[文獻閱讀]Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke.

研究目的：

比較不同分析模型預測急性中風患者long-term outcome之間的差異。本研究使用machine learning (ML)的運算模型，希望能提升急性中風患者long-term outcome的預測能力。

方法：

本研究使用了ML的三種運算法和傳統的分析方式，比較使用ML是否會比傳統的預測模型更具效能

研究者使用了2種不同的預測模型：(1) 納入所有資料的變項；(2) 僅納入包含在ASTRAL量表中的6個變項。此兩種預測模型利用ML的三種運算法：(1) deep neural network; (2)random forest; (3)regression和ASTRAL量表的預測模型做比較。

結果：

結果顯示在納入所有變項的預測模型中，deep neural network的分析法比其他兩種運算法及ASTRAL量表能更有效預測急性中風患者得預後。由ROC curve的圖形來看，ROC曲線下的面積，deep neural network比ASTRAL量表更具預測能力，並達到統計顯著[0.888 for deep neural network; 0.839 for ASTRAL scale]。然而，random forest和regression的運算法雖然比ASTRAL量表有較好的預測能力，但未達統計顯著[0.857 for random forest; 0.849 for logistic regression]。

在納入6個變項的預測模型中，3種ML運算法雖然都比ASTRAL量表有稍好的預測能力，但皆未達統計顯著[0.853 for deep neural network; 0.828 for random forest; 0.846 for logistic regression]。

討論：

本研究發現使用ML運算法相較ASTRAL量表，更能提升預測急性中風患者long-term outcome的預測能力。三種運算法中，deep neural network的預測效能在納入所有變項及6項ASTRAL的變項時，顯著比其他兩種運算法及ASTRAL更好。所以deep neural network可能是最適合來預測long-term outcome的運算法。

限制：

本研究為單一機構收案，所使用的變項是該機構所使用的評估變項。研究結果可能受到不同機構使用不同評估變項影響。

[AI]20190723彙整

Artificial Intelligence, machine learning, neural network, deep learning概念釐清：

Artificial Intelligence, machine learning, neural network, deep learning之間的關係

machine learning

機器學習(machine learning)是指設計及分析讓電腦可自動學習之演算法。其原理為模仿人類學習的方式，透過使用資料或輸入以往的經驗，取出特徵或經過計算處理後得到有意義的技巧，以最佳化電腦程式的運算效能，並提升其表現。

(此寫法我覺得仍太過籠統，可能要再說明的更具體)

【圖片來源】

But what is a Neural Network? | Deep learning

Summary:

This video talks about neural network, including what the structure consists of and how the neural network works. It used visualized images to make the neural network easy to understand, just like a human’s brain. The process of recognizing things is built on a neural network. For example, if we want to recognize a digit, we should break one picture into many parts. Each part will be seen as a neuron, and all the neurons will make up the first layer. The hidden layers involve complicated processes and in the end the layers will output the correct digit in the end.

Neural network breaks the complicated process into many layers to recognize part of the digit (or function), then combines all the part into a digit (or outcome) to give us a final answer. The methodology uses a regression model: each neuron has a weight and bias to control the outcome within a range. Then if we input an image (or data), the network will recognize and give us an answer.

[python學習]20190624-20190717學習紀錄

目前缺乏實際練習：(挑之後較常用的部分)

1. list, dictionary邏輯及其函數之應用

2. for/while迴圈

3. try/except

4. numpy的應用

[學習]2019.07.16討論紀錄及反省

主題：

溝通能力

閱讀

寫作

[學習]2019.07.02遇到的瓶頸

因為碩一結束了，紀錄目前遇到的瓶頸。 

2019.07~09月請假時間

擬請下列時段：

7/12，家族外出
7/18~7/19，家族外出
7/26，家族外出
9/2~9/5，出國旅遊

共計8日

2018.09.20～2019.02.01總整理(20190201持續更新)

