研究核心能力自評（四）
2019.04（博五下） <-- I am here!
2018.04（博四下）
2016.05（博二下）
2014.05（碩一下）
間隔一年後再評，仍感到自己於各方面之成長。相較於前一次之進步大多為「從不會到會」之改變；當下之重點應為「更有效率之完成」，以及提升「學習新事務」之效率。以下就幾個較有想法之向度進行簡要紀錄。
閱讀方面「小有進步」。於領域內之論文，大多可以快速且有效地閱讀，並主動蒐集自己所需之資料。達成目前成果之可能要素有三：(1) 對論文結構之瞭解：有助提升閱讀速度（快速掌握文章脈絡），並提升主動蒐集資訊之效率；(2) 對研究議題/價值之瞭解：有助於瞭解研究議題之定位，進而理解其研究與應用方面之價值，並推未來可能之研究議題/趨勢；(3) 對統計及研究方法之瞭解：能自行解讀研究數據，並得以與作者（之討論段落）對話，從而獲得樂趣/成就感。然而，上述優勢僅限於領域內之論文，對於領域未知論文掌握度較低（僅能仰賴閱讀技巧以掌握大致內容，約5至7成），且目前熟練之領域相對較窄，能快速且有效閱讀之文章種類仍十分有限。未來宜繼續累積領域及技術知識，以進一步提升閱讀能力。
統計方面「稍有進展」，但實際應用層面之成長。這一年來有大量資料分析之機會，除常見心理計量特性之分析外，亦累積不少模擬分析（如結合篩檢與CAT之語法）、語法修改（如將MATLAB轉Python）及協助平台發展（如CAT-Osteo、CAT-SK及CAT-5F等）之經驗，有助於強化資料處理之能力。當中收穫最大者為「建立excel模擬CAT施測流程模版」以及「半自動化CAT模擬分析語法」：於建立過程中除能加強對IRT/CAT算則之瞭解外，亦得到二項可彈性調整向度以適用不同資料之分析工具，有助於提升未來新CAT之發展速度。反之，當中難度最高且費時最長者為「CAT分析語法移植（語法修改）」一項：由於對Pyhton語法所知有限，且對資料格式與函數宣告皆不熟悉，儘管已有現成MATLAB語法可餐參考，仍花費大量時間進行編輯及除錯。儘管如此，考量Python為後續tensorflow應用之主要環境，相信前述投入應不白費。
寫作方面「稍有成長」。練習之經驗主要來自於稿件撰寫、回覆審查意見及與高手切磋之過程，目前對於中/英文稿件應能達成一定之可讀性。然而，目前之主要瓶頸為：「稿件產生之速度較慢」及「初稿邏輯完整性可能不足」。稿件產生之速度較慢，可能是因「消化並解讀分析結果之時間較長」所致，如近期之FER-Screener及CAT-SM-FER（博論題材），於分析及解讀階段皆需經過1至2週以上時間反覆思考，才能產生較確定之方向。此過程中雖可與高手切磋交流，有助於拓展對議題瞭解之廣度；然而，此瓶頸偏屬自己「想清楚」之能力不足，且在想清楚之前，討論能提升的部分相對有限，故目前暫未找到有效加速之方法。所幸若為熟悉之題材（曾思考過之議題），於第二次之再執行之速度皆有顯著提升，故此問題應可隨著思考之內容/頻率增加而獲得改善。關於初稿邏輯性不足，主要問題可能來自於「未能兼顧整體文章脈絡」所致。但依過去經驗，反覆練習並加強掌握全文連慣性之掌握度，搭配與共同作者密切合作，應能降低此問題帶來之影響。
2019/4/10 note:寫完上述內容後，似想到可能之問題/解決方法。思考速度緩慢，主要問題是缺乏判斷標準/目標，而只能逐一釐清所致。若能更快確立目標，比較不同評判方式，應能加速思考過程，進而改善效率。
時間管理方面「稍有成長」，或與之前投入「任務管理」技巧漸成熟有關。例如，現有工作管理大多已標準程序化，且許多文件與記錄皆為有模版可參考，能大幅降低任務追蹤與管理之負擔。然而，此方面仍有3項瓶頸：(1) 對長期追蹤之任務效率有限：為期較長之任務，特別是已告一段落而需後續追蹤之任務，可能因一時忙碌而未能落實追蹤，進而導致疏漏；(2) 對大型任務起始困難：這比較偏屬心態問題，可能因主觀感受困難/麻煩，進而延誤任務開始之時間。雖至今沒有造成嚴重之失誤，但仍為計畫與執行間的落差，終是不妥，或可藉由調整計畫（將可能拖延之時間納入考慮）之方式，以落實計畫及實踐之程序；(3) 排除雜物之能力有限：可能影響主任務之執行效率。有鑑於一些瑣碎事務難免，或可藉由加強「延後處理雜物以保障主要任務」之原則，並「善用零碎時間處理雜物」，以改善現有問題。
