MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO



Podobné dokumenty
Zápočtová práce STATISTIKA I

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA Sylabus pro předmět STATISTIKA Pomůcky... 7

Výuka statistiky v Moodle zkušenosti a možnosti (11 let s Moodlem na ekonomické fakultě VŠB-TU Ostrava) Václav Friedrich Pavel Hradecký

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU STATISTIKY

Tomáš Karel LS 2012/2013

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové

MATEMATIKA III V PŘÍKLADECH

Současné možnosti ICT ve vzdělávání a strategie vedení školy

Testování statistických hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

You created this PDF from an application that is not licensed to print to novapdf printer (

Problematika analýzy rozptylu. Ing. Michael Rost, Ph.D.

Plánování experimentu

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

Minimální hodnota. Tabulka 11

VYUŽÍVÁNÍ E-LEARNINGOVÝCH AKTIVNÍCH DISTANČNÍCH OPOR A MATERIÁLŮ PŘI VÝUCE V KOMBINOVANÉ FORMĚ STUDIA NA UP V OLOMOUCI

Charakteristika datového souboru

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

INDUKTIVNÍ STATISTIKA

Testy statistických hypotéz

SOFTWARE STAT1 A R. Literatura 4. kontrolní skupině (viz obr. 4). Proto budeme testovat shodu středních hodnot µ 1 = µ 2 proti alternativní

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"


TECHNICKÁ UNIVERZITA V LIBERCI

VÝSLEDKY VÝZKUMU ÚVOD ZPRÁVY Z VÝZKUMU. Hana Poštulková. 62 // AULA roč. 19, 03-04/2011

VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD

Testy. Pavel Provinský. 19. listopadu 2013

ADDS cviceni. Pavlina Kuranova

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Statistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni

Školení ICTK+ICTM. Studijní průvodce

TECHNICKÁ UNIVERZITA V LIBERCI

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství

Intervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

PRAVDĚPODOBNOST A STATISTIKA

Stručný úvod do testování statistických hypotéz

LMS Moodle ve výuce biofyziky a lékařské informatiky na LF OU

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

Název testu Předpoklady testu Testová statistika Nulové rozdělení. ( ) (p počet odhadovaných parametrů)

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára

České vysoké učení technické v Praze Fakulta dopravní

Experience of the Integration of ICT into University Education

Graf 1: Počet let pedagogické praxe

Úvod do analýzy rozptylu

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie

{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Příloha č. 1 Jedno a vícefaktorová analýza dat ANOVA

Tomáš Karel LS 2012/2013

ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.

Systém ECTS: hraje důležitou úlohu při rozšiřování Boloňského procesu v globální dimenzi, kredity jsou klíčovým elementem (také kvůli své

Vzorová prezentace do předmětu Statistika

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

S E M E S T R Á L N Í

Aktivita A Zmapování a analýza disparit mezi regiony NUTS 3 ve fyzické dostupnosti bydlení

Matematika, informatika, projekty

Jednofaktorová analýza rozptylu

Metodologie pro ISK II

Testy dobré shody Máme dvě veličiny, u kterých bychom chtěli prokázat závislost, TESTY DOBRÉ SHODY (angl. goodness-of-fit tests)

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

Didaktický proces vzdělávání

II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal

4EK211 Základy ekonometrie

11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0.

Statistika, Biostatistika pro kombinované studium. Jan Kracík

Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Statistické testování hypotéz II

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

Zkušenosti z několika e-learningových kuzů pro odlišné cílové skupiny

4ST201 STATISTIKA CVIČENÍ Č. 7

Technická univerzita v Liberci

5. Závislost dvou náhodných veličin různých typů (kategoriální a metrická veličina)

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

Pravděpodobnost a matematická statistika

Transkript:

MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO RNDr. Jana Hrubá Katedra matematických metod v ekonomice (K151) Institut inovace vzdělávání (K167) Ekonomická fakulta VŠB -Technická univerzita Ostrava Žilina, 5. - 6.. 007 e-learn007 1

Úvod do problematiky Listopad 1993 vznik katedry MME (MME, FaPM, ); 1994/1995 výuka Matematiky; Postupné snižování počtu hodin matematiky, Akreditace kombinované formy studijních programů. Žilina, 5. - 6.. 007 e-learn007

MOŽNOSTI VYUŽITÍ E-LEARNINGOVÉ FORMY VÝUKY V PREZENČNÍ FORMĚ s využitím blended learningu Převod pasivní formy na aktivní formu Konstruktivistické přístupy Evaluace studentů studenty Komunikace ve webovém rozhraní Deníky, blogy Zpětnovazební prvky Žilina, 5. - 6.. 007 e-learn007 3