英文

準備英文口頭報告SOP

l   理解並掌握欲報告之主要概念

l   報告前撰寫講稿，並且給LYNN確認英文文法

l   PPT製作時呈現重點，可使用圖表輔助講解

困難及問題(藍色)/解決方法(橘紅色)：

l   理解概念需要先將英文翻成中文，之後再將理解之中文翻回英文確認意思。可嘗試看完文獻後直接用英文寫出本段重點，之後再彙整每段之重點。

l   沒有撰寫講稿之習慣，或事前未規劃足夠之時間準備。養成每周以英文簡短彙整一篇文獻 (前言部分)

l   準備PPT時（以文獻報告為例），會習慣將該文獻之第一段每一段落都做成一張PPT。應該先將概念理解之後，重新排列組合，以凸顯重點。

寫作自我檢核

整體

l   前後是否呼應

l   主題、研究目的、內文是否呼應

l   如果自己不確定是否有寫好（如重要性），可先檢查自己那些文字有提到

段落層級

l   主題句是否凸顯主旨、段落主題

l   是否有結論句

l   結論句是否與之前過多重覆

l   是否包含過多意思相近之名詞

句子層級

l   主詞、動詞是否明確

閱讀文章

單字無法藉由查字典理解

l   整本書/文章前後文是否有提過，或是否有該文字之定義

l   找該作者其他相關文獻之解釋，或其他該領域之學者如何解釋

l   不確定之段落不要自行腦補解釋，應根據白紙黑字理解

分析方法

SPSS統計分析SOP

l   前置：點確定之前都先點"貼上之後"，保留語法

l   確認資料是否有遺漏

l   確認資料之正確性/完整性 (頻率分析)-天花板/地板效應

l   確認資料之分配型態 (描述性統計)-Mean/SD/偏態/峰度

l   遺漏值之補救(是否插補與老師/團隊討論，基本不插補)

l   再測信度(兩兩跑ICC，記得設定ICC model)

l   如果有再測，pool所有評估的時間，然後算MD/SD(SD只能EXCEL彙整之後求出)

l   pair t-test求difference of MD、SD及顯著等級

l   SEM/MDC/effect size之計算(EXCEL寫公式求出)

l   確認誤差異質性 (資料點絕對值後計算相關係數)

l   同時效度/收斂效度/生態效度 (評估工具之間之相關係數)

l   確認重點指標 (表格呈現時之取捨)

概念釐清

1.      評估工具測量到之概念無共識/目前研究對於某一概念無共識（如ToM）

l   彙整目前研究常用之概念為何

l   該研究領域主要研究者寫出來之概念為何

2.      欲分析之項目過多如何判斷？

l   作者採用之計分方法

l   確認標準計分方式

l   確認目前常用之計分方式

 自己應該還有更多不足之部分，想到的話會再更新

[學習]下學期預計修課及寒假計劃

下學期預計修課（如下表所示）

1. 心理及教育學統計（下）將於開學後加簽
2. 預計修研究生英文

寒假計劃

1. 1/14~1/18完成桃療收案資料登錄、匯入電腦測驗之資料及校對宜彥登錄之CONTESS評估結果，但須有另一位研究室成員完成基本資料之校對。
2.  加強英文閱讀及寫作，具體內容為彙整ToM及SP/SK相關主題之文獻，並使用文獻彙整格式、編修檢核表等自我檢查。
3.  複習心理及教育學統計（1/15可拿到期末成績）

[學習筆記]迴歸分析是否能夠探討因果

今天文獻評析小考的題目：

“Q1a. 主題是探討變項之相關，統計分析 (regression) 顯示關連程度，這些代表因果關係嗎？”

檢討前，當然還是先問Google，彙整之後我寫的答案為：
“A1a. 是的，迴歸分析為探討某一變項與另一變項之依賴情形，且就統計方法上，迴歸分析可將兩變項寫出一迴歸分析式，所以此統計方式可以探討其因果關係。但相關分析則僅能探討關聯程度，無法確認誰是誰的因。”(迴歸分析的觀念錯了)

檢討時得到的答案發現自己寫錯了，當下當然覺得很奇怪，為什麼和自己參考的答案不同。
一天的課程結束後，再看一次自己參考的資料，結果發現自己又犯了斷章取義/過度推測的錯誤。

因此重新統整一次迴歸分析與相關分析的比較：
1.  如何決定使用迴歸分析或相關分析的時機？
應從分析數據的目的及數據性質來判斷。迴歸分析為探討依變項(dependent variable)y對於一個自變項(independent variable)x的依賴情形。x可利用實驗設計加以控制，並且藉由迴歸方程式來說明x的改變可能造成y的改變。相關分析是探討兩變項互相依賴之程度，及一起變異之程度。因兩變項間無一方程式可說明兩者的依賴情形，所以沒有自變項與依變項之分。常用於探討測定一群體之變項互相關聯的程度，則採用相關分析。

