跳到主要內容

臺灣博碩士論文加值系統

(3.235.120.150) 您好!臺灣時間:2021/08/06 03:03
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳柏融
研究生(外文):Po-Jung Chen
論文名稱:應用資料探勘技術於試題分析與選題之研究
論文名稱(外文):Selecting Test Items by Data Mining Techniques
指導教授:劉育津劉育津引用關係
學位類別:碩士
校院名稱:世新大學
系所名稱:資訊管理學研究所(含碩專班)
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:96
中文關鍵詞:關聯規則試題分析最大項目集資料探勘
外文關鍵詞:association ruleachievement testdata mining
相關次數:
  • 被引用被引用:3
  • 點閱點閱:492
  • 評分評分:
  • 下載下載:67
  • 收藏至我的研究室書目清單書目收藏:1
  在試卷設計的領域中,測驗結果是否能真實反應受試者能力相當重要,因此出題者在設計試卷時,試題的鑑別水準是否能有效區隔受試者能力差異是一個重要的議題。在過去的研究中,多半是利用單一試題參數做為產生試卷的考量,亦即在理論假設上假設各試題間是獨立的,但實際上,試題獨立的假設條件並不易於滿足,而本研究試圖於測驗結果中找出試題之間的關聯性,提出二階段的試題分析和選題方法來進行試卷的設計。
  在兩階段選題方法中,第一階段我們先從之前試卷測驗結果資料應用關聯規則找出試題間的替代關係,以增加出題時的選擇性,接下來在第二階段的過程中,我們將基於古典測驗理論的概念,透過最大長度項目集的選題方法取得有效鑑別的試題組合,最後完成試卷推薦,同時可配合第一階段的替代試題結果,完成一份具鑑別度的試卷。
  本研究最後使用中華企業資源規劃學會所辦理的「鼎新配銷模組認證」的測驗資料來進行二階段試題分析和選題方法的實驗,實驗結果可看出本方法能快速地完成試卷的編製,而且鑑別度和試題反應理論(假設試題完全獨立的)之最大值十分接近,顯示出本研究方法所設計的試卷具有高度的鑑別效果。
One of the most important goals of tests designing is to pick items with most discrimination. In the past, most work assumed no dependent relations among test items so that the test papers are made by picking items with highest individual discriminations. But in reality, test items may relate to other items, the overall discrimination of a test paper can not be simply added-up. Hence, this study proposes a two-step method to design test papers by picking discriminative items combinations from the item bank. We first analyze the archival tests to discover substitute items as well as recognize discriminative test itemsets by using data mining technology. Then, the test items are recommended to complete the discriminative test paper.
Finally, a real life case is used to testify the proposed method. These test data are provided by the Chinese Enterprise Planning Association (CERP) in Taiwan. The experimental results show the two-step method can complete the test design task efficiently. In addition, the newly composed test paper presents high discriminative since it is very close to the maximum discrimination under the assumption of items independence which are ideally generated by the Item Response Theory.
摘要I
AbstractII
致謝III
圖目錄VI
表目錄VII
第一章 緒論1
第一節 研究背景及動機1
第二節 研究目的3
第三節 研究範圍與限制4
第四節 研究流程與架構4
第二章 文獻探討6
第一節 古典測驗理論 6
第二節 試題反應理論 10
第三節 資料探勘簡介 18
第四節 關聯分析20
第五節 選題策略28
第六節 小結29
第三章 研究方法31
第一節 研究架構31
第二節 試題分析階段研究流程33
第三節 試題選擇階段研究流程36
第四章 實驗與結果分析42
第一節 資料來源及特性42
第二節 同質性替代試題分析44
第三節 鑑別題組分析 49
第四節 評估60
第五章 結論與建議70
第一節 研究結論70
第二節 建議71
中文參考文獻72
英文參考文獻74
附錄A:卷二試題推薦情形(支持度50%)77
附錄B:卷三試題推薦情形(支持度50%)79
附錄C:卷四試題推薦情形(支持度50%)81
附錄D:卷五試題推薦情形(支持度50%)83
附錄E:卷六試題推薦情形(支持度50%)85
中文參考文獻
1.王寶墉,現代測驗理論,台北:心理出版社,1995。
2.余民寧,試題反應理論的介紹(一)-測驗理論的發展趨勢,研習資訊,第8卷,第6期,13-18頁,1991。
3.余民寧,試題反應理論的介紹(二)-基本概念和假設,研習資訊,第9卷,第1期,5-9頁,1992。
4.余民寧,測驗理論的發展趨勢,心理測驗之學術及實務研討會,台北:政治大學心理研究所,1992。
5.余民寧,試題反應理論的介紹(十二)-電腦化適性測驗,研習資訊,第10卷,第5期,5-9頁,1993。
6.余民寧,教育測驗與評量:成就測驗與教學評量,台北:心理出版社,1997。
7.周文欽、歐滄和、許擇基、盧欽銘、金樹人、范德鑫,心理與教育測驗,台北:心理出版社,1995。
8.林建宏,應用類神經網路支援題庫系統選題鑑別度預測之研究,淡江大學資訊管理系碩士班碩士論文,2003。
9.孫光天、陳岳宏、賴膺守、謝凱隡、陳新豐,使用貪婪演算法作為一有效益之選題策略,全國計算機會議(NCS'99) ,A本,台北:淡江大學,A379-386頁1999a。
10.孫光天,戴伯昌,賴膺守,利用基因演算法於選題策略之研究,全國計算機會議(NCS'99),B本,台北:淡江大學,B237-243頁,1999b。
11.郭生玉,1985,教育測驗與評量,台北:精華書局。
12.陳柏熹,IRT 在量表 ( 測驗 ) 編製上的應用,http:// www.rcpet.ntnu.edu.tw/,2006。
13.陳建一,應用貪婪式基因演算法於選題策略之研究,暨南大學資訊管理系碩士班碩士論文,2003。
14.許擇基、劉長萱,試題作答理論簡介,台北:中國行為科學社,1992。
15.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯,資料探勘,台北:旗標出版社,2007。
16.趙素珍,IRT軟體估計精準度之比較,國立台中師範學院國民教育研究所碩士論文,1998。
英文參考文獻
1.Ahuja, R. K., J. B Orlin. and A. Tiwari, A Greedy Genetic Algorithm for The Quadratic Assignment Problem , Computers and Operations Research, volume: 27, p. 917-934, September 2000.
