TWI524294B - 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 - Google Patents
線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 Download PDFInfo
- Publication number
- TWI524294B TWI524294B TW103130285A TW103130285A TWI524294B TW I524294 B TWI524294 B TW I524294B TW 103130285 A TW103130285 A TW 103130285A TW 103130285 A TW103130285 A TW 103130285A TW I524294 B TWI524294 B TW I524294B
- Authority
- TW
- Taiwan
- Prior art keywords
- learning
- style
- data
- behavior
- value
- Prior art date
Links
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 230000006399 behavior Effects 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Description
本發明是有關於一種學習風格診斷方法，尤指利用線上學習行為即時偵測之演算法。
學習是透過教授或體驗而獲得知識、技術、態度或價值的過程，從而導致可量度的穩定的行為變化，更準確一點來說是建立新的精神結構或審視過去的精神結構。
傳統的學習風格診斷方法多為透過紙本問卷方式進行診斷。然而，紙本問卷無法即時的偵測學習者的學習風格。
由此可見，上述現有的紙本問卷方式顯然仍存在不便與缺陷，而有待加以進一步改進。為了解決前述問題，相關領域莫不費盡心思來謀求解決之道，但長久以來一直未見適用的方式被發展完成。因此，如何能即時掌握學習者的學習風格狀態，實屬當前重要研發課題之一，亦成為
當前相關領域極需改進的目標。
本發明之一態樣是在提供一種線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體，以解決先前技術的問題。
本發明所提供之線上自動化診斷學習風格系統包含學習資料庫、處理器、網路通訊裝置與記憶體。處理器能夠執行一或多個電腦可執行指令，記憶體包含可由該處理器執行之一電腦程式，其中該電腦程式在由該處理器執行時使該處理器進行以下動作：經由該網路通訊裝置接收多個學習平台所分別傳來的多個訊息，並將該些訊息儲存至該學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據；判斷該至少一學習行為所屬的學習風格；篩選該些相關數據中的離群值；計算該些相關數據剔除該離群值之後的一組數據中的最大值；計算該組數據中每一者除以該最大值後所得到的轉換數值；基於該轉換數值以計算該學習者在該學習風格中的評分。
於一實施例中，該處理器更進行以下動作：計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上預定倍數的該標準差以得出上限值，並將該平均數減去該預定倍數的該標準差以得出下限值；將該些學習行為的相關數據中高於該上限值
的數據和低於該下限值的數據作為該離群值。
於一實施例中，該預定倍數為三倍。
於一實施例中，該轉換數值被帶入評分模型以得出該評分。
於一實施例中，該評分模型係滿足下列關係式：
，其中Type i 為在該學習風格中的該至少一學習行為所對應的該相關數據，max f(Type i )為該最大值，N type 為在該學習風格中的該至少一學習行為的數目，Score(Type)為該評分，若該學習風格中的該至少一學習行為為正向時，u i 為1；或是若該學習風格中的該至少一學習行為為負向時，u i 為0。
於一實施例中，該網路通訊裝置接收的該訊息係符合超文件傳輸(HTTP)協定。
另一方面，本發明所提供之自動化診斷學習風格方法包含以下步驟：(a)經由網路通訊裝置接收多個學習平台所分別傳來的多個訊息，並將該些訊息儲存至學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據；(b)判斷該至少一學習行為所屬的學習風格；(c)篩選該些相關數據中的離群值；(d)計算該些相關數據剔除該離群值之後的一組數據中的最大值；(e)計算該組數據中每一者除以該最大值後所得到的轉換數值；(f)基於該轉換數值以計算該學習者在該學習風格
中的評分。
於一實施例中，步驟(c)包含：計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上預定倍數的該標準差以得出上限值，並將該平均數減去該預定倍數的該標準差以得出下限值；將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。
於一實施例中，該預定倍數為三倍。
於一實施例中，該轉換數值被帶入評分模型以得出該評分。
於一實施例中，該評分模型係滿足下列關係式：
