臺灣博碩士論文加值系統

國小階段是培養學生良好人格與學習習慣的黃金時期，為了瞭解影響學生學業成就的相關因素，並進而達到五育均衡發展的最高目標，家長與老師無不希望針對孩子在學習上的弱勢條件來進行調整或改善，以期讓每個孩子都能有最大的發展，然而，可能影響孩子學業成就的因素眾多，掌握這些因素藉由科學方法的驗證從而歸納出規則，作為教養的參考，並擬定教育的方針，是本研究的重要目標。
本研究以南投縣C國小於2006到2008年，總計三年的畢業學生之畢業成績做為研究樣本，樣本數共670筆，從學生入學即進行建檔的學籍資料與輔導資料，取出 ( 1 ) 學習效能 ( Study Efficiency ) 構面：語文、數學、自然、藝術與人文、社會、健康與體育、綜合活動、日常表現的平均分數；以及 ( 2 ) 環境與背景 ( Environment and Background ) 構面：家長教育程度、家長職業、家長年齡、孩子數量、本人排行、學生身分背景、導師，共2大構面15項屬性，再做資料的前處理，並以RST方法萃取影響國小學生學業成就的相關因素，配合屬性選取，比較全部屬性與部分屬性的正確率，然後與樸素貝氏、多層感知機、決策樹等三項資料探勘方法進行評估對照。本研究得到以下結果：
1. RST方法進行全部屬性分析的正確率為90.24 %，經過OneWay ANOVA屬性選取法後正確率達90.46 %，使用機器學習屬性選取 ( MLFS ) 後正確率則為90.66 %。
2. 萃取出成就評量的規則，並找出影響學業成就的相關屬性影響力排序為：數學、自然、語文、藝術與人文、綜合活動、健康與體育、學生身分背景、日常表現、家長教育程度、社會、孩子數量、本人排行、家長年齡、家長職業、導師。
3. RST方法比起其他資料探勘相關方法有規則易於瞭解、判讀的優點。

The important period of students for training their study habits and personality is elementary school stage. In order to find the related impact factors of student achievement, and achieve a balanced development for moral, intellectual, physical, social and aesthetic. Therefore, parents and teachers must improve the learning conditions in which children can have the more balanced development. This dissertation uses scientific methods to validate the generalized rules which can provide decision makers as a reference and make the principle of education.
In this study, the dataset is practically collected the score of graduated students with 670 records from “Nantou County C elementary school” in 2006-2008. The dataset include two dimensions with 15 attributes: (1) Study efficiency dimensions: the average score of language, mathematics, nature, art and humanities, social, health and physical education, integrated activities, and day-to-day behavior performance, (2) Environment and background dimensions: parental education, parental occupation, parental age, number of children, the ordering of family member, the identity and background of students, and mentor. This research combines RST and selecting attributes as mainly research methods, and uses three kinds of other data mining methods (Naive Bayes, Multi-Layer Perceptron, Decision Tree) for comparing with proposed method. The results in this research are listed as follows:
1. The accuracy is 90.24 % by using RST method, after selecting attributes by OneWay ANOVA, the accuracy is 90.46 % ,and then selecting attributes by Machine Learning, the accuracy is 90.66 %.
2. The rules of achievements are extracted by RST, calculate the ranking of these attributes is: mathematics, nature, language, art and humanities, integrated activities, health and physical education, the identity and the background of students, day-to-day behavior performance, parental education, social, number of children, the ordering of family member, parental age, parental occupation, mentor.
3. Compared with other data mining, the RST method has the advantage of easy understanding.

摘要……………………………………………………………………………………i
Abstract………………………………………………………………………………ii
誌謝……………………………………………………………………………………iii
目錄……………………………………………………………………………………iv
表目錄…………………………………………………………………………………v
圖目錄…………………………………………………………………………………vi
第一章、 緒論………………………………………………………………1
1.1 研究背景與動機……………………………………………………………1
1.2 研究目的……………………………………………………………………2
1.3 研究範圍與限制……………………………………………………………3
1.4 論文架構……………………………………………………………………3
第二章、 文獻探討…………………………………………………………5
2.1 學業成就的影響因素………………………………………………………5
2.2 屬性選取 ( Feature Selection )………………………………………9
2.3 粗集理論 ( Rough Set Theory )………………………………………11
2.4 樸素貝氏 ( Naive Bayes )……………………………………………16
2.5 多層感知機 ( Multi-Layer Perceptron, MLP )……………………17
2.6 決策樹 ( Decision Tree )……………………………………………18
第三章、 研究方法………………………………………………………20
3.1 研究模式…………………………………………………………………22
3.2 演算流程與步驟…………………………………………………………24
第四章、個案驗證與比較…………………………………………………………27
4.1 個案資料介紹……………………………………………………………27
4.2 個案驗證與比較…………………………………………………………29
4.3 研究發現與討論…………………………………………………………43
第五章、結論………………………………………………………………………45
參考文獻……………………………………………………………………………46

