臺灣博碩士論文加值系統

鑑於目前資料探勘技術已廣泛應用於各領域，且獲得不錯成效，尤其人力資源管理更為近年來新興的研究領域。檢視我國公務人員陞遷相關文獻，仍極少使用實際資料進行研究，因此本研究將利用資料探勘技術之C5.0決策樹與類神經網路演算法，使用實際資料建置公務人員陞遷分類模型，進行公務人員陞遷因素分析，以期對我國公務人力資源管理研究有所助益，並可做為我國人事主管機關決策，以及公務人員進行公職生涯規劃之參考。
本研究經由C5.0決策樹與類神經網路所建置之各類型機關分類模型，其準確度均在80.16%至96.17%之間，顯示使用資料探勘技術可有效應用於公務人員陞遷議題研究，不僅準確度高，且可發現隱藏於資料中之知識，極有利於公務人力決策之參考。本研究亦發現服務年資、考績及考試為公務人員陞遷至薦任第9職等主管之關鍵因素，且不同層級機關之公務人員陞遷因素略有差異，選擇適合的分類模型進行分析，將可得到更精確的結果。

As data mining techniques have been widely used in many fields and obtain abundant results, human resource management (HRM) is the emerging field of data mining in recently years. Browsing the literatures of civil servants promotion in Taiwan, there are few studies using actual personnel data. In this study, we strive to study on the promotion factors of civil servants by C5.0 decision tree and artificial neural network classifier. We hope the study results will be helpful to public human resource management and can be used on personnel decision making, as well as civil servants evaluate promotion development for future career plan.
The study results obtained from C5.0 decision tree and artificial neural network show that the accuracy can be between 80.16% and 96.17%. Therefore, using data mining techniques applied to civil servants promotion research not only get high accuracy, but also can find hidden knowledge in the data, which is highly conducive to the personnel decision making. The study results also show that the promotion key factors of grade 9 manager are service length, performance evaluation and examination. There are some differences of promotion factors between different levels of organizations. Finally, we have the conclustion that by using the appropriate classification model, it will be helpful for more accurate results.

表 次 v
圖 次 vi
第壹章 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 研究流程 4
第貳章 文獻探討 6
第一節 公務人員陞遷 6
第二節 資料探勘分類技術 16
第參章 研究方法 31
第一節 研究架構 31
第二節 資料及變數選擇 33
第三節 資料預處理 36
第四節 分類模型建置與評估 43
第肆章 實驗結果與分析 52
第一節 中央二級機關分析 53
第二節 中央三級機關分析 61
第三節 直轄市二、三級機關分析 67
第四節 地方二級機關分析 73
第五節 其他機關分析 79
第六節 綜合討論 82
第伍章 結論與建議 89
第一節 結論 89
第二節 管理意涵 91
第三節 研究限制 93
第四節 後續研究建議 94
參考文獻 96
附錄一、中央二級機關C5.0決策樹規則集 101
附錄二、中央三級機關C5.0決策樹規則集 106
附錄三、直轄市二、三級機關C5.0決策樹規則集 111
附錄四、中央四級機關分類模型相關資料 114
附錄五、直轄市四級機關分類模型相關資料 119
附錄六、地方三級機關分類模型相關資料 121

