学生在线学习的结果影响因素在COVID-19流行:贝叶斯探索性因素分析

文摘

COVID-19大流行,全球重要的公共卫生危机,世界卫生组织(WHO)宣布2020年1月爆发,使得远程教育通过电子学习系统紧急和不可替代的需求。研究影响因素评估学生的在线学习结果COVID-19大流行期间通过采访404名学生的调查通过问卷采用方便抽样法。研究利用可靠性分析通过量表的阿尔法和贝叶斯探索性因素分析(BEFA)。研究尺度的评价结果表明,28个观测变量被用来测量7研究概念。假设的测试结果显示,学生在线学习结果受到6因素的影响在降序排列,分别为学习者特征,感知有用性,课程内容,课程设计,易用性,和教师能力。

1。介绍

最近,现代计算机和网络技术的进步推动了远程教育的发展(1]。此外,COVID-19大流行,一个全球重要的公共卫生危机,世界卫生组织(WHO)宣布2020年1月爆发,使得远程教育通过电子学习系统紧急和不可替代的需求。尽管当前流感大流行是阻碍教育在世界范围内,基于互联网服务已经成为在线学习和普遍可用,促进学习系统。高校利用网络资源继续他们的教育旅程通过缩放和微软等软件应用程序团队。

因此,电子学习和学生在线学习结果的有效性成为一个关心的问题特别是大学和社会。事实上,有显著增加学生的在线学习影响因素的研究成果。根据(2),改善通信技术使容易学习系统由于使用社交媒体是一个有益的信息来源和沟通。网络技术被视为一个活跃的元素的学生和教师的学习系统。在大流行时期,一些国家利用电视广播和在线资源,促进远程教育。优先考虑远程教育主要通过在线系统是一个“改变教育模式。“挤教育轮引起某些不稳定对学习者的未来,强调科技的重要性在我们的生活中。在线学习是一个有用的工具来克服的挑战尤其是大流行性流感危机和其他困难(3]。然而,许多认为在线学习今天的教育危机。大多数学习者对网络学习不感兴趣,因有限的交互,由于对互联网的依赖不稳定的声音和视觉质量质量、技术设备不能满足需求。因此,本研究旨在探讨影响因素学生在线学习过程中结果。

之前的研究使用的因素影响学生的在线学习结果传统的探索性因子分析(脂肪酸)方法来识别代表因素。本研究将有助于现有实证文献通过整合传统的贝叶斯方法电弧炉,同时选择因子模型的维数,显示变量的分配因素,因子载荷。从理论上讲,传统电弧炉是分为四个步骤:(i)选择因子模型的维数;(2)分配清单变量因素;(3)估计因子载荷;和(iv)丢弃测量负载多种因素。这里有几种方法来选择尺寸的潜在因子提取和旋转因子4- - - - - -6]。然而,分析师在每个阶段的每个维度选择传统的电弧炉上有实质性的后果估计因子结构(7]。为了克服这个问题,孔蒂et al。7建议不选择因素的数量在第一步但选择因素与其他参数的贝叶斯方法。此外,通过这种方法,配置清单变量因素将基地模型概率最高的。这些基本思想促使我们进行这项研究。

研究结构如下:中提供了一个文献综述部分2,其次是研究方法论部分3,实证结果的描述部分4。最后,结论和政策含义5。

2。文献综述

在线学习影响因素的理论结果学生特别是和使用技术的有效性,一般来说,来源于技术接受模型(TAM)提出了8]。戴维斯提出TAM解释人们的态度和行为在采用技术在其他外部变量的存在。这种模式通常应用于研究技术使用行为来理解信息系统接受或拒绝的理由。信息技术在教学中起着重要的作用,因为它可以鼓励创新,提供新的学习空间,变换教学活动(9,10),所有与缓解的相关操作。易于操作,方便用户体验,精通信息技术直接影响到用户的感知和学习的动机11]。研究已经证明,因素TAM感知易用性和感知有用性等积极影响学生的学习成果。

