Data for Social Good Data for Social Good
  • 最新消息
    • 佈告欄
    • 熱門活動
  • 資料英雄計畫
    • 團隊募集
    • 專案成果
    • 資料英雄榜
  • 媒體報導
  • 聯絡我們
  • 最新消息
    • 佈告欄
    • 熱門活動
  • 資料英雄計畫
    • 團隊募集
    • 專案成果
    • 資料英雄榜
  • 媒體報導
  • 聯絡我們

紀錄

  • Home
  • 紀錄
26 12 月

[心得] 用數據預測危機,一個社工系學生的學習之旅

  • Posted by 胡 馨勻
  • Categories 紀錄
  • Comments 0 comment

參加初衷
一開始之所以會參加資料英雄計畫,是因為看到大數據運用於商業、行銷,並大致了解大數據的概念之後,覺得如果可以把大量資料分析並預測、調整作法的概念運用於社會工作領域上面那該是一件多麼美好的事,不但可以較容易了解擁有什麼樣行為模式的案主比較可能發生狀況、讓社工可以加強對他們的處遇,將預防做得更全面,同時也可以讓社工人員追蹤什麼樣的處遇方式對什麼樣的個案可能最有效果,將最適當的資源放置在最需要的地方,減輕工作的負擔。抱持著這樣的想法,某一天在網路上搜尋時正好看到資料英雄計畫之前做有關於火災預警以及台北市家暴防治的成果,覺得這是一個可以對資料科學增進了解,同時也了解自己想法實際行動的樣貌,於是就報名,幸運地獲選入高風險危機示警的計畫中,也看到了當初未曾想過的風景。
對高風險系統的認識
雖然身為社工系的學生,對於社會工作的工作方法、社會福利及輸送的體系有大致知識上的了解,但是實際上在台灣每個縣市政府下的社會安全網是如何被建構、系統的運作流程及方法也都不盡相同,我也沒有對這部分有進一步的了解。整個資料英雄計畫中最重要的部分大概就是對於新北市高風險系統運作流程的了解了,唯有了解整個高風險運作體系以及高風險中心在當中扮演的角色,才知道要用什麼樣的資料以及用什麼變項來分析,分析結果才可以對高風險中心的業務產生效益。新北市的高風險系統真的做得非常完善,從通報、成案、派案到開案、結案,除了社會局以及高風險中心本身以外,還結合了九個局處一起來為高風險家庭及兒童服務,透過高風險中心的同一派案可以讓個案儘快至適當的局處接受服務,達成個案管理的效果,除了讓個案能夠獲得最需要的資源與服務,也能減少各局處做重複業務的行政成本。
不過於此同時,也了解了中央與地方上的差異,高風險的通報標準是中央政府訂出的,不過對於高風險家庭卻沒有確切的定義,各縣市政府的流程及方法也不同,不只如此,中央與地方的資訊系統也不一致,工作人員要適應不同系統,每個系統也都有很多內容或是步驟、有一定的複雜度,導致還要花費額外的時間去適應以及填寫不同的欄位,若是中央和各地區的系統可以整合成同一個的話,不僅同樣一份資料只要寫一次,若要轉介至其他縣市,也可以方便工作人員進入狀況,銜接服務。
對資料分析過程的觀察
而這次計畫讓我收穫最多的當屬於資料分析的部分了,不但實際參與了整個過程,也讓我了解如何將不同的統計方法應用於真實的情況中,也開始學習一點R語言。
我覺得在資料分析中,除了對於整個系統與狀態的了解以外,最重要的即是資料取得的來源與定義,因為這樣才能夠對資料做最合適的處理,做出來的結果才能產生意義。在決定到底要做什麼內容之前,需要不斷討論、不斷了解、不斷確認,一來是要確認哪些資料是可以使用的,包含資料的內容、什麼狀況會填答、填答的狀況是否有許多空值等等,也要確定什麼題目是對需要資料分析的單位是有意義的,所以要確認題目就要花費很長一段時間,這是我始料未及的事。
高風險中心給我們數萬筆資料,但許多欄位是一些基本資料的描述,是質性的資料無法分析,或者因為制度設計上並沒有強制規定一定要填而產生了許多空值,同時也有產生因為資訊系統勾稽上產生的問題而導致的困難,所以光是確定要做的題目是不行的,要清理資料、確定某一筆資料是可以使用的才能夠真正確定。同時出乎我意料之外的是,原本以為只能做什麼樣的家庭背景或者指標可能較容易進入高風險系統甚至兒童保護系統,後來竟然可以運用通報次數或者燈號的變化等做出預測,又學到了新的想法!
這次的經驗真的很寶貴,不但整體參與了討論的過程,也從其他成員們做的事情當中了解了在處理資料時要做的事情有哪些,而不只是單純的紙上談兵,真的覺得很幸運可以參與資料英雄計畫的高風險中心組!
學R的一些心得想法
最後,在毫無任何R語言基礎即進入專案中的狀況下,為了能夠跟大家一起工作,在暑假時我也開始學習R語言。我所參考的資料是R語言翻轉教室,裡面的課程設計是一課一課進行,會有說明、舉例,同時也可以自行操作,每一課最後都會有作業,可以自己思考。對於不熟悉程式語言的人來說,自學還是會有一定困難。對我來說最複雜的部分應該是在函數裡面要放的內容,或是物件性質的差異,另外,自學課程相較於實體課程困難的部分也還是學生的差異性,每個學生有問題的地方也都不同,不可能面面俱到,有些地方也不一定都說明詳細,需要自行查資料。還有最痛苦的是腦袋中有想法可是無法實現,上網查的時候,可能也因為關鍵字不正確所以也找不到做法。程式碼無法順利運作時,找錯誤也是一個困難的過程,可能還是需要不斷練習、參考別人寫的程式碼才能夠有持續的進步,我也會在學習R的路上繼續邁進。
延伸閱讀

