最新資料

經濟學與成本效益分析

成本效益分析

立法程序與技術

115年 - 115 普通考試_農業行政：農業概要#141931(5題)

115年 - 林業技術 高考 林產學#141928(4題)

115年 - 115 高等考試_三級_林業技術：森林經營學#141927(4題)

115年 - 115 普通考試試題_林業技術 : 森林生態學與森林經營學概要#141926(4題)

115年 - 115 普通考試_林業技術：林產學概要#141925(4題)

115年 - 115 澎湖縣國民中學_聯合甄選正式教師筆試：特殊教育資賦優異類科自然科學領域-理化專長專門科目#141916(50題)

115年 - 115 澎湖縣國民中學_聯合甄選正式教師筆試﹕數學專門科目#141906(50題)

115年 - 115 普通考試_各類科：英文#141905(20題)

115年 - 115 澎湖縣國民中學_聯合甄選正式教師筆試﹕專任輔導教師專門科目#141904(50題)

115年 - 115 澎湖縣國民中學_聯合甄選正式教師筆試﹕教育專業知識#141903(50題)

50. 取引相手への催促状として、良いのは、 (A) 『いろいろとご事情もおありとは存じますが、どうぞ至急ご送金くださいますようお願い申し上げます。』 (B) 『いろいろと大変とは思いますが、どうぞ早いうちにお金を支払ってください。』 (C) 『なにかとあるかと思いますが、こちらも困るので早急に送金願います。』 (D) 『いろいろと不本意なことではありますが、どうか至急お金を払ってくれることをお願い申し上げます。』

49. 取引相手への陳謝状として、良いのは、 (A) 『全力を挙げて直ちにお届けいただくべくお手配中でございます。』 (B) 『全社を挙げていち早く届けてくれよう考慮していただきます。』 (C) 『全力を挙げて早急に解決するようにご手配願います。』 (D) 『全社一丸となって問題解決に努めています。』

48. 新興宗教のいくつかは、宗教と呼べるかどうか、 (A) 今も議論が続いている。 (B) 今も討論を続いている。 (C) 今も談判を続けている。 (D) 今も口論が続いている。

B. 試填下表(10 分)

 A. 何謂自發性消費、誘發性消費、與邊際消費傾向?(15 分)

C. 設若金流 B 有 2 兆，金流 C 有 10 兆，金流 D 有 8 兆，金流 E 有 25 兆。R 國的 GDP 有多少(5 分)? 金流 A 有多少(5 分)? R 國的平均消費傾向為多少(5 分)?

醫用微生物免疫學

講師：Feng Ling Yu

簡介：各級公職醫用微生物免疫學常考題型解析(非選擇題)

工程力學

講師：林佳瑩

簡介：●考前補帖《針對國考精選本科目重點筆記》 有別於傳統教科書的編排，將相關聯內容排列在一起，更方便理解...

教育

講師：台中大雅家教-睿智數學及英文家教，王瑞志老師

簡介：教育科目

金融科技下的投資管理

描述：本筆記為2022年為止的資料，科技是不斷進步的，請自行淘汰筆記內的舊資訊。

純網銀與開放銀行

描述：本筆記為2022年為止的資料，科技是不斷進步的，請自行淘汰筆記內的舊資訊。

監理科技

描述：本筆記為2022年為止的資料，科技是不斷進步的，請自行淘汰筆記內的舊資訊。

33. 關於植物賀爾蒙與動物賀爾蒙特性的敘述，何者正確？ (A) 動植物都由腺體來製造賀爾蒙 (B) 動物有固醇類賀爾蒙，植物則無 (C) 植物賀爾蒙有氣體形式，動物則無 (D) 動物及植物賀爾蒙均需要透過細胞外液及組織間液進行運送 (E) 相較於動物賀爾蒙，大部分植物賀爾蒙需要較高濃度才能誘發相對應反應

16.下列何者不是藥典中所使用之氧化劑？ (A)過錳酸鉀（potassium permanganate） (B)二甲亞碸（dimethyl sulfoxide） (C)硫酸鐵銨（ferric ammonium sulfate） (D)硫酸鈰（ceric sulfate）

17.下列何者的水溶液加入酚酞試劑後，溶液可轉成紅⾊？ (A)phenobarbital (B)lactic acid (C)phenol (D)pseudoephedrine

21. 某企業希望 AI 產生 ESG 永續報告，但不同部門提供的資料格式差異很大。為提升 AI 產出的一致性，團隊提供過去三份經審核通過的 ESG 報告，要求 AI 依循其章節安排、用詞風格及呈現方式完成新報告。此作法主要運用了何種提示策略？ (A)Zero-Shot Prompting； (B)Role Prompting； (C)Few-Shot Prompting； (D)Self-Consistency Prompting

24. 某企業「人資 AI 助理」採檢索增強生成(RAG)技術，系統會先檢索前 10 筆相關規章，再由其中排序最前面的 3 筆文件提供大型語言模型(LLM)作為回答依據。員工查詢「留職停薪規定」時，AI 遺漏了所屬部門最新補充規定。技術團隊確認該規定已成功檢索，但排序第 8 名，因此未被優先提供給大型語言模型作為回答依據。在不重新訓練模型、不重新建立向量資料庫的前提下，應優先導入下列何種元件改善此問題？ (A)查詢擴展器(Query Expansion)，自動加入同義詞或相關關鍵字擴展查詢內容，以提高相關文件被檢索到的機率； (B)文本切分器(Text Splitter)，將長篇規章拆分成較小段落，以利建立文件索引； (C)重排序器(Reranker)，重新評估初步檢索結果的相關性，將最相關的文件優先提供大型語言模型(LLM)參考； (D)語意快取器(Semantic Cache)，儲存常見查詢與 AI 回覆，遇到語意相近的問題時直接回傳先前結果，以降低運算成本與回應時間

(2)繩之張力