臺灣博碩士論文加值系統

摘要
數位學習為了能夠滿足學習者對於課程先備知識差異上的學習需求，因此學習管理系統推薦給學習者的教材與次序安排是一個重要的影響因素。

本研究使用資料探勘的學習者分群與數量化關聯法則演算法，來分析學習優異的學習者之學習方法，藉此找出適合學習者的推薦學習路徑。學習者透過本系統的推薦路徑可以較容易達成學習目標。

本研究所需之學習管理系統修改自SCORM 2004 RTE，以期符合所需要的相關資料紀錄。課程製作與包裝使用Reload Editor 2004與Camtaisa Studio來進行。使用最大期望值EM分群演算法進行學習者分群，以LqiTid數量化關連法則探勘演算法進行學習路徑的探勘。為了驗證推薦路徑的可行性，透過實驗設計安排以準實驗設計之「不等的前測–後測設計」方式，設計實驗組與對照組的實驗對照來探討學習紀錄與學期成績在本研究的課程學習上，提供探勘與推薦機制對學習者學習的成效。實驗結果顯示，結合數位學習與本研究所提出的推薦機制，使得學習者在學習上確實能夠得到適性化的課程推薦幫助，學習成效優於沒有推薦機制的對照組。

本研究提出的方法與系統應用在個人化學習服務（Personalized Learning Services）的確能夠提供適性化的課程推薦，來滿足不同學習者之間的差異。藉此以提供學習者最適合的學習路徑與課程，達到適性化的學習服務組合的目的。

ABSTRACT

In order to satisfy the learning needs due to the differences between every learner’s prior knowledge, the course contents and proper arrangements in sequence which are recommended by the learning management system definitely plays a critical role in e-learning.

The research proposes utilizes data mining’s learner-clustering and quantitative relation algorithm methodologies. The system mines a recommendation learning path which will be relevant for the learner and it is also anticipated that the learner can accomplish the learning objective by following the recommendation learning path.

The Learning Management System in this research was modified from SCORM 2004 RTE to record the relevant data. Course arrangement was using Reload Editor 2004 and Camtaisa Studio to complete. The research also utilizes EM algorithm to perform the learner-clustering and LqiTid algorithm to mine the learning path. In order to verify the feasibility of recommend path, the research used quasi-experimental design, a practical experiment which is performed by Experimental and Comparison Group running on the learning system. Furthermore, this research will analyze each learner’s learning records and results to discuss whether the system helps learners on the mining and recommendation of adaptive learning path or not.
The experimental results show that combine the e-learning and proposed model helps learners to learn and can provide adaptive recommendation course contents to disappear the gaps between different learners, and the relevant is better than Comparison Group.

The research is also anticipated that the proposed system which is utilizes on Personalized Learning Services can provide adaptive recommendation course contents to disappear the gaps between different learners.

目錄
摘要 I
ABSTRACT II
致謝辭 IV
目錄 V
圖目錄 VII
表目錄 IX
第壹章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 待答問題 3
第四節 研究範圍 4
第五節 研究情境 4
第六節 論文架構 5
第貳章 文獻探討 6
第一節 數位學習現況探討 6
1. 學習理論 6
2. 個人化推薦學習 7
第二節 數位學習參考標準SCORM 9
1. SCORM教材規範（CAM） 10
2. SCORM教學環境（RTE） 14
3. SCORM教學瀏覽順序（SN） 17
第三節 資料探勘 19
1. 資料探勘在數位學習的運用 19
2. 分群演算法 20
3. 關聯規則演算法 22
第四節 實驗研究法 30
1. 實驗控制 31
2. 實驗設計 32
第參章 研究方法與系統架構 35
第一節 設計理念 35
第二節 系統設計 36
第三節 系統運作流程 40
第四節 環境建置 42
第五節 本研究實驗設計 45
1. 實驗目的 45
2. 實驗方式 45
3. 實驗處理 47
第肆章 研究結果與討論 50
第一節 EMLT 學習管理系統前測處理 50
第二節 EMLT 學習管理系統學習者分群探勘 52
第三節 EMLT 學習管理系統推薦課程探勘 55
第四節 EMLT 學習管理系統課程推薦 74
第五節 實驗結果 79
第伍章 結論與建議 80
第一節 研究結論 80
第二節 未來研究建議 81
參考文獻 83

