臺灣博碩士論文加值系統

在這知識經濟的時代下，知識變的很重要，當學習者學習知識時若沒接受到有效的幫助與支援，會導致學習孤獨，因此本研究主要的目的是利用知識結構圖來降低學習孤獨的問題。知識結構圖是以圖形化的方式呈現知識之間之關係，可以有效幫助學習者降低學習孤獨。為了實作出知識結構圖，故本研究選定台灣資訊管理領域做為應用的對象，以全國博碩士論文資料為資料來源，針對學術論文的關鍵字加以整理並刪減合併為各研究主題、計算兩兩研究主題彼此間之關聯，最後自動化建構整體領域的知識結構圖、切割不同時間區段呈現領域的知識結構圖、單一主題為中心之方向性關係圖與單一主題為中心之群組相關研究主題的知識結構圖，來幫助新近研究者降低學習孤獨。
本研究除了以全國博碩士論文資料庫為例，實作出來建構領域的知識結構圖外。更進一步以這些實作出來的領域知識結構圖，分析台灣資訊管理領域的知識內涵及其發展的變遷。本研究提出應用關聯規則自動化建構具有方性之領域的知識結構圖，不僅可以降低新進研究人員學習孤獨外，還可以提供研究者一個參考依據、決定研究領域或知識分享等方面的支援工具，在不同的領域同樣也是累積了大量知識，亦可以採用本研究所提出的方式，建構屬於該專業領域之領域的知識結構圖，來輔助新進人員學習。首先可以請領域的相關人員擷取出相關的關鍵字，再使用本研究所提出之方法及可建構具有方向性關係之領域的知識結構圖。除此之外，可以試著套用在企業界這對於企業高階主管們在做決策時可掌握住公司內部或外部的競爭優勢，或決定公司未來的發展方向時可以有具體的參考依據。因此本研究所提出來的方法，可以很方便的運用到其他不同的領域，來幫助新進學習者降低學習孤獨，進一步達到知識分享。

In the coming knowledge-based economy era, knowledge structure map (KSM) has becoming more and more important. If learners doing learning without the support of knowledge structure map, it will cause learning alone problem. In order to construct a real KSM, we targeted the MIS domain. By using the National Dissertation and Thesis Abstract System as input source, we first extract different research subjects from keywords and then calculate the relation strength between each keyword pairs. An automatic approach has been developed for constructing KSM for different periods of time. The constructed KSM can help learners to reduce learning alone and provide a good reference for new researchers to seek for related research directions.
The proposed method can also be applied to enterprises. They can adopt this method to construct any specific KSM corresponding to their professional domain, the constructed KSM would help new employee to learn better. Furthermore, with the support of KSM, CEO can make a better decision as the KSM would contain internal and external competitive advantages about future directions.

表　目　錄 1
圖　目　錄 2
摘　　　要 3
第一章、序論 5
第一節、研究背景與動機 5
第二節、研究目的 7
第三節、論文架構 8
第二章、文獻探討 10
第一節、知識圖 10
第二節、知識結構圖 11
第三節、關聯規則 17
第三章、基本假設與系統設計 20
第一節、基本假設 20
第二節、系統架構 22
第三節、系統設計 24
一、資料擷取階段 24
二、論文關鍵字處理階段 25
三、建立兩兩研究主題配對階段 32
四、關聯分析階段 32
五、知識結構圖繪製階段 38
第四章、結果分析與評估 43
第一節、結果分析 43
一、資訊管理領域整體的知識結構圖 43
二、資管領域整體的知識結構圖之變遷分析 45
三、具有方向性關係的知識結構圖 50
四、群組相關研究主題之關係的知識結構圖 53
第二節、系統評估 56
一、將論文關鍵字資訊轉換為交易記錄格式 56
二、透過資料挖掘軟體，尋找其中是否有規則存在 57
三、分析執行結果，並將執行結果與本研究程式來驗算 58
第五章、結論 61
第一節、研究成果 61
第二節、研究範圍與限制 62
第三節、未來研究方向 63
中文參考文獻 64
英文參考文獻 66
附錄一　知識關係之專家評估問卷 69

中文參考文獻
