[摘譯] 過去200年，改變世界的關鍵時刻

原文：200 Moments That Changed the World

1812年，全球人類平均壽命不到30歲，乘船跨越大西洋需要好幾個禮拜的時間，民主制度也才剛剛成形。

2012年，全世界大多數的人居住在大都市裡，每年有3000多萬次的航班在天空中翱翔，每天到消費者手上的智慧型手機與平板電腦，數量超過了每天誕生的新生兒。

回首過去兩百年，世界被一連串彼此有關或無關的事件所改變，這些突破、創造、發現、創新、革命，以及人類成就的歷史時刻，構成了人類的歷史，並且形塑了我們今日的生活。

(前往原文網站有放大圖：http://www.time.com/time/interactive/0,31813,2112166,00.html)

[摘譯] 行動學習帶來的十種教育革命

原文：10 Ways That Mobile Learning Will Revolutionize Education
作者：Fabio Sergio
出處：Co.Design: business + innovation + design

智慧型手機以及平板電腦的出現，改變了人類攝取以及分享知識的方式：我們無時無刻的與幾近無限大的知識庫保持著連結的關係。我們可以不用預約就輕易的諮詢各種專家，從非正式的廚藝教學，到大學的專業課程，都只有一觸之遙。每一天，全世界的人們都因著各種新的學習型態而興奮不已，而傳統的教育系統，卻還掙扎在如何利用這些創新來改善自身運作的狀況。

行動通訊裝置已經對人們的學習方式帶來很大的改變，進而使人們對於「學習」的需求也發生了變化。教育產業必須對這些變化有所體認，才不會失去對市場的掌握。

目前教育市場的消費者大致可以分為三類：牙牙學語的幼兒們，觸控螢幕跟紙本書對他們來說是一樣的熟悉與舒適；大學階段的年輕人，已經開始質疑「校園」存在的必要性；已經出社會的專業工作者，希望能繼續精進自己的專業技能，以在惡劣的經濟環境下持續保持優勢。

我們以「行動學習」與「自我學習」（mLearning）為焦點，針對成熟市場以及開發中地區，配合 frogMob 以及世界經濟論壇（World Economic Forum）的研究資料，找出十個行動學習會帶來的教育變革。

1. 持續的進修
傳統的教育模式，指的是在某個教育機構裡註冊，並且在修業年限裡學習，因此大多發生在特定的年齡層與特定地理區域。隨著行動裝置的普及，有越來越多的人選擇了「線上課程」作為進修的途徑，除了年齡層與地域不再受限，進修的主題也更深化到進階的主題，像是「人工智慧」與「博奕理論」等等。


2. 發展中地區教育的蛙跳式發展
持續進修的現象不只發生在已開發國家，發展中地區由於低價的電腦、手機與平板電腦的導入，科技上產生了跳蛙式發展（leapfrogging），也為居民帶來了新的教育機會。


3. 新的年長終身學習者
持續進修者當中有一個新族群：60歲以上的老年人。這些退休者為了與孫子、孫女相處，而開始使用平板電腦，以及電子郵件、社群網路，和視訊通訊等等軟體。


這些已退休的人士，事實上也是相當適合的師資來源。


4. 破除性別藩籬，減少身體負擔
由於行動學習突破了特定地域與特定時間的限制，一些原本無法接受教育的族群，例如某些特定區域的女性，或是行動不便的人士，也重新獲得了受教育的機會。



5. 新的識字能力：軟體
「行動學習」的運作，大量的倚賴電腦軟體，也因此操作軟體以及撰寫程式語言，成了新的基本能力。


6. 教育長尾
當前行動學習的主流是透過影音分享網站來傳遞高等教育的教學影片，但是除此之外仍有長尾的利基市場。例如，Salman Khan 的 Khan Academy，人道組織 MAMA 的簡訊教學等等。


7. 施教與受教者的角色交換
越來越多的學童從小熟悉電腦的操作，並具備影音編輯的能力，這些人會為他們的同儕、甚至師長製作各種教學的影片，從受教者搖身一變成為施教者。


8. 與行動金融、行動健康產生綜效
行動金融與行動醫療比行動教育的起步稍早，也因此有不少參考的價值，而三者的整合更能產生促進經濟發展的綜效。


9. 傳統教育機構的新機會
行動學習雖然不必然發生在傳統的教育機構，但卻可以作為傳統教育方式的補充與延伸。


10. 客製化的教育帶動變革
行動學習的成功，不在於將現有的教育內容數位化與行動化，而在於可以讓使用者自己選擇教育的內容，或是依據使用者的性向與能力提出適當的規劃。

情境感知（Context Awareness）與智慧裝置

情境感知（Context Awareness）其實不是什麼最新的技術，而比較像是一種概念：結合裝置上各種的感應器以及已有的資訊（例如行事曆、通訊錄），可以預測使用者的意圖，並且預先提供適當的反應。

這個想法，主要是 Intel 在 2010 年的開發者論壇上所提出，並且有一整套的使用情境，並預計未來會提出完整的開發工具。詳細的內容可以參考：Context Awareness to Radically Change How We Interact with Technology。

Context aware computing 是讓各種計算裝置表現得有「智慧」的基礎，其實在 Apple 或 Samsung 近期訴求的各種軟體服務當中已經可以看到一些端倪。依據 Intel 的說法，這樣的概念會是使用者經驗設計的技術基礎，而背後的核心技術其實和 Big Data 相似：最佳化與機器學習。

當然，一種概念的實作，同時需要使用情境的設計與工程技術的調校，倒不是光憑創意或是光靠技術能力就可以達成的。所以 Intel 能提供的也只是基本工具和設計指南，真正要落實到裝置的設計上，還是有賴系統整合商本身的努力。

