[海報] 著色畫之初步分析結果

 ◎分析樣本：
　來自台中幼稚園。共有79位受試者參與本研究；分別為44位男性、35位女性。其中排除一位，因編號29沒有著色畫影片檔案。

 ◎分析使用模型：

　人工智慧模型：YOLO、ResNet50、Fully connected regression
    (別人建立好的模型，在AI領域常在用的模型；並以我們所有的資料訓練過)

　(1) YOLO：輸入成品畫，擷取火車圖

　(2) ResNet50：輸入火車圖，提取特徵數值
　　使用數值：
　　  RGB三原色(red, green, blue)。如數值(255,255,255)/(0,0,0)=白色/黑色。
          三個數字會代表顏色，組成一個小單位。再拿這些數字做運算。

    (3) Fully connected regression：輸入特徵數值，估計兒童生理年齡
      方法：
        給一堆X(數值)，得到Y(年齡/原始分數)的預測值。Y的預測值離真實值越近越好

     *備註：大火車預測度比較好；小火車圖畫起來差異沒太大（原因未探討） 

 ◎分析結果 :

     √共有兩筆資料(validation和train)，研究結果較在意validation的資料之程度大於train。
　　*train：用來讓AI學習如何正確辨識，並預測的一組資料。

     √出來的數值意義：舉例-age，為預測的age跟實際的age多靠近

     √回歸常用：R-squared代表預測力高/低，可正確預測幾%，範圍為0-1(為pearson’s r數值平方)
　　*註：MAE 把每個真實值跟預測值相減(差異為error)，再把ERROR絕對值，並取平均。

     √ MA、VP validation沒辦法被預測：樣本數不夠多，AI沒辦法類化到無法辨識的資料上。

        反觀Train的資料，是可以預測，代表AI預測發展年齡這件事，是可以訓練得起來的。

     √原始分數預測，只有age是發展年齡(跟真實年齡差0.6歲)/(原始分數差3分)

      √其他評估工具之分析使用原始分數。原因：常模太舊了，不準。

 ◎海報架構： 

    √ 方法包含：樣本（在哪收、收案條件）、研究流程、研究工具、資料分析。次級資料分析才會把資料寫再研究方法。

    √ 海報裡面字篇幅少，能用圖片/表格呈現的就用

    √ 討論與限制和研究內容呼應