# Introduction（引言）

目標最大概似估計（Targeted Maximum Likelihood Estimation, TMLE）為近年因果推論的代表性方法，可結合機器學習進行雙重穩健（doubly robust）估計，但其數學細節（影響函數、目標化步驟）對非統計背景的臨床研究者並不友善。傳統教科書與課程多以公式為主，缺乏可隨時暫停回看的視覺化呈現。本專案以 Manim 製作動畫並搭配中文 TTS 旁白，將 TMLE 的核心觀念視覺化。

# Methods（方法）

製作流程以 Python 為主：使用 Manim（3Blue1Brown 開發之數學動畫引擎）製作關鍵步驟的動態圖示，例如初始預測、處理機率、目標化更新與最終估計。中文文字轉語音（如 Azure Cognitive Services、Edge TTS）提供清晰的中文旁白，避免使用者因英文發音差異而分心。所有動畫腳本以程式碼定義，便於同儕審查與後續修改。

設計重點為「視覺化勝過文字」：不要求觀眾在第一遍就看懂所有公式，而是讓他們先建立直覺，再回到教科書補足細節。影片保留中文旁白以服務在地醫學研究社群。

# Results（結果）

完成的影片可作為因果推論課程的教材，亦可作為臨床醫師自學 TMLE 的入門素材。對於非統計專業的研究者，影片提供「為何要這樣估計」的直觀理解，使後續閱讀技術文獻時不至於迷失於符號叢林。

# Discussion（討論）

本專案展現了現代教學工具與生成式 AI（TTS）結合的可能性：高品質教材的製作門檻顯著降低。限制方面，Manim 的學習曲線陡峭，動畫品質仍需作者花時間調校；TTS 雖已自然，但仍不及人類錄音的情感表達。未來可擴展為完整因果推論影片系列（DAG、IPTW、g-computation、TMLE），並提供英文／繁中雙語版本。

# 連結

• GitHub：htlin222/TMLE-explain
• 主要語言：Python（Manim）
• 最後更新：2026-03-28