ມີຄວາມຕ້ອງການເພີ່ມຂຶ້ນສໍາລັບການຮຽນຮູ້ຂອງນັກຮຽນເປັນໃຈກາງ (SCL) ໃນສະຖາບັນການສຶກສາທີ່ສູງຂຶ້ນ, ລວມທັງທັນຕະກໍາ.ຢ່າງໃດກໍຕາມ, SCL ມີຄໍາຮ້ອງສະຫມັກຈໍາກັດໃນການສຶກສາທັນຕະກໍາ.ດັ່ງນັ້ນ, ການສຶກສານີ້ມີຈຸດປະສົງເພື່ອສົ່ງເສີມການນໍາໃຊ້ SCL ໃນທັນຕະກໍາໂດຍນໍາໃຊ້ເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຕັດຕົ້ນໄມ້ (ML) ເພື່ອແຜນທີ່ຮູບແບບການຮຽນຮູ້ທີ່ຕ້ອງການ (LS) ແລະຍຸດທະສາດການຮຽນຮູ້ທີ່ສອດຄ້ອງກັນ (IS) ຂອງນັກສຶກສາທັນຕະກໍາເປັນເຄື່ອງມືທີ່ເປັນປະໂຫຍດສໍາລັບການພັດທະນາຄໍາແນະນໍາ IS. .ວິທີການສັນຍາສໍາລັບນັກສຶກສາທັນຕະກໍາ.
ນັກສຶກສາທັນຕະກໍາຈໍານວນ 255 ຄົນຈາກມະຫາວິທະຍາໄລມາລາຢາໄດ້ສໍາເລັດແບບສອບຖາມດັດນີຂອງຮູບແບບການຮຽນຮູ້ (m-ILS), ທີ່ມີ 44 ລາຍການເພື່ອຈັດປະເພດໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນ LSs ຂອງເຂົາເຈົ້າ.ຂໍ້ມູນທີ່ເກັບກຳໄດ້ (ເອີ້ນວ່າຊຸດຂໍ້ມູນ) ແມ່ນໃຊ້ໃນການຮຽນຮູ້ຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ມີການເບິ່ງແຍງເພື່ອຈັບຄູ່ຮູບແບບການຮຽນຮູ້ຂອງນັກຮຽນໂດຍອັດຕະໂນມັດກັບ IS ທີ່ເໝາະສົມທີ່ສຸດ.ຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືຄໍາແນະນໍາ IS ທີ່ອີງໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນໄດ້ຖືກປະເມີນຫຼັງຈາກນັ້ນ.
ການນໍາໃຊ້ຮູບແບບການຕັດສິນໃຈໃນຂະບວນການເຮັດແຜນທີ່ອັດຕະໂນມັດລະຫວ່າງ LS (ການປ້ອນຂໍ້ມູນ) ແລະ IS (ຜົນຜະລິດເປົ້າຫມາຍ) ອະນຸຍາດໃຫ້ມີລາຍການທັນທີທັນໃດຂອງຍຸດທະສາດການຮຽນຮູ້ທີ່ເຫມາະສົມສໍາລັບນັກສຶກສາທັນຕະກໍາແຕ່ລະຄົນ.ເຄື່ອງມືແນະນໍາຂອງ IS ໄດ້ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງທີ່ສົມບູນແບບແລະການເອີ້ນຄືນຄວາມຖືກຕ້ອງຂອງຕົວແບບໂດຍລວມ, ສະແດງໃຫ້ເຫັນວ່າການຈັບຄູ່ LS ກັບ IS ມີຄວາມອ່ອນໄຫວແລະສະເພາະທີ່ດີ.
ເຄື່ອງມືແນະນໍາ IS ໂດຍອີງໃສ່ຕົ້ນໄມ້ການຕັດສິນໃຈ ML ໄດ້ພິສູດຄວາມສາມາດຂອງຕົນໃນການຈັບຄູ່ຮູບແບບການຮຽນຮູ້ຂອງນັກຮຽນທັນຕະກໍາຢ່າງຖືກຕ້ອງກັບຍຸດທະສາດການຮຽນຮູ້ທີ່ເຫມາະສົມ.ເຄື່ອງມືນີ້ສະຫນອງທາງເລືອກທີ່ມີປະສິດທິພາບສໍາລັບການວາງແຜນຫຼັກສູດຫຼືໂມດູນທີ່ເນັ້ນໃສ່ການຮຽນຮູ້ຂອງນັກຮຽນທີ່ສາມາດເສີມຂະຫຍາຍປະສົບການການຮຽນຮູ້ຂອງນັກຮຽນ.