2.1。感知易用性

在线学习平台设计为目的的知识共享和学习。今天,我们生活在一个全球化的世界,用技术来获取知识,获取信息,学习已经成为日常需要(12]。这些来源是易于使用和访问,促进知识共享的过程。许多研究表明,易用性,可访问性和传输速度的网络媒体和移动设备是一项重要的学习过程的一部分。增加在线学习适应性是由于宽松的访问,从而导致积极的结果(13,14]。基于这些原理,下面的假设是为本研究设计的。

H₁:感知易用性有积极影响学生在线学习的结果。

2.2。感知有用性

感知有用性的程度学习者认为使用在线学习将帮助改善他们的表现8]。在线学习的有用性证明了帮助学习者节省旅行时间和旅行费用和访问各种各样的方法15]。许多研究表明,感知有用性积极影响学习者的态度和动机,从而提高学习成果(2,13]。基于这些原理,下面的假设是为本研究设计的。

H₂:感知有用性有积极影响学生在线学习的结果。

2.3。教师的能力

在线学习过程的方法是教学而不是以教师为中心的传统教育(16]。教学方法、专业能力、科技应用水平,形式和结合不同的想法的能力,在高等教育发展中在线课程和实践内容帮助学生取得更好的学习成果(17- - - - - -20.]。基于这些原理,下面的假设是为本研究设计的。

H₃:教师对学生的在线学习能力有积极影响的结果。

2.4。课程内容

参与课程内容吸引了很多学生的参与度和积极性,从而影响学习成果(21,22]。学习内容包括章节的结构和内容的学习材料。此外,电子学习的内容还包括额外的材料,帮助学生理解更清楚和深入的知识23]。这个因素有利于提高学生的分析能力和批判性思维和解决问题的能力24]。基于这些原理,下面的假设是为本研究设计的。

H₄:课程内容对学生有积极影响在线学习的结果。

2.5。课程设计

电子学习课程设计包括结构、课程设计界面,测试和评价方法,教师和学习者之间的交流论坛。一个好的课程设计会吸引和促进学生学习通过在线课程25]。课程设计接口是用来介绍课程内容,根据学生的设计能力和水平的理解,和适当的时间和空间来促进和支持自学过程(26- - - - - -28]。基于这些原理,下面的假设是为本研究设计的。

H₅:课程设计学生在线学习具有积极影响的结果。

2.6。学习者特征

社会互动与教师和学习伙伴必须达到更好的在线学习质量。通过强相互作用和一致的实践中,可以实现在线学习的有效性(29日- - - - - -31日]。此外,积极性,自学能力、合规取得更好的学习成果,因为重要的要求是规定和要求的在线学习更舒适。这个过程比传统方法更难以控制。基于这些原理,下面的假设是为本研究设计的。

H₆:学习者特征影响学生在线学习的结果。

3所示。研究方法

3.1。研究模型

理论框架研究假说,提出图表示1基于上述文献的推导。

3.2。研究过程

本研究在两个阶段进行的,如图2。

3.2.1之上。第一阶段

初步研究是通过初步定性研究和定量研究方法。具体来说,定性研究是用来发现、调整和补充观测变量在每个模型的规模。定性研究是通过小组讨论技术研究领域的专家和管理人员。量表由定性研究将测试通过初步的定量研究。初步定量研究是进行小样本(70名学生)来测试量表的可靠性与克伦巴赫α系数和探索性因素分析对每个规模。初步定量研究的目的是测试和调整尺度,以适应实际的研究数据。初步研究已经形成了规模的因素的研究模型,如表所示1。

五点李克特量表是在这项研究中用于所有观察到的每个因素的变量。5分李克特量表,用于提升数量级。具体地说,1表示“强烈反对”,2表示“不同意”,3表示“正常”,4表示“同意”,5表示“强烈同意。”

3.2.2。第二阶段

官方也使用定量研究方法进行研究。官方的研究是进行测试量表的可靠性使用克伦巴赫α系数,探索性因素分析的贝叶斯方法,多元回归分析(OLS)。官方的研究的目的是为了测试模型和研究假设。官方的数据定量研究是通过直接和间接的采访收集学生在大学后由官方问卷量表的初步研究。

