Please enable JavaScript.
Coggle requires JavaScript to display documents.
學習分析 - Coggle Diagram
學習分析
有沒有什麼使用這些數據時應該注意的倫理與隱私問題？
隱私權與知情同意
學習者必須清楚知道系統正在記錄哪些日誌，例如滑鼠點擊軌跡、停留時間或閱讀行為
資料安全與去識別化
在進行數據分析或匯出報表前，必須將使用者的姓名、學號等直接識別資訊進行雜湊或去識別化處理，確保分析結果無法回推到特定個人
資料目的限制
為了提升學習體驗而蒐集的數據，不應該在未經同意的情況下被挪作他用
資料擁有權
在符合法規的前提下，系統應提供機制讓使用者可以隨時查看、匯出或要求徹底刪除自己的歷史行為記錄
數據標籤與刻板印象
雖然 AI 模型能預測哪些學生可能快掉隊或輸出可能退選、不及格的標籤 ，但老師若過度依賴這些預測，可能會對學生產生先入為主的刻板印象，反而限縮了學生的發展可能。
過度監控與學習壓力
學習管理系統能精準紀錄學習行為，這可能讓學生感覺自己被時刻監控，為了刷高數據而做出非真心的互動
數據的知情權與透明度
許多 AI 模型的決策過程是不透明的 ，如果系統判定某個學生不會通過，學校與老師應確保評估過程具有可解釋性，不能盲目相信演算法的結果 。
如何呈現這些數據讓學生能理解與自我改善？
定期學習追蹤
每週成績分析，學習時數統計 --> 強調「幫助學生定期反思」
AI 與個人化建議
自適應題目，個人化學習路徑 --> 強調「提供改善方向」
學習歷程可視化
學習進度條，成績趨勢圖 --> 強調「讓學生快速理解自己的學習狀況」
學生自我改善效果
增加學習效率，即時調整學習方式 --> 當作「成果」
組員
1111231013 簡瑄岑
1111231017 陳玟均
1111231001 江茉筠
1111231018 陳俋絜
這些數據可以幫助老師做哪些教學調整？
優化整體教學策略與教材設計
ex. 老師可以透過數據得知哪種影片長度讓學生更容易完成，藉此作為未來剪輯或錄製教學影片時的參考，從而優化學習環境與教材設計
早期預警與及時介入
透過蒐集學生的登入次數、影片觀看次數與作業成績等數據，並結合AI預測模型，老師可以
提前預測退選或是有不及格風險的學生
。這能作為老師的早期預警系統，針對學習落後的學生提早進行關懷與介入
提供個人化教學與適性引導
數據可以幫助老師
分析並分類出學生的學習風格
（例如將學生分為視覺型、行動型或社群型），老師可以依據這些類型來提供差異化的教學方式，進而為學生
規劃個人化學習路徑
。此外，也能依據學生的實際表現來
調整題目的難度
可收集的學習行為數據有哪些？
社群
發文的字數長度、被按讚或被回覆的次數
線上測驗與評量
每一題的平均作答時間、送出答案前的猶豫時間