109–2學期課程共授經驗分享
共授老師：東吳經濟林巧涵老師、東吳巨資蔡芸琤老師
修課學生：11位巨資所碩一學生、12位經濟所碩一學生
共授與跨領域課程，最具挑戰的部分，就是修課學生的知識背景與學習起點完全不同，要如何將阻力變成助力，就考驗著課程設計者的應變能力。
如果以成果導向來看這門共授課程，就要看看學生分組作品，以及學生的修課回饋，但因為寫這篇文章時，教學評鑑尚未公布，就先以學生作品以及學生互評來做為共授成效的參考。
https://youtu.be/ClX7GEdPtEE、https://youtu.be/MzHNydndixU 這些上市電子股你買對了嗎？
https://youtu.be/czkV-rTjMzc、https://youtu.be/-ay3OH8WQlY 判斷公司成長表現以財務指標分析
https://youtu.be/N3LfpJpRj1w、https://youtu.be/nnKifH-_YkE 以美元指數判斷虛擬貨幣走勢
https://youtu.be/C7gd4YjQa8Q、https://youtu.be/ooUpvkW6EfA 電子業就是夯！這家公司值得投資嗎？
https://youtu.be/C7Oohn2ro5Q、https://youtu.be/nVX_GhcaukM 銀行間在指標表現上的關聯
https://youtu.be/Ilt0X4h0ALc、https://youtu.be/-ikwYKZIQtk 股票進出場分析
期末專題要完成的必要項目如下：
- 欲解決的問題必須使用到分群、分類、關聯式分析之三種機器學習模型
- 將合作過程記錄在專案管理工具，如：Trello、Notion進行進度追蹤
- 將實作過的程式碼公開至GitHub中
- 錄製成15分鐘內的專題報告影片與廣告式三分鐘短片
- 製作UI/UX使用示意情境
- 兩次進度追蹤報告
- 組內互評、組間互評
專題製作從第十週至第十七週進行，第二週至第八週為個人自學，設計方式如下：
由經濟系林老師帶沒有程式撰寫經驗的學生，進行手把手的基礎學習，而我是設計了一個自主學習方案，提供給已經有程式基礎的同學來進行自學，為學期後半段的專題任務建立基本功。
個人平時作業5次，每次8%，共40%，以下三選一
- 挑選五個 kaggle 競賽參加 https://www.kaggle.com/learn/python
- 完成 DataCamp 機器學習課程，取得證書。
- 自訂學習方案，出示自學歷程 github。
小組專案實作一至三，各佔學期總成績20%，三個專案總計60%
自主學習方案必須將歷程記錄在GitHub上，以下挑出三位較為完整的學習歷程提供參考：
王怡人 https://github.com/cherrytora/SCU_ML
黃士倫 https://github.com/Shih-Lun-Huang/learning-note
張容溥 https://github.com/Jung-Pu-Chang/kaggle-compete
因成績設計包含了前半段的40%個人學習，確保起始學習行為不同的學生都能按照自己的需求來為自己訂下學習目標，建立能透過程式語言，來使不同領域學生之間，擁有良好的運算思維與共同語言，降低溝通障礙與門檻。
透過60%的專題式學習，讓經濟相關背景的同學們能貢獻所學，將問題描述與問題定義闡述清晰，再透過兩次的專題進度追蹤報告，做題目方向的微調與修正。這個過程中，各組的表現可歸納成三類組別。
第一類組別是一直都發揮得超乎標準的第一組與第六組，強強聯手，身為老師只需要當個觀眾，不用介入太多，將評分標準與需求制訂好，給予鼓勵及讚賞，坐等成果即可。
第二類組別是一直都按照著我的教材前進，設定的主題與分析方法，也能透過模仿教學範例去達到舉一反三的成效，組員中的巨資所同學，大學部也不是資訊背景相關的，但在這門課中，能按部就班地完成每項任務，學習效果最好，進步最多。
第三類組別是一開始題目定義得非常發散，有其中兩組。
其一：透過富邦金併購日盛金來探討銀行併購的題目，就非常不適合透過機器學習進行分析與預測。因為併購樣本少，不同的併購原因之時空背景太多元，無法透過機器學習來達到一個預測的學習準則。在經過兩次的進度追蹤報告討論後，我給了這組的建議是，去收集更多金控的財報資料，然後將不同金控間的特性找出來。
其二：想要做數位貨幣的分析，但不知道怎麼做。在兩次的進度追蹤報告討論後，我給了這組的建議是，去分析比特幣與目前市場上哪個經濟指標或是哪些資訊有連動關係。
這兩組同學雖然在這個過程中，因題目較發散，無法快速聚焦進而產生執行步驟，導致在進度追蹤報告時有點落後，但同學們有認真去觀察其他完成度較高的組別，是如何收斂目標，以及主動與老師進行更細部討論。其中一封令我最印象深刻的來信如下：
我們的專案主題是“銀行經營穩健性的分析”，想藉由關聯分析得知哪些銀行整體性的表現有關係，以下是我們預計的作法，煩請老師評估或給予方向：
資料集有各銀行從2008年～2020年每個月份的指標資料（權益比率、資產報酬率、逾放比率..等），首先將每間銀行各個指標用總平均排名，並將銀行在各指標的表現以四分位距分成Q1至Q4，並將七個指標的四組四分位距，總共分成28個組別，類似購物籃的概念，舉例如下：指標1_Q1 = [A銀行,B銀行,C銀行,D銀行]、指標1_Q2 = [E銀行,F銀行,G銀行,H銀行]、…、指標7_Q4 = [A銀行,C銀行,F銀行,H銀行]
接著進行apriori演算法，想要找出銀行與銀行之間在各組的出現是否存在關連。假設得出的antecedent是第一銀行，consequent是彰化銀行，是否能解釋成：當第一銀行落在某指標的某區間時，彰化銀行也很有可能會落在跟第一銀行一樣的區間？
另外在分類的部分，我們想利用資本適足率的平均值（或法定值）去標記銀行當月的表現是穩健或具輕度風險，再選用其他相關的特徵去建立一個預測銀行當月風險表現穩健程度的分類器，同樣想要請教老師這個方向是否可行？
經歷過這樣一學期的共授，我最有成就感的地方是，將那些題目發散的組別從迷途中引導回能完整產出作品的這個過程。我自己在教學上的定位，已從課堂的講述者，轉化成課堂的引導者，我將自己放在與學生相同高度的位置，尊重學生的所有潛力，所有的可能性，而不是一個威權、全知全能、上對下的角色。
從學生的組內互評與組間互評的回饋中，我看到這門課是個小而美的共學社群，同學們都很盡力地想完善作品，學生回饋中也表達出，跨領域合作最困難的就是要讓不同背景的人在看待同一個問題時，要如何協調出一個可執行下去的共識，並提出可行的解決方案。
我相信這段時間，同學們透過親身經歷去體驗了這一切。