D4SG專案成果:高風險危機警示模組 (新北市高風險中心)
D4SG專案成果:家暴預警與風險管理 (台北市家防中心)
D4SG專案成果:建築物火災風險地圖 (高雄市消防局)
高風險家庭及新北市通報方式
R語言翻轉教室

Read More
01 5 月

D4SG資料英雄計畫-提案單位常見問題集

  • Posted by johnson
  • Categories 佈告欄, 紀錄
  • Comments 0 comment

這是一個讓政府單位、非營利組織快速了解 D4SG資料英雄計畫的說明頁面。

什麼是 D4SG資料英雄計畫?
D4SG 資料英雄計畫,指在透過媒和資料專家與 GOV/NPO 夥伴,以及 Workshop (資料工作坊)、Fellowship (資料英雄之旅) 等實作活動,讓組織的資料可以獲得更多應用,發現並解決更多組織內/外的議題!D4SG資料英雄計畫有兩種主要的活動,一種是短期密集式的 Workshop;另一種是長期鍛鍊式的 Fellowship。Workshop適合初次體驗資料應用的組織;Fellowship 適合資料成熟度較高的組織,根據組織關注議題提出資料科學的創新解方。

可以參與怎樣的活動?
對於資料世界的新鮮人可以先從我們的活動說明會與成果發表會進行了解。你可以查詢 D4SG官網的 Events 頁面,關注最新/過往的活動消息。

Workshop 的活動流程是?

