learning behavior and needs can hel

learning behavior and needs can help us improve TESS system designs (e.g., inter-faces, features, and interactions) and enrich learning materials (e.g., more examples and cases if possible). Ultimately, students’ off-campus learning experience can be substantially impacted in a positive way.

Note that data preprocessing is critical for SEM and PCA analyses (Wang et al., 2010). Most of the logged TESS data will be in standard XML formats, with the exceptions of the survey data that are mainly in Likert scale. Data collection and trans-formation algorithms are essential for discovering and extracting the needed data. Transformed data and texts are mapped as the required formats such as Likert-scale data, integers, or binary numbers can be properly loaded into SEM and PCA models (Agrawal et al., 1993; Zeng et al., 2007; Wang et al., 2009). Essentially, data from individuals’ learning practices, different learning modules, and collaborative learning activities through the TESS must be fully collected and appropriately transformed, and then made ready for conducting learning analytics.

7.3.2.1 Learning Analytics in the TESS Engendering more interest among high school students, providing an outside-school active learning experience, and nurturing a societal culture of highly respectful STEM recognition substantially con-tribute to the teen development. As discussed earlier, we focus on the fundamen-tal understanding of how we can create and maintain active and self-paced STEM learning atmospheres in off-campus settings, resulting in positive STEM workforce development, participation, and improvement. As it takes place in the context of the family, the peer group, and the neighborhood or community with the support of the advanced cyber technologies, the learning relying on the TESS becomes essentially a contemporary and dynamic sociotechnical phenomenon.

By referring to a variety of SEM-based STEM studies such as ones conducted by Dauphinee et al. (1997), Bernold et al. (2007), and Tempelaar et al. (2007), we develop an SEM based on indicators covering areas from study help, students’ atti-tude, engagement, persistence, motivation, and other relevant latent constructs that are known to impact off-campus learning processes one way or another. From the constructed SEM illustrated in Figure 7.24, these latent variables are measured and analyzed using the following measurable variables in groups.

• Value. A list of questions is used to understand students’ attitudes regarding the usefulness, relevance, and worth of math and IT through their personal obser-vations and life experience.

• Difficulty. A list of questions is used to measure students’ attitudes toward the difficulty level of math or IT as a learning subject.

• Motivation. A list of questions is used to measure societal recognition and respect in students’ mind.

• Effort. A list of questions is used to measure the amount of work that a student expends to learn math and IT over the exploratory period.

• Study Help. A list of questions is used to measure the learning setting and avail-able learning assistance and supports: availability of online help, easiness of getting the learning subjects, appropriateness of learning materials, etc.

Kết quả (Việt) 1:

việc tìm hiểu hành vi và nhu cầu có thể giúp chúng tôi cải thiện thiết kế hệ thống TESS (ví dụ như, khuôn mặt liên, tính năng, và tương tác) và làm phong phú thêm tài liệu học tập (ví dụ: thêm ví dụ và các trường hợp nếu có thể). Cuối cùng, học sinh off-sơ học kinh nghiệm có thể được đáng kể ảnh hưởng một cách tích cực.Lưu ý rằng dữ liệu tiền xử lý là rất quan trọng cho phân tích SEM và PCA (Wang và ctv., 2010). Hầu hết các dữ liệu đăng nhập TESS sẽ ở định dạng XML chuẩn, ngoại trừ các dữ liệu khảo sát chủ yếu là ở quy mô Likert. Dữ liệu thu thập và trans-hình thành thuật toán là rất cần thiết để phát hiện và trích xuất các dữ liệu cần thiết. Chuyển dữ liệu và nội dung được ánh xạ như là định dạng yêu cầu chẳng hạn như dữ liệu Likert-quy mô, số nguyên hoặc số nhị phân có thể được đúng cách nạp vào mô hình SEM và PCA (Agrawal et al., 1993; Tăng và ctv., 2007; Wang et al., 2009). Về cơ bản, dữ liệu từ thực tiễn học tập cá nhân, mô-đun khác nhau học tập và học tập hợp tác hoạt động thông qua TESS phải được đầy đủ thu thập và chuyển đổi một cách thích hợp, và sau đó thực hiện đã sẵn sàng cho tiến hành phân tích học tập.7.3.2.1 học phân tích trong TESS Engendering quan tâm nhiều hơn trong số các học sinh trung học, cung cấp một kinh nghiệm học tập tích cực bên ngoài trường học và nuôi dưỡng một nền văn hóa xã hội công nhận gốc rất tôn trọng đáng kể con cống nạp cho sự phát triển thiếu niên. Như thảo luận trước đó, chúng tôi tập trung vào fundamen-tal sự hiểu biết về cách chúng tôi có thể tạo và duy trì hoạt động và tự phục tốc độ gốc học khí quyển trong cài đặt ra khuôn viên trường, dẫn đến phát triển lực lượng lao động gốc tích cực, sự tham gia, và cải tiến. Vì nó diễn ra trong bối cảnh của gia đình, nhóm đồng đẳng, và các khu phố hoặc cộng đồng với sự hỗ trợ của công nghệ tiên tiến cyber, học tập mà dựa vào TESS trở thành chủ yếu là một hiện tượng đương đại và năng động sociotechnical.Bằng cách tham khảo một số SEM dựa trên thân cây nghiên cứu chẳng hạn như những người thực hiện bởi Dauphinee et al. (1997), Bernold et al. (2007), và Tempelaar et al. (2007), chúng tôi phát triển một SEM dựa trên chỉ số bao gồm các lĩnh vực từ nghiên cứu trợ giúp, học sinh atti-tude, tham gia, kiên trì, động lực, và các cấu trúc tiềm ẩn có liên quan được biết là ảnh hưởng đến quá trình off-sơ học một cách này hay cách khác. Từ xây dựng SEM minh họa trong hình 7,24, các biến tiềm ẩn được đo và phân tích bằng cách sử dụng các biến sau đo được trong nhóm.• Giá trị. Một danh sách các câu hỏi được sử dụng để hiểu rõ học sinh thái độ về tính hữu dụng, mức độ phù hợp, và giá trị của toán học và nó thông qua cá nhân obser-vations và cuộc sống của họ kinh nghiệm. • Khó khăn. Một danh sách các câu hỏi được sử dụng để đánh giá học sinh thái độ đối với mức độ khó khăn của toán học hoặc nó là một chủ đề học tập. • Động lực. Một danh sách các câu hỏi được sử dụng để đo lường xã hội công nhận và tôn trọng trong tâm trí sinh viên. • Nỗ lực. Một danh sách các câu hỏi được sử dụng để đo lường số lượng công việc mà một học sinh expends để tìm hiểu toán học và nó trong khoảng thời gian thăm dò. • Nghiên cứu trợ giúp. Một danh sách các câu hỏi được sử dụng để đo lường thiết lập học tập và hỗ trợ học tập thể thành công và hỗ trợ: tính khả dụng của trợ giúp trực tuyến, cùng của việc học tập đối tượng, thích hợp của học vật liệu, vv.

