• 學位論文

應用討論式學習於程式設計學習─一個初步的實驗與探討

很多人認為將傳統教學的實體教材轉變成可用電腦觀看與傾聽的文字、圖片、影音等多媒體，在網際網路上傳播，運用科技造就學習的便利性，就是所謂的學習科技，尤其強調線上學習與遠距教學。但我們認為學習科技的重點在於研究與發展幫助人們學習的科技，經由使用這種幫助，學習者的學習成效就能有明顯地提升。任何科技的研發，只要符合這個條件，就是學習科技。 我們可以歸納出獲得解決新問題的方法是從對問題形成瞭解、應用已有的知識來解決問題、與不同的意見相互交流、反省自己的認知、修正對問題的瞭解，再繼續應用重新獲得的知識來解決問題，如此不斷的循環直到解決問題。 我們所要探討的是如何適當的使用電腦技術與網路技術，在課堂上幫助學生作即時的、有控制的集體討論，討論的方式將是(1)具強迫性，(2)可個別assign題目，(3)學習者之間彼此匿名、彼此評估，(4)學習者可觀看彼此的答案，(5)老師與助教可察看學習者的作答記錄、作歷程評量。 為幫助學習者學習程式設計，我們發展了一套討論式程式設計學習系統（Discussion on Programming Learning, DPL），這套系統是給予學習者相同的題目，根據程式題目對學習者提出問題，要求所有學習者參與問題的討論，並對其他學習者的回答作批評與回應，使學習者能真正瞭解程式是如何運作的，在每天課程的最後，學習者還要進行程式作業的寫作。 本實驗以中原大學九十三學年度大學二年級的學生為實驗對象，總計人數有111人，實驗組11人，大對照組96人，小對照組4人。實驗組接受DPL的訓練，大對照組與小對照組則無接受DPL的訓練。 實驗過後的結果與分析如下： 1. 實驗組經過討論式學習的訓練過後，後測成績(相較於前測成績)有顯著的進步。 2. 小對照組後測成績(相較於前測成績)沒有顯著的進步。 3. 大對照組後測成績(相較於前測成績)沒有顯著的進步。實驗組的平均後測成績仍不及大對照組，而且經ANOVA信心度95%的檢定，二者有顯著差異。 4. 實驗組的平均成績勝過小對照組，但經ANOVA信心度95%的檢定，實驗組的後測成績與小對照組的後測成績並沒有顯著差異。 5. 由1.與2.來看，本實驗有成功的可能，但因樣本數不足無法做明確的結論。 6. 實驗組平均後測成績仍不及大對照組，其原因之一應該是實驗組的平均專心度(0.644)未達認真程度應有之參考標準(0.82)，事實上實驗組認真程度最高者也只有0.75。

• 學位論文

程式碼基模生成訓練對學習程式設計的影響

本研究為延續2004年“程式碼基模生成實驗”，目的在於確認“表現判定法”確實可以準確的給學習者適合的基模數，以及評估學習者使用CSD(Code-Schema Development)系統時，信心的變化狀況。 研究方法為：我們將所有的學習者分為實驗組與對照組，實驗組使用CSD系統，以上機的方式，對中原大學資工系一年級40名學生，進行程式碼基模生成訓練。訓練內容包括：迴圈、陣列、串列的程式訓練，而對照組為沒使用系統的46名學生。 主要結果如下： 1. “表現判定法”在第5週時，達到穩定狀況，表示這個方法，可以準確的給學習者適合的基模數。 2. 學習者使用CSD系統，有45%的人信心增加。 3. 學習者使用CSD系統，有45% 的人興趣增加。 本研究結果顯示：使用CSD系統，對於學習者學習寫程式的信心與興趣，有明顯的幫助。

