臺灣博碩士論文加值系統

在網際網路的應用中，網路教學改變了傳統教學模式，使得網路快速方便、無時間空間限制、降低教育成本及提高教育品質等特性發揮的淋漓盡致。目前網路教學之相關研究多數著重於系統的建置與課程的編制技術，學習者是否能透過網路教學系統選到符合自己興趣的課程，以增加學習的興趣及選課的效率是一個非常值得研究的主題，然而，此類議題之研究較少被探討。本研究主要以學習者為主，透過類神經網路(Neural Network)與資料探勘技術(Data Mining)，期以建立能依社群性、興趣性及選課性等多元化管道推薦網路教學之課程。
由於類神經網路中的自適應共振理論網路(Adaptive Resonance Theory Network，ART)具有自動快速聚類與擴充容易的特性，故本研究利用此網路做為學習者分群處理技術，產生學習者社群。當產生學習者社群後，利用資料探勘技術探中的Rough Set演算法及Apriori演算法探勘出「TOP-N/學習者社群對課程」、「興趣/學習者社群對課程」及「課程對課程」三種關聯式法則，利用這些多元性法則建構一個新型態的網路教學課程推薦機制。透過此推薦機制可以有效率的產生相同社群的學習者課程推薦、興趣社群對課程推薦及已選修課程學習者的關聯式課程推薦，藉此多元化的課程推薦，以提高學習者之學習興趣並作為學習者選課前之參考。
本研究所提出之網路教學課程推薦機制主要可分為網路教學課程推薦前置處理和線上（On-line）課程推薦處理兩階段。本研究另外將此課程推薦機制應用於國內某金融機構的網路教學做線上實際推薦，以驗證本研究的可行性與應用性。
歸納本研究提出之網路教學課程推薦機制其特色為：（1）具社群特質（2）具關係特質（3）學習者分群效率高。

As for the various applications of Internet, E-learning changes the traditional learning style and elaborates the characteristics of Internet, such as speed, convenience, the ignorance of distance, the enhancement of teaching quality, and the reduced cost.
There are many studies has been done regarding E-learning, however, these studies focus more on system unstruction and in curriculeum organization. These does not help the E-learner to select potential courses according to his or her interest. It is, therefore, the goal of this research to propose a better recommendation model for on-line E-learners.
This research first utilizes artificial neural network to find out the clusters of E-learners. Based on these E-learner’s groups, user can obtain course recommendation from the group’s opinion. When groups of related interests have been established, the Rough Set and the Apriori algorithm will be used to find out the rules of “ learner groups vs. course ” and the “course vs. course” Through this recommending system, an inclusive curriculum may be suggested to a group of learners with same interest. It is ideal for this system to stimulate learners’ motivation and interest, moreover, to serve as a reference when learners are choosing between classes.
The course recommendation base on E-learning environment presented in this research can be categorized into two stages: (1)preprocessing stage of E-learning courses and (2)on-line courses recommending stage. This research will also demonstrate a live example of a financial organization using this curriculum-recommending system. The demonstration, indeed, will confirm that this research is feasible and practicable.
The advantages of the presented method are (1)providing community features, (2)supporting relative features, and (3)performing with on-line efficiency.

摘要................................i
Abstract ...........................iii
誌謝................................ v
目錄................................ vii
圖目錄.............................. x
表目錄.............................. xi
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研究貢獻.........................4
1.4論文架構.........................5
第二章 文獻回顧.....................6
2.1網路教學之相關研究回顧...........6
2.1.1名詞界定.......................6
2.1.2網路教學之定義與特性...........6
2.1.3網路教學之類型.................8
2.1.4傳統教學與網路教學之比較.......10
2.1.5網路教學之相關研究議題 ........ 12
2.2推薦系統.........................14
2.2.1推薦系統簡介...................14
2.2.2推薦方式.......................15
