跳到主要內容

臺灣博碩士論文加值系統

(3.215.79.68) 您好!臺灣時間:2022/07/04 04:20
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:郭仁弘
研究生(外文):Jen-Hung,Kuo
論文名稱:在遠距教學平台討論區中探勘學習互動式樣
論文名稱(外文):Mining of learning interaction patterns in MOOCs forums
指導教授:祝國忠祝國忠引用關係
指導教授(外文):Kuo-Chung Chu
口試委員:戴敏育王春笙祝國忠
口試委員(外文):Day,Min-YuhWang,Chun-ShengChu,Kuo-Chung
口試日期:2016-07-13
學位類別:碩士
校院名稱:國立臺北護理健康大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2016
畢業學年度:104
語文別:中文
論文頁數:69
中文關鍵詞:演算法資料探勘討論區學習互動式樣深度優先樹型式樣
外文關鍵詞:AlgorithmData miningForumLearning Interaction PatternMOOCsDepth-first search Tree-based pattern
相關次數:
  • 被引用被引用:1
  • 點閱點閱:717
  • 評分評分:
  • 下載下載:31
  • 收藏至我的研究室書目清單書目收藏:3
近年來,遠距教學討論園區在全球數位學習平台上大幅擴增,且同時引起教育界極大興趣及關注。遠距教學討論園區所指的是,網際網路平台上大規模的線上課程,目標是提供開放式的參與平台,讓任何對於課程感興趣的使用者,透過網際網路,就能夠免費並自由的註冊,且以線上教學方式學習課程。
在本研究中,將提出一種新型演算法,從遠距教學平台討論區文章當中,去探索發現各種新的知識,我們將使用資料探勘技術,來偵測及分析頻繁學習互動式樣,加以分析出遠距教學平台討論區的結構,以定義出學習互動式樣。再以樹型式樣來建構出學習互動式樣,設計出一種有效率的頻繁學習互動式樣探勘演算法 - LIP-Miner,並以LIP-Miner演算法來探勘學習互動式樣。本研究在摩課師討論區中尋找有趣學習互動樣式為主軸,找尋新的學習樣式。並且在實驗過程中發現了一項其重要的特色,當知識流動中的使用者皆大部分人是中國人及印度人。此兩種人使用的比率在討論區是非常熱絡的。

Massive Open Online Courses (MOOCs) are growing substantially in numbers, and also in interest from the educational community. MOOCs are online courses aimed at large-scale interactive participation and open access via the Web that made them possible for anyone with an internet connection to enroll in free, university level courses. In this paper, we propose a novel method to discover various types of new knowledge on forums discussions. We investigate data mining techniques to detect and analyze frequent learning discussion patterns in MOOCs forums. We investigate and characterize discussion interaction patterns in MOOCs forums. A learning interaction discussion is constructed as a tree structured pattern and an efficient LIP-Miner algorithm is designed to find all frequent learning interaction patterns. In addition, studies are performed on mining discussion interaction patterns in MOOCs forums. We demonstrate via experiments that the propose algorithm can find interesting learning interaction patterns in MOOCs forums.
目錄
論文摘要 I
圖目錄 I
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 1
第三節 研究目的 1
第四節 研究流程 1
第二章 文獻探討 1
第一節 資料探勘 1
第二節 大規模免費線上開放式課程 1
第三節 學習互動的式樣探勘 1
第四節 以樹為基礎的頻繁式樣探勘 1
第五節 MOOCs論壇學習互動討論 1
第三章 研究方法 1
第一節 學習互動樹結構 1
 定義一(討論): 1
 定義二(貼文序列): 1
 定義三(學習互動樹): 1
 定義四(互動子樹): 1
 定義五(問題陳述): 1
第二節 學習互動式樣探勘演算法 1
第三節 候選節點產生 1
 定義六(貼文項目): 1
 定義七(候選節點產生): 1
第四節 研究流程設定 1
第四章 研究結果與討論 1
第一節 演算法撰寫流程 1
第二節 研究成果呈現 1
第五章 結論 1
第六章 參考文獻 1



圖目錄
圖一 研究流程圖 1
圖二 Apriori 演算法執行步驟 1
圖三 研究方法 1
圖四 遠距教學平台討論區範例 1
圖五 學習互動結構 1
圖六中的學習互動式樣 1
圖七 LIP-Miner 演算法 1
圖八 Count 子程序 1
圖九 兩個即將集合的候選集 1
圖十 LIP-miner 演算法 架構圖 1
圖十一 Programing for Every body (Getting Started with python 1
圖十二 討論主題及留言者、回應留言者、再次回應到回應者之留言者 1
圖十三 抓取流程圖 1
圖十四 DFS深度優先法下安排資料庫 1
圖十五 LIP-miner -apriori塞選 1
圖十六 LIP-miner –句子層找尋 1
圖十七 LIP-miner –找到頻繁式樣 1
圖十八 真實結果 Apriori關鍵字 1
圖十九 真實結果 字句判斷詞句 1
圖二十 真實結果 頻繁問答式樣 1


