爭力。美國教育部教育科學院（Institute of Education Science, IES）院長 Easton 即指出，運用數據來提升學校效能與 學 生 學 習 的 時 代 已 成 為 趨 勢
（Mandinach & Gummer, 2013）。而在 教育實務現場中，管理者盡所能蒐集 在 Johns Hopkins 大學設立「教育資料 導 向 改 革 中 心 」（ The Center for Data-Driven Reform in Education, CDDRE），便是基於資料導向改革之理 念來建 立並評估相 關 之可借 鏡之方 式，以 做為相關學 區 改革之 參考依 據，以解決相關教育改革之問題(Slavin et al., 2011)。我國政府近年來致力各項
基礎，所發展出來能快速分析資料的 方法。
依據國內外相關文獻對於資料探 勘系統架構之介紹，可知典型的資料 探 勘 系統 包含 下列 六 項要 件（ 陳亞 寧、陳淑君，2001；廖述賢、溫志皓，
2012；Han & Kamber, 2006；Weiss &
Indurkhya, 1998）：
(一) 資料庫、資料倉儲、全球資訊網 絡或其他資料儲存處
資料可透過資料庫、資料倉儲、
試算表或其他儲存資料系統，並經由 單一或一群資料系統進行整理或篩選 之程序後彙整而成。
(二) 資料庫或資料倉儲伺服器
資料庫或資料倉儲伺服器對於擷 取相關資料扮演重要角色，依據不同 管理主題或使用者之資料探勘需求，
設 計 不 同 於 生 產 資 料 庫 (production database)，能更易查詢、更直接及更有 效率的蒐集與擷取資料。
(三) 知識庫
可依據使用者目的來搜尋專業領 域的知識或評估令人所關注的模式，
而這些知識包含同屬性或不同屬性所 組 成 的 不 同 抽 象 層 次 的 概 念 階 層
（concept hierarchy），使用者可藉由知 識庫來提取相關可利用之知識。
(四) 資料探勘引擎
開發者對於使用者的需求，只需 要輸入相關關鍵字，即可搜尋到符合 之文字 或網頁，隨 著 時間不 斷的累 積，其索引不斷的建立，進一步能將 搜尋引 擎技術中， 除 了實現 網頁搜 尋、圖片搜尋外，更能完善相關核心 技術。
(五) 模式評估模組
透過模型來理解與處理複雜的資 料所展現出的問題，模型的意義就是 利用已知的資料和知識建立出一種可 以有效描述該代表資料的意義，並透 過模型能有效應用到未知的資料或相 似的情況中。
(六) 使用者介面
使用者透過資料探勘查詢或作業 與系統進行互動或提供資訊以進行探 索性資料探勘。使用者介面可以提供 使用者瀏覽資料庫綱目或資料結構，
也可以評估、顯示資料探勘樣式之型 態。
歸納國內外專家學者對於相關文 獻對資 料探勘的功 能 之研究 （ 葉仲 超、吳慶烜，2008；廖述賢、溫志皓，
2012； Gunnarsson et al., 2007；Linoff
& Berry, 2002），大致可分為：分類、
推估、預測、關聯、集群以及排序，
茲就析述如下。
(一) 分類(Classification)
根據現有的資料特性將其指派到 所預先定義好的類別，且分類的結果
是不連續的，以建立屬性集合。例如 教學目標可分類為 認知、情意、 技能 等三大類。
(二) 推估(Estimation)
根據既有序列性數值之相關屬性 資料，推估得到某一屬性未知的值。
例如學生的家庭社經背景或身心健康 狀況去推估該名學生之未來教育發展 程度情形。
(三) 預測(Prediction)
預測是根據過去已發生事件來推 估「未來」可能發生的事件或趨勢。
例如學生平時在校之學習表現去推估 該 生 未來 在相 關升 學 考試 之表 現 水 準。
(四) 集群(Clustering)
將許多不同的群體根據「組內異 質，組間同質」的屬性來做分群，所 有資料皆由彼此相似程度加以分類。
例如在大學系所招生前，會先依據學 生基本資料將學生集群化，再針對不 同群類之學生採取不同招生策略。
(五) 關聯(Association Rlue)
旨在發現大量資料中資料項目集 間之關聯性，並發掘出某件事情或資 料會同時出現的趨勢。例如探究學生 日常生活行為與學習成就之關聯性，
找出並判斷之間的關聯性。
(六) 排序(Sequence)
從 現 有 的 連 續 型 的 相 關 屬 性 資 料，來獲得某一屬性未知的值，以掌 握最佳良機。例如針對不同年級階段 的學生，採取不同教學策略而得到最 佳之教學成效。
準此以觀，資料探勘能依照所設 定之模 式從巨量資 料 中自動 搜索數 據，並從這些數據中萃取有意義的與 潛在有價值之資訊，而資料探勘所偵 測、多階段歸類的結果，僅是一堆電 腦化的數據，須將資料轉化為數據可 視化(data visualization)，配合其他資訊 一起呈現，才能使其方便解讀，甚至 快速瞭解各類別間之關係，使決策者 能易於理解教育現況，並能預測趨勢 和決策之參考，有效監控政策效能與 獲取社會認同。
三、資料探勘技術在教育領域之 發展與應用
在資訊科技快速發展的時代中，
每天近乎有成千上萬筆資料產生，大 量資料之累積已隨處可見。美國學習 創新協會(EDUCAUSE)與美國新媒體 聯盟(New Media Consortium, NMC) 針對科技創新的趨勢出版《水平線年 度報告》(Horizon Report)，預測教學數 據的分析技術將在未來二至三年內在 教育領域廣泛應用（Johnson et al., 2013）。另外，資料探勘可以處理不同 型態的資料，諸如關聯式資料庫、物 件導向資料庫、演繹式資料庫、空間 資料庫、時間資料庫、多媒體資料庫 以及網際網絡資料庫等，藉由資料探 勘之相 關演算方法 可 找出關 聯性規 則，讓大量資料數據變成有價值性。
故可知巨量資料之即時蒐集促成資訊 檢索與探勘技術之有利環境（Greller &
Drachsler, 2012），可從這些大量資料中 找出隱藏且有用的資訊，並可協助決 得以被發掘出來（Ferguson，2012）。
Hung 、 Hsu 與 Rice （ 2012 ） 指 出 ，
廖述賢、溫志皓，2012；Abdous et al., 2012；Jing Luan, 2002），茲就資料探
饋，給予學習者合理、有效以及人性 (Bernhardt, 2007)。因此，教育行政機 關若能設立資訊倉儲整合平臺，便能 大眾開放線上課程（Massively Open Online Course, MOOCs），藉由資訊、
由系統化蒐集、分析及統整資料的過 程中，能以科學化的方式將資料轉化 為做決定所需要運用的有效知識，並 透 過 資料的轉化與使 用分析後的資 訊，以了解整體教育發展之現況、教 學實務現場以及學生學習表現等相關 情形，藉由資料探勘流程的回饋與改 善，來達成教育持續改善的模式，亦 可做為校務經營發展與選定執行方案 的依據，進而改善教育實務現況與提 升學校品質績效。
