選鑑別度相當低，在繼任官職評選上是相當沒有效率的。透過精確度以及區
更多面向觀點上有顯著表現才能獲得繼任的機會。
表14：官職之繼任成因綜合評估
職等 官職類型 顯著觀點類型 顯著觀點組合
13
部會所屬之次
級單位主管 單一觀點 1.共事分數顯著
2.官職相配分數顯著
14 副部會首長 多觀點
1.共事分數與年資分數 同時顯著 2.三項分數顯著
15 與 16 部會首長 多觀點 三項分數顯著
綜合以上，社會資訊學此領域的研究往往須以來自真實世界中的社會行 為、社會情境為基礎，才能從不斷演變進化的層層社會關係中，發掘出有實用 價值的資訊。以資訊科學的角度切入這樣子的問題領域時，往往我們希望的是 能夠提出一個屬於某資料領域通用的一個處理原則，從中發現更多的資訊或是 解決問題，接著再擴展資料領域至更多樣性、更深層的層次，從中發掘更多表 面不容易看出來的事實。在本研究中，我們透過社會資產與政府官員生態的連 結，提出了一個結合社會網路分析的政府官員升遷觀察平台。在我們初步的實 驗成果中，實驗自身的效度以及從外在事實解釋的信度上都顯示了我們提出的 多觀點模型有良好的效能，且也是一個以政治相關資料及例證觀點切入，進行 分析、觀察及詮釋的貢獻。相較於近年大部分相關領域的貢獻多是著重在研發 新的演算法及自動化資訊擷取，我們的貢獻主要是在於發展一個整合了社會資 產的多觀點，並以社會網路分析方法為基礎，用以觀察來自不同類型問題領域 資料的觀察平台。這樣子的觀察探索工具能提供未來的使用者、研究者相當多 樣性的功能，像是以例證、資料角度切入的分析、觀察及結果詮釋，並透過關 聯式網路的類別及量化彈性，亦能接受來自問題資料領域的回饋及調整，對於 不同領域的應用將會有更高的合適性及結果的可解釋程度。而對於一般使用者 而言，此客觀及多角度的觀察亦能喚起公眾對於不同領域的關注，帶來良好的 正面效益。
註: 本計畫研究成果已部分發表於
林專耀、劉吉軒、甯格致。應用多觀點社群網路模型於政府官職繼任評選 分析。第十八屆人工智慧與應用研討會 (TAAI-DT 2013)。pp. 312-319。台 北，台灣。December 6-8, 2013. (NSC102-2221-E-004-012)
(NSC101-2221-E-004-012)
Jyi-Shane Liu, Zhuan-Yao Lin, Ke-Chih Ning, Modeling Social Capital in Bureaucratic Hierarchy for Analyzing Promotion Decisions, In Proceedings of the Fifth International Conference on Social Informatics, Kyoto, Japan,
November 25-27, 2013. (In Jatowt, A. et al., eds.: SocInfo 2013, Lecture Notes
in Computer Science, Vol. 8238, pp. 216–226, 2013.) (EI)
(NSC102-2221-E-004-012) (NSC101-2221-E-004-012)
參考文獻
[1] 沈曜廷, 應用社會網路連結預測理論於政府官員職務繼任分析. 國立政治 大學資訊科學系碩士論文, 2012.
[2] 林岡隆, 政府官員異動之社會網路分析. 國立政治大學資訊科學系碩士論 文, 2009.
[3] 林嘉誠, 政務首長的流動分析 2000.5-2007.5. 第三卷第四期, 國家菁英, 2006, 頁 1–28.
[4] 胡龍騰, 政黨輪替前後高階行政主官流動之比較. 第三卷第四期, 國家菁英, 2007, 頁 31–42.
[5] 黃俊生, 基於社會網路分析連結預測理論之政府官員職位與職務歷程影響 研究. 國立政治大學資訊科學系碩士論文, 2010.