[1]王惠嘉、張毓倫(民91)。研討會之知識管理及其系統之建構與發展。第十三屆國際資訊管理學術研討會，659-666。
[2]吳育龍(民89)。於網際網路上應用知識結構圖輔助學習之研究。私立中原大學資訊工程研究所碩士論文，未出版，中壢市。
[3]巫啟台(民92)。文件之關聯資訊萃取及其知識結構圖自動建構。國立成功大學資訊工程研究所碩士論文，未出版，台南市。
[4]李律品(民91)。資訊管理研究之生態演化分析。國立中山大學資訊管理研究所碩士論文，未出版，高雄市。
[5]林伯成(民91)。利用知識地圖診斷數學問題之研究。私立中原大學資訊工程研究所碩士論文，未出版，中壢市。
[6]林東清(民91)。資訊管理：e化企業的核心競爭能力，台北：智勝文化公司。
[7]范正坤(民91)。關聯法則與統計分析之探討。國立中央大學統計研究所碩士論文，未出版，中壢市。
[8]孫振凱(民91)。利用網頁建構知識分佈圖。國立中山大學資訊管理研究所碩士論文，未出版，高雄市。
[9]高宜敏(民89)。合作競爭式的網路分享建構學習環境。國立交通大學資訊科學所碩士論文，未出版，新竹市。
[10]張家華(民90)。資訊管理學科文獻內援用理論之探討－以台灣碩、博士論文為例。國立政治大學資訊管理研究所碩士論文，未出版，台北市。
[11]張翠英、亢臨生(民87)。三字歧義鍊自動分詞方法。情報學報，3， 44-48。
[12]郭祥昊、鍾義信、楊麗(民87)。基於兩漢詞簇的漢語快速自動分詞演算法。情報學報，5，34-39。
[13]陳弘哲(民94)。自動化建構e-Learning 領域之知識結構圖。國立中山大學資訊管理研究所碩士論文，未出版，高雄市。
[14]陳年興、孫振凱(民91)。透過網頁分析建構知識分布圖以輔助線上教學。第十三屆國際資訊管理學術研討會，675-682。
[15]陳年興、謝盛文、鄭百勝(民94)。自動化建構具時間向度之知識結構映射圖-以資訊管理領域之知識及其演進為例，TANET 2005台灣網際網路研討會論文摘要集，65。
[16]陳明溥、莊良寶(民88)。全球資訊網學習環境中學習活動型態與學習成效之研究。TANET 1999台灣網際網路研討會，高雄中山大學。
[17]陳明溥、顏榮泉(民88)。網路化問題導向學習系統建構模式之研究。第八屆電腦輔助教學國際研討會論文，台中逢甲大學。
[18]陳道輝(民92)。利用學位論文資訊萃取資訊相關領域之研究主題關聯性。國立中山大學資訊管理研究所碩士論文，未出版，高雄市。
[19]黃琬婷(民93)。自動化建構具時間向度之知識結構映射圖-以資訊管理領域之知識及其演進為例。國立中山大學資訊管理研究所碩士論文，未出版，高雄市。
[20]楊存一(民90)。利用自適應共振理論網路探討MIS學術論文關鍵議題的發展趨勢。國立雲林科技大學資訊管理研究所碩士論文，未出版，雲林縣。
[21]蔡浚明(民92)。以連結分析法診斷個人知識結構圖。私立元智大學資訊工程研究所碩士論文，未出版，中壢市。
[22]謝武星(民89)。針對「學術論文」的知識管理技術研究。國立政治大學資訊管理研究所碩士論文，未出版，台北市。
[23]謝盛文、陳道輝、陳年興(民92)。利用知識關聯圖達到外顯知識分享之研究，2003全國計算機會議，台中逢甲大學。
英文參考文獻
[1]Abiteboul, Clifton, D. Ullman, Motwani, Nestorov, Rosenthal, Tsur (1998). Query flocks: a generalization of association-rule mining. Proceedings of the 1998 ACM SIGMOD international conference on Management of data, 1-12.
[2]Agrawal, R., & Srikant, R. (1994). Fast Algorithms for Mining Association Rules in Large Database. Proceeding of the 20th Internationl Conference on Very Large Data Bases, 487-499.
[3]Agrawal, R., Imielinski, T. & Swami, A. N. (1993). Mining Association Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207-216.
[4]Anderson, J. R. (1983), The Architecture of Cognition. MA: Harvard University Press.
[5]Ausubel, D. P. (1968). Educational Psychology: A Cognitive View. NY: Holt, Rinehart & Winston.
[6]Barki, H., Rivard, S., & Talbot, J. (1988). An Information Systems Keyword Classification Scheme. MIS Quarterly, 12(2), 299-322.
[7]Berghel, H. (1997). Cyberspace 2000: Dealing with Information Overload. Communications of the Association for Computing Machinery, 40(2), 19-24.