ການຮຽນ-ການສອນແມ່ນກິດຈະກໍາພື້ນຖານໃນສະຖາບັນການສຶກສາ.ເມື່ອພັດທະນາລະບົບອາຊີວະສຶກສາໃຫ້ມີຄຸນນະພາບສູງ, ຕ້ອງເອົາໃຈໃສ່ເຖິງຄວາມຕ້ອງການດ້ານການຮຽນຮູ້ຂອງນັກຮຽນ.ປະຕິສໍາພັນລະຫວ່າງນັກຮຽນແລະສະພາບແວດລ້ອມການຮຽນຮູ້ຂອງເຂົາເຈົ້າສາມາດຖືກກໍານົດໂດຍຜ່ານ LS ຂອງເຂົາເຈົ້າ.ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າຄວາມບໍ່ສອດຄ່ອງຂອງຄູສອນລະຫວ່າງ LS ແລະ IS ຂອງນັກຮຽນສາມາດສົ່ງຜົນກະທົບທາງລົບຕໍ່ການຮຽນຮູ້ຂອງນັກຮຽນ, ເຊັ່ນ: ການຫຼຸດລົງຂອງຄວາມສົນໃຈແລະແຮງຈູງໃຈ.ນີ້ຈະສົ່ງຜົນກະທົບຕໍ່ການປະຕິບັດທາງອ້ອມຂອງນັກຮຽນ [1,2].
IS ແມ່ນວິທີການທີ່ໃຊ້ໂດຍຄູເພື່ອຖ່າຍທອດຄວາມຮູ້ ແລະທັກສະໃຫ້ແກ່ນັກຮຽນ, ລວມທັງການຊ່ວຍເຫຼືອນັກຮຽນ [3].ໂດຍທົ່ວໄປແລ້ວ, ຄູສອນທີ່ດີວາງແຜນຍຸດທະສາດການສິດສອນ ຫຼື IS ທີ່ກົງກັບລະດັບຄວາມຮູ້ຂອງນັກຮຽນ, ແນວຄວາມຄິດທີ່ເຂົາເຈົ້າກຳລັງຮຽນ ແລະ ຂັ້ນຕອນຂອງການຮຽນຮູ້ທີ່ດີທີ່ສຸດ.ໃນທາງທິດສະດີ, ເມື່ອ LS ແລະ IS ກົງກັນ, ນັກຮຽນຈະສາມາດຈັດຕັ້ງແລະນໍາໃຊ້ທັກສະສະເພາະເພື່ອຮຽນຮູ້ຢ່າງມີປະສິດທິພາບ.ໂດຍປົກກະຕິ, ແຜນບົດຮຽນປະກອບມີການຫັນປ່ຽນຫຼາຍຂັ້ນລະຫວ່າງຂັ້ນຕອນ, ເຊັ່ນ: ຈາກການສອນໄປສູ່ການປະຕິບັດຄໍາແນະນໍາຫຼືຈາກການປະຕິບັດຄໍາແນະນໍາໄປສູ່ການປະຕິບັດເອກະລາດ.ດ້ວຍຄວາມຄິດນີ້, ຄູສອນທີ່ມີປະສິດຕິຜົນມັກຈະວາງແຜນການສອນໂດຍມີເປົ້າຫມາຍຂອງການສ້າງຄວາມຮູ້ແລະທັກສະຂອງນັກຮຽນ [4].