Evaluace studentů studenty Žilina, 5. - 6.. 007 e-learn007 4

LIMITY A BARIÉRY VYUŽITÍ ICT PŘI VÝUCE Institucionální problémy struktura a design kurzu; podpora poskytovaná studentům; instituce poskytující kurz; Osobní faktory Ze strany pedagoga nedostatek technických zkušeností; obavy ze zvládnutí technických detailů v online kurzu; Ze strany studenta pocit izolace v důsledků fyzické separace pedagoga a spolužáků; obavy z komunikace prostřednictvím technologií; pocit, že je v kurzu příliš informací; obavy ze zvládnutí technických detailů v online kurzu; Situační faktory přístup k technologiím; rychlost připojení k internetu; spolehlivost technologií (na straně studenta). Žilina, 5. - 6.. 007 e-learn007 5

VÝUKA MATEMATIKY NA VYSOKÝCH ŠKOLÁCH Z 4 státních VŠ na 18 (na 66 fakultách) Z toho 7 MatF nebo Inf, 9 PdF, 17 EkF, 5 PřF, 3 techn. Jeden nebo dva semestry Matematická analýza, Algebra, Geometrie apod. možnost spolupráce, vzájemná pomoc, výměna zkušeností apod. Žilina, 5. - 6.. 007 e-learn007 6

Vývoj učebních plánů a obsahů výuky matematiky na EkF VŠB rozsah hodin školní rok ročník ukončení zkouškou přednášek a cvičení ZS LS PŘ CV PŘ CV ZS LS celkem 1994/1995 1 1 1 3 3 3 3 1 1995/1996 1 1 1 3 3 3 3 1 1996/1997 1 1 1 3 3 3 3 1 1997/1998 1 1 1 3 3 10 1998/1999 1 1 1 3 3 10 1999/000 1 1 1 3 3 10 000/001 1 1 1 3 3 10 001/00 1 0 1 1 1 1 6 00/003 1 0 1 1 1 1 6 003/004 1 0 1 1 1 1 6 004/005 1 Počet 0hodin výuky 1 matematiky 1 v 1. ročníku 1 na EkF VŠB-TUO 1 6 005/006 1 0 1 1 1 1 6 13 1 11 10 9 8 7 y = - 0,6783x + 13,4 R = 0,8696 6 5 4 1994/1995 1995/1996 1996/1997 1997/1998 1998/1999 1999/000 000/001 001/00 Žilina, 5. - 6.. 007 e-learn007 7 00/003 003/004 004/005 005/006

Jak pomoci studentům při studiu, aby snížení kvantity neprovázelo také snížení kvality? Jaké zvolit vyučovací metody a formy tak, abychom studentům umožnili získat stejnou hladinu dovedností a znalostí jako studentům s vyšší dotací hodin přímé výuky? Možnosti využití blended learningu. Jaké zvolit zásady při postupu? Jaké styly učení převládají? Žilina, 5. - 6.. 007 e-learn007 8

Pracovní hypotézy H1: Největší bariéry při studiu s využitím e-learningu v prostředí Moodle jsou osobní faktory studentů a situační faktory. H: Studenti jako nejvýznamnější pomoc při studiu v prostředí Moodle oceňují spolehlivost technologií na straně studenta a osobní faktory. Žilina, 5. - 6.. 007 e-learn007 9

Pracovní hypotézy H3: Muži-studenti dávají přednost studiu se zaměřením na abstraktní uvažování a promýšlení souvislostí. H4: Ženy-studentky preferují studium opírající se o konkrétní zkušenosti a hledání praktických souvislostí. Žilina, 5. - 6.. 007 e-learn007 10

Dotazník styly učení LSI IIa (D.A.Kolb, Boston, překlad a úprava J.Mareš, Hradec Králové) Konkrétní zkušenost (KZ); Abstraktní konceptualizace (AK); Aktivní provádění (AP); Reflexivní pozorování (RP). Žilina, 5. - 6.. 007 e-learn007 11

Reliabilita spolehlivost a přesnost Cohenův koeficient kappa κ p p n n n n s I p o II ( p p ) ( p ) o p n p = 1 1 p n n n s o I n Cohenův koeficient kappa, Žilina, 5. - 6.. 007 e-learn007 1 p κ = 1 Pozorovaná proporce shody, Očekávaná proporce shody, Četnosti shodných odpovědí, Celková četnost v matici, Četnosti jednotlivých odpovědí v první skupině, o kde Četnosti jednotlivých odpovědí v druhé skupině, = II

