研究利用關聯法則挖掘資訊管理領域之知識結構圖

研究利用關聯法則挖掘資訊管理領域之知識結構圖

陳年興

國立中山大學資訊管理系

[email protected]

謝盛文

遠東科技大學資訊管理系

[email protected]

鄭百勝

國立中山大學資訊管理所

[email protected]

su.edu.tw

摘要

在知識經濟時代之下，知識變的很重要，當學 習者學習知識時若沒接受到有效的幫助與支援，會 導致學習孤獨，因此本研究主要的目的是利用知識 結構圖來降低學習孤獨的問題。為了實作知識結構 圖，本研究將研究範圍界定在資訊管理領域，透過 對全國博碩士論文資料的萃取，針對學術論文的關 鍵字加以整理並刪減合併為各研究主題、計算兩兩 研究主題彼此間之關聯，最後自動化建構資管領域 的知識結構圖、並結合不同時間區段的呈現方式， 來幫助學習者降低學習孤獨。由於本研究所產生的 知識結構圖是針對資管領域的學習支援，因此對於 資訊管理領域的新進研究者，在尋找並學習相關研 究領域與方向時，不僅可以降低新進研究人員學習 孤獨，更可以提供新進研究者一個參考依據、決定 研究領域或知識分享等方面的支援工具。企業界與 學術界亦同，企業界也是累積了大量知識，亦可以 採用本研究所提出的方式，建構屬於組織的專業領 域之領域的知識結構圖，來輔助新進人員學習。因 此本研究所提出來的方法，可以很方便的運用到學 術界或企業界，甚至其他不同的領域，來幫助新進 學習者降低學習孤獨，進一步達到知識分享。 關鍵詞：知識圖、知識結構圖、關聯法則。

1.

序論

知識爆炸時代，知識成長速度越來越快且越來 越多。學習者學習知識的管道變為多元，當沒有任 何專家可以給予幫忙或協助時，學習者學習時則會 自行選擇教材來學習，例如：書本、專業雜誌、錄 音帶、網路搜尋等。因為有這麼豐富且多樣的教 材，使得不知該選擇哪一種最為適當，反而又會再 增 加 學 習 者 的 問 題 (Berghel, 1997; Borchers, Herlocker, Konstanand & Riedl, 1998; Eppler & Mengis, 2004)，而且學習者本身也無法評估哪個教 材是對自己是最有幫助的，也沒有一種方法可以來 判斷哪種教材對於學習者是最好的選擇，就算是選 擇了其中一種教材，但是教材內容很難去認定哪些 是必需要被拿來學習的，哪些不需要被學習，這是 會因個人的感受、教育背景、個人經驗等會影響到 學習者自我的學習目的。而學習者自己要如何判斷 教材內容哪些是要學，哪些又不用學，進而達到自 己期望的學習目的？以上這些現象起因於沒有任 何專家的幫助，反而讓學習者自行學習時很容易導 致學習孤獨的問題(Gordon & Jorgensen, 2003)。

有鑑於學習者因自行學習導致學習孤獨的問 題，故利用知識結構圖(Knowledge Structure Map) 來降低學習孤獨(Gordon, 2003)，本研究利用知識結 構圖及運用關聯法則(Association Rule)來幫助學習 者減輕學習孤獨現象，期望達到知識管理與分享的 目標。知識結構圖為一種以視覺化方式呈現知識與 知識之間的關係、或知識彼此之間關聯程度的一種 圖 形 ， 它 可以 有 效 的 幫助 學 習 者 降低 學 習 孤 獨 (Gordon, 2003)，提供學習支援且進一步的可以達到 知識的分享，因此近年來學術界有相當多針對知識 關 聯 圖 的 相 關 研 究(He & Hui, 2000; Schultz & Leidner, 2002; 王惠嘉、張毓倫，民 91；李律品， 民91；張家華，民 90；陳年興、孫振凱，民 91； 楊存一，民90； 謝武星，民 89；陳道輝，民 92； 黃琬婷，民 93)。是以國內大多數的學術研究都以 全國博碩士論文網的資料視為可編碼的知識(例 如：論文之標題、關鍵字、引用文獻內容等)，來探 討相關知識的關聯性。然而這樣的研究僅限於分析 論文之標題、引用文獻內容(謝武星，民 89)；或是 僅分析論文關鍵字共同出現之頻率(陳年興、孫振 凱，民 91)；或是利用論文中的摘要內容建立知識 關鍵字之間的關聯強度及關聯相似度(陳道輝，民 92)，但卻未考慮到時間軸的因素。以往這些分析程 序需要經由大量的專家或是利用半自動的方法對 於研究主題進行編碼與分類(王惠嘉、張毓倫，民 91；楊存一，民 90)，專家只能依靠自身的判斷， 或是閱讀非常大量的文獻才能有系統性的了解研 究主題之關聯程度；在這樣受限制且非自動化的情 況下，使得專家在建置的過程中，不但曠日費時且 沒有效率外，更可能無法在短時間內建立知識結構 圖。