每個人都要帶電腦來查找/整理資料
組織應該派誰來參加?透過報名表格,描述參加者在活動的身份位置和資料專長
GOV/NPO 夥伴們要自備資料(可以是組織或相關政府機關的公開資料)、思考要解決的題目
共同討論工作坊時間:須在週末舉辦,因為除了 NPO 夥伴之外,還需要其他資料科學家與設計師跨領域加入,一起豐富視野和技術
強調活動方式:帶你的資料來(BYOD)、帶你的問題來(BYOQ)


Read More
29 3 月

[心得] 用數據來溫暖社會,一場家暴防治的奇幻旅程

  • Posted by Chen Ya-Yun
  • Categories 紀錄
  • Comments 0 comment

大家好,我是雅韵。
我想分享參與「公私協力 資料治理防家暴」計畫的心得,因為從中我得到太多太多了!
來自心理學與腦科學研究領域的我,清楚地知道創傷經驗對受害個案及周圍親友的影響。因此,藉由資料分析的能力參與第一線社工人員的工作,將是我能以所學,降低家暴事件對於個人、家庭與社會傷害的一個機會。
首先感謝「臺北市家庭暴力暨性侵害防治中心」決定公私協力,參加「D4SG 資料英雄計畫」,讓我有機會貢獻一己之力於如此重要的社會議題上。我參與的資料科學團隊中,有夥伴來自金融業、也有來自科技業,有人因為小燈泡事件而決心親身投入社會議題,也有人希望用看似冰冷的程式語言來溫暖社會。在這樣子綜合的團隊裡,我看到了跨領域合作的優勢,每個人貢獻所長、每個人也以不同的觀點切入問題,讓資料能夠被更全面的詮釋以及更快的完成分析。
「資料治理防家暴」計畫在大家利用下班時間投入於社會議題的熱情當中有了初步卻也重要的成果。在三個多月的團隊合作期間,社工師的寶貴經驗、國內外的相關文獻回顧以及個案管理的工作記錄,包括數據與文字資料,讓我們經歷了一場數據、理論與實務經驗結合的奇幻旅程。這趟旅程,順利產出兩個成果,分別是:「家暴通報地圖」與「親密關係暴力風險指標」的建立。
「家暴通報地圖」讓我們了解鄰里的收入高低、職業種類、社區是老舊或新興並不能區別該地區通報數量的高低。怎樣的社會組成會使通報數量上升?可能是家暴數量本身就很多,當然,也可能是個案或者鄰里親友積極守望相助的結果。這部分是數字解釋不了的現場實務面,需要仰賴後續社工人員與里長乃至相關機關的夥伴努力,帶著這份數據、這些家暴通報地圖,深入社區本身,與里長、社區居民共同討論與分享,同時,讓社區中的每位成員都成為改變社區,創造友善和平社區的重要角色。
另一個成果是「親密關係暴力風險指標」,也就是建立了「親密關係暴力再發生的危機指數」,建立這份指標的目的在於希望能讓家防中心及早介入親密關係暴力的處理,促使重複發生親密關係暴力的風險有效下降。受到重複性家暴的個案,會有生理與心理健康方面的問題,此類案件不僅是社工與醫療人員的負擔,其家庭成員日後複製家暴經驗的可能性也會倍增,部分的人出現攻擊傾向,部分的人會成為新家庭的新受害者。我們利用橫斷一年的親密關係家暴紀錄資料來預測個案未來重複被家暴或被通報家暴的風險,若個案第一次被通報時,社工人員就能了解個案屬於高再受害風險,便能更積極有效的策劃協助方案,防止下一次的不幸發生。(目前此模型已完成,進入驗證階段中…)
這個資料治理計畫,其實大家投入最多心力的,並非在於數據統計的部分,反而是在資料分析結果的詮釋。因為在這次的資料當中看到了「主觀經驗」與「客觀真實」之間不小的差距,當看到資料分析的結果與主觀經驗、甚至與過去國內外文獻不一致時,所有人其實都嚇了一跳。但也感謝這個嚇一跳,家防中心決定改變過去一貫的防治宣導政策,改以鄰里差異化取代,以及讓實務經驗與數據科學在未來的工作中並行。而我們資料團隊也從中學了一大課,結果不一致時,我們不斷檢查數據是不是放錯了,是不是用了不恰當的演算法?等等。團隊成員的資料分析能力也因為透過與來自 「智庫驅動」 的資料分析專家一同實戰,有了實質進步。
聽聞最近這些資料分析成果的相關新聞引起了社會波瀾,謝謝大家願意關注在這個議題上。「公私協力 資料治理防家暴」計畫目前看似告一小段落,但其實這只是一小步而已,第一,這些看似固定的地圖是「互動式地圖」,目前只有一年的資料,家防中心預計將往後各年的資料也以同樣的方式整理、呈現,讓參與防治的上下機關以及社會大眾能夠看到社區中每個成員對於家暴防治的努力,需要協助的家庭主動尋求協助、而平常忙於各自工作的鄰居們也有了活絡社區的氣氛的機會,相信一年兩年過去,看著自己的社區的家暴數量因大家努力而逐漸減少,或是因為大家守望相助而使得以往看不見的家暴黑數能夠有機會浮上檯面,都會是一個非常感動的成果,也會是一個向他人證明自己住在好社區的客觀證據。第二為了使資料結果能有更恰當的詮釋,未來還需要仰賴里長、各界專家、第一線的社工人員與家暴防治相關的公私立機構,進行更近一步的研究與實地訪查。敏感性資料去識別化之後,期待各界有興趣的夥伴,無論是學術或是相關防治機構,都可以利用這份資料進行更廣泛的應用或是更深入的研究探討。
謝謝大家,通過這個計畫,我更確信有效利用資料絕對能推進社會福祉。感謝能有這個機會參與如此有意義的計畫!讓我們一同使世界更加美好!
延伸閱讀

