Ji bo saziyên xwendekaran ên xwendinê, di nav de diranan, hewceyê fêrbûna xwendekarê xwendekar (SCL) heye. Lêbelê, SCL di perwerdehiya diranan de serlêdana sînorkirî ye. Ji ber vê yekê, vê lêkolînê ji bo karanîna teknolojiya makîneya daringê (ML) bi karanîna şêwaza perwerdehiya danê (ML) û stratejiyên fêrbûna biryarê (ls) ji bo pêşxistina amûrek kêrhatî (ls) . Rêbazên sozdar ên ji bo xwendekarên diranan.
Bi tevahî 255 xwendekarên diranan ji zanîngeha Malê ya guhertî ya şêwaza fêrbûna şêwazên fêrbûnê (M-ILS) qedand, ku 44 tiştên ku di nav LSS-ya xwe de çandin hene. Daneyên berhevkirî (bi navê dataset) di dara biryara çavdêriyê de tê bikar anîn ku fêr bibe ku bixweber bi şêwazên fêrbûna xwendekaran re bi ya herî guncan e. Rastiya fêrbûna makîneyê-based amûrek pêşniyarê ye wê hingê were nirxandin.
Serîlêdana modelên dara biryarê di pêvajoyek nexşeya otomatîk de (input) û (derketina hedef) ye ku ji bo her xwendekarek diranan di navnîşek yekser stratejiyên hînbûnê de ye. Amûrek pêşniyarê ye û ji bîranîna bêkêmasî ya rastiyê nîşan da û nîşan dide ku nîşan dide ku lihevhatina LS-ê xwedan hest û taybetmendiyek baş e.
An amûrek pêşniyarê ye ku li ser bingeha dareke biryara ML-ê jêhatiya xwe îsbat kiriye ku bi awayek hînbûna xwendekarên xwendekaran bi stratejiyên fêrbûna guncan re bi rehetî re têkildar e. Ev amûr ji bo plansazkirina qursên navendparêz an modulên ku dikarin ezmûna fêrbûnê ya xwendekaran zêde bikin vebijarkên hêzdar peyda dike.
Hînkirin û fêrbûn di saziyên perwerdehiyê de çalakiyên bingehîn in. Dema pêşxistina pergalek perwerdehiya pîşeyî ya bilind-kalîteyê, girîng e ku meriv li ser hewcedariyên hînbûnê yên xwendekaran balê bikişîne. Têkiliya di navbera xwendekaran û hawîrdora fêrbûna wan de dikare bi lsên xwe ve were destnîşankirin. Lêkolîn pêşniyar dike ku di navbera xwendekarên xwendekaran de Mamoste-Armanc-Armanc ji bo fêrbûna xwendekar, wek ku baldarî û motîvasyona kêm kêm e. Ev ê neyekser bandorê li performansa xwendekaran bike [1,2].
Ma rêbazek e ku ji hêla mamosteyan ve tête bikar anîn ku zanebûn û jêhatîbûnê ji xwendekaran re bêpar kirin, di nav de alîkariya xwendekaran fêr dibin [3]. Bi gelemperî, mamosteyên baş di stratejiyên hînkirinê de plan dikin an ew çêtirîn e ku asta zanebûna xwendekarên xwe li hev bikin, têgehên ku ew fêr dibin, û qonaxa fêrbûna wan. Teorîk, gava ku Ls û hevok e, dê xwendekar bikaribin rêxistin bikin û bikar bînin Bi gelemperî, plansaziyek dersê gelek veguhestinên di nav qonaxan de pêk tîne, wek mînak ji hînkirina pratîka rêber an ji pratîka rêber heya pratîka serbixwe. Bi vê di hişê xwe de, mamosteyên bi bandor bi gelemperî bi armanca avakirina zanebûna xwendekaran û jêhatîbûna xwendekaran re fêr dibin.
