當研究者欲實施問卷調查前，其乃需先釐清研究議題與問卷調查實施之目的，以產生與問卷調查目的、研究議題相關之初始想法（即欲釐清問題、原始構想問題），並依此些初始想法蒐集其設計問卷內容時之相關資訊，以參考所得之相關資訊設計問卷內容。然而，在研究者蒐集其初始想法相關之資料時，其往往需花費許多時間篩選與其初始想法相關之資料，並耗費精力理解此些相關資料之細節，以依據理解後之結果設計問卷內容。此外，研究者可能因考量不周而未合理地設計問卷內容，導致後續之問卷分析不盡能完整且合理，甚至造成研究者實施問卷調查之效度降低。因此，為解決上述問題，本研究乃提出一套「以研究者初始想法為基礎之問卷內容自動生成」模式，其可先解析研究者初始想法的質化與量化特性，並依解析結果發展一套問卷內容自動生成方法論，此方法乃可將研究者之初始想法予以結構化，並可將結構化之研究者初始想法搭配基因演算法，以自動地篩選問卷內容相關資料，之後再從相關資料中自動地擷取可用素材，以生成初步問卷內容；最後再將初步問卷內容後製，以提升研究者實施問卷調查之效度，並將所生成之問卷內容提供予研究者，以提升研究者設計問卷內容時之效率。

As a researcher wants to design a questionnaire, he/she has to clarify the purposes of the survey to figure out the initial ideas about the questionnaire design. After that, the researcher has to search related information for questionnaire design based on their initial ideas, which is usually cost and time consuming. This research aims at developing a model for automatic questionnaire generation. Before developing the model, this study analyzes the statistic characteristics of components of initial ideas. On the basis of the analysis results, this research develops a methodology for automatic generation of questionnaires. By using the methodology, the initial ideas of a researcher can be converted into structured components and the genetic algorithm can be applied to extract questionnaire related data from the Internet based on the structured components. Useful materials from the related data can be extracted to generate a preliminary questionnaire. After that, the questions from the preliminary questionnaire can be sorted redesigned. By utilizing the model, efficiency and effectiveness for questionnaire design can be enhanced.

目錄

摘要 I
ABSTRACT II
目錄 III
圖目錄 V
表目錄 IX
第一章、研究背景 1
1.1 研究動機與研究目的 1
1.2 研究步驟 5
1.3 研究範圍與定位 8
第二章、文獻回顧 13
2.1 資料篩選 13
2.1.1互動式資料篩選方法 13
2.1.2非互動式資料篩選方法 20
2.2 文字擷取與生成 27
2.2.1監督式文字擷取與生成方法 27
2.2.2非監督式文字擷取與生成方法 33
2.3 問卷設計 42
2.3.1問卷內容生成 42
2.3.2問卷內容後製 48
2.4 小結 57
第三章、問卷內容自動生成模式 59
3.1研究者初始想法解析 60
3.1.1初始想法之表達架構與質化特性 61
3.1.2初始想法之量化特性 73
3.2研究者初始想法結構化 91
3.3 問卷內容相關資料篩選 104
3.3.1 建構外部資料各影響因素之影響程度組合推論之最佳化模式 108
3.3.2 建構外部資料與問卷內容相關程度估計值推論模型 116
3.3.3推論目標外部資料與問卷內容之關係 138
3.4可用素材擷取與初步問卷內容生成 141
3.5初步問卷內容後製 165
3.6小結 175
第四章、系統規劃與架構 177
4.1系統核心架構 177
4.2系統功能架構 179
4.3資料模式定義 182
4.4系統功能運作流程 186
4.4.1系統功能操作流程 186
4.4.2系統資料傳遞流程 191
4.5系統開發工具 193
第五章、系統實作與驗證分析 194
5.1系統運作概況說明 194
5.2系統驗證方式說明 200
5.3系統驗證結果分析 214
