不是米其林餐廳推薦指南論文書籍站
僑光科技大學 企業管理研究所 高文星、王以莊所指導 游立宏的 英雄聯盟電競職業選手預測模型之建構 （2020），提出台科轉學考111關鍵因素是什麼，來自於資料挖掘、英雄聯盟、決策樹、電競。
而第二篇論文國立臺灣師範大學 創造力發展碩士在職專班 洪榮昭所指導 羅婉綸的 運用多媒體認知情意學習理論比較SHAKING-ON、KAHOOT在臺語學習的成效 （2020），提出因為有 數位遊戲、本土語言學習、遊戲興趣、多媒體學習理論的重點而找出了 台科轉學考111的解答。
英雄聯盟電競職業選手預測模型之建構
為了解決台科轉學考111 的問題，作者游立宏 這樣論述：
因網際網路迅速的發展，科技的進步，讓我們不再是單純的記錄各種資料，我們透過已經得知的條件去使用這些資料，預測出更多有幫助的資訊。而近年來國內外職業電競選手的出現，讓我們可以利用網際網路優勢提供給想成為電競選手的玩家，進行預測，和傳統只看表面數據來評斷形成了強烈的對比。並且其玩家的資料該如何妥善運用是當前重要的課題。本研究使用玩家所提供的遊玩資料，其中記錄檔裡約有487比資料問卷，資料量相當可觀也具代表性。我們依填寫資料的遊玩資料，運用資料挖掘技術中的決策樹演算法，建構出〝英雄聯盟電競選手預測分析模型〞，讓玩家在填寫資料時可以依據自身實力的條件預測出是否適合成為英雄聯盟職業電競選手，可為未來出
路增加一項選擇的依據。
運用多媒體認知情意學習理論比較SHAKING-ON、KAHOOT在臺語學習的成效
為了解決台科轉學考111 的問題，作者羅婉綸 這樣論述：
基於多媒體學習的認知情感理論，本研究採用Shaking-on和Kahoot兩種類型的遊戲，探討參與者在臺語學習中的遊戲焦慮、遊戲興趣和心流體驗，並進一步比較對遊戲學習價值、學習興趣和焦慮的不同影響。本研究採用問卷調查的實驗研究方式。將目標學生分為兩組，分別進行Shaking-on和Kahoot兩種不同動作的數位遊戲，以了解他們在數位遊戲評量後的遊戲焦慮、遊戲興趣和心流經驗是否具有顯著差異，同時探討於遊戲學習價值是否具有顯著差異。在使用遊戲作為評量前，由教學者測試受試者的臺語焦慮，以了解不同性別之焦慮狀況；遊戲結束後，則進行「數位遊戲評量情意量表」，以測量受試者的遊戲焦慮、對遊戲的興趣、心流體
驗與對遊戲學習價值的感知。本研究共收回299份之有效之數據並進行驗證，結果顯示，性別差異並不影響臺語焦慮；在遊戲焦慮構面，不同動作的數位遊戲表現沒有差異，但在遊戲興趣、心流經驗和遊戲學習價值構面有顯著差異，且肢體動作較大的Shaking-on明顯優於Kahoot。此外，在臺語學習成效上，肢體動作較大的Shaking-on同樣優於Kahoot。