Li saziyên xwendina bilind, tevî diransaziyê jî, hewcedariyek mezin bi fêrbûna navend-xwendekar (SCL) heye. Lêbelê, sepandina SCL di perwerdehiya diranan de bi sînor e. Ji ber vê yekê, armanca vê lêkolînê ew e ku sepandina SCL di diransaziyê de bi karanîna teknolojiya fêrbûna makîneyê ya dara biryarê (ML) pêşve bibe da ku şêwaza fêrbûna bijarte (LS) û stratejiyên fêrbûnê yên têkildar (IS) yên xwendekarên diranan wekî amûrek bikêrhatî ji bo pêşxistina rêbernameyên IS nexşe bike. Rêbazên sozdar ji bo xwendekarên diranan.
Bi tevahî 255 xwendekarên diranan ji Zanîngeha Malaya pirsnameya Indeksa Şêwazên Fêrbûnê (m-ILS) ya guhertî temam kirin, ku 44 babetan dihewîne da ku wan di nav LS-yên wan ên têkildar de dabeş bike. Daneyên berhevkirî (ku jê re komek daneyan tê gotin) di fêrbûna dara biryarê ya çavdêrîkirî de têne bikar anîn da ku şêwazên fêrbûna xwendekaran bi awayê otomatîkî bi IS-ya herî guncaw re li hev bikin. Dûv re rastbûna amûra pêşniyara IS-ya li ser bingeha fêrbûna makîneyê tê nirxandin.
Bikaranîna modelên dara biryarê di pêvajoyek nexşerêkirina otomatîk de di navbera LS (têketin) û IS (derketina armanc) de rê dide ku ji bo her xwendekarekî diranan navnîşek tavilê ya stratejiyên fêrbûnê yên guncaw çêbibe. Amûra pêşniyara IS rastbûn û bîranîna bêkêmasî ya rastbûna modela giştî nîşan da, ku nîşan dide ku hevahengkirina LS bi IS re xwedî hesasiyet û taybetmendiyek baş e.
Amûrek pêşniyara IS-ê ku li ser dara biryarê ya ML-ê hatiye damezrandin, şiyana xwe ya lihevhatina şêwazên fêrbûna xwendekarên diranan bi stratejiyên fêrbûna guncaw re bi awayekî rast îspat kiriye. Ev amûr vebijarkên bihêz ji bo plansazkirina qurs an modulên navendî-xwendekar peyda dike ku dikarin ezmûna fêrbûna xwendekaran zêde bikin.
Hînkirin û fêrbûn çalakiyên bingehîn in di saziyên perwerdehiyê de. Dema ku pergaleke perwerdehiya pîşeyî ya bi kalîte tê pêşxistin, girîng e ku meriv li ser pêdiviyên fêrbûnê yên xwendekaran bisekine. Têkiliya di navbera xwendekaran û jîngeha fêrbûna wan de dikare bi rêya LS-ya wan were destnîşankirin. Lêkolîn destnîşan dikin ku nelihevhatinên ku ji hêla mamosteyan ve di navbera LS û IS-ya xwendekaran de têne armanc kirin dikarin encamên neyînî li ser fêrbûna xwendekaran hebin, wekî kêmbûna baldariyê û motîvasyonê. Ev ê bi awayekî nerasterast bandorê li performansa xwendekaran bike [1,2].
IS rêbazek e ku ji hêla mamosteyan ve tê bikar anîn da ku zanîn û jêhatîbûnan bidin xwendekaran, di nav de alîkariya fêrbûna xwendekaran [3]. Bi gelemperî, mamosteyên baş stratejiyên hînkirinê an IS plan dikin ku çêtirîn li gorî asta zanîna xwendekarên wan, têgehên ku ew fêr dibin û qonaxa fêrbûna wan in. Ji hêla teorîkî ve, dema ku LS û IS li hev bikin, xwendekar dê bikaribin komek jêhatîbûnên taybetî organîze bikin û bikar bînin da ku bi bandor fêr bibin. Bi gelemperî, planeke dersê çend veguheztinên di navbera qonaxan de vedihewîne, wek mînak ji hînkirinê ber bi pratîka rêberkirî an ji pratîka rêberkirî ber bi pratîka serbixwe. Bi vê yekê di hişê xwe de, mamosteyên bi bandor pir caran hînkirinê bi armanca avakirina zanîn û jêhatîbûna xwendekaran plan dikin [4].