第六章、結論與未來展望 281
6.1論文總結 282
6.2未來展望 287
參考文獻 289
附錄A、研究者初始想法解析 295
附錄B、研究者初始想法量化解析之前置作業 295
附錄C、系統功能操作說明 375
附錄D、模式與系統於第二階段各週期之績效驗證結果分析 395

 
圖目錄

圖1.1、問卷內容設計之既有運作模式圖（As-Is-Model） 3
圖1.2、問卷內容設計之期望運作模式圖（To-Be-Model） 3
圖1.3、研究步驟 8
圖1.4、研究定位 12
圖3.1、問卷內容自動生成模式之整體架構 60
圖3.2、問卷內容相關外部資料之影響因素示意圖 107
圖3.3、基因演算法之運作機制 118
圖3.4、透過交配機制取得新的影響程度組合之作法 131
圖3.5、自問卷內容相關外部資料中取得可用素材之作法 158
圖4.1、「問卷內容自動生成」系統之核心架構 177
圖4.2、系統模組與功能架構 179
圖4.3、系統運作架構 182
圖4.4、問卷內容自動生成系統之資料關聯模式 186
圖4.5、研究者初始想法提供與解析模組之操作流程 188
圖4.6、問卷內容相關外部資料篩選模組之操作流程 189
圖4.7、可用素材擷取與初步問卷內容生成模組之操作流程 190
圖4.8、初步問卷內容後製模組之操作流程 190
圖4.9、系統參數設定模組之操作流程 191
圖4.10、問卷內容自動生成系統中資料之存取與傳遞流程 192
圖5.11、研究者初始想法之輸入介面 195
圖5.12、研究者初始想法之結構化結果 195
圖5.13、問卷內容相關外部資料之內容 196
圖5.14、初步問卷內容之生成結果 196
圖5.15、反向問題之設計結果 197
圖5.16、問卷問題之排序結果 197
圖5.17、問題關鍵詞彙補充說明之擷取結果 198
圖5.18、「研究者初始想法相關參數設定」之系統介面 199
圖5.19、「基因演算法運算參數設定」之系統介面 199
圖5.20、兩階段地驗證問卷內容自動生成績效之步驟 211
圖5.21、問卷內容相關外部資料篩選之召回率 250
圖5.22、問卷內容相關外部資料篩選之準確率 250
圖5.23、「研究者初始想法結構化」議題之績效趨勢變化圖 274
圖5.24、「問卷內容相關外部資料篩選」議題之績效趨勢變化圖 276
圖5.25、「關鍵詞彙補充說明」議題之績效趨勢變化圖 278
圖5.26、「問卷內容生成」議題之績效趨勢變化圖 280
圖A.1、「台灣籃球市場調查」問卷之內容 296
圖A.2、問卷一問題群組Ⅰ之素材出處 301
圖A.3、問卷一問題群組Ⅱ之素材出處 301
圖A.4、問卷一問題群組Ⅲ之素材出處 302
圖A.5、問卷一問題群組Ⅲ之素材出處-1 303
圖A.6、問卷一問題群組Ⅳ之素材出處 304
圖A.7、問卷一問題群組Ⅳ之素材出處-1 304
圖A.8、問卷一問題群組Ⅳ之素材出處-2 304
圖A.9、問卷一問題群組Ⅴ之素材出處 305
圖A.10、問卷一問題群組Ⅴ之素材出處-1 305
圖A.11、「華納威秀顧客滿意度調查」問卷之內容 306
圖A.12、問卷二問題群組II之素材出處 313
圖A.13、問卷二問題群組II之素材出處-1 313
圖A.14、問卷二問題群組III之素材出處 314
圖A.15、問卷二問題群組IV之素材出處 314
圖A.16、問卷二問題群組IV之素材出處-1 315
圖A.17、問卷二問題群V之素材出處 316
圖A.18、問卷二問題群組VI之素材出處 316
圖A.19、「大家一起來吃素」問卷之內容 317
圖A.20、問卷三問題群組III之素材出處 325
圖A.21、問卷三問題群組III之素材出處-1 325
圖A.22、問卷三問題群組III之素材出處-2 326
圖A.23、問卷三問題群組IV之素材出處 326
圖A.24、問卷三問題群組V之素材出處 327
圖A.25、問卷三問題群組VII之素材出處 328
圖A.26、問卷三問題群組VIII之素材出處 328
圖A.27、問卷三問題群組IX之素材出處 329
圖A.28、問卷三問題群組IX之素材出處-1 329
圖A.29、問卷三問題群組XI之素材出處 329
圖A.30、「台北市民參加慢速壘球活動」問卷之內容 330
圖A.31、問卷四問題群組II之素材出處 336
圖A.32、問卷四問題群組IV之素材出處 336
圖A.33、「燦坤實業和全國電子之行銷調查」問卷之內容 337
圖A.34、問卷五問題群組II之素材出處 344
圖A.35、問卷五問題群組III、V之素材出處 344
圖A.36、問卷五問題群組IV、VI之素材出處 345
圖A.37、「智慧型手機使用者品牌忠誠度調查」問卷之內容 346
圖A.38、問卷六問題群組III之素材出處 351
圖A.39、問卷六問題群組IV之素材出處 351
圖A.40、問卷六問題群組V之素材出處 351
圖C.1、問卷自動生成系統之介面 376
圖C.2、研究者初始想法之輸入介面 376
圖C.3、研究者初始想法之輸入介面（增加一組原始構想問題、欲釐清問題） 377
圖C.4、研究者初始想法之輸入介面（輸入原始構想問題、欲釐清問題） 377
圖C.5、研究者初始想法之結構化結果 378
圖C.6、研究者初始想法之結構化結果（點選下一功能） 380
圖C.7、初始影響程度組合之生成結果 381
圖C.8、被用以交配之影響程度組合 382
圖C.9、影響程度組合之交配結果 382
圖C.10、交配後較佳之新影響程度組合 383
