『電子化政府』是藉由資訊科技的應用以提升政府行政效率與服務品質。近年來每年市容通報案件逐年成長到年近20萬件的數量，迫使政府需投入大量的人力來處理，使得市政效率下降與成本加劇，因此建立高效率、操作容易與人性化界面的網站平台，讓市民隨時通報市容改善案件，提升市府改善市容工程的效率與品質已是重要的關鍵課題。
本研究以文件自動分類切入，透過系統雛形法來做為研究方法，使用大量的市容查報案件的資訊進行分類模型訓練，並輔以使用者體驗來進行結果探討，實驗結果獲得87.04%的準確率高於傳統的分類60%。期望透過本研究可以提供市容查報系統業者進行系統開發時的技術參考。

The "e-government" aims at enhancing the efficiency of government administration and service quality through the application of information technology. In recent years, the reported cases about the city’s appearance has been gradually increasing year by year to a number of nearly 200,000 for a year, forcing the government to invest a lot of manpower to deal with it. This has thus caused a decline in the efficiency of municipal administration and increase in relevant costs. Therefore, in terms of promoting the efficiency of handling reports and improvement of the city’s appearance, it is an important and critical task for the government to establish an efficient, easy-to-operate website platform which can be used by residents to report related issues anytime.

In this study, system prototyping was adopted as the research methodology based on automatic text categorization of the large quantity of reports about the appearance of the city for conducting classification model training. Moreover, it also explored the results according to user experience. The results of the experiment showed that it acquired 87.04% accuracy rate, which was higher than the accuracy rate by conventional classification which is at 60%. It is expected that the study could provide technical reference for the system development service providers.

主目錄	V
表目錄	VII
圖目錄	VIII
第一章	緒論	1
第一節	研究背景	1
第二節	研究目的	2
第三節	研究方法	3
第二章	文獻探討	6
第一節	電子化政府意涵	6
第二節	研究參考技術	7
第三章	研究流程	17
第一節	自動分類設計	19
第二節	使用者體驗	25
第四章	研究結果與分析	27
第一節	自動分類實驗結果	27
第二節	使用者體驗介面	37
第三節	使用者回饋	42
第五章	討論與建議	45
第一節	研究討論	45
第六章	研究結論與建議	47
第一節	研究結論	47
第二節	管理意涵	49
第三節	研究限制	51
第四節	未來研究方向	51
參考文獻	53

表目錄

表2-1中研院詞性標記對照表	9
表3-1研究使用軟體表	18
表3-2資料庫使用資料表	18
表3-3OPEN DATA檔案別名對應表	20
表3-4各檔案資料欄位一覽表	20
表3-5取得研究資料使用分類說明表	22
表3-6雛形網頁功能表	25
表4-1查報類別分類代碼表	27
表4-2各查報類別分類筆數表	28
表4-3運用TF演算法運算結果表	30
表4-4系統優化處理結果表	31
表4-5各實驗階段準確率表	32
表4-6各分類運算結果準確率表	33
表4-7分類模擬頁面欄位說明表	40
表4-8訪談回饋一覽表	42
表6-1研究結果對照表	47
 
 
圖目錄

圖 1-1：研究流程圖	4
圖 2-1：研究設計流程圖	17
圖 4-1：效度接受率管理者定義圖	36
圖 4-2：查報分類選擇頁面圖	38
圖 4-3：查報案由輸入頁面圖	39
圖 4-4：分類系統運作流程圖	41
圖 4-5：分類計算結果不符效率接受度頁面圖	41
圖 4-6：分類計算結果符合效率接受度頁面圖	42

一、	中文文獻
[1] 	中央研究院，1998，「技術報告 95-02/98-04」。
[2] 	中央研究院，2016，「線上斷詞器」，http://ckipsvr.iis.sinica.edu.tw/(取得日期2016年11月10日)。
[3] 	文崇一、楊國樞，2000，社會及行為科學研究法(下冊)，東華書局。
[4] 	行政院研考會，2007，「電子化政府報告書」，行政院研考會。
[5] 	張臺隆，2004，「中部地區國民小學校長資訊素養與實施資訊科技融入教學情形之研究」，臺中師範學院國民教育研究所碩士論文。
[6] 	許嘉文，2003，「電子化政府入口網站服務功能之研究-從民眾使用觀點出發」，國立中山大學公共事務管理研究所碩士論文。
[7] 	陳世榮，2015，「社會科學研究中的文字探勘應用：以文意為基礎的文件分類及其問題」，人文及社會科學集刊，第二十七卷第四期，頁683-718。 
[8] 	陳祥、許嘉文，2003，「各國電子化政府整合型入口網站功能比較分析」，研考雙月刊，第27卷，第5期，頁102-115。
[9] 	黃佳新，2004，「關鍵字擷取與文件分類之因子分析」，國立清華大學工業工程與工程管理研究所碩士論文。
[10] 	黃純敏，吳郁瑩，1999，「網路中文文件自動摘要」，TANET’99研討會，國立中山大學，高雄。
[11] 	臺北市政府，2017，「臺北市政府單一陳情系統」，https://hello.gov.taipei/Front/main。
[12] 	臺北市政府，2017，「臺北市政府資料開放平台」，http://data.taipei/。
[13] 	劉漢榆、黃心怡，2004，「從顧客關係管理的觀點探討我國電子化政府之流程管理」，管理與系統，第十一卷，第二期，頁153-173。
[14] 	韓歆儀，2004，「應用兩階段分類法提昇SVM法之分類準確率」，國立成功大學工業與資訊管理研究所碩士論文。

