در این تحقیق به بررسی ارائه یک چارچوب مناسب جهت بهنگام سازی قواعد استخراج شده از تحلیل پوششی داده با استفاده از روشهای یادگیر می پردازیم. داده های موجود در هر مجموعه داده معمولاً به روز می شوند و در نتیجه آن، قواعد جدیدی از آن ها استخراج می گردد. مو-چن چن برای اولین بار deaرا برای رتبه بندی قواعد پیوندی استخراج شده در داده کاوی استفاده کرد. وی همچنین برای تمایز میان قواعد بهینه از روش تمایز اوباتا و ایشی استفاده کرد. از طرف دیگر الگوریتم های dea و تمایز اوباتا و ایشی پیچیده می باشند . در نتیجه بهنگام سازی امتیازهای قواعد نیازمند محاسبات زمانبر است. در این تحقیق با استفاده از روش های یادگیر و dea علی الخصوص شبکه های عصبی مصنوعی روشی معرفی می شود تا بتوان بدون نیاز به انجام محاسبات ریاضی، قواعد جدید را رتبه بندی کرد. برای این منظور، امتیاز ترجیحی کلیه قواعد با استفاده از روش مو-چن چن محاسبه و به عنوان داده های یادگیری به شبکه عصبی داده شد. پس از به روزشدن داده ها و استخراج قواعد جدید، قواعد به شبکه عصبی داده شدند تا امتیازشان بدست آید. این تحقیق نشان می دهد که شبکه های عصبی می توانند جایگزین خوبی برای محاسبات پیچیده تحلیل پوششی داده ها وقاعده تمایز اوباتا و ایشی باشند.