[6] 劉吉軒, 中華民國政府官職資料庫發展與應用. 第四卷第二期, 圖書與資訊 學刊, 2012, 頁 1-32.
[7] 顏秋來, 政務官與事務官體制運作之研究. 第二卷第一期, 國家菁英, 2006, 頁 21–28.
[8] Mislove, B. Viswanath, K. P. Gummadi, and P. Druschel. You are who you know: inferring user profiles in online social networks. Proceedings of the third
ACM international conference on Web search and data mining, 2010.
[9] Popescul, and L. H. Ungar. Statistical relational learning for link prediction.
IJCAI workshop on learning statistical models from relational data. Vol. 2003,
2003.[10] D. Liben-Nowell, and J. Kleinberg. The link‐prediction problem for social networks. Journal of the American society for information science and technology, Vol. 8, No. 7, 2007, pp. 1019-1031.
[11] D. Lin. An information-theoretic definition of similarity. Proceedings of the
15th international conference on Machine Learning. Vol. 1, 1998.
[12] J. M. Montoya, and R. V. Solé. Small world patterns in food webs. Journal of
Theoretical Biology, Vol. 214, No.3-7, 2002, pp. 405-412.
[13] J. O'Madadhain, J. Hutchins, and P. Smyth. Prediction and ranking algorithms for event-based network data. ACM SIGKDD Explorations Newsletter, Vol. 7, No.2, 2005, pp. 23-30.
[14] K. Moutselos, I. Maglogiannis, and A. Chatziioannou. GOrevenge: a novel generic reverse engineering method for the identification of critical molecular players, through the use of ontologies. Biomedical Engineering, IEEE
Transactions on, Vol.58, No.12, 2011, pp. 3522-3527.
[15] L. Getoor, and C. P. Diehl. Link mining: a survey. ACM SIGKDD Explorations
Newsletter, Vol.7, No.2, 2005, pp. 3-12.
[16] L. Lü, and T. Zhou. Link prediction in weighted networks: The role of weak ties.
EPL (Europhysics Letters), Vol.89, No.1, 2010, pp. 18001.
[17] L. Lü, C. H. Jin, and T. Zhou. Similarity index based on local paths for link prediction of complex networks. Physical Review, Vol. 80, No. 4, 2009, pp.
46122.
[18] M. Al Hasan, V. Chaoji, S. Salem, and M. Zaki. Link prediction using supervised learning. SDM’06: Workshop on Link Analysis, Counter-terrorism
and Security. 2006.
[19] M. Freire, C. Plaisant, B. Shneiderman, and J. Golbeck. ManyNets: an interface for multiple network analysis and visualization. Proceedings of the 28th
ACM international conference on Human factors in computing systems, 2010, pp.
213-222.
[20] R. Albert, H. Jeong, and A. L. Barabasi. Internet: Diameter of the world-wide web, Nature, Vol. 401, No. 6749, 1999, pp. 130.
[21] R. Kumar, J. Novak, and A. Tomkins. Structure and evolution of online social networks. Link Mining: Models, Algorithms, and Applications. Springer New York, 2010, pp. 337-357.
[22] Seibert, S.E., Kraimer, M.L., Liden, R.C.: A Social Capital Theory of Career Success.Academy of Management Journal, 44, 219-237, 2001.
[23] S. Wasserman. Social network analysis: Methods and applications. Cambridge university press, Vol. 8, 1994.
[24] T. Murata, and S. Moriyasu. Link prediction of social networks based on weighted proximity measures. Web Intelligence, IEEE/WIC/ACM International
Conference on. IEEE, 2007.
[25] Z. Yang, D. Fu, Y. Tang, Y. Zhang, Y. Hao, C. Gui, X. Ji, and X. Yue. Link prediction Based on Weighted Networks. AsiaSim 2012. Springer Berlin Heidelberg, 2012, pp. 119-126.