(54.226.58.177) 您好!臺灣時間:2019/01/18 15:40
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:::

我願授權國圖
本論文永久網址: 
line
研究生:莫剛
研究生(外文):MO, GANG
論文名稱:影片觀看行為分析和應用-以OpenEdu磨課師為例
論文名稱(外文):Video Watching Behavior Analysis and Application: Case on Courses in OpenEdu Platform
指導教授:薛念林薛念林引用關係
指導教授(外文):Hsueh, Nien-Lin
口試委員:劉明機黃朝曦
口試委員(外文):Liu, Ming-ChiHuang, Chao-Hsi
口試日期:2018-06-25
學位類別:碩士
校院名稱:逢甲大學
系所名稱:資訊工程學系
學門:工程學門
學類:電資工程學類
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:39
中文關鍵詞:學習分析學生表現預測磨課師機器學習
外文關鍵詞:learning analyticsMOOCstudent performance predictionmachine learning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:40
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:1
  • 收藏至我的研究室書目清單書目收藏:1
在過去的幾年內,大規模線上開放課程Massive Open Online Course (MOOC)又稱為磨課師,經歷了爆炸性的增長,因為沒有了位置和時間的限制,越來越多的人通過線上教育平台學習,在平台上修課拿到的證書也越來越被企業重視,但同時也產生了一些問題。一個是那就是磨課師特有的低通過率,在沒有約束力的自我學習中,很多學生註冊課程後並沒有辦法堅持到最後,造成中輟課程的現象,另一個就是因為學生數量太多,教師無法像傳統課程中及時關照所有的學生,導致學生無法得到應該有的幫助而放棄課程,同時也來不及依照學生的訴求來修改課程內容。
本研究為解決以上問題,研究了學生在平台上的各種行為,並進行學習分析對學生的表現進行預測,希望能夠提前找出無法通過課程的學生,並給予預警和幫助,其中影片觀看是磨課師平台中最重要的活動,不同的觀看行為可能反映出他們參與課程的不同動機並導致不同的結果。根據我們對真實磨課師平台的觀察,我們提出了基於學生觀看行為的成績預測模型。首先,我們將影片觀看行為分為9種不同的模式,這些模式由完看,中離,前跳觀看和回跳觀看組成。其次,我們基於行為模式和成績建立機器學習模型。該模型可以幫助我們在早期階段識別可能無法通過的學生,以便教師可以鼓勵他們投入更多的精力或給予幫助。該實驗在台灣的OpenEdu 磨課師平台上進行。

Over the past few years, Massive Open Online Courses (MOOCs) is undergoing significant growth, more and more people learn through the online education platform. Video watch is the most important activity in the MOOC platform, different watch behavior may reflect different motivation they take the course and result in different outcome. According to our observation to a real MOOCs platform, we propose a grade prediction model based on students’ watch behavior. First, we categorize the video watch behavior into 9 different patterns which is composed of the combination of complete-watch, partial-watch, forward-watch and backward-watch. Second, we build the machine learning model based the behavior pattern and their grade. The model helps us identify the students who are likely to fail in the course in the early phase, so that the teachers can encourage them to put more effort. The experiment is performed on the courses in the OpenEdu MOOCs platform in Taiwan.
誌謝 i
摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
1.4 研究流程 2
1.5 章節介紹 3
第二章 背景技術與相關研究 4
2.1 背景技術 4
2.1.1 機器學習 4
2.1.2 支持向量機 4
2.1.3 類神經網路 5
2.1.4 決策樹 5
2.1.5 隨機森林 5
2.2 線上學習分析相關研究 6
2.2.1 參與動機相關研究 6
2.2.1 討論區參與度相關研究 7
2.2.3 教學影片互動模型研究 7
2.2.4 輟學的預測模型相關研究 8
2.2.5 磨課師平台的成績預測 9
第三章 研究方法 11
3.1使用資料 11
3.2 資料前處理 14
3.2.1 Level 1 資料篩選 14
3.2.2 Level 2 學習數據分析 16
3.2.3 Level 3 觀看樣式分析 18
3.3 建立預測模型 22
3.3.1 支持向量機 23
3.3.2 類神經網路 25
3.3.3 隨機森林 28
3.3.4 模型比較 32
第四章 分析與評估 33
4.1 分析結果 33
4.1.1 預測學生學習成果的隨機森林模型 33
4.1.2 預測模型在不同觀看影片數時的表現 34
4.1.3 和其他研究的預測模型進行比較 35
第五章 結論及未來研究 37
參考文獻 38