2.3類神經網路及自適應共振理論.......19
2.3.1類神經網路簡介.................19
2.3.2類神經網路基本架構.............20
2.3.3自適應共振理論網路.............22
2.3.4自適應共振理論網路架構 ........24
2.4資料探勘及關聯式法則演算法......26
2.4.1資料探勘的定義及目的..........26
2.4.2資料探勘的步驟................27
2.4.3關聯式法則....................28
第三章 網路教學課程推薦機制 ........32
3.1網路教學課程推薦前置處理 ........34
3.1.1學習者分群模組................34
3.1.2資料探勘模組..................39
3.2 線上課程推薦處理...............44
第四章 實例應用....................46
4.1網路教學課程推薦前置處理 ........46
4.2即時線上課程推薦處理............56
4.3實驗結果與討論..................59
4.4實例應用限制....................61
第五章 結論........................63
5.1結論............................63
5.2未來研究建議....................64
參考文獻 ..........................66
附錄一 國內某金融機構網路教學學習者個人資料及選課記錄..73
附錄二 國內某金融機構所開設之網路教學課程..............102
附錄三「課程對課程」推薦法則...........................108

[1]王子華（2002），「網際網路教學環境之後設認知策略設計對於大學學生學習效益之影響」，碩士論文，彰化師範大學生物學系研究所，彰化。
[2]石旭原（2001），「以SCORM為知識本體應用基模之網路學習系統實作案例研究」，碩士論文，逢甲大學資訊工程所，台中。
[3]巫靜宜（2000），「比較網路教學與傳統教學對學習效果之研究-以word2000之教學為例」，碩士論文，淡江大學資訊管理研究所，台北。
[4]李少華（2001），「南台科技大學E-Learning環境建置及導入」，碩士論文，南台科技大學資訊管理系，台南。
[5]李長峰、黃仁竑、許政穆（2002），「符合SCORM標準之Web-based教材編輯器」，2002網路學習理論與實務學術研討會論文集，第107-112頁。
[6]林奇賢（1998），「網路學習環境的設計與應用」，資訊與教育雜誌，第67期，第34-50頁。
[7]林昇甫、洪成安（1996），神經網路入門與圖樣辨識，全華科技圖書股份有限公司，台北，第96-104頁。
[8]林敏慧、陳美樺、管怡婷、郭榮學、陳慶帆（2001），「網路教學與傳統教學之差異與融合分析」，第五屆全球華人教育資訊科技大會第二卷，中壢，第1199-1202頁
[9]林錦泓（2001），「透過多代理人實作SCORM為基礎的教案推薦系統」，碩士論文，國立高雄師範大學資訊教育研究所，高雄。
[10]林維彬（2001），「基於 SCORM 標準的可重覆使用 E-Learning 教材管理系統」，碩士論文，國立中正大學資訊工程研究所，嘉義。
[11]林肅娟（2000），「金融網路教學系統之規劃與評估」，碩士論文，國立交通大學資訊管理所，新竹。
[12]胡崇偉（2001），「SCORM標準下學習管理伺服器之設計與實作」，碩士論文，元智大學資訊管理學系，中壢。
[13]徐悌（2001），「網路教學之學生學習行為與學習滿意度及學習績效的關係」，碩士論文，大葉大學資訊管理研究所，彰化。
[14]陳年興（2000），「網路教學與傳統教學之比較分析」，遠距教育，15、16和刊，第153-163頁。
[15]陳佳賢（2001），「美國企業線上學習市場發展現況與趨勢」，資訊與電腦，10月號，第92-96頁。
[16]黃武元、楊岱霖、王錦裕（2001），「適性化學習系統」，第五屆全球華人教育資訊科技大會第二卷，中壢，第1037-1044頁。
[17]黃智育（2002），「資料探勘於即時線上推薦系統之應用研究」，碩士論文，朝陽科技大學資訊管理系研究所，台中。
[18]黃淑敏（2000），「電腦網路學習對學生學習成效之後設分析」，碩士論文，國立新竹師範學院國民教育研究所，新竹。
[19]黃家璋（2001），「基於物件導向之E-Learning互動學習數學系統」，碩士論文，國立中正大學資訊工程研究所，嘉義。
[20]張建邦（2001），「以XML為基礎之標準化虛擬教室系統之研究」，碩士論文，銘傳大學資訊管理研究所，桃園。
[21]彭成瑋（2000），「網路教學系統的理念設計與實作」，碩士論文，國立中正大學資訊工程研究所，嘉義。
[22]葉怡成（2001），類神經網路模式應用與實作，儒林圖書公司，台北。
[23]黃偉豪（2001），「網路教學之獎懲機制與認知風格研究」，碩士論文，國立中正大學資訊管理學系研究所，嘉義。
[24]楊淑惠（2002），「電子學習與線上測驗系統之設計－以高職電腦網路原理與應用課程為例」，碩士論文，彰化師範大學商業教育學系研究所，彰化。
[25]劉惠芬、孫欽儒（2000），「人際傳播對網路教學的影響」，第四屆全球華人教育資訊科技大會論文集第二卷，新加坡，第551-557頁。
[26]廖肇弘（2001），「建置有效的線上學習系統」，管理雜誌，第112-115頁。
[27]蘇育霆（2001），「整合模糊理論與自適應共振理論II 神經網路於資料採礦之集群技術」，碩士論文，國立台北科技大學生產系統工程與管理研究所，台北。
[28]Agrawal, R. and Srikant, R. (1994), “Fast Algorithms for Mining Association Rules in Large Databases,” Proceedings of the 20th International Conference on Very Large Data Based, pp. 478-499.
[29]Balabanovic, Marko and Hoham, Yoak (1997), “Fab: Content-Based, Collaborative Recommendation,” Communications of ACM, Vol.40, No. 3, pp. 66-72.
[30]Bouthors, Vincent and Dedieu, Olivier (1999), “Pharos, a Collaborative Infrastructure for Web Knowledge Sharing,” Third European Conference on Research and Advanced Technology for Digital Libraries, pp.215-233.
[31]Carprnter, G. A., and Grossberg, S. (1988), “The ART of Adaptive Pattern Recognition by Self-Organizing Neural Network,” Computer, Vol. 21,No. 3, pp. 77-88.
