(18.204.227.34) 您好!臺灣時間:2021/05/14 09:40
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:::

我願授權國圖
: 
twitterline
研究生:楊欣怡
研究生(外文):Hsin-yi Yang
論文名稱:粗集理論萃取影響國小數學學習成就因素
論文名稱(外文):Extracting the factors of impacting mathematics achievement using Rough Set Theory for elementary school
指導教授:鄭景俗鄭景俗引用關係
指導教授(外文):Ching-hsue Cheng
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:資訊管理系碩士班
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:45
中文關鍵詞:粗集理論萃取規則數學學習成就
外文關鍵詞:Rough Set TheoryExtracting RulesMathematics Achievement
相關次數:
  • 被引用被引用:2
  • 點閱點閱:248
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
本研究主要目的在利用粗集理論探討影響國小學童數學學習成就的相關因
素,透過學校學務系統所建立的龐大學生資料,運用資料探勘技術進行資料分析。
除了建立較佳的研究模式與預測方法,找出最佳也易於解讀的分類規則,也尋找
影響國小階段數學學習成就表現的顯著因子,探討其與其他學科之相關性。並建
立未來數學學習成就的預測模型,期能提供教師及家長在數學教學與輔導上的參
考,助於達成數學教育教學的目標。
在個案驗證中,選定雲林縣某國小為研究對象,從學務系統中採集一百九十
八位四年級學生資料,包括性別、各科學業成就、瑞文式標準圖形推理測驗(SPM)
成績、家長學歷、家長職業等共十一個研究變數。再配合其他資料探勘技術,及
統計方法做顯著性檢定,進行方法的三角驗證,檢視實驗結果的正確性與可行性。
結果顯示出粗集方法的正確率不僅優於決策樹、樸素貝氏、多層感知機技術方法,
且具有容易瞭解及更少的規則產生。也得知影響數學學習成就之主要因素有:國
語成績、自然成績、SPM 分數等三項屬性,而家長職業對於學生的數學學習成就
並無明顯的影響力。
The main purpose of this paper is to use the rough set theory to explore the
correlation factors of mathematics achievement performance for student in elementary schools. The empirical data set includes 198 records from management information system for an elementary school in Yunlin County. This paper utilizes data mining techniques to discover the collected empirical data, and build a comprehensive model for student achievement in mathematics study. This study also finds the correlation between student performance in mathematics and that in other subjects. From the generated rules of mathematics achievement, the results can assist parents and teachers in reaching their goals in mathematics education.
In case verification, one elementary school in the Yunlin County is chosen to be as case study. The practical collected data includes 198 records (fourth-grade students) from management information system for an elementary school in Yunlin County. There are 11 factors for the practical collected data. The results show that: (1) rough set theory have higher accuracy than decision tree (C4.5), naive bayes, multi-layer perceptron (MLP) methods, (2) the generated rules by rough set theory is easy to understand and with fewer rules. The findings show that there are three primary factors affecting
mathematics achievement performance, which are Chinese language (Mandarin)
performance, Science performance, and SPM score. In the other hands, parents
(guardians) occupations have no significant influence on the level of student
mathematics achievement.