[摘譯][Data Analytics] 從「軟體」公司到「資料」公司

原文：RIP 'Software' Companies; Hello 'Data' Companies - Forbes

軟體公司已死。

販售軟體，聽起來已經像是上個世紀的事情，現在資金都是湧向資料與雲端的服務供應商。

去年（2011）的 Strata Conference 上，一些「軟體公司」很高興的幫自己「正名」為資料公司，Pervasive Software 的技術長 Mike Hoskins 就表示：「Google 跟 Facebook 是軟體公司嗎？並不是的，這些公司提供給市場的，是管理與分析資料的能力。」


RedMonk 的 Stephen O'Grady 也在去年的一場演講中說到：全球前二十名的軟體公司，在 Fortune 500 中的排名是偏低的，當中更沒有任何一家擠進 Fortune 的 top 10。這告訴我們，如果要經營一家軟體公司，最好準備花十年以上的時間來經營與慢慢壯大，....然而，資料是比軟體更好的獲利管道，歡迎來到資料的時代。

對於創業者，Hongwei Zhu 與 Stuart E. Madnick 也建議了一些資料的創新用法：

• 販賣「私有」資料：特殊、專門的資料庫，通常經爭者較少，而利潤較高。
• 資料「再利用」：整合多種資料來源。
• 差異化：以特殊創新的方式重新包裝與利用資料，例如簡化資料的使用流程。
• 分析：利用整合性資料的分析，為日常與策略性決策提供輔助。

[Data Analytics] 用社群網站的活動資訊預測人的性格

無論是占星、血型、八字、紫微斗數，或是性格型態，都屬於把人「分類」的方式，也都各有其傳統與理論。姑且不論一些歷史悠久的命理學派，就以研究人類性格的心理學領域來說，事實上也是資料分析的應用：利用數學模型，把觀察到的人類行為特徵區分成不同的群組。

而將人分群或分類的好處，當然是在於更精確的「預測」。比方說，一般的命理諮詢，就常常會被問到類似「什麼星座的人應該怎樣跟他相處」這樣的問題，表示我們期望能透過適當的分類，而對某個族群的人的行為有更精確的預測。而這種預測，對於行銷來說就有相當的商業價值。

然而，星座、血型屬於個人隱私，心理學的性格分類需要回答比較冗長的問卷，這些都不是一般情況下容易取得的資訊。幸而，目前社群網站流行，不少人每天不發表一下自己的感受就渾身不對勁，這些公開自我揭露的資訊，就變成了另一個將人分群的依據。

今年以來，陸續有心理學家透過分析社群網站上的活動型態，來預測一個人是否出現憂鬱症的症兆，或是預測人格的類型，至於其他的商業活動，其實早就應用在各種網路行銷手法當中。

前一陣子用業餘時間參加了兩個以 twitter 發文特徵來預測性格（反社會傾向與人格特質）的活動，舉辦比賽的單位提供收集到的 twitter 資料以及該使用者的各種人格指標，讓參賽者各自用喜好統計模型來做預測。主辦單位的目的，是希望藉此活動建立一些「使用網路的安全準則」，讓一般消費者可以避免在使用網路的時候，不經意的透露太多個人隱私。

[Data Analytics] 最遙遠的距離

這篇不是要談同名的電影，而是要講機器學習演算法裡的一個觀念：「距離」（distance metric），轉錯台的觀眾可以繼續轉台，謝謝。

之前的一篇文章「機器學習學些什麼」，談到以目的來說，機器學習演的算法可以區分為「分類」（classification）跟「分群」（clustering）兩大類。然而無論是分類或是分群，大多數的演算法都需要用到一個重要的概念：「距離」。

舉例來說，怎麼判斷兩個水果像不像，該不該當成同一類？我們可能會從大小、形狀、顏色或氣味等等特徵的相似與否來做綜合判斷，而這些評判的結果，就是所謂的「距離」。比方說，橘子跟柳丁的距離就比跟西瓜的距離來得近，也就是說：相似度（similarity）越高，距離（distance）就越近。

有的特徵差異是很具體、很容易了解的，例如地圖上的距離，年齡、身高、和體重的差異等等；但有些特徵的差異卻是很抽象而難以表達的，例如愛好食物的種類、職業、國籍，等等。究竟愛吃水果跟愛吃牛排的差異，是不是大於愛吃素跟愛吃雞排的差異？這實在很難比較。

讓我們從實際的例子來看這件事：一個人的國籍是英國，他是跟法國人距離比較近呢，還是跟美國人比較近？從地圖上來看，英國應該是跟法國比較接近，但是從語言上來看卻是美國人跟英國比較相似。這又凸顯了「距離」的另一個問題：當衡量的標準不同的時候，距離也會跟著不同。

要克服這些「定義不明確」、「定義會改變」的狀況，目前比較通用的方式是「以果為因」，讓電腦從大量分類或分群好的資料裡去學習出距離的定義（learning distance metric from data），除了在實務上有效之外，在理論上也符合貝氏機率的觀點。

講了半天，好像還沒講到最遙遠的距離是什麼，這樣有點對不起這個標題。

傳統上，距離的定義是「對稱」的，也就是「我到你的距離」跟「你到我的距離」是一樣的。這在理解上非常容易，台北到高雄的距離，怎麼會跟高雄到台北的距離不同呢？但是近年來，這個限制受到了挑戰，甚至已經被從 metric 的必要條件裡移除了。

我們不妨用另一個例子來看這件事。假設今天吹南風，我坐飛機從台北到高雄需要的時間，跟坐飛機從高雄到台北的時間，是不會一樣的。所以如果我們要量測的「距離」是空中交通所需的時間，那麼自然是不會對稱的。

不對稱的距離，應該也算是種最遙遠的距離吧。