大學入學考試己由過去的聯考制度改採多元入學方案，多元入學的重點在於讓學生能依自己的興趣及能力來選擇適合自己的入學方案及科系，但選擇太多，反而讓人無所適從，而且許多高中生對於自己的興趣與能力條件在那裡並不是很很清楚。因此本研究利用類神經網路與資料探勘的技術，針對大學多元入學方案中的推薦甄選考試及分發考試入學來探討、研究，建立適性的預測模組及推薦機制，藉以減少莘莘學子在「多元選擇」上所浪費的時間，並找到適合自己的理想科系。本研究之進行主要可以分成兩部份，第一部份針對推薦甄選考試，作成敗因素的探討，並建立預測推論。第二部份則是對分發考試入學來探討，建立適合的推薦機制，協助學生在繁多複雜的大學入學科系中，能依個人興趣與能力及家庭、社會等因素，以找出真正符合自己所需的理想選擇。在這二個部份中，我們調查中部某所國立高中的91、92學年度的應屆畢業生，從實驗結果中，我們找出了許多對推薦考試具有影響力的因子，以及新方法的效能—提供關聯規則來解釋出倒遞類神經網路之預測為何，且在預測推論上也有80%的預測結果。而以協同過濾方式建立大學入學科系之推薦機制確有其成效，由實例驗證之結果顯示推薦成效皆有六成以上，證明本研究之推薦機制之可行性與實用性。

The Joint College Entrance Exam in Taiwan has been replaced by Multiple Approaches to College Entrance, which is meant to provide more choices for students who can choose the most suitable major for themselves based on their own interests and capability. However, due to the too many choices provided, students often feel confused, not knowing what to choose. Besides, many high school graduates are not very sure about their own interests, capabilities or qualifications. The present study, by applying the techniques of Neural Network and Data Mining, aims to develop a methodology of prediction on admission through recommendation and exam-based admission system. With the system of prediction and recommendation, high school graduates may thus save much time and confusion when choosing their ideal majors. The study consists of two main parts. The first part is to explore significant factors that contribute to success or failure in admission through school recommendation, and to further establish a predicting module. The second part focuses on the exam-based admission system with a view to establishing an appropriate and effective mechanism of recommendation for students so as to help them choose among a myriad of departments and majors in university college the best major when taking into account individual interests, capability, family expectations and other social factors. The results of the study show that there are indeed some influential factors that would affect the outcome in the approach of school recommendation. The efficiency of the module of prediction is also affirmed. Through Association Rule, the accuracy of prediction by applying Back Propagation Network can be measured, which is as high as 80%. The recommendation mechanism established in this study by applying Collaborative Filtering Approach is proved to effective with an over-60% of successful recommendation. The results from both parts of the study affirm the feasibility and implementability of the newly established prediction module and recommendation mechanism.

