本研究利用資料探勘之關聯規則技術，依學生不同學習狀況分別建構概念圖，
以了解學生對於概念理解的順序，提供教學者幫助他們了解學生學習上的障礙與 盲點，並提供給教科書編排的領域專家參考。此外，一般的大班制教學環境中，
很難依學生個別特性做適性化教學，本研究以 S-P Chart 為分群基礎，依學生個 別學習狀況做更準確的分群，達到更準確、更徹底的適性化教學。本章敘述本研 究之結論與建議。
第一節 研究結論
一、以 S-P Chart 為分群基礎建構各群學生學習概念圖
利用 S-P Chart 分析學生測驗作答資料，利用資料探勘之關聯規則技術，可 建構出不同學習狀況學生之學習概念圖。研究結果發現，A 群與 A’群學生因答 錯題目很少，答錯試題關聯規則信心水準也相對較低，但將最小信心水準設定降 低之後，仍可建構出學習概念圖，惟概念間的影響程度較 B 群、B’群、C 群、C’
群低，而每一群學生之學習概念圖都與一般課程編排順序有所差異，教學者可從 概念圖中了解學生的學習困難與盲點，調整學生的學習順序。
本研究結果發現，得分愈高學生(A 群、B 群)學習概念圖結構愈簡單，反之，
得分愈低學生(C 群、C’群)學習概念圖結構愈複雜，而 A’群學生學習概念圖結構 與其他群有明顯差異，前段概念與後段概念皆和其他群學習概念圖相反，此結果 可和 S-P Chart 診斷分析呼應，A’群學生的學習狀況被診斷為粗心大意型，得分 高但答錯題目難預測。與先前研究結果比較，C 群、C’群學生與中分群學生學習 概念圖結構相同。但若只將學生資料分為高分群、中分群、低分群，得到的學習 概念圖結構較一致，而以 S-P Chart 為分群基礎，可發現學生得分高低與學習概 念圖結構複雜度有相關，得到分數較高的學生學習概念圖結構較簡單，根節點數
51
較多且路徑較短。
以 S-P Chart 將學生分成六群，可更準確地建構不同學習狀況學生之學習概 念圖。A 群學生與 A’群學生都屬於得到高分的學生，但研究結果發現，A 群與 A’
群學生的學習概念圖結構差異很大；B 群學生與 B’群學生也有相同的情況，如 果只以得分來看，B 群與 B’群學生學習成就相同，但研究結果顯示，B 群與 B’
群學生之學習概念圖結構不相同，由此可見，如果只以高分、中分、低分群做分 群，就容易忽略部分學生的學習情況，S-P Chart 從個別學生的作答反應，診斷學 習狀況，而非只從得分或排名去衡量，因此可做出更準確的分群，達到更徹底的 適性化教學。
二、以補救學習路徑進行補救學習之學習成效
本研究以各群學習概念圖為基礎，建立學生之個別補救學習路徑並進行補救 學習，研究結果發現，參與實驗的全體學生學習成效有顯著進步，而以分群資料 來看，B 群、C 群、C’群學生經補救學習後，學習成效有顯著進步。
本研究結果可提供給教師教學與領域專家編排教科書時參考，另也可提供給 系統開發者參考，以快速建構學習概念圖與補救學習路徑，開發即時且適性化的 數位學習系統。
第二節 未來研究
基於本研究相關結果，未來研究之建議如下：
一、使用不同分群方式
除了 S-P Chart 外，是否還有其他方式，來判別學生學習成效，以不同分群 基準，建構學習概念圖，其結果可與本研究比較。
二、發展個別學生之個別學習概念圖
本研究利用學生答錯試題的關聯規則建構出學習概念圖，是必須以群體學生 為單位，若能只分析個別學生答題歷程，就能建構出個別學生專屬的學習概念圖，
52
達到以個人為單位的適性化學習，這是未來可以繼續研究的地方。
三、建構數位學習系統
本研究建構學習概念圖的方法，可提供給數位學習系統開發者參考，開發適 性化之數位學習系統。
53
參考文獻
王富民 (2009)。以資料探勘技術分析學習評量資料─以國中力與運動概念為例 (未出版之碩士論文)。國立臺灣師範大學圖書資訊學研究所碩士論文。臺 北市。
余民寧(1997)。教育測驗與評量─成就測驗與教學評量。臺北市: 心理。
呂秋文(2000)。新數學科教材教法。臺北市：五南圖書。
佐藤隆博(1975)。S-P 表の作成と解釋：授業分析：學習診斷のために。東京：
明治圖書。
柯皓仁、楊雅雯、吳安琪、戴玉旻、楊維邦(2002)。個人化及群體化圖書館資訊 服務初探。國家圖書館館刊，91(1)，161-195。
陳垂呈(2004)。利用關聯規則發掘圖書館個人化之書籍推薦。圖書資訊學刊，2(2)，
87-103。
陳建宏(2000)。以色塊屬性關聯規則建立影像分類決策之研究(未出版之碩士論 文)。國立臺灣師範大學資訊工程研究所學位論文。臺北市。
陳建傑(2010)。基於借閱目的之資料清理機制研究─以興趣目的為例(未出版之碩 士論文)。國立臺灣師範大學圖書資訊學研究所碩士學位論文。臺北市。
彭文正(2001)。資料採礦：顧客關係管理暨電子行銷之應用。臺北: 數博網資訊。
曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯(2005)。資料探勘 Data Mining。臺 北: 旗標。
謝建成、林湧順(2006)。書目探勘讀者使用圖書館之行為。教育資料與圖書館學，
44(1)，35-60。
54
Ausubel, D. P. (1962). A subsumption theory of meaningful verbal learning and retention. The Journal of General Psychology, 66(2), 213-224.
Ausubel, D. P. (1963). The psychology of meaningful verbal learning: Grune &
Stratton New York.
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J., Zanasi, A., ., I. B. M. C., & ., I. T. S.