2.Birnbaum, A., Some latent trait model & their use in inferring an examinee’s ability, In F. M. Lord and M. R. Novick, (eds.) Statistical theories of mental test scores. Reading, Mass: Addison Wesley, 1968.
3.Chen, Chih-Ming, Ying-Ling Hsieh, Shih-Hsun Hsu, Mining learner profile utilizing association rule for web-based learning diagnosis, Expert Systems with Applications, volume: 33, p.6-22, 2007.
4.Romero, C. and S. Ventura, Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications, volume: 33, p.135-146, 2007.
5.Ebel, R. L., The relation of item discrimination to test reliability, Journal of Educational Measurement, volume: 4, p.125-128, 1967.
6.Ebel, R. L. and D.A. Frisbie, Essentials of educational measurement (5th ed.). Englewood Cliffs, NJ: Prentice-Hall, 1991.
7.Embreston, S. E. and S. P. Reise, Item response theory for psycholinguists. Marwah, NJ: Lawrence Erlbaum Associates, 2000.
8.Gulliksen, H., Theory of mental test. Hillsdale, NJ: Lawrence Erlbaum Associates, 1987.
9.Ball G. and D. Hall, A Clustering Technique for Summarizing Multivariate Data, Behavior Scientific, volume 12, p.153-155, March 1967.
10.Hambelton, R. K. and H. Swaminathan, Item Response Theory:Principles and Applications. Hingham, MA: Kluwer, Nijhoff, 1985.
11.Janda, L. H., Psychological Testing: Theory and Application, Boston: Allyn and Bacon, 1998.
12.Han, J., J. Pei, and Y. Yin, Mining Frequent Patterns without Candidate Generation, Proceedings of the 2000 ACM SIGMOD international conference on Management of data, p.1-12, May, 2000.
13.MacQueen, J. B., Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, pp.281-297, 1967.
14.Quinlan, J. R., Discovering rules by induction from large collection of examples, In D. Michie (ed.), Expert Systems in the Micro Electronic Age, Edinburgh: Edinburgh University Press, 1979.
15.Quinlan, J. R., C4.5: Programs for Machine Learning, San Mateo: Morgan-Kaufmann Publishers, 1993.
16.Kelley, T.L., The selection of upper and lower groups for the validation of test item, Educational Psychology, volume: 30, p.17-24, 1939.
17.Breiman, L., J. H. Friedman, R. Olshen, and C. J. Stone, Classification and Regression Trees, NY: Chapman & Hall, 1984.
18.Lord, F. M., The relationship of the reliability of multiple choice items to the distribution of item difficulties, Psychometrika, volume: 18, p.181-194, 1952.
19.Ester, M., H. P. Kriegel, J. Sander, X. Xu, A density-based algorithm for discovering clusters in large spatial databases with noise, Proceedings of Second International Conference on Knowledge Discovery and Data Mining, p. 226-231, 1996.
20.Rasch, G., Probabilistic models for some intelligence and attainment tests, Copenhagen: Danmark Paedagogiske Institut, 1960 (University of Chicago Press, 1980).
21.Agrawal, R., T. Imielinski, and A. Swami, Database mining: A performance perspective, IEEE Transactions on Knowledge and Data Engineering, volume: 5, p.914-925, 1993.
22.Agrawal, R., T. Imielinski, and A. Swami, Mining association rules between sets of items in large databases, Proceedings of the 1993 ACM SIGMOD international conference on Management of Data, p.207-216, 1993.
23.Agrawal, R. and R. Srikant, Mining Sequential Patterns, Proceedings of the 1995 international conference on Data Engineering, pages 3-14, 1995.
24.Bayardo, R., Efficiently Mining Long Patterns form Databases, Proceeding of the 1998 ACM SIGMOD international conference on Management of Data, p.85-93, 1998.
25.Suen, H. K., Principles of test theories, Hillsdale. NJ: Lawrence Erlbaum Associates, 1990.
26.Weiss, S. M. and C. A. Kulikowski , Computer system that Learn: Classification and Prediction Methods form Statistics, Neural Nets, Machine Learning, and Expert System, Mateo: Morgan-Kaufmann Publishers, 1991.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top