圖C.11、突變後之新影響程度組合 383
圖C.12、基因演算法運算終止後所取得之近似最佳影響程度組合 383
圖C.13、基因演算法運算終止後所取得之近似最佳影響程度組合 384
圖C.14、各目標外部資料與問卷內容之關係推論結果 384
圖C.15、目標外部資料之內容 385
圖C.16、各目標外部資料與問卷內容之關係推論結果 386
圖C.17、初始想法之相關素材擷取結果 386
圖C.18、初步問卷內容之生成結果 387
圖C.19、初步問卷內容之生成結果 389
圖C.20、反向問題之設計結果 389
圖C.21、反向問題之設計結果（點選下一功能） 390
圖C.22、問卷問題之分類結果-A 390
圖C.23、問卷問題之分類結果-B 391
圖C.24、問卷問題之排序結果 391
圖C.25、問卷問題之排序結果 392
圖C.26、問題關鍵詞彙補充說明之擷取結果 393
圖C.27、「研究者初始想法相關參數設定」之系統介面 394
圖C.28、「基因演算法運算參數設定」之系統介面 394

 
表目錄

表2.1、互動式資料篩選方法中隱藏式取得使用者回饋之相關文獻彙整 19
表2.2、互動式資料篩選方法中顯露式取得使用者回饋之相關文獻彙整 20
表2.3、非互動式資料篩選方法中以資料段落內容為基礎之相關文獻彙整 23
表2.4、非互動式資料篩選方法中以資料句子語法為基礎之相關文獻彙整 24
表2.5、非互動式資料篩選方法中以資料概念詞彙為基礎之相關文獻彙整 26
表2.6、監督式文字擷取與生成方法中依文字質化特性作法之相關文獻彙整 30
表2.7、監督式文字擷取與生成方法中依文字量化特性作法之相關文獻彙整 36
表2.8、非監督式文字擷取與生成方法中生成詞彙作法之相關文獻彙整 37
表2.9、非監督式文字擷取與生成方法中生成句子作法之相關文獻彙整 41
表2.10、問卷設計方法中解決問卷調查問題作法之相關文獻彙整 43
表2.11、問卷設計方法中解決特定領域問題作法之相關文獻彙整 49
表2.12、問卷內容後製方法中問卷內容修訂作法之相關文獻彙整 53
表2.13、問卷內容後製方法中問卷內容呈現作法之相關文獻彙整 57
表3.1、原始構想問題之各類句型結構與相應之質化特性 65
表3.2、欲釐清問題之表達架構與對應之質化特性 70
表3.3、擷取素材之方式 72
表3.4、原始構想問題中各句型之長度彙整表 74
表3.5、「感受程度句型」中各元素之相對長度彙整表 74
表3.6、「知覺感受句型」中各元素之相對長度彙整表 75
表3.7、「成效句型」中各元素之相對長度彙整表 75
表3.8、「比較句型」中各元素之相對長度彙整表 75
表3.9、「感受程度句型」中各元素之相對起始位置彙整表 76
表3.10、「知覺感受句型」中各元素之相對起始位置彙整表 76
表3.11、「成效句型」中各元素之相對起始位置彙整表 77
表3.12、「比較句型」中各元素之相對起始位置彙整表 77
表3.13、不常見之機率分配替代結果 79
表3.14、欲釐清問題中各句型之長度彙整表 80
表3.15、「主體細項句型」中各元素之相對長度彙整表 82
表3.16、「標的細項句型」中各元素之相對長度彙整表 82
表3.17、「主體類型句型」中各元素之相對長度彙整表 82
表3.18、「標的類型句型」中各元素之相對長度彙整表 83
表3.19、「特徵句型」中各元素之相對長度彙整表 83
表3.20、「本意句型」中各元素之相對長度彙整表 83
表3.21、「成效句型」中各元素之相對長度彙整表 84
表3.22、「觀點句型」中各元素之相對長度彙整表 84
表3.23、「執行準則句型」中各元素之相對長度彙整表 84
表3.24、「主體準則句型」中各元素之相對長度彙整表 85
表3.25、「主體細項句型」中各元素之相對起始位置彙整表 85
表3.26、「標的細項句型」中各元素之相對起始位置彙整表 85
表3.27、「主體類型句型」中各元素之相對起始位置彙整表 86
表3.28、「標的類型句型」中各元素之相對起始位置彙整表 86
表3.29、「特徵句型」中各元素之相對起始位置彙整表 87
表3.30、「本意句型」中各元素之相對起始位置彙整表 87
表3.31、「成效句型」中各元素之相對起始位置彙整表 88
表3.32、「觀點句型」中各元素之相對起始位置彙整表 88
表3.33、「執行準則句型」中各元素之相對起始位置彙整表 89
表3.34、「主體準則句型」中各元素之相對起始位置彙整表 89
表3.35、不常見之機率分配替代結果 90
表3.36、原始構想問題各元素於原始構想問題之相對起始位置值 95
表3.37、原始構想問題各元素於原始構想問題之相對長度值 97
表3.38、原始構想問題各元素於原始構想問題之敘述 98
表3.39、原始構想問題各元素於原始構想問題之判斷要素 98
表3.40、欲釐清問題各元素於欲釐清問題之相對起始位置值 101
表3.41、欲釐清問題各元素於欲釐清問題之相對長度值 102
表3.42、欲釐清問題各元素於欲釐清問題之敘述 103
表3.43、欲釐清問題各元素於欲釐清問題之判斷要素 104
表3.44、各類欲釐清問題句型所對應之關鍵元素 106
表3.45、各類原始構想問題句型所對應之關鍵元素 106
表3.46、影響因素於問卷內容相關外部資料中之特質 107
表3.47、各影響因素之影響程度組合推論最佳化模式之決策變數 112
表3.48、各外部資料所對應之影響因素值與相關程度估計值 114
