Di saziyên perwerdehiya bilind de, tevî diranan, pêdivî bi fêrbûna xwendekar-navend (SCL) heye.Lêbelê, SCL di perwerdehiya diranan de serîlêdana tixûbdar e.Ji ber vê yekê, ev lêkolîn armanc dike ku sepana SCL di diranan de bi karanîna teknolojiya fêrbûna makîneya dara biryarê (ML) pêşve bixe da ku şêwaza fêrbûna bijare (LS) û stratejiyên fêrbûna têkildar (IS) yên xwendekarên diranan wekî amûrek bikêr ji bo pêşkeftina rêwerzên IS-ê nexşîne. .Rêbazên sozdar ji bo xwendekarên diranan.
Bi tevahî 255 xwendekarên diranan ji Zanîngeha Malaya pirsnameya guhertî ya Indeksa Şêweyên Fêrbûnê (m-ILS) temam kirin, ku tê de 44 hêman hene da ku wan di LS-yên xwe yên têkildar de dabeş bikin.Daneyên berhevkirî (ku jê re databas tê gotin) di fêrbûna dara biryarê ya çavdêrîkirî de tê bikar anîn da ku bixweber şêwazên fêrbûna xwendekaran bi IS-a herî guncaw re li hev bike.Dûv re rastbûna amûra pêşniyara IS-a-based fêrbûna makîneyê tê nirxandin.
Serîlêdana modelên dara biryarê di pêvajoyek nexşeya otomatîkî ya di navbera LS (vedan) û IS (derketina armanc) de rê dide navnîşek tavilê ya stratejiyên fêrbûna guncan ji bo her xwendekarek diranan.Amûra pêşniyara IS rastbûna bêkêmasî û bibîranîna rastbûna modela giştî destnîşan kir, û destnîşan kir ku lihevkirina LS bi IS re hesasiyet û taybetmendiyek baş heye.
Amûrek pêşniyara IS-ê ya ku li ser bingeha dara biryara ML-yê ye, kapasîteya xwe îsbat kiriye ku bi rasthatinî şêwazên fêrbûna xwendekarên diranan bi stratejiyên fêrbûna guncan re li hev bike.Ev amûr ji bo plansazkirina qurs an modulên navend-xwendekar vebijarkên hêzdar peyda dike ku dikare ezmûna fêrbûna xwendekaran zêde bike.
Hînkirin û hînbûn di saziyên perwerdehiyê de çalakiyên bingehîn in.Dema ku pergalek perwerdehiya pîşeyî ya bi kalîte pêşve dixin, girîng e ku meriv balê bikişîne ser hewcedariyên fêrbûna xwendekaran.Têkiliya di navbera xwendekar û hawîrdora fêrbûna wan de dikare bi LS-ya wan were destnîşankirin.Lêkolîn destnîşan dike ku nelihevkirinên ku ji hêla mamoste ve têne armanc kirin di navbera LS û IS ya xwendekaran de dikare encamên neyînî li ser fêrbûna xwendekaran bike, wek kêmbûna baldarî û motîvasyonê.Ev ê nerasterast bandorê li performansa xwendekar bike [1,2].
IS rêbazek e ku ji hêla mamosteyan ve tê bikar anîn da ku zanîn û jêhatîbûnê bidin xwendekaran, di nav de alîkariya xwendekaran a hînbûnê jî [3].Bi gelemperî, mamosteyên baş stratejiyên hînkirinê an IS plan dikin ku herî baş bi asta zanîna xwendekarên xwe, têgînên ku ew fêr dibin û qonaxa fêrbûna wan re li hev dikin.Ji hêla teorîkî ve, dema ku LS û IS li hev bikin, xwendekar dê karibin komek jêhatîbûnek taybetî saz bikin û bikar bînin da ku bi bandor fêr bibin.Bi gelemperî, plansaziyek dersê di navbera qonaxan de gelek veguherînan vedihewîne, wek mînak ji hînkirinê berbi pratîka rêberî an ji pratîka rêberî berbi pratîka serbixwe.Di hişê vê yekê de, mamosteyên bi bandor bi gelemperî bi mebesta avakirina zanîn û jêhatîbûna xwendekaran perwerdehiyê plan dikin [4].
Daxwaza SCL li saziyên xwendina bilind, tevî diranan, mezin dibe.Stratejiyên SCL têne çêkirin ku hewcedariyên fêrbûna xwendekaran bicîh bînin.Ev dikare were bidestxistin, bo nimûne, heke xwendekar bi awayekî aktîf beşdarî çalakiyên fêrbûnê bibin û mamoste wekî hêsankar tevbigerin û ji pêşkêşkirina bertekên hêja berpirsiyar bin.Tê gotin ku peydakirina materyalên fêrbûnê û çalakiyên ku li gorî asta perwerdehiyê an tercîhên xwendekaran guncaw in, dikarin hawîrdora fêrbûna xwendekaran baştir bikin û ezmûnên fêrbûna erênî pêşve bibin [5].