2018.04（博四下）
2016.05（博二下）
2014.05（碩一下）
間隔一年後再評，仍感到自己於各方面之成長。相較於前一次之進步大多為「從不會到會」之改變；當下之重點應為「更有效率之完成」，以及提升「學習新事務」之效率。以下就幾個較有想法之向度進行簡要紀錄。
閱讀方面「小有進步」。於領域內之論文，大多可以快速且有效地閱讀，並主動蒐集自己所需之資料。達成目前成果之可能要素有三：(1) 對論文結構之瞭解：有助提升閱讀速度（快速掌握文章脈絡），並提升主動蒐集資訊之效率；(2) 對研究議題/價值之瞭解：有助於瞭解研究議題之定位，進而理解其研究與應用方面之價值，並推未來可能之研究議題/趨勢；(3) 對統計及研究方法之瞭解：能自行解讀研究數據，並得以與作者（之討論段落）對話，從而獲得樂趣/成就感。然而，上述優勢僅限於領域內之論文，對於領域未知論文掌握度較低（僅能仰賴閱讀技巧以掌握大致內容，約5至7成），且目前熟練之領域相對較窄，能快速且有效閱讀之文章種類仍十分有限。未來宜繼續累積領域及技術知識，以進一步提升閱讀能力。
統計方面「稍有進展」，但實際應用層面之成長。這一年來有大量資料分析之機會，除常見心理計量特性之分析外，亦累積不少模擬分析（如結合篩檢與CAT之語法）、語法修改（如將MATLAB轉Python）及協助平台發展（如CAT-Osteo、CAT-SK及CAT-5F等）之經驗，有助於強化資料處理之能力。當中收穫最大者為「建立excel模擬CAT施測流程模版」以及「半自動化CAT模擬分析語法」：於建立過程中除能加強對IRT/CAT算則之瞭解外，亦得到二項可彈性調整向度以適用不同資料之分析工具，有助於提升未來新CAT之發展速度。反之，當中難度最高且費時最長者為「CAT分析語法移植（語法修改）」一項：由於對Pyhton語法所知有限，且對資料格式與函數宣告皆不熟悉，儘管已有現成MATLAB語法可餐參考，仍花費大量時間進行編輯及除錯。儘管如此，考量Python為後續tensorflow應用之主要環境，相信前述投入應不白費。
寫作方面「稍有成長」。練習之經驗主要來自於稿件撰寫、回覆審查意見及與高手切磋之過程，目前對於中/英文稿件應能達成一定之可讀性。然而，目前之主要瓶頸為：「稿件產生之速度較慢」及「初稿邏輯完整性可能不足」。稿件產生之速度較慢，可能是因「消化並解讀分析結果之時間較長」所致，如近期之FER-Screener及CAT-SM-FER（博論題材），於分析及解讀階段皆需經過1至2週以上時間反覆思考，才能產生較確定之方向。此過程中雖可與高手切磋交流，有助於拓展對議題瞭解之廣度；然而，此瓶頸偏屬自己「想清楚」之能力不足，且在想清楚之前，討論能提升的部分相對有限，故目前暫未找到有效加速之方法。所幸若為熟悉之題材（曾思考過之議題），於第二次之再執行之速度皆有顯著提升，故此問題應可隨著思考之內容/頻率增加而獲得改善。關於初稿邏輯性不足，主要問題可能來自於「未能兼顧整體文章脈絡」所致。但依過去經驗，反覆練習並加強掌握全文連慣性之掌握度，搭配與共同作者密切合作，應能降低此問題帶來之影響。
2019/4/10 note:寫完上述內容後，似想到可能之問題/解決方法。思考速度緩慢，主要問題是缺乏判斷標準/目標，而只能逐一釐清所致。若能更快確立目標，比較不同評判方式，應能加速思考過程，進而改善效率。
時間管理方面「稍有成長」，或與之前投入「任務管理」技巧漸成熟有關。例如，現有工作管理大多已標準程序化，且許多文件與記錄皆為有模版可參考，能大幅降低任務追蹤與管理之負擔。然而，此方面仍有3項瓶頸：(1) 對長期追蹤之任務效率有限：為期較長之任務，特別是已告一段落而需後續追蹤之任務，可能因一時忙碌而未能落實追蹤，進而導致疏漏；(2) 對大型任務起始困難：這比較偏屬心態問題，可能因主觀感受困難/麻煩，進而延誤任務開始之時間。雖至今沒有造成嚴重之失誤，但仍為計畫與執行間的落差，終是不妥，或可藉由調整計畫（將可能拖延之時間納入考慮）之方式，以落實計畫及實踐之程序；(3) 排除雜物之能力有限：可能影響主任務之執行效率。有鑑於一些瑣碎事務難免，或可藉由加強「延後處理雜物以保障主要任務」之原則，並「善用零碎時間處理雜物」，以改善現有問題。
留言
張貼留言