Daxwaza ji bo SCL li saziyên xwendina bilind, di nav de diranan jî, zêde dibe. Stratejiyên SCL ji bo pêkanîna hewcedariyên fêrbûnê yên xwendekaran hatine çêkirin. Ev dikare were bidestxistin, bo nimûne, ger xwendekar bi awayekî çalak beşdarî çalakiyên fêrbûnê bibin û mamoste wekî hêsankar tevbigerin û berpirsiyar bin ji bo dayîna bersivên hêja. Tê gotin ku dabînkirina materyalên fêrbûnê û çalakiyên ku li gorî asta perwerdehiyê an tercîhên xwendekaran in, dikare hawîrdora fêrbûnê ya xwendekaran baştir bike û ezmûnên fêrbûnê yên erênî pêş bixe [5].
Bi gelemperî, pêvajoya fêrbûna xwendekarên diranan ji hêla prosedurên klînîkî yên cûrbecûr ên ku ji wan tê xwestin ku pêk bînin û jîngeha klînîkî ya ku ew tê de jêhatîyên navberî yên bi bandor pêş dixin ve tê bandorkirin. Armanca perwerdeyê ew e ku xwendekar bikaribin zanîna bingehîn a diranan bi jêhatîyên klînîkî yên diranan re bikin yek û zanîna bidestxistî li rewşên klînîkî yên nû bicîh bînin [6, 7]. Lêkolînên destpêkê yên li ser têkiliya di navbera LS û IS de dîtin ku sererastkirina stratejiyên fêrbûnê yên ku li gorî LS-ya bijarte hatine nexşandin dê bibe alîkar ku pêvajoya perwerdehiyê baştir bibe [8]. Nivîskar her weha pêşniyar dikin ku cûrbecûr rêbazên hînkirin û nirxandinê werin bikar anîn da ku li gorî fêrbûn û hewcedariyên xwendekaran werin adaptekirin.
Mamoste ji sepandina zanîna LS sûd werdigirin da ku alîkariya wan bikin ku rêwerzan sêwirînin, pêşve bibin û bicîh bînin ku dê bidestxistina zanîn û têgihîştina kûrtir a xwendekaran a mijarê zêde bike. Lêkolîneran çend amûrên nirxandina LS pêşxistine, wekî Modela Fêrbûna Ezmûnî ya Kolb, Modela Şêwaza Fêrbûna Felder-Silverman (FSLSM), û Modela Fleming VAK/VARK [5, 9, 10]. Li gorî wêjeyê, ev modelên fêrbûnê modelên fêrbûnê yên herî zêde têne bikar anîn û herî zêde lêkolînkirî ne. Di xebata lêkolînê ya heyî de, FSLSM ji bo nirxandina LS di nav xwendekarên diranan de tê bikar anîn.
FSLSM modelek berfireh e ji bo nirxandina fêrbûna adapteyî di endezyariyê de. Gelek xebatên weşandî di zanistên tenduristiyê de hene (di nav de bijîşkî, hemşîretî, dermansazî û diranan) ku bi karanîna modelên FSLSM têne dîtin [5, 11, 12, 13]. Amûra ku ji bo pîvandina pîvanên LS di FLSM de tê bikar anîn jê re Indeksa Şêwazên Fêrbûnê (ILS) tê gotin [8], ku 44 babetan dihewîne ku çar pîvanên LS dinirxînin: pêvajo (çalak/refleksîf), têgihîştin (têgihîştî/sehneyî), têketin (dîtbarî). /devkî) û têgihîştin (li pey hev/gerdûnî) [14].
Wekî ku di Wêne 1 de tê xuyang kirin, her pîvana FSLSM xwedî tercîhek serdest e. Bo nimûne, di pîvana pêvajoyê de, xwendekarên bi LS-ya "çalak" tercîh dikin ku agahdariyê bi têkiliya rasterast bi materyalên fêrbûnê re pêvajo bikin, bi kirinê fêr bibin, û meyla wan heye ku di koman de fêr bibin. LS-ya "refleksîf" behsa fêrbûna bi riya ramanê dike û tercîh dike ku bi tena serê xwe bixebite. Pîvana "têgihîştinê" ya LS-ê dikare were dabeş kirin "hestkirin" û/an "intuîsyon". Xwendekarên "hestkirin" agahdariya berbiçavtir û prosedurên pratîkî tercîh dikin, li gorî xwendekarên "intuîsîf" ên ku materyalê abstrakt tercîh dikin û ji hêla xwezayê ve bêtir nûjen û afirîner in, li ser rastiyan nêrîn in. Pîvana "têketinê" ya LS-ê ji fêrbûyên "dîtbarî" û "devkî" pêk tê. Kesên bi LS-ya "dîtbarî" tercîh dikin ku bi riya xwepêşandanên dîtbarî (wek diyagram, vîdyo, an xwepêşandanên zindî) fêr bibin, lê kesên bi LS-ya "devkî" tercîh dikin ku bi riya peyvan di ravekirinên nivîskî an devkî de fêr bibin. Ji bo "fêmkirina" pîvanên LS-ê, ev fêrbûy dikarin werin dabeş kirin bo "rêzik" û "gerdûnî". "Fêrbûyarên li pey hev pêvajoyeke ramana xêzik tercîh dikin û gav bi gav fêr dibin, lê fêrbûyarên gerdûnî meyla wan heye ku pêvajoyeke ramana holîstîk hebe û her gav têgihîştineke çêtir a tiştê ku fêr dibin heye."