Bi gelemperî, pêvajoya fêrbûna xwendekarên diranan ji hêla pêvajoyên klînîkî yên cihêreng ên ku ji wan re tê xwestin û hawîrdora klînîkî ya ku tê de jêhatîbûnên navbeynkar ên bi bandor pêşve diçin ve tê bandor kirin.Armanca perwerdehiyê ew e ku xwendekar karibin zanyariyên bingehîn ên diranan bi jêhatîbûnên klînîkî yên diranan re bikin yek û zanîna bidestxistî di rewşên klînîkî yên nû de bicîh bikin [6, 7].Lêkolîna destpêkê ya li ser têkiliya di navbera LS û IS de hate dîtin ku verastkirina stratejiyên fêrbûnê yên ku li gorî LS-ya bijarte hatine nexşandin dê bibe alîkar ku pêvajoya perwerdehiyê baştir bike [8].Nivîskar her weha pêşniyar dikin ku cûrbecûr awayên hînkirin û nirxandinê bikar bînin da ku li gorî fêrbûn û hewcedariyên xwendekaran biguncînin.
Mamoste ji sepandina zanîna LS sûd werdigirin da ku ji wan re bibin alîkar ku ew perwerdehiyê sêwirandin, pêşdebirin û bicîh bînin ku dê wergirtina xwendekaran a zanîna kûr û têgihiştina mijarê zêde bike.Lekolînwanan gelek amûrên nirxandina LS pêşve xistine, wek Modela Fêrbûna Ezmûnî ya Kolb, Modela Şêweya Fêrbûnê ya Felder-Silverman (FSLSM), û Modela Fleming VAK/VARK [5, 9, 10].Li gorî wêjeyê, ev modelên hînbûnê modelên hînbûnê yên ku herî zêde têne bikar anîn û herî zêde têne xwendin in.Di xebata lêkolînê ya heyî de, FSLSM ji bo nirxandina LS di nav xwendekarên diranan de tê bikar anîn.
FSLSM ji bo nirxandina fêrbûna adaptîf di endezyariyê de modelek pir tê bikar anîn.Di zanistên tenduristiyê de gelek xebatên çapkirî hene (di nav de derman, hemşîre, dermanxane û diranan) ku dikarin modelên FSLSM bikar bînin [5, 11, 12, 13].Amûra ku ji bo pîvandina pîvanên LS-ê di FLSM-ê de tê bikar anîn jê re Indeksa Şêweyên Fêrbûnê (ILS) [8] tê gotin, ku tê de 44 hêman hene ku çar pîvanên LS-ê dinirxînin: pêvajo (çalak / refleksîf), têgihîştin (têgihîştî/hişmendî), ketin (dîmenî)./devkî) û têgihiştinê (rêberî/cîhanî) [14].
Wekî ku di Figure 1 de tê xuyang kirin, her pîvanek FSLSM xwedan tercîhek serdest e.Mînakî, di pîvana pêvajoyê de, xwendekarên bi LS-ya "çalak" tercîh dikin ku agahdariyan bi rasterast bi materyalên fêrbûnê re têkilî daynin, bi kirinê fêr bibin û bi koman fêr bibin.LS "refleksîf" bi fêrbûna bi ramanê vedibêje û tercîh dike ku bi tenê bixebite.Pîvana "têgihîştinê" ya LS dikare li "hest" û / an "intuition" were dabeş kirin.Xwendekarên "hest" bêtir agahdarî û prosedurên pratîkî tercîh dikin, li gorî xwendekarên "hişmendî" yên ku materyalên razber tercîh dikin û di xwezaya xwe de nûjentir û afirîner in, li gorî rastiyê ne.Pîvana "navne" ya LS ji şagirtên "dîtbar" û "devkî" pêk tê.Kesên bi LS-ya "dîtbarî" tercîh dikin ku bi riya xwenîşandanên dîtbarî fêr bibin (wek diagram, vîdyo, an xwenîşandanên zindî), lê kesên bi LS-ya "devkî" tercîh dikin ku bi peyvan di ravekirinên nivîskî an devkî de fêr bibin.Ji bo "fêmkirina" pîvanên LS-ê, şagirtên weha dikarin li "serhev" û "gerdûnî" bêne dabeş kirin."Xwendevanên rêzdar pêvajoyek ramana rêzik tercîh dikin û gav bi gav fêr dibin, di heman demê de xwendekarên gerdûnî mêldarê pêvajoyek ramana tevdeyî ne û her gav xwedan têgihîştinek çêtir a tiştê ku ew fêr dibin hene.