，其中Type i 為在該學習風格中的該至少一學習行為所對應的該相關數據，max f(Type i )為該最大值，N type 為在該學習風格中的該至少一學習行為的數目，Score(Type)為該評分，若該學習風格中的該至少一學習行為為正向時，u i 為1；或是若該學習風格中的該至少一學習行為為負向時，u i 為0。
於一實施例中，該網路通訊裝置接收的該訊息係符合超文件傳輸協定。
另一方面，本發明所提供之電腦可讀取之記錄媒體具有至少一電腦程式，該至少一電腦程式具有多個指令，該些指令在一電腦上執行時使該電腦執行上述的自動化診
斷學習風格方法。
綜上所述，本發明係以學習者在線上的學習行為做為基礎，可以做即時的學習風格診斷，取代傳統使用問卷方式進行判定。
以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下：
100‧‧‧線上自動化診斷學習風格系統
110‧‧‧學習資料庫
120‧‧‧處理器
130‧‧‧網路通訊裝置
140‧‧‧記憶體
190‧‧‧學習平台
200‧‧‧線上自動化診斷學習風格方法
210~260‧‧‧步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖是依照本發明一實施例之一種線上自動化診斷學習風格系統的方塊圖；以及第2圖是依照本發明一實施例之一種線上自動化診斷學習風格方法的流程圖。
為了使本發明之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。另一方面，眾所週知的元件與步驟並未描述於實施例中，以避免對本發明造成不必要的限制。
於實施方式與申請專利範圍中，除非內文中對於冠詞有所特別限定，否則『一』與『該』可泛指單一個或複數個。
於實施方式與申請專利範圍中，涉及『電性連接』
之描述，其可泛指一元件透過其他元件而間接地以電氣方式耦合至另一元件，或是一元件無須透過其他元件而直接電氣連結至另一元件。
第1圖是依照本發明一實施例之一種線上自動化診斷學習風格系統100的方塊圖。如第1圖所示，線上自動化診斷學習風格系統100包含學習資料庫110、處理器120、網路通訊裝置130與記憶體140。在架構上，學習資料庫110、網路通訊裝置130與記憶體140電性連接至處理器120，網路通訊裝置130與學習平台190透過網路連線。舉例來說，學習平台190可為平板電腦、智慧型手機、筆記型電腦、桌上型電腦…等，網路通訊裝置130可為有線或無線網路卡，處理器120可為中央處理器、微控制器或類似元件，記憶體140可為經調適以儲存數位資料的任何類型之積體電路或其他儲存器件(如：ROM、RAM…等)，學習資料庫110可儲存於不同的儲存裝置或是儲存於同一儲存裝置，例如電腦硬碟、伺服器、或其他紀錄媒體等。
於使用時，使用者可以透過不同學習平台190進行操作，使用者於學習平台190上的學習行為透過超文件傳輸(HTTP)協定的訊息送出給線上自動化診斷學習風格系統100，以進行跨平台學習行為蒐集。
於線上自動化診斷學習風格系統100中，處理器120能夠執行一或多個電腦可執行指令，記憶體140包含可由該處理器執行之一電腦程式，其中該電腦程式在由處理器120執行時使處理器120進行線上自動化診斷學習風格
方法，具體而言，處理器120經由網路通訊裝置130接收多個學習平台190所分別傳來的多個訊息，進行跨平台的使用者的學習行為蒐集，並將該些訊息儲存至學習資料庫110，以提供後續學習行為記錄，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據。
關於學習行為記錄，處理器120可從學習資料庫110中擷取分析相關所需資訊，並透過學習行為紀錄模組解析學習行為，將學習紀錄解析成人、事、時、地、物五個面向。
另一方面，關於學習風格診斷，處理器120判斷上述至少一學習行為所屬的學習風格，亦即判斷不同學習行為所屬的各個學習風格。接著，處理器120可篩選該些相關數據中的離群值，藉以避免整體後續分析受到離群值的影響。接著，處理器120計算該些相關數據剔除該離群值之後的一組數據中的最大值，應瞭解到，此步驟要在篩選離群值之後，才不會有高估情形發生。接著，處理器120計算該組數據中每一者除以該最大值後所得到的轉換數值，藉以避免不同量尺的問題。然後，處理器120基於該轉換數值以計算該學習者在該學習風格中的評分。如此，線上自動化診斷學習風格系統100係以學習者在線上的學習行為做為基礎，可以做即時的學習風格診斷，取代傳統使用問卷方式進行判定。
關於找出離群值的具體方式，於一實施例中，處理器120進行以下動作：計算該些學習行為的相關數據的平
均數；計算該些學習行為的相關數據的標準差；將該平均數加上預定倍數的該標準差以得出上限值，並將該平均數減去該預定倍數的該標準差以得出下限值；將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。再者，於一較佳實施例中，該預定倍數為三倍，實作上，倘若預定倍數高於三倍，則可能會有高估情形發生，反之，倘若預定倍數小於三倍，則信賴區間過小，可能會影響後續分析。
於一實施例中，上述的學習風格包含八種類型：行動、反思、具體、抽象、視覺、語文、次序、整體。具體而言，行動的學習者喜歡親身體會、與他人一同合作的主動學習方式，對於新的資訊會利用方法去討論、解釋、測試它。反思的學習者習慣於透過徹底的思考、單獨工作的學習方式，他對於新的資訊會去思考的調查、運用它。感官的學習者是藉由感官的途徑來察覺，並經過感覺來收集資料(如：觀察)。當感官型學習者喜歡具體的和生活有關的事物，了解所學知識和現實生活的關聯性後，就能夠更有效的記憶及理解。直覺型的學習者在自己本身無特別意識的情況下，來發覺、觀察其可能性，是由間接的去感覺，例如：推測、預感、想像。視覺的學習者：最適合的記憶方式是透過圖畫、圖表、曲線圖、實地的示範。語文的學習者較喜歡書寫或口語述說的學習方式。次序的的學習者是線性式思考的方式來解決問題，擅長聚斂式的思考和分析，在充分瞭解學習過程所提供的素材、準備相當完善、