2.

文獻探討

本研究主要的目的是自動化建構領域的知識 結構圖，以協助個人、組織，甚至於企業，更了解 知識且進一步利用知識。首先針對「知識結構圖」， 加以說明，其次「關聯強度」，最後將談及資料探 勘中最常被使用的技術「關聯法則」。 2.1 知識結構圖 知識結構圖(Gordon, 2003)，如圖 1 所示，以 圖形化的方式呈現知識間之關係，其中包含了節點

(Nodes)與連線(Links)的有向與無向性，節點代表知 識，連線代表關係，連線將節點與節點連接起來代 表兩節點彼此有關係。而知識結構圖就像概念圖 (Concept Map)，美國康乃爾大學學者 Novak 在 1971 年左右提出，概念圖具有向性與無向性的結構，各 概念間均以連接字連接，排列知識概念圖時，概括 性大的概念置於上(Novak & Gowin, 1984)。

圖 1、知識結構圖 (資料來源：Gordon, 2003) 而在認知心理學中概念圖是常被使用的知識 表示法，針對概念圖McAleese (1999)下的基本定義 是「一個包含了一組m個概念標示{C1…Cm}和一組r 個非空集合的關聯或連線{R1…Rr}的有向性、非環 式的多維圖形」，而Novak與Gowin (1984)將知識結 構圖定義為「一種用來組織與表達知識之工具」。 因此，若將知識結構圖拆開來看的話，事實上 就是「知識－關聯－知識」的形式，知識是指某種 事物的表示，通常用來做為一個知識片段的基本單 位而關聯則可以是包含描述概念間關係的動詞或 是不含標示的單純連線。然而，各個不同的領域， 對知識結構圖的也有不同的表達形式，如網狀、樹 狀、規則等，例如Buzan 與 Buzan (2003)的學習輔 助之心智圖(Mind Map)和 Fisher (1990)的語意網路 (Semantic Networks)等。本研究從學術論文中擷取 「研究主題─關聯─研究主題」的形式存在，而研 究主題是指學術論文中經過處理後的關鍵字，關聯 則是代表兩兩研究主題彼此間之關聯。 2.2 關聯強度 針對兩研究主題間之關聯強度，孫振凱、謝盛 文、陳年興(民 91)，提出兩研究主題之間的關聯強 度計算公式，以衡量兩研究主題之間的關聯性。 ( )

{

0, if 1,if _ Re _ Re _

Tie Strength lation Score Frequency lation Score Frequency α α ⎡ ⎤ = ×_⎣ × _⎦ = = =

∑

關係強度參數 關係發生頻率 兩個研究主題不在同一摘要中 兩個研究主題在同一摘要中 公式 1、關聯強度計算公式 α為 0 表示兩兩研究主題配對沒有同時出現在 同一結構中，故該被排除在外，α為 1 表示兩兩研 究主題配對有同時出現在同一結構中，故應該被計 算在內，有此機制才能降低雜訊，更明確的計算出 兩兩研究主題間之強度。因本研究有相同資料來 源，博碩士論文網，故對於關係參數暫訂設為 1， 往後若有加入不同的資料來源，可以將資料來源之 權威性來對關係強度參數時即做調整，例如：期刊 排名越高關係強度參數則應該要越高，因為排名越 高的期刊表示文章內容品質越好，也比較具有代表 性。由此公式可發現，當兩個研究主題同時出現在 同一摘要或關鍵字欄位中的頻率越高時，彼此間的 關聯強度越強。 2.3 關聯法則