Di van demên dawî de, gelek lêkolîner dest bi lêkolîna rêbazên ji bo vedîtina dane-rêveberiya otomatîkî kirine, di nav de pêşkeftina algorîtmayên nû û modelên ku dikarin mîqdarên mezin ên daneyan şîrove bikin [15, 16].Li ser bingeha daneyên peydakirî, ML-ya çavdêrîkirî (hînbûna makîneyê) dikare qalib û hîpotezên ku encamên pêşerojê li ser bingeha avakirina algorîtmayan pêşbînî dikin biafirîne [17].Bi hêsanî, teknîkên fêrbûna makîneyê yên çavdêrîkirî daneyên têketinê manîpule dikin û algorîtmayan perwerde dikin.Dûv re ew rêzek çêdike ku ji bo daneyên têketinê yên peydakirî li ser bingeha rewşên wekhev encam dabeş dike an pêşbîn dike.Feydeya sereke ya algorîtmayên fêrbûna makîneya çavdêrîkirî jêhatîbûna wê ye ku encamên îdeal û xwestî saz bike [17].
Bi karanîna rêbazên dane-rêvebir û modelên kontrolkirina dara biryarê, tespîtkirina otomatîkî ya LS gengaz e.Darên biryarê hatine ragihandin ku di bernameyên perwerdehiyê de di warên cihêreng de, tevî zanistên tenduristiyê, bi berfirehî têne bikar anîn [18, 19].Di vê lêkolînê de, model bi taybetî ji hêla pêşdebirên pergalê ve hate perwerde kirin da ku LS-ya xwendekaran nas bike û IS-a çêtirîn ji wan re pêşniyar bike.
Armanca vê lêkolînê ew e ku stratejiyên radestkirina IS-ê li ser bingeha LS-ya xwendekaran pêş bixe û bi pêşvebirina amûrek pêşniyara IS-ê ku ji LS-ê re hatî nexşe kirin, nêzîkatiya SCL-ê bicîh bîne.Herikîna sêwirana amûra pêşniyara IS wekî stratejiyek rêbaza SCL di Xiflteya 1-ê de tê xuyang kirin. Amûra pêşniyara IS di du beşan de tê dabeş kirin, di nav de mekanîzmaya dabeşkirina LS ya ku ILS bikar tîne û pêşandana IS-ê ya herî guncaw ji bo xwendekaran.
Bi taybetî, taybetmendiyên amûrên pêşnûmeya ewlehiya agahdariyê karanîna teknolojiyên malperê û karanîna fêrbûna makîneya dara biryarê vedihewîne.Pêşdebirên pergalê bi adaptekirina wan bi cîhazên desta yên wekî têlefonên desta û tabletan re ezmûna bikarhêner û tevgerê çêtir dikin.
Ezmûn di du qonaxan de hat kirin û xwendekarên Fakulteya Diranan a Zanîngeha Malaya bi dilxwazî beşdar bûn.Beşdaran bersiv da m-ILS-a serhêl a xwendekarek diranan bi Englishngilîzî.Di qonaxa destpêkê de, danehevek ji 50 xwendekaran hate bikar anîn da ku algorîtmaya fêrbûna makîneya dara biryarê perwerde bike.Di qonaxa duyemîn a pêvajoya pêşkeftinê de, danehevek ji 255 xwendekaran hate bikar anîn da ku rastbûna amûra pêşkeftî baştir bike.
Hemî beşdar di destpêka her qonaxê de, li gorî sala akademîk, bi navgîniya Tîmên Microsoft-ê ve agahdariyek serhêl werdigirin.Armanca lêkolînê hate ravekirin û razîbûna agahdar hate girtin.Ji hemî beşdaran re girêdanek hate peyda kirin ku bigihîjin m-ILS.Ji her şagirtek re hat xwestin ku bersiva her 44 xalên pirsnameyê bide.Hefteyek ji wan re hat dayîn ku ILS-ya guhertî di dem û cîhek ku ji wan re guncan be di dema betlaneya semesterê de berî destpêkirina semesterê temam bikin.M-ILS li ser amûra ILS ya orîjînal e û ji bo xwendekarên diranan hatî guheztin.Mîna ILS-a orîjînal, ew 44 hêmanên yeksan ên belavkirî (a, b), bi 11 hêmanan ve dihewîne, ku ji bo nirxandina aliyên her pîvanek FSLSM têne bikar anîn.