• 學位論文

考慮電壓降之零時序差異時脈樹研究

時脈樹一直為影響電路效能和功率消耗的主要因素，現今電路的設計有趨向於低功率的需求，因此隨著供應電壓及元件尺寸的減小，電壓降(Voltage Drop)的影響也變的愈來愈重要。一個循序電路的速度，依據電路的critical path delay。但一個循序電路的功能是否正常，時脈樹的時脈訊號是否同時到達每個暫存器(flip-flop)是主要的因素。在深次微米的技術下，5%的電壓降會造成15%的元件時序延遲增加[1]。所以當晶片上分佈著不同的電壓降時，若不考慮電壓降所造成的時序延遲的效應，則所設計的晶片會有時序的問題。因此如何在考慮電壓降的影響下，建造出零時序差異的時脈樹(zero skew clock tree，簡稱ZST)，則成為現今一個重要的課題。 本篇論文提出一個以DME為基礎的時脈樹產生器(clock tree generator)。我們提出的演算法是在建置時脈樹時，考慮因電壓降造成clock buffer時序延遲的改變。首先在建置時脈樹之前，先計算出此時晶片上的電壓降分佈，在根據這個電壓降分佈，用DME的演算法建置零時序初始時脈樹。由於在建置初始時脈樹時要插入clock buffer，所加入的clock buffer也會影響電壓降的值，因此在建置完時脈樹後，會造成電壓降分佈的改變，而產生時序差異。使得初始時脈樹變成非零時序差異，所以最後我們再調整時脈樹的線長，來完成我們零時序差異時脈樹的目標。 由實驗可以發現，在建置初始時脈樹就考慮電壓降，將可以得到較佳的時脈樹成本。當建置時脈樹時，時脈樹成本只針對latency或wire length作改善，得到的結果平均分別改善了11.38%和8.98%。詳細的實驗請參考第五章。

• 學位論文

虛擬實驗過程套用派翠網路提供診斷與協助

網際網路與電腦科技的進步，人們的學習由現實生活提升到了虛擬的空間中，應用虛擬的特性讓平常需到實驗室才有辦法進行的物理實驗或化學實驗，透過電腦的計算及重覆利用的特性在網路上讓學生進行學習與操作，因此發展出了虛擬實驗環境。 虛擬實驗在發展上主要以操作為主，也就是網頁教材搭配固定的實驗流程，利用程式工具實作出物理方面或化學方面的虛擬實驗教材，但這樣的實驗並無針對學生的操作做行為紀錄，所以無法去針對學生在實驗中所發生的一些錯誤的操作做導正或診斷的動作。 本研究提出針對虛擬實驗過程進行協助與診斷的理論，利用派翠網路的傳遞規則特性將實驗的步驟化成派翠網路模組，將學生的操作行為以知識指令做為紀錄的格式，並以該操作紀錄和標準實驗步驟做比較以得知學生在操作上的問題，在實驗過程中提供學生提示或協助，協助學生完成實驗。

• 學位論文

利用模糊類神經網路模型進行學習成效預估

資料探索的工作在世界上已行有多年，許多的研究人員在這個領域裡努力地想要挖掘出更多更有用的資訊出來，這些資訊往往是一些關聯或是規則。透過這些被挖掘出來的關聯或規則，它們告訴了人們這些資料在過去的歲月中曾經存在著哪些的模式。除此之外，資料裡面的這些模式更隱含了人們所希望知道的未來，接著資料預測的研究就漸漸地展開了起來。只不過這些資料預測的研究大多專注於商業活動之中，例如股票走勢，需求預測等等，當然非商業行為的預測還是存在著，比如說氣象預測或是應用於網路快取上的預測都有，只不過針對教育學習的研究卻是屈指可數。 本論文之中利用了類神經網路裡頭的自組織圖，結合資料探索領域當中的資料聚類(Clustering)理論，設計了三種資料預測模型。包括狀態轉換矩陣、狀態轉換機率模型以及連續狀態轉換模型等等，企圖透過時序型資料之中資料的形態(pattern)轉換來進行資料預測。在這一個研究之中，待預測資料會透過資料預測模型的使用，找出未來可能的落點，這些落點將會被模糊理論的方法給模糊化之後，萃取出這些它們隱含的資訊，最後這些資訊將告訴我們未來資料落在某些系統預設落點上的機率有多高，產生一種較為制式化的預測結果報告。 除了資料的預測方法之外，本論文裡頭提出了一種全迴路的資料處理系統，結合上述的資料預測方法，並應用於學生學習成績的預測之上。全迴路系統資料有如用一般標準資料處理的程序之外，還會對預測的結果進行分析，最後回饋到學生身上，完成一段完成的迴路。在本論文的實驗中，我們分別以一個、兩個到三個資料預測模型的應用，進行學生學習成績的預測，看看是否在更多預測模型的合作之下，能夠找出更準確的結果，除此之外也利用了不同學院的學生成績進行預測，以確保資料預測方法的一般性。