關聯法則 (Agrawal, Imielinski & Swami, 1993) 年提出，主要的目的是從龐大的交易記錄資料庫 中，尋找出商品項目之間的關聯性，關聯法則的問 題定義，其描述如下：令I={i1,i2,…,im}，I為所有商 品項目(Items)的集合，T為每筆交易記錄項目的集 合，T為I的子集合(T ⊆ I)，而T中的交易記錄內容是 不考慮商品項目購買的數量，TID為每一筆交易記 錄的編號。典型的關聯法則是應用在賣場中的購物 籃分析，藉由分析顧客購物籃中的產品關聯，分析 顧客的購買習慣，以幫助企業找出顧客最常購買的 商品組合，如著名的運用購物籃分析發現出啤酒與 尿布規則(Tsur et al., 1998)，在週四與週末時，購買 尿布的顧客同時也會購買啤酒。 關聯法則的結果，通常以X→Y 的方式呈現， 表示「包含X 項目的交易也會同時包含 Y 項目」。 在大量的資料中，可能會存在著許多此類的規則， 然而並不是所有的規則均是有用的，或是顯著到值 得企業加以注意。在此關聯法則有包含兩個重要的 因素：支持度(Support, s)：形式為 P(X∩Y)，表示為 同時發生X 與 Y 兩個資料項目的機率，且 s 介於 0 到1 之間。信心水準(Confidence, c)：表示發生某事 件的情況下，發生另一事件的機率，亦可視為關聯 的強度。如c(X→Y)形式為 P(Y|X)，表示為在 X 資 料項目下，發生Y 資料項目之機率，且 c 介於 0 到 1 之間。經由關聯法則所產生的規則，代表兩項目 之直接關聯性甚高，而規則有支持度與信心水準， 而本研究所參考的是以支持度與信心水準之概念 代表關聯程度。本研究所運用的「兩兩研究主題彼 此間之關聯」亦是用來衡量研究主題之間的關聯 性，也可以看出兩兩研究主題間關係強弱。

3. 系統設計與實作

本研究提出自動建構知識概念圖的方法，並依 此方式實作系統；本研究所開發的系統主要是先以 自動化的方式擷取網路上之學術論文，並存入自己 的資料庫中；接著將處理論文資訊中的關鍵字，原 則 上 處 理 完的 每 個 關 鍵字 都 是 該 領域 的 研 究 主 題；下一步將針對這些不同的研究主題，計算它們 的屬性，存入研究主題資料庫；最後，計算其關聯 強度與關聯分析，自動產生在不同時間點下之知識 概念圖。本研究選定資訊管理領域為應用的對象， 系統架構流程圖如圖2 所示，之後將先介紹本研究 之基本假設，再依序介紹各個步驟的詳細內容。

圖 2

、

系統架構流程圖 3.1 本研究之基本假設 若要從所獲得的論文資料中擷取具有代表性 的資訊做為該論文之重要、關鍵的研究主題，可以 藉由分析論文內容中最能代表論文研究主題的「關 鍵字」與「摘要」來進行分析(陳道輝等人，民 91)。 因此，若要針對學位論文進行知識管理，可以藉由 分析「關鍵字」與「摘要」來進行。論文作者在選 擇關鍵字時，會選擇與該論文最相關的詞彙。是以 本研究假設一：一篇論文的每一關鍵字均代表著論 文的研究主題之一;假設二:一篇論文的每個研究主 題，兩兩之間必定有研究上的意涵存在。

3.2

擷取資訊管理領域相關論文資訊 在建置資訊管理領域之知識結構概念圖前，必 須先收集相關的資訊管理論文資料，本研究分析之 資料為學位論文，全國博碩士論文資訊網為國內收 錄博碩士論文資料庫；包括論文標題、作者、指導 教授、學位別、年度、摘要、論文目錄、參考文獻 等。其中，資訊管理研究所論文資料包含範圍自民 國76 學年度年至民國 94 學年度，共有 7349 筆。 由於各式線上資料庫基於安全及效率的考量，僅提 供Web 介面讓使用者進行查詢，而本研究後續的計 算與分析會大量使用網頁上論文的相關資訊，故先 透過程式擷取論文網頁畫面至本地端，分析網頁內 容，擷取論文的關鍵字作為研究主題，分析完畢之 後存入自有的資料庫中，往後的分析與計算均使用 自建的資料庫。