Di qonaxên destpêkê yên pêşkeftina amûrê de, lêkolîneran bi destan nexşeyan bi karanîna danehevek ji 50 xwendekarên diranan şîrove kirin.Li gorî FSLM, pergal bi tevahî bersivên "a" û "b" dide.Ji bo her pîvanê, heke xwendekar "a" wekî bersiv hilbijêrin, LS wekî Çalak / Têgihî / Dîmenî / Rêzdar tê dabeş kirin, û heke xwendekar "b" wekî bersiv hilbijêrin, xwendekar wekî Reflektîf / Hişmendî / Ziman tê dabeş kirin. ./ xwendekarê gerdûnî.
Piştî kalibrasyona xebata di navbera lêkolînerên perwerdehiya diranan û pêşdebirên pergalê de, pirs li ser bingeha qada FLSSM hatin hilbijartin û di modela ML de hatin bijartin da ku LS-ya her xwendekarek pêşbîn bike.Di warê fêrbûna makîneyê de, bi giranî li ser qalîteya daneyê, "Zop li hundur, zibil derket" gotinek populer e.Qalîteya daneya têketinê rastbûn û rastbûna modela fêrbûna makîneyê diyar dike.Di qonaxa endezyariya taybetmendiyê de, komek taybetmendiyek nû tê afirandin ku li ser bingeha FLSSM-ê bi tevahî bersivên "a" û "b" ye.Hejmarên nasnameyê yên pozîsyonên narkotîkê di Tablo 1 de têne dayîn.
Pûan li ser bingeha bersivan hesab bikin û LS-ya xwendekar diyar bikin.Ji bo her xwendekarekî, rêjeya puanan ji 1 heta 11 e. Pûanên ji 1 heta 3 nîşan dide hevsengiya tercîhên hînbûnê di nav heman pîvanê de, û xalên ji 5 heta 7 tercîhek nerm nîşan dide, ku nîşan dide ku xwendekar meyla tercîh dikin ku yek jîngehek hînî yên din bikin. .Guhertoyek din a li ser heman pîvanê ev e ku pûanên ji 9 heta 11 tercîhek bihêz a yek dawiya an ya din nîşan dide [8].
Ji bo her pîvanê, derman di nav "çalak", "refleks" û "hevseng" de hatin kom kirin.Mînakî, dema ku xwendekarek li ser xalek destnîşankirî pir caran ji "b" bersiva "a" dide û puana wî/wê ji bo babetek taybetî ku pîvana LS-ya Pêvajoyê temsîl dike ji sînorê 5-ê derbas dibe, ew di nav LS-ya "çalak" de ye. domain..Lêbelê, xwendekar dema ku di 11 pirsên taybetî de ji "a" bêtir "b" hilbijart (Table 1) wekî LS-ya "refleksîf" hatin dabeş kirin û ji 5 xalan zêdetir xal girtin.Di dawiyê de, xwendekar di rewşek "hevsengiyê" de ye.Ger xal ji 5 xalan derbas nebe, wê hingê ev "pêvajoyek" LS ye.Pêvajoya dabeşkirinê ji bo pîvanên din ên LS-ê, ango têgihîştinê (çalak / refleksîf), têketinê (dîtbar / devkî), û têgihîştin (rûpel / gerdûnî) hate dubare kirin.
Modelên dara biryarê dikarin di qonaxên cihêreng ên pêvajoya dabeşkirinê de binkeyên cûda yên taybetmendî û qaîdeyên biryarê bikar bînin.Ew amûrek dabeşkirin û pêşbîniyê ya populer tê hesibandin.Ew dikare bi karanîna avahiyek darê wekî nexşeya herikînê [20] were nimandin, ku tê de girêkên hundurîn hene ku ceribandinan ji hêla taybetmendiyê ve temsîl dikin, her şax encamên testê temsîl dike, û her girêkek pelê (girêka pel) etîketek polê vedihewîne.
Bernameyek bingehîn-rêkûpêk a hêsan hate afirandin ku bixweber LS-ya her xwendekarek li ser bingeha bersivên wan bihejîne û şîrove bike.Rêbaz-based forma daxuyaniyek IF-ê digire, ku "IF" tetikê vedibêje û "HEN" çalakiya ku tê kirin diyar dike, mînakî: "Heke X bibe, wê hingê Y bike" (Liu et al., 2014).Ger berhevoka daneyê pêwendiyê nîşan bide û modela dara biryarê bi rêkûpêk were perwerdekirin û nirxandin, ev nêzîkatî dikare bibe rêyek bi bandor ji bo otomatîkkirina pêvajoya hevberdana LS û IS.