[1] Coursera, https://www.coursera.org/.
[2] edX, https://www.edx.org/.
[3] OpenEdu, https://www.openedu.tw/.
[4] 學聯網 Share Course, www.sharecourse.net/.
[5] 臺灣全民學習平臺 Taiwan LIFE, http://taiwanlife.org/.
[6] 育網開放教育平臺 ewant, www.ewant.org/.
[7] Y. Meier, J. Xu, O. Atan, and M. van der Schaar, Predicting grades, IEEE Trans. Signal Process., vol. 64, no. 4, pp. 959–972, Feb. 2016.
[8] Romero, C., L ́opez, M.-I., Luna, J.-M., Ventura, S.: Predicting students' final performance from participation in on-line discussion forums. Comput. Educ. 68,458–472, 2013.
[9] Tsung-Yen Yang, Christopher G. Brinton, Carlee Joe-Wong, Mung Chiang, Behavior-Based Grade Prediction for MOOCs Via Time Series Neural Networks, IEEE Journal of Selected Topics in Signal Processing, Vo. 11, Issue. 5, Aug. 2017
[10] Li X, Xie L, Wang H (2016b) Grade prediction in MOOCs. In: 2016 IEEE Intl Conference on Computational Science and Engineering (CSE) and IEEE Intl Conference on Embedded and Ubiquitous Computing (EUC) and 15th Intl Symposium on Distributed Computing and Applications for Business Engineering (DCABES), ieeexplore.ieee.org, pp 386–392.
[11] T. Sinha, P. Jermann, N. Li, and P. Dillenbourg, Your click decides your fate: Inferring information processing and attrition behavior from MOOC video clickstream interactions, in Proc. ACL Empirical Methods Natural Language Process., ACL, pp. 3–14, 2014
[12] G. W. Dekker, M. Pechenizkiy, J. M. Vleeshouwers, "Predicting students drop out: A case study", Proc. Int. Conf. Educ. Data Mining, pp. 41-50, 2009.
[13] J. Liang, C. Li, L. Zheng, "Machine learning application in MOOCs: Dropout prediction", 2016 11th International Conference on Computer Science Education (ICCSE), no. Iccse, pp. 52-57, 2016.
[14] Samuel, Arthur L. (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development.
[15] Boser, Bernhard E.; Guyon, Isabelle M.; Vapnik, Vladimir N. (1992). "A training algorithm for optimal margin classifiers". Proceedings of the fifth annual workshop on Computational learning theory – COLT '92. p. 144. doi:10.1145/130385.130401. ISBN 089791497X.
[16] Breiman L (2001). "Random Forests". Machine Learning. 45 (1): 5–32.
[17] R. F. Kizilcec and E. Schneider, Motivation as a lens to understand online learners: Toward data-driven design with the OLEI scale, ACM Trans. Computer-Human Interaction, vol. 22, no. 2, Art. no. 6. 2015.
[18] S. Zheng, M. B. Rosson, P. C. Shih, and J. M. Carroll, Understanding student motivation, behaviors and perceptions in MOOCs, in Proc. 18th ACM Conf. Comput. Supported Cooperative Work Social Comput., ACM, pp. 1882–1895, 2015.
[19] A. Anderson, D. Huttenlocher, J. Kleinberg, and J. Leskovec, Engaging with massive online courses, in Proc. 23rd Int. Conf. World Wide Web, AC, pp. 687–698, 2014.
[20] C. G. Brinton, M. Chiang, S. Jain, H. Lam, Z. Liu, and F. M. F. Wong, Learning about social learning in MOOCs: From statistical analysis to generative model, IEEE Trans. Learn. Technol., vol. 7, no. 4, pp. 346–359, Oct.–Dec. 2014.
[21] J. Kim, P. J. Guo, D. T. Seaton, P. Mitros, K. Z. Gajos, and R. C. Miller, Understanding in-video dropouts and interaction peaks in online lecture videos, in Proc. ACM Conf. Learn. @ Scale Conf., ACM, pp. 31–40, 2014.

電子全文 電子全文(本篇電子全文限研究生所屬學校校內系統及IP範圍內開放)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