ຄວາມຕ້ອງການສໍາລັບ SCL ແມ່ນການຂະຫຍາຍຕົວໃນສະຖາບັນການສຶກສາທີ່ສູງຂຶ້ນ, ລວມທັງທັນຕະກໍາ.ຍຸດທະສາດ SCL ຖືກອອກແບບມາເພື່ອຕອບສະໜອງຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ.ນີ້ສາມາດບັນລຸໄດ້, ສໍາລັບການຍົກຕົວຢ່າງ, ຖ້ານັກຮຽນມີສ່ວນຮ່ວມຢ່າງຫ້າວຫັນໃນກິດຈະກໍາການຮຽນຮູ້ແລະຄູອາຈານເຮັດຫນ້າທີ່ເປັນຜູ້ອໍານວຍຄວາມສະດວກແລະຮັບຜິດຊອບໃນການສະຫນອງຄໍາຄຶດຄໍາເຫັນທີ່ມີຄຸນຄ່າ.ມັນໄດ້ຖືກກ່າວວ່າການສະຫນອງອຸປະກອນການຮຽນຮູ້ແລະກິດຈະກໍາທີ່ເຫມາະສົມກັບລະດັບການສຶກສາຂອງນັກຮຽນຫຼືຄວາມມັກສາມາດປັບປຸງສະພາບແວດລ້ອມການຮຽນຮູ້ຂອງນັກຮຽນແລະສົ່ງເສີມປະສົບການການຮຽນຮູ້ໃນທາງບວກ [5].
ໂດຍທົ່ວໄປແລ້ວ, ຂະບວນການຮຽນຮູ້ຂອງນັກຮຽນທັນຕະກໍາແມ່ນມີອິດທິພົນຈາກຂັ້ນຕອນທາງດ້ານຄລີນິກຕ່າງໆທີ່ພວກເຂົາຕ້ອງການເພື່ອປະຕິບັດແລະສະພາບແວດລ້ອມທາງດ້ານຄລີນິກທີ່ພວກເຂົາພັດທະນາທັກສະລະຫວ່າງບຸກຄົນທີ່ມີປະສິດທິພາບ.ຈຸດປະສົງຂອງການຝຶກອົບຮົມແມ່ນເພື່ອໃຫ້ນັກຮຽນໄດ້ລວມເອົາຄວາມຮູ້ພື້ນຖານຂອງທັນຕະກໍາກັບທັກສະທາງດ້ານການຊ່ວຍທາງທັນຕະກໍາແລະນໍາໃຊ້ຄວາມຮູ້ທີ່ໄດ້ມາກັບສະຖານະການທາງດ້ານການຊ່ວຍໃຫມ່ [6, 7].ການຄົ້ນຄວ້າໃນຕອນຕົ້ນກ່ຽວກັບຄວາມສໍາພັນລະຫວ່າງ LS ແລະ IS ພົບວ່າການປັບຍຸດທະສາດການຮຽນຮູ້ທີ່ມີແຜນທີ່ກັບ LS ທີ່ຕ້ອງການຈະຊ່ວຍປັບປຸງຂະບວນການສຶກສາ [8].ຜູ້ຂຽນຍັງແນະນໍາໃຫ້ໃຊ້ວິທີການສອນແລະການປະເມີນທີ່ຫລາກຫລາຍເພື່ອປັບຕົວເຂົ້າກັບການຮຽນຮູ້ແລະຄວາມຕ້ອງການຂອງນັກຮຽນ.
ຄູອາຈານໄດ້ຮັບຜົນປະໂຫຍດຈາກການນໍາໃຊ້ຄວາມຮູ້ LS ເພື່ອຊ່ວຍໃຫ້ເຂົາເຈົ້າອອກແບບ, ພັດທະນາ, ແລະປະຕິບັດການສິດສອນທີ່ຈະຊ່ວຍໃຫ້ນັກສຶກສາໄດ້ຮັບຄວາມຮູ້ແລະຄວາມເຂົ້າໃຈເລິກຂອງວິຊາ.ນັກຄົ້ນຄວ້າໄດ້ພັດທະນາເຄື່ອງມືການປະເມີນ LS ຫຼາຍຢ່າງເຊັ່ນ: ແບບຈໍາລອງການຮຽນຮູ້ປະສົບການຂອງ Kolb, ຮູບແບບການຮຽນຮູ້ຂອງ Felder-Silverman (FSLSM), ແລະຮູບແບບ Fleming VAK/VARK [5, 9, 10].ອີງຕາມວັນນະຄະດີ, ຮູບແບບການຮຽນຮູ້ເຫຼົ່ານີ້ແມ່ນໃຊ້ຫຼາຍທີ່ສຸດແລະຮູບແບບການຮຽນຮູ້ຫຼາຍທີ່ສຸດ.ໃນການຄົ້ນຄວ້າໃນປະຈຸບັນ, FSLSM ຖືກນໍາໃຊ້ເພື່ອປະເມີນ LS ໃນບັນດານັກຮຽນທັນຕະກໍາ.
FSLSM ເປັນຕົວແບບທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງສໍາລັບການປະເມີນການຮຽນຮູ້ແບບປັບຕົວໃນວິສະວະກໍາ.ມີຫຼາຍວຽກງານທີ່ເຜີຍແຜ່ໃນວິທະຍາສາດສຸຂະພາບ (ລວມທັງຢາ, ການພະຍາບານ, ຮ້ານຂາຍຢາແລະທັນຕະກໍາ) ທີ່ສາມາດພົບເຫັນໄດ້ໂດຍໃຊ້ຕົວແບບ FSLSM [5, 11, 12, 13].ເຄື່ອງມືທີ່ໃຊ້ໃນການວັດແທກຂະໜາດຂອງ LS ໃນ FLSM ເອີ້ນວ່າ Index of Learning Styles (ILS) [8], ເຊິ່ງປະກອບມີ 44 ລາຍການທີ່ປະເມີນສີ່ມິຕິຂອງ LS: ການປະມວນຜົນ (ການເຄື່ອນໄຫວ/ສະທ້ອນ), ການຮັບຮູ້ (perceptual/intuitive), ວັດສະດຸປ້ອນ (ພາບ)./verbal) ແລະຄວາມເຂົ້າໃຈ (ລໍາດັບ / ທົ່ວໂລກ) [14].
ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 1, ແຕ່ລະມິຕິ FSLSM ມີຄວາມມັກທີ່ເດັ່ນຊັດ.ສໍາລັບຕົວຢ່າງ, ໃນຂະຫນາດການປຸງແຕ່ງ, ນັກສຶກສາທີ່ມີ "ການເຄື່ອນໄຫວ" LS ມັກທີ່ຈະປະມວນຜົນຂໍ້ມູນໂດຍການໂຕ້ຕອບໂດຍກົງກັບອຸປະກອນການຮຽນຮູ້, ຮຽນຮູ້ໂດຍການເຮັດ, ແລະແນວໂນ້ມທີ່ຈະຮຽນຮູ້ເປັນກຸ່ມ.LS "ສະທ້ອນ" ຫມາຍເຖິງການຮຽນຮູ້ໂດຍຜ່ານການຄິດແລະມັກເຮັດວຽກຄົນດຽວ.ຂະຫນາດ "ການຮັບຮູ້" ຂອງ LS ສາມາດແບ່ງອອກເປັນ "ຄວາມຮູ້ສຶກ" ແລະ / ຫຼື " intuition.""ຄວາມຮູ້ສຶກ" ນັກຮຽນມັກຂໍ້ມູນຈິງໆ ແລະຂັ້ນຕອນການປະຕິບັດຕົວຈິງ, ແມ່ນຮັດກຸມກັບຄວາມເປັນຈິງເມື່ອປຽບທຽບກັບນັກຮຽນທີ່ "ເຂົ້າໃຈໄດ້" ທີ່ມັກວັດສະດຸທີ່ບໍ່ມີຕົວຕົນ ແລະ ມີນະວັດຕະກໍາ ແລະ ສ້າງສັນຫຼາຍກວ່າທໍາມະຊາດ.ມິຕິ "ການປ້ອນຂໍ້ມູນ" ຂອງ LS ປະກອບດ້ວຍຜູ້ຮຽນ "ສາຍຕາ" ແລະ "ຄໍາເວົ້າ".ຄົນທີ່ມີ "ພາບ" LS ມັກຮຽນຮູ້ຜ່ານການສະແດງພາບ (ເຊັ່ນ: ແຜນວາດ, ວິດີໂອ, ຫຼືການສາທິດສົດ), ໃນຂະນະທີ່ຄົນທີ່ມີ "ຄໍາເວົ້າ" LS ມັກຮຽນຮູ້ຜ່ານຄໍາເວົ້າໃນຄໍາອະທິບາຍແບບລາຍລັກອັກສອນຫຼືປາກເປົ່າ.ເພື່ອ "ເຂົ້າໃຈ" ຂະຫນາດ LS, ນັກຮຽນດັ່ງກ່າວສາມາດແບ່ງອອກເປັນ "ລໍາດັບ" ແລະ "ທົ່ວໂລກ"."ຜູ້ຮຽນຕາມລໍາດັບມັກຂະບວນການຄິດແບບເສັ້ນແລະຮຽນຮູ້ເທື່ອລະກ້າວ, ໃນຂະນະທີ່ນັກຮຽນທົ່ວໂລກມີແນວໂນ້ມທີ່ຈະມີຂະບວນການຄິດແບບລວມໆແລະສະເຫມີມີຄວາມເຂົ້າໃຈດີຂຶ້ນກ່ຽວກັບສິ່ງທີ່ພວກເຂົາຮຽນ.
