Full metadata record
| DC pole | Hodnota | Jazyk |
|---|---|---|
| dc.contributor.author | Grolmus, Petr | |
| dc.contributor.author | Rohlíková, Lucie | |
| dc.contributor.editor | Benediktová, Lenka | |
| dc.contributor.editor | Baťko, Jan | |
| dc.date.accessioned | 2019-02-01T11:48:03Z | - |
| dc.date.available | 2019-02-01T11:48:03Z | - |
| dc.date.issued | 2018 | |
| dc.identifier.citation | ISVK FPE 2018: Sborník příspěvků 8. Interdisciplinární studentské vědecké konference doktorandů FPE: 20. června 2018 Plzeň, Česká Republika, s. 4-9. | cs |
| dc.identifier.isbn | 978-80-261-0828-3 | |
| dc.identifier.uri | http://hdl.handle.net/11025/30894 | |
| dc.description.abstract | Tento článek představuje první pohled a interpretaci analýzy učení z dat e-learningového systému (Learning Management System – LMS) provozovaného na Západočeské univerzitě v Plzni (ZČU). Předpokládáme, že existují tři typy granularity dat LMS. Prvním typem je nejvyšší úroveň popisující přístupy a využití LMS jakožto celku. Druhým typem jsou data na úrovni kurzu popisující chování a aktivity všech uživatelů daného kurzu. Posledním typem je uživatelská úroveň dat, která interpretuje aktivity jednotlivých uživatelů kurzu. Příspěvek diskutuje první dva typy granularity založených na reálných datech univerzitního e-learningového systému Moodle. Inspirovali jsme se mnoha předchozími studiemi zaměřenými na učební systémy typu LMS, které se často zaměřují na zejména na predikci akademického úspěchu nebo identifikaci studentů ohrožených studijní neúspěšností (např. Smith a kol. 2012; Jayaprakash a kol. 2014; Baker a kol. 2015). Tato zjištění tvoří základ pro další výzkum, který se zaměřuje na identifikaci chování uživatelů na kurzu a na vyhledání studentů ohrožených studijní neúspěšností. | cs |
| dc.format | 6 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | cs | cs |
| dc.publisher | Západočeská univerzita v Plzni | cs |
| dc.relation.ispartofseries | ISVK FPE 2018: Sborník příspěvků 8. Interdisciplinární studentské vědecké konference doktorandů FPE | cs |
| dc.rights | © Západočeská univerzita v Plzni | cs |
| dc.subject | vzdělávací inovace | cs |
| dc.subject | počítače v lidském chování | cs |
| dc.subject | vysokoškolské vzdělávání | cs |
| dc.subject | vzdělávací data mining | cs |
| dc.subject | analytika vzdělávání | cs |
| dc.subject | analýza interakce mezi studenty | cs |
| dc.subject | systém řízení účení | cs |
| dc.subject | předpověď úspěchu studie | cs |
| dc.title | Learning analytics na ZČU - první přístup | cs |
| dc.title.alternative | Learning analytics at UWB - first approach | en |
| dc.type | konferenční příspěvek | cs |
| dc.type | conferenceObject | en |
| dc.rights.access | openAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | The focus of this paper is the first look and interpretation of learning analytics data from learning management system (LMS) at the University of West Bohemia in Pilsen (UWB). We claim that there are three types of granuality of LMS data. The first type is top-level which describes approchaches and usage of LMS as a whole. The second one is course-level which deals with the behavior and activities of all users as a whole at a specific course. And the last user-type that interprets the activities of users in the course and looking for common patterns of behavior. This paper presents the first two types of granuality based on real data from the university LMS. We are inspired by many previous studies focusing on learning systems of the LMS, that often pay attention especially to academic success prediction or at-risk student identification (e.g. Smith et al. 2012; Jayaprakash et al. 2014; Baker et al. 2015). Theese findings form the basis for further reasearch on identifying user behavior on the course and identifying students at risk of learning failure. | en |
| dc.subject.translated | learning innovation | en |
| dc.subject.translated | computers in human behavior | en |
| dc.subject.translated | higher education | en |
| dc.subject.translated | educational data mining | en |
| dc.subject.translated | learning analytics | en |
| dc.subject.translated | student interaction analysis | en |
| dc.subject.translated | learning management system | en |
| dc.subject.translated | prediction study success | en |
| dc.type.status | Peer-reviewed | en |
| Vyskytuje se v kolekcích: | ISVK FPE 2018 ISVK FPE 2018 | |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| Grolmus.pdf | Plný text | 544,58 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/30894Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.