Di qonaxa duyemîn a pêşkeftinê de, databasa 255 zêde bû da ku rastbûna amûra pêşniyarê baştir bike.Daneyên daneyan di rêjeyek 1:4 de tê dabeş kirin.25% (64) ji berhevoka daneyê ji bo berhevoka ceribandinê hate bikar anîn, û 75% mayî (191) wekî koma perwerdehiyê hate bikar anîn (Wêne 2).Pêdivî ye ku berhevoka daneyê were dabeş kirin da ku rê li ber perwerdekirin û ceribandina modelê li ser heman berhevoka daneyê bigire, ku dikare bibe sedema ku model ji fêrbûnê bi bîr bîne.Model li ser koma perwerdehiyê tê perwerde kirin û performansa xwe li ser koma testê dinirxîne - daneyên ku modela berê qet nedîtiye.
Dema ku amûra IS-ê hate pêşve xistin, serîlêdan dê bikaribe LS-ê li ser bingeha bersivên xwendekarên diranan bi navgînek tevnvîsê ve dabeş bike.Pergala amûra pêşnûmeya ewlehiya agahdariya-based web-ê bi karanîna zimanê bernamesaziya Python-ê ku çarçoweya Django wekî paşverû bikar tîne hatî çêkirin.Tablo 2 pirtûkxaneyên ku di pêşxistina vê pergalê de hatine bikar anîn navnîş dike.
Danûstendina ji modela dara biryarê re tê xwarin da ku bersivên xwendekar hesab bike û derxe da ku pîvanên LS-ya xwendekar bixweber dabeş bike.
Matrixa tevliheviyê ji bo nirxandina rastbûna algorîtmaya fêrbûna makîneya dara biryarê li ser komek daneyê tête bikar anîn.Di heman demê de, ew performansa modela dabeşkirinê dinirxîne.Ew pêşbîniyên modelê kurt dike û wan bi etîketên daneya rastîn re berhev dike.Encamên nirxandinê li ser çar nirxên cihêreng têne çêkirin: Erênî rast (TP) - modelê bi rast kategoriya erênî pêşbîn kir, Erênî derew (FP) - model kategoriya erênî pêşbîn kir, lê nîşana rastîn neyînî bû, Neyînî ya Rast (TN) - modela çîna neyînî rast pêşbînî kir, û neyînî ya derewîn (FN) - Model çînek neyînî pêşbînî dike, lê etîketa rastîn erênî ye.
Dûv re van nirx têne bikar anîn da ku pîvanên performansê yên cihêreng ên modela dabeşkirina scikit-hînbûnê ya li Python-ê, bi navgîniya rastbûn, rastbûn, bibîranîn, û xala F1-ê hesab bikin.Li vir nimûne hene:
Bîranîn (an hesasiyet) şiyana modelê dipîve ku bi rast LS-ya xwendekarek piştî bersivdana pirsnameya m-ILS dabeş bike.
Taybetmendî rêjeyek neyînî ya rastîn tê gotin.Wekî ku hûn ji formula jorîn dibînin, divê ev rêjeya neyînîyên rastîn (TN) ji neyînîyên rastîn û erênîyên derewîn (FP) be.Wekî beşek ji amûra pêşniyarkirî ya ji bo dabeşkirina dermanên xwendekar, pêdivî ye ku ew bikaribe nasnameya rast be.
Danûstendina orîjînal a 50 xwendekaran ku ji bo perwerdekirina modela ML-ya dara biryarê hatî bikar anîn ji ber xeletiya mirovî ya di şîroveyan de rastiyek kêm nîşan da (Table 3).Piştî afirandina bernameyek bingehîn-rêkûpêk a hêsan ku bixweber hejmarên LS û şîroveyên xwendekaran bihesibîne, hejmareke zêde ya daneyan (255) ji bo perwerdekirin û ceribandina pergala pêşniyarker hatin bikar anîn.
Di matrixa tevliheviya pir-çîniyî de, hêmanên diagonal ji bo her celebê LS-ê hejmara pêşbîniyên rast temsîl dikin (Wêne 4).Bi karanîna modela dara biryarê, bi tevahî 64 nimûne rast hatin pêşbînîkirin.Bi vî rengî, di vê lêkolînê de, hêmanên diagonal encamên bendewarî nîşan didin, û destnîşan dikin ku modela ji bo her dabeşkirina LS-ê baş bi rê ve dibe û bi durustî pêşbînî dike.Bi vî rengî, rastbûna giştî ya amûra pêşniyarê 100%.
Nirxên rastbûn, rastbûn, bibîranîn, û xala F1 di Figure 5 de têne xuyang kirin. Ji bo pergala pêşniyarê ku modela dara biryarê bikar tîne, xala wê ya F1 1.0 "bêkêmasî" ye, rastbûn û bîranîna bêkêmasî destnîşan dike, hesasiyet û taybetmendiyek girîng nîşan dide. nirxên.
