dc.contributor.author |
Drlik, Martin
|
cze |
dc.contributor.author |
Munk, Michal
|
cze |
dc.date.accessioned |
2020-03-19T12:35:49Z |
|
dc.date.available |
2020-03-19T12:35:49Z |
|
dc.date.issued |
2019 |
eng |
dc.identifier.issn |
2169-3536 |
eng |
dc.identifier.uri |
https://hdl.handle.net/10195/74779 |
|
dc.description.abstract |
The learning analytics communities, as well as most learning analytics research, have not frequently focused on time-based trends in the same virtual learning environment over different years of deployment, or on temporal trends in the selection of different activity types over a typical day. This paper contributes to this debate and provides a novel approach to learning analytics using a multinomial logit model for modeling the probabilities of students’ choice of learning activities during the hours of the day over several academic years. An abstraction called activity is introduced, which categorizes individual student’s log accesses to the virtual learning environment into more semantically meaningful categories. Consequently, the activity represents a sequence of semantically meaningful Web accesses related to a particular activity or task that a student of the virtual learning environment performs. This paper includes a comprehensive explanation of the model and an evaluation of the model. This paper introduces a case study, which shows that the multinomial logit model can give useful insight into the course schedule, as it shows what the peak times are for different types of activities. This paper also discusses the possible implications of the results in the context of virtual learning environment management and content improvement at the institutional level. |
eng |
dc.format |
p. 3106-3121 |
eng |
dc.language.iso |
eng |
eng |
dc.publisher |
IEEE |
|
dc.relation.ispartof |
IEEE ACCESS, volume 7, issue: January 11 |
eng |
dc.rights |
open access |
eng |
dc.rights.uri |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
|
dc.subject |
Computational and artificial intelligence |
eng |
dc.subject |
learning management systems |
eng |
dc.subject |
predictive models |
eng |
dc.subject |
Web mining |
eng |
dc.title |
Understanding Time-Based Trends in Stakeholders’ Choice of Learning Activity Type Using Predictive Models |
eng |
dc.title.alternative |
Porozumění časovým trendům ve výběru typu učící aktivity stakeholderů pomocí prediktivních modelů |
cze |
dc.type |
article |
eng |
dc.description.abstract-translated |
Komunita učící analytiky, stejně jako většina výzkumu, se často neorientují na časové trendy ve stejném prostředí virtuálního učení během různých let nebo na časové trendy při výběru různých typů činností během typického dne. Tento příspěvek přispívá k této debatě a poskytuje nový přístup k analýze učení s využitím multinomického logitového modelu pro modelování pravděpodobnosti výběru denních studijních činností během několika akademických let. Představuje se abstrakce nazvaná aktivita, která kategorizuje individuální přístupy studentů do virtuálního učebního prostředí do sémantických kategorií. Tato aktivita tedy představuje posloupnost sémanticky významných webových přístupů souvisejících s určitou činností nebo úkolem, které student virtuálního učebního prostředí vykonává. Tento článek obsahuje komplexní vysvětlení a hodnocení modelu. Tento příspěvek představuje případovou studii, která ukazuje, že multinomický logitový model může poskytnout užitečný pohled na plánování rozvrhu aktivit dle časů pro různé typy činností. Tento článek také diskutuje o možných dopadech výsledků v souvislosti s řízením virtuálního učebního prostředí a zlepšením obsahu na institucionální úrovni. |
cze |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.identifier.doi |
10.1109/ACCESS.2018.2887057 |
eng |
dc.relation.publisherversion |
https://ieeexplore.ieee.org/abstract/document/8579131 |
eng |
dc.project.ID |
GA16-19590S/Analýza témat a sentimentu vícenásobných textových zdrojů pro finanční rozhodování |
eng |
dc.identifier.wos |
000456343800001 |
|
dc.identifier.scopus |
2-s2.0-85058872722 |
|
dc.identifier.obd |
39882301 |
eng |