第一節 研究動機
近年來在人工智慧領域應用中崛起的貝氏網路(Bayesian network)，是用途非 常廣泛的判斷分析工具，舉凡是資訊科學的人工智慧，醫學的疾病診斷，體育的 足球得分預測，都能利用貝氏網路來達成。就其應用的領域的特性來看，和教育 環境中學生錯誤類型的診斷，其有非常相似之處，兩者都有不確定性的因素成 分，所以應用貝氏網路於教育測驗上是有其潛在的可行性。許多心理計量的先進 亦以此統計方法應用於教育評量(Mislevy, 1995, 1998; Almond, 2003)，在國內亦有 許多研究將貝氏網路應用於教育測驗上，諸如能力指標的診斷測驗(施淑娟，
2006；黃雅鳳，2006)、電腦化適性測驗(李俊儀，2005；林垣圻，2006)等，這些 文獻均顯示貝氏網路應用在教育評量有許多優勢。
貝氏網路是一種機率推理模式，可將資料與專家的知識判斷結合，不僅有預 測的能力，也對不確定性問題進行演算與推論，將變數間的關連性表現出來。在 教育測驗上的應用，則是推算出題目與題目內所潛藏的錯誤類型的關連性，進而 分析出學生所具有的錯誤類型資訊。也就是說，最重要的是能將傳統人工的學生 錯誤類型判別的方式，轉變成利用電腦自動化診斷學生作答反應，且能大量節省 人工判斷的時間，以利於有更多地時間用於補救教學。
由於貝氏網路是由專家制訂，若有不同的專家來編制，有可能產生不同的貝 氏網路，而不同的貝氏網路獲得的辨識資訊，對每個錯誤類型的辨識率高低不 一，欲改良單一貝氏網路設計來提升辨識率，若是在較簡單的結構上或許可行，
但在結構較複雜的貝氏網路下，要提升辨識率是有其瓶頸的，謝典佑(2006)指出 較可行的解決方式是將多個貝氏網路效果加以結合，其研究結果顯示，將多重貝 氏網路結構於不同融合演算法(fusion method)之下其辨識率確實有大幅提昇。
貝氏網路在教育測驗上的應用，最重要的目的為診斷學生是否具有錯誤類 型，而這樣的診斷可以視為將學生的表現程度分類，因此在多重貝氏網路獲得許 多的辨識資訊後，可以輸入不同的分類器來做診斷，而支撐向量機(support vector machine, SVM)為近來機器學習領域中最受矚目的方法之一，在許多領域之應用上 像是生物資訊、文件分類、影像辨識等皆有不錯的成效，本研究欲使用SVM應用 於多重貝氏網路所獲得的辨識資訊來探究辨識率是否能得到提升的效果。
第二節 研究目的
基於上述動機，本研究將探討 SVM 於多重貝氏網路是否能更加提升其辨識效 果，故本研究訂定了下列研究目的
一、比較KNN (K nearest neighbors)分類器應用於結合多重貝氏網路的效能。
二、比較KNN 分類器與融合演算法應用於結合多重貝氏網路的效能。
三、比較SVM 分類器應用於結合多重貝氏網路的效能。
四、比較SVM 分類器與融合演算法應用於結合多重貝氏網路的效能。
第三節 論文架構
本篇論文分成五個章節，並藉由收集資料驗證的方法，探究最佳的融合多重 貝氏網路結構演算法。第一章部分，說明本研究動機、目的及整篇論文架構。第 二章部分，對貝氏網路理論與在教育測驗上的應用、融合演算法與 SVM 的理論架 構、及多重辨識器結合的文獻，進行理論和技術的探討研究。第三章部分，說明 研究的方法、研究進行的流程步驟、研究所需的工具、及研究的架構。第四章部 分，呈現實際驗證的結果、比較，提出探討、研究結果。第五章部分，整理比較 實驗結果，提出結論與發現，並對未來研究方向與注意事項提出建議。
第四節 名詞解釋
一、貝氏網路
貝氏網路是一種機率圖形模式，模式中各個變項代表是一個事件，用有向箭 頭連結各個變項，形成貝氏網路圖。在給定證據之後，利用貝氏定理的先驗機率 和聯合機率，推論後驗機率(posterior probability)，用以了解事件發生的機率有多 大。
二、融合演算法
在多重貝氏網路結構結合的過程中，每一個單一貝氏網路結構代表一位專家 的決策。因此就單一節點在進行辨識時，每一位專家均會對該節點產生決定性的 影響，並不會將此一決定性影響全由一位專家來決定，而是經過融合演算法的結 合方式，最終輸出結果代表多位專家的決策融合後的結果。本研究所指的融合演 算法為謝典佑(2006)針對多重貝氏網路的結合，所使用的方法。
第五節 研究範圍與限制
本研究主要探究SVM結合多重貝氏網路的方式來突破單一貝氏網路結構於辨 識效果提升之瓶頸。因此整篇論文以評估並尋找最佳結合方式來做為本研究之主 要目的。而在研究過程主要是以實證方式作為評估出最佳結合方式的方法。然因 為研究者資源不足的考量僅收集到六份測驗資料，而每份測驗所收集的對象為部 分中部縣市的國小學生為主。換句話說，在這樣的情況下所推論出來的結果可能 無法做廣義的推論。另外因為貝氏網路結構是依各知識領域所建構出來的。若要 進行不同單元或是不同知識領域的推論，則必須重新分析探討網路結構！在這樣 的限制之下，無法做廣大的推論！