Local clustering effects in online response networks

ผลกระทบของการจัดกลุ่มแบบเฉพาะที่ บนเครือข่ายที่ตอบสนองออนไลน์

Name: Jamshid Rahimi

keyword: Learning network.

LCSH: WEB-BASED INSTRUCTION

; Local clustering.

Abstract: Online Learning Networks have become an important new learning form and yet relatively little is known about the underlying mechanisms. In an attempt to address this knowledge gap, a particular subset of online networks – online response networks - is investigated. We introduce hypotheses related to the underlying mechanism of local clustering in online learning networks. The hypotheses are based on social network theory and tested by comparing with social networks and Random Graph Models and are expressed in terms of the abundance of certain structures (motifs) in response graphs representing the online learning networks. In this work we report two new results. The results are based on analyzing a sample of 94 observed online learning networks as well as a standard set of social networks. The first result is that in typical online learning networks, and unlike social networks, local clustering can be explained by actors choosing their response partners at random, subject to their inherent total response capacities and reciprocity; no extra mechanism is required. This result was obtained by comparing the local clustering in the observed networks with ensemble networks generated by Markov Chain Monte Carlo (MCMC) simulation of constrained random graph models. The second result is that in online learning local clustering is correlated with reciprocity, the more reciprocity, the more they are clustered. But in social networks no significant correlation was seen. Local clustering is a result of an external mechanism. Several mechanisms are suggested in the literature as the source for the phenomenon of clustering in social networks. The absence of these mechanisms in online learning networks, and implications of the results to the design of online learning networks are briefly discussed.

Abstract: เครือข่ายการเรียนรู้ออนไลน์ กลายเป็นสิ่งสำคัญของการเรียนรู้แบบใหม่ ซึ่งมีกลไกซับซ้อน และยังเป็นที่รู้จักน้อย มีความพยายามแก้ปัญหาที่ซับซ้อนนี้โดยวิธีสืบค้นบนเครือข่ายที่ตอบสนอง ออนไลน์ วิทยานิพนธ์นี้มีสมมติฐานเกี่ยวข้องกับกลไกของการจัดกลุ่มแบบเฉพาะที่บนเครือข่าย การเรียนรู้ออนไลน์ ซึ่งมีรากฐานมาจากทฤษฎีเครือข่ายทางสังคม สมมติฐานนี้ถูกทดสอบโดยการ เปรียบเทียบกับเครือข่ายทางสังคม และใช้แบบจำลองกราฟโดยสุ่ม แล้วแสดงกราฟที่ตอบสนองซึ่ง เป็นตัวแทนของเครือข่ายการเรียนรู้ออนไลน์ งานวิจัยนี้เป็นการวิเคราะห์เครือข่ายการเรียนรู้ออนไลน์ 94 ตัวอย่าง เช่นเดียวกับเครือข่าย ทางสังคมที่เป็นมาตรฐาน ซึ่งได้ผลสองประการ ประการแรกการจัดกลุ่มแบบเฉพาะที่บนเครือข่าย การเรียนรู้ออนไลน์อธิบายด้วยการตอบสนองแบบสุ่มจากการตอบสนองท้ังหมดโดยไม่มีกลไกอื่น ผลลัพธ์นี้เกิดจากการเปรียบเทียบการจัดกลุ่มเฉพาะที่บนเครือข่ายที่พิจารณากับเครือข่ายที่เกิดจาก วิธีมอนติคาร์โลลูกโซ่แบบมาร์คอฟ ผลประการที่สองคือการจัดกลุ่มแบบเฉพาะที่ของการเรียนรู้ ออนไลน์เป็นแบบสหสัมพัทธ์ซึ่งกันและกัน อันส่งผลให้มีการรวมกลุ่มกัน ซึ่งแตกต่างกันอย่างมี นัยสำคัญกับเครือข่ายทางสังคมที่ไม่มีสหสัมพัทธ์ จึงสรุปได้ว่าการจัดกลุ่มแบบเฉพาะที่เป็นผลจาก กลไกภายนอก หลายกลไกที่แนะนำในงานวิจัยต่างๆเหมาะสำหรับการจัดกลุ่มของเครือข่ายทางสังคม แต่ยัง ขาดกลไกสำหรับเครือข่ายการเรียนรู้ออนไลน์ ผลของการวิจัยนี้จะสนับสนุนให้มีการออกแบบ เครือข่ายการเรียนรู้ออนไลน์ในโอกาสต่อไป ซึ่งกล่าวไว้โดยย่อในวิทยานิพนธ์นี้

King Mongkut's University of Technology North Bangkok. Central Library

Address: Bangkok

Email: library@kmutnb.ac.th

Name: Aviv Reuven

Role: Thesis Advisors

Name: Utomporn Phalavonk

Role: Thesis Advisors

Email : upv@kmutnb.ac.th

Created: 2009

Modified: 2567-08-26

Issued: 2010-07-24

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: E-THESIS

eng

DegreeName: Master of science

Level: Master's Degree

Descipline: Information Technology

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15177853.pdf	1.15 MB	3	2025-04-01 19:04:14

ใช้เวลา

0.030038 วินาที