應用擴增因果規則探勘於學生畢業後成果與在校歷程之關聯分析

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：44

、訪客IP：18.188.57.0

姓名

黃鉦淩(Cheng-Ling Huang) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

應用擴增因果規則探勘於學生畢業後成果與在校歷程之關聯分析
(Graduated Student Achievement And Learning Portfolio Analysis With Dimension Expanding Causal Rule Mining)

相關論文

★ 應用自組織映射圖網路及倒傳遞網路於探勘通信資料庫之潛在用戶	★ 基於社群網路特徵之企業電子郵件分類
★ 行動網路用戶時序行為分析	★ 社群網路中多階層影響力傳播探勘之研究
★ 以點對點技術為基礎之整合性資訊管理及分析系統	★ 在分散式雲端平台上對不同巨量天文應用之資料區域性適用策略研究
★ 應用資料倉儲技術探索點對點網路環境知識之研究	★ 從交易資料庫中以自我推導方式探勘具有多層次FP-tree
★ 建構儲存體容量被動遷徙政策於生命週期管理系統之研究	★ 應用服務探勘於發現複合服務之研究
★ 利用權重字尾樹中頻繁事件序改善入侵偵測系統	★ 有效率的處理在資料倉儲上連續的聚合查詢
★ 入侵偵測系統：使用以函數為基礎的系統呼叫序列	★ 有效率的在資料方體上進行多維度及多層次的關聯規則探勘
★ 在網路學習上的社群關聯及權重之課程建議	★ 在社群網路服務中找出不活躍的使用者

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

校務研究在近幾年已經成為許多學校的主要研究方向，目的是為了提
高學校本身的績效。雖然校務研究已經執行多年，對於小範圍議題之分析
已經很普遍，但對整體高教的探索性研究還尚未形成一個共識，以至於議
題的研究選擇重複性很高。其中造成議題重複性很高的原因為資料的缺
乏，在有限的欄位下，能探討的議題就極其有限，因此，為了達成廣泛的
探索性研究，需要大量的資料欄位來輔助，才能逐步擴大議題來分析，達
到廣泛探索之目的。
本研究模擬資料欄位擴增的情形，開發漸進式演算法應用於欄位擴增
的資料來降低時間成本，同時針對新加入的欄位，挖掘新舊欄位之間的關
聯，試圖尋找出新的欄位是否對於舊欄位之間的關聯產生影響，以及新舊
欄位尚未交互前無法挖掘出的關聯。藉由廣泛的探索資料的關聯來提供決
策者分析，達成決策支援。

摘要(英)

Institutional research has become a major research direction for many
schools to improve the school’s performance in recent years. Although
Institutional research has been conducted for many years, analysis of small-scale
issues is already common, but the exploratory research on higher education as a
whole has not yet reached a consensus, so that the research selection of issues is
highly repetitive. One of the reasons for this issues of repetition is the lack of
data, and the limited number of attributes that can be explored with limited
fields makes it extremely limited. Therefore, in order to achieve extensive
exploratory research, a large number of data attributes are needed to assist in
expanding the scope of analysis and achieve the goal of extensive exploration.
This paper simulates the situation of expanding data attributes, develops
algorithms applied to data attributes expansion to reduce time costs. In addition,
for these expanding data attributes, trying to identify whether they have an
impact on the correlations between old attributes, as well as correlations that
cannot be identified before the interaction between expanding attributes and old
attributes. Through extensive exploration of data correlations, decision-makers
can be provided with analysis and achieve decision support.