圖目錄
圖2- 1 CAM Content packaging概念 (來源：SCORM CAM, 2004 [1]) 13
圖2- 2 RTE運作關係概念 (來源：SCORM RTE, 2004[1]) 14
圖2- 3 SN的Activity Tree概念(來源：SCORM SN, 2004 [1]) 18
圖2- 4 經過課程路徑探勘的推薦路徑 29
圖2- 5 經過刪除重複路徑後的推薦路徑 30
圖3- 1 本研究之 EMLT 學習管理系統架構圖 36
圖3- 2 學習時間的判斷 39
圖3- 3 EMLT 學習管理系統運作流程 41
圖3- 4 本研究之 EMLT 學習管理系統操作介面 43
圖3- 5 本研究 EMLT 學習管理系統實驗架構圖 46
圖3- 6 本研究 EMLT 學習管理系統之實驗設計流程 49
圖4- 1 進行前測時登入畫面 51
圖4- 2 進行前測時操作畫面 51
圖4- 3 前測所收集的資料畫面 52
圖4- 4 前測資料經分群演算法進行分群畫面 53
圖4- 5 學習紀錄畫面 56
圖4- 6 資料庫所呈現的學習紀錄 57
圖4- 7 經路徑探勘的推薦路徑(前測成績高的群組) 之第一部份 63
圖4- 8 經刪除重複後的推薦路徑(前測成績高的群組) 之第一部份 63
圖4- 9 透過探勘程式進行探勘輸入畫面 65
圖4- 10 透過探勘程式進行探勘輸出畫面 65
圖4- 11 透過探勘程式進行探勘畫面全貌 66
圖4- 12 在前測成績高的群組裡，依學習成效佳的學習路徑所探勘出來的推薦路徑。 67
圖4- 13 在前測成績中的群組裡，依學習成效佳學習路徑所探勘執行畫面之第一部份。 67
圖4- 14 經路徑探勘的推薦路徑(前測成績中的群組) 之第一部份 68
圖4- 15 經刪除重複後的推薦路徑(前測成績中的群組) 之第一部份 68
圖4- 16 在前測成績中的群組裡，依學習成效佳學習路徑所探勘執行畫面之第二部份。 69
圖4- 17 經路徑探勘的推薦路徑(前測成績中的群組) 之第二部份 69
圖4- 18 經刪除重複後的推薦路徑(前測成績中的群組) 之第二部份 70
圖4- 19 在前測成績中的群組裡，依學習成效佳的學習路徑所探勘出來的推薦路徑。 70
圖4- 20 在前測成績低的群組裡，依學習成效佳學習路徑所探勘執行畫面之第一部份。 71
圖4- 21 經路徑探勘的推薦路徑(前測成績低的群組) 之第一部份 71
圖4- 22 經刪除重複後的推薦路徑(前測成績低的群組) 之第一部份 72
圖4- 23 在前測成績低的群組裡，依學習成效佳學習路徑所探勘執行畫面之第二部份。 72
圖4- 24 經路徑探勘的推薦路徑(前測成績低的群組) 之第二部份 73
圖4- 25 經刪除重複後的推薦路徑(前測成績低的群組) 之第二部份 73
圖4- 26 在前測成績低的群組裡，依學習成效佳的學習路徑所探勘出來的推薦路徑。 74
圖4- 27 系統呈現未進行前測而登入學習課程的告知畫面 75
圖4- 28 經由前測成績而推薦路徑記錄的畫面 75
圖4- 29 本研究之 EMLT 學習管理系統進行登入時操作畫面 76
圖4- 30 本研究之 EMLT 學習管理系統尋獲推薦路徑畫面 77
圖4- 31 本研究之 EMLT 學習管理系統呈現推薦路徑與課程內容畫面 77
圖4- 32 本研究之 EMLT 學習管理系統進行學習操作畫面 78
圖4- 33 本研究之 EMLT 學習管理系統進行推薦學習畫面 79


表目錄
表1- 1 教學主義與建構主義的區別(來源：M.D.Poblyer, 2004 [16]) 7
表2- 1 CAM的Metadata描述項目(來源：SCORM CAM, 2004 [1]) 12
表2- 2 API的呼叫功能項目 (來源：SCORM CAM, 2004 [1]) 15
表2- 3 Data Model的功能項目 (來源：SCORM CAM, 2004 [1]) 16
表2- 4 學習者進行數位學習的學習紀錄 24
表2- 5 各課程單元所對應的整數 25
表2- 6 經過分割轉換後的學習紀錄 26
表2- 7 各個q_項目的相關資料 26
表2- 8 大型1-q_項目集的學習紀錄 27
表2- 9 大型2-q_項目集的學習紀錄 28
表2- 10 大型3-q_項目集的學習紀錄 28
表2- 11 經過課程路徑探勘的信心水準 28

表3- 1 本研究 EMLT 學習管理系統所需紀錄的項目 43
表3- 2 本研究之 EMLT 學習管理系統實驗處理表 47
表4- 1 實驗組與對照組的前測成績高群組列表 53
表4- 2 前測成績高的實驗組平均數與標準差計算列表 54
表4- 3 前測成績高的群集 55
表4- 4 前測成績中的群集 55
表4- 5 前測成績低的群集 55
表4- 6 課程單元轉換對應表 57
表4- 7 學習紀錄表 57
表4- 8 各課程單元所對應的整數 59
表4- 9 經過轉換後的學習紀錄表 60
表4- 10 表示q_項目表 61
表4- 11 表示大型1-q_項目集表 61
表4- 12 表示大型2-q_項目集表 61
表4- 13 原本課程單元名稱所對應的代碼 64
表4- 14 前測成績高的群集之前、後測成績比較。 79
表4- 15 前測成績中的群集之前、後測成績比較。 79
表4- 16 前測成績低的群集之前、後測成績比較。 79

