隨著科技的進步，教師不再僅僅使用傳統的教學方法，而是將資訊科技導入 教學之中，提升教學的品質，使得數位學習相關的研究得以蓬勃發展。與本研究 相關的主要包含以下幾項研究：文章分類方法、自動產生問題系統、概念圖理論、
以及自動化評分方法。以下我們將對此四項議題分別探討重要相關文獻。
2-1 文章分類方法
文章的類型有許多種，敘述、對話、書信等等的，不同文章的類型，其文章 內容的結構及重點也會有所不同，因此在摘要文章及分析文章之前，有其必要先 將文章進行分類。分類最直覺作法就是透過觀察及分析定出許多的規則，這類的 方法一般使用假設句”if…then…”的規則來分類。例如：一篇文章中若有出現冒號，
則表示文章中有對話，可將文章分類為對話性文章。近年來較多使用機器學習的 方法 [3]，將大量的訓練資料以及所採用的特徵，讓機器學習的工具學習，產生一 個分類模型，測試資料放入後就可以透過模型判斷出資料的類別。
2-2 自動產生問題系統
在學習的測驗評量上，電腦自動出題是近年來的一個研究主題，目的是希望 能夠節省教師出題的時間及減輕教師的負擔。 [5] 使用電子科學領域的書籍為資 料來源，運用術語的擷取以及自然語言處理的技術，擷取文章中的關鍵字詞，以 關鍵字所在的句子為題目，從語料庫中選取相似語意及相反語意的字詞選取誘答 選項，產生與書籍內容相關的多重選擇題。[1] [10] 則是在英語教學上，使用商業
上及旅遊等文章作為素材(corpus)，TOEIC 測驗的資料作為測驗資料庫，使用自然 語言處理的技術，找出文章中可以用來產生克漏字測驗的句子，將句子中的字詞 使用 POS Tagger 及 Chunk 經過規則選取後，產生克漏字測驗題。[4] [11] 以英文 閱讀測驗為研究主題，提出一個自動出題的做法，透過句法結構的分析、詞性分 析以及 N-gram 統計分析，提出多重的策略，擷取閱讀的文章中具有特定句法結 構的句子，以形成選擇題形式的閱讀測驗題。
2-3 概念圖理論
概念是指對同類事物獲得概括性的單一認知經驗 [14]，並且可以運用舊有經 驗形成概念判斷新的事物以形成新的概念。
概念圖是一種簡單的圖形表示法，以圖形的方式來表示概念關係，將概念之 間的關係視覺化。概念圖是由概念(concept)以及概念之間的連結關係(relation links) 所組成，兩個概念和概念之間的連結關係則形成敘述(proposition) 。
概念圖(Concept map)是 Novak [7] 發展出的教學與學習策略，在學習上可以 幫助學生建立學習概念，有效的改變學生的認知方式，提高教師的教學效果。
Novak [7] 指出概念圖具有下列幾項特性：
1. 概念圖是組織知識和呈現知識的工具，包含概念（通常以圓圈或是
方形框住）、連接線（連接兩概念）、連接詞（說明概念間的關連），
概念和連接詞形成句子。
2. 概念的呈現是有階層性的，較一般化的、包含較廣的概念放在圖的
上方，較專一的、包含較少的概念放在圖的下方。
3. 概念圖包含橫向連結，可以知道不同概念之間的關係。
對學生而言，概念圖可以協助學生統整新舊知識，建立學生的認知架構，提 高學生的自我統整能力、學習能力以及反思能力。由上述可知，透過概念圖可以 幫助建立學習的概念，也就是說，一個概念圖可以表示用來建立概念圖的主題下 的整體概念 [7] [15] ，換句話說就是一個概念圖就是整個主題的重點概念。因此 若是建立一篇文章的概念圖，則此概念圖即涵蓋整篇文章的概念，則可透過這個 概念圖瞭解整篇文章的重點，協助文章的摘要。
Krunoslav Zubrinic [12] 將文章中的名詞做為概念，動詞做為兩個概念節點之 間的連結關係，將整篇文章建立出一個概念圖。
本研究認為可透過運用概念圖之理論及方法作為評估理解程度之基礎。
2-4 自動化評分方法
簡答評分系統是將學生的回答當作問題，人工定義的標準答案當作答案，判 斷學生的答案是否合適，自動的評定一個分數值 [13] 。Bachman et al., 2002 [10]
提出了 WebLAS 系統 [2]，使用 regular expressions 比對人工定義的標準答案與學 生的答案，評定一個分數值。Rose et al. 2003 [8] 提出了 CarmelTC 系統，將學生 的答案做分類，分類的方法有分類樹( decision tree )、貝氏分類( Naïve Bayes text classifier)。之後機器學習的方法也被使用到了自動評分系統中， Pulman and Sukkarieh, 2005 [9] 的 Oxford 系統自動從標準答案中取出模組(template)，將學生 的答案透過模組，使用機器學習的方法做分類。Mohler et al. 2011 [6] 使用剖析樹 (parser)工具將學生的回答及標準答案做標記，使用機器學習的方法來做分類，同 時 結 合 了 語 義 詞 彙 相 似 度 (lexical semantic similarity) 使 用 Latent Semantic
Analysis(LSA)，給予學生答案一個分數。
以往的這些研究在分析方法上的改進與創新有很大的突破及發展，但使用的 仍是人工定義的標準答案，系統在評估學生的答案前需要有一些人工定義好的標 準答案。本研究希望可以系統自動化，不需要人工定義的答案，可以自動從文章 中取出答案關鍵字，與學生的答案自動進行評估。