臺灣博碩士論文加值系統

摘要


遠距教學逐漸改變了傳統的教學模式，在網際網路的發展之下，透過網路的特性，具有無時間與空間的限制，藉以提高教育品質。目前網路教學的研究，多著重於開發系統與教材的製定，如SCORM等等。學習者如何使用網路教學平台選到適合自已的課程，進而增加學習的興趣與學習績效，此議題較少被探討且是值得研究的方面。由於網路教學的研究越來越多，但能依學習者的喜好，推薦網路教學上的課程，相關研究卻很少。因此本研究除了利用關連規則的技術外，同時依據領域專家的知識與學習者的學習能力，達到更精確的個人化推薦機制，進而提高學習者的學習績效。此方法主要結合學習者主觀的修課記錄與客觀的領域專家知識與學習者的學習能力，提供具有優先順序的課程推薦，將更能精確的推薦課程給學習者，而且是學習者感興趣與相關的課程。進而達到個人化的課程推薦目的。

本研究利用資料探勘技術之關連式法則中的Dynamic Itemsets Counting演算法，使用關連規則，分析學習者歷年來的選課記錄，並結合學習者的選課成績與領域專家所定義的課程與課程之間的權重值，使用資料探勘的技術，幫助學習者，能依學習者能力，透過本選課推薦系統平台，推薦具有優先推薦順序的課程給學習者。本研究以某國立科技大學資訊相關科系的學習者作為本系統驗證的調查對象；並以二年級作為驗證的施測對象，學習者在觀看完課程推薦後，以滿意度問卷方式，詢問學習者對本研究的選課推薦系統與傳統的選課系統之間的滿意程度差異，以驗證本研究選課推薦系統的實用性。

Abstract


With advent of the Internet and networking, the development of distance education has shifted the traditional educational paradigm for learning anytime and anywhere. Currently, many research works focus on the development of learning system and learning material, such as SCORM. Only a few works concentrate on the study of course recommender system for the requirement of elearning courses. In this work, a recommendation approach implemented by association rules is proposed to recommend personalized learning courses based on the information of previous selected courses, expertise in curriculum designs, and leraner’s abilities for improving learning motivation and learning performance. To approach the aim of the personalized course recommendations, the proposed approach utilizes associated rule to discover the relationship of selected courses from the previous information. With the integration of the learner’s capability and expertise in course associations, the students should be more satisfied with the recommended curriculum for personalized learning.

An association rule’s algorithm, Dynamic Itemsets Counting (DIC), is implemented in the system for the association analysis of selected courses. Two classes of the second-years universtiy students have taken part in the experiment. The result showed that there existed a significant difference between the recommendation systm and the traditional curriculum system in respect of the performance of recommendation courses.

目錄
中文摘要 I
英文摘要 II
誌謝 III
目錄 IV
一、緒論 1
1.1 研究背景與動機 1
1.2 研究目的與特色 2
1.3 研究限制 3
1.4 論文架構 3
二、文獻探討 5
2.1 關連規則演算法 6
2.2 推薦系統 14
2.3 課程推薦系統 18
三、系統架構 23
3.1 系統架構 23
3.2 能力診斷模組 26
3.3 課程關連模組 27
3.4 課程推薦模組 29
3.5 推薦流程 32
四、系統實作 34
4.1 環境與平台 34
4.2 前置處理 34
4.3 實作系統概觀 35
4.4 製作課程推薦系統 36
4.4.1 新生事前測驗推薦機制 36
4.4.2 智慧型選課推薦機制 38
五、研究方法與結果 42
5.1 研究方法 42
5.1.1 問卷設計 42
5.1.2 研究對象 42
5.2 研究結果 43
5.2.1 問卷信效度 43
5.2.2 因素分析 49
5.2.3 相依樣本T檢定 56
5.2.4 滿意度分析 59
六、結論 64
6.1 研究結論 64
6.2 研究貢獻 65
6.3 未來研究方向 65
英文參考文獻 67
中文參考文獻 69
附錄一：滿意度問卷 70
附錄二：課程等級 72
附錄三：專家權重表 74
附錄四：專業選修科目類別 75