1.王文賢，公務人員職系類別轉換對陞遷影響之研究－以探勘行政及技術類別資料為例，世新大學管理學院資訊管理學系碩士論文，2009。
2.行政院人事行政局，主要人事法規彙編，2009 。
3.李凰詩，我國行政機關陞遷制度之研究－以行政院人事行政局為例，國立政治大學公共行政研究所碩士論文，2010。
4.呂奇傑、李天行、周宗穎、蕭書涵，應用資料探勘技術於人才甄選之研究，第12屆科際整合管理研討會，2008。
5.林慶修，公務人員績效管理導向陞遷制度之研究─以中部五縣市國立高中職學校為例，國立中興大學國家政策與公共事務研究所碩士論文，2010。
6.邱建輝，我國公務人員升遷制度之研究，世新大學行政管理學系碩士論文，2004。
7.梁永嘉，應用資料探勘技術於銀行客戶區隔之研究，輔仁大學資訊管理學系碩士論文，2008。
8.張金鑑，人事行政學，台北市:三民書局股份有限公司，1994。
9.張玲鳳，公務人員陞遷之制度與非制度因素之研究－以臺南縣鄉鎮市公所人員為例，國立中正大學政治學所碩士論文，2009。
10.張俊雄, 以倒傳遞網路預測環孢靈在腎臟移植後患者之用量適當性, 大同大學資訊工程學系碩士論文，2008。
11.張潤書，行政學，台北市:三民書局股份有限公司，1990。
12.許盛家，應用粒子群演算法為基礎之決策樹演算法於人員績效分類預測-以某科技公司為例 ，華梵大學資訊管理學系碩士論文，2008。
13.黃英忠，人力資源管理概論，高雄市:麗文文化事業機構，2007。
14.黃美玲、王怡書， 應用決策樹與類神經網路於大腸桿菌資料庫的研究 ，第17屆模糊理論及其應用研討會，2009 。
15.黃煥榮，公務人員升遷之衡量模式：兼論性別差異之比較分析，考銓季刊，第50期，2007，頁216-237。
16.傅肅良，考銓制度，台北市:三民書局股份有限公司，1993。
17.趙其文，人力資源管理，台北市:華泰文化事業股份有限公司，2002。
18.廖建貴，公務人員晉陞歷程之探勘分析，世新大學管理學院資訊管理學系碩士論文，2009。
19.葉怡成，應用類神經網路，台北市:儒林圖書有限公司，2002。
20.葉怡成，類神經網路模式應用與實作，台北市:儒林圖書有限公司，2003。
21.葉素惠，公務人員陞遷法運作問題與變革之研究-中央機關人事人員觀點，國立台北大學公共行政暨政策學系碩士在職專班碩士論文，2006。
22.陳振弘，女性公務人員陞遷之研究：以交通部薦任女性人員陞科長為例，國立台北大學公共行政暨政策學系碩士論文，2007。
23.賴隆平，官員職等陞遷分類預測之研究，國立政治大學資訊科學學系碩士論文，2009。
24.蔡正村，我國現行公務人員任用制度之研究，國立中山大學政治學研究所碩士在職專班碩士論文， 2003。
25.蔡良文，人事行政學-論現行考銓制度，台北市:五南圖書出版股份有限公司，2003。
26.鄭再添，全民英檢對公務人員陞遷之影響-高雄市的國立大學公務人員案例研究，國立中山大學中山學術研究所碩士論文，2006。
27.MBA智庫百科，決策樹，無日期。2011/12/17，取自：http://wiki.mbalib.com/zh-tw/%E5%86%B3%E7%AD%96%E6%A0%91。
28.維基百科，決策樹，無日期。2011/12/16，取自：http://zh.wikipedia.org/wiki/%E5%86%B3%E7%AD%96%E6%A0%91。
29.Aiolli, F., Filippo, M. D. & Sperduti, A., Application of the preference learning model to a human resources selection task. Computational Intelligence and Data Mining, CIDM '09. IEEE Symposium, 2009.
30.Chang, N., The Application of Neural Network to the Allocation of Enterprise Human Resources, e-Business and Information System Security (EBISS), 2010 2nd International Conference, 2010.
31.Chien, C. F. & Chen, L. F., Data mining to improve personnel selection and enhance human capital : A case study in high technology industry, Expert Systems with Applications, 34(1), 2008, pp.280-290.
32.Dezhen, F. & Ying, G., A HRD Evaluation Method Based on BP Neural Network, 2009 Second International Symposium on Information Science and Engineering (ISISE), 2009.
33.Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P., The KDD Process for Extracting Useful Knowledge from Volumes of Data, http://www.ischool.utexas.edu/~i385df04/readings/fayyad(1996)-kdd.pdf, Retrieved: 2011/04/28.
34.Hagan, M. T., Demuth, H. B. & Beale M., Neural Network Design, PWS Publishing Company, 1996.
35.Han, J. & Kamber, M., Data Mining, Concepts and Techniques Second Edition, Publisher: Morgan Kaufmann, 2006.
36.Jantan, H., Hamdan, A. & Othman, Z., Classification and Prediction of Academic Talent Using Data Mining Techniques, Lecture Notes in Computer Science, Vol.6276, 2010, pp.491-500.
37.Jantan, H., Hamdan, A. & Othman, Z., Classification for talent management using decision tree induction techniques, Data Mining and Optimization, 2009.
38.Jantan, H., Hamdan, A. & Othman, Z., Classification Techniques for Talent Forecasting in Human Resource Management, Lecture Notes in Computer Science,Vol.5678, 2009, pp.496-503.
39.Jantan, H., Hamdan, A. & Othman, Z., Human Talent Prediction in HRM using C4.5 Classification Algorithm, International Journal on ComputerScience and Engineering, Vol.02,No.08, 2010, pp.2526-2534.
40.Min, H. & Emam, A., Developing the profiles of truck drivers for their successful recruitment and retention: A data mining approach, International Journal of Physical Distribution & Logistics Management, Vol. 33 No. 2,2003, pp.149-162.
41.Piazza, F. & Strohmeier, S., Domain-Driven Data Mining in HumanResource Management: A Review, IEEE 11th International Conference, 2011.
42.Quinlan, J.R., Machine Learning, Publisher: Morgan Kaufmann, 1986,pp.81-106.
43.Rastogi, R. & Shim, K., A Decision Tree Classifier that Integrates Building and Pruning, Data Mining and Knowledge Discovery, 4, 2000, pp.315–344.
44.Roiger, R. J. & Geatz, M. W., Data Mining: a tutorial-based primer First edition, Boston: Addison Wesley, 2003.
45.Sivaram, N. & Ramar, K., Applicability of Clustering andClassification Algorithms for Recruitment Data Mining,International Journal of Computer Applications (0975–8887), Vol. 4, No.5, 2010, pp.23-28.
46.Werbos, P. J., Backpropagation through time: what it does and how to do it, Proceedings of the IEEE, Vol.78, No.10, 1990,pp. 1550-1560.
47.Witten, I. H. & Frank, E., Data Mining Practical Machine Learning Tools and Techniques Second.Edition, Publisher: Morgan Kaufmann, 2005.
48.Zimenkov, A., Tree classifiers, Department of Information Technology, Lappeenranta University of Technology, 2000.
49.Merriam-Webster Online, promotion , Retrieved May 28, 2011, from the World Wide Web: http://www.merriam-webster.com/dictionary/promotion .
50.Mind Tools, Decision Trees:Choosing by projecting expected outcomes, Retrieved December 20, 2011, from the World Wide Web: http://www.mindtools.com/dectree.html.
51.Wikibooks,Artificial Neural Networks/Print Version, Retrieved
December 10, 2011, from the World Wide Web: http://en.wikibooks.org/wiki/Artificial_Neural_Networks/Print_Version.