資訊學群 · 主題 4/6
資訊學群自主學習與探究專題方向：選題、規劃與記錄
「自主學習計畫」是 108 課綱明訂、各校招生指引明確參採的環節，也是你展現主動性最好的舞台。一個構思精良的探究專題，可以成為整份學習歷程的「樞紐」——串連修課紀錄、課程成果、多元表現與自述的錨點。這一頁談選題與規劃。
探究專題選題原則
一份有意義的專題，本質不是課堂作業或單純的解題練習。如同成大資工的定義，它必須以「解決某一問題」為目標，完整展現一個思考閉環：
- 識別問題 — 觀察生活周遭，發現一個可被資訊技術改善的痛點（例如「校內社團的會議時間總是喬不攏」）。
- 設計方案 — 構思一個可行的解決方案（例如做一個讓成員填寫可行時段的網頁應用）。
- 執行開發 — 把想法轉化為實際的程式碼。
- 反思與迭代 — 評估成果，思考哪裡可以做得更好。
專案規模可大可小，關鍵在於完整展現解決問題的思維閉環，而非最終成品的技術複雜度。 選題時，讓問題來自你真誠的好奇心，而非為了「看起來厲害」。
選對程式語言：訊號比優劣重要
選擇哪種語言進行自主學習，關鍵不在語言的「優劣」，而在它向教授傳達了何種訊號。
| 語言 | 常見專案類型 | 適合的方向 | 傳達的訊號 |
|---|---|---|---|
| Python | 資料分析與視覺化、機器學習、LLM API 串接與 RAG 問答工具、AI Agent、網路爬蟲 | 資工（AI、生成式 AI、資料科學）、資管（商業智慧、資料探勘、AI 應用） | 關注前沿應用，具備數據驅動的問題解決思維 |
| C++ | 演算法實作與效能分析、小型遊戲引擎、系統層級工具、物理模擬 | 資工（作業系統、資料結構、演算法、計算機結構） | 具扎實的計算機科學理論基礎，不畏複雜度，有志深入系統底層 |
| JavaScript / Web | 互動式網頁應用、作品集網站、線上工具、資料視覺化儀表板 | 資工（軟體工程、網路程式設計）、資管（電子商務、人機互動） | 具產品化與使用者導向思維，能從頭到尾打造可用成品 |
Python 因學習曲線平緩、函式庫生態豐富，通常是第一個自主學習專案的最佳選擇。在 AI 編程助理普及的 2026 年，「會不會寫某語言的語法」鑑別度下降，自主學習的敘事重點應放在「我如何理解這個解法為何有效」「我如何找出並修正 AI 生成程式碼中的錯誤」，而非單純展示能跑的成品。
探究專題的方向（2026）
- 資料驅動的分析與視覺化 — 收集公開數據，清理、分析，以網頁儀表板或 Jupyter Notebook 報告呈現洞見。
- 網頁應用程式/服務 — 為校園或社群的實際問題打造工具，展現前端、後端、資料庫與使用者導向設計的綜合能力。
- AI/ML 探索 — 將預訓練模型應用於新穎資料集，或串接 LLM API、用 RAG 打造特定主題問答工具、設計簡單 AI Agent。重點是說明原理與限制，而非「呼叫 API 就完成」。
- 演算法/系統實作 — 從教科書挑一個複雜資料結構或演算法親手實現，甚至將效能視覺化，或建立簡單模擬器（如交通流量模擬）。
- 物聯網（IoT） — 用 Raspberry Pi 或 Arduino 打造能與現實互動的裝置。
自主學習計畫的執行與規劃
把自主學習時間當成一個「迷你研究專案」來經營：
- 立項與計畫 — 明確定義「問題」（對某項技術的無知）、「任務」（掌握其原理並完成一個小型專案）、「行動」（每週學習進度、參考資料、實作步驟）。
- 詳實記錄 — 計畫內容、執行過程、成果與反思都應被詳盡記錄。這份文件本身就是一份極具份量的「課程學習成果」。可用部落格、HackMD 或私人 GitHub 儲存庫，留下一本「實驗記錄本」。
- 串成樞紐 — 一個完整的學習路徑是：在自主學習計畫中立項 → 用線上課程所學實作 → 在技術部落格記錄挑戰與心得 → 程式碼託管 GitHub → 在 SITCON 等社群分享。如此，專案就成為串連各項資料的強力證據，讓你說出一個有說服力的故事：「因為好奇，所以學習；因為學習，所以創造；因為創造，我分享並成長。」
三學年探究節奏
- 高一：探索與奠基 — 廣泛接觸資訊領域不同面向，專注核心學科，養成記錄學習心得的習慣。
- 高二：深化與實驗 — 聚焦一至兩個最感興趣的主題，善用自主學習時間執行規模可控的個人專案，建立 GitHub 帳號。
- 高三：統合與敘事 — 回顧並完善核心專案，特別加強文件紀錄與反思，把零散素材提煉成一個有主題的完整故事。