ບໍ່ດົນມານີ້, ນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍໄດ້ເລີ່ມຄົ້ນຫາວິທີການສໍາລັບການຄົ້ນພົບຂໍ້ມູນອັດຕະໂນມັດ, ລວມທັງການພັດທະນາ algorithms ແລະແບບຈໍາລອງໃຫມ່ທີ່ສາມາດຕີຄວາມຫມາຍຂໍ້ມູນຈໍານວນຫລາຍ [15, 16].ອີງຕາມຂໍ້ມູນທີ່ສະຫນອງໃຫ້, ML ທີ່ມີການເບິ່ງແຍງ (ການຮຽນຮູ້ເຄື່ອງຈັກ) ສາມາດສ້າງຮູບແບບແລະສົມມຸດຕິຖານທີ່ຄາດຄະເນຜົນໄດ້ຮັບໃນອະນາຄົດໂດຍອີງໃສ່ການກໍ່ສ້າງຂອງ algorithms [17].ເວົ້າງ່າຍໆ, ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີການເບິ່ງແຍງຈັດການຂໍ້ມູນການປ້ອນຂໍ້ມູນແລະການຝຶກອົບຮົມສູດການຄິດໄລ່.ຫຼັງຈາກນັ້ນ, ມັນສ້າງຂອບເຂດທີ່ຈັດປະເພດຫຼືຄາດຄະເນຜົນໄດ້ຮັບໂດຍອີງໃສ່ສະຖານະການທີ່ຄ້າຍຄືກັນສໍາລັບຂໍ້ມູນການປ້ອນຂໍ້ມູນ.ປະໂຫຍດຕົ້ນຕໍຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີການເບິ່ງແຍງແມ່ນຄວາມສາມາດໃນການສ້າງຜົນໄດ້ຮັບທີ່ເຫມາະສົມແລະຕ້ອງການ [17].
ໂດຍຜ່ານການນໍາໃຊ້ວິທີການຂັບເຄື່ອນຂໍ້ມູນແລະຮູບແບບການຄວບຄຸມຕົ້ນໄມ້ການຕັດສິນໃຈ, ການກວດສອບອັດຕະໂນມັດຂອງ LS ເປັນໄປໄດ້.ຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຖືກລາຍງານວ່າຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນໂຄງການຝຶກອົບຮົມໃນດ້ານຕ່າງໆ, ລວມທັງວິທະຍາສາດສຸຂະພາບ [18, 19].ໃນການສຶກສານີ້, ຮູບແບບດັ່ງກ່າວໄດ້ຮັບການຝຶກອົບຮົມໂດຍສະເພາະໂດຍຜູ້ພັດທະນາລະບົບເພື່ອກໍານົດ LS ຂອງນັກຮຽນແລະແນະນໍາ IS ທີ່ດີທີ່ສຸດສໍາລັບພວກເຂົາ.
ຈຸດປະສົງຂອງການສຶກສານີ້ແມ່ນເພື່ອພັດທະນາຍຸດທະສາດການຈັດສົ່ງ IS ໂດຍອີງໃສ່ LS ຂອງນັກຮຽນແລະນໍາໃຊ້ວິທີການ SCL ໂດຍການພັດທະນາເຄື່ອງມືແນະນໍາ IS ແຜນທີ່ກັບ LS.ການອອກແບບການໄຫຼເຂົ້າຂອງເຄື່ອງມືແນະນໍາ IS ເປັນຍຸດທະສາດຂອງວິທີການ SCL ແມ່ນສະແດງຢູ່ໃນຮູບ 1. ເຄື່ອງມືແນະນໍາ IS ແບ່ງອອກເປັນສອງສ່ວນ, ລວມທັງກົນໄກການຈັດປະເພດ LS ໂດຍໃຊ້ ILS ແລະການສະແດງ IS ທີ່ເຫມາະສົມທີ່ສຸດສໍາລັບນັກຮຽນ.