Wêneyê 6 dîmenek modela dara biryarê nîşan dide piştî ku perwerdehî û ceribandinê qediya.Di berhevokek alî-alî de, modela dara biryarê ya ku bi taybetmendiyên hindiktir ve hatî perwerde kirin rastbûna bilindtir û dîtbariya modela hêsantir nîşan da.Ev nîşan dide ku endezyariya taybetmendiyê ku ber bi kêmkirina taybetmendiyê ve diçe di baştirkirina performansa modelê de gavek girîng e.
Bi serîlêdana fêrbûna çavdêriya dara biryarê re, nexşeya di navbera LS (vedan) û IS (derketina armanc) bixweber tê hilberandin û ji bo her LS-ê agahdariya hûrgulî dihewîne.
Encaman destnîşan kir ku 34,9% ji 255 xwendekaran yek (1) vebijarkek LS tercîh kirine.Piranîya (54.3%) du an bêtir tercîhên LS-ê hebûn.12,2% ji xwendekaran destnîşan kirin ku LS pir hevseng e (Table 4).Ji bilî heşt LS-yên sereke, ji bo xwendekarên diranan ên Zanîngeha Malaya 34 berhevokên dabeşkirina LS hene.Di nav wan de, têgihîştin, dîtin, û tevliheviya têgihîştin û dîtinê LS-ya sereke ne ku ji hêla xwendekaran ve têne ragihandin (Wêne 7).
Wekî ku ji Tabloya 4-ê tê dîtin, piraniya xwendekaran xwediyê LS-ya hestî (13.7%) an dîtbarî (8.6%) bûn.Hat ragihandin ku ji %12,2 xwendekaran têgihiştin û dîtinê (LS-ya têgihî-dîtbarî) li hev kirine.Van dîtinan destnîşan dikin ku xwendekar tercîh dikin ku bi rêbazên sazkirî fêr bibin û bibîr bînin, prosedurên taybetî û hûrgulî bişopînin, û di xwezayê de baldar in.Di heman demê de, ew bi dîtinê (bikaranîna diagraman, hwd.) ji fêrbûnê kêfxweş dibin û meyl dikin ku di koman de an bi serê xwe agahdarî nîqaş bikin û bicîh bînin.
Vê lêkolînê li ser teknîkên fêrbûna makîneyê yên ku di hilberandina daneyê de têne bikar anîn, bi hûrgulî li ser pêşbînkirina tavilê û rast a LS-ya xwendekaran û pêşniyara IS-ya maqûl peyda dike.Serîlêdana modela dara biryarê faktorên ku herî zêde bi jiyan û ezmûnên perwerdehiyê ve girêdayî ne destnîşan kir.Ew algorîtmayek fêrbûna makîneyê ya çavdêrîkirî ye ku avahiyek darê bikar tîne da ku daneyan dabeş bike bi dabeşkirina komek daneyan li binkategoriyan li ser bingeha hin pîvanan.Ew li gorî nirxa yek ji taybetmendiyên têketinê yên her girêka hundurîn bi vegerî dabeşkirina daneya têketinê li binkomeyan dixebite heya ku biryarek li girêka pelê were girtin.
Girêkên navxweyî yên dara biryarê çareseriyê li ser bingeha taybetmendiyên têketina pirsgirêka m-ILS temsîl dikin, û girêkên pelan pêşbîniya dabeşkirina LS ya paşîn temsîl dikin.Di seranserê lêkolînê de, hêsan e ku meriv hiyerarşiya darên biryarê yên ku pêvajoya biryarê rave dike û xuya dike bi dîtina têkiliya di navbera taybetmendiyên têketinê û pêşbîniyên derketinê de hêsan e.
Di warên zanist û endezyariya kompîturê de, algorîtmayên fêrbûna makîneyê bi berfirehî têne bikar anîn da ku performansa xwendekar li ser bingeha pûanên ezmûna ketina wan [21], agahdariya demografîk, û tevgera fêrbûnê [22] pêşbîn bikin.Lêkolînê destnîşan kir ku algorîtmayê bi rastî performansa xwendekaran pêşbîn kir û ji wan re bû alîkar ku xwendekarên di xetereya zehmetiyên akademîk de nas bikin.