Di demên dawî de, gelek lêkolîneran dest bi lêkolîna rêbazên ji bo kifşkirina otomatîkî ya bi daneyên ajotî kirine, di nav de pêşxistina algorîtma û modelên nû yên ku dikarin mîqdarên mezin ên daneyan şîrove bikin [15, 16]. Li ser bingeha daneyên peyda kirî, ML (fêrbûna makîneyê) ya çavdêrîkirî dikare qalib û hîpotezên ku encamên pêşerojê li ser bingeha avakirina algorîtmayan pêşbînî dikin çêbike [17]. Bi kurtasî, teknîkên fêrbûna makîneyê ya çavdêrîkirî daneyên têketinê manîpule dikin û algorîtmayan perwerde dikin. Dûv re ew rêzek çêdike ku encamê li gorî rewşên wekhev ji bo daneyên têketinê yên peyda kirî dabeş dike an pêşbînî dike. Avantaja sereke ya algorîtmayên fêrbûna makîneyê ya çavdêrîkirî şiyana wê ya danîna encamên îdeal û xwestî ye [17].
Bi rêya bikaranîna rêbazên daneyan û modelên kontrola dara biryardanê, tespîtkirina otomatîkî ya LS mimkun e. Hat ragihandin ku darên biryardanê di bernameyên perwerdehiyê de di warên cûrbecûr de, di nav de zanistên tenduristiyê jî, bi berfirehî têne bikar anîn [18, 19]. Di vê lêkolînê de, model bi taybetî ji hêla pêşdebirên pergalê ve hate perwerdekirin da ku LS-ya xwendekaran nas bike û IS-ya çêtirîn ji bo wan pêşniyar bike.
Armanca vê lêkolînê ew e ku stratejiyên radestkirina IS-ê li ser bingeha LS-ya xwendekaran werin pêşxistin û rêbaza SCL-ê bi pêşxistina amûrek pêşniyara IS-ê ya ku bi LS-ê ve girêdayî ye were sepandin. Herikîna sêwirana amûra pêşniyara IS-ê wekî stratejiyek rêbaza SCL-ê di Wêne 1-ê de tê nîşandan. Amûra pêşniyara IS-ê li du beşan dabeş dibe, di nav de mekanîzmaya dabeşkirina LS-ê bi karanîna ILS-ê û pêşandana IS-ê ya herî guncaw ji bo xwendekaran.
Bi taybetî, taybetmendiyên amûrên pêşniyarkirina ewlehiya agahdariyê karanîna teknolojiyên webê û karanîna fêrbûna makîneyê ya dara biryardanê vedihewîne. Pêşdebirên pergalê bi adaptekirina wan bi cîhazên mobîl ên wekî telefonên mobîl û tabletan re ezmûna bikarhêner û mobîlîteyê baştir dikin.
Ceribandin di du qonaxan de hat kirin û xwendekarên Fakulteya Diranan a Zanîngeha Malaya bi dilxwazî beşdarî bûn. Beşdaran bersiva m-ILS-a serhêl a xwendekarekî diranan bi îngilîzî dan. Di qonaxa destpêkê de, komek daneyan ji 50 xwendekaran ji bo perwerdekirina algorîtmaya fêrbûna makîneyê ya dara biryarê hat bikar anîn. Di qonaxa duyemîn a pêvajoya pêşveçûnê de, komek daneyan ji 255 xwendekaran ji bo baştirkirina rastbûna amûra pêşkeftî hat bikar anîn.
Hemû beşdar di destpêka her qonaxê de, li gorî sala akademîk, bi rêya Microsoft Teams, agahdariyek serhêl distînin. Armanca lêkolînê hate ravekirin û razîbûna agahdar hate wergirtin. Ji hemû beşdaran re girêdanek ji bo gihîştina m-ILS hate dayîn. Ji her xwendekarekî re hate gotin ku bersiva hemû 44 pirsên di pirsnameyê de bide. Hefteyek ji wan re hate dayîn ku ILS-ya guhertî di dem û cîhek guncaw de di dema betlaneya semesterê de berî destpêkirina semesterê temam bikin. m-ILS li ser amûra ILS-ya orîjînal e û ji bo xwendekarên diranan hatiye guherandin. Mîna ILS-ya orîjînal, ew 44 pirsên bi awayekî wekhev belavkirî (a, b) dihewîne, ku her yek 11 tişt hene, ku ji bo nirxandina aliyên her pîvana FSLSM têne bikar anîn.