ໂດຍສະເພາະ, ຄຸນລັກສະນະຂອງເຄື່ອງມືຄໍາແນະນໍາດ້ານຄວາມປອດໄພຂອງຂໍ້ມູນປະກອບມີການນໍາໃຊ້ເຕັກໂນໂລຢີເວັບແລະການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນການຕັດສິນໃຈ.ຜູ້ພັດທະນາລະບົບປັບປຸງປະສົບການຂອງຜູ້ໃຊ້ແລະການເຄື່ອນທີ່ໂດຍການປັບໃຫ້ເຂົາເຈົ້າເຂົ້າກັບອຸປະກອນມືຖືເຊັ່ນ: ໂທລະສັບມືຖືແລະແທັບເລັດ.
ການທົດລອງດັ່ງກ່າວໄດ້ດໍາເນີນເປັນ 2 ໄລຍະ ແລະ ນັກສຶກສາຈາກຄະນະທັນຕະແພດ ມະຫາວິທະຍາໄລມາລາຢາ ໄດ້ເຂົ້າຮ່ວມຕາມຄວາມສະໝັກໃຈ.ຜູ້ເຂົ້າຮ່ວມຕອບສະຫນອງຕໍ່ m-ILS ອອນລາຍຂອງນັກຮຽນທັນຕະແພດເປັນພາສາອັງກິດ.ໃນໄລຍະເບື້ອງຕົ້ນ, ຊຸດຂໍ້ມູນຂອງນັກຮຽນ 50 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມວິທີການຮຽນຮູ້ເຄື່ອງຈັກຕົ້ນໄມ້ການຕັດສິນໃຈ.ໃນໄລຍະທີສອງຂອງຂະບວນການພັດທະນາ, ຊຸດຂໍ້ມູນຂອງນັກຮຽນ 255 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືທີ່ພັດທະນາ.
ຜູ້ເຂົ້າຮ່ວມທັງຫມົດໄດ້ຮັບການສະຫຼຸບໂດຍຫຍໍ້ອອນໄລນ໌ໃນຕອນເລີ່ມຕົ້ນຂອງແຕ່ລະຂັ້ນຕອນ, ຂຶ້ນກັບປີວິຊາການ, ຜ່ານ Microsoft Teams.ຈຸດປະສົງຂອງການສຶກສາໄດ້ຖືກອະທິບາຍແລະໄດ້ຮັບການຍິນຍອມເຫັນດີຢ່າງຈະແຈ້ງ.ຜູ້ເຂົ້າຮ່ວມທັງຫມົດໄດ້ຖືກສະຫນອງໃຫ້ມີການເຊື່ອມຕໍ່ເພື່ອເຂົ້າຫາ m-ILS.ນັກຮຽນແຕ່ລະຄົນໄດ້ຖືກແນະນຳໃຫ້ຕອບທັງໝົດ 44 ລາຍການໃນແບບສອບຖາມ.ພວກເຂົາໄດ້ຮັບເວລາຫນຶ່ງອາທິດເພື່ອເຮັດສໍາເລັດ ILS ທີ່ຖືກດັດແປງໃນເວລາແລະສະຖານທີ່ທີ່ສະດວກສະບາຍສໍາລັບພວກເຂົາໃນລະຫວ່າງການພັກຜ່ອນພາກຮຽນກ່ອນການເລີ່ມຕົ້ນຂອງພາກຮຽນ.m-ILS ແມ່ນອີງໃສ່ເຄື່ອງມື ILS ຕົ້ນສະບັບແລະດັດແກ້ສໍາລັບນັກຮຽນທັນຕະກໍາ.ຄ້າຍຄືກັນກັບ ILS ຕົ້ນສະບັບ, ມັນມີ 44 ລາຍການທີ່ແຈກຢາຍເທົ່າທຽມກັນ (a, b), ເຊິ່ງມີ 11 ລາຍການແຕ່ລະອັນ, ເຊິ່ງຖືກນໍາໃຊ້ເພື່ອປະເມີນແຕ່ລະມິຕິຂອງ FSLSM.
