GPT解答

們來逐步拆解這個概念：

假設查詢結果排序如下（前 5 筆）：

排名	結果是否正確
1	❌
2	✅
3	❌
4	✅
5	✅

ㅤㅤ

✅ 出現在第 2、4、5 筆（共 3 筆正確答案）。

? AP 的計算邏輯是：

每當我們遇到一個「正確答案」，就：

1. 算出它「當下排名前的 Precision」

2. 把這些 Precision 加總

3. 除以正確答案數量（這裡是 3 筆）

✅ 所以：

• 第 2 筆是第 1 個正確答案，此時前 2 筆中有 1 筆是對的 → Precision = 1/2 = 0.5

• 第 4 筆是第 2 個正確答案，前 4 筆中有 2 筆是對的 → Precision = 2/4 = 0.5

• 第 5 筆是第 3 個正確答案，前 5 筆中有 3 筆是對的 → Precision = 3/5 = 0.6

⛔錯誤理解（你提出的）是：

Precision = 1/4（在第 4 筆出現）

這樣的計算忽略了「這是第幾個正確答案」，以及「前面有幾筆是對的」，而 Precision 的分子其實是「累計的正確答案數」。

✅簡易總結：

正確答案出現位置	Precision (前面正確筆數 ÷ 當下排名)
第 2 筆	1 / 2 = 0.5
第 4 筆	2 / 4 = 0.5
第 5 筆	3 / 5 = 0.6

ㅤㅤ

ㅤㅤ

✅ 一、關鍵策略：拆字理解 + 邏輯推測 + 比較分析

即使不知道定義，也盡可能寫出以下內容：

1. 拆字解釋字面意義（分數保底）

• MRR = Mean Reciprocal Rank
  → 可能與「排名的平均倒數」有關（推測：找資料時越早找到正確的越好）

• MAP = Mean Average Precision
  → 可能是「多個查詢下的平均精準率」（推測：越精準越好）

• NDCG = Normalized Discounted Cumulative Gain
  → 看起來是「加權的分數，但有折扣，還標準化了」（推測：越相關越前面越重要）

✅ 你可以這樣寫（模擬考場語氣）：

MRR、MAP 與 NDCG 為資訊檢索系統中常見的評估指標，雖對其公式不熟，但可從字面略作推測：

• MRR（Mean Reciprocal Rank）推測為針對搜尋結果中第一個正確答案的排名做平均倒數，可能用來評估查詢時越早出現正確答案越佳。

• MAP（Mean Average Precision）則應為整體平均的精準率，評估所有查詢結果的整體正確率與一致性。

• NDCG（Normalized Discounted Cumulative Gain）字面上帶有「累積」「折扣」「標準化」三層含義，推測為一種依據項目排名與相關性權重所計算的評分方式，能反映結果排序的品質。

此類指標可作為資訊檢索系統與圖書館搜尋系統性能的重要依據，協助優化排序與使用者經驗。

✅ 二、延伸應對策略：套用一般資訊檢索知識

即使不熟名詞，這類題目通常還是跟：

• 查詢正確率（precision）

• 排序好壞（ranking quality）

• 結果數量與順序（relevance vs. position）

有關，你可以補充：

• 這些指標幫助系統優化搜尋結果排序。

• 可以應用在 OPAC 系統、圖書館數位資源、資料庫檢索評估等。

✅ 三、千萬不要空白，以下是你最低保底策略：

如果真的完全沒看過這些詞，寫個通則型答案仍然可得分：

雖不熟悉 MRR、MAP 與 NDCG 的確切公式，但推測此類指標皆為用來評估資訊檢索系統的查詢準確性與排序效果，與使用者體驗和檢索系統效能密切相關。不同指標可能重視不同層面的表現，如精確率、召回率、正確答案出現的位置、以及正確項目的排序等面向。圖書館可依據此類指標改善 OPAC 或資料庫的搜尋功能。

?總結：考試遇不熟名詞怎麼辦？