臺灣博碩士論文加值系統

資訊科技發展日新月異，人類文明邁入「資訊」時代，因此資訊能力是未來知識經濟時代最重要的基本技能，欲提昇我國國際競爭力，首當培養大學生具有資訊基本能力，故如何於大學的修業年限內提昇大學生基本之資訊能力，以創造國際競爭優勢，此為個案學校導入資訊能力檢定並與畢業門檻結合之重要目的，且透過資料探勘分群技術，以分析學生特質與資訊能力檢定是否存在潛藏關係，以提供學校擬定往後考詴策略參考。

本研究以某國立大學為例，主要分析及探勘91至93學年大學部學生資訊能力檢定資料及其學籍資料，進行知識的發現，其研究目標如下：
一、依學生學籍資料與資訊能力檢定資料，探討學生最佳集群分配方法。
二、探討分析最佳集群分配之特質狀況。
三、依最佳集群分配結果來分析各集群學生特質與資訊能力檢定結果關聯性。
四、在資訊能力檢定上，預先提醒未來入學新生是為資訊能力檢定未通過的高危險群，以發揮預警作用。

Rapid development of information technology, human civilization into the information age. Therefore, the ability of information is the future knowledge-based economy of the most important basic skills. To enhance our international competitiveness. The primary train students with the basic capabilities of information. So how university students in the transcripts of the basic period of years to enhance the information capabilities. In order to create an international competitive advantage. Import information proficiency test for this school system and combined with the graduation threshold of the important purposes. And the grouping by data mining techniques to analyze the characteristics of students with the ability to test the existence of hidden information relationships in order to provide schools in the coming exam develop strategies for reference.

This research target is a Nation University and the data resources are infromation proficiency test databases and profile databases from 91 to 93 academic year. The main research are following：
1. According to student expulsion data and information proficiency test data, to explore the best students in the cluster allocation.
2. Cluster analysis of the distribution of the best characteristics of the situation of students.
3. In accordance with the best cluster distribution of results, to analyze the characteristics of various clusters of students and information capacity to test the relevance of results.
4. Proficiency test on the information in advance to remind the future freshmen for the information proficiency test did not pass the high-risk groups in order to play early warning role.

目 錄 I
表目錄 III
圖目錄 V
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 研究範圍與對象 3
1.4 預期貢獻 3
1.5 論文架構 4
第二章 文獻探討 7
2.1 資訊能力檢定 7
2.1.1 個案學校檢定制度介紹 7
2.1.2 檢定題型類別介紹 10
2.1.3 各校實施現況 13
2.2 資料探勘 14
2.2.1 資料探勘的定義 15
2.2.2 資料探勘方式與功能 17
2.2.3 資料探勘的流程 18
2.3 集群 21
2.3.1 集群分析的統計假設 21
2.3.2 集群分析的方法 22
2.3.3 TwoStep集群分析（TwoStep Cluster Analysis）23
2.3.4 K帄均數集群分析（K-Means Cluster Analysis）24
2.3.5 SOM集群分析（Self-Organizing Map Analysis）27
2.4 關聯法則 (Association Rules) 28
2.5 決策樹 (Decision Tree) 29
2.6 資料探勘在教育領域之研究 30
第三章 研究方法 33
3.1 研究架構 33
3.2 個案學校 35
3.3 資料處理 38
3.3.1 學生資料蒐集 38
3.3.2 資料前置處理 40
3.4 研究設計 44
3.4.1 資料集的分配 44
3.4.2 實驗流程 45
第四章 實驗結果與分析 48
4.1 研究資料配置 48
4.2 分群結果 48
4.3 預測模型的建立 54
第五章 結論與未來研究 78
5.1 結論與貢獻 78
5.2 未來研究方向 79
參考文獻 80
(一) 中文部分 80
(二) 英文部分 81
(三) 網站部份 82
附錄一 交叉表 83