Di qonaxên destpêkê yên pêşxistina amûran de, lêkolîneran bi destan nexşeyan bi karanîna komek daneyan ji 50 xwendekarên diranan şîrove kirin. Li gorî FSLM, pergal berhevoka bersivên "a" û "b" peyda dike. Ji bo her pîvanê, heke xwendekar "a" wekî bersivek hilbijêre, LS wekî Çalak/Fêhmkirî/Dîtbarî/Rêzdar tê dabeşkirin, û heke xwendekar "b" wekî bersivek hilbijêre, xwendekar wekî Refleksîf/Intuîtîv/Zimanperwer / fêrbûyê gerdûnî tê dabeşkirin.
Piştî kalibrkirina herikîna kar di navbera lêkolînerên perwerdehiya diranan û pêşdebirên pergalê de, pirs li gorî qada FLSSM hatin hilbijartin û ji bo pêşbînîkirina LS-ya her xwendekarekî di modela ML de hatin danîn. "Çop tê hundir, çop derdikeve" gotineke populer e di warê fêrbûna makîneyê de, ku tekezî li ser kalîteya daneyan dike. Kalîteya daneyên têketinê rastbûn û duristbûna modela fêrbûna makîneyê diyar dike. Di qonaxa endezyariya taybetmendiyan de, komek taybetmendiyên nû tê afirandin ku berhevoka bersivên "a" û "b" li gorî FLSSM ye. Hejmarên nasnameyê yên pozîsyonên dermanan di Tabloya 1-ê de têne dayîn.
Li gorî bersivan puanan hesab bike û LS-ya xwendekar diyar bike. Ji bo her xwendekarekî, rêza puanan ji 1 heta 11 e. Puanên ji 1 heta 3 hevsengiya tercîhên fêrbûnê di heman pîvanê de nîşan didin, û puanên ji 5 heta 7 tercîhek nerm nîşan didin, ku nîşan dide ku xwendekar meyla wan heye ku hawîrdorek tercîh bikin ku yên din fêr dike. Guhertoyek din a heman pîvanê ev e ku puanên ji 9 heta 11 tercîhek xurt ji bo aliyekî an aliyekî din nîşan didin [8].
Ji bo her pîvanê, derman li gorî "çalak", "refleksîf" û "hevseng" hatin kom kirin. Bo nimûne, dema ku xwendekarek li ser babetek diyarkirî pir caran ji "b" bêtir bersiva "a" dide û puana wî/wê ji bo babetek taybetî ku pîvana LS ya Pêvajoyan temsîl dike ji sînorê 5 derbas dibe, ew/a aîdî qada LS ya "çalak" e. Lêbelê, xwendekar wekî LS ya "refleksîf" hatin dabeş kirin dema ku wan di 11 pirsên taybetî de "b" ji "a" zêdetir hilbijartin (Tabloya 1) û ji 5 puanan zêdetir xal wergirtin. Di dawiyê de, xwendekar di rewşek "hevsengiyê" de ye. Ger puan ji 5 puanan derbas nebe, wê hingê ev LS ya "pêvajoyê" ye. Pêvajoya dabeşkirinê ji bo pîvanên din ên LS, ango têgihîştin (çalak/refleksîf), têketin (dîtbar/devkî), û têgihîştin (li pey hev/gerdûnî), hate dubare kirin.
Modelên dara biryardanê dikarin di qonaxên cûda yên pêvajoya dabeşkirinê de komên cuda yên taybetmendî û qaîdeyên biryardanê bikar bînin. Ew wekî amûrek dabeşkirin û pêşbînîkirinê ya populer tê hesibandin. Ew dikare bi karanîna avahiyek darê wekî nexşeya herikînê [20] were temsîl kirin, ku tê de girêkên navxweyî hene ku ceribandinan li gorî taybetmendiyê temsîl dikin, her şax encamên ceribandinê temsîl dike, û her girêka pelê (girêka pelê) etîketek çînê dihewîne.
Bernameyeke hêsan a li ser bingeha qaîdeyan hate afirandin da ku LS-ya her xwendekarekî li gorî bersivên wan bixweber xal û şîrove bike. Bernameyeke li ser bingeha qaîdeyan bi şiklê daxuyaniyeke IF digire, ku tê de "IF" tetikê diyar dike û "THEN" çalakiya ku were kirin diyar dike, mînakî: "Ger X çêbibe, wê hingê Y bike" (Liu et al., 2014). Ger koma daneyan korelasyonê nîşan bide û modela dara biryarê bi rêkûpêk were perwerdekirin û nirxandin, ev rêbaz dikare bibe rêyek bi bandor ji bo otomatîkkirina pêvajoya hevberkirina LS û IS.
