70
名額
33
已選
37
餘額
上課時間
二/5,6,7[M007]
修課班級
共選修1-4(社科院開) · 1年級以上
課程資訊
「教育大數據微學程」選修課程
選課分析
| 課堂參與出席 | 15 | 每週上課點名，期末出席成績由 R 軟體隨機選出五週計分。若需請假，請將請假證明寄至教師 email 或於學生資訊系統請假。 |
| 平日作業及小考 | 25 | 包含隨堂電腦軟體操作、輸出及對輸出結果的詮釋。 |
| 期中口頭小組報告 | 15 | 包含關於 R 軟體的操作與分析內容的詮釋；請針對所選資料之研究議題做出之視覺化分析與詮釋，每位小組成員都須上台報告，若未報告或未出席則以零分計。 |
| 期中書面小組報告 | 15 | 包含關於 R 軟體的操作與分析內容的詮釋；請針對所選資料之研究議題做出之視覺化分析與詮釋，引用及書寫格式請比照期刊撰稿體例，若有抄襲之情事以零分計。 |
社會科學領域的經驗研究過程中，往往會牽涉到資料的蒐集，而資料視覺化就是將龐大雜亂的資料轉換成較容易理解的圖像。好的圖表可以有效的將資料所包含的資訊向讀者溝通，但不好的圖表可能反而會誤導讀者。 資料視覺化對於清理資料、探索資料結構、偵測界外值（outliers）及異常群體、辨識趨勢及叢聚（clusters）、發現局部模式（pattern）、評估模型分析輸出（output）、與呈現分析結果，都相當有幫助。資料視覺化分析對於探索性數據分析（exploratory data analysis）及潛在變項分析（latent variable analysis）更是不可或缺的。 本課程主要目標為使用 R 軟體與真實社會科學調查的資料，透過資料視覺化分析來展現資料中的資訊。課程前半學期會先介紹圖像理論的概念，再透過實際操作與具體設計並畫出統計圖像、詮釋統計圖像的經驗，有效率地理解探索性資料視覺化。課程後半學期，會介紹如何將大多數研究者感興趣、卻無法實際量測到的概念或態度，使用視覺化的模型進行分析。完成課程後，學生將能夠使用 R 語言繪製圖表，並進行潛在變項分析與解釋分析結果。
(1) Kieran Healy, 2019, Data Visualization: A Practical Introduction, Princeton University Press: Princeton and Oxford.
(2) W. Holmes Finch, Brian F. French, 2015, Latent Variable Modeling with R, Routledge.
查詢過去本課程開課紀錄：
資料視覺化 歷史開課紀錄