摘要.................................................................... i
Abstract................................................................ ii
誌謝 ................................................................... iii
目錄 ................................................................... iv
表目錄 ................................................................. v
圖目錄 ................................................................. vi
第一章 緒論 ............................................................ 1
1.1 研究背景與動機 ..................................................... 1
1.2 研究目的 ........................................................... 2
1.3 研究範圍與限制 ..................................................... 3
1.4 論文架構 ........................................................... 3
第二章 文獻探討 ........................................................ 5
2.1 數學學習成就 ....................................................... 5
2.1.1 數學學習成就的定義 ............................................... 5
2.1.2 影響數學學習成就的相關研究 ....................................... 6
2.2 粗集理論(Rough Set Theory) ......................................... 9
2.3 相關分類技術介紹 ................................................... 11
2.3.1 決策樹(Decision Tree) C4.5 ....................................... 11
2.3.2 樸素貝氏(Naive Bayes) ............................................ 12
2.3.3 多層感知機(Multi-layer Perceptron,MLP) ......................... 13
第三章 研究方法與設計 .................................................. 15
3.1 研究架構 ..................................................................... 15
3.2 演算步驟 ........................................................... 17
第四章 個案資料分析與驗證 .............................................. 22
4.1 個案資料分析 ....................................................... 22
4.2 粗集理論驗證結果 ................................................... 24
4.3 與其他方法比較 ..................................................... 27
4.4 多變量迴歸顯著性檢定 ............................................... 28
第五章 研究發現 ........................................................ 29
第六章 結論 ............................................................ 31
參考文獻 ............................................................... 32
一、中文文獻:
1. 丁一賢、陳牧言,2005,資料探勘,滄海書局,p136-p154 。
2. 李默英,1983,性別、年級、數學學習態度、性別角色與數學成就之關係,
國立政治大學,碩士論文。
3. 林承德,2003,台東縣國小四年級學童數學態度、數學焦慮與數學成就之研
究,國立屏東師範學院,碩士論文。
4. 林佩蓉,2008,國小四年級新移民學童之家庭背景、數學自信與數學興趣對
數學成就的影響-TIMSS 2003 次層次資料分析,國立臺中教育大學,碩士論文。
5. 林碧珍,蔡文煥,2005,”TIMSS 2003 臺灣國小四年級學生的數學成就及其
相關因素之探討”,科學教育月刊,285 期,頁2-38。
6. 林麗華,2006,國小不同數學成就學生對數學文字題的閱讀理解能力之探討,
國立台南大學,碩士論文。
7. 林金玲,2002,最佳服務中心點數目及位置決策資訊系統,華梵大學,碩士
論文。
8. 吳梅蘭、曾哲仁,1994,”國小學童數學態度及其相關因素之研究”,國立
台南師範學院台南師院學生學刊,15 期,頁19-38。
9. 吳元良,1996,不同數學課程、性別、社經地位的國小學生在數學態度及成
就上比較之研究,國立屏東師範學院,碩士論文。
10.吳淑珠,1998,國小學童自我概念、數學學習動機與數學成就的關係,國立
屏東師範學院,碩士論文。
11.岡部�琲v、鈴木敏史,2004,你也可以是牛頓--數理能力訓練,商周出版。
12.和田秀樹,2005,數字專家最搶手,格林文化。
13.徐建煌,2003,國小學童分數文字題解題歷程與解題歷程錯誤類型,台北市
立師範學院,碩士論文。
14.連瑞琦,1999,實作評量對國小學生數學成就與態度的影響,南華管理學院,
碩士論文。
15.曹宗萍,1988,”高屏地區國小兒童四則問題的解題過程表現及其相關因素
之研究”,屏東師院學報,1 期,頁53-90。
16.陳秋婷,2002,一個適用於不平衡訓練資料集的多變量決策樹之研究,國立
台南師範學院,碩士論文。
17.張景媛,1994,”國中生數學學習歷程統整模式之研究”,教育心理學報,