测试量表的可靠性与克伦巴赫α系数。根据(32),这包括那些观测变量与修正项总相关大于0.3和量表的阿尔法大于0.6,确保规模的可靠性。

贝叶斯探索性因素分析(BEFA)。规范后的模型被称为贝叶斯分析。基于观测数据和一些信息之前,贝叶斯分析产生的所有参数的后验分布。结果,后验分布有两个部分:一个可能性,其中包含的信息模型参数根据观测数据,和一个先验分布,包括信息模型参数之前的数据。使用贝叶斯法则结合似然函数和先验分布来创建后地理分布:

postdistribution估计,模拟了。马尔可夫链蒙特卡罗(密度)可能被用来模拟潜在的复杂后模型与任意的精度。然而,规范有效的采样算法和验证获得收敛的后验分布通常是困难的。

此外,所有模型参数的先验分布的贝叶斯模型必须被指定。在贝叶斯模型中,先验分布或先验被认为是关键部件,所以他们必须认真选择。

分析模型的基本因素是写成 在哪里 是一个向量组成的吗米变量,对个人我,我=1、2、…N。剩余的条款(“独特性”)表示 。模型的潜在的共同因素是用 。 因子载荷,表明观测变量之间的关系X和潜在的共同因素F。

下(7),执行观测变量的分配到每一个因素,我们也使用一个矩阵大小相同的二进制指数∆因子载荷矩阵 。每一行的∆表明潜在的因素变量对应于负载。例如,如果米th变量结合k系数,那么米th行是指标向量e_k:

当一个变量不负载任何因素,相应的排∆只包含0。我们假设变量不得负载超过一个因素。这意味着。 。

根据(7),执行BEFA,有必要确定先验分布( ,一个变量加载因素的概率k,(特殊的差异),(因子载荷),(因素)的相关矩阵。在这项研究中,我们使用这些参数的先验分布,建议在7]。

数量的潜在因素K决定根据Ledermann边界(33]。然而,在获得,随机搜索因子载荷矩阵可以产生0列,从而减少潜在因素的数量。密度的迭代的数量是27500。老化时期获得的采样器是2500。因此,获得的数量模型迭代保存后推理(老化)是25000。

多元回归分析(OLS)。我们使用多元回归分析基于最小二乘法(OLS)评价学生的在线学习的结果和测试影响因素的假设。具体模型如下: 在哪里表示学生的在线学习成果,为个人我,我=1、2、…N。 表示BEFA的因素的结果。在这里,通过观察到的变量的平均值计算 。 表示错误条件。表示模型中的系数矩阵。

3.3。采样和数据收集

选择的样本是随机的方法。根据(34),需要考虑样本容量与参数估计的数量相关,如果使用最大似然(ML)方法,样本大小必须至少100到150。此外,研究[35]表明,样本设计所需的比例是最少5观察/参数估计(5:1比例)。本研究共有28个参数估计,所以最小样本量必须达到140的观察。根据(36),在实际研究应用,150或更大的样本容量通常需要获得足够小标准误差参数估计。因此,样本容量大于150是可以接受的。

此外,研究[37)发展方程产生一个代表性样本的人口众多。由于学生在胡志明市人口是一个庞大的人口,我们使用方程(开发的37)如下:

样本大小n,是一个正常的曲线横坐标降低了吗α尾(1 -α相当于所需的95%置信水平),e是一个级别的精度要求,p是估计一个属性出现在人口的比例。在数据表中包含正常曲线下的面积,的价值Z是发现。在这项研究中,我们选择了95%的置信度,因此Z值= 1.96。估计比例被选为0.5。选择所需的精度水平e= 5%。因此,本研究的最小样本量

事实上,我们调查了430名学生的大学在胡志明市通过QR-coded面对面的访谈问卷和间接访谈问卷通过邮件发送。我们的调查从2021年2月到2021年6月。在这个时期,我们从这些学生回了415份问卷。因此,反应率为96.51%。之后,我们将11个问卷由于缺乏响应信息。最后,我们使用官方研究404份问卷。样品的细节如表所示2。