Di qonaxa duyemîn a pêşveçûnê de, ji bo baştirkirina rastbûna amûra pêşniyarê, daneya daneyê bo 255 hate zêdekirin. Daneyên daneyê bi rêjeya 1:4 hatine dabeşkirin. %25 (64) ji daneya daneyê ji bo seta ceribandinê hatin bikar anîn, û %75 (191) ya mayî wekî seta perwerdehiyê hatin bikar anîn (Wêne 2). Pêdivî ye ku daneya daneyê were dabeşkirin da ku model li ser heman daneya daneyê neyê perwerdekirin û ceribandin, ku ev dikare bibe sedema ku model ji dêvla fêrbûnê bi bîr bîne. Model li ser daneya perwerdehiyê tê perwerdekirin û performansa xwe li ser daneya ceribandinê dinirxîne - daneyên ku model berê qet nedîtiye.
Dema ku amûra IS were pêşxistin, serîlêdan dê bikaribe LS-ê li gorî bersivên xwendekarên diranan bi rêya navrûyek webê dabeş bike. Pergala amûrên pêşniyara ewlehiya agahdariyê ya li ser webê bi karanîna zimanê bernamesaziyê Python-ê û bi karanîna çarçoveya Django wekî piştperdeyê hatiye çêkirin. Tabloya 2 pirtûkxaneyên ku di pêşxistina vê pergalê de hatine bikar anîn navnîş dike.
Seta daneyan ji bo modela dara biryarê tê dayîn da ku bersivên xwendekaran were hesibandin û derxistin da ku pîvandinên LS-ê yên xwendekaran bixweber werin dabeş kirin.
Matrîksa tevliheviyê ji bo nirxandina rastbûna algorîtmayek fêrbûna makîneyê ya dara biryarê li ser komek daneyên dayî tê bikar anîn. Di heman demê de, ew performansa modela dabeşkirinê dinirxîne. Ew pêşbîniyên modelê kurte dike û wan bi etîketên daneyên rastîn re berawird dike. Encamên nirxandinê li ser çar nirxên cûda ne: Erênî ya Rast (TP) - model kategoriya erênî bi awayekî rast pêşbînî kir, Erênî ya Derewîn (FP) - model kategoriya erênî pêşbînî kir, lê etîketa rast neyînî bû, Neynî ya Rast (TN) - model çîna neyînî bi awayekî rast pêşbînî kir, û neyînî ya derewîn (FN) - Model çînek neyînî pêşbînî dike, lê etîketa rast erênî ye.
Dûvre ev nirx ji bo hesabkirina metrîkên performansê yên cûrbecûr ên modela dabeşkirina scikit-learn di Python de têne bikar anîn, ango rastbûn, precision, recall, û puana F1. Li vir mînak hene:
Bîranîn (an jî hesasiyet) şiyana modelê ya ji bo dabeşkirina rast a LS-ya xwendekarek piştî bersivdayîna pirsnameya m-ILS dipîve.
Taybetmendî wekî rêjeyek neyînî ya rastîn tê binavkirin. Wekî ku hûn ji formula jorîn dibînin, ev divê rêjeya neyînîyên rastîn (TN) li hember neyînîyên rastîn û erênîyên derewîn (FP) be. Wekî beşek ji amûra pêşniyarkirî ji bo dabeşkirina dermanên xwendekaran, divê ew bikaribe nasnameya rast bike.
Seta daneyên orîjînal a 50 xwendekaran ku ji bo perwerdekirina modela ML ya dara biryarê hat bikar anîn, ji ber xeletiya mirovan di şîroveyan de rastbûnek nisbeten kêm nîşan da (Tabloya 3). Piştî afirandina bernameyek hêsan a li ser bingeha qaîdeyan ji bo hesabkirina otomatîkî ya puanên LS û şîroveyên xwendekaran, hejmareke zêde ya setên daneyan (255) ji bo perwerdekirin û ceribandina pergala pêşniyarker hatin bikar anîn.
Di matrîksa tevliheviya pirçînî de, hêmanên diyagonal hejmara pêşbîniyên rast ji bo her celebê LS temsîl dikin (Wêne 4). Bi karanîna modela dara biryarê, bi tevahî 64 nimûne bi awayekî rast hatin pêşbînîkirin. Bi vî awayî, di vê lêkolînê de, hêmanên diyagonal encamên hêvîkirî nîşan didin, ku nîşan didin ku model baş dixebite û bi rastî etîketa çînê ji bo her dabeşkirina LS pêşbînî dike. Bi vî awayî, rastbûna giştî ya amûra pêşniyarê %100 e.
