NTU COOL 觀看紀錄的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

應用資料視覺化與行為序列分析技術於影片學習行為之探討

為了解決NTU COOL 觀看紀錄的問題，作者王琪驊 這樣論述：

大型開放式線上課程(Massive Open Online Courses, MOOCs)，或被稱為「磨課師」已是科技輔助學習的未來趨勢，具備了多人同時修課的特性，也讓學習者有更多自主學習的機會。在課程與教學上使用MOOCS有許多值得探究的問題，例如：高中離率(high dropout rate)與低完課率(low completion rate)。為了改善這些現象，「小規模限制性線上課程」(Small Private Open Courses, SPOCs)逐漸因應而生，這是一種利用MOOCs資源投入班級教學，經常與翻轉學習(flipped learning), 或混成學習(blended

learning)做結合的教學模式。其中，翻轉學習模式下，透過適當的學習策略以及學生自主調節的能力，相較於傳統課堂教學的模式，會有更好的學習表現，因此，教學者如何輔導學生使用好的學習策略就格外重要。在MOOCs所提供的數據作為學生學習狀況的探討已行之多年，然而這些研究成果大多只呈現了以課程為導向的趨勢與統計，並不符合以了解個人學習情況做為輔助的SPOCs與翻轉學習的教學模式。延續著研究團隊的縱貫性研究，本研究以修習台灣大學土木工程學系必修的工程圖學課程的84位學生，在107學年度課程上，以觀看課程平台上的影片進行學習活動的行為紀錄進行分析，分別從三個面向輔助教師了解個別學生的學習情況以及輔導

方向，擅用MOOCs儲存的資料，進行分析、視覺化與預測，進而輔助教學。本研究完整呈現處理資料的流程：首先針對影片觀看行為定義名詞框架，利用此框架處理、結構化與編碼行為。接著以資料視覺化將行為圖像化，可以清楚地觀察個別行為樣態;使用學習分析方法中的滯後序列分析(Lag Sequential Analysis, LSA)證實了影片類型的不同在總體學生會有相異的行為模式，以及頻繁樣式探勘(Frequent Sequence Mining, FSM)進一步了解觀看不同類型的影片以及學習表現不同的學生在連續序列樣態的差異，最後經由統計後的編碼資料訓練一成績預警模型，再進而了解被模型誤判的學生在行為模式的

特性，可能是學習低落的行為模式。藉由這一完整的分析流程與結果，提供實作學習分析的參考案例以及班級教學輔導的建議，觀看行為框架可提供後續分析者瞭解資料分析處理過程的依據以及分析方向。