人口统计数据显示,47%的受访者是男性。总额的20.5%受访者一年级学生中,27%的受访者总二年级学生,总额的26.7%受访者三年级学生,和25.7%的受访者是四年级的学生。

4所示。实证结果

4.1。相关矩阵

首先,我们看看观测变量之间的相关性来确定因子分析是合适的。

从图3,我们可以看到,大多数项目有一些彼此相关。这将是一个好的候选因子分析由于项目之间的相关性相对较高。我们应该记住的目标因子分析模型的相互依存项使用更少的(潜在的)变量。这些相互关系可以分为几个组件。

4.2。可靠性测试

克伦巴赫的Alpha测试量表的可靠性计算。克伦巴赫α措施的一致性观察变量相同的规模。尺度与克伦巴赫α大于0.6是令人满意的。此外,观察到的变量也有一个变量相关系数大于0.3。量表的可靠性测试结果如表所示3。

结果表明,所有尺度及其观测变量实现了可靠性值,并进一步分析了探索性因素。

4.3。贝叶斯探索性因素分析(BEFA)

在这项研究中,获得的迭代的数量是27500。老化时期获得的采样器是2500。因此,获得的数量模型迭代保存后推理(老化)是25000。

首先,BEFA方法观察到的结果变量代表的易用性、感知有用性、教师能力、课程内容、课程设计、学习者特征和解释在图所示4和表4。

在这项研究中,使用的密度大小是25000。贸易情节在图4中显示的后意味着许多因素是6。此外,也表明,后验分布概率BEFA可以提取6因素是100%。

观测变量的分配每个因素如表所示4。结果表明,后意味着每个观测变量的因子载荷系数值大于0.5。图5显示了一个可视化观测变量的分配到每一个因素。

因此,BEFA提取6因素和观察到的变量在每个因素的因子载荷系数大于0.5。具体的因素如下:(我)第一个因素包括观察变量EOU1、EOU2 EOU3, EOU4代表易用性。EOU名字这个因素,并计算组件的意思是观察到的变量。(2)第二个因素包括观察变量PU1、PU2 PU3, PU4代表感知有用性。名字这个因素作为聚氨酯,并计算组件的意思是观察到的变量。(3)第三个因素包括FC1观测变量,FC2、一个FC3,文件和FC4代表教师能力。FC名字这个因素,并计算组件的意思是观察到的变量。(iv)第四个因素包括观察变量CC1、CC2 CC3, CC4代表课程内容。名字这个因素作为CC,并计算组件的意思是观察到的变量。(v)第五个因素包括观察变量两张cd,, CD3, CD4代表课程设计。名字这个因素作为CD,并计算组件的意思是观察到的变量。(vi)六因素包括观察变量LC1、LC2 LC3, LC4代表学习者特征。名字这个因素作为信用证,并计算组件的意思是观察到的变量。

其次,我们使用的传统生态足迹方法观察变量代表学生的在线学习的结果。使用这种方法,因为这些观察到的变量只测量一个因素,学生在线学习的结果。结果在图解释6和表5。

图的小石子的阴谋6表明,许多因素是1,一个特征值为2.710,大于1。此外,表5表明KMO 0.802大于0.5系数小于1,表明脂肪酸方法是符合实际的数据。巴特利特的测试表明,与观察到的变量因素。这个因素包括观察变量SP1, SP2, SP3, SP4代表学生的在线学习的结果。SP名字这个因素,并计算组件的意思是观察到的变量。

4.4。多元回归分析(OLS)

我们使用多元回归分析基于最小二乘法(OLS)评价学生的在线学习的结果和测试影响因素的假设。结果如表所示6。

表6表明该模型没有多重共线性,因为相应的VIF模型中自变量的值小于5 (38]。此外,Durbin-Watsond的值为2.020,接近2,所以没有自相关模型。最后,Breusch-Pagan / Cook-Weisberg测试的 - - - - - -值为0.1709,大于5%的显著性水平,所以该模型不存在异方差性。