Nirxên rastbûn, duristbûn, bîranîn û puana F1 di Şekil 5 de têne nîşandan. Ji bo pergala pêşniyarê ku modela dara biryarê bikar tîne, puana wê ya F1 1.0 "bêkêmahî" ye, ku rastbûn û bîranîna bêkêmahî nîşan dide, ku nirxên girîng ên hesasiyet û taybetmendiyê nîşan dide.
Wêne 6 dîtbarîkirina modela dara biryarê piştî qedandina perwerde û ceribandinê nîşan dide. Di berawirdkirineke mil bi mil de, modela dara biryarê ya ku bi taybetmendiyên kêmtir hatiye perwerdekirin rastbûneke bilindtir û dîtbarîkirina modelê hêsantir nîşan da. Ev nîşan dide ku endezyariya taybetmendiyan ku dibe sedema kêmkirina taybetmendiyan gaveke girîng e di baştirkirina performansa modelê de.
Bi sepandina fêrbûna çavdêrîkirî ya dara biryarê, nexşeya di navbera LS (ketin) û IS (derketina armanc) de bixweber tê çêkirin û ji bo her LS agahdariya berfireh dihewîne.
Encam nîşan dan ku %34.9 ji 255 xwendekaran yek (1) vebijarka LS tercîh kirin. Piraniya wan (%54.3) du an jî zêdetir tercîhên LS hebûn. %12.2 xwendekaran destnîşan kirin ku LS pir hevseng e (Tabloya 4). Ji bilî heşt LS-yên sereke, 34 kombînasyonên dabeşkirinên LS ji bo xwendekarên diranan ên Zanîngeha Malaya hene. Di nav wan de, têgihîştin, dîtin, û kombînasyona têgihîştin û dîtinê LS-yên sereke ne ku ji hêla xwendekaran ve têne ragihandin (Wêne 7).
Wekî ku ji Tabloya 4-an tê dîtin, piraniya xwendekaran LS-ya hestî (13.7%) an jî dîtbarî (8.6%) hebûn. Hat ragihandin ku 12.2% ji xwendekaran têgihîştinê bi dîtinê (LS-ya têgihîştin-dîtbarî) re li hev anîne. Ev encam nîşan didin ku xwendekar tercîh dikin ku bi rêbazên damezrandî fêr bibin û bi bîr bînin, prosedurên taybetî û berfireh bişopînin, û xwedî baldariyek xwezayî ne. Di heman demê de, ew ji fêrbûna bi nihêrînê (bi karanîna diyagraman, hwd.) kêfxweş dibin û meyla wan heye ku agahdariyê di koman de an bi serê xwe nîqaş bikin û bicîh bînin.
Ev lêkolîn nihêrînek giştî li ser teknîkên fêrbûna makîneyê yên ku di kolandina daneyan de têne bikar anîn peyda dike, bi balkişandina ser pêşbîniya tavilê û rast a LS-ya xwendekaran û pêşniyarkirina IS-ya guncaw. Bikaranîna modelek dara biryarê faktorên ku herî nêzîkî ezmûnên jiyan û perwerdehiya wan in destnîşan kir. Ew algorîtmayek fêrbûna makîneyê ya çavdêrîkirî ye ku avahiyek darê bikar tîne da ku daneyan bi dabeşkirina komek daneyan li binkategoriyan li gorî hin pîvanan dabeş bike. Ew bi dabeşkirina dubare ya daneyên têketinê li binkomên li gorî nirxa yek ji taybetmendiyên têketinê yên her girêka navxweyî dixebite heya ku biryarek li girêka pelê were girtin.
Girêkên hundirîn ên dara biryarê çareseriyê li ser bingeha taybetmendiyên têketinê yên pirsgirêka m-ILS temsîl dikin, û girêkên pelî pêşbîniya dabeşkirina LS ya dawîn temsîl dikin. Di seranserê lêkolînê de, têgihîştina hiyerarşiya darên biryarê yên ku pêvajoya biryarê rave dikin û bi nihêrîna têkiliya di navbera taybetmendiyên têketinê û pêşbîniyên derketinê de ronî dikin û xeyal dikin hêsan e.
Di warên zanista komputerê û endezyariyê de, algorîtmayên fêrbûna makîneyê bi berfirehî têne bikar anîn da ku performansa xwendekaran li gorî puanên ezmûna wan a têketinê [21], agahdariya demografîk û tevgera fêrbûnê [22] pêşbînî bikin. Lêkolînan nîşan da ku algorîtmayê performansa xwendekaran bi awayekî rast pêşbînî kir û alîkariya wan kir ku xwendekarên ku di xetereya zehmetiyên akademîk de ne nas bikin.