27 期,頁141-174。
18.張吉良,2001,利用進化演算法在多層感知機結構上之判別回授等化器,國
立中央大學,碩士論文。
19.張筱珊,2004,國小學童演繹邏輯推理能力之研究,國立屏東師範學院,碩
士論文。
20.張春興,1989,張氏心理學辭典,台北市:東華書局。
21.教育部,1993,國民小學課程標準,台北市:教育部。
22.教育部,2001,國民教育九年一貫課程綱要,台北,教育部。
23.曾安如,2004,國小二年級學童數學寫作活動數學成就與數學態度之相關研
究,國立台中師院學院,碩士論文。
24.黃志宏,2005,國民小學學童數學成就與雕塑表現能力之相關性研究,臺北
市立師範學院,碩士論文。
25.黃俊仁,2003,國小五年級學童對有情境的數學文字題解題相關因素之研究,
國立屏東師範學院,碩士論文。
26.游俊雄,2007,台灣高中生數學成就及其相關因素之探討,國立中央大學,
碩士論文。
27.蔡政賜,2006,國小六年級學生數學成就相關因素之調查研究-以TASA2005
為例,國立台南大學,碩士論文。
28.賴家瑞、溫坤禮,2005,”粗糙集方法於授信審核之應用”,計量管理期刊,
2 卷,1 期,頁69~78。
29.魏麗敏,1997,”影響國小兒童數學成就之自我調解學習與情感因素分析之
研究”,台中師院學報,11 期,頁37-63。
30.蘇一如,2007,影響國際數學成就因素之比較-以TIMSS 2003 臺灣與美國為
例,國立臺北教育大學,碩士論文。
31.行政院,1992,勞工委員會職業訓練局中華民國職業標準分類,取自
http://www2.evta.gov.tw/odict/srch.htm,97 年8 月
32.教育部,2007,國民小學及國民中學學生成績評量準則,取自
http://law.moj.gov.tw/Scripts/Query4A.asp?FullDoc=all&Fcode=H0070019,
97 年8 月
二、英文文獻:
1.Chan C.C., and Grzymala-Busse J.W.,1994, “On the two local inductive
algorithms:PRISM and LEM2.” Foundations of Computing and Decision Sciences,
vol.19,p.185–203.
2.Dimitras A. L., Slowinski R., Susmaga R., Zopounidis C., 1999, “using
faiure prediction using rough set”, European Journal of Operation Research,
vol. 114,pp.263-280.
3.Grzymala-Busse J.W., 1992, “LERS—A system for learning from examples based
on rough sets.” In Slowinski Intelligent Decision Support. Handbook of
Applications and Advances of the Rough Sets Theory. Kluwer, pp.3–18.
4.Gehrke J., Ramakrishnan R., Ganti V., 2000,“Rain Forest - A Framework for
Fast Decision Tree Construction of Large Datasets.”, Data Mining and
Knowledge Discovery, 4(2/3), p127-162
5.Mehta M., Agrawal R., and Rissanen J., 1996, “SLIQ: A Fast Scalable
Classifier for Data Mining.” EDBT, p18-32.
6.Pearl J. ,1988, Probabilistic Reasoning in Intelligent Systems: Networks of
PlausibleInference, Morgan Kaufmann, California.
7.Pal S.K., Skowron A.,1999, “Rough-Fuzzy hybridization: A new trend in
decisionmaking” Singapore: Springer-Verlag.
8.Pawlak Z., 1982,“Rough Sets”, International Journal of Computer and
Information Sciences, Vol.11, No.5, pp.341-356.
9.Pawlak Z., 2002,“Rough Sets and Intelligent Data Analysis”, Information
Sciences,Vol.147, pp.1-12.
10.Pawlak Z., Grzymala-Busse J., Slowinski R.,1995, “Rough Sets”, Commun
ACM,38(11) ,pp89-95.
11.Pawlak Z., 1991, “Rough Sets: Theoretical Aspects of Reasoning about
Data”,Kluwer Academic Publishers.
12.Quinlan J.R.,1986, “Induction of decision trees,” In Machine learning,
vol. 1,Kluwer Academic,pp.81-106.
13.Quinlan J. R.,1993,C4.5: Programs for Machine Learning, Morgan Kaufmann ,San
Mateo, CA.
14.Rumelhart D. E., Hinton G. E., Williams R. J., 1986, “Learning internal
representation by error propagation”, Parallel Distributed Processing, 1,
pp.318-362
15.Raven J.、Raven J.C.、Court J.H.,1998,Manual for Raven’s Progressive
Matrices and Vocabulary Scales.Section 2:The Coloured Progressive
Matrices.San Antonio,TX:Harcourt Assessment.
16.Shafer J.C., Agrawal R., Mehta M., 1996, “SPRINT: A Scalable Parallel
Classifier for Data Mining.” ,VLDB , p544-555
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