(一) 中文部分
丁一賢、陳牧言， 2005，資料探勘，台北市：滄海書局。
尹相志，2003，SQL 2000 Analysis Service資料採礦服務，台北市：維科圖書有限公司。
尹相志，2006，SQL 2005資料採礦聖經，台北市：學貫行銷股份有限公司。
尹相志，2007，SQL Server 2005 Data Mining資料採礦與Office 2007 資料採礦增益集，台北市：悅知文化。
胡永欣，2009，運用粗集理論萃取國小學童心肺耐力影響因素之研究，國立雲林科技大學資訊管理研究所碩士論文。
張哲強，2007，應用資料探勘技術改善學校招生策略之研究－以某私立技術學院為例，國立雲林科技大學資訊管理研究所碩士論文。
陳鴻基、嚴紀中，2004，管理資訊系統，台北市：雙葉書廊。
黃智仁，2004，資料挖掘在教師資訊能力之分析研究－以台中市教師為例，靜宜大學資訊管理學研究所碩士論文。
楊琇媛，2003，利用資料倉儲與資料探勘技術於招生策略與學生特質分析之研究，中原大學資訊管理學研究所碩士論文。
溫侑柯，2006，應用資料探勘之關聯法則探討大學入學成績對在學成績的影－以資管系為例，南華大學，資訊管理研究所碩士論文。
廖文瑜，2005，應用資料探勘技術分析學生特性與成績暨選課之關係－以一所科技大學資管系為例，國立雲林科技大學資訊管理研究所碩士論文。
廖述賢，2007，資訊管理，台北市：雙葉書廊。
廖述賢、溫志皓，2009，資料採礦與商業智慧，台北市：雙葉書廊。
蕭文龍，2007，多變量分析最佳入門實用書，台北市：碁峯資訊。
賴信良，2002 : 資料挖掘在教育上的應用－以國小學童「體適能測驗」為例，國立台北師範學院數理教育研究所碩士論文。
謝邦昌，2005，資料採礦與商業智慧－SQL Server 2005，台北市：鼎茂圖書社。
羅才輝，2006，應用資料探勘技術分析人格特質與選課之關係－以新竹地區大學生為例，中華大學資訊工程學研究所碩士論文。
(二) 英文部分
Berry, M. J. A. and Linoff, G. (1997), Data Mining Technique for Marketing, Sale, and Customer Support, Wiley Computer.
Berry, M.J. & Linoff, G.(1997). Data Mining Techniques for Marketing. Wiley Press.
David, O. Yong, S.(2007). Introduction to Business Data Mining, McGraw-Hill/Irwin, Boston
Fayyad, U. & Stolorz, P.(1997).Data mining and KDD: Promise and challenges. Further Generation Computer Systems, 13, 99-115.
Fayyad, U.M., Piatetsky－Shapiro, G., Smyth, P., Uthurusamy, R.(Eds.)(1996). Advances in knowledge discovery and data mining,Cambridge,MA: The MIT press.
Han, J. & Kamber. M.(2002). Data Mining：Concepts and Techniques, San Francisco, CA:Morgan Kaufmann Press.
J. Vesanto and E. Alhoniemi.(2000). Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks, 11(3):586-600.
Jing Luan,(2002). Jing Luan, “Data Mining, Knowledge Management in HigherEducation,” AIR Forum, 2002.
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R. and Wu, A.Y.(2002). An efficient k-means clustering algorithm: analysis and implementation, IEEE Transactions on Pattern an Analysis and Machine ntelligence, Vol 24, No. 7,881-892.
Keim, D. A., Pansea, C., Sipsa, M. & Northb, S. C.(2004). Pixel based visual data mining of geo-spatial data. Computers & Graphics, 28,327-344.
Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43:59-69.
Kohonen, T. (1984). Self-Organization and Associative Memory. (3rd edition 1989). Springer, Berlin.
Kuo, R. J., Liao, J. L., & Tu, C.(2005). Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce. Decision Support Systems,40(2), 355-374.
Liao, S. H. & Wen, C.H.(2007). Artificial neural networks classification and clustering of methodologies and applications-literature analysis from 1995 to 2005. Expert Systems with applications, 32, 1-11.
Mehta, K. & Bhattacharyya, S(2004). Adequacy of training data for evolutionary mining of trading rules. Decision Support Systems,37,pp.461-474.
T. Gnardellis,(2001).T. Gnardellis and B. Boutsinas, On Experimenting with Data Mining in Education, 2001.
Tseng, S.-M., 2001, “Mining Association Rules with Interestingness Constraints in Large Databases”, International Journal of Fuzzy System, Vol.3, No.2
Vrahatis, M. N., Boutsinas, B., Alevizos, P., & Pavlides, G.(2002). The new k-windows algorithm for improving the k-means clustering algorithm. Journal of Complexity, 18(1), 375-391.
Wang, Y.F., Chuang, Y.L., Hsu, M. H. &Keh, H.C., 2004 . A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26, 427 – 434.
(三) 網站部份
http://www.sinter.com.tw/SPSS/documents/document.html