臺灣博碩士論文加值系統

本研究以臺北市某國民小學九十三到九十五學年度連續三年的高年級（五、六年級）學生為研究對象，原始樣本有716筆，有效樣本485筆。
本研究建立結合基因演算法(Genetic Algorithm, GA)及決策樹(Decision Tree, DT)的整合式資料探勘技術，應用於國小高年級學生學業成就影響因素探討的學習架構。並將GA/DT實驗結果與DT、因素分析結合DT、相關或卡方結合DT實驗結果作比較。
實驗結果發現，影響國小高年級學生學業成就的因素有母親年齡、父親學歷、父母親管教方式、性別、家庭氣氛、父母關係、居住環境、家中排行、手足數、與誰同住、學前教育、住宿情形、身高等。其中，以「母親年齡」為最重要的分類節點，「母親年齡36歲以上」且「父親學歷為大學以上」的學生，學業成就優異。反之，「母親年齡41歲以上」、「父親學歷為高中（職）」，且「父親管教方式為其他」的學生，其學業成就不理想。本研究應用整合式GA/DT方法探討國小高年級學生學業成就影響因素之預測正確率為69.4%，優於DT 61.2%、因素分析結合DT 59.1%、相關或卡方結合DT 54.5%。

A total number of 485 5th and 6th grade students of effective samples were all from an elementary school in Taipei country during 2004 to 2006.
To resolve student academic achievement problem, this study develops a hybrid Genetic Algorithm/Decision Tree (i.e., GA/DT) approach. Then, the proposed GA/DT approach compares with DT, factors analysis combining DT, and correlation combining DT.
The study results indicated that the key attributes of 5th and 6th grade elementary school students academic achievement include mother’s age, father’s academic history, parenting methods, gender, family’s atmosphere, relations of parents, living environment, rank of family, members of family, live with someone, preschool education, inhabit the situation, stature and so on. Among them, mother's age is the most important attribute for the 5th and 6th grade elementary school students in academic achievement. A student’s academic achievement is excellent, if his mother's age over 36 and his father's academic credentials is for the above university. A student’s academic achievement is poor, if his mother's age over 41, his father's academic credentials are high schools or vocational school and his father of parenting style for the others.
The prediction system has higher accuracy by hybrid GA/DT algorithm and the average accuracy amount to 69.4%, better than DT 61.2%, factor analysis combining DT 59.1% and correlation combining DT 54.5%.

一、緒論
1.1 研究背景與動機
1.2 研究限制
1.3 研究流程
二、文獻探討
2.1 學業成就之定義
2.2 資料前置處理
2.2.1 屬性篩選
2.3 k組交互驗證法
2.4 資料探勘
2.4.1 基因演算法(Genetic Algorithm, GA)
2.4.2 決策樹(Decision Tree, DT)
2.4.3 以整合式GA/DT為基礎的知識學習機制
三、研究方法
3.1 資料前置處理
3.1.1 屬性篩選
3.2 決策樹
3.3 因素分析
3.4 相關、卡方
3.5 以整合式GA/DT為基礎的知識學習機制
3.5.1 GA最佳化模組
3.5.1.1 GA染色體表示
3.5.1.2 最初母體和適合度函數的選擇
3.5.1.3 基因運算
3.5.1.4 產生一個新的母體
3.5.1.5 終止條件
3.5.2 DT學習/評估模組
3.6 k組交互驗證法
四、研究結果與分析
4.1 決策樹實驗結果
4.2 因素分析結合DT實驗結果
4.3 相關、卡方結合DT實驗結果
4.4 GA/DT之參數設定
4.5 GA/DT實驗結果
4.6 GA/DT最佳實驗結果法則
4.7 分類模式比較
五、結論與建議
5.1 結論
5.2 建議
參考文獻

