【Sonny老師雙語學堂：
英文寫作3大誤區！台灣學生該如何克服？】

好文轉載自：
Sonny老師的翻譯&教學札記

Sonny老師的英文寫作指南
https://hahow.in/cr/sonny-eng-writing1

英文寫作要寫得好並不容易
但有些錯誤觀念是可以避免的

Sonny老師整理出台灣學生
最常誤觸的英文寫作3大誤區
你中了哪些／幾個字呢？

1. 先想中文、再翻成英文 ❌

「英文寫作」和「中翻英」
是兩種截然不同的過程

#語序 和 #敘事邏輯 也不同
即使字彙和句型使用正確
英美人士通篇讀起來
仍會覺得怪異

即使你會的單字、句型有限
還是可以嘗試 #直接用英文寫作
儘管句子很簡單，也沒關係

先求有，再求好
只要基本的骨幹架構有英文的樣子
要加深、要修飾都容易

2. 埋兵伏將，拐彎抹角 ❌

中文寫作時
我們習慣在 #前面鋪很多梗
好讓後面的重點更有說服力

但英文寫作（尤其是 e-mail）
習慣「打個招呼就盡快講重點」
太多的鋪陳客套
會讓讀者覺得有點煩

不管是目的性強的商務書信
或考試時寫的議論文
都要 #儘快點明主旨、表達立場

3. 矯枉過正的難字 ❌

用難字，會讓我的文章更有學問？
有趣的是，事實剛好相反

史丹佛大學
Oppenheimer 博士的研究中
讓 35 位英文母語者
閱讀用字艱澀、和用字簡單的文章
結果受試者普遍認為
用字簡單的作者智商比較高！

因此建議你避開罕用的長難字
選用一些 #報章雜誌常看到 的字詞

例如：
說 shameful 會比
ignominious （可恥的）更好懂
說 bad-tempered 會比
curmudgeon （脾氣很差）更直接

我聽說過一個最極端的例子：

只是要形容「隔壁失火」
卻說成 The adjacent residence is engulfed in a pyrogenic conflagration.
—>「鄰宅正遭祝融之殃」

整個矯枉過正XD

所以結論：
單字這種東西
用得難，不如用得準、用得巧！

-

想知道更多常犯的寫作錯誤？

詳細解答和加分秘訣
都在Sonny 老師專為台灣學生
設計的英文寫作指南！
https://hahow.in/cr/sonny-eng-writing1

你也誤用過某個「難字」、寫過怪異的英文句子嗎？

歡迎留言給我分享！

#Sonny老師的每週好文
#開放矯枉過正的你各位留言
#誤區的關鍵其實更是文化差異

健康管理／大數據構建防疫網

2017-01-11 02:43經濟日報 王欽堂

谷歌工程師透過民眾在網路搜尋的關鍵詞，比對美國疾管局的流感傳播資料；針對搜尋頻率，找出病菌傳播時間、地區的關聯性，讓公衛當局提前控制疫情…

前段時間氣溫陡降，除心血管疾病病患外，流行性感冒的病人也急遽增加。每年的秋末冬初，政府照例會要求符合條件的民眾施打流感疫苗，去年度官方網站公告施打疫苗的時間上寫著「自10月1日開始，用完為止」。

政府為防止流感大流行，必須鼓勵民眾施打疫苗，但是疫苗有有效期限，到底要準備多少才是正確，是一個挑戰。因為萬一流感大爆發，顯然固定儲備的量是不足的，但是如果沒有爆發流行的疑慮，大量施打疫苗是一個龐大醫療支出的浪費，當然也讓施打民眾暴露在過敏性休克及其他副作用中。

防疫尖兵 整合數據資料

到底流感疫苗是否需要大規模的施打，有沒有預警的機制，「大數據」有沒有可能在防疫上扮演更重要角色？

2009年，全世界曾經籠罩在H1N1的新流感病毒中，這種結合禽流感和豬流感病毒的新菌株迅速蔓延。就在全球公共衛生機構都憂心忡忡，擔心爆發大流行的當時，幾位谷歌的工程師精準的預測美國冬天即將爆發流感，甚至還精準定位到是哪些州。

谷歌工程師的祕訣是透過民眾在網路上搜尋的關鍵詞，和疾病管制局2003到2008年之間的流感傳播資料做比對。他們針對搜尋字眼的搜尋頻率，找出和流感傳播的時間、地區，有沒有統計上的關聯性，結果找到了及時有用的資訊，讓公衛當局也因此提前控制了疫情。

社群網站 健康照護幫手

當今最大的社群媒體臉書掌握了全世界17億人每天的動態、行為，甚至他們的心情。這些全球大量免費貢獻的數據，當然也是健康照護上非常重要的寶藏。

曾有數據科學家使用社群網站中網友經常使用的語串，發現心臟病人在社群上使用不雅或不好情緒字眼的比率出奇的高。社群上的使用字眼竟然與心臟病有關！

過去如果我們要預測一個人會不會得到心臟病，則需要大量、長期追蹤其生活習慣，還必須控制各項影響因子，再追蹤某一項因素（如飲食）對於心臟病形成的影響，研究過程曠日費時。而現在只要透過社群網站大數據的分析，就可以找出其關聯性，非常有趣。

大數據在醫學上的可能運用當然不僅是疫情控制或心臟病防治。人工智慧的深度學習發展，更可能直指醫療的核心，取代醫師的角色，而人工智慧的原料就是大數據。

IBM的華生(Watson)電腦曾經與著名的貝勒醫學院(Baylor Medicine College)合作，透過自動分析，幫助貝勒醫學院的生物學家及數據科學家，在短短的數周內藉由分析7萬份科學研究論文，找出六個和癌症相關的蛋白質。

電腦當家 看病免到醫院

一般生技公司傳統上要找到一個上述蛋白質約需要一年的時間。

華生電腦大量分析醫學研究資料的能力，當然也運用在對各種重症或罕見疾病的診治，來輔助醫師對這些疾病的診斷及處方。

一個能夠容納大量數據資料，更具備深度自我學習的人工智慧，它所做的診斷和處方，一定勝過一位醫師本身的知識領域和經驗。

電腦取代醫師，看病不用到醫院等情境的發生，恐怕是指日可待。

從國家的龐大健保資料到每一家醫療機構，其實都存在各式各樣的數據，其中大多數是諸如診斷數據，以及處置、用藥等醫囑這類結構性的數據。

但也有更多以非結構性的數據存在於每天的諮詢電話、網路上行為，甚至病人到醫療機構以後所有動線等。

廣義的數據科學包括大數據、機器學習及資料探勘等，數據科學運用在醫療或健康管理上的潛力，讓人充滿想像空間。

資料來源：http://udn.com/news/story/7244/2222563