索或瞭解。

寫作重點：（以下兩部份亦為我認為論文中很難寫的部份）

1. 文獻回顧：並非將文獻剪貼集合，而是使用重要文獻，並描述、分析、整合與批判之。文獻回顧須連結自己的研究問題，並注意前後呼應。

2. 結論：須跳脫研究細節，將整份論文視為整體，討論本研究在學術地圖之地位（例如：What's new? So what? Who cares? Why not? Why matter?），並提供未來研究建議。

英文學習之主要問題

以下為近半年多來練習英聽語口說時，常被Lynn提醒之問題：

1. 較難掌握非結構式的對話，例如：聊天或影集，因無法預期講者或迸出什麼話題
2. 無法理解生活化詞彙或會話，例如：俚語或笑點
→上述2點，建議可多看外國影集

3. 同義詞代換不足
→可運用線上同義詞辭典，寫作時較需要同義詞代換，口說則不一定

4. 英聽時較少注意連接詞，多只聽到熟悉的單字就趕緊記下來
→連接詞才是語氣轉換之關鍵，否則無法連貫

5. 口說缺乏架構，常片段片段地將英聽內容說出
→應像寫作一樣的架構，在開頭句即說出主題，之後再詳細解釋此主題。因此聽英聽亦然，通常第一句是重點。

寫作之問題

藉由暑假這幾次密集的投稿經驗與審查者的建議，我發現自己在寫作上有幾個很大的問題：
1. 描述 / 討論過去文獻之篇幅不足
2. 寫作的廣度與深度不足
3. 前言所提之論點未連貫至討論中說明

...待續>"<

要多加油才行！