OpenEdu的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

OpenEdu進入發燒排行的影片

應用 GQM 及 ELK Stack 建構學習歷程分析系統

為了解決OpenEdu的問題，作者王筠傑 這樣論述：

隨著網路技術的發展，大規模開放線上課程(MOOCs)在全球逐漸盛行，越來越多人透過線上學習平台來學習新的知識，學習者每天都會在學習平台上產生大量的資訊，這些資訊大部分會被記錄在日誌資料中，然而要從學習平台龐大且雜亂的日誌資料中提取出有價值的資訊其實是相當困難的，這需要花費大量的時間還有成本在處理數據上，並且許多分析者對於如何開始進行分析毫無頭緒。因此本論文提出了一套資料分析流程，以 GQM 方法為分析過程指導結合 Banerjee 分析模型建立一系列的問題清單與度量用於評估學生的學習行為表現，並使用 ELK Stack 作為分析環境來解決日誌資料的提取問題。最後我們對 OpenEdu 線上學

習平台中的程式課程進行案例研究，幫助教育者將學習平台產生的日誌資料轉變為可分析的資訊，進而了解學生在線上課程中的學習行為，為改善學生的學習成效提出有效的決策。

以學習分析探討重修生修習程式語言線上課程的成效

為了解決OpenEdu的問題，作者蔡慶儒 這樣論述：

重修生是指因為未通過課程標準而二次學習同樣課程，而過去重修生大都是於實體課堂上跟初修生一同修課，期望他們藉由再聽一次同樣課程，而通過標準。然而重修生因為先備知識程度不一，重複學習往往降低其學習動機。在進入二十一世紀後，隨者 Web 2.0 的實現，出現了線上學習平台，使得學習的門檻降低，學生可以透過線上學習平台學習新知識。因此雖然有研究利用線上學習於重修生補救教學中，但其因為自我調整學習能力不佳，而無法達到良好的學習效果。於是本研究導入專題導向學習(project-based learning)到程式語言的線上課程中，藉此提升學生學習動機。而線上學習平台可以有系統的記錄學生在線上學習的學習行

為，提供了可分析的資料來幫助學生學習，於是也湧現出許多對學生的學習分析。可是在這麼多的分析中，過去沒有專門對特定對象-重修生進行分析，他們在學習這門課程時碰到的問題，與影響他們學習成就的因素，是本研究關注的議題。為了幫助重修生，了解他們觀看影片的行為模式，本研究特意針對重修生及一般生在學習程式語言設計的線上學習課程進行學習分析。此學習分析，主要整理學生觀看影片的事件行為，並進行統計分析和視覺化分析，最後透過序列分析，生成影片事件轉移圖。本研究發現，專題導向的線上課程，可以幫助重修生通過課程標準。而本研究更進一步發現重修生與初修生在線上學習行為，並沒有差異，不會因為重覆修習而降低學習動機。因此，

此結果隱含專題導向的程式設計線上課程，可以幫助重修生通過課程標準。