表6还显示变量的回归系数EOU, PU、FC、CC、CD,和信用证都有值大于5%的显著性水平。因此,变量EOU、PU、FC、CC, CD,和信用证都有影响因变量SP。换句话说,易用性、感知有用性、教师能力、课程内容、课程设计、学生在线学习和学习者特征影响的结果。此外,这些变量的回归系数都是积极的。这些结果表明,假设H1, H2, H3, H4, H5,一直是正确的。

最后,标准化系数表6表明,这些因素对学生的影响的顺序从强到弱在线学习的结果如下:学习者特征,感知有用性,课程内容,课程设计,易用性,和教师能力。每个因素的影响对学生在线学习结果如图7。

5。结论和政策含义

官方的研究也与404名受访者进行了使用定量研究方法是学生在胡志明市使用便利抽样方法与详细的问卷调查。研究利用可靠性分析通过量表的阿尔法和BEFA方法。我们的实证结果证明学生的在线学习过程中结果受到6因素的影响在降序排列,分别为学习者特征,感知有用性,课程内容,课程设计,易用性,和教师能力(见表7)。这个结果也类似于研究[2,13,14,28,31日]。

这项研究帮助教育工作者、教师和学生了解影响因素的重要性,学生在线学习过程中结果,从而形成政策,关注组织、设计、特别是进行在线课程和高等教育。首先,对于学生的在线学习要想成功,必须持有大学培训课程来提高学生的主动性,鼓励学生积极地与老师和同学交流,和提高学生的自学能力。除此之外,通过训练,学校需要帮助学生实现在线学习的有用性,特别是在COVID-19流行的背景下。在线学习系统应该建立一个友好的和易于使用的界面和多样化的学习计划通过在线学习系统,提高系统的可访问性,应该允许学生积极注册,应该灵活使用的时间。

尽管这项研究完成最初的目标,它有一些局限性。首先,因为这项新研究是在小范围内进行的,普遍性可能有限。第二,相关的研究主要集中于因素在线学习系统,但它不评估系统之外的因素,如学校的激励政策,通信质量、学生支持,和家庭环境。这些限制应该在将来的研究中得到解决。

数据可用性

主数据用于支持这项研究的结果已经存入Github库(https://github.com/anhle32/A-BAYESIAN-EXPLORATORY-FACTOR-ANALYSIS.git)。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