摘要 I
Abstract II
誌謝 IV
目錄 V
表目錄 VIII
圖目錄 IX
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目標 3
1.3論文架構 4
第二章 文獻探討 5
2.1 大學多元入學方案 5
2.2 相關議題 8
2.3 資料探勘在教育領域的應用 13
2.4 推薦系統 14
2.4.1 參考群體 14
2.4.2協同過濾 15
2.5 資料探勘與關聯規則 18
2.6 類神經網路 21
2.6.1倒傳遞類神網路 22
2.6.2模糊自適應共振理論網路 23
2.7 鄰近夥伴演算法（K-Nearest Neighbor Algorithm） 26
第三章 研究方法 27
3.1研究流程 27
3.2 資料前置處理 28
3.2.1 資料淨化 28
3.2.2 資料整合 28
3.2.3 資料縮減 29
3.2.4 資料轉換 29
3.3推薦甄選預測模組之建罝 30
3.3.1關聯規則的萃取 31
3.3.2倒傳遞類神網路架構 31
3.4大學入學科系推薦模組的建置 37
3.4.1 Fuzzy ART網路架構 38
3.4.2 以學生分群為主的Fuzzy ART網路 39
3.5問卷調查 40
3.6鄰近夥伴選擇 41
第四章 實驗結果與討論 42
4.1推薦甄選預測模組的建置 42
4.1.1實驗程序 42
4.1.2 結果與討論 48
4.2大學入學科系推薦模組 50
4.2.1實驗程序 50
4.2.2 推薦機制評估 54
第五章 結論與未來研究建議 59
5.1 結論 59
5.2 未來繼續研究 60
參考文獻 62
附錄一 大學入學學類分類表 67
附錄二 問卷調查表 75

1.任拓書（1990），「如何面對多元新方案」，選才，第84期，第2頁
2.李佳玲（2002），「大學入學考試中心學科能力測驗與高中在校成績關係之研究」，國立台北師範學院碩士論文，台北。
3.林靈宏（1994），消費者行為學，五南圖書出版有限公司，台北。
4.林生傳（1995），「高中生大學聯考分數的預測分析」，國立高雄師範大學教育學刊，第11期，第51-72頁。
5.林育臣（2002），「群聚演算法之比較及群聚參數的分析與探討」，碩士論文，朝陽科技大學，台中。
6.林秀如（2004），「以資料探勘發掘學習錯誤概念之關聯的預防教學—以英語介係詞為例」，碩士論文，中華大學，新竹。
7.林傑斌、劉明德、陳湘（2002），資料採掘與OLAP理論與實務，文魁資訊公司，台北。
8.吳毓津（1997），「大學生科系選擇因素的分析—以中央大學與政治大學為例」，碩士論文，國立中央大學人力資源管理研究所，桃園。
9.林育臣（2002），「群聚技術之研究」，碩士論文，朝陽科技大學，台中。
10.邱永祥(2003)，「運用類神經網路與資料探勘技術於網路教學課程推薦之研究」，碩士論文，朝陽科技大學，台中。
11.陳士杰、李麗華（1998），「應用模糊理論於大學入學之學群選擇」，中華民國第六屆模糊理論及應用論文集，第70頁。
12.梁貫御、姜世英、魯真（2002），「影響高三學生選擇大學商管科系之考量因素」，人文及社會學科教學通訊，第十三卷，第三期，第77-89頁。
13.梁俊明（2002），「ART在教育資料探勘的應用」，碩士論文，國立臺灣師範大學，台北。
14.區雅倫（2001），「大學多元入學新方案的精神與意義」，輔導通訊，第65期，第7-8頁
15.區雅倫（2001），「高中生在新方案中如何選擇大學科系」，輔導通訊，第65期，第9-15頁
16.莊珮真（2002），「高中生因應大學多元入學方案生涯決策之研究」，碩士論文，國立高雄師範大學，高雄。
17.廖進發、鄒浮安(1999)，「多元入學的高中學生之大學聯考成績與高中學業成績之追蹤研究--以高雄中學為例」，雄中學報，高雄。
18.葉怡成（2002），類神經網路模式應用與實作，儒林圖書公司，台北。
19.楊琇媛（2003），「利用資料倉儲與資料探技術於招生策略與學生特質分析之研究」，碩士論文，中原大學，桃園。
20.陶宏麟、陳昌媛、林瓊華（2001），「影響高中參與大學推薦甄選之因素探討」，教育研究資訊， 9(2)，165-181。
21.劉玉春、王澤玲、林益三、陳清平（1990），「高中學生在學三年成績與大學入學考試成績相關性之研究」，大學入學考試中心，台北。
22.鄧志平（1996），「高中生選擇大學科系歷程」，輔導通訊，第49期，p30-31頁
23.蔡美華（2001），「高中資優生之生涯發展準備度及其相關因素之研究」，碩士論文，國立彰化師範大學，彰化。
24.蔡旻璇（2003），「序列樣式分析應用於課程規劃支援系統」，碩士論文，靜宜大學，台中。
25.樓玉玲（1998），「以資料挖掘分析政大通識課程」，碩士論文，國立政治大學，台北。
26.蕭惠蘭（2003），「高中女生性別意識、教育期望、科學成就對升大學選擇科系之影響研究」，碩士論文，國立彰化師範大學，彰化。
27.顏博文（2003），「應用資料探勘技術分析學生選課特性與學業表現」，碩士論文，中原大學，桃園。
28.蘇威霖（2002），「類神經網路應用於多資料庫資料表與欄位對應之研究」，碩士論文，朝陽科技大學，台中。
29.Agrawal, R. and Srikant, R.（1994）, “Fast Algorithms for Mining Association Rules in Large Database,” Proceedings of the 20th International Conference on Very Large Data Bases, pp. 487-499.
