Please enable JavaScript.
Coggle requires JavaScript to display documents.
學習分析, 組員 (1111131038蔡孟勳, 1111131034林承逸, 1111131037劉晏銓(咕嚕), 1111131047劉茂寅) …
學習分析
如何利用這些數據讓學生能理解與自我改善
雷達圖
以
圖表
的方式直觀呈現數據
但無論是何種方式都必須具備
簡單、直觀、具體、有鼓勵性
趨勢折線圖
熱力圖
即時回饋面板
秀出今天的學習進度提醒同學完成今天的進度
行動建議提示
在學生完成某任務後即顯示小提示
例如：「你花了比平均多 20% 的時間完成本單元，建議下次先預習影片。」
這些數據幫助老師做的教學調整的例子
早期預警系統
數據來源：學生登入次數、影片觀看率、作業準時率、討論參與數量。
應用：例如根據 Moodle 平台上學生的行為（如登入次數、作業成績），可以建立模型預測哪些學生「可能退選」或「成績落後」。
教學調整：教師可以針對這些高風險學生發出提醒或安排輔導。
個人化學習策略與補救教學
數據來源：學生觀看影片的偏好、互動行為（例如：喜歡影片、喜歡練習題、常參與討論）。
應用：透過聚類分析，學生被分為「視覺型」、「行動型」、「社群型」學習者。
教學調整：教師可針對不同類型的學習者提供個性化的教學資源
調整教材難度與內容安排
數據來源：影片完成率、特定單元的學習停留時間、錯題率。
應用：使用 AI 模型預測哪種影片長度或主題較受學生接受。
教學調整：重新製作太長或完成率低的教學影片，或針對常錯單元增加說明與補充資料。
自動化視覺化回饋幫助教師判斷學習進展
工具應用：Tableau 製作互動式熱區圖，顯示哪些影片章節被大量觀看或跳過。
工具應用：Power BI 製作學生行為儀表板，顯示每位學生的學習趨勢。
教學調整：教師根據視覺化報表快速辨識全班學習瓶頸，調整上課重點或安排補課。
使用這些數據時應該注意的倫理與隱私問題
學生個資保護
資料需加密儲存與傳輸，防止駭客攻擊或意外外洩。
數據使用應符合法規
教學單位應熟悉並遵守地方法律規範。
不應以數據單一面向評價學生
教師避免過度依賴數據，要綜合數據來源進行判斷
例如討論參與、學習歷程檔案、口頭表達、創意
等。
可收集的學習行為數據
線上
登入/使用頻率
每天登入次數
使用平台的時長
學習資源使用情況
哪些資源被使用，使用頻率與順序
瀏覽時間
在特定頁面、影片或教材上的停留時間
影片觀看行為
播放次數、快轉/重播次數、觀看完成率
點擊行為
點擊教材、影片、練習題等的次數
討論參與度
發表文章、回覆他人、按讚、分享等
互動行為
與討論區、留言板、同儕或老師互動的次數與內容
作業與測驗表現
提交時間、正確率、錯誤類型
嘗試次數（如系統允許多次）
實體
小組活動參與
貢獻程度、合作互動紀錄
作業提交
是否準時、質量、遺漏情況
課堂參與
發言次數、舉手次數、互動頻率
測驗表現
答題時間、答題順序、正確率
出席與遲到情況
出席與遲到次數
非語言行為
注意力（專注程度）、肢體語言（可用AI鏡頭分析）
組員
1111131038蔡孟勳
1111131034林承逸
1111131037劉晏銓(咕嚕)
1111131047劉茂寅