Daxwaza SCL di saziyên perwerdehiya bilind de, di nav de diranan jî mezin dibe. Stratejiyên SCL têne çêkirin ku bi hewcedariyên fêrbûna xwendekaran re hevdîtin bikin. Ev dikare were bidestxistin, ji bo nimûne, heke xwendekar bi awayekî çalak beşdarî çalakiyên fêrbûnê bibin û mamosteyan wekî hêsantir tevbigerin û ji bo peydakirina nerînên hêja berpirsiyar in. Tête gotin ku peydakirina materyal û çalakiyên fêrbûnê yên ku ji bo asta perwerdehiya xwendekaran an tercîhên xwendinê dikarin jîngehê fêrbûna xwendekaran bikin û ezmûnên fêrbûna erênî pêşve bibin [5].
Bi gelemperî, pêvajoya fêrbûna xwendekarên diranan ji hêla prosedurên klînîkî yên cihêreng ve tê bandor kirin û jîngehê klînîkî tê de tê de, ku ew jêhatîbûnên navbeynkar ên bandorker pêşve diçin. Armanca perwerdehiyê ew e ku xwendekar bi zanebûnên bingehîn ên diranan bi jêhatîbûnên klînîkî yên diranan re têkildar bikin û zanyariyên bidestxistî li rewşên klînîkî yên nû bicîh bikin [6, 7]. Lêkolîna destpêkê di nav têkiliya LS û tê dîtin ku stratejiyên fêrbûna nexşandî yên ku ji LS-ê ve hatî pejirandin dê alîkariya baştirkirina pêvajoya perwerdehiyê bikin [8]. Nivîskar her weha pêşniyar dikin ku bi karanîna cûrbecûr rêwerz û nirxandina rêbazên nirxandinê bikin da ku hûn bi fêrbûna xwendekar û hewcedariyên xwendekaran re adapt bikin.
Mamoste ji sepandina zanîna LS sûd werdigirin da ku ji wan re bibin alîkar, pêşve bibin, pêşve bibin, pêşve bibin ku dê wergirtina bidestxistina xwendekarên kûrtir û têgihîştina mijarê ya mijarê zêde bike. Lekolînwanan gelek amûrên nirxandina LS pêşve xistin, wek modela fêrbûna Kolb, modela şêwaza Felder-Silvman fêrbûn (FSLSM), û Modela FLeming Vak / Vark [5, 9, 10]. Li gorî wêjeyê, van modelên fêrbûnê modelên fêrbûna herî gelemperî û xwendinê ne. Di xebata lêkolînê ya heyî de, FSLSM tête bikar anîn ku LS di nav xwendekarên diranan de binirxîne.
FSLSM ji bo nirxandina fêrbûna adaptive di endezyariyê de modela berbiçav e. Li Zanistên Tenduristiyê gelek karên hatine weşandin (tevî derman, hemşîre, dermanxane û diranan) ku bikaranîna modelên FSLSM [5, 11, 11, 12, 12, 13]. Amûrê ku ji bo pîvandina dîmenên ls di flsmê de tê bikar anîn tê gotin index index input (Visual). / devkî) û têgihîştin (sekinîn / global) [14].
Wekî ku di Figure 1 de tê nîşandan, her dimensiyonek FSLSM tercîhek serdest e. Mînakî, di dîmenên pêvajoyê de, xwendekarên bi "çalak" re tercîh dikin ku bi rasterast têkiliyê bi materyalên fêrbûnê re, fêr bibin, û di koman de fêr bibin. "Reflective" LS behs dike ku meriv bi ramanê fêr bibe û tercîh dike ku tenê bixebite. Dîwana "Dîtina" LS dikare di nav "hest" û / an "Intuition de were dabeş kirin." Xwendekarên "hest" bêtir agahdarî û prosedurên pratîkî yên pratîkî tercîh dikin, bi rastî li gorî xwendekarên "intuitive" ku materyalê abstrakt hilbijêrin û di xwezayê de bêtir nûjen û afirîner in. Dirêjiya "input" ya LS ji xwendekaran "Visual" û "devkî" pêk tê. Mirovên bi "Visual" LS tercîh dikin ku bi xwepêşandanên dîtbarî (wekî diagrams, vîdyoyan, an xwenîşandanên zindî ve fêr bibin), ku mirovên bi "devkî" di vegotinên nivîskî an devkî de fêr bibin. Ji bo "fêmkirina" dimîneyên LS, fêrbûnên weha dikarin di nav "sekinîn" û "gerdûnî" de werin dabeş kirin. "Xwendekarên Sekasî Pêvek Pêvekek Linear - Pêvek Bi Pêvek Pêvek Bikin.
