學習資訊專業學院—資訊教育研究所

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/25

資訊教育研究所之碩士班成立於民國80年，博士班成立於民國86年，目前研究生共約160名。本所原屬資訊教育學系，於95學年度起因應系所組織調整，成為獨立研究所，歸屬教育學院。

本所以『資訊科技教育』和『數位學習』兩個專業領域之研究發展與人才培育為宗旨，課程設計分別針對此兩個專業領域規劃必、選修專業科目，提供學生紮實而嚴謹的學術專業知能及個別化之研究訓練。本所教育目標包括：

1、培育資訊科技教育人才；
2、培育數位學習產業人才；
3、培育資訊科技教育與數位學習研究人才。

本所目前六名專任教師，四位教授，二位副教授，在資訊教育領域均具有豐富之教學與研究經驗且均積極從事研究，每年獲科技部補助研究計畫之平均數量與金額在本校名列前茅。另外，本所教師積極參與國內重大資訊教育政策及課程綱要之制定，積極推動國內資訊教育之發展。
 

Browse

Subject: search.filters.subject.Adaptive learning

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    無障礙情境感知適性化數位學習環境研究
    (2007) 邱秋菊; Ciou-Jyu Ciou
    數位台灣計畫強調知識經濟發展，數位學習扮演培育專業人才的關鍵性角色。若數位學習平台未考慮身心障礙者對教材結構、媒體呈現、介入輔具操作的可及性需求，身心障礙者將被排拒在數位學習的推動潮流外。本研究目的在於開發具情境感知之適性化數位學習平台所需功能模組和無障礙學習環境可及性評估，以建立適合身心障礙者的理想數位學習環境。 本研究架構分為二部份，第一部份以「無礙e網」為學習環境可及性評估對象，使用無障礙網頁開發規範之機器檢測進行學習平台可及性評估；輔以改良式螢幕鍵盤為個案進行介入替代性輸入輔具的平台操作可及性評估；並同時使用機器檢測與人工檢測進行非智能障礙類的教材可及性評估。第二部份是情境式與適性化學習系統設計，在情境式方面，參考IMS之學習者資訊包裝規範，設計身心障礙者網路學習護照並能感知學習情境資訊；在適性化方面，導入SCORM教材順序導引，依據測驗結果判斷學習能力，開發提供適性化服務所需的功能模組。 學習環境可及性評估結果能做為建構理想無障礙數位學習環境參考。身心障礙者網路學習護照能節省人力、時間成本及學習經驗可攜性，但資料格式的完備性有待專家評鑑、統一標準。具情境感知之適性化學習系統的功能模組設計成效受到個案肯定且符合研究目的，系統能自動感知學習者情境資訊，並依學習者個別需求，提供自動課程分流、學習路徑選擇與學習順序導引。
  • No Thumbnail Available
    Item
    A learning style classification mechanism for e-learning
    (Elsevier, 2009-09-01) Chang, Yi-Chun; Kao, Wen-Yan; Chu, Chih-Ping; Chiu, Chiung-Hui
    With the growing demand in e-learning, numerous research works have been done to enhance teaching quality in e-learning environments. Among these studies, researchers have indicated that adaptive learning is a critical requirement for promoting the learning performance of students. Adaptive learning provides adaptive learning materials, learning strategies and/or courses according to a student’s learning style. Hence, the first step for achieving adaptive learning environments is to identify students’ learning styles. This paper proposes a learning style classification mechanism to classify and then identify students’ learning styles. The proposed mechanism improves k-nearest neighbor (k-NN) classification and combines it with genetic algorithms (GA). To demonstrate the viability of the proposed mechanism, the proposed mechanism is implemented on an open-learning management system. The learning behavioral features of 117 elementary school students are collected and then classified by the proposed mechanism. The experimental results indicate that the proposed classification mechanism can effectively classify and identify students’ learning styles.