表3.49、各影響因素所對應之初始影響程度值 121
表3.50、影響因素之N組初始影響程度組合所對應之值 121
表3.51、各初始影響程度組合中影響程度值所對應目標函數之指標變數及目標函數125
表3.52、各目標外部資料所對應之相關程度估計值 140
表3.53、各問卷內容相關外部資料之句子所形成的集合 144
表3.54、各欲釐清問題句型所對應之素材擷取標的與素材位置 157
表3.55、以原始構想問題生成之新問題所對應的各選項 162
表3.56、各原始構想問題所生成之初步問卷內容 163
表3.57、原始構想問題句型所對應之問題集合 169
表3.58、排序後問卷內容中問題所對應之關鍵詞彙與補充說明所構成的集合 176
表5.1、問卷A－台灣籃球市場調查問卷 201
表5.2、問卷B－華納威秀顧客滿意度調查問卷 201
表5.3、問卷C－大家一起來吃素調查問卷 201
表5.4、問卷D－台北市民參加慢速壘球活動調查問卷 201
表5.5、問卷E－燦坤實業和全國電子之行銷調查問卷 202
表5.6、問卷F－智慧型手機使用者品牌忠誠度調查問卷 202
表5.7、15組訓練用之研究者初始想法 203
表5.8、10組測試用之研究者初始想法 203
表5.9、15組訓練用研究者初始想法所對應之49篇相關外部資料的影響因素值 204
表5.10、感受程度句型之原始構想問題結構化推論結果 218
表5.11、知覺感受句型之原始構想問題結構化推論結果 221
表5.12、成效句型之原始構想問題結構化推論結果 224
表5.13、比較句型之原始構想問題結構化推論結果 225
表5.14、各句型之原始構想問題元素內容擷取的準確率、召回率 229
表5.15、主體細項句型之欲釐清問題結構化推論結果 231
表5.16、標的細項句型之欲釐清問題結構化推論結果 232
表5.17、主體類型句型之欲釐清問題結構化推論結果 234
表5.18、標的類型句型之欲釐清問題結構化推論結果 234
表5.19、特徵句型之欲釐清問題結構化推論結果 235
表5.20、本意句型之欲釐清問題結構化推論結果 237
表5.21、成效句型之欲釐清問題結構化推論結果 239
表5.22、執行準則句型之欲釐清問題結構化推論結果 240
表5.23、主體準則句型之欲釐清問題結構化推論結果 241
表5.24、各句型之欲釐清問題元素內容擷取的準確率、召回率 242
表5.25、研究者初始想法所對應之問卷內容相關外部資料推論結果 248
表5.26、感受程度句型問題的關鍵詞彙說明結果 251
表5.27、知覺感受句型問題的關鍵詞彙說明結果 254
表5.28、成效句型問題的關鍵詞彙說明結果 257
表5.29、比較句型問題的關鍵詞彙說明結果 259
表5.30、組測試用研究者初始想法所生成之問題 262
表5.31、組測試用研究者初始想法所生成之問題 267
表5.32、問卷內容生成議題之績效驗證結果彙整 272
表5.33、模式於「研究者初始想法結構化」議題之績效驗證結果彙整 273
表5.34、模式於「問卷內容相關外部資料篩選」議題之績效驗證結果彙整 275
表5.35、模式於「關鍵詞彙補充說明」議題之績效驗證結果彙整 277
表5.36、模式於「問卷內容生成」議題之績效驗證結果彙整 279
表6.37、模式與系統效能之總彙整 284
表A.1、台灣籃球市場調查問卷之解析 297
表A.2、華納威秀顧客滿意度調查問卷之解析 307
表A.3、「大家一起來吃素」問卷之解析 318
表A.4、「台北市民參加慢速壘球活動」問卷之解析 331
表A.5、「燦坤實業和全國電子之行銷調查」問卷之解析 338
表A.6、「智慧型手機使用者品牌忠誠度調查」問卷之解析 347
表B.1、感受程度句型之原始構想問題 353
表B.2、知覺感受句型之原始構想問題 356
表B.3、成效句型之原始構想問題 357
表B.4、比較句型之原始構想問題 358
表B.5、各類句型結構之原始構想問題長度及各元素之長度 359
表B.6、各類句型結構之原始構想問題中各元素之起始位置 362
表B.7、主體細項句型之欲釐清問題 365
表B.8、標的細項句型之欲釐清問題 365
表B.9、主體類型句型之欲釐清問題 366
表B.10、標的類型句型之欲釐清問題 366
表B.11、特徵句型之欲釐清問題 366
表B.12、本意句型之欲釐清問題 367
表B.13、成效句型之欲釐清問題 367
表B.14、觀點句型之欲釐清問題 368
表B.15、執行準則句型之欲釐清問題 368
表B.16、主體準則句型之欲釐清問題 368
表B.17、各類句型結構之欲釐清問題長度及各元素之長度 369
表B.18、各類句型結構之欲釐清問題中各元素前方之字數 372
表D.1、第二週期-感受程度句型之原始構想問題結構化推論結果 396
表D.2、第二週期-知覺感受句型之原始構想問題結構化推論結果 398
表D.3、第二週期-成效句型之原始構想問題結構化推論結果 399
表D.4、第二週期-比較句型之原始構想問題結構化推論結果 399
表D.5、第三週期-感受程度句型之原始構想問題結構化推論結果 401
表D.6、第三週期-知覺感受句型之原始構想問題結構化推論結果 403
表D.7、第三週期-成效句型之原始構想問題結構化推論結果 404
表D.8、第三週期-比較句型之原始構想問題結構化推論結果 404
表D.9、第四週期-感受程度句型之原始構想問題結構化推論結果 406
表D.10、第四週期-知覺感受句型之原始構想問題結構化推論結果 408