表目錄
表一 符號標示 1

參考文獻
1.Huang, J., et al. Syntactic and functional variability of a million code submissions in a machine learning mooc. in AIED 2013 Workshops Proceedings Volume. 2013. Citeseer.
2.Clow, D., MOOCs and the funnel of participation, in Proceedings of the Third International Conference on Learning Analytics and Knowledge. 2013, ACM: Leuven, Belgium. p. 185-189.
3.Liu, B., Web data mining: exploring hyperlinks, contents, and usage data. 2007: Springer Science & Business Media.
4.Witten, I.H. and E. Frank, Data Mining: Practical machine learning tools and techniques. 2005: Morgan Kaufmann.
5.Romero, C. and S. Ventura, Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2013. 3(1): p. 12-27.
6.Han, J., M. Kamber, and J. Pei, Data Mining: Concepts and Techniques. 2011: Morgan Kaufmann Publishers Inc. 696.
7.O'Reilly, U.M. and K. Veeramachaneni, Technology for mining the big data of MOOCs. Research & Practice in Assessment, 2014. 9(2): p. 29-37.
8.張云濤 and 龔玲,資料探勘原理與技術. 2007: 五南圖書出版股份有限公司.
9.謝邦昌, Data Mining Technology in Knowledge Discovery.
10.Gamarra, C., J.M. Guerrero, and E. Montero, A knowledge discovery in databases approach for industrial microgrid planning. Renewable and Sustainable Energy Reviews, 2016. 60: p. 615-630.
11.Fayyad, U. and P. Stolorz, Data mining and KDD: Promise and challenges. Future Generation Computer Systems, 1997. 13(2–3): p. 99-115.
12.Grupe, F.H., et al., The application of case-based reasoning to the software development process. Information and Software Technology, 1998. 40(9): p. 493-499.
13.Han, J., M. Kamber, and J. Pei, 13 - Data Mining Trends and Research Frontiers, in Data Mining (Third Edition). 2012, Morgan Kaufmann: Boston. p. 585-631.
14.Michael J. A. Berry, G.S.L., Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, 2nd Edition. March 2004.
15.AnaCarolinaE.S.Lima, L., JuanM.Corchado A polarity analysis framework for Twitter messages Applied Mathematics and Computation 2015: p. 756–767.
16.Amir Gandomi∗, M.H.B.t.h., Big data concepts, methods, and analytics International. Journal of Information Management 2015: p. 137–144.
17.D.Vela´squez, J., Combining eye-tracking technologies with web usage mining for identifying Website Keyobjects,. Engineering Applications of Artificial Intelligence,, 2013: p. 1469–1478.
18.Dusan Stevanovic, A.A., Natalija Vlajic, Feature evaluation for web crawler detection with data mining techniques, . Expert Systems with Applications,, 2012: p. 8707–8717.
19.Cyrille Rossant, B.F., Dan F.M. Goodman,Playdoh:, A lightweight Python library for distributed computingand optimization. , Journal of Computational Science,, 2013: p., 352–359.
20.Mohammad Salehan, D.J.K., Predicting the performance of online consumer reviews: A sentiment mining approach to big data analytics. , Decision Support Systems2016: p. 30–40.
21.Rafael Ferreira, F.F., Patrick Brito, Jean Melo, Rinaldo Lima, Evandro Costa,, RetriBlog: An architecture-centered framework for developing blog crawlers,. Expert Systems with Applications,, 2013: p. 1177–1195.
22.GemaBello-Orgaz, J.J., ∗,DavidCamacho,, Social big data:Recent achievements and new challenges, . Information Fusion2016: p. 45–59.
23.MaticPerovšek, JanezKranjc, TomažErjavec, BojanCestnik, NadaLavra, TextFlows: A visual programming platform for text mining and natural language processing, . Science of Computer Programming, 2016: p. 128–152.
24.Kazushi Ikeda , G.H., Chihiro Ono , Hideki Asoh , Teruo Higashino , , Twitter user profiling based on text and community mining for market analysis , . Knowledge-Based Systems,, 2013: p. 35–47.
25.陳明娟, 以資料探勘技術發展支援網路學習之以資料探勘技術發展支援網路學習之形成性評量方法與工具, . 國立花蓮教育大學,, 2007.
26.康敏鈴, 應用資料探勘技術預測國中生偏差行為之研究, . 華梵大學,, 2016.
27.歐松憲, 利用資料探勘技術改善醫療設備維護, . 崑山科技大學,, 2016.
28.高毅, 應用資料探勘於盈餘管理預測, . 中國文化大學,, 2016.
29.游雅涵 採用資料探勘探討產後憂鬱症之影響因素, . 國立雲林科技大學, , 2016.
30.蕭德仁, 資料探勘技術應用在工具機組裝異常偵測之研究 , . 國立中興大學,, 2016.
31.劉憲正, 機械系統線上性能評估與異常診斷", . 國立成功大學, , 2008.
32.劉家燕 交易間關聯法則的探勘與資料探勘問題的分類之研究, . 國立清華大學, ,2000.
33.董元昕, 以資料探勘為基礎之文件類別演進技術,. 國立中山大學,, 2000.
34.陳瑞杰, 探討台灣外傷系統之設計-資料探勘分析法於健康資料庫之應用, . 臺北醫學大學, ,2003.
35.蔡明諭, 生物醫學期刊文獻引文分析系統, . 國立臺北護理健康大學,, 2010.
36.陳育澍, 運用自然語言處理技術建研究領域詞彙架構-以Healthcare之詞頻分析為例,. 國立臺北護理健康大學,, 2013.
37.陳益良, ,應用資料探勘法探討老人就醫特性─以高雄市三民區為例,. 國立高雄醫學大學 ,2002.
38.林伊蓉, 跨平台資料探勘工具之設計與建立:應用於醫學面,. 國立陽明大學, ,1999.
39.R. Agrawral, T.I., and A. .Swami, "Mining Association Rules between Sets ofIterms in Large Databases," in ACM SIGMOD Record. , 1993. vol. 2, .
40.R. Agrawral and R. Sirkant, "Fast Algorithms for Mining Association Rules,". in Proceeding
of the 20th VLDB Conference, , 1994.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