二、	英文文獻
[15] 	Corte, C., & Vapnik, V. 1995. "Support-Vector Networks," Machine Learning, 20(3), pp. 273-297.
[16] 	Ghazinoory, S., Aliahmadi A., Namdarzangeneh, S., & Ghodsypour, S. H. 2007. "Using AHP and L.P. for choosing the best alternatives based the gap analysis," Applied Mathematics and Computation vol. 184, pp.316–321.
[17] 	Hinton, G. E. 1986. "Learning distributed representations of concepts," in Proceedings of the Eighth Annual Conference of the Cognitive Science Society, pp.1–12.
[18] 	Hotho, A., Nürnberger, A., & Paaß, G. 2005. "A brief survey of text mining," LDV-Forum, 20(1), pp.19-62, January.
[19] 	James, M. 1991. "Rapid Application Development," Macmillan Publishing Company, New York.
[20] 	Joachims, T. 1996. "A Probabilistic Analysis of the Rocchio Algorithm with TFIDF for Text Categorization," Proceedings of the Fourteenth International Conference on Machine Learning, pp.143-151 
[21] 	Joachims, T. 1998. "Text Categorization with Support Vector Machines: Learning with Many Relevant Features," Proceedings of {ECML}-98, 10th European Conference on Machine Learning, pp.137-142.
[22] 	Mikolov, T., Chen, K., Corrado, G., & Dean, J. 2013. "Efficient estimation of word representations in vector space," in Proceeding of International Conference on Learning Representations.
[23] 	Nunamaker, J. F., Chen, M., & Purdin, T. D. M. 1991. "Systems development in information systems research," Journal of Management Information Systems, 7, 3, pp.89-106.
[24] 	Rocchio, J. J. 1971. "Relevance Feedback in Information Retrieval," Chap.14 in The SMART retrieval system-Experiments in automatic document processing, ed. G. Salton, Englewood Cliffs, New Jersey, pp.313-323.
[25] 	Rumbaugh, J., Blaha, M., Premerlani, W., Eddy, F., & Lorensen, W. 1991. "Object-Oriented Modeling and Design," Prentice-Hall, Englewood Cliffs, NJ, USA.
[26] 	Salton, G. 1968. "Automatic information organization and retrieval," New York: McGraw-Hill.
[27] 	Salton, G. 1986. "Another Look at Automatic Text-Retrieval Systems," Comm. ACM, V29, n7, pp.648-652. 
[28] 	Salton, G., & Buckley, C. 1988. "Term Weighting Approaches in Automatic Text Retrieval," Information Processing and Management, V24, n5, pp.513-523.
[29] 	Tatar, D. 2005. Word sense disambiguation by machine learning approach: a short survey. Fundamenta Informaticae, 64, pp.433-442.
[30] 	United Nations. 2003. "World Public Sector Report 2003: E-government at the Crossroads," in http://unpan1.un.org/intradoc/groups/public/documents/un/unpan012733.pdf. Latest update 23 March 2005.
[31] 	Wei, C., Lin, Y. T., & Yang, C. C. 2005. "Cross-Lingual Text Categorization: Conquering Language Boundaries in Globalized Environments, "Working Paper, Institute of Technology Management, National Tsing Hua University, Taiwan, ROC. 
[32] 	Wu, S. H., Day, M. Y., & Hsu, W. L. 2001. FAQ-centered organizational memory proceedings of the IJCAI’2001 workshop on knowledge management and organizational memories, Seattle.
[33] 	Yiming, Y., & Pedersen, J. O. 1997. "A Comparative Study on Feature Selection in Text Categorization,"Proceedings of {ICML}-97, 14th International Conference on Machine Learning, pp.412-420.