表D.11、第四週期-成效句型之原始構想問題結構化推論結果 409
表D.12、第四週期-比較句型之原始構想問題結構化推論結果 409
表D.13、第五週期-感受程度句型之原始構想問題結構化推論結果 411
表D.14、第五週期-知覺感受句型之原始構想問題結構化推論結果 413
表D.15、第五週期-成效句型之原始構想問題結構化推論結果 414
表D.16、第五週期-比較句型之原始構想問題結構化推論結果 414
表D.17、第二週期-主體細項句型之欲釐清問題結構化推論結果 416
表D.18、第二週期-標的細項句型之欲釐清問題結構化推論結果 417
表D.19、第二週期-標的類型句型之欲釐清問題結構化推論結果 418
表D.20、第二週期-特徵句型之欲釐清問題結構化推論結果 418
表D.21、第二週期-本意句型之欲釐清問題結構化推論結果 419
表D.22、第二週期-主體準則句型之欲釐清問題結構化推論結果 420
表D.23、第三週期-主體細項句型之欲釐清問題結構化推論結果 421
表D.24、第三週期-標的細項句型之欲釐清問題結構化推論結果 422
表D.25、第三週期-標的類型句型之欲釐清問題結構化推論結果 423
表D.26、第三週期-特徵句型之欲釐清問題結構化推論結果 423
表D.27、第三週期-本意句型之欲釐清問題結構化推論結果 424
表D.28、第三週期-主體準則句型之欲釐清問題結構化推論結果 425
表D.29、第四週期-主體細項句型之欲釐清問題結構化推論結果 426
表D.30、第四週期-標的細項句型之欲釐清問題結構化推論結果 427
表D.31、第四週期-標的類型句型之欲釐清問題結構化推論結果 428
表D.32、第四週期-特徵句型之欲釐清問題結構化推論結果 428
表D.33、第四週期-本意句型之欲釐清問題結構化推論結果 429
表D.34、第四週期-主體準則句型之欲釐清問題結構化推論結果 430
表D.35、第五週期-主體細項句型之欲釐清問題結構化推論結果 431
表D.36、第五週期-標的細項句型之欲釐清問題結構化推論結果 432
表D.37、第五週期-標的類型句型之欲釐清問題結構化推論結果 433
表D.38、第五週期-特徵句型之欲釐清問題結構化推論結果 433
表D.39、第五週期-本意句型之欲釐清問題結構化推論結果 434
表D.40、第五週期-主體準則句型之欲釐清問題結構化推論結果 435
表D.41、第二週期-研究者初始法所對應之問卷內容相關外部資料推論結果 437
表D.42、第三週期-研究者初始法所對應之問卷內容相關外部資料推論結果 438
表D.43、第四週期-研究者初始法所對應之問卷內容相關外部資料推論結果 439
表D.44、第五週期-研究者初始法所對應之問卷內容相關外部資料推論結果 440
表D.45、第二週期-感受程度句型問題的關鍵詞彙說明結果 443
表D.46、第二週期-知覺感受句型問題的關鍵詞彙說明結果 447
表D.47、第二週期-成效句型問題的關鍵詞彙說明結果 449
表D.48、第二週期-比較句型問題的關鍵詞彙說明結果 450
表D.49、第三週期-感受程度句型問題的關鍵詞彙說明結果 455
表D.50、第三週期-知覺感受句型問題的關鍵詞彙說明結果 461
表D.51、第三週期-成效句型問題的關鍵詞彙說明結果 464
表D.52、第三週期-比較句型問題的關鍵詞彙說明結果 465
表D.53、第四週期-感受程度句型問題的關鍵詞彙說明結果 469
表D.54、第四週期-知覺感受句型問題的關鍵詞彙說明結果 474
表D.55、第四週期-成效句型問題的關鍵詞彙說明結果 483
表D.56、第四週期-比較句型問題的關鍵詞彙說明結果 484
表D.57、第五週期-感受程度句型問題的關鍵詞彙說明結果 488
表D.58、第五週期-知覺感受句型問題的關鍵詞彙說明結果 493
表D.59、第五週期-成效句型問題的關鍵詞彙說明結果 496
表D.60、第五週期-比較句型問題的關鍵詞彙說明結果 497
表D.61、第二週期-10組測試用研究者初始想法所生成之問題 502
表D.62、第三週期-10組測試用研究者初始想法所生成之問題 510
表D.63、第四週期-10組測試用研究者初始想法所生成之問題 520
表D.64、第五週期-10組測試用研究者初始想法所生成之問題 531

1. Adigüzel, F., and Wedel, M., 2008, "Split questionnaire design for massive surveys," Journal of Marketing Research, Vol. 45, No. 5, pp. 608-617.
2. Anh, V. N., Kretser, O. d. and Moffat, A., 2001, "Vector-space ranking with effective early termination," Proceedings of the 24th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM, New Orleans, Louisiana, USA, pp. 35-42.
3. Babekr, S. T., Fouad, K. M. and Arshad, N., 2013, "Personalized semantic retrieval and summarization of Web based documents," International Journal of Advanced Computer Science and Applications, Vol. 4, No. 1, pp. 177-186.
