臺灣博碩士論文加值系統

本研究選用均一教育平台註冊使用者之註冊資料和註冊後30天內每天在網站上學習所獲得之獎勵點數，預測每月新增註冊使用者中使用者在註冊一年後是否仍持續使用，以2014年3月至2016年4月共26個月期間的新增註冊使用者資料，同時以線性模型的羅吉斯迴歸演算法和非線性模型的隨機森林演算法，以每個月之資料各建立一個模型，再以各個模型交叉驗證各個月的資料，計算預測準確率，從中選出最適合的模型與資料匹配模式作為未來預測之用。研究結果顯示以12個月前之資料建置之羅吉斯迴歸模型預測2015年11月至2016年4月之樣本，六個月之平均預測準確率可達0.67。本研究亦列出羅吉斯迴歸模型各變數之勝算比，以及隨機森林模型分類依據之變數的重要性排名，希望這些分析資料後續可作為均一教育平台和其他同類型MOOC網站推廣和網站開發之參考。

This study adopted the user registration data and user activity data of the first 30 days from Junyi Academy database to predict whether the user will remain visiting the website after 12 months. Collecting information of users who signed-up from March 2014 to April 2016, total 26 months of data to build both logistic regresion and random forest prediction models. One model for each single month based on the independent variables of each month of user registration and dependent variable generated from the data of the month after 1 year. And then cross test every month’s data and models to choose the best models based on the accuracy. The result shows the logistic models built by data of 12 month ago has the best accuracy, and the average accuracy of logistic regression for the recent 6 months (2015/11~2016/04) reach 0.67. The odds ratio for each independent variables of logistic regression and the importance indices for each independent variables of random forest might also help Junyi Academy and other MOOC organizations to improve marketing event efficiency and provide the reference for software and content developments.

第壹章 緒論 1
第一節 研究背景 1
第二節 研究動機 5
第三節 研究目的 5
第四節 研究流程 6
第貳章 文獻探討 7
第一節 均一教育平台與學習成效相關研究之探討 7
第二節 顧客維繫研究之探討 8
第參章 研究方法 10
第一節 研究對象與範圍 10
第二節 研究流程 11
第肆章 研究結果與討論 17
第一節 均一教育平台使用者註冊後30天使用特性 17
第二節 各變數之關聯性分析 22
第三節 建模前之抽樣 25
第四節 羅吉斯迴歸模型建立 27
第五節 隨機森林模型建立 37
第伍章 結論與建議 46
第一節 結論 46
第二節 建議 47
參考文獻 48

中文部分
PISA國際學生能力評量計畫 (2014)。臺灣參加PISA 2012 精簡報告。臺灣 PISA國家研究中心，未出版。
林幸玉(2015)。翻轉教室之教學成效－均一教育平台運用於國小五年級數學面積單元教學。南華大學資訊管理學系未出版碩士論文。嘉義縣。
林財裕(2015)。均一教育平台運用於國小三年級數學輔助教學之成效：以時間單元教學為例。南華大學資訊管理學系未出版碩士論文。嘉義縣。
郭珮君(2015)。翻轉教室於國中數學學習成效之研究。南華大學資訊管理學系未出版碩士論文。嘉義縣。
曾慧青(2016)。改善教育資源分配問題 讓弱勢生翻轉人生。國政分析報告。台北市：財團法人國家政策研究基金會。.
親子天下編輯部(2015.11.4)。公校兩大危機 教師專業受挑戰。親子天下雜誌。2015年11月號。
英文部分
Breiman, L., (1996), Bagging Predictors, Machine Learning, 26(2): 123-140
Breiman, L., & Culter, A., (2001), Random Forests, Machine Learning, 45(1): 5-32
Buckinx, W., et al. (2007). Predicting customer loyalty using the internal transactional database. Expert Systems with Applications, 32(1): 125-134.
Burez, J. and D. Van den Poel (2009). Handling class imbalance in customer churn prediction. Expert Systems with Applications, 36(3, Part 1): 4626-4636.
Coussement, K. and D. Van den Poel (2008). Churn prediction in subscription services: An application of support vector machines while comparing two parameter-selection techniques. Expert Systems with Applications, 34(1): 313-327.
Coussement, K. and D. V. d. Poel (2009). Improving customer attrition prediction by integrating emotions from client/company interaction emails and evaluating multiple classifiers. Expert Systems with Applications, 36(3, Part 2): 6127-6134.
Cox, D. R. (1958). The Regression Analysis of Binary Sequences. Journal of the Royal Statistical Society. Series B (Methodological), Vol. 20, No. 2 (1958), pp. 215-242
Efron, B. (1979). Bootstrap methods: another look at the jackknife. The annals of Statistics. Vol. 7, No. 1: pp. 1-26
Larivière, B. and D. Van den Poel (2005). Predicting customer retention and profitability by using random forests and regression forests techniques. Expert Systems with Applications, 29(2): 472-484.
Ngai, E. W. T., et al. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36(2, Part 2): 2592-2602.
Pedregosa et al., (2011). Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830.
Xie, Y., et al. (2009). Customer churn prediction using improved balanced random forests. Expert Systems with Applications, 36(3, Part 1): 5445-5449.