3.3

論文關鍵字的擷取與處理 由於論文作者在選擇關鍵字時，會選擇與該論 文研究最相關的字詞做為該論文之關鍵字，且關鍵 字通常包括了該篇論文所涵蓋的研究主題(Barki,

Rivard & Talbot, 1988)，故依據本研究之第一個基本 假設，經過處理之後的每個關鍵字可以代表該篇論 文每個研究主題。而在這7349 篇資管領域之資料中 共有20568 個關鍵字，其中二字詞佔了 1285 個，經 由從郭祥昊、鍾義信與楊麗(民 87)，及張翠英與亢 臨生(民 87)等學者的研究中得知，漢語中有意義的 兩字詞佔了其中的70%～75%，而許多詞也都是從 兩字詞延伸，因此本研究僅選取大於三個字的中文 關鍵字做為研究主題。此外，由於國內學界對於英 文專有名詞的中文譯名並沒有一定的依循標準，行 政院教育部也沒有硬性規定英文專有名詞的中文 譯名為何，因此造成了國內學界對於翻譯名詞沒有 一定的準則，許多用法僅是約定成俗的結果，如此 一 來 也 造 成了 一 個 名 詞可 能 會 有 許多 個 中 文 譯 名；對於研究者而言，不管是在查詢論文上，或是 論文寫作時詞彙的選擇上，均有不便之處。因此， 本 階 段 主 要是 將 具 有 相同 意 義 的 關鍵 字 進 行 整 合，以合併相同的研究主題；此外，有些關鍵字出 現的頻率實在太少，表示此研究主題並不重要，因 此也予以刪除；經過這樣一連串的處理之後，剩下 的每個關鍵字皆可當成一個研究主題。自民國 76 學年度自 94 學年度的資訊管理領域，關鍵字共有 20568 個，但經過關鍵字處理與合併後產生之研究 主題共有2073 個，確實大幅減少不必要的關鍵字， 並合併相似的研究主題。 3.4 建立兩兩研究主題配對 基於本研究的兩個基本假設，針對每篇論文的 關鍵字加以處理，合併為研究主題，再依據處理過 後 之 關 鍵 字 資 料 庫 建 立 兩 兩 研 究 主 題 配 對 (Hwang,Chen & Hsu, 2006)，本研究從民國 76 學年 度至民國94 學年度共有 141246 組兩兩研究主題配 對。研究主題配對的詳細過程如圖3 所示，將具有 代表性的研究主題兩兩配對。 圖 3、關鍵字兩兩配對產生兩兩研究主題 3.5 關聯分析 有了研究主題之後，即可開始計算兩兩研究主 題間之強度其中強度之計算採用「關聯強度計算公 式」(孫振凱，民91)，如公式一所示。接下來將針 對計算研究主題關聯分析細部說明，經過關係強度 計算的階段後，本研究取得兩兩研究主題間集合重 疊的程度強弱，並參考(Garfield, 1980)所提出之連 結強度(Link Strength)之概念，其概念相似於數學領 域中的聯合機率(Joint Probability)，表示A事件和B 事件同時發生的機率。對兩兩研究主題進行初步之 關聯分析，計算出兩兩研究主題彼此間之關聯，如

公式2所示。 Tie Strength(A B) ( ) ( ) N(A B) N A +N B − ∩ ∩ ＿ N(A B)∩ ： A 與 B 研究主題之交集 N(A)： 表示包含研究主題 A 出現在摘要與關鍵字欄之總數量 N(B)： 表示包含研究主題 B 出現在摘要與關鍵字欄之總數量 公式 2、兩兩研究主題彼此間之關聯

