MethodsYZU is one of the few univer

Methods
YZU is one of the few universities in Taiwan offers MOOCs. Five MOOCs were
launched at YZU in 2014. They were “C# Programming” (400 enrolled students),
“Internationalization Strategy” (340 students), “Computer-aided Design and Manufacture”
(749 students), “Electronics: Amplifier Principles and Analysis” (193 students),
and “English for Engineering & Technology” (381 students). Since only the first three
courses provided final grades to the MOOC system, students’ behavioral data from logging
in system, watching lecture videos, submitting assignments, and posting on discussion
forums were collected from these three courses to examine engagement patterns
of MOOC students. Totally, we collected data from 1489 students, with a gender distribution
of 54 % male students and 46 % female students. Among these students, about
63 % of students fell into the 16 to 25 years old category, 18 % into the 26–35 age
group, 12 % into the 36–45 age group, and 7 % of students were over 45 years of age.
There were only 6 % of non-Taiwanese registered students in these MOOCs.
Cluster analysis can be used to help researchers develop profiles that are grounded in
learner activities (Antonenko et al. 2012). This study used the Ward’s hierarchical and
k-means non-hierarchical clustering methods to determine the number of clusters and
to classify different clusters of learners in MOOCs. The Ward’s minimum variance
clustering is useful for exploratory work when researchers do not have a preconceived
number of clusters in the dataset. It uses an analysis of variance approach to evaluate
the distances between clusters. Ward’s algorithm compares the proximity indices and
identifies pairs of participants with the smallest distance value. Once we identified the
number of clusters, k-means clustering method was used to analyze learning behaviors
in different clusters of MOOC students. The k-means clustering method calculates
centroids for a set of trial clusters and then places each object in the cluster with the
nearest centroid; this process continues until there are no more changes in the cluster
membership (Antonenko et al. 2012).
Descriptive analyses, including chi-square and mean-difference tests were conducted
to compare students’ learning outcomes in different clusters. There were two indicators
for learning outcome: whether students passed the courses and their final grades of
MOOC course. In addition, different levels of participating in course discussion forum
were examined to explore its impacts on learning by descriptive analyses.
Results
Learning engagement in MOOCs
Trends of students’ learning behaviors in MOOCs, including login rec

ผลลัพธ์ (ไทย) 1:

วิธีYZU เป็นหนึ่งในไม่กี่มหาวิทยาลัยในไต้หวัน MOOCs มีห้า MOOCsเปิดตัวที่ YZU ในปี 2557 พวกเขาเป็น "C# การเขียนโปรแกรม" (400 นัก),"กลยุทธ์เป็นสากล" (นักเรียน 340), "คอมพิวเตอร์ช่วยออกแบบและผลิต"(นักเรียน 749), "อิเล็กทรอนิกส์:เครื่องขยายเสียงหลักและการวิเคราะห์" (นักเรียน 193),และ "ภาษาอังกฤษสำหรับวิศวกรรมศาสตร์และเทคโนโลยี" (381 นักเรียน) ตั้งแต่สามตัวแรกเท่านั้นหลักสูตรที่ให้เกรดขั้นสุดท้ายระบบ MOOC จากการบันทึกข้อมูลพฤติกรรมของนักเรียนในระบบ รับชมวิดีโอบรรยาย กำหนดส่ง และในคำอธิบายการลงรายการบัญชีฟอรั่มรวบรวมจากหลักสูตรเหล่านี้สามรูปแบบการมีส่วนร่วมในการตรวจสอบของนักเรียน MOOC ทั้งหมด เรารวบรวมข้อมูลจากนักเรียนที่ 1489 มีการกระจายของเพศนักศึกษาชาย 54% และ 46% นักเรียนหญิง ในหมู่นักเรียน เกี่ยวกับ63% ของนักเรียนตกลงไปในประเภทอายุ 16-25 ปี 18% เป็นอายุ 26-35หมู่ 12% ในกลุ่มอายุ 36-45 และ 7% ของนักเรียนที่มีอายุมากกว่า 45 ปีมีเพียง 6% ของไต้หวันไม่ใช่เรียนที่ลงทะเบียนใน MOOCs เหล่านี้การวิเคราะห์คลัสเตอร์สามารถใช้เพื่อช่วยให้นักวิจัยพัฒนาโพรไฟล์ที่มีเหตุผลในผู้เรียนกิจกรรม (Antonenko et al. 2012) การศึกษานี้ใช้วอร์ดของลำดับชั้น และถึง ไม่ใช่ลำดับชั้นระบบคลัสเตอร์วิธีการตรวจสอบหมายเลขของคลัสเตอร์ และการจัดกลุ่มต่าง ๆ ของผู้เรียนใน MOOCs ผลต่างขั้นต่ำของผู้ป่วยคลัสเตอร์มีประโยชน์สำหรับงานสำรวจเมื่อนักวิจัยไม่ได้เป็นอุปาทานหมายเลขของคลัสเตอร์ในนั้นชุดข้อมูล ใช้วิธีการวิเคราะห์ความแปรปรวนเพื่อประเมินระยะห่างระหว่างกลุ่ม อัลกอริทึมของผู้ป่วยเปรียบเทียบดัชนีใกล้ และระบุคู่ร่วมกับค่าระยะทางน้อยที่สุด เมื่อเราระบุการหมายเลขของคลัสเตอร์ ถึง คลัสเตอร์วิธีที่ใช้ในการวิเคราะห์พฤติกรรมการเรียนรู้ในคลัสเตอร์ที่แตกต่างกันของนักเรียน MOOC ถึงระบบคลัสเตอร์วิธีคำนวณcentroids สำหรับชุดของกลุ่มทดลอง และสถานแต่ละวัตถุในคลัสเตอร์มีการเซนทรอยด์ที่ใกล้ที่สุด กระบวนการนี้ต่อไปจนกระทั่งมีการเปลี่ยนแปลงไม่มีเพิ่มเติมในคลัสเตอร์สมาชิก (Antonenko et al. 2012)ได้ดำเนินการวิเคราะห์อธิบาย ไคสแควร์และการทดสอบความแตกต่างของค่าเฉลี่ยการเปรียบเทียบผลการเรียนรู้ของนักเรียนในกลุ่มแตกต่างกัน มีสองตัวชี้วัดสำหรับผลการเรียนรู้: ว่า นักเรียนที่ผ่านหลักสูตรและเกรดสุดท้ายของพวกเขาหลักสูตร MOOC นอกจากนี้ ระดับของการเข้าร่วมหลักสูตรสนทนาถูก examined เพื่อสำรวจผลกระทบจากการเรียนรู้ โดยการอธิบายวิเคราะห์ผลลัพธ์การมีส่วนร่วมการเรียนรู้ใน MOOCsแนวโน้มของนักเรียนพฤติกรรมใน MOOCs รวมทั้งบันทึกเข้าสู่ระบบ

ผลลัพธ์ (ไทย) 2:

วิธีการ
YZU เป็นหนึ่งในมหาวิทยาลัยไม่กี่แห่งในไต้หวันมี MOOCs ห้า MOOCs ถูก
เปิดตัวใน YZU ในปี 2014 พวกเขา "เขียนโปรแกรม C #" (400 ลงทะเบียนเรียน)
"สากลกลยุทธ์" (340 นักเรียน), "คอมพิวเตอร์ช่วยออกแบบและผลิต"
(749 นักเรียน), "เครื่องใช้ไฟฟ้า: เครื่องขยายเสียงหลักการและการวิเคราะห์ "(193 นักเรียน)
และ" ภาษาอังกฤษเพื่อการวิศวกรรมและเทคโนโลยี "(381 คน) ตั้งแต่เพียงสามคนแรก
หลักสูตรที่จัดไว้ให้เกรดสุดท้ายกับระบบ MOOC ข้อมูลพฤติกรรมของนักเรียนจากการเข้าสู่ระบบ
ในระบบ, ดูวิดีโอการบรรยายการส่งได้รับมอบหมายและโพสต์ในการอภิปราย
ฟอรั่มที่ถูกเก็บรวบรวมจากทั้งสามหลักสูตรการตรวจสอบรูปแบบการมีส่วนร่วม
ของนักเรียน MOOC ทั้งหมดที่เราเก็บรวบรวมข้อมูลจากนักเรียน 1489 ด้วยการจำแนกเพศ
ของนักเรียนชาย 54% และ 46% นักเรียนหญิง ในหมู่นักเรียนเหล่านี้ประมาณ
63% ของนักเรียนลดลงในประเภทอายุ 16 ถึง 25 ปี 18% ลงไป 26-35 อายุ
กลุ่ม 12% เข้ามาในกลุ่ม 36-45 อายุและ 7% ของนักเรียนมากกว่า 45 ปีของอายุ .
มีเพียง 6% ของนักเรียนที่ไม่ได้ลงทะเบียนในไต้หวัน MOOCs เหล่านี้.
การวิเคราะห์กลุ่มสามารถใช้ในการช่วยให้นักวิจัยพัฒนา profiles ที่มีเหตุผลใน
กิจกรรมการเรียน (Antonenko et al. 2012) การศึกษาครั้งนี้ใช้วอร์ดลำดับชั้นและ
K-หมายถึงวิธีการจัดกลุ่มที่ไม่ใช่แบบลำดับชั้นเพื่อกำหนดจำนวนของกลุ่มและ
การจำแนกกลุ่มที่แตกต่างกันของผู้เรียนใน MOOCs ของวอร์ดแปรปรวนขั้นต่ำ
การจัดกลุ่มจะเป็นประโยชน์สำหรับการทำงานสำรวจเมื่อนักวิจัยไม่ได้มีอุปาทาน
จำนวนกลุ่มในชุดข้อมูล มันใช้การวิเคราะห์ความแปรปรวนของวิธีการในการประเมิน
ระยะทางระหว่างคลัสเตอร์ อัลกอริทึมของวอร์ดเปรียบเทียบดัชนีความใกล้ชิดและ
ระบุคู่ของผู้เข้าร่วมที่มีค่าระยะทางที่เล็กที่สุด เมื่อเราระบุ
จำนวนกลุ่ม K-หมายถึงวิธีการจัดกลุ่มที่ถูกใช้ในการวิเคราะห์พฤติกรรมการเรียนรู้
ในกลุ่มที่แตกต่างกันของนักเรียน MOOC K-หมายถึงวิธีการจัดกลุ่มคำนวณ
centroids สำหรับชุดของกลุ่มทดลองและจากนั้นวางวัตถุในคลัสเตอร์กับแต่ละ
เซนทรอยด์ที่ใกล้ที่สุด; กระบวนการนี้ต่อไปจนกว่าจะไม่มีการเปลี่ยนแปลงมากขึ้นในกลุ่ม
สมาชิก (Antonenko et al. 2012).
พรรณนาวิเคราะห์รวมทั้งไคสแควร์และหมายถึงความแตกต่างได้ดำเนินการทดสอบ
ผลการเรียนรู้ที่จะเปรียบเทียบของนักเรียนในกลุ่มที่แตกต่างกัน มีสองตัวชี้วัดได้
ว่านักเรียนที่ผ่านหลักสูตรและการเรียนในขั้นสุดท้ายของพวกเขา: สำหรับการเรียนรู้ผล
แน่นอน MOOC นอกจากนี้ในระดับที่แตกต่างของการมีส่วนร่วมในฟอรั่มการอภิปรายแน่นอน
มีการตรวจสอบในการสำรวจผลกระทบต่อการเรียนรู้โดยการวิเคราะห์เชิงพรรณนา.
ผล
การเรียนรู้การมีส่วนร่วมใน MOOCs
แนวโน้มพฤติกรรมการเรียนรู้ของนักเรียนใน MOOCs รวมทั้งบันทึกการเข้าสู่ระบบ

ผลลัพธ์ (ไทย) 3:

วิธีการyzu เป็นหนึ่งในมหาวิทยาลัยไม่กี่แห่งในไต้หวันเสนอ moocs . 5 moocs คือเปิดตัวที่ yzu ในปี 2014 พวกเขาเป็น " C # การเขียนโปรแกรม " ( 400 ลงทะเบียนนักเรียนกลยุทธ์ " สากล " ( 340 คน ) , " การใช้คอมพิวเตอร์ช่วยในการออกแบบและผลิต "( ถ้านักศึกษา ) " : หลักการและการวิเคราะห์วงจรอิเล็กทรอนิกส์ " ( 193 คน )และ " ภาษาอังกฤษสำหรับวิศวกรรม & เทคโนโลยี " ( 381 คน ตั้งแต่เพียงสามครั้งแรกหลักสูตรที่จัดเกรดสุดท้ายระบบมุก นักเรียน ข้อมูลจากการบันทึกพฤติกรรมในระบบ , ดูวิดีโอ , การบรรยาย การส่งงาน และการลงรายการบัญชีในการสนทนาฟอรั่มรวบรวมจากทั้งสามหลักสูตรเพื่อศึกษารูปแบบคู่ของนักศึกษามุก . ทั้งหมดที่เราได้เก็บรวบรวมข้อมูลจากนักศึกษาที่มีเพศกระจายบน ,ของนักเรียนชายและนักเรียนหญิง ร้อยละ 46 54 . ของนักศึกษาเหล่านี้ เกี่ยวกับ63 เปอร์เซ็นต์ของนักเรียนที่ตกอยู่ในประเภท 16 ถึง 25 ปี ร้อยละ 18 เป็น 25 – 35 อายุกลุ่ม 12 % เป็น 36 - 45 อายุ และ 7% ของนักเรียนมากกว่า 45 ปีของอายุมีเพียง 6% ที่ไม่จดทะเบียนในไต้หวัน นักศึกษา moocs เหล่านี้การวิเคราะห์การเกาะกลุ่มที่สามารถใช้เพื่อช่วยให้นักวิจัยพัฒนาโปรไฟล์ที่ถูกกักบริเวณในกิจกรรมการเรียนรู้ ( antonenko et al . 2012 ) ในการศึกษานี้ได้ใช้เทคนิคของแผนกและองค์กรไม่แสวงหา k-means การจัดกลุ่มลำดับชั้นวิธีที่จะตรวจสอบหมายเลขของกลุ่มและเพื่อจำแนกกลุ่มที่แตกต่างกันของผู้เรียนใน moocs . ของแผนกความแปรปรวนต่ำสุดข้อมูลที่เป็นประโยชน์สำหรับงานสำรวจ เมื่อไม่มีอุปาทาน นักวิจัยจำนวนของกลุ่มในวันที่ . ใช้วิเคราะห์ความแปรปรวนทางเดียว วิธีการประเมินระยะทางระหว่างกลุ่ม ขั้นตอนวิธีของผู้ป่วยเปรียบเทียบดัชนีและใกล้กับระบุคู่ของผู้เข้าร่วมที่มีค่าระยะทางน้อยที่สุด เมื่อเราระบุจำนวนของกลุ่ม , การจัดกลุ่ม k-means ได้ใช้วิธีวิเคราะห์พฤติกรรมการเรียนรู้ในกลุ่มที่แตกต่างกันของนักเรียนมุก . การแบ่งกลุ่ม k-means วิธีการคำนวณจุดเซนทรอยด์สำหรับชุดกลุ่มทดลองและสถานที่ของแต่ละวัตถุในกลุ่มด้วยที่ใกล้ที่สุดของภาพ กระบวนการนี้ต่อไปจนกว่าจะไม่มีการเปลี่ยนแปลงในกลุ่มสมาชิก ( antonenko et al . 2012 )การวิเคราะห์เชิงพรรณนา ได้แก่ ไคสแควร์และทดสอบความแตกต่างค่าเฉลี่ยจำนวนเพื่อเปรียบเทียบผลการเรียนรู้ของนักเรียนในกลุ่มที่แตกต่างกัน มี 2 ตัวสำหรับผลการเรียน : ไม่ว่านักเรียนที่ผ่านหลักสูตรของพวกเขาและสุดท้ายเกรดของมุกแน่นอน นอกจากนี้ ระดับของการมีส่วนร่วมในกระดานสนทนารายวิชามีวัตถุประสงค์เพื่อศึกษาผลกระทบที่มีต่อการเรียนรู้โดยวิเคราะห์เชิงพรรณนาผลลัพธ์การเรียนรู้ใน moocs หมั้นแนวโน้มของพฤติกรรมการเรียนรู้ของนักเรียนใน moocs รวมทั้งบันทึกเข้าสู่ระบบ