臺灣博碩士論文加值系統

全球疫情的爆發給教育領域帶來了前所未有的挑戰，促使教學方式迅速轉向數位化，並且推動了教育科技的蓬勃發展。線上教室系統應運而生，協助教師和學生在這段特殊時期進行教學、交流和學習。隨著疫情逐漸趨緩，學校開始回歸傳統實體教學。本研究旨在利用費雪精確檢定搜尋預測學業成績的最佳變數，探討線上教室系統中學生的課程參與行為與其學習成績之間的關聯性。希望在結合數位化教學的經驗與傳統教學的基礎上，通過費雪精確檢定篩選出最能預測學業成績的學習行為變數，並在排除共線性之後構建羅吉斯迴歸模型，以提高學業成績的預測準確性，進而提升教學效果。
本研究的對象為兩個班級的學生，分別有39人和51人，參加同一門課程，且授課方式和使用的教學工具相同。收集的數據包括兩班學生在17週課程期間的出席紀錄、線上教室部分功能的登入登出記錄、作業提交記錄、隨堂考試（即作業驗收）成績以及四次大考成績。首先，針對缺失值的處理，當資料集中缺失值低於15%時，刪除含有缺失值的整列資料；若缺失值超過15%，則使用多重插補法處理。接著，依據四次大考的時間節點，將兩班學習行為數據分別劃分為四個階段，並依據不同的標準將所有變數轉換成二元變數。然後，使用費雪精確檢定篩選出與學習成績顯著相關的變數。最後，在排除具有共線性的變數後，使用羅吉斯迴歸的方法來預測學業表現，並通過拔靴法進行重抽樣，計算預測準確率的平均值、評估模型性能。
研究結果顯示，學生在第一階段，驗收成績與出席都顯示出顯著的影響；第二階段，驗收成績顯示出顯著的影響；第三階段作業繳交情況是主要影響因素，線上教室系統登入有關的兩個功能「作業公告」以及「佈告欄」的登入情況也顯示出顯著的預測能力；在第四階段作業繳交情況是主要影響因素。重抽樣後的模型平均預測準確率大多保持在79%以上，部分受到假期安排和關鍵變數數量不足的影響，預測準確性低於70%。這些發現期望能夠為教育科技的應用和發展提供參考依據，以提升教學效果。

The global outbreak of the pandemic has brought unprecedented challenges to the field of education, prompting a rapid shift towards digital teaching methods and driving the vigorous development of educational technology. Online classroom systems emerged to assist teachers and students in teaching, communication, and learning during this special period. As the pandemic gradually subsides, schools are beginning to return to traditional in-person teaching. This study aims to use Fisher's exact test to identify the best variables for predicting academic performance and to explore the relationship between students' course participation behavior in online classroom systems and their learning outcomes. By combining the experiences of digital teaching with traditional teaching, the study hopes to identify the learning behavior variables that best predict academic performance through Fisher's exact test. After excluding multicollinearity, a logistic regression model will be constructed to improve the accuracy of academic performance predictions, thereby enhancing teaching effectiveness.
The subjects of this study are students from two classes, with 39 and 51 students respectively, participating in the same course, using the same teaching methods and tools. The collected data includes attendance records, login and logout records of certain features of the online classroom system, assignment submission records, quiz (i.e., assignment review) scores, and four major exam scores over the 17-week course period. First, for handling missing values, when the missing values are less than 15% of the dataset, the entire row containing the missing values is deleted; if the missing values exceed 15%, multiple imputation is used. Then, based on the time points of the four major exams, the learning behavior data of the two classes are divided into four stages, and all variables are converted into binary variables according to different criteria. Next, Fisher's exact test is used to select variables significantly related to learning outcomes. Finally, after excluding variables with multicollinearity, logistic regression is used to predict academic performance, and bootstrapping is performed to resample, calculate the average prediction accuracy, and evaluate the model's performance.