4. Bagheri, A., Saraee, M. and de Jong, F., 2013, "Care more about customers: Unsupervised domain-independent aspect detection for sentiment analysis of customer reviews," Knowledge-Based Systems, Vol. 52, pp. 201-213.
5. Balakrishnan, V. and Zhang, X., 2014, "Implicit user behaviours to improve post-retrieval document relevancy," Computers in Human Behavior, Vol. 33, pp. 104-112.
6. Blake, C., 2010, "Beyond genes, proteins, and abstracts: Identifying scientific claims from full-text biomedical articles," Journal of Biomedical Informatics, Vol. 43, No. 2, pp. 173-189.
7. Bonzanini, M., Martinez-Alvarez, M. and Roelleke, T., 2012, "Opinion summarisation through sentence extraction: An investigation with movie reviews," Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM, Portland, Oregon, USA, pp. 1121-1122.
8. Bouras, C. and Tsogkas, V., 2010, "Noun retrieval effect on text summarization and delivery of personalized news articles to the user’s desktop," Data & Knowledge Engineering, Vol. 69, No. 7, pp. 664-677.
9. Braun, E., Woodley, A., Richardson, J. T. E. and Leidner, B., 2012, "Self-rated competences questionnaires from a design perspective," Educational Research Review, Vol. 7, No. 1, pp. 1-18.
10. Chandrasekar, R. and Srinivas, B., 1998, "Glean: Using syntactic information in document filtering," Information Processing & Management, Vol. 34, No. 5, pp. 623-640.
11. Chanlekha, H. and Collier, N., 2010, "A methodology to enhance spatial understanding of disease outbreak events reported in news articles," International Journal of Medical Informatics, Vol. 79, No. 4, pp. 284-296.
12. Chen, S.-M., Lin, H.-C. and Chang, Y.-C., 2006, "A new method for query reweighting for document retrieval based on neural networks," International Journal of Information and Management Sciences, Vol. 17, No. 4, pp. 95-110.
13. Filippova, K., 2010, "Multi-sentence compression: Finding shortest paths in word graphs," Proceedings of the 23rd International Conference on Computational Linguistics, Association for Computational Linguistics, Beijing, China, pp. 322-330.
14. Fung, D. and Cohen, M. M., 1998, "Measuring patient satisfaction with anesthesia care: A review of current methodology," Anesthesia & Analgesia, Vol. 87, No. 5, pp. 1089-1098.