Di van demên dawî de, gelek lêkolîner dest pê kirine ku rêbazên ji bo lêgerîna daneya otomatîk, tevî pêşkeftina algorîtmayên nû û modelên ku dikarin daneyên mezin ên daneya [15, 16] werin şirove kirin. Li ser bingeha daneya pêşkêşkirî, ML (fêrbûna makîneyê) bikaribe nimûneyên û hîpotezan çêbikin ku encamên pêşerojê li ser bingeha çêkirina algorîtmayên pêşbînîkirinê [17]. Bi hêsanî, teknîkên fêrbûna makîneyê ya çavdêriyê danîn û algorîtmayên trênê manipul dikin. Wê hingê ew cûrbecûr ku çîna an texmîn dike ku encamê li ser bingeha rewşên wekhev ji bo daneya input peyda dike. Feydeya sereke ya makîneya çavdêriya rêveberan fêrbûna wê ye ku ji bo sazkirina encamên îdeal û xwestî ye [17].
Bi karanîna rêbazên daneyên danûstendinê û modelên kontrola dara biryarê, tespîtkirina otomatîk a LS gengaz e. Hat ragihandin darên biryarê di bernameyên perwerdehiyê de di warên cûda de, di nav de Zanistên Tenduristiyê [18, 19] Di vê lêkolînê de, modela bi taybetî ji hêla pêşdebirên pergalê ve hate perwerdekirin da ku Ls xwendekaran nas bikin û pêşniyaz bikin ku çêtirîn ji bo wan e.
Armanca vê lêkolînê ev e ku stratejiyên radestkirinê li ser bingeha xwendekaran li ser bingeha xwendekaran e û nêzîkbûna SCL-ê bi pêşxistina amûrek pêşniyarê ye ku ji LS-ê hatî nexşandin. Sêwirana sêwiranê amûrê pêşniyarê ye wekî stratejiyek rêbazê SCL-ê tê nîşandan.
Bi taybetî, taybetmendiyên Pêşniyara Pêşniyarê ya Agahiyan Vebijarkên Bikaranîna Teknolojiyên Web û karanîna karanîna makîneya dara biryarê. Pêşdebirên pergalê ezmûna bikarhênerê û tevgerê bi adaptekirina wan bi amûrên mobîl ên wekî têlefonên mobîl û tabletên.
Tecrûba li du qonax û xwendekarên ji fakulteya diranan li Zanîngeha Dentianta li zanîngeha malbatê beşdarî bingehek dilxwazî hate kirin. Beşdaran di Englishngilîzî de bersiv da xwendekarek xwemalî ya diranan. Di qonaxa destpêkê de, datazeyek 50 xwendekar ji bo perwerdehiya makîneya dara biryarê algorîtmayê fêr bûn. Di qonaxa duyemîn a pêvajoya pêşveçûnê de, datazeyek 255 xwendekar ji bo baştirkirina rastbûna amûrê pêşkeftî hate bikar anîn.
Hemî beşdaran di destpêka her qonaxê de kurtenivîsek serhêl digirin, bi sala akademîk, bi rêya Tîmên Microsoft. Armanca xwendinê hate ravekirin û razîbûna agahdar hate wergirtin. Hemî beşdaran bi girêdanek re peyda bûn ku bigihîjin M-ILS. Ji her xwendekar re hat fêrkirin ku li ser pirsnameyê her 44 tiştan bersiv bide. Ew yek hefte hatin dayîn da ku di dema semesterê de di dem û cîh de ji wan re di dem û cîhê hêsan de biqedin. M-ILS li ser bingeha amûrê ILS-ê ya orîjînal e û ji bo xwendekarên diranan hate guhertin. Similar in Ils orjînal, ew 44 tiştên belavkirî yên bi tevahî (A, b), bi 11 tiştên ku têne bikar anîn hene ku ji bo nirxandina aliyên her fslsm têne bikar anîn.
