資料發掘乃由資料庫中發掘非顯然的、隱含的、前所未知的，而可能有用的資訊的過程。本艾首先從艾獻中了解目前資料發掘領域的研究現況，從而由擴充先前知識的角度切入，利用企業法則、延伸的實體關係模式中的一般化、集合化、聚集化等抽象化觀念、延伸之資料字典及經驗法則等先前知誠得出更合適的資料以供資料發掘，並對於概念樹導向歸納學習法做適當的修改，提出研究架構。並以假想的學校資料庫，發展出一套雛形系統，驗証本架構的可行性。最後並提出進一步的研究建議，以供後續研究參考。

Data mining is the nontrivial extraction of implicit, previously unknown, and potentially useful information from data, In the paper, we first survey previous research in data mining and discuss their prior knowledge. Then we propose a framework to extend prior knowledge including data abstractions (generalization, association, and aggregation) of the extended entity-relationship model, business rule, extended data dictionary and heuristics, in order to assist the process of data mining. The Han's algorithms based on inductive learning using concept hierarchy trees are slightly modified. A prototype based on an artificial university database is then reported. Finally, we give some suggestions for future research.

資料庫的使用在台灣已有一段時日。較悠久的組織已累積相當多的資料量。這些資料其實對組織的決策而言，相當重要。然而，在廣大的資料海中何者才為有用的知識？這應是每個管理者希望知道的事。資料發掘（Data Mining），或稱知識發現（Knowledge Discovery）乃由資料庫中發掘非顯然的、隱含的、前所未知的，而可能有用的資訊過程。在國外，已有甚多商業或科學的應用實例。如，由顧客交易資料中發掘購買型態、由信用資料中發掘不良顧客型態、由氣象資料中發掘颱風成因或跡象等。本文首先從文獻中瞭解目前資料發掘領域的研究現況，從而擴充先前知識的角度切入，利用企業法則、延伸的實體關係模式中的一般化、集合化、聚集化等抽象化觀念、延伸之資料字典及經驗法則等先前知識得出更合適的資料以供資料發掘，並對於概念樹導向歸納學習法做適當的修改，提出研究架構。並以假想的學校資料庫，發展出一套雛型系統，驗證本架構的可行性。最後並提出進一步的研究建議，以供後續研究參考。一般實務界讀者應可由此文的啟發得知如何從事資料發掘，並留意到資料庫設計實應考慮的事。