複雜且困難的情況下，學習效果會較高。整體的學習者運用跳躍式的思考模式來解決問題，擅長的是擴散性的思考方式，擁有創造力較寬廣的視野。
以下將對學習者在學習風格中的評分作進一步闡述，於一實施例中，上述的轉換數值被帶入評分模型以得出評分，該評分模型係滿足下列關係式：
，其中Type i 為在該學習風格中的該至少一學習行為所對應的該相關數據，max f(Type i )為該最大值，N type 為在該學習風格中的該至少一學習行為的數目，Score(Type)為該評分，若該學習風格中的該至少一學習行為為正向時，u i 為1；或是若該學習風格中的該至少一學習行為為負向時，u i 為0。
舉例來說，請參照下表的實例：
將上表的資料代入評分模型，學生A在行動的學習
風格中的評分為[0.8+0.7]×100/2=75，在反思風格中的評分為[(1-0.8)+(1-0.7)+0.6+0.4]×100/4=37.5；學生A在行動的學習風格中的評分為[0.1+0]×100/2=5，在反思風格中的評分為[(1-0.1)+(1-0)+0.9+0.96]×100/4=94。如此，線上自動化診斷學習風格系統100可診斷學生的學習風格，即時反應學習者的使用情形，準確而有效率。
第2圖是依照本發明一實施例之一種線上自動化診斷學習風格方法200的流程圖。線上自動化診斷學習風格方法200可經由一電腦來實作，例如前述之線上自動化診斷學習風格系統100等，亦可將部份功能實作為至少一電腦程式，並儲存於一電腦可讀取之記錄媒體中，該至少一電腦程式具有多個指令，該些指令在一電腦上執行時使該電腦執行線上自動化診斷學習風格方法200。
如第2圖所示，線上自動化診斷學習風格方法200包括多個步驟210~260。然熟習本案之技藝者應瞭解到，在本實施例中所提及的步驟，除特別敘明其順序者外，均可依實際需要調整其前後順序，甚至可同時或部分同時執行。至於實施該些步驟的硬體裝置，由於上一實施例已具體揭露，因此不再重複贅述之。
有關跨平台學習行為蒐集，於步驟210，經由網路通訊裝置接收多個學習平台所分別傳來的多個訊息，並將該些訊息儲存至學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據。再者，有關學習行為記錄，於步驟210，可進而從學習資料庫中擷取
分析相關所需資訊，並透過學習行為紀錄模組解析學習行為，將學習紀錄解析成人、事、時、地、物五個面向。
另一方面，有關學習風格診斷，於步驟220，判斷該至少一學習行為所屬的學習風格；接著，於步驟230，篩選該些相關數據中的離群值；接著，於步驟240，計算該些相關數據剔除該離群值之後的一組數據中的最大值；接著，於步驟250，計算該組數據中每一者除以該最大值後所得到的轉換數值；然後，於步驟260，基於該轉換數值以計算該學習者在該學習風格中的評分。如此，線上自動化診斷學習風格方法200係以學習者在線上的學習行為做為基礎，可以做即時的學習風格診斷，取代傳統使用問卷方式進行判定。
於一實施例中，步驟230包含：計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上預定倍數的該標準差以得出上限值，並將該平均數減去該預定倍數的該標準差以得出下限值；將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。再者，於一較佳實施例中，該預定倍數為三倍，實作上，倘若預定倍數高於三倍，則可能會有高估情形發生，反之，倘若預定倍數小於三倍，則信賴區間過小，可能會影響後續分析。
於一實施例中，於步驟260，該轉換數值被帶入評分模型以得出該評分，至於實施該評分模型的具體關係式，由於上一實施例已具體揭露，因此不再重複贅述之。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧線上自動化診斷學習風格系統
110‧‧‧學習資料庫
120‧‧‧處理器
130‧‧‧網路通訊裝置
140‧‧‧記憶體
190‧‧‧學習平台
Claims (15)
- 一種線上自動化診斷學習風格系統，包含：一學習資料庫；一處理器，其能夠執行一或多個電腦可執行指令；一網路通訊裝置；以及一記憶體，其包含可由該處理器執行之一電腦程式，其中該電腦程式在由該處理器執行時使該處理器進行以下動作：經由該網路通訊裝置接收多個學習平台所分別傳來的多個訊息，並將該些訊息儲存至該學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據；判斷該至少一學習行為所屬的學習風格；篩選該些相關數據中的離群值；計算該些相關數據剔除該離群值之後的一組數據中的最大值；計算該組數據中每一者除以該最大值後所得到的轉換數值；基於該轉換數值以計算該學習者在該學習風格中的評分；計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上一預定倍數的該標準差以得出一上限值，並將該平均數減去該預定倍數的該標準差以得出一下限值；以及 將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。