Di qonaxên destpêkê yên pêşkeftina amûr de, lêkolîner bi karanîna nexşeyan bi karanîna datasetek ji 50 xwendekarên diranan ve têne şandin. Li gorî FSLM, pergal bersiva bersivên "A" û "B" peyda dike. Ji bo her dimenî, heke xwendekar "wekî" wekî bersivê / xedar / bijartî "wekî ku xwendekar" b "hilbijêre, û heke xwendekar" b "hilbijêre, xwendekar wekî refleksê / intuitive / intuitive / zimanî tê hilbijartin . / fêrker gerdûnî.
Piştî calibrating xebatê di navbera lêkolînerên perwerdehiya diranan û pêşdebirên pergalê de, pirsan li ser bingeha domain flssm û li MELA ML-ê hate hilbijartin da ku her xwendekarek xwendekar texmîn bikin. "Garbage In, Garbage Out" di warê fêrbûna makîneyê de gotinek populer e, bi tekeziyek li ser kalîteya daneyê. Qalîteya daneyên inputê rast û rastiya modela fêrbûna makîneyê diyar dike. Di dema qonaxa endezyariyê de, taybetmendiyek taybetmendiyek nû tête afirandin ku di bingeha FLSSM-ê de bersivên "A" û "B" ye. Hejmarên nasnameyê yên helwestên dermanan di Table 1 de têne dayîn.
Li ser bingeha bersivan li gorî bersivan hesab bikin û LS ya xwendekar destnîşan bikin. Ji bo her xwendekarek, rêjeya encam ji 1 ber 11 e. Ji 1-ê heya 1-ê nîşan dide ku balansek hînbûna fêrbûnê di heman dimeniyê de, nîşan dide ku xwendekarên ku dixwînin yek jîngehê hînkirina kesên din bikin . Guhertinek din li ser heman dimenî ev e ku ji 9 û 11 encam ji bo yek dawiya an ya din [8].
Ji bo her dimenî, derman li "çalak", "refleks" û "baldar" kom bûn. Mînakî, dema ku xwendekarek bersivê dide "A" bi gelemperî ji "B". Domain. . Lêbelê, xwendekar wekî "Reflective" ls dema ku wan "B" bêtir ji "A" di pirsên taybetî yên taybetî (Table 1) de hatine hilbijartin û ji 5 xalên zêdetir tomar kirin. Di dawiyê de, xwendekar di rewşek "hevsengiyê" de ye. Ger encam ji 5 xalên derbas nebe, wê hingê ev pêvajoyek "ls e. Pêvajoya klasîk ji bo dimîneyên din ên LS-ê hate dubare kirin, nemaze (çalak / refleksî), input (dîtbar / devkî), û têgihiştinê (sererastkirin / global).
Modelên dara biryarê dikarin di qonaxên cihêreng ên pêvajoya kategoriyê de aboneyên cûda yên taybetmendî û biryarên biryarê bikar bînin. Ew amûrek klasîk û pêşbînîkirî tête hesibandin. Ew dikare bi karanîna avahiyek darek wekî pêvekek navxweyî were nûner kirin [20]
Bernameyek rêgezek hêsan a hêsan hate afirandin ku jixwe li ser bingeha bersivên wan her xwendekarên xwendekaran tomar bike û annotîne. Rêza-bingeha, forma ku "heke" li ser asta "heke" diyar dike, ji bo nimûne: "Heke X diqewime," heke x "(liu et al., 2014) Ger daneya daneyê têkel û modela dara biryarê bi baldarî tê perwerdekirin û nirxandin, ev nêzîkatî dikare rêyek bi bandor be ku pêvajoya lihevkirina LS-ê bike û ye.
Di qonaxa duyemîn a pêşkeftinê de, dataset ji 255 zêde bû ku rastiya amûrê pêşniyarê baştir bike. Daneyên daneyê di rêjeya 1: 4 de parçebûn. 25% (64) ji daneya daneya ji bo seta testê hate bikar anîn, û 75% (191) wekî Set Set (Figure 2) hate bikar anîn. Pêdivî ye ku daneyên daneyê dabeş bibin da ku nimûne ji hêla perwerdekirinê û li ser heman daneya daneyê ve were ceribandin, ku dibe ku modela ji bîr nekin ji bilî fêrbûnê. Modela li ser perwerdehiyê tête perwerdekirin û performansa xwe li ser daneya testê ya testê nirxandiye modela berê nedîtiye.