Reliabilita spolehlivost a přesnost ( p p ) Cohenův koeficient kappa p κ = 1 ( p ) o o κ max = 0,973 κ min = 0,653 AK AP 0,797 0,8 κ / ο = 0,87 Žilina, 5. - 6.. 007 e-learn007 13

Statistická významnost Cohenova koeficientu pomocí normované normální veličiny u u = n κ p o ( 1 p ) p = 4,883 Pro hladinu významnosti 0,01 je kritická hodnota,58. Vypočítaný koeficient vypovídá o statisticky významné shodě mezi odpověďmi u náhodně vybraných respondentů. Žilina, 5. - 6.. 007 e-learn007 14

Vyhodnocení stylů učení třídění prvního stupně celkem KZ AK AP RP 7 30 53 1 6,31% 7,03% 47,75% 10,81% ženy muži celkem Konkrétní zkušenost (KZ); Abstraktní konceptualizace (AK); Aktivní provádění (AP); Reflexivní pozorování (RP). 83 8 111 75% 5% smíšené 9 8,11% ženy muži KZ 6 7,3% KZ 1 3,57% AK 16 19,8% AK 14 50,00% AP 45 54,% AP 8 8,57% RP 9 10,84% RP 3 10,71% smíšené 7 8,43% smíšené 7,14% Žilina, 5. - 6.. 007 e-learn007 15

Styl učení - celkem 50 40 30 0 10 60 50 40 30 0 10 0 Styl učení - ženy KZ AK AP RP zbylé Styl učení - muži 0 16 KZ 14 AK 1 AP RP zbylé 10 8 6 4 0 KZ AK AP RP zbylé Žilina, 5. - 6.. 007 e-learn007 16

Aktivní provádění AP-ženy Stř. hodnota Stř. hodnota 36,301 Chyba stř. hodnoty Chyba stř. hodnoty 0,55141 Medián Medián 37 Modus Modus 34 Směr. odchylka Směr. odchylka 5,03688 Rozptyl výběru Rozptyl výběru 5,3744 Špičatost Špičatost 0,69196 Šikmost Šikmost -0,68178 Rozdíl max-min Rozdíl max-min 5 Minimum Minimum 1 Maximum Maximum 46 Součet Součet 3013 Počet Počet 83 Hladina spolehlivosti Hladina (95,0%) spolehlivosti 1,096953 AP-muži 34,8571 0,98783 35 37 5,7117 7,375-0,0461 0,15886 3 4 47 960 8,06864 Žilina, 5. - 6.. 007 e-learn007 17

1. Když se učím, rád(a) věci přímo provádím 4 3 1. Učím se lépe, když musím na věci tvrdě zapracovat 4 3 1 3. Během učení si připouštím odpovědnost za to, jak věci dopadnou 4 3 1 4. Hlavně se učím tím, že dělám 4 3 1 5. Když se učím, snažím se věci přímo vyzkoušet 4 3 1 6. Během učení jsem člověk sázející spíš na aktivní provádění 4 3 1 7. Učím se lépe, když mohu si všechno prakticky zkusit 4 3 1 8. Když se učím, rád(a) za sebou vidím výsledky své práce 4 3 1 9. Učím se lépe, když si mohu věci vyzkoušet na vlastní kůži 4 3 1 10. Během učení jsem spíš člověk hlásící se k odpovědnosti 4 3 1 11. Když se učím, rád(a) do věcí zasahuji 4 3 1 1. Učím se lépe, když mohu prakticky jednat 4 3 1 AP =,9x +,3x +,8x + 3,3x +,8x + 3,1 x + 3,3x + 3,7x + 3,3x +,7x +,4x + 3, x 1 3 4 5 6 7 8 9 10 11 1 1 Žilina, 5. - 6.. 007 e-learn007 18

Abstraktní konceptualizace AK-ženy Stř. hodnota Stř. hodnota 33,041 Chyba stř. hodnoty Chyba stř. 0,554673 hodn Medián Medián 33 Modus Modus 35 Směr. odchylka Směr. odchylka 5,053316 Rozptyl výběru Rozptyl výběru 5,536 Špičatost Špičatost0,5966 Šikmost Šikmost-0,3893 Rozdíl max-min Rozdíl max-min7 Minimum Minimum 17 Maximum Maximum 44 Součet Součet 741 Počet Počet 83 Hladina spolehlivosti (95,0%) Hladina 1,1034 spol AK-muži 35,7149 1,036193 36,5 39 5,483019 30,06349-0,348-0,6316 3 45 1000 8,16093 Žilina, 5. - 6.. 007 e-learn007 19