15. García-Hernández, R., Montiel, R., Ledeneva, Y., Rendón, E., Gelbukh, A. and Cruz, R., 2008, "Text summarization by sentence extraction using unsupervised learning," MICAI 2008: Advances in Artificial Intelligence, pp. 133-143.
16. Han, H., Choi, K., Kim, J. and Choi, H., 2012, "Similar document retrieval among the different kind of national R&D outcomes," Future Information Technology, pp. 53-58.
17. Hing, C. B., Smith, T. O., Hooper, L., Song, F. and Donell, S. T., 2011, "A review of how to conduct a surgical survey using a questionnaire," The Knee, Vol. 18, No. 4, pp. 209-213.
18. Huang, C. C., Tseng, T. L., Chuang, H. F. and Liang, H. F., 2006, "Rough-set-based approach to manufacturing process document retrieval," International Journal of Production Research, Vol. 44, No. 14, pp. 2889-2911.
19. Janssen, P. A. and Desmarais, S. L., 2013, "Development and psychometric properties of the early labourexperience questionnaire (ELEQ)," Midwifery, Vol. 29, No. 3, pp. 181-189.
20. Lee, M., Kang, E.-K. and Gatton, T., 2006, "Web-document filtering using concept graph," Computational Science and its Applications - ICCSA, pp. 947-954.
21. Lehtinen, V., Hänninen, R., Toivonen, V., Oulasvirta, A., Kuuva, S. and Saariluoma, P., 2009, "Developing a rapid questionnaire-based metric for experience of form," European Conference on Cognitive Ergonomics: Designing beyond the Product --- Understanding Activity and User Experience in Ubiquitous Environments, pp. 1-4.
22. Li, P. and Wang, Y., 2011, "Automatically extracting summaries with a novel unsupervised framework," Fuzzy Systems and Knowledge Discovery (FSKD), pp. 1778-1782.
23. Lin, H.-C., Wang, L.-H. and Chen, S.-M., 2006, "Query expansion for document retrieval based on fuzzy rules and user relevance feedback techniques," Expert Systems with Applications, Vol. 31, No. 2, pp. 397-405.
24. Lin, H.-T., Chi, N.-W., and Hsieh, S.-H., 2012, "A concept-based information retrieval approach for engineering domain-specific technical documents," Advanced Engineering Informatics, Vol. 26, No. 2, pp. 349-360.
25. Liu, D.-R., Chen, Y.-H. and Huang, C.-K., 2014, "QA document recommendations for communities of question–Answering websites," Knowledge-Based Systems, Vol. 57, pp. 146-160.
26. Lloret, E. and Palomar, M., 2013, "Towards automatic tweet generation: A comparative study from the text summarization perspective in the journalism genre," Expert Systems with Applications, Vol. 40, No. 16, pp. 6624-6630.
27. Lloret, E., Romá-Ferri, M. T. and Palomar, M., 2013, "COMPENDIUM: A text summarization system for generating abstracts of research papers," Data & Knowledge Engineering, Vol. 88, pp. 164-175.
28. Lopez, C., Prince, V. and Roche, M., 2014, "How can catchy titles be generated without loss of informativeness?" Expert Systems with Applications, Vol. 41, No. 4, pp. 1051-1062.
29. Lubans, D. R., Lonsdale, C., Plotnikoff, R. C., Smith, J., Dally, K. and Morgan, P. J., 2013, "Development and evaluation of the motivation to limit screen-time questionnaire (MLSQ) for adolescents," Preventive Medicine, Vol. 57, No. 5, pp. 561-566.
30. Middleton, A., Bragin, E., Morley, K. I., and Parker, M. 2014, "Online questionnaire development: Using film to engage participants and then gather attitudes towards the sharing of genomic data," Social Science Research, Vol. 44, pp. 211-223.
31. Nefti, S., Oussalah, M. and Rezgui, Y., 2009, "A modified fuzzy clustering for documents retrieval: Application to document categorization," The Journal of the Operational Research Society, Vol. 60, No. 3, pp. 384-394.
32. Onoda, T., Murata, H. and Yamada, S., 2005, "Relevance feedback document retrieval using support vector machines," Active Mining, pp. 59-73.
33. Ouertani, H. C., 2013, "Implicit sensitive text summarization based on data conveyed by connectives," International Journal of Advanced Computer Science and Applications, Vol. 4, No. 11, pp. 1-4.
34. Parsons, K., McCormac, A., Butavicius, M., Pattinson, M. and Jerram, C., 2014, "Determining employee awareness using the human aspects of information security questionnaire (HAIS-Q)," Computers & Security (online).
35. Patwardhan, S. and Riloff, E., 2006, "Learning domain-specific information extraction patterns from the web," Proceedings of the Workshop on Information Extraction beyond the Document, Association for Computational Linguistics, Sydney, Australia, pp. 66-73.