英文參考文獻
Banning, J. a. K., L. (1974). An ecological perspective and model for campus design. The Personnel and Guidance Journal, 52, pp. 370-375.
Billsus, D., and Pazzani, M. J. (1998). Learning Collaborative Information Filters. In Proceedings of the Fifteenth International Conference on Machine Learning (Madison, WI, 1998), Morgan Kaufmann, pp. 46-53.
BM Sarwar, G. K., JA Konstan, J Reidl. (2001). Item-Based Collaborative Filtering Recommendation Algorithms. In Proc. of the 10th International World Wide Web Conference (WWW10), Data Mining and Knowledge Discovery.
Brewer, G. (1992). Studied Simplicity: David Mamet's On Directing Film. Literature Film Quarterly 20, pp. 167-68.
Brin, S., Motwani, R.,Ullman, J. D., and Tsur, S. (1997). Dynamic itemset counting and implication rules for market basket data. In ACM SIGMOD International Conference On the Management of Data, 26(2), pp. 255-264.
Chen, Z. (2001). Data mining and uncertain reasoning: an integrated approach John Wiley & Sons.
Cho, Y. H. a. J. K. (2004). Application of Web Usage Mining and Product Taxonomy to Collaborative Recommendations in E-Commerce. Expert Systems with Applications Vol. 26, No. 2, pp.233-246
DeVellis, R. F. (1991). Scale Development: Theory and Applications. Newbury Park,. CA: SAGE Publications. .
Goldberg, D., David Nichols, Brian M. Oki, and Douglas Terry. (1992). Using Collaboratie Filtering to Weave an Information Tapestry. Communications of the ACM, Vol. 35, No.23 pp.61-70.
Good, N., Schafer, B., Konstan, J., Borchers, A., Sarwar, B., Herlocker, J., and Riedl, J. (1999). Combining Collaborative Filtering With Personal Agents for Better Recommendation. In Proceedings of the AAAI'99 conference, pp. 439-446.
Han, j., & Kamber, M. . (2000). Data mining:Concepts and techniques. San Francisco:Morgan Kaufmann Publishers.
J.Hipp, U. G., and G. Nakhaeizadeh. (2000). Algorithms for Association Rule Mining- A General Survey and Comparison. ACM SIGKDD Exploration, vol.2, Issue 1, p.58-63, p.p.58-63.
John s. Breese, D. H., and Carl Kadie. (1998). Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Appears in Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, Madison, WI, July.
Kerlinger, F. N. (1986). Foundations of behavioral research (3rd. ed.). . Fort Worth, TX: Holt, Rinehart, and Winston.
Meteren, R. v. a. S., Marrten van. (2000). Using Content-Based Filtering for Recommendation. Proceedings of ECML Workshop:Machine Learning in New Information age, pp.47-56.
Nunnally. (1978). Psychometric theory (2nd ed.). . New York: McGraw-Hill.
Park, J. S., Chen, M. S.,and Yu, P. S. (1995). An effective hash-based algorithm for mining association rules. Proceedings of ACM SIGMOD International Conference on Management of Data, pp. 175-186.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P. and Riedl, J. (1994). GroupLens: An Open Architecture for Collaborative Filtering of Netnews. pRoceedings of CSCW '94. Chapel Hill, NC.
S. Brin, R. M., J. D. Ullman, and S. Tsur. (1997). Dynamic itemset counting and implication rules for market basket data. In ACM SIGMOD International Conference On the Management of Data, p.p. 255-264.
Savasere, A., Omiecinski, E., and Navathe, S. (1995). An Efficient Algorithm for Mining Association Rules in Large Databases. In: Proc. of Int. Conf. on Very Large Data Bases, pp. 432-443.



中文參考文獻
吳明隆 (民92) 。spss 統計應用學習實務-問卷分析與應用實務 。台北：
知城數位科技。
李麗華、邱永祥 (民92) 。 智慧型線上教學課程推薦機制 。朝陽科技大
學資訊管理研究所碩士論文，已出版，台中。
陳順宇 (民89) 。迴歸分析 。台北：華泰。
楊琇瑗 (民92) 。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系碩士論文，已出版，桃園。
劉信義、張瑞益 (民94) 。關聯法則挖礦法之研究-採用群聚壓縮樹演算
法 。中原大學電子工程研究所碩士論文，已出版，桃園。。
鄭旭峰 (民89) 。運用資料挖掘技術於個人化網路廣告系統之建置 。私
立逢甲大學企業管理研究所碩士論文，已出版，台中。
顏博文 (民92) 。應用資料探勘技術分析學生選課特性與學業表現 。中
原大學資訊管理學系碩士論文，已出版，桃園。
黃智育 (民91) 。資料探勘於即時線上推薦系統之用研究 。朝陽科技大學資訊管理學系碩士論文，已出版，台中。
溫侑柯 (民95) 。應用資料探勘之關聯法則探討大學入學成績對在學成績
的影響-以資料系為例 。南華大學資訊管理學系碩士論文，已出版，
雲林。
謝育勳 (民89) 。員工知識管理系統之設計與發展-資料採擷技術之應用 。
國立中央大學人力資源管理研究所碩士論文，已出版，桃園。
童宜慧、張基成 (民85) 。網路化學習歷程檔案系統 。ICCAI 國際電腦輔
助教學研討會第八屆，台中。
吳清山、林天祐 (民86) 。教育名詞：卷宗評量 。教育資料與研究，69。
余民寧 (民92) 。多元智力理論教學評量的省思 。教育研究月刊，110，5
7-67。