Bikaranîna algorîtmayên ML di pêşxistina simulatorên nexweşên virtual ji bo perwerdehiya diranan de tê ragihandin. Simulator dikare bersivên fîzyolojîk ên nexweşên rastîn bi awayekî rast dubare bike û dikare ji bo perwerdekirina xwendekarên diranan di hawîrdorek ewle û kontrolkirî de were bikar anîn [23]. Çend lêkolînên din nîşan didin ku algorîtmayên fêrbûna makîneyê dikarin potansiyel kalîte û karîgeriya perwerdehiya diranan û bijîşkî û lênêrîna nexweşan baştir bikin. Algorîtmayên fêrbûna makîneyê ji bo alîkariya teşhîskirina nexweşiyên diranan li ser bingeha setên daneyan wekî nîşan û taybetmendiyên nexweşan hatine bikar anîn [24, 25]. Di heman demê de lêkolînên din karanîna algorîtmayên fêrbûna makîneyê ji bo pêkanîna peywirên wekî pêşbînîkirina encamên nexweşan, destnîşankirina nexweşên bi xetereya bilind, pêşxistina planên dermankirinê yên kesane [26], dermankirina periodontal [27], û dermankirina kariyerê [25] lêkolîn kirine.
Her çend rapor li ser sepandina fêrbûna makîneyê di perwerdehiya diranan de hatine weşandin jî, sepandina wê di perwerdehiya diranan de hîn jî bi sînor e. Ji ber vê yekê, armanca vê lêkolînê ew bû ku modelek dara biryardanê bikar bîne da ku faktorên ku herî zêde bi LS û IS di nav xwendekarên diranan de ve girêdayî ne nas bike.
Encamên vê lêkolînê nîşan didin ku amûra pêşniyarê ya pêşkeftî xwedî rastbûnek bilind û rastbûnek bêkêmasî ye, ku nîşan dide ku mamoste dikarin ji vê amûrê sûd werbigirin. Bi karanîna pêvajoyek dabeşkirina li ser bingeha daneyan, ew dikare pêşniyarên kesane peyda bike û ezmûn û encamên perwerdehiyê ji bo perwerdekar û xwendekaran baştir bike. Di nav wan de, agahdariya ku bi rêya amûrên pêşniyarê hatî bidestxistin dikare nakokiyên di navbera rêbazên hînkirinê yên tercîhkirî yên mamosteyan û hewcedariyên fêrbûna xwendekaran de çareser bike. Mînakî, ji ber derana otomatîkî ya amûrên pêşniyarê, dema ku ji bo destnîşankirina IP-ya xwendekarek û hevahengkirina wê bi IP-ya têkildar re hewce ye dê bi girîngî kêm bibe. Bi vî rengî, çalakiyên perwerdehiyê û materyalên perwerdehiyê yên guncan dikarin werin organîze kirin. Ev dibe alîkar ku tevgera fêrbûna erênî ya xwendekaran û şiyana balkişandinê pêşve bibe. Lêkolînek ragihand ku dabînkirina materyalên fêrbûnê û çalakiyên fêrbûnê yên ku li gorî LS-ya wan a tercîhkirî ne dikare alîkariya xwendekaran bike ku bi gelek awayan fêr bibin, pêvajo bikin û jê kêfê bistînin da ku potansiyelek mezintir bi dest bixin [12]. Lêkolîn her weha nîşan dide ku ji bilî baştirkirina beşdariya xwendekaran di polê de, têgihîştina pêvajoya fêrbûna xwendekaran di baştirkirina pratîkên hînkirinê û ragihandinê de bi xwendekaran re jî rolek girîng dilîze [28, 29].
Lêbelê, wekî her teknolojiyek nûjen, pirsgirêk û sînorkirin hene. Ev pirsgirêkên têkildarî nepeniya daneyan, alîgirî û dadperweriyê, û jêhatîbûn û çavkaniyên pîşeyî yên ku ji bo pêşxistin û bicîhanîna algorîtmayên fêrbûna makîneyê di perwerdehiya diranan de hewce ne vedihewîne; Lêbelê, eleqe û lêkolînên zêde di vî warî de nîşan didin ku teknolojiyên fêrbûna makîneyê dikarin bandorek erênî li ser perwerdehiya diranan û karûbarên diranan bikin.