Serîlêdana algorîtmayên ML di pêşkeftina simulatorên nexweşên virtual de ji bo perwerdehiya diranan tê ragihandin.Simulator karibe bersivên fîzyolojîkî yên nexweşên rast bi rengek rast dubare bike û dikare were bikar anîn da ku xwendekarên diranan di hawîrdorek ewledar û kontrolkirî de perwerde bike [23].Gelek lêkolînên din destnîşan dikin ku algorîtmayên fêrbûna makîneyê bi potansiyel dikarin kalîte û karbidestiya perwerdehiya diranan û bijîjkî û lênihêrîna nexweşan baştir bikin.Algorîtmayên fêrbûna makîneyê hatine bikar anîn da ku di teşhîskirina nexweşiyên diranan de li ser bingeha daneyên daneyan ên wekî nîşan û taybetmendiyên nexweşan bibin alîkar [24, 25].Digel ku lêkolînên din karanîna algorîtmayên fêrbûna makîneyê ji bo pêkanîna peywirên wekî pêşbînkirina encamên nexweş, naskirina nexweşên bi xetereya bilind, pêşvebirina planên dermankirina kesane [26], dermankirina payodontal [27], û dermankirina kariesê [25] vekolandine.
Her çend raporên li ser serîlêdana fêrbûna makîneyê di diranan de hatine weşandin jî, serîlêdana wê di perwerdehiya diranan de tixûbdar dimîne.Ji ber vê yekê, vê lêkolînê armanc kir ku modelek dara biryarê bikar bîne da ku di nav xwendekarên diranan de faktorên ku herî nêzîk bi LS û IS re têkildar in nas bike.
Encamên vê lêkolînê nîşan didin ku amûra pêşniyarê ya pêşkeftî xwedan rastbûna bilind û rastbûna bêkêmasî ye, ku nîşan dide ku mamoste dikarin ji vê amûrê sûd werbigirin.Bi karanîna pêvajoyek dabeşkirina danûstendinê, ew dikare pêşniyarên kesane peyda bike û ezmûn û encamên perwerdehiyê ji bo mamoste û xwendekaran baştir bike.Di nav wan de, agahdariya ku bi navgîniya amûrên pêşniyarê têne wergirtin dikare nakokiyên di navbera rêbazên hînkirinê yên bijare yên mamosteyan û hewcedariyên fêrbûna xwendekaran de çareser bike.Mînakî, ji ber hilberîna otomatîkî ya amûrên pêşniyarê, dema ku hewce dike ku IP-ya xwendekarek nas bike û wê bi IP-ya têkildar re hevber bike dê pir kêm bibe.Bi vî rengî, çalakiyên perwerdehiyê yên guncan û materyalên perwerdehiyê dikarin werin organîze kirin.Ev dibe alîkar ku reftarên fêrbûna erênî yên xwendekaran û jêhatîbûna baldarbûnê pêşve bibin.Lêkolînek ragihand ku peydakirina xwendekaran bi materyalên fêrbûnê û çalakiyên fêrbûnê yên ku bi LS-ya xweya bijartî re hevaheng in dikare ji xwendekaran re bibe alîkar ku bi gelek awayan fêr bibin, pêvajo bikin û kêfê bikin da ku bigihîjin potansiyela mezintir [12].Lêkolîn her weha destnîşan dike ku ji bilî başkirina beşdariya xwendekar di polê de, têgihîştina pêvajoya fêrbûna xwendekaran jî di başkirina pratîkên hînkirinê û ragihandina bi xwendekaran re rolek girîng dilîze [28, 29].
Lêbelê, wekî her teknolojiya nûjen, pirsgirêk û sînor hene.Di nav wan de mijarên têkildarî nepenîtiya daneyê, bialîtî û dadperweriyê, û jêhatîbûn û çavkaniyên pîşeyî yên ku ji bo pêşvebirin û bicihanîna algorîtmayên fêrbûna makîneyê di perwerdehiya diranan de hewce ne;Lêbelê, mezinbûna berjewendî û lêkolînê di vî warî de destnîşan dike ku teknolojiyên fêrbûna makîneyê dibe ku bandorek erênî li ser perwerdehiya diranan û karûbarên diranan bike.
Encamên vê lêkolînê diyar dikin ku nîvê xwendekarên diranan meyla "têgihîştina" dermanan heye.Ev celeb xwendekar tercîhek ji bo rastî û mînakên berbiçav, rêgezek pratîkî, sebirek ji bo hûrguliyê, û tercîhek LS ya "dîtbarî" heye, ku xwendekar tercîh dikin ku wêne, grafîk, reng û nexşeyan bikar bînin da ku fikir û ramanan ragihînin.Encamên heyî bi lêkolînên din re hevaheng in ku ILS bikar tînin da ku LS-ê di xwendekarên diranan û bijîjkî de binirxînin, ku piraniya wan xwedî taybetmendiyên LS-ya têgihîştî û dîtbar in [12, 30].Dalmolin et al pêşniyar dikin ku agahdarkirina xwendekaran li ser LS-ya xwe dihêle ku ew bigihîjin potansiyela fêrbûna xwe.Lekolînwan argûman dikin ku dema ku mamoste bi tevahî pêvajoya perwerdehiya xwendekaran fam bikin, rêbaz û çalakiyên cûda yên hînkirinê dikarin werin sepandin ku dê performansa xwendekaran û ezmûna fêrbûnê çêtir bikin [12, 31, 32].Lêkolînên din destnîşan kirin ku verastkirina LS-ya xwendekaran jî piştî guheztina şêwazên fêrbûna xwe li gorî LS-ya xwe çêtir di ezmûn û performansa fêrbûna xwendekaran de nîşan dide [13, 33].