O. (1998). Discovering data mining: from concept to implementation (Vol. 1):
Prentice Hall Upper Saddle River, NJ.
Chiou, C. C. (2008). The effect of concept mapping on students’ learning achievements and interests. Innovations in Education and Teaching International, 45(4), 375-387.
Chung, H. M., & Gray, P. (1999). Special section: data mining. Journal of Management Information Systems, 16(1), 11-16.
Hall, C. (1995). The devil's in the details: techniques, tools, and application for database mining and knowledge discovery part II. Intelligent Software Strategies, 6(9), 1-16.
Hen, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques, 3/e.
Morgan Kaufmann.
Hwang, G. J., Shi, Y. R., & Chu, H. C. (2011). A concept map approach to developing collaborative Mindtools for context‐aware ubiquitous learning. British Journal of Educational Technology, 42(5), 778-789.
Kelley, T. L. (1939). The selection of upper and lower groups for the validation of test items. Journal of Educational Psychology, 30(1), 17-24.
Kumar, V., & Chadha, A. (2012). Mining Association Rules in Student’s Assessment
55
Data. International Journal of Computer Science Issues, 9(5), 211-216.
Lee, C. H., Lee, G. G., & Leu, Y. (2009). Application of automatically constructed concept map of learning to conceptual diagnosis of e-learning. Expert Systems with Applications, 36(2), 1675-1684.
Liao, S. H., & Chen, Y. J. (2004). Mining customer knowledge for electronic catalog marketing. Expert Systems with Applications, 27(4), 521-532.
McClure, J. R., Sonak, B., & Suen, H. K. (1999). Concept map assessment of classroom learning: Reliability, validity, and logistical practicality. Journal of research in science teaching, 36(4), 475-492.
Novak, J. D., & Cañas, A. J. (2008). The theory underlying concept maps and how to construct and use them. Florida Institute for Human and Machine Cognition Pensacola Fl, www. ihmc. us.[http://cmap. ihmc.
us/Publications/ResearchPapers/T
heoryCmaps/TheoryUnderlyingConceptMaps. htm], 284.
Novak, J. D., & Gowin, D. B. (1984). Learning how to learn: Cambridge University Press.
Roth, W. M., & Roychoudhury, A. (1993). The concept map as a tool for the collaborative construction of knowledge: A microanalysis of high school physics students. Journal of research in science teaching, 30(5), 503-534.
Sato, T. (1985). Introduction to student-problem curve theory analysis and evaluation.
Tokyo: Mejji Tosho.
Tan, P. N. (2007). Introduction to data mining: Pearson Education India.