關鍵字(中)

★ 資料探勘
★ 校務研究
★ 關聯規則探勘
★ 漸進式演算法

關鍵字(英)

★ Data Mining
★ Institutional Research
★ Association rule Mining
★ Incremental Algorithms

論文目次

摘要 1
ABSTRACT 2
致謝 4
目錄 5
圖目錄 7
表目錄 8
一、緒論 1
1-1. 研究背景與動機 1
1-2. 研究目的 2
1-2-1. 利用因果關係挖掘資料之間的關聯 3
1-2-2. 完善資料欄位，使其能完整呈現欄位之間的關係 4
1-2-3. 尋找隱藏在新舊資料尚未交互時無法產生的規則 5
二、文獻探討 7
2-1. 資料探勘 7
2-2. 校務研究 7
2-3. 關聯規則 8
2-4. 因果規則 9
2-5. 隊列研究與勝算比 10
2-6. 漸進式探勘 12
三、研究方法 13
3-1.系統流程與架構 13
3-2. 資料選擇 14
3-3. 資料前處理 14
3-4. 應用關聯規則探勘輔助尋找因果規則 15
3-5. 因果規則探勘 16
3-5-1. 隊列研究之控制組設計 16
3-5-2. 應用公平資料集預防資料偏頗 17
3-5-3.以勝算比分析結果 18
3-6.欄位擴增之因果規則探勘 19
3-6-1. 因果規則之重新整理 19
3-6-2. 新因果規則之產生 21
四、實驗 24
4-1.實驗環境與規格 24
4-2. 實驗資料集與執行時間 24
4-3. 結果討論 26
4-3-1. 重新整理之因果規則討論 26
4-3-2.隱藏的因果規則討論 27
五、結論 29
六、參考文獻 31

參考文獻

[1] A. M. Delaney, “The Role of Institutional Research in Higher Education: Enabling Researchers to Meet New Challenges.” Research in Higher Education, Vol 38, No. 1,pp. 1-16, 1997.
[2] 國家發展委員會大學總數統。2023年2月，取自https://www.ndc.gov.tw/Content_List.aspx?n=CD0C0A5FC08858C9。
[3] 內政部出生率統計。取自 https://www.moi.gov.tw/cp.aspx?n=602
[4] 中央大學校務研究辦公室。取自https://ir.ncu.edu.tw/index.php/zh/
[5] J. W. Tukey. 1977. Exploratory Data Analysis. Addison-Wesley. ISBN 978-0-201-07616-5.
[6] T. Slimani, “Efficient Analysis of Pattern and Association Rule Mining Approaches.” International Journal of Information Technology and Computer Science, Vol 6, No. 3, pp. 70-81, 2014.
[7] S. Shah, N. C. Chauhan, and S. D. Bhanderi.“Incremental Mining of Association Rules: A Survey.” International Journal of Computer Science and Information Technologies, Vol. 3, No. 3, pp.4071-4074, 2012.
[8] Jiawei Han. “Data Mining Techniques.” ISBN 978-0-89791-794-0, 1996
[9] W. Frawley, G. Piatesky-Shapiro and C. Matheus. “Knowledge Discovery in Databases: An Overview.” AI Magazine, Vol. 13, No. 3, pp. 213-228, 1992.
[10] Ming-Syan Chen, Jiawei Han, P.S.Yu. “Data mining: an overview from a database perspective.” IEEE Transactions on Knowledge and Data Engineering, Vol. 8, Issue: 6, pp.866-883, 1996.
[11] J. Fredericks Volkwein. “The Foundations and Evolution of Institutional Research.” New Directions for Higher Education, No. 141, pp. 5-20, 2008.
[12] 高教創新。取自https://www.news.high.edu.tw/
[13] T. A. Kumbhare and S. Chobe. “An Overview of Association Rule Mining Algorithms.” International Journal of Computer Science and Information Technologies, Vol. 5, No. 1, pp. 927-930, 2014.
[14] Jiuyong Li. “From Observational Studies to Causal Rule Mining.” ACM Transactions on Intelligent Systems and Technology, Vol. 7, No. 14, pp. 1-27, 2015.
[15] D. Barrett and H. Noble. 2019. “What are cohort studies?” Evid Based Nurs, Vol. 22, No. 4, pp. 1-2, 2019.
[16] J. M. Bland and D. G. Altman. “The odds ratio.” BMJ, vol. 320, p. 1468, 2000.
[17] F. Masseglia, P. Poncelet and M. Teisseire. “Incremental mining of sequential patterns in large databases.” Data & Knowledge Engineering, Vol.46, Issue: 1, pp. 97-121, 2003.

指導教授

蔡孟峰

審核日期

2023-7-11

推文