當我們想要了解多數人的想法和心理時，經常透過問卷的方法來獲得客觀的數據，一份設計完成的問卷經常是由數十題的題目組成，塡寫起來相當費時容易另人產生排斥感，為避免此情況之發生我們利用資料發掘方式進行問卷的採礦，根據決策樹分析的樹狀分類圖，提供使用者利用少數重要問題來評量受測者，得知某徵狀後再利用關聯式法則判斷其它徵狀，以決定是否對其它徵狀做評量，再綜合各徵狀的評量結果決定是否需進一步評量，如此可以用少量的題目卻有近似的效果，簡化後的題目就可以不需要透過正式的問卷來詢問，可以在日常對話或一般訪談中提出，在不產生排斥感的情況下獲得初步的數據，找出可能有學習問題的疑似高困惱群，更可以將分析結果應用於程式中，提供使用者一個自我評量的管道；自我評量的結果還可以在經過統計分析後，將需要追縱輔導的使用者資料提供給諮商輔導員，供諮商輔導員做進一步的追縱輔導。
    在本論文中我們先使用IM8.1(Intelligent Miner for Data 8.1)將範本資料(學習與讀書策略問卷)做決策樹(Decision Trees)及關聯式法則(association rules)的分析運算，並將其規則存放入資料庫，利用ASP設計使用者介面，一般使用者可以利用此系統自我評量，諮商輔導員則可以在程式中檢視所有諮商結果，達到問卷調查的效果。

When we wish to understand the thought processes and psychology of a large number of people, we often utilize surveys to obtain objective data. These surveys, if they are structured in a thorough manner, are frequently composed of dozens of topic questions that can be quite time-consuming for the subject to complete and may therefore be looked upon by the subject with a feeling of dread. To avoid this sort of a situation, we have come up with a method of extracting valuable answers from surveys using the classification charts of decision tree analysis to evaluate the subject through a lesser number of more relevant questions. Once certain indicators have been pinpointed, associated rules can then be used to assess other indicators by deciding whether they can be assessed by the original indicator. We can then utilize our assessments of several indicators in conjunction with one another to decide whether another level of assessment is needed. It is possible in this way to reduce the number of topic questions while obtaining approximate results, and the simplified topic questions do not then need to be posed through a formal survey but can rather be presented in a regular dialogue or interview.  Preliminary data can then be obtained without causing the subject to shrink away from the task and subjects that experience difficulties studying and stress at handling their problems can be pinpointed. It is possible then to apply the analysis results to the formula and provide the subject with an outlet for self-assessment. In addition, once the results of this self-assessment have undergone statistical analysis, the data for users that need to seek counseling can be provided to school counselors who can then provide yet another level of counseling. 
    In this paper, we first use IM8.1 (Intelligent Miner for Data 8.1) as a model for this data (a questionnaire concerning learning and study strategies) to draw up the analytical operations for decision trees and association rules. Those rules can then be inputted into the database. Most users of the ASP design user interface can perform self-assessment using this system, and school counselors can inspect counseling results by looking at the equations and acquire survey results.

目    錄

第一章 緒論	1
1.1 研究動機與目地	1
1.2 研究內容	3
1.3 組織架構	7
第二章 背景知識	9
2.1 決策樹分析	9
2.2 關聯式法則分析	10
第三章 研究方法	16
3.1大學生學習與讀書策略量表	16
3.2 各讀書策略之決策樹分析	21
3.3 各讀書策略之關聯分析	25
第四章 自我評量系統	29
4.1背景	29
4.2 選題方式與目標	29
4.3 程式介紹	38
第五章 結論	52
第六章 參考文獻	53
第七章 附件	57
7.1附件一	57
7.2附件二	62
第八章 英文論文	67

圖  目  錄

圖. 1.2(a) 問卷的收集與分析流程圖	3
圖. 1.2(b)自我評量系統流程圖	5
圖. 2.1.2 態度決策樹分析結果	11
圖. 2.2.2 關聯式法則分析圖	14
圖. 3.2.3 態度決策樹分析結果	24
圖. 3.3.3(a) 關聯式法則運算結果	27
圖. 3.3.3(b) 進行篩選後的關聯式法則	27
圖. 4.2.1 態度決策樹分析結果	31
圖. 4.2.2(a) 解決學習困難決策樹	37
圖. 4.2.2(b) 靜態選題樹狀圖	37
圖. 4.3.1(a) 一般使用者流程圖	40
圖. 4.3.1(b) 自我評量系統執行畫面-問題1	41
圖. 4.3.1(c) 自我評量系統執行畫面-問題2	42
圖. 4.3.1(d) 所有問題與回答	42
圖. 4.3.1(e) 最後預測的結果	43
圖. 4.3.2(a) 諮商輔導員流程圖	44
圖. 4.3.2(b) 輔導員查詢系統	45
圖. 4.3.2(c) 選題順序圖	47
圖. 4.3.2(d) 輔導員諮商畫面	47
圖. 4.3.2(e) 關聯分析圖	48
圖. 4.3.2(f) 已詢問過的問題與答案	48
圖. 4.3.2(g) 關聯分析圖	49
圖. 4.3.2(h) 已詢問過問題與答案	49
圖. 4.3.2(i) 關聯分析圖	50
圖. 4.3.2(j) 已詢問過問題與答案	50
圖. 4.3.2(k) 總結果圖	51