黄平君安勒博士设想的想法写简介,文献综述,研究方法部分。这河静Thuong Pham MSc。写实证结果与结论和政策含义。Doan Trang博士做写研究方法。

引用

1. l·李”心理影响因素分析在线学习的质量,”先进材料的研究卷,926 - 930,4461 - 4464年,2014页。视图:出版商的网站|谷歌学术搜索
2. m .有s a·萨卢姆m . Alghizzawi和m . s . Alshibly,“现代媒体技术的作用在约旦大学,提高学生的协作学习”国际信息技术与语言研究杂志》上,卷2,不。3、2019年,https://journals.sfu.ca/ijitls/index.php/ijitls/article/view/51。视图:谷歌学术搜索
3. o . Almuhaisen、m .有和m . Alghizzaw“实证调查的使用信息,通信技术英语语言习得:一个案例研究的乔丹,”国际创新工程研究和技术杂志》上,7卷,不。5,261 - 269年,2020页。视图:谷歌学术搜索
4. a·科斯特洛和j·奥斯本“最佳实践在探索性因素分析:四个建议从你的分析,获得最“削减2005年,卷。10日,https://doi.org/10.7275/jyj1 - 4868。视图:谷歌学术搜索
5. r . l . Gorsuch“因素分析”手册的心理学:心理学研究方法,卷2,页143 - 164,约翰·威利& Sons霍博肯,新泽西,美国,2003。视图:出版商的网站|谷歌学术搜索
6. r . i Jennrich“3旋转,算法:从开始到结束,”手册的潜变量和相关模型,S.-Y。李,艾德。,页45 - 63,北荷兰,阿姆斯特丹,荷兰,2007年。视图:出版商的网站|谷歌学术搜索
7. g .孔蒂s Fruhwirth-Schnatter j·j·赫克曼和r . Piatek“贝叶斯探索性因素分析,计量经济学杂志,卷183,不。1,31-57,2014页。视图:出版商的网站|谷歌学术搜索
8. f·d·戴维斯,“感知有用性、感知易用性和用户验收的信息技术,“MIS的季度,13卷,不。3、319 - 340年,1989页。视图:出版商的网站|谷歌学术搜索
9. f·a·a . Eksail和e . Afari”影响因素实习教师的意图使用技术:结构方程建模的方法,”教育与信息技术,25卷,不。4、2681 - 2697年,2020页。视图:出版商的网站|谷歌学术搜索
10. Y.-W。廖,Y.-M。黄,工程学系。黄,H.-C。陈,C.-W。魏”,探索学习者在社会网络学习平台的转换意图:push-pull-mooring模型的角度来看,“欧亚大陆《数学、科学和技术教育,15卷,不。9篇文章ID em1747 2019,https://doi.org/10.29333/ejmste/108483。视图:谷歌学术搜索
11. j·g .圈和i Govender”,学生的认知和准备对移动学习在高校教育:尼日利亚的角度来看,“南非教育杂志》上,37卷,不。1、1 - 12,2017页。视图:出版商的网站|谷歌学术搜索
12. n . Bakhuisen“知识分享在工作场所使用社交媒体,”2012年,https://www.semanticscholar.org/paper/Knowledge-Sharing-using-Social-Media-in-the-Bakhuisen/448bd43d5db562592313d0d5735dc8a70066bba4。视图:谷歌学术搜索
13. s . a . Khadija Alhumaid a Waheed, e . Zahid和m .有“COVID-19 &电子学习:教师观念与态度对学习发展中国家接受,“多元文化教育》第六卷,没有。2,p。100、2020、https://doi.org/10.5281/zenodo.4060121。视图:谷歌学术搜索
14. s . A .萨卢姆m . Al-Emran m .有m . Alghizzawi m . .甘尼,k . Shaalan”理解社交媒体实践的影响在电子学习系统接受,”《国际会议在2019年先进智能系统和信息a . e . Hassanien k . Shaalan, m . f . Tolba Eds。,pp。360–369, Springer International Publishing, NY, USA, 2020.视图:出版商的网站|谷歌学术搜索
15. 即Erkan和c·埃文斯eWOM在社会媒体的影响消费者的购买意图:一个扩展方法采用的信息,“电脑在人类行为卷。61年,47-55,2016页。视图:出版商的网站|谷歌学术搜索
16. m . Debattista”教学设计的综合范畴学习”,国际信息和学习技术杂志》上,35卷,不。2、93 - 104年,2018页。视图:出版商的网站|谷歌学术搜索
17. z Alrefaie、m . Hassanien和a . Al-Hayani”监测COVID-19大流行期间在线学习;建议在线学习投资组合(COVID-19 OLP),“MedEdPublish,9卷,2020年。视图:出版商的网站|谷歌学术搜索
