Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/90456
標題: Development of mathematical predictive model for collegiate entrance examination by using the academic grade in school
高中在校成績與大學學測成績預測之數學模型建立-以台中市長億高中為例
作者: 吳淑芬
Shu-Fen Wu
關鍵字: 國中基本學力測驗
大學學力測驗
線性迴歸
類神經網路
BCT
CEE
Linear regression
Neural network
引用: 中文部分 (一)圖書 1. 中華民國比較教育學會主編(1986)。世界各國大學入學制度之改革動向。臺北市:五南。 2. 秦夢群(1998)。教育行政-實務部分。臺北:五南。 3. 程大器(2002)。統計學-理論與應用(下)。臺北:智勝文化。 4. 高橋信著、陳昭蓉譯(2010)。世界第一簡單統計學迴歸分析篇。臺北:世茂。 5. 黃登源(1998)。應用迴歸分析。臺北:華泰文化。 6. 黃文隆(1995)。迴歸分析。臺北:東華書局。 7. 林真真、鄒幼涵(1993)。迴歸分析。臺北:華泰書局。 8. 林傑斌,林川雄,馮兆康著(2011)。SPSS統計分析與實務。臺北:博碩文化股份有限公司。 (二)期刊、論文 1. 秦夢群(2004)。大學多元入學制度實施與改革之研究。教育政策論壇,7(2),59-84。 2. 王俊權(2000)。從大學聯考到多元入學。臺灣教育,592,7-19。 3. 丘愛鈐(1998)。我國大學聯招政策變遷之研究(1954-1997)。國立臺灣師範大學教育學系博士論文,未出版,臺北市。 4. 秦夢群(2006)。臺灣大學多元入學制度改革之研究。載於溴門大學教育學院舉辦之「2006年華人社會的教育發展學術研討會」會議論文集(頁45-55),溴門大學教育學院。 5. 李佳玲(2002)。大學入學考試中心學科能力測驗與高中在校成績關係之研究。國立台北師範學院碩士論文,未出版,臺北市。 6. 陸炳杉(2003)。多元入學學生學業成就之研究:以高雄市立中正高級中學為例。工業科技教育學系,國立高雄師範大學論文,未出版,高雄。 7. 彭重恩(2005)。高中學生生活科技及數理成績與大學學科能力測驗數理科成績之相關研究,國立臺灣師範大學工業科技教育學系碩士論文,未出版,高雄。 8. 任眉眉、陳日昇、詹嘉豪。統計與落點分析:大學指考選填志願的輔助利器,中國統計學報,第 43 卷, 2005 年,頁 165-181 。 9. 宋珮怡(2007)。我國大學學科能力測驗成績之預測建模研究。私立輔仁大學碩士論文,未出版,新北市。 10. 陳超(2007)。國中基測與大學學測之相關分析-以旭光高中為例。私立中華大學碩士論文,未出版,新竹市。 11. 陳志誠(2010)。以學測成績作為升學管道的策略研究。中華大學碩士論文,未出版,新竹縣。 12. 林士弘(2008)。國中複習考對基測成績及登記分發落點預測模型之研究-以臺北市H國中為例。私立東吳大學碩士論文,未出版,臺北市。 13. 黃翊彰(2011)。國中基本學力測驗成績預測建模研究-以彰化縣某國中為例。國立中興大學碩士論文,未出版,臺中市。 14. 莊佶達(2011)。應用BP類神經網路最佳參數模式於高中高職學力測驗成績之預測-以臺中市某國中為例。國立中興大學碩士論文,未出版,臺中市。 15. 李坤崇(2010)。高中課程99課綱與95暫綱之分析。教育資料與研究雙月刊第92期2010年02月1-24頁 16. 傅說道(2010)。國中基測與高中在校成績對於大學學測成績關係之研究-以南部某高中為例。南台科技大學資訊管理研究所碩士學位論文,未出版,臺南市。 17. 柯俊偉(2006)。用模糊類神經網路作為高中高職志願選填之研究。高雄師範大學資訊教育研究所碩士論文,未出版,高雄市。 18. 謝朋昇(2007)。應用類神經網路於國產汽車的銷售預測之研究。大葉大學工業工程與科技管理學系碩士在職專班碩士論文,未出版,彰化縣。 英文部分 1. Widrow, B. , M.E. Hoff, (1986). Adaptive switching networks. Parallel distributed processing, Cambridge, MA: MIT Press, 1:123-134. 2. Mackay, D. J. C. (1992). Bayesian Interpolation. Neural Computation. 4(3):415-447. 3. Vellido, A., Lisboa, P.J.G. and Vaughan, J., (1999). Neural Network in Business:A Survey of Applications. Expert Systems with Applications, Vol.17,p.51-70. 4. Rosmina, B., Nabil, B., Charles B., Suhaila, S., (2007). Artificial Neural Network for Precipitation and Water Level Predictions of Bedup River. IAENG International Journal of Computer Science. 5. Laiq, K., Kamran, J., Sidra, M., (2010). ANN Based Short Term Load Forecasting Paradigms for WAPDA Pakistan. Australian Journal of Basic and Applied Sciences, 4(5), 932-947. 6. Dheerendra, V., Govind, M., Ritu S., Durgesh, K., (2011). Neural Network – Comparing the Performances of the Training Functions for PRedicting the Value of Specific Heat of Refrigerant in Vapor Absorption Refrigeration System. International Journal of Computer Applications (0975 –8887) Volume 18–No.4。
