Analysing Student VLE Behaviour Intensity and Performance
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00333394" target="_blank" >RIV/68407700:21230/19:00333394 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21730/19:00333394 RIV/00216208:11410/19:10398703
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-030-29736-7_45" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-030-29736-7_45</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-29736-7_45" target="_blank" >10.1007/978-3-030-29736-7_45</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Analysing Student VLE Behaviour Intensity and Performance
Popis výsledku v původním jazyce
Almost all higher educational institutions use Virtual Learning Environments (VLE) for the delivery of educational content to the students. Those systems collect information about student behaviour, and university can take advantage of analysing such data to model and predict student outcomes. Our work aims at discovering whether there exists a direct connection between the intensity of VLE behaviour represented as recorded student activities and their study outcomes and analyse how intense this connection is. For that purpose, we employed the clustering method to divide students into so-called VLE intensity groups and compared formed groups (clusters) with the student outcomes in the course. Our analysis has been performed using Open University Learning Analytics dataset (OULAD).
Název v anglickém jazyce
Analysing Student VLE Behaviour Intensity and Performance
Popis výsledku anglicky
Almost all higher educational institutions use Virtual Learning Environments (VLE) for the delivery of educational content to the students. Those systems collect information about student behaviour, and university can take advantage of analysing such data to model and predict student outcomes. Our work aims at discovering whether there exists a direct connection between the intensity of VLE behaviour represented as recorded student activities and their study outcomes and analyse how intense this connection is. For that purpose, we employed the clustering method to divide students into so-called VLE intensity groups and compared formed groups (clusters) with the student outcomes in the course. Our analysis has been performed using Open University Learning Analytics dataset (OULAD).
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GJ18-04150Y" target="_blank" >GJ18-04150Y: Prediktivní modelování studentova výkonu s využitím výukových zdrojů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Transforming Learning with Meaningful Technologies
ISBN
978-3-030-29735-0
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
4
Strana od-do
587-590
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Delft
Datum konání akce
16. 9. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—