- 如請求項1所述之自動化診斷學習風格系統，其中該預定倍數為三倍。
- 如請求項1所述之自動化診斷學習風格系統，其中該轉換數值被帶入一評分模型以得出該評分。
- 如請求項3所述之自動化診斷學習風格系統，其中該評分模型係滿足下列關係式：
- 如請求項1所述之自動化診斷學習風格系統，其中該網路通訊裝置接收的該訊息係符合超文件傳輸(HTTP)協定。
- 一種線上自動化診斷學習風格方法，包含以下步驟：(a)經由一網路通訊裝置接收多個學習平台所分別傳 來的多個訊息，並將該些訊息儲存至一學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據；(b)判斷該至少一學習行為所屬的學習風格；(c)篩選該些相關數據中的離群值；(d)計算該些相關數據剔除該離群值之後的一組數據中的最大值；(e)計算該組數據中每一者除以該最大值後所得到的轉換數值；(f)基於該轉換數值以計算該學習者在該學習風格中的評分，其中步驟(c)包含：計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上一預定倍數的該標準差以得出一上限值，並將該平均數減去該預定倍數的該標準差以得出一下限值；以及將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。
- 如請求項6所述之自動化診斷學習風格方法，其中該預定倍數為三倍。
- 如請求項6所述之自動化診斷學習風格方法，其中該轉換數值被帶入一評分模型以得出該評分。
- 如請求項8所述之自動化診斷學習風格方法，其中該評分模型係滿足下列關係式：
- 如請求項6所述之自動化診斷學習風格方法，其中該網路通訊裝置接收的該訊息係符合超文件傳輸協定。
- 一種具有至少一電腦程式之電腦可讀取之記錄媒體，該至少一電腦程式具有多個指令，該些指令在一電腦上執行時使該電腦執行以下步驟：(a)經由一網路通訊裝置接收多個學習平台所分別傳來的多個訊息，並將該些訊息儲存至一學習資料庫，其中該些訊息中每一者記錄一學習者的至少一學習行為所對應的相關數據；(b)判斷該至少一學習行為所屬的學習風格；(c)篩選該些相關數據中的離群值；(d)計算該些相關數據剔除該離群值之後的一組數據中的最大值；(e)計算該組數據中每一者除以該最大值後所得到的 轉換數值；(f)基於該轉換數值以計算該學習者在該學習風格中的評分，其中步驟(c)包括：計算該些學習行為的相關數據的平均數；計算該些學習行為的相關數據的標準差；將該平均數加上一預定倍數的該標準差以得出一上限值，並將該平均數減去該預定倍數的該標準差以得出一下限值；以及將該些學習行為的相關數據中高於該上限值的數據和低於該下限值的數據作為該離群值。
- 如請求項11所述之電腦可讀取之記錄媒體，其中該預定倍數為三倍。
- 如請求項11所述之電腦可讀取之記錄媒體，其中該轉換數值被帶入一評分模型以得出該評分。
- 如請求項13所述之電腦可讀取之記錄媒體，其中該評分模型係滿足下列關係式：
- 如請求項11所述之電腦可讀取之記錄媒體，其中該網路通訊裝置接收的該訊息係符合超文件傳輸協定。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW103130285A TWI524294B (zh) | 2014-09-02 | 2014-09-02 | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 |
| CN201410509516.9A CN105528505A (zh) | 2014-09-02 | 2014-09-28 | 线上自动化诊断学习风格系统及方法 |
| US14/520,326 US20160063871A1 (en) | 2014-09-02 | 2014-10-21 | Online learning style automated diagnostic system, online learning style automated diagnostic method and non-transitory computer readable recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW103130285A TWI524294B (zh) | 2014-09-02 | 2014-09-02 | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI524294B true TWI524294B (zh) | 2016-03-01 |
| TW201610903A TW201610903A (zh) | 2016-03-16 |
Family
ID=55403138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW103130285A TWI524294B (zh) | 2014-09-02 | 2014-09-02 | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20160063871A1 (zh) |
| CN (1) | CN105528505A (zh) |