Encamên vê lêkolînê nîşan didin ku nîvê xwendekarên diranan meyla "fêmkirina" dermanan heye. Ev celeb fêrbûn tercîhek ji bo rastiyan û mînakên berbiçav, oryantasyonek pratîkî, sebir ji bo hûrguliyan, û tercîhek "dîtbarî" ya LS heye, ku fêrbûn tercîh dikin ku wêne, grafîk, reng û nexşeyan bikar bînin da ku raman û ramanan vebêjin. Encamên heyî bi lêkolînên din ên ku ILS bikar tînin da ku LS di xwendekarên diranan û bijîşkî de binirxînin, lihevhatî ne, ku piraniya wan xwedî taybetmendiyên LS-ya têgihîştin û dîtbarî ne [12, 30]. Dalmolin û hevkarên wî pêşniyar dikin ku agahdarkirina xwendekaran li ser LS-ya wan dihêle ku ew bigihîjin potansiyela xwe ya fêrbûnê. Lêkolîner dibêjin ku dema ku mamoste bi tevahî pêvajoya perwerdehiyê ya xwendekaran fam dikin, rêbaz û çalakiyên cûrbecûr ên hînkirinê dikarin werin bicîh kirin ku dê performans û ezmûna fêrbûna xwendekaran baştir bikin [12, 31, 32]. Lêkolînên din nîşan dane ku sererastkirina LS-ya xwendekaran di heman demê de piştî guhertina şêwazên fêrbûna wan da ku li gorî LS-ya xwe bin, di ezmûna fêrbûna xwendekaran û performansa wan de jî başbûn nîşan dide [13, 33].
Nêrînên mamosteyan di derbarê pêkanîna stratejiyên hînkirinê de li gorî şiyanên fêrbûna xwendekaran dikarin ji hev cuda bin. Her çend hin kes feydeyên vê rêbazê dibînin, di nav de derfetên pêşkeftina pîşeyî, rêberî û piştgiriya civakê, hinên din jî dikarin ji ber dem û piştgiriya saziyan bi fikar bin. Hewldana ji bo hevsengiyê ji bo afirandina helwestek xwendekar-navendî girîng e. Rayedarên perwerdehiya bilind, wekî rêvebirên zanîngehê, dikarin bi danasîna pratîkên nûjen û piştgirîkirina pêşkeftina fakulteyê rolek girîng di ajotina guhertina erênî de bilîzin [34]. Ji bo afirandina pergalek perwerdehiya bilind a bi rastî dînamîk û bersivdayî, divê çêkerên polîtîkayê gavên wêrek bavêjin, wekî guhertinên polîtîkayê, veqetandina çavkaniyan ji bo entegrasyona teknolojiyê, û afirandina çarçoveyên ku nêzîkatiyên xwendekar-navendî pêşve dixin. Ev tedbîr ji bo bidestxistina encamên xwestî girîng in. Lêkolînên dawî yên li ser hînkirina cihêreng bi zelalî nîşan dane ku pêkanîna serketî ya hînkirina cihêreng hewceyê derfetên perwerdehiya domdar û pêşkeftina mamosteyan e [35].
Ev amûr piştgiriyek hêja dide perwerdekarên diranan ên ku dixwazin nêzîkatiyek xwendekar-navendî ji bo plansazkirina çalakiyên fêrbûnê yên dostane ji bo xwendekaran bigirin. Lêbelê, ev lêkolîn bi karanîna modelên ML yên dara biryarê ve sînordar e. Di pêşerojê de, divê bêtir daneyan werin berhev kirin da ku performansa modelên cûda yên fêrbûna makîneyê were berhev kirin da ku rastbûn, pêbawerî û duristbûna amûrên pêşniyarê were berhev kirin. Wekî din, dema ku rêbaza fêrbûna makîneyê ya herî guncaw ji bo karekî taybetî tê hilbijartin, girîng e ku faktorên din ên wekî tevliheviya modelê û şîrovekirinê werin hesibandin.
Sînordariyeke vê lêkolînê ew e ku ew tenê li ser nexşerêkirina LS û IS di nav xwendekarên diranan de disekine. Ji ber vê yekê, pergala pêşniyarê ya pêşkeftî tenê yên ku ji bo xwendekarên diranan guncaw in pêşniyar dike. Ji bo karanîna xwendekarên xwendina bilind a giştî guhertin pêwîst in.
Amûra pêşniyarê ya nû ya li ser bingeha fêrbûna makîneyê dikare di cih de LS-ya xwendekaran bi IS-ya têkildar dabeş bike û li hev bike, ev yek jî dike yekem bernameya perwerdehiya diranan ku alîkariya perwerdekarên diranan dike ku çalakiyên hînkirin û fêrbûnê yên têkildar plan bikin. Bi karanîna pêvajoyek triyajê ya li ser daneyan, ew dikare pêşniyarên kesane peyda bike, demê xilas bike, stratejiyên hînkirinê baştir bike, destwerdanên hedefgirtî piştgirî bike, û pêşkeftina pîşeyî ya berdewam pêşve bibe. Bikaranîna wê dê nêzîkatiyên xwendekar-navendî ji bo perwerdehiya diranan pêşve bibe.
Gilak Jani Associated Press. Lihevhatin an nelihevhatin di navbera şêwaza fêrbûna xwendekar û şêwaza hînkirina mamoste de. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Dema weşandinê: 29ê Nîsanê-2024