Piştî ku amûrek were pêşve xistin, serlêdan dê bikaribe li ser bingeha bersivên xwendekarên diranan bi navgîniya navbeynkariyê ve were çandin. Pergala Pêşniyara Ewlekariya Agahdariya Agahdariya Web-based bi karanîna Python programming zimanê ku di çarçoweya Django de wekî paşde hatî bikar anîn. Table 2 Lîstikên pirtûkxaneyên ku di pêşveçûna vê pergalê de têne bikar anîn navnîş dike.
Dataset bi modela dara biryarê ve tê xwestin ku bersivên xwendekar were hesibandin û derxistin da ku pîvandinên LS-yê bixweber bikin.
Matrixê tevliheviyê ji bo nirxandina rastbûna makîneya dara biryarê ya ku algorîtmaya fêrbûna li ser daneya daneya dayîn tê bikar anîn. Di heman demê de, ew performansa modela kategoriyê nirxand. Ew pêşbîniyên modela kurt dike û wan bi labelên daneya rastîn re berhev dike. Encamên nirxandinê li ser çar nirxên cûda hene: Rastîn erênî (TP) bi rengek rastîn, derewîn (FP) pêşbîn kir, lê labelê rastîn negatîf, negatîf (tn) bû - Modela bi rengek rast pêşbîn kir, û neyînî ya neyînî (FN) - Modela çîna neyînî texmîn dike, lê labelê rastîn erênî ye.
Piştra van nirxan ji bo hesabkirina metrikên cihêreng ên performansê yên modela çîna-ya Scikit-fêrbûnê ya li Python, nemaze rast, rastîn, bîra û encama F1. Li vir mînak hene:
Bi bîr bînin (an hişmendî) pîvana modela ku bi rehetî li gorî pirsa pirsnameya M-ILS-ê di derheqê xwendekarê xwendekarê de ye.
Taybetmendî wekî rêjeyek neyînî ya rastîn tête navandin. Wekî ku hûn ji Formula jorîn bibînin, divê ev bibe rêjeya negatîfên rastîn (TN) li negatîfên rastîn û erêniyên derewîn (FP). Wekî beşek ji amûrê pêşniyazkirî ji bo dermankirina dermanên xwendekar, divê ew ji nasnameya rastîn be.
Data ya bingehîn a 50 xwendekar ji bo trêna biryara ML ya ku ji ber xeletiya mirovahî di Annotations (Table 3) de rastbûna kêmasiya kêm nîşan da. Piştî ku bernameyek bingehîn a rêgezek hêsan a ku bixweber hesabên LS û Annotasyonên Xwendekaran, hejmarek zêde ya daneyên (255) tê bikar anîn (255) ji bo perwerdekirin û ceribandina pergala pêşniyar kirin.
Di matrixê ya tevliheviyê ya multiclass de, hêmanên diagonal ji bo her celebê ls hejmarek rast nîşan didin (Figure 4). Bikaranîna modela dara biryarê, bi tevahî 64 nimûneyên rast hatine pêşbîn kirin. Bi vî rengî, di vê lêkolînê de, hêmanên diagonal encamên hêvîdar nîşan didin, ku destnîşan dikin ku modela baş performansê dike û bi rehetî labelê polê ji bo her çîna LS texmîn dike. Bi vî rengî, rastbûna giştî ya amûreya pêşniyarê 100% ye.
Nirxên rastiyê, rastbûn, bîra û f1 di Figure 5 de têne destnîşan kirin. nirxên.
Hêjmar 6 dît ku piştî perwerdehiyê û ceribandinê qediya, dîtbariyek dara biryarê. Di berhevdanek aliyekî de, modela dara biryarê ku bi taybetmendiyên kêmtir perwerde tê perwerdekirin û xuyangkirina modela hêsantir û hêsantir nîşan dan. Ev nîşan dide ku endezyariya taybetmendiyê ya ku ji bo kêmkirina taybetmendiyê di başkirina performansa modêl de gavek girîng e.