「面對家暴 只能被動挨打嗎?」公部門大挑戰 大數據這樣防家暴 (風傳媒 2017/03/06)
觀點投書:一張家暴風險地圖說了什麼?科學分析和社區防治還有話要說 (風傳媒 2017/03/09)
資料治理讓社區對家暴「心裡有數」公部門與社區組織公私協力防暴向下紮根 (臺北市政府社會局 2017/03/15)
北市繪家暴地圖 盼降低再通報個案 (中時電子報 2017/03/15)

Read More
13 3 月

預測模型的準確率 99.9% 就夠了嗎?錯,鍵盤打火英雄告訴你該怎麼辦!

  • Posted by Guo Guan Ling
  • Categories 紀錄
  • Comments 0 comment

如何有效運用人力與資源來宣導火災預防觀念,進而降低火災發生率,一直是高雄市消防局終極目標。
有別於火災風險地圖 1.0,消防局冀望能從建築物角度出發,彙整住戶與周遭環境資料以建構出建物火災風險預測模型。經過多次討論,決議以各式建物混雜的鳳山區為例,希望用機器學習方式得到預測模型。資料英雄用8萬筆資料訓練 DNN 模型,哇!準確率幾乎百分之百,這一切都太完美了,對嗎?

錯!建物有上萬棟,但實際在104到105年間發生過火災數量卻不到一百,像這種非均衡的二分類數據 (1:800) 實務上很常見,高準確率的模型往往只預測一種類別,這就是 Accuracy Paradox!
遇到數據失衡時,我們能怎麼辦?
1. 擴大時間範圍,蒐集更多歷年火災資料
新增多筆歷年火災資料,並重複抽樣出比例均衡的小樣本來訓練模型,來避免數據失衡的問題。
2. 用不同抽樣方法來抽取樣本
下面條列一些經驗法則:
a. 在母數少的類別中隨機複製資料
b. 在母數多的類別中隨機刪除資料
c. 考慮隨機和非隨機的抽樣方法,如分層
d. 考慮不同比例的抽樣方式
3. 嘗試不同類型的演算法
試試其他演算法,如決策樹算法、CART 以及隨機森林等等,或許其他演算法能有效分類。
4. 調整權重因子
確定只能使用的演算法是適當的且無法採樣時,可藉由調整權重或是增加懲罰因子,來平衡數據類別。
5. 嘗試用不同角度或創新想法
考慮是否可以將其拆分為類似的小問題,如把大數據分成許多小類別數據。
許多方法都可嘗試,這次,資料英雄該如何快速找到最佳的方法來破解難題呢?敬請期待。