[32]Chung, Y., and Kusiak, A. (1991), “GT/ART: Using Neural Network to Form Machine Cells,” Manufacture Review, Vol. 4, pp. 293-301.
[33]Goldberg, D. Nichols, Oki, D. B. M., and Terry, D. (1992), “Using Collaborative Filtering to Weave an Information Tapestry,” Communication ACM, Vol. 35, No. 12, pp.61-70.
[34]Han, J. (1999), “Data Mining,” in J. Urban and P. Dasgupta (eds.), Encyclopedia of Distributed Computing, Kluwer Academic Publishers.
[35]Han, J., and Kamber, M. (2001), Data Mining: Concepts and Techniques, Morgan Kanfmann Publishers.
[36]Han, Jiawei, Pei, Jian, and Yin, Yiwen (2000), “Mining Frequent Patterns without Candidate Generation,” Proceedings of 2000 ACM-SIGMOD International Conference Management of Data (SIGMOD'00), pp. 1-12.
[37]Holmberg, B. (1995), Theory and practice of distance education. London: Routledge.
[38]Keegan, D. (1993), Theoretical principles of distance education. Lodon: Routledge.
[39]Kishore, L. A., and Chang, T. C. (1997), “Feature Recognition using ART2: a Self-Organizing Neural Network,” Journal of Intelligent Manufacturing, Vol. 8, pp.203-214.
[40]Lieberman, H. (1997), “Autonomous Interface Agents,” Proceedings of CHI’97, ACM Press, pp. 67-74.
[41]Lockwood, F. (1995). Open and distance learning today. London: Routledge.
[42]McFadden, Fred r., Hofer, Jeffrey A., and Prescott, Mary B. (1999), Modern Database Management, Fifth Edition, Addison-Wesley.
[43]Mobasher, Bamshad, Dai, Honghua, Luo, Tao, and Nakagawa, Miki (2001), “Effective Personalization Based on Association Rule Discovery from Web Usage Data,” The 3rd ACM Workshop on Web Information and Data Management.
[44]Mooney, R. J. and Roy, L. (2000), “Content-Based Book Recommending Using Learning for Text Categorization,” Proceedings of the 5th ACM Conference on Digital Libraries, pp. 195-204.
[45]Olaru, C. and Wehenkel, L. (1999), “Data Mining,” IEEE Computer Applications in Power, Vol. 12, no. 3, pp. 19-25.
[46]Pawlak Z. (1982), “Rough Set,” International Journal of Information and Computer Sciences, Vol.11, No.1, pp. 341-356.
[47]Patterson, D. W. (1996), Neural Network Learning: Theory and Application, Prentice Hall, New York.
[48]Park, Jong Soo, Chen, Ming-Syan, and Yu, Philip S. (1995), “An Effective Hash Based Algorithm for Mining Association Rules,” Proceedings of the ACM SIGMOD Conference on Management of Data, San Jose.
[49]Resnick, Paul, Iacovou, Neophytos, Suchak, Mitesh, Bergstrom, Peter, and Riedl, John (1994), “GroupLens: An Open Architecture for Collaborative Filtering of Netnews,” Proceedings of the CSCW 1994 conference.
[50]Resnick, Paul and R.Varian, Hal (1997), “Recommender systems,” Communication of ACM, Vol.40, Issue 3, pp.56-58.
[51]Rosenberg, Marc J. (2001), E-Learning: Strategies for Delivering Knowledge in the Digital Age, McGraw-Hill.
[52]Roxanne, Hiltz Starr (1994), The Virtual Classroom : Learning Without Limits Via Computer Networks, Norwood NJ, Ablex Publishers.
[53]Savasere, A., Omiecinski, E. and Navathe, S. (1995), “An Efficient Algorithm for Mining Association Rules in Large Databases,” Proceedings of International Conference Very Large Data Bases, pp. 432-444.
[54]Sarwar, B. M., Karypis, G., Konstan, J. and Riedl, J. (2000), “Analysis of Recommender Algorithms for E-Commerce,” Proceedings of the 2nd ACME-Commerce Conference.
[55]Schafer, J. Ben, Konstan, Joseph, and Riedl, John (1999), “Recommender System in E-Commerce,” Proceedings of the first ACM conference on Electronic Commerce, pp. 158-166.
[56]Shardanand, Upendra and Maes, Pattie (1995), “Social Information Filtering: Algorithms for Automating “Word of Mouth”,” ACM Press, New York, pp.210-217.
[57]Terveen, Loren, Hill, Will, Amento, Brian, McDonald, David, and Creter, Josh (1997), “PHOAKS: A System for Sharing Recommendations,” Communications of ACM, Vol.40, pp.59-62.
[58]ASTD, http://www.learningcircuits.org/glossary.html.
[59]CISCO, http://www.cisco.com/warp/public/10/wwtraining/elearning/educate/
[60]IDC, http://www.idc.com
[61]MIT Open Course Ware, http://ocw.mit.edu/index.html