2. 迴歸分析跟相關分析可以決定變項間的因果關係嗎？
不行，雖然迴歸分析之依變項與自變項間有一迴歸方程式可以說明兩者之間的關聯，但是僅能表示「操作自變項x可能會造成依變項y的變異」，並不能證明x的改變是y變異的原因。相關分析亦不能探討變項間之因果關係，只能探討變項間互相關聯的程度。



之後如果有學到關於迴歸分析或相關分析的概念再行補上。

[定期討論]2018.10.21

觀念釐清

1. 報告時，對於自己要報告的內容要熟悉，最終要做到不需要文字稿就能侃侃而談。
2. 寫作課學習目標：主要於看懂論文/自己寫作能力的培養。重點放在別人怎麼寫，就怎麼解釋。
3. 評析課學習重點：主要在於看懂論文之後，對於論文進行評析。

討論重點

1. 看懂論文應該除了針對段落層級、句子層級去了解語意以外，應該不忘藉由前後文了解整篇文獻的結構。如：如果於方法中覺得不知道為什麼作者這麼寫，可從目的、討論尋找作者是否有說明，可先猜測，如果有猜到作者的想法，那表示閱讀層次提高。
2. 關於統計方法的疑問也可從作者內文中找到答案，也可自己查詢，但是統計方法作者應該會詳細寫出。
3. 研究方法不清楚的地方也可以從論文中找到作者的說明，當然也可以自己找尋相關資料。
4. 每周把握自己與老師討論的時間，警惕自己不要停滯不前。

心得/目標達成度或其他問題
開學至今已過了一個半月，期間也不斷地與老師討論自己的目標。目前自己的學習目標如下所示：
https://docs.google.com/spreadsheets/d/14DJq3-emukT0FnXHuSiVQuSSKi6PMNIo7g-hZpTFpOw/edit#gid=0
英文口說能力
1. 會在課前準備時忘記可以先參考電子字典的念法。與LYNN討論時會太過執著使用文章用過的字，較少使用自己會的詞彙（詞彙量少）
2. 時態容易誤用
統計學
做到每周複習，但是沒有每次都做到課前預習，只有開始上課前有稍微看過當天要上課的PPT。第一次段考過去，覺得可以先把所有考古題的題目都先看過，當作預習的一環。
論文寫作能力
經過三次上課，我覺得大多是我準備不周全，而且這篇文獻做了兩種研究，討論的部分我在分段的地方沒有分清楚，再加上可能我也沒有把整篇文獻看懂，導致我不知道自己在彙整什麼（主題句不清楚、段落主旨不清、沒有完整呈現作者想讓讀者知道的內容等。）
英文/文獻閱讀能力
1. 英文仍然每天都念一篇，之前空中英語教室到期之後就開始訂閱了Advance，最近與LYNN上課/討論，LYNN給的回饋是減少自己上課前的準備時間，這樣才能反應出自己的英文程度。
2. 閱讀文獻可能會太過鑽研單字，可以提醒自己從前後文找答案/推測語意。（如同第一點）
課程準備/課後複習達成度
課前謝老師的課程因為有小考，預習可以做到底標2小時，但是應該可以再多規劃一些時間進行預習。課後因為要寫問題，所以也會逼自己複習，只是可能自己抓重點問問題的技能還要再多加磨練。

[學習筆記]R code筆記及目前遇到的問題記錄

R code筆記

問題與心統助教交流：
Q：計算變異數及標準差使用n或n-1做為分母時，是否有規定什麼時候可以使用n或n-1，還是是依據計算者主觀的想法？目前我認為/理解的概念是如果描述統計資料為已知，不須估計，則自由度為n(分母就使用n)；描述統計資料未知時，則需估計，此時自由度為n-1(分母就使用n-1)。但我不確定是不是就是樣本是否能代表母群的意思？
A：n/n-1 取決於怎麼解讀樣本，如果要用樣本推論母群，那麼變異數就要除以n-1，才會是母群變異的不偏估計。如果不推論母群，那就除以n，表示單純看樣本變異情形。選用什麼當作分母都可以，但是需要解釋為什麼這麼選擇。