[8]Borchers, A., Herlocker, J., Konstan, J., & Riedl, J. (1998). Ganging Up on Information Overload. Computer, 31(4), 106-108.
[9]Buzan, T., & Buzan, B. (2003). The Mind Map Book: Radiant Thinking –Major Evolution in Human Thought, London: BBC Active.
[10]Drucker, P. F. (1993). Post Capitalist Society. NY: Harper Bussiness.
[11]Duffy, T. M., Lowyck, J., & Jonassen, D. H. (1993). Designing Environment for Constructive Learning. Heidelberg: Springer-Verlag.
[12]Eppler, M. J. & Mengis, J. (2004). The Concept of Information Overload: A Review of Literature from Organization Science, Accounting, Marketing, MIS, and Related Disciplines. The Informatiohn Society, 20(5), 325-344.
[13]Eppler, M. J. (2003). Making Knowledge Visible Through Knowledge Maps: Concepts, Elements, Case. In C. W. Holsapple (Eds.), Handbook on Knowledge Management 1, Berlin: Springer.
[14]Fisher, K. M. (1990). Semantic Networking: The New Kid on the Block. Journal of Research in Science Teaching, 27(10), 1001-1018.
[15]Garfield, E. (1980). ABCs of Cluster Mapping. Part 1. Most Active Fields in the Life Sciences in 1978. Current Contents, 40, 5-12.
[16]Gordon, J. L. ( 2000). Creating Knowledge Maps by Exploiting Dependent Relationships. Knowledge-Based Systems, 13, 71-79.
[17]Gordon, J. L., & Jorgensen, L. (2003). Learning Support Using Knowledge Structure Maps. Paper presented at the meeting of Annual Conference 2003 Forum for the Advancement of Continuing Education, UK: University of Stirling.
[18]Han, J., Pei, J., & Yin, Y. (2000). Mining Frequent Patterns Without Candidate Generation. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 1-12.
[19]He, Y., & Hui, S. C. (2002). Mining a Web Citation Database for Author Co-Citation Analysis. Information Processing and Management, 38(4), 491-508.
[20]Hong, T., & Han, I. (2002). Knowledge Based Data Mining of News Information on the Internet Using Cognitive Maps and Neural Networks. Expert Systems with Applications, 23, 1-8.
[21]Hwang, W. Y., Chen, N. S., & Hsu, R. L. (2006). Development and Evaluation of Multimedia Whiteboard System for Improving Mathematical Problem Solving. Computers & Education, 46(2), 105-121.
[22]Jonassen, D. H. (1988). Designing Structured Hypertext and Structuring Access to Hypertext. Educational Technology, 28(11), 13-16.
[23]Jonassen, D. H., Reeves, T. C., Hong, N., Harvey, D., & Peters, K. (1997). Concept Mapping as Cognitive Learning and Assessment Tools. Journal of Interactive Learning Research, 8(3-4), 289-308.
[24]McAleese, R., Grabinger, S., & Fisher, K. (1999). The Knowledge Arena: A Learning Environment That Underpins Concept Mapping. Paper presented at the Meeting of the 1999 American Educational Research Association Conference. Canada, Montreal.
[25]Mueller, A. (1995). Fast Sequential and Parallel Algorithms for Association Rule Mining: A Comparison. Technical Report, Dept. of Computer Science, Univ of Maryland, College Park, MD.
[26]Novak, J. D., & Gowin, D. B. (1984). Learning how to learn. NY: Cambridge University Press.
[27]Park, J. S., Chen, M. S., & Yu, P. S. (1995). An Effective Hash-Based Algorithm for Mining Association Rules. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 175-186.
[28]Park, J. S., Chen, M. S., & Yu, P. S. (1997). Using a Hash-Based Method with Transaction Trimming and Database Scan Reduction for Mining Association Rules. IEEE Transactions on Knowledge and Data Engineering, 9(5), 813-825.
[29]Reigeluth, C. M. (1979). In Search of a Better Way to Organize Instruction: The Elaboration Theory. Journal of Instructional Development, 2, 8-15.
[30]Ross, S. M. (2000). Introduction to Probability and Statistics for Engineers and Scientists. (2nd ed.). London: Academic Press.
[31]Schultz, U., & Leidner, D.E. (2002). Studying Knowledge Management in Information System Research: Discourses and Theoretical Assumptions, MIS Quarterly, 26(3), 213-242.
[32]WebDot Home Page. (2006). Retrieved Aug. 8, 2006 from http://www.graphviz.org/webdot