18. m . Kebritchi a Lipschuetz, l . Santiague”教学问题和挑战成功的在线课程在高等教育:一个文献综述,”《教育技术系统,46卷,不。1,4-29,2017页。视图:出版商的网站|谷歌学术搜索
19. d·h·a·m·马利克·阿比德,r . Kalaicelvi z .巴蒂,“计算机科学和在教学的挑战在沙特阿拉伯,“苏库尔IBA计算和数学科学杂志》上,卷2,不。1,29-35,2018页。视图:出版商的网站|谷歌学术搜索
20. m·h·塔哈·m·e·阿布达拉m . Wadi和h . Khalafalla”课程在医学教育在紧急情况下交付:指导基于反应COVID-19大流行,”MedEdPublish,9卷,2020年。视图:出版商的网站|谷歌学术搜索
21. p . Ashwin和d . McVitty”,学生参与的意义:对政策和实践,”之间的欧洲高等教育区:关键的反思和未来的政策答:Curaj l·马泰,r . Pricopie j . Salmi和p·斯科特,Eds。,pp。343- - - - - -359,Springer International Publishing, Berlin, Germany, 2015.视图:出版商的网站|谷歌学术搜索
22. 小和l . Knihova“现代趋势学习架构,”工业和商业培训,46卷,不。1、品种马非常,2014页。视图:出版商的网站|谷歌学术搜索
23. a . Khamparia和b . Pandey,“互动多媒体电子学习技术的影响,”加强学术研究与知识管理的原则IGI全球,宾夕法尼亚州,美国2017 CA。视图:出版商的网站|谷歌学术搜索
24. h .İ。阿克于兹,美国Samsa混合学习环境的影响对学生的批判性思维技能,”Procedia——社会和行为科学,1卷,不。1,第1748 - 1744页,2009。视图:出版商的网站|谷歌学术搜索
25. e . g .哦,y . Chang和s . w .公园,“网络公开课的设计审查:在线学习设计原则的应用,”计算在高等教育杂志》上,32卷,不。3、455 - 475年,2020页。视图:出版商的网站|谷歌学术搜索
26. n . Ahmad n表示“四”,m·库雷希和m·阿拉姆”关系建模的关键成功因素增强可持续性和性能在电子学习,”可持续性,10卷,不。12,4776页,2018年。视图:出版商的网站|谷歌学术搜索
27. f . y . Ong和j . Manimekalai”在教育机构学习实施的关键成功因素,”教育跨学科研究杂志》上,5卷,不。1,17-24,2015页。视图:谷歌学术搜索
28. 美国卡特举,r . a . Villar-Navascues s Gil-Guirado m . Hernandez-Hernandez a . m . Rico-Amoros和j . Olcina-Cantos”可能MOOC-takers行为讨论success-dropout率的意思吗?球员,审计人员和观众在地理分析过程对自然风险,”可持续性,12卷,不。12,4878页,2020年。视图:出版商的网站|谷歌学术搜索
29. 崔荣格,s . c . Lim, j . Leem”对学习成就的影响不同类型的交互,满意度和参与网络教学,“国际创新教育教学,39卷,不。2、153 - 162年,2002页。视图:出版商的网站|谷歌学术搜索
30. s . s . Noesgaard和r .Ørngreen电子学习的有效性:一个探索性和综合评估的定义、方法和促进学习效果的因素,”电子杂志在线学习,13卷,不。4、278 - 290年,2015页。视图:谷歌学术搜索
31. t . k . Shih w·k·t·m·Gunarathne a . Ochirbat和小时。苏,”分组同行使用遗传算法基于互补程度和社会关系,“ACM网上交易技术,19卷,不。2018年1,p。29日,https://doi.org/10.1145/3193180。视图:谷歌学术搜索
32. j·c·i·h·伯恩斯坦Nunnally和心理理论美国麦格劳-希尔,纽约,1994年。
33. w . Ledermann”,减少了相关矩阵的秩在复因子分析中,“心理测量学,卷2,不。2、85 - 93年,1937页。视图:出版商的网站|谷歌学术搜索
34. j·f·j .头发,w .黑色,b . Babin r·安德森和r·l·塔“多元数据分析,技术计量学2006年,卷。31日。视图:谷歌学术搜索
35. k·a·博伦结构方程与潜变量新泽西州霍博肯市约翰·威利& Sons,美国,1989年。
36. j·c·安德森和d . w .现场”,抽样误差对收敛的影响,不恰当的解决方案,对最大似然验证性因素分析和拟合优度指数,”心理测量学卷,49号2、155 - 173年,1984页。视图:出版商的网站|谷歌学术搜索
37. w·g·科克伦抽样技术新泽西州霍博肯市约翰·威利& Sons,美国,第二版,1963年版。
38. d . g . Kleinbaum l . l . Kupper和k·e·穆勒,应用回归分析和其他多变量的方法PWS-Kent PWS-Kent,波士顿,MA,美国,1988年。

版权

版权©2021 Thi见到Thuong Pham等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。