The study results show that in the first stage, quiz scores and attendance have significant impacts; in the second stage, quiz scores show significant impact; in the third stage, assignment submission is the main influencing factor, and two features related to login in the online classroom system, "assignment announcements" and "bulletin board," also show significant predictive ability; in the fourth stage, assignment submission is the main influencing factor. The average prediction accuracy of the resampled model mostly remains above 79%, with some accuracy dropping below 70% due to the holiday schedule and insufficient key variables. These findings are expected to provide a reference for the application and development of educational technology to enhance teaching effectiveness.

第一章 緒論 1
第一節 研究背景與動機 1
一、 全球疫情推動教育數位化 1
二、 數位化教學的優勢 1
三、 數據收集與分析在數位化教學中的優勢 1
四、 線上教學系統應用於實體教學的轉化挑戰 2
第二節 研究目的及問題 3
一、 研究目的 3
二、 研究問題 3
第三節 研究範圍及限制 5
一、 研究範圍 5
二、 研究限制 6
第二章 文獻回顧 7
第一節 線上教室系統設計 7
一、 數位化教學 7
二、 ARCS動機模式 7
第二節 數據處理 8
一、 缺失值（missing data） 8
二、 費雪精確檢定（Fisher's Exact Test） 11
三、 混淆矩陣（Confusion Matrix） 12
四、 變異數膨脹因素子（Variance Inflation Factor, VIF） 13
五、 羅吉斯迴歸（Logistic regression） 14
第三章 研究方法 15
第四章 資料收集系統與數據整理說明 16
第一節 線上教室系統介紹 16
一、 學生學習成績相關的專案 16
二、 學生問卷填答的專案 18
三、 成績試算的專案 18
四、 支援教學的專案 19
五、 維運相關的專案 20
第二節 數據來源與處理 21
一、 數據來源 21
二、 數據處理 21
第五章 費雪精確檢定 27
一、 使用第一階段的二元變數數據進行費雪精確檢定 27
二、 使用第二階段的二元變數數據進行費雪精確檢定 29
三、 使用第三階段的二元變數數據進行費雪精確檢定 32
四、 使用第四階段的二元變數數據進行費雪精確檢定 33
第六章 預測準確率的計算 36
一、 第一階段對學業成績表現有顯著影響變數的預測準確率 36
二、 第二階段對學業成績表現有顯著影響的預測準確率 40
三、 第三階段對學業成績表現有顯著影響的預測準確率 44
四、 第四階段對學業成績表現有顯著影響的預測準確率 47
第七章 共線性分析與處理 53
一、 第一階段顯著變數的共線性分析與處理 53
二、 第二階段顯著變數的共線性分析與處理 54
三、 第三階段顯著變數的共線性分析與處理 56
四、 第四階段顯著變數的共線性分析與處理 57
第八章 模型的預測準確率 59
一、 第一階段模型的預測準確率 59
二、 第二階段模型的預測準確率 60
三、 第三階段模型的預測準確率 60
四、 第四階段模型的預測準確率 61
第九章 結論 62
第一節 成果討論 62
第二節 未來研究規劃 64
一、 數據差異與交叉驗證 64
