解密我們的分析模型：錄取機率從何而來？

當你在「分科測驗分析」網站上看到「安全」、「進攻」這些標籤時，背後代表的錄取機率是如何計算出來的？為什麼它不只是一個簡單的分數比較？

這篇文章將為你揭開我們分析模型背後的運作原理。我們的目標是提供一個透明、基於數據科學的參考工具，幫助你做出更明智的決策。

核心理念：從「絕對分數」到「相對實力」

許多人誤以為落點分析就是「拿我的分數跟去年的最低錄取分比大小」。如果這麼簡單，就不需要複雜的模型了。

我們的核心理念是：你在所有考生中的「相對實力排名」，比你的「絕對分數」更重要。

一個校系的錄取與否，本質上是一場排名競賽。我們的模型，就是透過統計方法，去預估你今年在這場競賽中的可能位置。整個分析過程主要分為三個步驟：

第一步：檢定篩選

這是分析的第一道關卡，也是最嚴格的一關。在計算任何分數之前，系統會先檢查你的學測成績是否滿足目標校系設定的檢定標準（例如「英文前標」、「社會均標」等）。

• 通過：你的學測成績達到了所有檢定門檻，可以進入下個階段的計算。
• 未通過：只要有一項不滿足，系統就會直接將該校系歸入「未通過篩選」列表。這表示在真實分發時，你的志願將無法被這個校系看見。

第二步：加權總分計算

當你通過檢定後，系統會根據每個校系獨特的採計科目與加權倍率，計算出你的個人加權總分。

例如，A 系採計 國文x1.5、英文x2.0、數甲x1.0，而 B 系採計 物理x1.75、化學x1.75。系統會為你分別計算在 A 系和 B 系規則下的不同分數，以便後續進行比較。

第三步：機率模型推估

這是整個分析最核心的部分。我們如何從你的加權分數，推算出一個「錄取機率」百分比？

我們並非直接將你的分數與去年的錄取線做比較，而是採用了基於常態分佈 (Normal Distribution) 的統計模型。

1. 建立基準模型：我們根據去年該校系的錄取數據（如最終分發人數、錄取分數線等），建立一個近似常態分佈的統計模型。你可以把它想像成一個鐘形曲線，代表了去年所有可能錄取該校系的考生的分數分佈狀況。

2. 定位你的成績：接著，我們將你今年的加權分數，放到這個基準模型中，去計算出你的成績大約落在哪個百分位 (Percentile Rank)。

3. 轉化為機率：這個百分位就代表了你在這群競爭者中的相對位置。例如，你的分數若落在模型的第 85 個百分位，就意味著你的成績高過了約 85% 的（虛擬）競爭者。這個數值經過模型的微調與校正後，最終會以「錄取機率」的形式呈現給你。

這種方法的好處是，它更能反映分數的「競爭含金量」，而非僅僅是一個數字。這也解釋了為何有時你的分數高於去年錄取線，機率卻不是 100%——因為你的領先幅度在統計上還未達到絕對安全的程度。

落點區間的定義

最後，系統會根據計算出的錄取機率，為你標上易於理解的五種指標：

白話文：您可以這樣理解我們的錄取機率：當您看到 50%，這代表您的加權平均級分正好在去年的錄取門檻附近，是一半一半的機會。我們的模型之所以感覺比較「保守」或「嚴格」，是因為我們加入了「緩衝區」概念，這意味著您的分數需要明顯超越去年的標準，機率才會顯著提升到「安全」(60%+) 或「保底」(80%+) 的區間，而非稍微高分就跳到很樂觀的數字。相較之下，其他系統可能在您的分數剛超過標準時就給出 80%、90% 的預估，可能低估了每年分數波動的真實風險。因此，請了解本系統提供的數字雖然相對嚴格，但我們的目標是提供一個更值得信賴的參考點，幫助您做出更穩健的決策。

模型的限制與提醒

我們對我們的模型有信心，但誠實與透明是我們的最高原則。請務必了解：

• 模型基於歷史：所有預測皆基於去年的數據。若今年某校系突然爆紅或遇冷，導致報考人數與分數結構劇變，預測的準確度就會下降。
• 無法預測的人為因素：模型無法預測非量化因素，例如招生名額的增減、回流名額的變化等。
• 最終決策在你手中：本網站是一個強大的輔助參考工具，而非絕對的真理。請務必將此分析結果，結合你的興趣與志願填寫策略，做出屬於你自己的最終決定。

希望這篇文章能幫助你更好地理解我們的服務。祝你金榜題名！