1. Když se učím, rád(a) uvažuji o hlavních myšlenkách 4 3 1. Učím se lépe, když vsadím na logické uvažování 4 3 1 3. Během učení se snažím věci promýšlet 4 3 1 4. Hlavně se učím tím, že přemýšlím 4 3 1 5. Když se učím, Snažím se věci analyzovat, specifikovat jejich části 4 3 1 6. Během učení jsem člověk sázející spíš na logické uvažování 4 3 1 7. Učím se lépe, když mohu vycházet z promýšlené teorie 4 3 1 8. Když se učím, rád(a) teoretizuji, zabývám se obecnějšími úvahami 4 3 1 9. Učím se lépe, když spoléhám na vlastní úsudek, vlastní názory 4 3 1 10. Během učení D. jsem spíš člověk teoretizující 4 3 1 11. Když se učím, rád(a) věci hodnotím, posuzuji 4 3 1 1. Učím se lépe, když mohu analyzovat ideje, obecnější názory 4 3 1 AK = 3,0x + x 1 + 3,1 x + 3,3x3 + 3,3x4 +,7x5 + 3,x6 +,8x7 +,1x 8 + 3,0x9 +,1x 10 +,9x11, 3 Žilina, 5. - 6.. 007 e-learn007 0 1

Třídění druhého stupně Test nezávislosti chí-kvadrát pro kontingenční tabulku H o : Styl studentova učení nezávisí na pohlaví. H a : Styl studentova učení závisí na pohlaví. χ ( P O) = O ženy muži celkem 83 8 111 75% 5% Žilina, 5. - 6.. 007 e-learn007 1

Test nezávislosti chí-kvadrát pro kontingenční tabulku Pozorované četnosti ženy muži celkem KZ 6 1 7 AK 16 14 30 AP 45 8 53 RP 9 3 1 smíšené 7 9 celkem 83 8 111 AK+AP 5; AP+RP ; KZ+AK Žilina, 5. - 6.. 007 e-learn007

Test nezávislosti chí-kvadrát pro kontingenční tabulku Očekávané četnosti ženy muži celkem KZ 5,3 1,77 7 AK,43 7,57 30 AP 39,63 13,37 53 RP 8,97 3,03 1 smíšené 6,73,7 9 celkem 83 8 111 Žilina, 5. - 6.. 007 e-learn007 3

( ) P O O KZ AK AP RP smíšené ženy muži Hladina významnosti 0,05 Kritická hodnota testového kritéria 9,488 0,110 1,8445 0,775 0,0001 0,0109 0,331 5,4676,1564 0,000 0,03 Počet stupňů volnosti 4 Hodnota koeficientu 10,683 H o zamítáme, přijímáme H a Styl studentova učení závisí na pohlaví na hladině významnosti 0,05. Žilina, 5. - 6.. 007 e-learn007 4

Znaménkové schéma kontinenční tabulky z = n n. n r n. n s p n. n ( n n )( n n ) r r s s z ženy muži celkem znaménka ženy muži KZ 0,6885-0,6885 7 KZ 0 0 AK -3,1655 3,1655 30 AK -- ++ AP,3493 -,3493 53 AP + - RP 0,0190-0,0190 1 RP 0 0 smíšené 0,164-0,164 9 smíšené 0 0 celkem 83 8 111 ++ pozorovaná četnost je významně větší než četnost očekávaná na hladině významnosti 0,01 -- pozorovaná četnost je významně menší než četnost očekávaná na hladině významnosti 0,01 + pozorovaná četnost je významně větší než četnost očekávaná na hladině významnosti 0,05 - pozorovaná četnost je významně menší než četnost očekávaná na hladině významnosti 0,05 Žilina, 5. - 6.. 007 e-learn007 5

Studentův test H o : Styl abstraktní konceptualizace studentova učení nezávisí na pohlaví. H a : Styl abstraktní konceptualizace studentova učení závisí na pohlaví. Hladina významnosti a) 0,05; b) 0,01 Průměrný počet bodů: žen 33 mužů 36 s 6,6575 s 5,1630 f 109 t,6800 t 0,05 (109) 1,984 t 0,01 (109),66 H o zamítáme, přijímáme H a Mezi průměrným počtem bodů v případě studijního stylu abstraktní konceptualizace je statisticky významný rozdíl podle pohlaví studentů na hladině významnosti 0,05 i 0,01. Žilina, 5. - 6.. 007 e-learn007 6 s = N 1 t 1 + N Nestranný odhad rozptylu = x 1 x s N N 1 1 + N N [ ( xi x1 ) + ( x j x ) ]