參考文獻
[1]
Advanced Distributed Learning (ADL), “Sharable Content Object Reference Model (SCORM) 2004 3nd Edition Overview,” 16 Nov. 2006; http://www.adlnet.org/.
[2]
J. W. Best, and J. V. Kahn. Research in education(7rd Edition), Prentice-Hall, 1989.
[3]
O. Bohl, J. Schellhase, and U. Winand, “The Sharable Content Object Reference Model (SCORM) - a critical review,” Proc. Int’l Conf. on Computers in Education (ICCE’02), 2002, pp. 950-951.
[4]
P. S. Bradley, U. M. Fayyad, and C. A. Reina, “Scaling EM (Expectation- Maximization) Clustering to Large Databases,” Microsoft Research Technical Report” MSR-TR-98-35 , Redmond, WA, 1999, pp. 5-12.
[5]
J. Broisin and P. Vidal, “A Management Framework to Recommend and Review Learning Objects in a Web-based Learning Environment,” Proc. 6th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’06), 2006, pp. 16-18.
[6]
N.-S. Chen “Dynamic Constructing Decision Rules from Learning Portfolio to Support Adaptive Instruction,” Comm. of Institute of Information and Computing Machinery (IICM), vol. 6, no. 3, 2003, pp. 11-24.
[7]
U. Fayyad, G. Piatetsky-Shapiro and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” American Association for Artificial Intelligence, 1996, pp. 37-54.
[8]
K. Fujii and T. Suda, “Semantics-based Dynamic Service Composition,” the IEEE Journal on Selected Areas in Communications (JSAC), vol. 23, no. 12, 2005, pp. 2361 - 2372.
[9]
G. Gonzalez, ”Constructivism in an introduction to programming course,” Journal of Computing Sciences in Colleges (JCSC), vol. 19, issue 4, Apr. 2004, pp. 299-305.
[10]
M. Harmelen, “Personal Learning Environments,” Proc. 6th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’06), 2006, pp. 815-816.
[11]
N. Henze and M, Herrlich, “The Personal Reader: A Framework for Enabling Personalization Services on the SemanticWeb,” Proc. 4th Adaptation and User Modeling in interactive Systems (ABIS 04), October 2004.
[12]
C.-Y. Huang and D. J.-T. Yang, “A Study of Learning Portfolio Based on
SCORM 2004 SN-Compliant Course: Using Data Mining as Tools,” Global Chinese Conference on Computers in Education (GCCCE’2004), 2004.
[13]
L.-H. Li and Y.-H. Chiu, “The Intelligent Recommendation Mechanism for E-Learning System,” The Seventh Conference on Artificial Intelligence and Applications (TAAI’2002), 2002, pp. 612-617.
[14]
C.-J. Liao and D. J.-T. Yang, “A SCORM-compliant Ubi-learning Grid by Employing CC/PP,” Proc. 5th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’05), 2005, pp. 66-68.
[15]
C.-J. Liao and F. C. OuYang, “A Workflow Framework for Pervasive Learning Objects Composition by Employing Grid Services Flow Language,” Proc. 4th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’04), 2004, pp. 840-841.
[16]
M. D. Roblyer, Integrating Educational Technology into Teaching (3rd Edition), Prentice Hall, 2004.
[17]
A. Sfard, “One-two metaphors for learning and the dangers of choosing just one,” Educational Researcher, vol. 23, no. 12, 1998, pp. 4-13.
[18]
Y. Tamura, T. Yamamuro, and T. Okamoto, “Distributed and Learner Adaptive e-Learning Environment with Use of Web,” Proc. 6th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’06), 2006, pp. 45-55.
[19]
S.-M. Tasi, and C.-M. Chen, “Mining Quantitative Association Rules in a Large Database of Sales Transactions,” Proc. 17th Journal of Information Sciences and Engineering(JISE ’01), 2001, pp 667-681.
[20]
G.Vossen and P. Westerkamp, “Towards the Next Generation of E-Learning Standards: SCORM for Service-Oriented Environments,” Proc. 6th IEEE Int’l Conf. on Advanced Learning Technologies (ICALT’06), 2006, pp. 45-55.
[21]
C.-T. Yang and H.-C. Ho, “A Shareable e-Learning Platform Using Data Grid Technology,” Proc. 2005 IEEE Int’l Conf. on e-Technology, e-Commerce and e-Service (EEE'05), 2005, pp. 592-595.