Google spam test的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

法律資料分析的優化與應用：以離婚後未成年子女親權酌定的裁判為素材

為了解決Google spam test的問題，作者姜晴文 這樣論述：

夫妻離婚後，法院如何將具有高度不確定性之「子女最佳利益原則」，貫徹於實際親權酌定個案中，往往是當事人激烈爭議的焦點。儘管有民法第1055條之1提供各項判斷方針，依然難以解決「子女最佳利益原則」判斷標準模糊不明之困難。本研究統計民國98年1月1日起至106年12月31日止全台地方法院有關親權酌定第一審的2,775件裁判，計未成年子女4,340人，計劃透過實證裁判的統計與量化分析，以歸納法試圖尋繹出親權酌定在實務案件的實踐原則。 本研究之取樣係以司法院法學資料檢索系統為範圍，而法院設定裁判不公開之作為並非隨機，此將影響研究取樣的隨機性，而成為本論文所有統計量化分析與立論的最大限制。再者，本

研究事實的認定以裁判書為準，採法官的觀點，不作事實認定的工作，故而本論文預測模型的預設使用對象為法官、而非律師或當事人，並無取代律師、法官的可能。第三，本研究僅以研究者一人間隔一段時間重新編碼的方式改正失誤，防錯、偵錯、除錯的機制均不夠嚴謹。最後，目前裁判書的編碼工作尚未找到可以避免觀察者錯誤效應的標準流程，可能會因此導致預測模型準確率的高估。 本研究羅列了對數機率迴歸、決策樹、隨機森林、梯度型推進決策樹、類神經網路等5種預測工具。發現它們預測裁判結果的準確率差別有限，皆可達95.5%以上，整體而言本研究的資料型態較適合使用梯度型推進決策樹。若使用本研究建議的客製化流程，準確率可再提高，

且預測的信度上升。為解決預測模型「解釋性受限」的問題，本研究提出在預測模型之外另行建構論理模型的主張，根據本研究的樣本完成樣式化論理模型－－以親子意願交叉比對、輔以親職能力、現住所等因素所建構的高維複合邏輯路徑模型。不管是整體樣本、或其他分眾樣本，其解釋覆蓋率介於96.93%-99.27%，已能成功擔當實證裁判研究的論理任務。 我們以前述5種客製化預測模型逐年滾動分析近五年的裁判資料，發現準確率維持在97.25%-99.86%之間，可見這5種預測模型都具有預測全新未知樣本的能力。雖然進一步科曼哈卡方檢定發現103年的資料因為無書狀母親的事件較多而與其他年份的資料在分布上有顯著的不同，唯不

影響本研究預測模型與論理模型的表現。 本研究進一步分析與親權酌定相關的28種因素，發現當訴訟一方為外籍配偶、或有一造未到庭且無書狀聲明陳述意見時，其對造都有較高的比率取得未成年子女的親權。在地域的分布上，一造未到庭且無書狀聲明陳述意見的事件比較偏向非六都地區。 子女年齡與親權歸屬有關聯性，分別在0-2歲、及14-19歲的兩極出現親權歸母的高峰。本研究在論理模型的導引下，發現這是因為「幼兒從母」、「中兒唯父有意」及「大兒擇母」三股不同力量共同作用的結果，而後兩者都與外籍母親有關。至於其他因素，除子女的排行、父母教育程度與親權歸屬無關之外，主要照顧者等另18個因素的組間比較都達顯著差異

。我們利用對數機率迴歸，檢定出權值較大的9個因素依序為：父母意願、子女意願、親職能力、父母品行、支持系統、主要照顧者、現住所、經濟能力、對子女有不當行為。 本研究發現，社工的利用率高（95.36%）且98.74%的親權建議與裁判結果相同。而程序監理人、家事調查官則利用率低，分別為1.32%、及1.48%。程序監理人97.62%的建議與裁判結果相同，家事調查官則是100%一致。 有關外籍配偶，本研究發現有著城鄉分布的差距：以台籍父母為基準，陸籍配偶的分布偏向六都地區，而越印等其他籍則偏向非六都。個別因素分析結果，不論陸籍或越印其他籍母親組，法官裁判標準其實是一致的－－都是以父母及子女

的意願最具影響力。細部檢定發現，台籍、陸籍、越印等其他籍母親出庭有書狀的比率出現由高而低的變化，她們取得親權的比率也是如此趨勢。即便有書狀的外籍母親，其獲得親權的比率還是不如台籍。本研究藉由七維表格分析、樣式化論理模型的樣本流檢定等數據，進一步分析發現外籍母親在親子意願、及主要照顧者、現住所、支持系統都是有利父多於有利母，且達顯著差異，試圖說明為何外籍母親取得親權的比率會低於台籍母親。

基於預訓練模型的抽取式文件摘要之研究

為了解決Google spam test的問題，作者吳政育 這樣論述：

目前主要的自動摘要方法，可以分為抽取式摘要(extractive)與重寫式摘要(abstractive)。在本文中，我們提出無監督學習以及監督學習且基於 BERT 的摘要任務架構，首先，我們提出一套資訊擴增之抽取式摘要模型 (Generating Pseudorelevant Representations for Summarization, PRMSUM)，使用生成對抗網路生成偽向量，用以補足文章中句子的資訊。接著我們提出一套新穎的次模函數之抽取式摘要模型 (Submodular-based Extractive Summarization, SUBMODULARSUM)，不僅考慮了次模

函數在抽取式摘要上的應用，更直接地讓神經網路學習次模函數的特性並且讓神經網路代替貪婪演算法選擇摘要句子。接著我們提出覆蓋率之抽取式摘要模型 (Coverage-based Extractive Summarization, COVERSUM)，直接將覆蓋率考慮至模型中，讓模型學習如何選擇有效的句子以覆蓋整個文章。最後，我們提出基於 BERT 的強健性抽取式摘要方法 (Enhanced BERT-based ExtractiveSummarization Framework, EBSUM)，它不僅考慮了句子的位置資訊、利用強化學習增強摘要模型與評估標準的關聯性，更直接地將最大邊緣相關性(maxi

malmarginal relevance, MMR)概念融入摘要模型之中，以避免冗餘資訊的選取。