Read More
18 2 月

右手寫 Code,左手 CPR 的資料英雄

  • Posted by ck
  • Categories 紀錄, 資料英雄計畫
  • Comments 0 comment

「到院前心肺休止」(Out-of-Hospital Cardiac Arrest, OHCA) 佔救護車出勤比例雖低,但是死亡率卻頗高,因此備受緊急救護與醫療界的重視。
高雄市政府衛生局想要分析歷年的 OHCA 資料,改善下列問題:

瞭解 OHCA 發生風險因子與地理分布,以便優化資源配置
分析「旁觀者介入」程度與有效性,調整相關政策規劃與執行
提高存活機率

除了文獻上經常被探討的危險因子,衛生局也想瞭解是否還有尚未被研究的在地性因子。

參與本 D4SG 專案的資料英雄們,技能專長琳瑯滿目,從程式開發、統計分析、資料探勘到系統開發,有人是醫學系學生,有人是消防隊緊急救護員、還有醫院急診部的醫師。
透過剖析真實的在地資料,期望能針對上述三個關鍵問題,找到改善現況的答案!

Read More
09 2 月

[活動速記] D4SG資料工作坊@FCU

  • Posted by johnson
  • Categories 佈告欄, 紀錄
  • Comments 0 comment

籌備多時的 D4SG資料工作坊@FCU 在 1/13 逢甲大學資電館二樓 GPrint 創客中心揭開序幕,本次工作坊共有 30 餘位來自逢甲資訊、統計、經濟等不同領域,完成線上訓練課程或受到老師推薦的同學參加。本次有三個提案單位:家扶基金會、台中市資訊局、台灣環資協會,共帶來六個關於環境保護、家庭扶助、機房空調等面向的資料科學問題。此外,還邀請了兩位來自業界具有數據分析經驗的業師,以及逢甲校內學有專精的教授們共襄盛舉。
在為期兩天 (1/13 – 14) 的工作坊中,所有成員集中火力,以資料科學的力量,為台灣的公益團體盡一份心力。參與的同學們有了接觸真實資料、解決真實問題的揮灑空間。NPO、GOV 的夥伴不僅提供同學們相關的領域知識,並且親身感受黑客松的熱力與資料科學的威力。

最終產生了六組成果:

尋找農地工廠 (台灣環境資訊協會)
農地污染水知道 (台灣環境資訊協會)
共構機房溫場改善 (台中市政府數位治理局)
家訪時數、路程與工作負擔視覺化 (家扶基金會)
經扶系統高風險家庭資料分析 (家扶基金會)
貧窮兒少資料庫時空分析 (家扶基金會)

後續效應

參與環資組的成員將繼續合作,利用政府開放資料進行守護農地計畫。
台中市政府不僅取得階段性成果,更帶回本次活動經驗醞釀下一次的資料工作坊
家扶與逢甲簽訂合作備忘錄,後續逢甲大學各中心可以與家扶中心進行產學合作,接手後續的研究工作。
有四位同學針對關於家扶中心的提案做了延伸應用,並預期將成果發表到 IEEE ICASI 2017上。

最後,感謝各位 NPO、GOV

Read More
09 2 月

D4SG資料英雄計畫-資料英雄常見問題集

  • Posted by johnson
  • Categories 佈告欄, 紀錄
  • Comments 0 comment

有朋友來詢問 D4SG 資料英雄計畫為期3個月的 fellowship 相關問題,一併分享給大家

資料模組化主要是透過怎樣的工具完成呢?
這個部分主要跟專案需求、團隊成員技術交集以及顧問建議有關,譬如「火災火警報案資料探勘」團隊都是統計背景的上班族與研究生,主要採用R語言執行專案;「視障按摩小棧的排班管理」的團隊是 Python + PHP + MySQL。

