scholarly journals The Effect of Procrastination on Multi-Drafting in a Web-Based Learning Content Management Environment

10.28945/1320 ◽  
2010 ◽  
Vol 6 ◽  
pp. 345-354 ◽  
Author(s):  
Miriam Sarid ◽  
Yehuda Peled
Author(s):  
Sérgio André Ferreira ◽  
António Andrade

A utilização de plataformas tecnológicas com base de funcionamento online, com destaque para os Learning Content Management System(LCMS), tem ganho uma importância crescente nas Instituições de Ensino Superior (IES). Da atividade dos alunos e professores nestas plataformas resulta um imenso trilho de cliques, que se traduz no registo de um enorme volume de dados – Big Data – no sistema. A ideia do Learning Analytics (LA) é simples e tem associado um potencial transformativo muito elevado: o aproveitamento destes dados permite um processo de tomada de decisão mais informada, abrindo as portas a um novo modelo na gestão das IES nos campos pedagógico e da eficiência organizacional. Contudo, a abordagem à temática dos LA ainda está na infância e a operacionalização eficaz exige respostas a grandes desafios no domínio tecnológico, educacional e das políticas. O trabalho aqui apresentado insere-se neste contexto. Na Universidade Católica Portuguesa -Porto está em curso o desenvolvimento de um sistema LA alimentado com dados do LCMS institucional - Blackboard – que tem como objetivo posicionar cada unidade curricular (UC) e faculdade numa matriz de cinco níveis de integração do LCMS no processo formativo. A matriz foi construída com base em modelos internacionais e considerou-se as funcionalidades oferecidas pelo LCMS. Para dar resposta aos requisitos desta matriz, desenhou-se todo o backoffice do sistema de extração e análise de dados no LCMS. Adicionalmente, foi construída e validada uma escala que contempla as mesmas dimensões, para aferição da opinião dos estudantes sobre a integração e a importância do LCMS no seu processo de ensino e aprendizagem. Depois de concluída a construção deste LA é objetivo articular esta informação comos resultados académicos dos estudantes (Sistema de Gestão Académica) e avaliação dos docentes/ disciplinas (SIGIQ) - dando-se passos na construção de um Academic Analytics.


2008 ◽  
pp. 107-134 ◽  
Author(s):  
Emma O’Brien ◽  
Timothy Hall ◽  
Kevin Johnson

This chapter looks at the potential to exploit existing technology enhanced learning (TEL) authoring tools to provide customised learning solutions that address both businesses’ needs and employees learning requirements. It examines the feasibility of integrating training needs analysis into existing authoring tools to automate customisation. The chapter outlines a framework for such using best practices in the technology enhanced learning field such as sound instructional design theories, standard compliant metadata sets, and LO granularity while exploiting well established TEL authoring models. The chapter also highlights how this framework was implemented in practice in the form of an electronic tool that ties closely with existing learning content management systems.


Author(s):  
Maitri Maulik Jhaveri ◽  
Jyoti Pareek

Online learning repositories are the heart of learning content management systems. This article proposes a model that utilizes the educational content of learning repositories, to create and display multiple learning paths to the students. When a student specifies a topic to study, the model creates the learning paths in form of a tree, with student specified learning concepts as the root node and its co-existing concepts as the child nodes. The model also proposes to automatically extract three co-existing concepts: prerequisites, subsequent topics and features. Use of pattern-based mining and a rule-based classification approach is proposed for the extraction of co-existing concepts. Automatically extracted results are checked for meaningfulness and usefulness against expert generated results. Evaluation of the authors' model on various learning materials shows the appropriate generation of learning paths depicting the co-exiting concepts. The average F1 score obtained for automatic prerequisite extraction is 78%, automatic subsequent topic extraction is 83% and automatic feature extraction is 88%.


Sign in / Sign up

Export Citation Format

Share Document