Analysing Student VLE Behaviour Intensity and Performance

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>

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).

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)

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)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—