Kết quả (Việt) 2:

học hành vi và nhu cầu có thể giúp chúng tôi cải thiện thiết kế hệ thống Tess (ví dụ, liên khuôn mặt, tính năng và tương tác) và làm phong phú thêm tài liệu học tập (ví dụ, thêm các ví dụ và các trường hợp nếu có thể). Cuối cùng, kinh nghiệm học tập ngoài trường học sinh có thể bị ảnh hưởng đáng kể trong một cách tích cực. Lưu ý rằng tiền xử lý dữ liệu là rất quan trọng cho SEM và phân tích PCA (Wang et al, 2010.). Hầu hết các dữ liệu Tess đăng nhập sẽ được ở định dạng XML tiêu chuẩn, với các trường hợp ngoại lệ của các số liệu điều tra mà chủ yếu là ở quy mô Likert. Thuật toán thu thập dữ liệu và trans-hình là rất cần thiết để phát hiện và giải nén dữ liệu cần thiết. Dữ liệu chuyển đổi và các văn bản được ánh xạ như các định dạng cần thiết như dữ liệu Likert quy mô, số nguyên, hoặc số nhị phân có thể được nạp đúng vào SEM và PCA mô hình (Agrawal et al, 1993;. Zeng et al 2007,;. Wang et al. , 2009). Về cơ bản, dữ liệu từ các hoạt động của cá nhân học tập, các mô-đun khác nhau học tập, và các hoạt động học tập hợp tác thông qua các Tess phải được thu thập đầy đủ và thích hợp chuyển đổi, và sau đó thực hiện đã sẵn sàng để tiến hành phân tích học tập. 7.3.2.1 Learning Analytics trong sự quan tâm nhiều hơn Tess lồng ghép giữa các cao học sinh trung học, cung cấp bên ngoài học kinh nghiệm học tập tích cực, và nuôi dưỡng một nền văn hóa xã hội công nhận STEM rất tôn trọng đáng kể con-cống nạp cho phát triển teen. Như đã thảo luận trước đó, chúng tôi tập trung vào sự hiểu biết fundamen-tal như thế nào chúng ta có thể tạo ra và duy trì bầu không khí học tập STEM hoạt động và nhịp độ tự trong cài đặt bên ngoài trường, kết quả tích cực phát triển lực lượng lao động STEM, sự tham gia, và cải tiến. Vì nó diễn ra trong bối cảnh của các gia đình, các nhóm đồng đẳng, và vùng lân cận hay cộng đồng với sự hỗ trợ của các công nghệ mạng tiên tiến, việc học tập dựa trên Tess trở thành bản chất là một hiện tượng kỹ thuật xã hội hiện đại và năng động. Đề cập tới một loạt các nghiên cứu STEM SEM dựa trên ví dụ như những người tiến hành bởi Dauphinee et al. (1997), Bernold et al. (2007), và Tempelaar et al. (2007), chúng tôi phát triển một SEM dựa trên các chỉ số bao gồm các lĩnh vực từ trợ giúp nghiên cứu, học sinh ATTI-tude, đính hôn, sự bền bỉ, động lực, và các cấu trúc tiềm ẩn có liên quan khác được biết đến với tác động học tập ngoài trường xử lý một cách này hay cách khác. Từ SEM xây dựng minh họa trong hình 7.24, các biến tiềm ẩn bị đo và phân tích bằng cách sử dụng các biến đo lường sau đây trong nhóm. • Giá trị. Một danh sách các câu hỏi được sử dụng để hiểu thái độ của sinh viên về tính hữu ích, phù hợp, và giá trị của toán học và CNTT thông qua obser-vations cá nhân của họ và kinh nghiệm cuộc sống. • Khó. Một danh sách các câu hỏi được sử dụng để đo lường thái độ của học sinh đối với các mức độ khó khăn của toán học hoặc CNTT như là một chủ đề học tập. • Động viên. Một danh sách các câu hỏi được sử dụng để đo lường sự công nhận của xã hội và tôn trọng trong tâm trí của học sinh. • Nỗ lực. Một danh sách các câu hỏi được sử dụng để đo lường số lượng công việc mà một học sinh expends để học toán và CNTT trong giai đoạn thăm dò. • Giúp học. Một danh sách các câu hỏi được sử dụng để đo lường các thiết lập học tập và hỗ trợ học tập avail-thể và hỗ trợ: sẵn sàng trợ giúp trực tuyến, yên thân nhận được các đối tượng học tập, sự phù hợp của tài liệu học tập, vv