Bi pêkanîna dara biryarê, fêrbûna biryarê, nexşeya di navbera LS (têketin) de û (derketina hedef) bixweber tê çêkirin û agahdariya berfireh ji bo her ls.
Encam nîşan da ku 34.9% ji 255 xwendekar yek (1) LS vebijarkî tercîh kir. Piraniyê (54.3%) du an zêdetir tercîhên LS hebû. 12.2% ji xwendekaran destnîşan kir ku LS pir baldar e (Table 4). Digel vê yekê heşt Ls sereke, 34 kombînasyona klasîkên LS ji bo zanîngeha xwendekarên Diranan ên Malayayê hene. Di nav wan de, nêrîn, dîtî, û berhevoka têgihiştinê û dîtinê Lsên sereke ku ji hêla xwendekaran ve hatine ragihandin hene (Figure 7).
Wekî ku ji Table 4 ve tê dîtin, piraniya xwendekaran xwedan hestek serdest (13.7%) an dîtbarî (8.6%) ls. Hat ragihandin ku 12.2% xwendekar ji nêrîna bi dîtinî (Lsên Disual-Disual). Van dîtinan pêşniyar dikin ku xwendekar tercîh dikin ku bi rêbazên damezrandî fêr bibin û bi bîr bînin, prosedurên taybetî û berfireh bişopînin û di xwezayê de baldar bin. Di heman demê de, ew ji lêgerînê hez dikin ku bigerin (bi karanîna diagrams, hwd.) Û li ser koman an li ser xwe agahdariyê nîqaş bikin û bicîh bikin.
Vê lêkolînê nêrînek teknîkên fêrbûna makîneyê di daneya daneyê de tête bikar anîn, bi baldarî li yekser û rast pêşbînîkirina xwendekarên xwendekaran û pêşniyazkirina minasib e. Serîlêdana modela dara biryarê faktorên ku bi piranî bi jiyana xwe û ezmûnên perwerdehiyê ve girêdayî nas kir. Ew algorîtmayek fêrbûna çavdêriyê ye ku avahiyek dara ku bikar tîne dabeşkirina daneyan bi dabeşkirina daneyê di nav bingehên hin pîvan de. Ew ji hêla navgîniya daneya inputê ve di nav dîmenên li ser bingeha nirxa yek ji nîgarên input ên her nodê navxweyî de dabeş dike
Nodên navxweyî yên biryarê li ser bingeha taybetmendiyên input ên pirsgirêka M-IL-ê temsîl dikin, û nîgarên pelê pêşbîniya klasîk a LS ya paşîn temsîl dikin. Li seranserê xwendinê, hêsan e ku merivên hiyerarşiyê yên darên biryarê fêm bikin ku pêvajoya biryarê diyar dike û dîtbar li têkiliya di navbera taybetmendiyên input û pêşbîniyên derketinê de digerin.
Di warên zanistên computer û endezyariyê de, algorîtmayên fêrbûna makîneyê bi berfirehî ji bo pêşbînîkirina performansa xwendinê li ser bingeha encamên azmûna xwe ya li ser bingeha encamên demografî [22]. Lêkolîn nîşan da ku algorîtmê performansa xwendekaran bi rehetî texmîn kir û alîkariya wan kir ku ew ji xwendekaran re xeternakin ji bo tengasiyên akademîk nas bikin.
Serîlêdana algorîtmayên ML di pêşkeftina simulatorên nexweşên virtual de ji bo perwerdehiya diranan tê ragihandin. Simulator bi rehetî bersivên fîzyolojîk ên nexweşên rastîn e û dikare were bikar anîn da ku xwendekarên diranan di hawîrdorek aram û kontrolkirî de were bikar anîn [23]. Lêkolînên din ên din destnîşan dikin ku algorîtmayên fêrbûna makîneyê dikarin bi potansiyel û kargêriya perwerdehiya diranan û bijîjkî baştir bikin. Algorîtmayên fêrbûna makîneyê ji bo arîkariya tespîtkirina nexweşiyên diranan li ser bingeha daneyên daneyên wekî nîşan û taybetmendiyên nexweşan [24, 25]. Dema ku lêkolînên din jî karanîna algorîtmayên fêrbûna makîneyê hatine kirin da ku peywirên bîhnfirehî yên texmîn bikin, naskirina nexweşên bilind ên xeternak, pêşxistina planên dermankirinê yên kesane [26], û dermankirina karies [25].
