透過學習分析了解學生影片觀看行為

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：22

、訪客IP：18.227.190.231

姓名

徐道婷(Tao-Ting Hsu) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

透過學習分析了解學生影片觀看行為
(To understand Students‘ Video Viewing Behavior in MOOCs by Learning Analysis)

相關論文

★ 應用智慧分類法提升文章發佈效率於一企業之知識分享平台	★ 家庭智能管控之研究與實作
★ 開放式監控影像管理系統之搜尋機制設計及驗證	★ 資料探勘應用於呆滯料預警機制之建立
★ 探討問題解決模式下的學習行為分析	★ 資訊系統與電子簽核流程之總管理資訊系統
★ 製造執行系統應用於半導體機台停機通知分析處理	★ Apple Pay支付於iOS平台上之研究與實作
★ 應用集群分析探究學習模式對學習成效之影響	★ 應用序列探勘分析影片瀏覽模式對學習成效的影響
★ 一個以服務品質為基礎的網際服務選擇最佳化方法	★ 維基百科知識推薦系統對於使用e-Portfolio的學習者滿意度調查
★ 學生的學習動機、網路自我效能與系統滿意度之探討-以e-Portfolio為例	★ 藉由在第二人生內使用自動對話代理人來改善英文學習成效
★ 合作式資訊搜尋對於學生個人網路搜尋能力與策略之影響	★ 數位註記對學習者在線上學習環境中反思等級之影響

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

隨著網路與行動裝置的普及，學生在磨課師平台上透過觀看教學影片自我學習已成為趨勢。不同於傳統學習模式，學生只要有網路與行動裝置便可隨時隨地的學習與掌握新知識，不再受到時間地點的限制。但由於在磨課師平台上教師無法與學生面對面教學，而使得教師無法掌握學生的學習狀況並進一步對學生進行輔導。因此如何提供學生學習狀態相關資訊給予教師作為對學生進行輔導的參考指標，以提升學生的學習意願與減少學習困難便是一重要課題。
根據統計資料顯示，學生於磨課師平台上最頻繁使用的功能為觀看教學影片。而吳志倫(2016)已研究以視覺化方式呈現學生對影片之操作行為，提供教師清晰明瞭之圖形以觀察學生行為，進而推知學生學習狀況。而透過視覺化影片操作行為，我們能找到學生有疑問的影片區段，輔助教師根據圖形找出影片需修改處進行修改，減少因遇到困難而停止學習之學生，但我們無法了解學生的實際觀看行為模式與學習成績間的關聯性。因此，本研究以學習分析來了解學生的觀看行為與學生學習成績間的關係，使教師能夠透過學生觀看影片行為掌握學生之學習狀態。本研究透過Multiple correspondence analysis與Lag-sequential Analysis兩種學習分析法，來找出對學生學習成績具有影響力的關鍵觀看行為模式。其中，利用Multiple correspondence analysis找出對整體學生最具影響性的觀看行為模式；而利用Lag-sequential Analysis找出高低成就學生的特殊觀看行為模式。透過本研究所提供之分析結果，教師可參考而對學習狀況較差之學生進行輔導，避免學生因遇到學習困難而放棄學習。

摘要(英)

With the popularity of network and mobile devices, more and more students start to have the self-learning class by watching videos in massive open online courses (MOOCs). Students can gain new knowledge whenever and wherever they have a network and a mobile device. But because the teacher can not teach face to face with the students, which makes teachers unable to grasp the students’ learning situation and further intervening students. So how to provide students with learning status information to give teachers is an important issue.
According to the research, students spend most of their time on watching videos on the MOOCs platforms. To solve the problems above, we could make use of the action logs which MOOC platforms record while students using the system. In this study, we uses learning analysis to understand the relationship between students’ video viewing behavior and students’ achievement, so that teachers can find out the students’ status of learning through the students’ video viewing behavior. Through the multiple correspondence analysis and Lag-sequential Analysis, this study finds out the key video viewing behavior patterns which reflecting on students’ achievement. Through the analysis results provided by this study, teachers can find out the poor learning of the students to intervening, to avoid students give up learning due to learning difficulties.

關鍵字(中)

★ 學習分析
★ 磨課師
★ 影片觀看行為
★ 多重應對分析
★ 滯後序列分析

關鍵字(英)

論文目次

摘要 i
ABSTRACT ii
目錄 iii
圖目錄 vi
表目錄 vii
一、緒論 1
1.1 研究背景與動機 1
1.2 研究目的 1
1.3 研究歷程脈絡 3
1.3.1 影片觀看行為視覺化 3
1.3.1.1觀看行為出現大量暫停之情形 4
1.3.1.2跳轉區間出現大量倒轉之情形 5
1.3.2 觀看行為模式 6
二、文獻探討 7
2.1 磨課師的發展與挑戰 7
2.2磨課師平台上影片觀看行為之學習分析 7
三、系統設計 9
3.1 開發環境 9
3.1.1 Python 9
3.1.2 UCINET 9
3.2 系統功能 9
3.2.1 影片觀看行為模式 9
3.3 系統架構 9
3.3.1 收存取用四大步驟 10
3.3.2 資料分析流程 10
3.4 資料收集 11
3.4.1 資料簡介 11
3.4.2 追蹤紀錄 11
3.5 資料儲存 12
3.5.1 影片操作紀錄 12
3.6 資料萃取與分析 15
3.6.1多重對應分析(Multiple correspondence analysis, MCA) 15
3.6.2滯後序列分析(Lag-sequential Analysis, LSA) 16
3.6.2.1 編碼1：單一點擊動作 16
3.6.2.2 編碼2：兩個點擊動作 17
3.6.2.3 編碼3：單一點擊動作 + 時間等第 17
四、實驗結果 19
4.1多重對應分析(Multiple correspondence analysis, MCA) 19
4.2 滯後序列分析(Lag-sequential Analysis, LSA) 20
4.2.1 編碼1：單一點擊動作 21
4.2.2編碼2：兩個點擊動作 22
4.2.3 編碼3：單一點擊動作 + 時間長度等第 28
五、討論 38
5.1多重對應分析(Multiple correspondence analysis, MCA) 38
5.2滯後序列分析(Lag-sequential Analysis, LSA) 40
5.2.1 編碼1：單一點擊動作 40
5.2.2 編碼2：兩個點擊動作 41
5.2.2.1 高成就學生之特殊影片觀看行為序列 41
5.2.2.2 低成就學生之特殊影片觀看行為序列 45
5.2.3 編碼3：單一點擊動作 + 時間長度等第 48
5.2.3.1 影片觀看行為序列SSbPl部分 49
5.2.3.2 影片觀看行為序列PaSf部分 49
5.2.3.3 影片觀看行為序列SfPl部分 50
六、結論及未來研究 52
參考文獻 54