二、 驗收成績的進一步分析 64
三、 線上教室平台參與度與學習成效的關係 64
參考文獻 65
圖目錄
圖 1 多變量分析甲班112學年度第2學期課程安排 5
圖 2 多變量分析乙班112學年度第2學期課程安排 6
圖 3 研究流程圖 15
圖 4 多變量分析甲班四次考試成績的缺失值比例 23
圖 5 多變量分析乙班四次考試成績的缺失值比例 24
表目錄
表 1 混淆矩陣表 12
表 2 多變量分析甲班第一階段的二元變數數據進行費雪精確檢定 27
表 3多變量分析乙班第一階段的二元變數數據進行費雪精確檢定 28
表 4 多變量分析甲班第二階段的二元變數數據進行費雪精確檢定 30
表 5 多變量分析乙班第二階段的二元變數數據進行費雪精確檢定 30
表 6 多變量分析甲班第三階段的二元變數數據進行費雪精確檢定 32
表 7 多變量分析乙班第三階段的二元變數數據進行費雪精確檢定 33
表 8 多變量分析甲班第四階段的二元變數數據進行費雪精確檢定 34
表 9 多變量分析甲班第四階段的二元變數數據進行費雪精確檢定 35
表 10 多變量分析甲班第一階段預測準確率-至少驗收成績兩次大於等於中位數 37
表 11 多變量分析甲班第一階段預測準確率-week12_出席與驗收_中位數 37
表 12 多變量分析甲班第一階段預測準確率-EXs_是否大於等於中位數 37
表 13 多變量分析甲班第一階段預測準確率-week12驗收_是否大於等於中位數 37
表 14 多變量分析甲班第一階段預測準確率-week13到課_當天至少有一次到課紀錄 38
表 15 多變量分析甲班第一階段預測準確率-week11驗收_是否大於等於中位數 38
表 16 多變量分析甲班第一階段預測準確率-week11_出席與驗收_中位數 38
表 17 多變量分析乙班第一階段預測準確率-至少三堂課到課 39
表 18 多變量分析乙班第一階段預測準確率-week12到課_當天至少有一次到課紀錄 39
表 19 多變量分析乙班第一階段預測準確率-至少驗收成績兩次大於等於中位數 39
表 20 多變量分析乙班第一階段預測準確率-week11_出席與作業 39
表 21 多變量分析乙班第一階段預測準確率-week11作業_是否繳交 39
表 22 多變量分析乙班第一階段預測準確率-week01驗收_是否大於等於中位數 40
表 23 多變量分析乙班第一階段預測準確率-week01_作業與驗收_中位數 40
表 24 多變量分析乙班第一階段預測準確率-week01_出席與驗收_中位數 40
表 25 多變量分析乙班第一階段預測準確率-ROLLs_是否大於等於中位數 40
表 26 多變量分析乙班第一階段預測準確率-第一次同儕互評_是否大於等於中位數 40
表 27 多變量分析甲班第二階段預測準確率-week22_作業與驗收_中位數 42
表 28 多變量分析甲班第二階段預測準確率-week22驗收_是否大於等於中位數 42
表 29 多變量分析甲班第二階段預測準確率_week22_出席與驗收_中位數 42
表 30 多變量分析甲班第二階段預測準確率_week23_作業與驗收_中位數 42
表 31 多變量分析甲班第二階段預測準確率_驗收成績皆大於等於中位數 42
表 32 多變量分析甲班第二階段預測準確率_week22_出席與作業 42
表 33 多變量分析甲班第二階段預測準確率-week23驗收_是否大於等於中位數 43
表 34 多變量分析甲班第二階段預測準確率-week22作業_是否繳交 43
表 35 多變量分析甲班第二階段預測準確率-week23到課_當天至少有一次到課紀錄 43
表 36 多變量分析甲班第二階段預測準確率_week23_出席與驗收_中位數 43
表 37 多變量分析甲班第二階段預測準確率_week23_出席與作業 43
表 38 多變量分析甲班第二階段預測準確率-PROgroups_是否大於等於中位數 43
表 39 多變量分析甲班第二階段預測準確率_三堂課皆出席 43
表 40 多變量分析乙班第二階段預測準確率_week23驗收_是否大於等於中位數 44
表 41 多變量分析乙班第二階段預測準確率_week23_出席與驗收_中位數 44
表 42 多變量分析乙班第二階段預測準確率_三堂課皆出席 44
表 43 多變量分析甲班第三階段預測準確率_HWs_是否大於等於中位數 45
表 44多變量分析甲班第三階段預測準確率_week32作業_是否繳交 45