Nestranný odhad rozptylu Studentův test s = N 1 1 + N t = x 1 s x N N 1 1 + N N [ ( xi x1 ) + ( x j x ) ] H o : Styl aktivní provádění studentova učení nezávisí na pohlaví. H a : Styl aktivní provádění studentova učení závisí na pohlaví. Hladina významnosti a) 0,05; b) 0,01 Průměrný počet bodů: žen 36 mužů 34 H o zamítáme, přijímáme H a s 18,9860 s 4,357 f 109 t 7,667 t 0,05 (109) 1,984 t 0,01 (109),66 Mezi průměrným počtem bodů v případě studijního stylu aktivní provádění je statisticky významný rozdíl podle pohlaví studentů na hladině významnosti 0,05 i 0,01. Žilina, 5. - 6.. 007 e-learn007 7

ANOVA jeden faktor - celkem H o : µ1 = µ = µ3 = µ4 (druh stylu učení nemá významný vliv) H 1 : Ne všechny střední hodnoty jsou si rovny (druh stylu učení má významný vliv) Faktor Výběr Počet Součet Průměr Rozptyl KZ 111 334 30,1081 7,8973 AK 111 3741 33,707 7,796 AP 111 3957 35,6486 7,0845 RP 111 330 9,9099 31,3554 Žilina, 5. - 6.. 007 e-learn007 8

ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 69,68 3 876,5586 30,714 4,76E-18,65 Všechny výběry 1554,9 440 8,5347 Celkem 15183,96 443 Protože F exp > F 0,05 (3;440) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, 5. - 6.. 007 e-learn007 9

ANOVA jeden faktor - ženy ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 086,59 3 695,53 8,95 1,5E-16,631 Všechny výběry 7880,34 38 4,03 Celkem 9966,9 331 Protože F exp > F 0,05 (3;38) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, 5. - 6.. 007 e-learn007 30

ANOVA jeden faktor - muži ANOVA Zdroj variability SS Rozdíl MS F Hodnota P F krit Mezi výběry 1168,68 3 389,56 10,08 6,53E-06,6887 Všechny výběry 4173,9 108 38,64 Celkem 5341,96 111 Protože F exp > F 0,05 (3;108) H 0 zamítáme na hladině významnosti 5% a přijímáme H 1 Žilina, 5. - 6.. 007 e-learn007 31

Nejvíce preferované možnosti (4,3): 1. Když se učím spoléhám na vlastní pozorování (96%).. Hlavně se učím tím, že přemýšlím (90%). 3. Během učení se snažím věci promýšlet (87%). 4. Hlavně se učím tím, že dělám ( 86%). 5. Učím se lépe, když si mohu vše prakticky vyzkoušet (83%). 6. Učím se lépe, když spoléhám na vlastní úsudek, vlastní názor (8%). 7. Během učení jsem člověk sázející spíše na vlastní logické uvažování (8%). Žilina, 5. - 6.. 007 e-learn007 3

Moodle bariéry (vzorek 100) Úvodní orientace na začátku kurzu (IF, 44%), Malá rychlost připojení k Internetu (SF, 34%), Obavy ze zvládnutí technických detailů v online kurzu (OF, 8%), Obavy z komunikace prostřednictvím technologií (OF, 7%). Institucionální, situační, osobní faktory Žilina, 5. - 6.. 007 e-learn007 33

Moodle podpora (vzorek 100) Spolehlivost technologií na straně studenta (SF, 47%), Ušetření času studiem online (OF, 46%), Flexibilita, volnost při časovém načasování studia v rámci denního rozvrhu (OF, 45%), Možnost využití zdrojů, Internetu (OF, 45%), Dostupnost podrobného popisu kurzu, cílů, úloh a očekávání studentů (IF, 41%). Institucionální, situační, osobní faktory Žilina, 5. - 6.. 007 e-learn007 34

Děkuji za pozornost RNDr. Jana Hrubá Katedra matematických metod v ekonomice (K151) Institut inovace vzdělávání (K167) Ekonomická fakulta VŠB -Technická univerzita Ostrava, Sokolská 33, 701 1 Ostrava1, Telefon: +40 597 3 013, E-mail: jana.hruba@vsb.cz Žilina, 5. - 6.. 007 e-learn007 35