屬一般上班族的計畫成員大概比例?通常一個計畫每週的開會時間會是在一般日白天嗎?
參加計畫的成員大多是學生 (研究生居多)、研究助理、上班族 (通常是工作三年內)。上班族的成員是團隊主力,大概佔6-7成,所以每週的開會時間會是平日晚上或者是週末。

其每週開會的大概頻率/時間?
團隊會議每週一次,團隊成員、專案顧問與提案單位窗口皆會參與。團隊成員會視專案進度另找共同工作時間。

擔心觸及公司兼職規定,計劃成員是否會有給薪?
關於給薪,目前由提案單位視能力提撥香火錢,名目上政府單位會以專家會議出席費給付。

我目前會使用的工具Excel, Access, SAS, R, SPSS, 本身在公司的工作是做評分模型的開發(使用邏輯斯迴歸),統計背景。若我想6.7月申請資料英雄計劃, 是否建議我需要再增加哪些技術呢?
您的背景跟「火災火警報案資料探勘」團隊成員很類似,可以參考一下他們的專案報告用到哪些技術囉!

Read More
01 11 月

D4SG資料英雄計畫#2 (2017冬) 現正招募中!

  • Posted by johnson
  • Categories 佈告欄, 紀錄
  • Comments 0 comment

《D4SG 資料英雄計畫》是一群相信資料驅動的公共服務能夠促進社會進步的社會企業、學研機構、非營利組織共同發起。
2015 年末,在參加與辦過多場資料科學活動後,我們體會到工作坊與黑客松是極佳的概念測試場域,然而一個資料科學解決方案要能夠完備、可複製仍需要一段時間的用心耕耘。D4SG 與公共服務性組織合作,選擇兼具高度社會影響力與再利用性的資料科學專案,並媒合民間熱血的資料英雄,利用三個月的工作時間共同完成。
我們在 2016 年協同六個公共服務性機構,聚集了超過25位來自民間的資料英雄,產出兩期共五組關於組織營運優化、危機案件預警、環境政策倡議上的在地案例。

現在,2017 年的資料英雄計畫正式展開,我們強烈募集「提案單位」與「資料英雄」,即日起受理報名2016 年 11-12 月招募與審查時間,正式計畫將於明年 2017 年 01-03 月開始執行。請有興趣的公益組織與資料科學愛好者到團隊募集頁面瞭解詳細資訊。
想要近距離了解D4SG計畫嗎?不妨參考我們最近的公開講座:

11/08 網路星期二,『資料力,做公益』- 開創公共服務的新契機
11/09 中研院統計所,D4SG資料英雄計畫,資料驅動公共服務的台灣經驗
11/19 泛.知識節,Data for Social Good:資料科學開創公共服務的新契機
11/30 北醫拇山人文講座,如何在大數據時代提升資料力

圖片來源:wesharepics.site

Read More
21 8 月

打擊家暴的資料英雄

  • Posted by ck
  • Categories 紀錄
  • Comments 0 comment

「我是因為小燈泡事件而選擇加入家暴防治的資料英雄專案。」這是依珊在D4SG資料英雄計畫期中聚會的開場白。

依珊和一群原本不認識的人,因為對於家暴防治懷有相同熱誠而相遇,在每週三晚上七點,往往連晚餐都來不及吃,就匆匆趕赴臺北市家庭暴力暨性侵害防治中心,和該中心的工作人員進行資料分析的工作會議。

這群資料英雄包括能在談笑間完成複雜資料格式轉換與清洗的東尼和Brian、不斷提出關鍵問題的依珊和曜容,在超短時間內讀完十幾篇中英文論文的郁秀、沈默寡言埋頭寫程式的阿泰、以及總是一臉嚴肅思考如何建模的雅韵。
他們的共同目標:

建立家暴風險預警管理模型
降低家暴發生率
提高社工服務效能

在家防中心高度專業的工作同仁帶領之下,經過一個多月的努力,他們逐漸認識家庭暴力的種類、成因與個案處理流程,並開始探索第一手的個案處理紀錄資料。

在社會學的領域,對於家暴危險因子的定義通常是質性的,例如「過往受虐經驗」、「關係衝突」或是「居住穩定性」。為了建立統計模型,資料英雄們持續和社工師進行困難的對話,共同嘗試將這些質性指標轉換為可量化的指標。

在未來的一個月,他們希望能協助家防中心將個案資料整理乾淨,繪製家暴熱點地圖與資訊看板,並初步建置家暴預警分析模型。
加油!
>> 原文取自:DSP智庫驅動官方部落格

Read More
16 7 月

資料科學,打火救人

  • Posted by ck
  • Categories 紀錄
  • Comments 0 comment

對抗火災的最佳策略是採取預防性攻擊,防患於未然。
若用資料科學的語言描述,就是定義問題、資料盤點與清理、分析建模、預測、決策支援。
以高雄市為例,每年的火災案件不到一百件,但是消防隊員還是忙不完。

有一個重要的原因是雖然每年「火災」數量不多,但是「火警」的案件卻是數以千計。

火警和火災,差別只在一線間。家中瓦斯爐燒開水未關,鄰居報案後,消防隊來得及破門而入關掉瓦斯,就只是火警;來不及關掉,就可能演變為造成生命與財物損失的火災了。

不論火災或火警,其危險因子(例如起火原因、建築物特性、人口特徵等等)可能都是共通的,若能評估火警風險,或許就等同建立了火災風險模型。
這即是 D4SG 資料英雄計畫「火災風險地圖」專案正在設法解決的公共問題。

我們很榮幸與高雄市政府消防局合作,號召一群「用資料力做公益」的資料英雄,利用週末和晚上,共同分析過去數年的消防案件,從無到有,開始打造台灣第一個「資料科學,打火救人」的實戰經驗。
高雄,加油!
相關資訊:

打火就打火,談大數據?

>> 原文取自:DSP智庫驅動官方部落格

Read More
  • 1
  • 2
  • >

分類

  • 佈告欄
  • 未分類
  • 紀錄
  • 資料英雄計畫

近期文章

  • Chicken Road casino bonus now
  • 兒少保護高效能網絡合作
  • Madnix fiable joue top
  • 請回答1966 長照專線資料分析
  • 黨產會專案文本分析系統

標籤

OCHA workshop 便民看板 假設檢定 儀表板設計 兒少保護 家暴預警 就業輔導 席次分配 循證治理 急轉診 排班管理 政府採購 數位敘事 文字探勘 文字雲 服務設計 標準範本產生流程改造 水土保持 法律扶助 火災風險 畜牧廢水 知識本體 社工安全 社會救助 空汙 結巴 緊急醫療優化 脫離貧窮 自然語言處理 表單工作流程自動化 資料工作坊 資料治理 資料英雄計畫 跨域合作 農地種電 開放資料 防洪 隨機森林 韌性城市 高風險家庭

彙整

  • 2025 年 4 月
  • 2024 年 5 月
  • 2023 年 7 月
  • 2023 年 2 月
  • 2022 年 10 月
  • 2022 年 7 月
  • 2021 年 10 月
  • 2020 年 10 月
  • 2020 年 5 月
  • 2019 年 12 月
  • 2019 年 8 月
  • 2019 年 2 月
  • 2019 年 1 月
  • 2018 年 12 月
  • 2018 年 11 月
  • 2018 年 7 月
  • 2018 年 6 月
  • 2018 年 2 月
  • 2018 年 1 月
  • 2017 年 12 月
  • 2017 年 6 月
  • 2017 年 5 月
  • 2017 年 3 月
  • 2017 年 2 月
  • 2017 年 1 月
  • 2016 年 12 月
  • 2016 年 11 月
  • 2016 年 8 月
  • 2016 年 7 月
  • 2016 年 6 月
  • 2016 年 1 月
  • 2013 年 6 月

D4SG資料英雄計畫 ©2014-2023