Dibe ku ramanên mamosteyan di derbarê pêkanîna stratejiyên hînkirinê de li ser bingeha şiyanên fêrbûna xwendekaran cûda bin.Gava ku hin feydeyên vê nêzîkatiyê dibînin, di nav de fersendên pêşkeftina pîşeyî, şêwirmendî, û piştgirîya civakê, yên din dikarin ji dem û piştgirîya sazûmaniyê bi fikar bin.Hewldana ji bo hevsengiyê ji bo afirandina helwestek xwendekar-navend girîng e.Rayedarên perwerdehiya bilind, wek rêveberên zanîngehê, dikarin bi danasîna pratîkên nûjen û piştgirîkirina pêşveçûna fakulteyê di ajotina guhertinên erênî de rolek girîng bilîzin [34].Ji bo afirandina pergalek perwerdehiya bilind a bi rastî dînamîk û bersivdar, pêdivî ye ku siyasetvan gavên wêrek bavêjin, wek çêkirina guhertinên siyasetê, veqetandina çavkaniyan ji yekbûna teknolojiyê re, û afirandina çarçoveyên ku nêzîkatiyên xwendekar-navendî pêşve dibin.Ev tedbîr ji bo bidestxistina encamên xwestî krîtîk in.Lêkolînên dawî yên li ser hîndariya cihêreng bi eşkere destnîşan kir ku pêkanîna serketî ya hîndekariya cihêreng ji mamosteyan re perwerdehiya domdar û derfetên pêşkeftinê hewce dike [35].
Ev amûr ji mamosteyên diranan re ku dixwazin ji bo plansazkirina çalakiyên fêrbûna xwendekar-heval nêzîkatiyek xwendekar-navendî bigirin destekek hêja peyda dike.Lêbelê, ev lêkolîn bi karanîna modelên ML dara biryarê re sînorkirî ye.Di pêşerojê de, pêdivî ye ku bêtir dane bêne berhev kirin da ku performansa modelên fêrbûna makîneya cihêreng bidin ber hev da ku rastbûn, pêbawerî û rastbûna amûrên pêşniyarê bidin ber hev.Wekî din, dema ku ji bo karek taybetî rêbaza fêrbûna makîneyê ya herî maqûl hilbijêrin, girîng e ku meriv faktorên din ên wekî tevlihevî û şîrovekirina modelê bihesibîne.
Sînorek vê lêkolînê ev e ku ew tenê balê dikişîne ser nexşeya LS û IS di nav xwendekarên diranan de.Ji ber vê yekê, pergala pêşniyarê ya pêşkeftî dê tenê yên ku ji bo xwendekarên diranan guncan in pêşniyar bike.Guhertin ji bo karanîna xwendekarê xwendina bilind a gelemperî hewce ne.
Amûra pêşniyarê ya ku ji nû ve hatî pêşkeftina fêrbûna makîneyê dikare tavilê LS-ya xwendekaran bi IS-ya têkildar re dabeş bike û li hev bike, ew dike yekem bernameya perwerdehiya diranan ku ji mamosteyên diranan re dibe alîkar ku çalakiyên hînkirin û fêrbûnê yên têkildar plansaz bike.Bi karanîna pêvajoyek danûstendinê ya danûstendinê, ew dikare pêşnîyarên kesane peyda bike, wext xilas bike, stratejiyên hînkirinê baştir bike, destekên armanckirî piştgirî bike, û pêşkeftina pîşeyî ya domdar pêşve bibe.Serîlêdana wê dê nêzîkatiyên xwendekar-navendî yên perwerdehiya diranan pêşve bibe.
Gilak Jani Associated Press.Di navbera şêwaza hînbûna şagirt û şêwaza hînkirina mamoste de lihevhatin an jî nelihevkirin.Int J Mod Educ Science Computer.2012; 4 (11): 51-60.https://doi.org/10.5815/ijmecs.2012.11.05
Dema şandinê: Avrêl-29-2024