4. 成果分析

本研究利用資訊管理領域為實作的對象，並且 呈現該領之知識結構圖，並說明有哪些重要研究主 題，且描述資訊管理領域在時間上的演進為何。因 此分兩部分，第一部分將介紹76 學年到 94 學年資 訊管理領域的知識結構；第二部份會分為不同的時 間區段以概略描述國內資訊管理領域的變遷。 4.1 資訊管理領域整體之知識概念圖 此部分主要是呈現資管領域出前 15 對的研究 主題，來凸顯有哪些重要的知識以及知識之間的關 係，由知識結構圖可以讓我們更快且更清楚知道資 訊管理領域內知識的關聯。圖 4 為 15 對最重要之 研究主題所實作現出來的知識結構圖，表1 為中英 對照表。使用者可以獲知目前資訊管理領域的研究 主題，及這些重要主題之間的關聯強度來判斷兩個 不同知識之關聯程度。由圖 4 可以發現，國內 76 學年到 94 學年資訊管理領域中許多關連都與資訊 科技、資訊系統、競爭優勢、電子商務、網際網路 有關，表示這些是重要的否則不會有這麼多研究主 題與其會有關聯，這現象表示台灣資訊管理領域主 要偏重在資訊科技、資訊系統、競爭優勢、電子商 務、網際網路研究領域上。因此，透過整體領域的 知識結構圖 ，可以了解研究主題間的關係，及彼 此之間的相關程度為何；如此，知識結構圖可以做 為學習者知識的建立、領域關係的強弱或知識管理 的指標，亦可做為學習者學習的支援來降低學習孤 獨、新進研究者決定研究領域或知識分享之參考依 據。 圖 4、前 15 對主要的知識結構圖 4.2 資訊管理領域之變遷與演進 除了能以知識概念圖看出整體資訊管理領域 的知識與概念外，尚可由不同年度區間的知識結構 圖來分析，即可了解國內資訊管理領域內知識結構 的變遷，因此，本研究將時間區分為三個階段，並 將此三個階段分別繪製知識結構圖，圖5 至 7 分別 為76 到 81 學年度、82 到 87 學年度、88 到 94 學 年度的知識結構圖，圖5 我們可以看出 76 年~81 學 年度的資管領域之知識，偏重支援決策系統、專家 系統、電腦系統(圖 5A)等相關議題，此階段資管領 域偏重於支援決策系統相關研究主題上。由錯誤! 找不到參照來源。我們可以看出82 年~87 學年度， 本研究觀察發現有許多研究主題與資訊科技、資訊 系統(圖 6A)都有密切的關係， 表 1、研究主題中英對照表 縮寫 全名 中文 縮寫 全名 中文

CA Competitive _Advantages 競爭優勢 IT _Technologies Information 資訊科技 CS Case Study 個案研究 INTERNET INTERNET 網際網路 CS2 Computer System 電腦系統 IS Information System 資訊系統 DA Data Analysis 資料分析 ISD Information System _Development 系統發展 DSS Decision Support _System 決策資源系統 KM _Management Knowledge 知識管理 EC Electronic Commerce 電子商務 NL Natural Language 自然語言 EIS Executive Information _System 高階主管資訊_系統 OOA Object-Oriented _Analysis 物件導向分析

ES Expert System 專家系統 QOS Quality of Service 服務品質 FUZZY FUZZY 模糊理論 RBAC Role-Based Access _Control 存取控制 IC Internal Control 內部控制 WWW World Wide Web 全球資訊網

圖 5、76 年～81 年前 10 對知識的知識結構圖 圖 6、82 年～87 年前 10 對知識的知識結構圖 可以說資訊科技、資訊系統是台灣資管領域的 兩大基石，「MIS 是一個研究組織如何利用 IT 開發 IS 已支援組織經營，提高組織內部績效與外部競爭 能力，達到組織目標的一門知識」(林東清，民 91)， 而網際網路、電子商務在此階段也開始興起，而資 訊科技開始導入網際網路(圖 6B)，不外乎網際網路 的快速竄起。由錯誤! 找不到參照來源。我們可以 看出88 年~94 年，發現資訊科技與資訊系統(圖 7A) 間之關係到達所有強度之最高點，強度為 90.64， 此外，資訊系統與網際網路(圖 7B)也開始有了關 係，這與現今的現象雷同，許多資訊系統都必須透 過網際網路來延伸系統的功能，或透過網際網路當 作介質來運作，我們也看出資訊科技、資訊系統與 網際網路(圖 7C)，這三個研究主題已經有整合起來 的跡象，整個研究主題也有趨於整合的現象，本研 究發現知識管理在這階段已經開始萌芽，並且也與 資訊科技有關係，資訊科技開始導入到知識管理， 電子商務在此階段開始與資訊科技有關係，電子商 務除了運用資訊系統也開始利用資訊科技，而電子 商務與網際網路在此階段也達最高峰。 圖 7、88 年～94 年前 10 對知識的知識結構圖 5.