然而，資料探勘方法亦非全然是 提升教育品質之萬靈丹，在教育大數 據應用過程中，隨著資訊網絡不斷地 更新發展與建構，其中最受質疑或爭 議的即為個資隱私權，教育主管機關 應重新檢視資訊倫理之規範並強調資 訊網絡倫理之重視，相關利害關係人 應重新探究應擁有那些資訊權限，才 能避免資訊分析手段之濫用。另外，
在教育研究分析領域中，關於資料探 勘技術的選擇，不同使用者選擇的探 勘 技 術或 是在 不同 領 域上 的知 識 差 異，可能會造成分析結果差異性的存 在，且資訊本身的片段特性亦可能帶 來分析結果的問題，都值得未來相關 研究之檢視與省思。
參考文獻
陳亞寧、陳淑君（2001）。以知 識探索為本之知識組織方法論及研究 分析。圖書與資訊學刊，39，36-51。
曾新穆、李建億(譯) ( 2003 )。 R.
J. Roiger & M. W. Geatz 著。資料探勘 ( Data Mining -A Tutorial-Based Primer)。臺北市：東華。
廖述賢、溫志皓（2012）。資料 探 勘 理 論 與 應 用 ： 以 IBM SPSS Modeler 為範例。新北市：博碩文化。
葉仲超、吳慶烜（2008）。文化 創意產業經營環境探討。嘉南學報，
34，806-816。
Abdous, M., He, W., & Yen, C.-J.
(2012). Using data mining for predicting relationships between online question theme and final grade. Educational Technology & Social, 15(3),77-88.
Bernhardt, V. L. (2007).
Translating data into information to improve teaching and learning.
Larchmont, NY: Eye on Education.
Ferguson, R. (2012). The State of learning analytics in 2012: A review and future challenges (Technical Report KMI-12-011). Milton Keynes, UK:
Knowledge Media Institute, The Open University.
Greller, W., & Drachsler, H.
(2012). Translating learning into numbers: A generic framework for learning analytics. Educational Technology & Society, 15(3), 42-57.
Gunnarsson, C. L., Walker, M. M, Walatka, V. & Swann, K. (2007).
Lessons learned: A case study using data mining in the newspaper industry.
Database Marketing & Customer Strategy Management, 14(4), 271-280.
Han, J., & Kamber, M. (2006).
Data Mining: Concepts and Techniques (2nd Ed.). San Francisco: Morgan Kaufmann.
Hung, J.-L., Hsu, Y.-C., & Rice, K.
(2012). Intergrating data mining in program evaluation of K-12 online education. Education Technology &
Society, 15(3),42-57.
Jing Luan (2002). Data Mining ,Knowledge Management in Higher education. AIR Forum.
Johnson, L., Adams B. S., Cummins, M., Estrada, V., Freeman, A.,
& Ludgate, H. (2013). NMC horizon report: 2013 higher education edition.
Austin, TX: The New Media Consortium.
Linoff, G. S., & Berry, M. J.
(2002). Mining the web: Transforming customer data into customer value. New York, NY: John Wiley and Sons.
Mandinach, E. B. & Gummer, E. S.
(2013). A systemic view of implementing data literacy in educator preparation. Educational Researcher, 42(1), 30-37.
SAS. (2008). Data-driven decision making: Analyzing your data to improve
student learning.
(103739_517492.1208). Retrived from http://www.sas.com/resources/whitepap er/wp_6792.pdf
Slavin, R. E., Cheung, A., Holmes, G. C., Madden, N. A., & Chamberlain A. (2011). Effects of a data-driven district reform model. Retrieved from http://www.cddre.org/_images/Effects%
20of%20a%20Data%20Driven%20Distr ict%20Reform%20Model%20January%
202011.pdf
Weiss, S. M. & Indurkhya, N.
(1998). Predictive Data Mining － A Practical Guide. New York, NY:
Morgan Kaufmann.