中文部份：
1.丁一賢、陳牧言，2005，資料探勘， 滄海書局，136-154頁，四月。
2.張云濤、龔玲，2007，資料探勘原理與技術，五南圖書，1-9頁，初版四月。
3.田慧生、孫智昌、馬延偉、陳琴，2007，我國學生學業成就調查立足何處， 中國教育報。
4.吳智誠，2001，資料探勘於影像資訊之應用─以乳房微鈣化特微處理為案例，私立大葉大學碩士論文。
5.張吉良，2001，利用進化演算法在多層感知機結構上之判別回授等化器，國立中央大學碩士論文。
6.陳秋婷，，2002，一個適用於不平衡訓練資料集的多變量決策樹之研究， 國立台南師範學院碩士論文。
7.陳家如，2006，學校因素對學生學業成就的影響，國立台北大學碩士論文。
8.李豪剛，2007，運用資料探勘技術於臺灣鋼筋混凝土橋梁構件劣化因子之研究， 國立中央大學碩士論文。
9.巫有鎰，2005，學校與非學校因素對台東縣國小學生學業成就的影響：結合教育機會均等與學校效能研究的分析模式，國立屏東師範學院博士論文。
10.張美玲，2002，以專題為基礎之教學與學習對國小學生自然科學習動機與學習成就之影響，國立屏東師範學院碩士論文。
11.葉怡成，2003，類神經網路模式應用與實作，儒林圖書公司，三月。
12.王進德、蕭大全，2003，類神經網路與模糊控制理論入門，全華科技圖書，十月。
13.謝亞恆，2004，淺談臺灣各族群學童學業成就差異之比較，私立南華大學碩士論文。
14.林枝旺，2005，家庭背景因素對子女學業成就之影響，國立嘉義大學碩士論文。
15.黃琪媚，2007，國中生的父母親管教方式、制握信念、學習壓力與學習成就之研究，私立大葉大學碩士論文。
16.賴威利，2005，利用約略集合理論預測燒燙傷患者死亡率，私立南台科技大學碩士論文。
17.Michael J. A. Berry and Gordon S. Linoff, 2001，資料挖掘理論與實務--顧客關係管理的技巧與科學，吳旭智，賴淑貞譯，維科圖書，120-123頁，初版六月。
西文部份：
1.A. Chouchoulas and Q. Shen., 1999, A Rough Set Approach to Text Classification, In Proc. of the 7th International Workshop on Rough Sets, Page: 118-127.
2.Ziarko W., 1993, Analysis of Uncertain Information in the Framework of Variable Precision Rough Sets.
3.Katzberg J. D.Ziarko W., 1996, Variable Precision Extension of Rough Sets.
4.Zhang W X. Wu Z W.Liang J Y., 2001, Rough Set Theory and Its Method.
5.Z Pawlak, 1982, Rough Sets, Informational Journal of Information and Computer Sciences, 11: 341-356.
6.Das, S., 2001, Filters, wrappers and a boosting-based hybrid for feature selection, Proceedings of the Eighteenth International Conference on Machine Learning, Williamstown, MA, 74–81.
7.Johannes Gehrke, Raghu Ramakrishnan, Venkatesh Ganti, 2000, Rain Forest - A Framework for Fast Decision Tree Construction of Large Datasets, Data Mining and Knowledge Discovery, 4(2/3), 127-162.
8.Liu, H., Motoda, H., 1998, Feature Selection for Knowledge Discovery and Data Mining Kulwer Academic Publishers Norwell.
9.Gang, Ira N. and Klaus F. Zimmermann., 2000, Is Child Like Parent? Educational Attainment and Ethnic Origin Journal of Human Resourses, 35(3): 550-569.
10.Lockheed, M. E., Fuller, B., & Nyirongo, R., 1989 Family effects on students’ achievement in Thailand and Malawi Sociology of Education, 62, 239-256.
11.M. Mehta, R. Agrawal, and J. Rissanen, 1996, SLIQ: A Fast Scalable Classifier for Data Mining EDBT, 18-32.
12.S. Tsumoto, 2004, Mining diagnostic rules from clinical databases using rough sets and medical diagnostic model Information Sciences, 162, 65–80.
13.J.R. Quinlan, 1993, C4.5: Programs for Machine Learning Morgan Kaufmann.
14.J.S. Yeh, C.H. Cheng, 2005, Refining rough set for applying classification of appendicitis The Journal of Taiwan Association for Medical informatics, Vol. 14 Issue 2(June), 1-16.