結論

我們所面臨的是一個資訊爆炸的時代，大量、 片段、零碎的資料內容，當我們在學習且沒有專家 的支援時，易造成學習孤獨，因此若能透過圖形化 的方式建構，則更能使知識的呈現更為清晰，以幫 助個人、團隊，甚至組織更了解該專業領域相關的 知識，且能進一步協助新進研究人員或學習者充分 利用知識而 學 術 界 與 商 業 界 亦 同，對 商 業 組 織 而 言 亦 可 以 導 入 此 方 式 ， 建 構 出 該 商 業 領 域 的 知 識 結 構 圖 ， 以 搶 得 商 機( 陳 年 興 、 謝 盛 文 、 鄭 百 勝 ， 民 94)。 因此本研究主要的目的是 提出一個應用關聯法則建構領域的知識結構圖之 方法，並以台灣資訊管理領域為實作對象，希望能 透過全國博碩士論文資訊，針對論文的關鍵字加以 處理、刪減、合併之後，再依據處理後之關鍵字， 來計算出現於摘要與關鍵字總頻率，選擇刪除總出 現次數小於3 次以下的關鍵字後其餘的關鍵字均當 成具 有 代 表 性 之 研 究 主 題 ，之後再將兩研 究 主 題 配對並 計 算 關 聯 強 度 與 關 聯 分 析，最 後 在 依 據 不 同 時 間 區 段 下 ， 以 圖 形 化 的 方 式 呈 現 出 來 。 本研究以這些知識結構圖來分析台灣資訊管 理領域的知識內涵及其變遷，本研究發現台灣資管 領域的內涵主要偏重在資訊科技、資訊系統、網際 網路相關議題上如電子商務、服務品質、經營模 式、網站服務等，新興研究主題如：知識管理等在 資 管 領 域 中佔 有 重 要 的地 位 ， 而 其變 遷 分 別 從 76~81 學年度資管領域偏重於支援決策系統之研究 主題上；82~87 學年度，有許多研究主題與資訊科 技、資訊系統都有密切的關係，可以說資訊科技、 資訊系統是台灣資管領域的兩大基石，而網際網 路、電子商務在此階段也開始興起，而資訊科技開 始導入網際網路；88~94 學年度，發現資訊科技與 資訊系統間之關係到達所有強度之最高點，我們也 看出資訊科技、資訊系統與網際網路，這三個研究 主題已經有整合起來的跡象，整個研究主題也有趨 於整合的現象;本研究發現知識管理在這階段已經 開始萌芽，電子商務在此階段開始與資訊科技有關

係，電子商務除了運用資訊系統也開始利用資訊科 技，而電子商務與網際網路在此階段也達最高峰。 在未來研究的部分，可以針對本研究所實作之 知識結構圖進行質性、量化或不同面向之驗證。還 有，對關鍵字詞的處理及合併方式加以改進以增加 關 鍵 字 詞 的正 確 性 。 並將 資 料 來 源擴 大 到 期 刊 如:MISQ、ISR、SSCI 等之文章分析差異性。