表  目  錄

表. 3.1.1 「學習與讀書策略量表」各分量表之題號	17
表  3.1.2(a) 大學生LASSI之百分等級常模表	18
表. 3.1.2(b) 「學習與讀書策略量表」填寫範例	19
表. 3.1.2(c) 原始分數計算表	20
表. 3.1.2(d) 百分等級計算表	20
表. 3.2.1(a) 原始問卷範例	21
表. 3.2.1(b) 策略分數範例	22
表. 3.2.1(c) 策略預測範例	22
表. 3.2.2 轉換後的TABLE	23
表. 3.3.2(a) 原始資料樣式	25
表. 3.3.2(b) 轉換後的資料樣式	26
表. 4.2.1(a) 各策略之對應關聯性法則	33
表. 4.2.1(b) 各策略之對應關聯性法則	35

[1].	R. Agrawal, T. Imielinski, A. Swami, “Mining Association Rules between Sets of Items in Large Databases,” Proceedings of the 1993 ACM SIGMOD Conferencen on Management of Data, Washington D.C., pp. 207-216, May 1993.

[2].	R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, and A. I. Verkamo, “Fast Discovery of Association Rules,” Advances in Knowledge Discovery and Data Mining, U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, eds., AAAI/MIT Press, pp. 307-328, 1996.

[3].	S. Brin, R. Motwani, J. Ullman, and S. Tsur, “Dynamic Itemset Counting and Implication Rule for Market Basket Data,” Proceedings of the 1997 SIGMOD Conference on Management of Data, pp. 255-264, 1997.


[4].	J. Han, J. Pei, and Y. Yin, “Mining Frequent Patterns without Candidate Generation,” Proceedings of the 2000 ACM SIGMOD Conference on Management of Data, Dallas, Texas, USA, pp. 1-12, May 2000.

[5].	J. Hipp, U. Güntzer, and G. Nakhaeizadeh, “Algorithms for Association Rule Mining – A General Survey and Comparison,” SIGKDD Explorations, Vol. 2, Issue 1, pp. 58-64, 2000.

[6].	J. S. Park, M. S. Chen, and P. S. Yu, “Using a Hash-Based Method with Transaction Trimming for Mining Association Rules,” IEEE Transactions on Knowledge and Data Engineering, Vol. 9, No. 5, pp. 813-825, 1997.167.

[7].	J.R Quinlan, “Induction of Decision Tree.” Machine Learning,vol. 1 no. 1,pp. 81-106, 1996.


[8].	J.R Quinlan, “C4.5:Programs for machine Learning” , San Mateo, Calif.: Morgan Kaufmann, 1993.

[9].	Stuart Russell, Peter Norving, “Artifical Intelligence a Modern Approach.” Prentice-Hall Internation Editions.

[10].	R. Agrawal and R. Srikant, “Mining Sequential Patterns,” Proceedings of the 11th International Conference on Data Engineering, Taipei, Taiwan, pp. 3-14, March 1995.

[11].	R. Srikant and R. Agrawal, “Mining Sequential Patterns: Generalizations and Performance Improvements,” Proceedings of the 5th International Conference on Extending Database Technology, Avignon, France, pp. 3-17, 1996. (An extended version is the IBM Research Report RJ 9994)

[12].	張愷芬，”資料採礦-保險業商品分析”，淡江大學資訊工程學系研究所碩士論文，2003。

[13].	吳育儒，”決策樹中移除不相關值問題的研究”，淡江大學資訊工程學系，1998。

[14].	洪乙展，”應用於模糊資料庫挖掘序型型樣的新方法”，淡江大學資訊工程學系，2004。

[15].	王媚慧，”應用資料探勘於顧客的行為分析：以半導體業為例”，淡江大學資訊工程學系，2004。

[16].	謝宗翰，”關聯式法則之複合式後項探勘演算法”，淡江大學資訊工程學系，2004。