表 45 多變量分析乙班第三階段預測準確率_期中考作業_是否繳交 46
表 46 多變量分析乙班第三階段預測準確率_week31作業_是否繳交 46
表 47 多變量分析乙班第三階段預測準確率_week31_出席與作業 46
表 48 多變量分析乙班第三階段預測準確率_week32作業_是否繳交 46
表 49 多變量分析乙班第三階段預測準確率_week32驗收_是否大於等於中位數 47
表 50 多變量分析乙班第三階段預測準確率_week32_出席與驗收_中位數 47
表 51 多變量分析乙班第三階段預測準確率_BBs_是否大於等於中位數 47
表 52 多變量分析乙班第三階段預測準確率_week32_作業與驗收_中位數 47
表 53 多變量分析乙班第三階段預測準確率_week32_出席與作業 47
表 54 多變量分析甲班第四階段預測準確率_week42作業_是否繳交 48
表 55 多變量分析甲班第四階段預測準確率_三堂課皆出席 49
表 56 多變量分析甲班第四階段預測準確率_week42_出席與作業 49
表 57 多變量分析甲班第四階段預測準確率_week41作業_是否繳交 49
表 58 多變量分析甲班第四階段預測準確率_week41_作業與驗收_中位數 49
表 59 多變量分析甲班第四階段預測準確率_BBs_是否大於等於中位數 49
表 60 多變量分析甲班第四階段預測準確率_week41_出席與作業 49
表 61 多變量分析甲班第四階段預測準確率_week42_作業與驗收_中位數 49
表 62 多變量分析乙班第四階段預測準確率_week42作業_是否繳交 50
表 63 多變量分析乙班第四階段預測準確率_week42到課_當天至少有一次到課紀錄 51
表 64 多變量分析乙班第四階段預測準確率_week42_出席與作業 51
表 65 多變量分析乙班第四階段預測準確率_PostComments_Q2_是否大於等於中位數 51
表 66 多變量分析乙班第四階段預測準確率_三堂課皆出席 51
表 67 多變量分析乙班第四階段預測準確率_week41作業_是否繳交 51
表 68 多變量分析乙班第四階段預測準確率_week42驗收_是否大於等於中位數 51
表 69 多變量分析乙班第四階段預測準確率_week42_出席與驗收_中位數 51
表 70 多變量分析乙班第四階段預測準確率_驗收成績皆大於等於中位數 52
表 71 多變量分析乙班第四階段預測準確率_HWs_是否大於等於中位數 52
表 72 多變量分析乙班第四階段預測準確率_week42_作業與驗收_中位數 52
表 73 多變量分析乙班第四階段預測準確率_第四次同儕互評_是否大於等於中位數 52
表 74 多變量分析甲班第一階段顯著變數的共線性分析與處理 53
表 75 多變量分析乙班第一階段顯著變數的共線性分析與處理 54
表 76 多變量分析甲班第二階段顯著變數的共線性分析與處理 55
表 77 多變量分析乙班第二階段顯著變數的共線性分析與處理 56
表 78 多變量分析甲班第三階段顯著變數的共線性分析與處理 56
表 79 多變量分析乙班第三階段顯著變數的共線性分析與處理 56
表 80 多變量分析甲班第四階段顯著變數的共線性分析與處理 57
表 81 多變量分析乙班第四階段顯著變數的共線性分析與處理 58
表 82 多變量分析甲班第一階段經共線性篩選後的模型準確性評估 59
表 83 多變量分析乙班第一階段經共線性篩選後的模型準確性評估 59
表 84 多變量分析甲班第二階段經共線性篩選後的模型準確性評估 60
表 85 多變量分析乙班第二階段經共線性篩選後的模型準確性評估 60
表 86 多變量分析甲班第三階段經共線性篩選後的模型準確性評估 60
表 87 多變量分析乙班第三階段經共線性篩選後的模型準確性評估 61
表 88 多變量分析甲班第四階段經共線性篩選後的模型準確性評估 61
表 89 多變量分析乙班第四階段經共線性篩選後的模型準確性評估 61

Adjei, I. & Karim, R. (2016). An Application of Bootstrapping in Logistic Regression Model. Open Access Library Journal, 3, 1-9. doi: 10.4236/oalib.1103049.
Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.
ARCS MODEL OF MOTIVATION. (n.d.). https://www.tamus.edu/academic/wp-content/uploads/sites/24/2017/07/ARCS-Handout-v1.0.pdf
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Mahwah, NJ: Lawrence Erlbaum.
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd, Edinburgh
Hasan, M. K., Alam, M. A., Roy, S., Dutta, A., Jawad, M. T., & Das, S. (2021). Missing value imputation affects the performance of machine learning: A review and analysis of the literature (2010–2021). Informatics in Medicine Unlocked, Elsevier, 27:100799, 2021.
Houari, Rima, Ahcène Bounceur, A. Kamel Tari and M. Tahar Kecha (2014). Handling Missing Data Problems with Sampling Methods, IEEE International Conference on Advanced Networking Distributed Systems and Applications. Bejaia, Algeria.
Karimi, Z. (2021). Confusion Matrix. ResearchGate. https://www.researchgate.net/publication/355096788_Confusion_Matrix
Kim, H.Y. (2017). Statistical notes for clinical researchers: Chi-squared test and Fisher’s exact test. Restorative Dentistry & Endodontics, 42(2), 152–155. https://doi.org/10.5395/rde.2017.42.2.152
Kleinbaum, D.G. & Klein, M. (2010). Modeling Strategy Guidelines. In: Logistic Regression, Part of the Series Statistics for Biology and Health, Springer, Berlin, 165-202. http://dx.doi.org/10.1007/978-1-4419-1742-3_6
Little, R. J. A. & Rubin, D.B. (2002) Statistical Analysis with Missing Data (2nd ed.). Wiley.
professional business consulting services. (2023). Education Technology (Ed Tech) Market Size Research Report [2023-2030]. https://www.linkedin.com/pulse/education-technology-ed-tech-market-1e
Ren, L., Wang, T., Seklouli-Sekhari, A., Zhang, H., & Bouras, A. (2023). A review on missing values for main challenges and methods. Information Systems, 119, 102268.
Rosner, B. (2010). Fundamentals of Biostatistics. 7th Edition, Brooks Cole, Salt Lake City, Utah, 303.
Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. John Wiley & Sons Inc., New York. http://dx.doi.org/10.1002/9780470316696
Stekhoven, D. J., & Bühlmann, P. (2012). MissForest—Non-parametric missing value imputation for mixed-type data. Bioinformatics, 28 (1), 112-118.
王鴻龍、楊孟麗、陳俊如、林定香（2012）。缺失資料在因素分析上的處理方法之研究。教育科學研究期刊，57(1)，29-50。
邱紹豐、馮晉昜、徐尉庭（2021）。運用多模型對缺失值預測之研究。《科學與工程技術期刊》，17(1)，31-40。
林資荃（2015）。臨床試驗缺失資料之分析方法。財團法人醫藥品查驗中心當代醫藥法規月刊，53，1-9。
高瑜璟（2006）。數位學習－學習的新趨勢。《網路社會學通訊期刊》，57。取自 https://student.hlc.edu.tw/action/file/64/20211007165637724.pdf
黃齡葦（2005）。遺失資料之多重插補法模擬比較研究。
鄒景平（2003）。數位學習概論: 數位學習最佳指引。台北市：資策會教育處。
劉正山、莊文忠（2012）。項目無反應資料的多重插補分析。
廖培珊、江振東、林定香、李隆安、翁宏明與左宗光（2011）。葛特曼量表之拒答處理：簡易、多重與最鄰近插補法的比較。《臺灣社會學刊》，47，143-178。