6. 參考文獻

[1] 王惠嘉、張毓倫(民 91)。研討會之知識管理及其 系統之建構與發展。第十三屆國際資訊管理學術研 討會，659-666。 [2] 李律品(民 91)。資訊管理研究之生態演化分析。 國立中山大學資訊管理研究所碩士論文，未出 版，高雄市。 [3] 張家華(民 90)。資訊管理學科文獻內援用理論之 探討－以台灣碩、博士論文為例。國立政治大 學資訊管理研究所碩士論文，未出版，台北市。 [4] 陳 年 興 、 孫 振 凱 (民 91)。透 過 網 頁 分 析 建 構 知 識 分 布 圖 以 輔 助 線 上 教 學。第十三屆 國際資訊管理學術研討會，675-682。 [5] 陳年興、 謝 盛 文 、 鄭 百 勝 (民 94)。自動化建 構具時間向度之知識結構映射圖-以資訊管理 領域之知識及其演進為例，TANET 2005 台灣 網際網路研討會論文摘要集，65。 [6] 陳道輝(民 92)。利 用 學 位 論 文 資 訊 萃 取 資 訊 相 關 領 域 之 研 究 主 題 關 聯 性。國 立 中 山 大 學 資 訊 管 理 研究所碩 士 論 文，未出版，高雄 市。 [7] 楊存一(民 90)。利用自適應共振理論網路探討 MIS學術論文關鍵議題的發展趨勢。國立雲林 科技大學資訊管理研究所碩士論文，未出版， 雲林縣。 [8] 謝武星(民 89)。針 對「 學 術 論 文 」的 知 識 管 理 技 術 研 究 。國 立 政 治 大 學 資 訊 管 理 研究 所碩 士 論 文 ， 未出版，台北市。

[9] Abiteboul, Clifton, D. Ullman, Motwani, Nestorov, Rosenthal, Tsur (1998). Query flocks: a

generalization of association-rule mining.

Proceedings of the 1998 ACM SIGMOD international conference on Management of data, 1-12.

[10] Agrawal, R., Imielinski, T. & Swami, A. N. (1993). Mining Association Rules between Sets of

Items in Large Databases, Proceedings of the 1993

ACM SIGMOD International Conference on Management of Data, 207-216.

[11] Barki, H., Rivard, S., & Talbot, J. (1988). An Information Systems Keyword Classification Scheme. MIS Quarterly, 12(2), 299-322. [12] Berghel, H. (1997). Cyberspace 2000: Dealing

with Information Overload. Communications of

the Association for Computing Machinery, 40(2),

19-24.

[13] Borchers, A., Herlocker, J., Konstan, J., & Riedl, J. (1998). Ganging Up on Information Overload.

Computer, 31(4), 106-108.

[14] Buzan, T., & Buzan, B. (2003). The Mind Map

Book: Radiant Thinking –Major Evolution in Human Thought, London: BBC Active.

[15] Eppler, M. J. & Mengis, J. (2004). The Concept of Information Overload: A Review of Literature from Organization Science, Accounting,

Marketing, MIS, and Related Disciplines. The

Informatiohn Society, 20(5), 325-344.

[16] Fisher, K. M. (1990). Semantic Networking: The New Kid on the Block. Journal of Research in

Science Teaching, 27(10), 1001-1018.

[17] Garfield, E. (1980). ABCs of Cluster Mapping. Part 1. Most Active Fields in the Life Sciences in 1978. Current Contents, 40, 5-12.

[18] Gordon, J. L., & Jorgensen, L. (2003). Learning

Support Using Knowledge Structure Maps. Paper

presented at the meeting of Annual Conference 2003 Forum for the Advancement of Continuing Education, UK: University of Stirling.

[19] He, Y., & Hui, S. C. (2002). Mining a Web Citation Database for Author Co-Citation Analysis.

Information Processing and Management, 38(4),

491-508.

[20] Hwang, W. Y., Chen, N. S., & Hsu, R. L. (2006). Development and Evaluation of Multimedia Whiteboard System for Improving Mathematical Problem Solving. Computers & Education, 46(2), 105-121.

[21] Novak, J. D., & Gowin, D. B. (1984). Learning

how to learn. NY: Cambridge University Press.

[22] Schultz, U., & Leidner, D.E. (2002). Studying Knowledge Management in Information System Research: Discourses and Theoretical Assumptions,

MIS Quarterly, 26(3), 213-242.

[23] McAleese, R., Grabinger, S., & Fisher, K. (1999).

The Knowledge Arena: A Learning Environment That Underpins Concept Mapping. Paper

presented at the Meeting of the 1999 American Educational Research Association Conference. Canada, Montreal.