36. Phipps, P. A., Butani, S. J. and Chun, Y. I., 1995, "Research on establishment-survey questionnaire design," Journal of Business & Economic Statistics, Vol. 13, No. 3, pp. 337-346.
37. Rattray, J. and Jones, M. C., 2007, "Essential elements of questionnaire design and development," Journal of Clinical Nursing, Vol. 16, No. 2, pp. 234-243.
38. Ribera, M., Daudén, E., Puig, L., García-Patos Briones, V., Herranz, J. M., Bordas, X. and Vanaclocha, F., 2011, "Design and validation of a questionnaire to measure treatment satisfaction in patients with moderate-to-severe psoriasis: the NEODERMA study," Actas Dermo-Sifiliográficas (English Edition), Vol. 102, No. 1, pp. 28-38.
39. Riloff, E. and Jones, R., 1999, "Learning dictionaries for information extraction by multilevel bootstrapping," National Conference on Artificial Intelligence, pp. 474-479.
40. Schleyer, T. K. and Forrest, J. L., 2000, "Methods for the design and administration of web-based surveys," Journal of the American Medical Informatics Association, Vol. 7, No. 4, pp. 416-425.
41. Schreiber, F. A., Barbic, F. and Madeddu, S., 1989, "Dynamic user profiles and flexible queries in office document retrieval systems," Decision Support Systems, Vol. 5, No. 1, pp. 13-28.
42. Seon, C.-N., Kim, H. and Seo, J., 2011, "Efficient appointment information extraction from short messages in mobile devices with limited hardware resources," Pattern Recognition Letters, Vol. 32, No. 2, pp. 127-133.
43. Smits, N. and Vorst, H. C. M., 2007, "Reducing the length of questionnaires through structurally incomplete designs: An illustration," Learning and Individual Differences, Vol. 17, No. 1, pp. 25-34.
44. Song, W., Liang, J. Z., Cao, X. L. and Park, S. C., 2014, "An effective query recommendation approach using semantic strategies for intelligent information retrieval," Expert Systems with Applications, Vol. 41, No. 2, pp. 366-372.
45. Sørensen, K., Van den Broucke, S., Pelikan, J., Fullam, J., Doyle, G., Slonska, Z., Kondilis, B., Stoffels, V., Osborne, R. and Brand, H., 2013, "Measuring health literacy in populations: illuminating the design and development process of the European Health Literacy Survey Questionnaire (HLS-EU-Q)," BMC Public Health, Vol. 13, No. 1, pp. 1-10.
46. Suanmali, L., Salim, N. and Binwahlan, M. S., 2011, "Fuzzy genetic semantic based text summarization," Proceedings of the 2011 IEEE Ninth International Conference on Dependable, Autonomic and Secure Computing, IEEE Computer Society, pp. 1184-1191.
47. Sumathi, M. and Kalaikumaran, T., 2012, "Abstract information model for presenting database query results," Computer Communication and Informatics (ICCCI), pp. 1-6.
48. Tsui, E., Wang, W. M., Cai, L., Cheung, C. F. and Lee, W. B., 2014, "Knowledge-based extraction of intellectual capital-related information from unstructured data," Expert Systems with Applications, Vol. 41, No. 4, pp. 1315-1325.
49. Vicente, P. and Reis, E., 2010, "Using questionnaire design to fight nonresponse bias in Web surveys," Social Science Computer Review, Vol. 28, No. 2, pp. 251-267.
50. Wan, X., Yang, J. and Xiao, J., 2008, "Towards a unified approach to document similarity search using manifold-ranking of blocks," Information Processing & Management, Vol. 44, No. 3, pp. 1032-1048.
51. Wang, Q., Qu, S. N., Du, T. and Zhang, M. J., 2013, "The research and application in intelligent document retrieval based on text quantification and subject mapping," Advanced Materials Research, Vol. 2109, No. 605, pp. 2561-2568.
52. Winzenberg, T. M., Oldenburg, B., Frendin, S. and Jones, G., 2003, "The design of a valid and reliable questionnaire to measure osteoporosis knowledge in women: The osteoporosis knowledge assessment tool (OKAT)," BMC Musculoskeletal Disorders, Vol. 4, No. 1.
53. Yao, D., Qiu, Y., Du, Z., Ma, J. and Huang, H., 2009, "A survey of technology accessibility problems faced by older users in China," Proceedings of the 2009 International Cross-Disciplinary Conference on Web Accessibililty (W4A), ACM, Madrid, Spain, pp. 16-25.
54. Zaharias, P., 2006, "A usability evaluation method for e-learning: Focus on motivation to learn," CHI '06 Extended Abstracts on Human Factors in Computing Systems, ACM, Montréal, Québec, Canada, pp. 1571-1576.
55. Zhang, H. and Chow, T. W. S., 2012, "A multi-level matching method with hybrid similarity for document retrieval," Expert Systems with Applications, Vol. 39, No. 3, pp. 2710-2719.