30.Akinyele,http://www.csee.umbc.edu/~jklabrou/courses/fall1999-691f/week10/john_akinyele-recommender-systems/491f_files/v3_document.htm, March 2002.
31.Balabanovic, Marko and Hoham, Yoak(1997), “Fab: Content-Based, Collaborative Recommendation,” Communications of ACM, Vol.40, No.3, pp.66-72.
32.Carpenter, G. A. and Grossberg, S., (1987), “A massively parallel architecture for aself-organizing neural pattern recognition machine,” Computer Vision Graphics Image Process, vol. 37, pp. 54-115.
33.Carpenter, G. A. and Grossberg, S., 1987, “ART2：self-organization of stable category recognition codes for analog input patterns,” Applied Optics, vol. 26, pp. 4919-4930.
34.Carpenter, G. A. and Grossberg, S., 1990, “ART3：hierarchical search using chemical transmitters in self-organization pattern recognition architectures,” Neural Networks, vol. 3, no.2, pp. 129-152.
35.Carpenter, G. A., Grossberg, S., et al.(1991), “Fuzzy ART: Fast Stable Learning and Categorization of Analog Patterns by an Adaptive Resonance System,”. Neural Networks, Vol.4, pp.759-771.
36.Changchien, S. W., and Lu, T. C. (2001), “Knowledge Discovery from Object-Oriented Databases Using an Association Rules Mining Algorithm,” Proceedings of the Fifth International Conference on Knowledge-Based Intelligent Information Engineering Systems & Allied Technologies 6, 7 & 8.
37.Chun Zeng, Chun-Xiao Xing, Li-Zhu Zhou (2003), “Similarity Measure and Instance Selection for Collaborative Filtering,” Proceedings of the twelfth international conference on World Wide Web, pp.652-658.
38.Cover, T. and P. Hart(1967), “Nearest Neighbor Pattern Classification,” IEEE Transactions on Information Theory, 6, pp.21-27.
39.Georgiopoulos M, Dagher I, Heileman GL, Bebis G.(1999), “Properties of Learning of A Fuzzy ART Variant.”, Neural Networks Volume 12, pp. 837-850
40.Han, J., and Kamber, M.(2001), Data Mining: Concepts and Techniques, Morgan Kanfmann Publishers.
41.Hossler, D. and K.S. Gallagher(1987), “Studying Student College Choice : A Three-phase Model and the Implications for Policymakers,” College and University, pp207-221.
42.J. Huang, M. Georgiopoulos, and G. L. Heileman.(1998), "Fuzzy ART Properties". Neural Networks Volume 8, Issue 2, pp. 203-213.
43.M. Georgiopoulos, I. Dagher, G.L. Heileman, G. Bebis, (1999), “Properties of Learning of a Fuzzy ART Variant,” Neural Networks, Vol. 12, pp.837-850.
44.Park, J.S., Chen, M.S. and Yu, S.(1995), “An Effective Hash Based Algorithm for Mining Association Rules,” Proceedings of the 1995 ACM SIGMOD International Conference on Management of Data, pp.175-186.
45.Sarwar, B. M., Konstan, J., Borchers, A., Herlocker, J., Miller, B., and Riedl, J.(1998), “Using Filtering Agents to Improve Prediction Quality in the GroupLens Research Collaborative Filtering System,” Proceedings of the 1998 Conference on Computer Supported Cooperative Work.
46.Sarwar, B. M., Karypis, G., Konstan, J. and Riedl, J.(2002), “Analysis of Recommender Algorithms for E-Commerce,” Proceedings of the 2nd ACME-Commerce Conference.
47.Shardanand, Upendra and Maes, Pattie(1995), “Social Information Filtering: Algorithms for Automating “Word of Mouth”,” ACM Press, New York, pp.210-217.
48.Sungjune Park(2000), “Neural Networks and Customer Grouping in E-commerce : A Framework Using Fuzzy ART,” Proceedings Academia/Industry Working Conference on Research Challenges, pp.331-336.