| TW (1) | TWI524294B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10191970B2 (en) * | 2015-08-19 | 2019-01-29 | International Business Machines Corporation | Systems and methods for customized data parsing and paraphrasing |
| CN106203635A (zh) * | 2016-06-29 | 2016-12-07 | 北京师范大学 | 一种在线学习行为投入数据采集与分析系统及方法 |
| CN113704610B (zh) * | 2021-08-27 | 2024-03-05 | 华中师范大学 | 一种基于学习成长数据的学习风格画像生成方法及系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6285993B1 (en) * | 1998-06-01 | 2001-09-04 | Raytheon Company | Method and apparatus for modeling individual learning styles |
| US6782396B2 (en) * | 2001-05-31 | 2004-08-24 | International Business Machines Corporation | Aligning learning capabilities with teaching capabilities |
| US20110256521A1 (en) * | 2004-11-17 | 2011-10-20 | The New England Center For Children, Inc. | Method and apparatus for customizing lesson plans |
| CN101465069A (zh) * | 2008-09-16 | 2009-06-24 | 鲁东大学 | 一种学习支持系统及其学习评价方法 |
| US20100075289A1 (en) * | 2008-09-19 | 2010-03-25 | International Business Machines Corporation | Method and system for automated content customization and delivery |
| CN102354462A (zh) * | 2011-10-14 | 2012-02-15 | 北京市莱科智多教育科技有限公司 | 儿童教育系统及儿童教育方法 |
| US20140024009A1 (en) * | 2012-07-11 | 2014-01-23 | Fishtree Ltd. | Systems and methods for providing a personalized educational platform |
| US20140101068A1 (en) * | 2012-10-04 | 2014-04-10 | Learnbeyond, Inc. | Facility-based learning management system |
| US20140272912A1 (en) * | 2013-03-15 | 2014-09-18 | Edison Learning Inc. | Method of online learning for middle school curriculum |
| US20160343263A9 (en) * | 2013-05-03 | 2016-11-24 | Samsung Electronics Co., Ltd. | Computing system with learning platform mechanism and method of operation thereof |
| US20140349272A1 (en) * | 2013-05-21 | 2014-11-27 | LoudCloud Systems Inc. | Method for evaluating performance of a user on an e-learning system |
| US20150056597A1 (en) * | 2013-08-22 | 2015-02-26 | LoudCloud Systems Inc. | System and method facilitating adaptive learning based on user behavioral profiles |
| US20150302763A1 (en) * | 2014-04-22 | 2015-10-22 | Gleim Conferencing, Llc | Learning Styles and Virtual Study Groups Gamification System And Method |
| US20170193620A1 (en) * | 2014-05-30 | 2017-07-06 | Hewlett-Packard Development Company, L.P | Associate a learner and learning content |