Her çend raporên li ser serlêdana fêrbûna makîneyê di diranan de hatine weşandin, serlêdana wê di perwerdehiya diranan de sînorkirî dimîne. Ji ber vê yekê, vê lêkolînê armanc kir ku modela dara biryarê bikar bîne da ku faktorên ku bi ls ve girêdayî ye û di nav xwendekarên diranan de ye.
Encamên vê lêkolînê destnîşan dikin ku amûrê pêşniyara pêşkeftî xwedî rastbûn û rastbûna bêkêmasî ye, ku nîşan dide ku mamoste ji vê amûrê sûd werbigirin. Bikaranîna pêvajoyek dabeşkirina daneyê, ew dikare pêşnîyarên kesane peyda bike û ezmûnên perwerdehiyê û encamên perwerdehiyê ji bo mamoste û xwendekaran baştir bike. Di nav wan de, agahdariya ku bi amûrên pêşniyarê hatine wergirtin dikarin pevçûnên di navbera mamosteyan di navbera mamosteyan de rêbazên hînkirinê yên bijare û hewcedariyên hînbûna xwendekaran çareser bikin. Mînakî, ji ber derketina amûrên pêşniyarê, dema ku hewce ye ku IP-ya xwendekar nas bike û bi IP-ya têkildar re têkildar be dê bi girîngî kêm bibe. Bi vî rengî, çalakiyên perwerdehiya guncan û materyalên perwerdehiyê dikarin werin rêxistin kirin. Ev ji bo pêşxistina tevgerên fêrbûna erênî û jêhatîbûna xwendekaran alîkar dike. Yek lêkolînek ragihand ku ji xwendekaran re peydakirina materyalên fêrbûnê û çalakiyên fêrbûna wan dikare alîkariyê bide xwendekaran Lêkolîn her weha nîşan dide ku ji bilî başkirina beşdarbûna xwendekar di polê de, têgihiştina pêvajoya fêrbûnê ya xwendekaran jî di baştirkirina pratîkên hînkirinê û ragihandinê de bi xwendekaran re rolek krîtîk dike [28, 29].
Lêbelê, wekî her teknolojiyek nûjen, pirsgirêk û sînorkirin hene. Vana pirsgirêkên bi nepenîtiya daneyê, bias û dadperweriyê re têkildar in, û jêhatîbûn û çavkaniyên profesyonel hewce ne ku algorîtmayên fêrbûna makîneyê di perwerdehiya diranan de pêşve bibin; Lêbelê, zêdebûn û lêkolîna li vê deverê pêşniyar dike ku teknolojiyên hînbûna makîneyê dibe ku bandorek erênî li ser perwerdehiya diranan û karûbarên diranan hebe.
Encamên vê lêkolînê destnîşan dikin ku nîvê xwendekarên diranan xwedî meyla "dermankirina" derman. Ev celeb fêrker ji bo rastiyan û nimûneyên konkret, ji bo hûrgulî, bîhnfirehiyek pratîkî, û pêşgotinek "a", grafîk, reng, û nexşeyan tercîh dikin. Encamên heyî bi lêkolînên din re bi karanîna ILS-ê bi karanîna Ls di xwendekarên diranan û bijîjkî de ne, piraniya wan xwedan taybetmendiyên xeternak û dîtin [12, 30]. Dalmolin et al pêşniyar dike ku agahdariya xwendekaran di derbarê Ls-ê de dihêle ew bigihîjin potansiyela fêrbûna wan. Lekolînwanan argûn dikin ku dema ku mamoste pêvajoya perwerdehiyê ya xwendekaran fêm dikin, rêbaz û çalakiyên hînkirinê yên cihêreng dikarin bêne pêkanîn ku dê ezmûna xwendekaran û fêrbûna xwendekaran baştir bike [12, 31, 31, 32]. Lêkolînên din destnîşan kir ku guhastina xwendekaran di ezmûna fêrbûna xwendekaran de di ezmûna fêrbûnê û performansa xwendinê de nîşan dide ku guheztina şêwazên fêrbûna xwe ji bo ku li gorî lsên xwe biguhezînin [13, 33].