摘要: Junior Basic Competence(BCT) was faded away after a series of education reform in Taiwan. Hereafter, the first major exam for the students is CEE(College Entrance Examination) when they transfer from high school to university. Since admission selection into the university is one of Multiple Entrance Program which is based on the grades of CEE(College Entrance Examination), to predict the grades of CEE(College Entrance Examination) is obviously important. In order to set an appropriate predicting modle of CEE(College Entrance Examination) grades for the students of Taichung Municipal Chang Yie High School, the research adopted the grades in school (including academic performance and simulation exam scores) and the CEE(College Entrance Examination) grades from the graduates of this school both the years of 2012 and 2013. Through the software PASW Statistics 18 and MATLAB R2009a to analyze and process the data for correlation analysis, simple linear regression analysis, multiple lineare regression analysis and the predicting math modle of CEE(College Entrance Examination) grades built by neural network. Being compared, verified and empiracl studied, the conclusions are as following: 1.Under five data mode, using two-stage model (neural network screened by multiple regression) to predict is slightly accurate than using neural network directly. 2.For two-stage model , the parameters which without significant properties and with collinearity problems can be removed to reduce the neural network input value, so as to save analysis time and inrease the predicting accuracy. 3.Under two data (test average grades and intensive test weighted average grades) selected mode, the prediction of neural nework is more accurate than simple regression and multiple regression analysis. While two-stage model would enhance the predicting accuracy of neural network. 4.As the questions of simulation exam imitated the questions of CEE(College Entrance Examination) and the test time is close to CEE(College Entrance Examination), the grades of the former could reflect the later's grades. That means they are highly corelated. So using lineare regression model would arrive the same predicting accuracy as neural network.
台灣在經過一連串的教改後,國中基本學力測驗已正式走入歷史,對台灣學生來說,在求學的過程中第一個接觸到的重大考試便是高中升大學的「大學學力測驗」,而大學多元入學方案中的「甄選入學」方式是以學測成績為篩選依據,所以「預測大學學力測驗成績」就顯得格外重要。 本研究以台中市長億高中101年度及102年度畢業生之在校成績(包含各科學期成績、模擬考成績)及大學學測成績藉由SPSS 18、MATLAB R2009a作為資料分析處理之運算軟體,進行資料的相關性分析、簡單線性迴歸分析、多元線性迴歸分析及類神經網路建立預測學測成績之數學模型,並進行比較與驗證,以期找到最適合長億高中之預測學測成績模型。經實證研究後得到以下結論: 一、在五個資料模式下,採用二段式模型(多元迴歸篩選後類神經網路)預測準確率較直接採類神經網路略微提高。 二、二段式模型可刪除未達顯著性及有共線性問題的參數,減少類神經網路的輸入值,節省分析時間且可提高預測準確率。 三、在「考科平均」、「考科加權平均」兩個資料選取模式下,類神經網路預測準確率高於簡單、多元迴歸分析,而二段式模型更可提高類神經網路預測準確率預測準確率。 四、模擬考的試題仿學測題型且考試時間也較接近學測時間,所以學生之模擬考成績較能反應學測成績之結果,亦即模擬考成績與學測成績呈現高度之相關性,故使用線性迴歸模型能達到與類神經網路相同之預測準確率。
URI: http://hdl.handle.net/11455/90456
文章公開時間: 2015-06-25
Appears in Collections:應用數學系所

文件中的檔案:

取得全文請前往華藝線上圖書館



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.