[1] 王三幸，「影響國小高年級學生數學學業成就的相關因素研究」，國立師範大學教育研究所碩士論文，民國82年。
[2] 王文俊，認識Fuzzy，第三版，全華科技圖書股份有限公司，台北市，民國95年。
[3] 石培欣，「國民中學學生家庭環境、同儕關係與學業成就之相關研究」，國立高雄師範大學教育學系碩士論文，民國89年。
[4] 李美慧，「國小六年級學童個人背景、父母管教方式與自我概念對學業成就之相關研究」，長榮大學經營管理研究所碩士論文，民國93年。
[5] 巫有鎰，「影響國小學生學業成就的因果機制—以臺北市和台東縣作比較」，國立台東師範學院國民教育研究所碩士論文，民國86年。
[6] 陳明祥，「結合基因演算法及決策樹來預測學生偏差行為」，華梵大學資訊管理系碩士論文，民國95年。
[7] 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，資料探勘，初版，旗標出版股份有限公司，台北市，民國95年。
[8] 梁定澎，決策支援系統與企業智慧，再版，智勝文化事業有限公司，台北市，民國96年。
[9] 曾士育，「以自組織映射圖神經網路探勘金融投資決策之研究」，國立高雄第一科技大學資訊管理系碩士論文，民國92年。
[10] 黃琴雅，「不同產序子女之生活適應、學業成就及對父母管教態度知覺差異之比較」，中國文化大學家政學研究所碩士論文，民國81年。
[11] 溫明正，「校務行政電腦化推動之研究」，臺北市國民小學校務行政電腦化成果發表會，民國88年，第3-7頁。
[12] 楊雯珺，「應用資料探勘技術於銀行危機預警模式之研究」，華梵大學資訊管理系碩士論文，民國95年。
[13] 楊世瑩，SPSS統計分析實務，初版，旗標出版股份有限公司，台北市，民國94年。
[14] 楊銘泓，「基因演算法應用於一級網形設計之研究」，國立台灣大學土木工程學研究所碩士論文，民國90年。
[15] 謝孟穎，「家長社經背景與學生學業成就關聯性之研究」，國立嘉義大學國民教育研究所碩士論文，民國91年。
[16] 薛友仁，「整合機器學習方法於決策樹為基智慧型排程系統之研究」，國立交通大學工業工程與管理學系博士論文，民國90年。
[17] 蘇木春、張孝德，機器學習：類神經網路、模糊系統以及基因演算法則，第三版，全華科技圖書股份有限公司，台北市，民國95年。
[18] Crane, J., “Effects of Home Environment, SES, and Material Test Scores on Mathematics Achievement.” The Journal of Educational Research, Vol.89, 1996, pp.305-314.
[19] Goldberg D. E., Genetic Algorithm in Search, Optimization and Machine Learning, Addison-Wesley, Boston, 1989.
[20] Goldberg, M. D. and Cornell, D., “The Influence of Intrinsic Motivational and Self-Concept on Academic Achievement in Second and Third-Grade Students.” Journal for the Education of Gift, Vol.21, No.2, 1998, pp.179-205.
[21] Jiawei, H. and Micheline, K., Data Mining: Concepts and Techniques, Morgan Kaufmann Publish, New York, 2001.
[22] Holland, J. “Adaptation in Natural and Artificial System,” University of Michigan Press, 1975.
[23] Liu, H. and Motoda, H., Feature Selection for Knowledge Discovery and Data Mining, Kluwer Academic Publishers, Boston, 1998.
[24] Michael J. A. Berry and Gordon S. Linoff, Data Mining Techniques : for Marketing, Sales, and Customer Support, Wei Keg Publishing Co., 1997.
[25] Gen, M. and Cheng, R., Genetic Algorithms and Engineering Design, 1997.
[26] Mitchell, T.M., Machine Learning, McGraw-Hill, New York, 1997.
[27] Adrianns, P. and Zantinge, D., Data Mining, Addison-Weskey, Harlow, 1996.
[28] Quinlan, J. R., C4.5: Programs for Machine Learning, Morgan, San Mateo, CA, 1993.
[29] Simoudis, E., “Reality Check for Data Mining,” IEEE Expert: Intelligent Systems and Their Applications, Vol.11. No.5, 1996, pp.26-33.
[30] Salzberg, S., “On Comparing Classifiers: Pitfalls to Avoid and a Recommended Approach,”Data Mining and Knowledge Discovery, Vol.1, 1997, pp.317-327.
[31] Sun, Z., Bebis, G. and Miller, R., “Object Detection Using Feature Subset Selection,” Pattern Recognition , Vol.37, 2004, pp.2165-2176