Dibe ku nêrînên mamosteyan di derbarê pêkanîna bicihanîna stratejiyên hînkirinê de li ser bingeha karûbarên fêrbûna xwendekaran li ser bingehê binirxînin. Dema ku hinek feydeyên vê nêzîkatiyê dibînin, di nav de derfetên pêşkeftina profesyonel, mentor û piştgiriya civakê, yên din dikarin di derbarê dem û piştgiriya saziyê de têkildar bin. Ji bo çêkirina helwestek xwendekarek xwendekar hewl dide ku meriv dikare keyfxweş bike. Karbidestên Perwerdehiya Bilind, wek rêveberên zanîngehê, dikarin di ajotina danûstendina erênî de bi danasîna pratîkên nûjen û piştgiriya pêşkeftina fakulteyê rolek girîng bilîzin [34]. Ji bo afirandina pergalek perwerdehiyê ya bilind û berpirsiyar, divê siyasetmedaran gavên bîhnfirehiyê bigirin, yên ku ji bo yekkirina teknolojiyê ne, û afirandina nêzîkbûna navendên xwendekar pêşve diçin. Van pîvanan ji bo bidestxistina encamên xwestî krîtîk in. Lêkolînên Dawîn ên li ser Rêbernameya Cûdahî eşkere ye ku pêkanîna serfiraziya serfiraziyê ji bo mamosteyên perwerdehiyê û pêşveçûna pêşkeftinê hewce dike [35].
Ev amûr piştgiriya hêja ji mamosteyên diranan re peyda dike ku dixwazin nêzîkatiyek xwendekar-navend-xwendekaran ji plansazkirina çalakiyên fêrbûna xwendekar-xwendekar re peyda bikin. Lêbelê, ev lêkolîn bi karanîna modelên Dara ML-ê re sînorkirî ye. Di pêşerojê de, divê bêtir daneyên berhev werin berhev kirin da ku performansa modelên fêrbûna makîneya cûda cûda bikin da ku rast, pêbawerbûn, û rastiya amûrên pêşniyarê berhev bikin. Wekî din, dema hilbijartina rêbaza fêrbûna makîneyê ya herî guncan ji bo karekî taybetî, girîng e ku faktorên din ên wekî tevliheviya modela û şîrovekirinê bifikirin.
Sînerek ji vê lêkolînê ev e ku ew tenê li ser nexşeya LS-ê balê dikişîne û di nav xwendekarên diranan de ye. Ji ber vê yekê, pergala pêşniyara pêşkeftî dê tenê yên ku ji bo xwendekarên diranan maqûl in pêşniyar bikin. Guhertin ji bo karanîna xwendekarê perwerdehiya bilind a giştî hewce ne.
Vebijêrkek Pêşkeftina Makîneyê ya Pêşkeftî ya Pêşkeftinê ya ku di cih de ye û lihevkirina xwendekaran e, ku ew yekem bernameya perwerdehiya diranan ye ku ji bo alîkariya mamosteyên diranan û çalakiyên fêrbûna têkildar arîkar bikin. Bikaranîna pêvajoyek danûstendinê ya daneyê, ew dikare pêşnîyarên kesane peyda bike, wextê xwe bide, baştirkirina stratejiyên hînkirinê, destwerdanên armanckirî, û pêşkeftina pîşeyî ya domdar pêşve bike. Serlêdana wê dê nêzîkatiyên xwendekar ên xwendekarê perwerdehiya diranan pêşve bibe.
Gilak Jani Associated Press. Di navbera şêwaza fêrbûna xwendekar û şêwaza hînkirina mamosteyê de hevber an lihevhatî. Int j mod zanistiya computer. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijMecs.2012.11.05
Demjimêra paşîn: Avrêl-29-2024