| US20160292615A1 (en) * | 2015-04-03 | 2016-10-06 | Surepeople Llc | Data driven relationship advisor apparatus and method |
-
2014
- 2014-09-02 TW TW103130285A patent/TWI524294B/zh active
- 2014-09-28 CN CN201410509516.9A patent/CN105528505A/zh active Pending
- 2014-10-21 US US14/520,326 patent/US20160063871A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20160063871A1 (en) | 2016-03-03 |
| TW201610903A (zh) | 2016-03-16 |
| CN105528505A (zh) | 2016-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niessen et al. | Detecting careless respondents in web-based questionnaires: Which method to use? | |
| Kotsiantis et al. | Using learning analytics to identify successful learners in a blended learning course | |
| CN107004371B (zh) | 对教育内容效果的量度 | |
| CN113506624B (zh) | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 | |
| CN104993962B (zh) | 获取终端使用状态的方法和系统 | |
| US11475788B2 (en) | Method and system for evaluating and monitoring compliance using emotion detection | |
| WO2016184192A1 (zh) | 数据处理方法及装置 | |
| JP7160440B2 (ja) | 教室の物理的リソースを最適化するためのコンピュータ実装方法、コンピュータ・プログラム及びシステム | |
| JP6879526B2 (ja) | データを分析する方法 | |
| Earle | Formative and summative assessment of science in English primary schools: evidence from the Primary Science Quality Mark | |
| JP2014186289A (ja) | 知的生産性分析装置、プログラム | |
| TWI524294B (zh) | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 | |
| CN115713256A (zh) | 医学培训考核评价方法、装置、电子设备及存储介质 | |
| CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
| CN108932593B (zh) | 一种认知影响因素分析方法及装置 | |
| Ntoa et al. | UXAmI observer: an automated user experience evaluation tool for ambient intelligence environments | |
| TW201913546A (zh) | 心理與行為狀態評量暨診斷方法及系統 | |
| Humphrey et al. | General visualization abstraction algorithm for directable interfaces: Component performance and learning effects | |
| Intayoad et al. | Process mining application for discovering student learning paths | |
| Scoular et al. | A generalized scoring process to measure collaborative problem solving in online environments | |
| Shulruf et al. | The objective borderline method: A probabilistic method for standard setting | |
| JP7392259B2 (ja) | 学習支援装置、学習支援方法およびプログラム | |
| CN113673811A (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
| CN112116264A (zh) | 一种活跃度评估方法及装置 | |
| CN109559065A (zh) | 技能认知诊断方法及装置 |