參考文獻

Breslow, L., Pritchard, D. E., DeBoer, J., Stump, G. S., Ho, A. D., & Seaton, D. T. (2013). Studying learning in the worldwide classroom: Research into edX′s first MOOC. Research & Practice in Assessment, 8.
Brinton, C. G., Buccapatnam, S., Chiang, M., & Poor, H. V. (2016). Mining MOOC Clickstreams: Video-Watching Behavior vs. In-Video Quiz Performance. IEEE Transactions on Signal Processing, 64(14), 3677-3692.
Burge, J. (2015, February). Insights into teaching and learning: Reflections on mooc experiences. In Proceedings of the 46th ACM Technical Symposium on Computer Science Education (pp. 600-603). ACM.
Chen, Q., Chen, Y., Liu, D., Shi, C., Wu, Y., & Qu, H. (2016). Peakvizor: Visual analytics of peaks in video clickstreams from massive open online courses. IEEE transactions on visualization and computer graphics, 22(10), 2315-2330.
Daradoumis, T., Bassi, R., Xhafa, F., & Caballé, S. (2013, October). A review on massive e-learning (MOOC) design, delivery and assessment. In P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC), 2013 Eighth International Conference on (pp. 208-213). IEEE.
Guo, P. J., Kim, J., & Rubin, R. (2014, March). How video production affects student engagement: An empirical study of mooc videos. In Proceedings of the first ACM conference on Learning@ scale conference (pp. 41-50). ACM.
Hew, K. F., & Cheung, W. S. (2014). Students’ and instructors’ use of massive open online courses (MOOCs): Motivations and challenges. Educational research review, 12, 45-58.
Hone, K. S., & El Said, G. R. (2016). Exploring the factors affecting MOOC retention: A survey study. Computers & Education, 98, 157-168.
Khalil, H., & Ebner, M. (2014, June). MOOCs completion rates and possible methods to improve retention-A literature review. In World Conference on Educational Multimedia, Hypermedia and Telecommunications (Vol. 1, pp. 1305-1313).
Kim, J., Guo, P. J., Seaton, D. T., Mitros, P., Gajos, K. Z., & Miller, R. C. (2014, March). Understanding in-video dropouts and interaction peaks inonline lecture videos. In Proceedings of the first ACM conference on Learning@ scale conference (pp. 31-40). ACM.
Kizilcec, R. F., Piech, C., & Schneider, E. (2013, April). Deconstructing disengagement: analyzing learner subpopulations in massive open online courses. In Proceedings of the third international conference on learning analytics and knowledge (pp. 170-179). ACM.
Ma, J., Han, X., Yang, J., & Cheng, J. (2015). Examining the necessary condition for engagement in an online learning environment based on learning analytics approach: The role of the instructor. The Internet and Higher Education, 24, 26-34.
Marcus, A., Bernstein, M. S., Badar, O., Karger, D. R., Madden, S., & Miller, R. C. (2011, May). Twitinfo: aggregating and visualizing microblogs for event exploration. In Proceedings of the SIGCHI conference on Human factors in computing systems (pp. 227-236). ACM.
Nawrot, I., & Doucet, A. (2014, April). Building engagement for MOOC students: introducing support for time management on online learning platforms. In Proceedings of the 23rd International Conference on World Wide Web (pp. 1077-1082). ACM.
Onah, D. F., Sinclair, J., & Boyatt, R. (2014). Dropout rates of massive open online courses: behavioural patterns. EDULEARN14 Proceedings, 5825-5834.
Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618.
Sclater, N., Peasgood, A., & Mullan, J. (2016). Learning analytics in higher education. London: Jisc. Accessed February, 8, 2017.
Shi, C., Fu, S., Chen, Q., & Qu, H. (2015). VisMOOC: Visualizing Video Clickstream Data from Massive Open Online Courses. 2015 IEEE Pacific Visualization Symposium (PacificVis), 159-166. doi: 10.1109/PACIFICVIS.2015.7156373
Sinha, T., Jermann, P., Li, N., & Dillenbourg, P. (2014). Your click decides your fate: Inferring information processing and attrition behavior from MOOC video clickstream interactions. arXiv preprint arXiv:1407.7131.
吳志倫(2016)。透過視覺化影片觀看行為分析提升磨課師課程之完課率。國立中央大學資訊工程研究所碩士論文，未出版，桃園。

指導教授

楊鎮華

審核日期

2017-7-19

推文