ໃນໄລຍະເບື້ອງຕົ້ນຂອງການພັດທະນາເຄື່ອງມື, ນັກຄົ້ນຄວ້າໄດ້ອະທິບາຍແຜນທີ່ດ້ວຍຕົນເອງໂດຍໃຊ້ຊຸດຂໍ້ມູນຂອງນັກຮຽນທັນຕະກໍາ 50 ຄົນ.ອີງຕາມ FSLM, ລະບົບສະຫນອງຜົນລວມຂອງຄໍາຕອບ "a" ແລະ "b".ສໍາລັບແຕ່ລະມິຕິ, ຖ້ານັກຮຽນເລືອກ “a” ເປັນຄໍາຕອບ, LS ຖືກຈັດປະເພດເປັນ Active/Perceptual/Visual/Sequential, ແລະຖ້ານັກຮຽນເລືອກ “b” ເປັນຄໍາຕອບ, ນັກຮຽນຈະຖືກຈັດປະເພດເປັນ Reflective/Intuitive/Linguistic. ./ ຜູ້ຮຽນທົ່ວໂລກ.
ຫຼັງຈາກ calibrating ຂະບວນການເຮັດວຽກລະຫວ່າງນັກຄົ້ນຄວ້າທັນຕະກໍາແລະຜູ້ພັດທະນາລະບົບ, ຄໍາຖາມໄດ້ຖືກເລືອກໂດຍອີງໃສ່ໂດເມນ FLSSM ແລະປ້ອນເຂົ້າໄປໃນຮູບແບບ ML ເພື່ອຄາດຄະເນ LS ຂອງນັກຮຽນແຕ່ລະຄົນ."ຂີ້ເຫຍື້ອໃນ, ຂີ້ເຫຍື້ອອອກ" ແມ່ນຄໍາເວົ້າທີ່ນິຍົມໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ໂດຍເນັ້ນໃສ່ຄຸນນະພາບຂອງຂໍ້ມູນ.ຄຸນະພາບຂອງຂໍ້ມູນປ້ອນຂໍ້ມູນກໍານົດຄວາມແມ່ນຍໍາແລະຄວາມຖືກຕ້ອງຂອງຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ.ໃນລະຫວ່າງໄລຍະວິສະວະກໍາຄຸນນະສົມບັດ, ຊຸດຄຸນນະສົມບັດໃຫມ່ໄດ້ຖືກສ້າງຂື້ນເຊິ່ງເປັນຜົນລວມຂອງຄໍາຕອບ "a" ແລະ "b" ໂດຍອີງໃສ່ FLSSM.ຕົວເລກປະຈໍາຕົວຂອງຕໍາແໜ່ງຢາແມ່ນໃຫ້ຢູ່ໃນຕາຕະລາງ 1.
ຄິດໄລ່ຄະແນນໂດຍອີງໃສ່ຄໍາຕອບແລະກໍານົດ LS ຂອງນັກຮຽນ.ສໍາລັບນັກຮຽນແຕ່ລະຄົນ, ລະດັບຄະແນນແມ່ນຕັ້ງແຕ່ 1 ຫາ 11. ຄະແນນຈາກ 1 ຫາ 3 ຊີ້ໃຫ້ເຫັນຄວາມສົມດູນຂອງຄວາມມັກການຮຽນຮູ້ພາຍໃນມິຕິດຽວກັນ, ແລະຄະແນນຈາກ 5 ຫາ 7 ຊີ້ໃຫ້ເຫັນເຖິງຄວາມມັກປານກາງ, ສະແດງໃຫ້ເຫັນວ່ານັກຮຽນມັກສະພາບແວດລ້ອມຫນຶ່ງທີ່ສອນຄົນອື່ນ. .ການປ່ຽນແປງອື່ນໃນມິຕິດຽວກັນແມ່ນວ່າຄະແນນຈາກ 9 ຫາ 11 ສະທ້ອນໃຫ້ເຫັນເຖິງຄວາມມັກທີ່ເຂັ້ມແຂງສໍາລັບປາຍຫນຶ່ງຫຼືອື່ນໆ [8].
ສໍາລັບແຕ່ລະມິຕິ, ຢາໄດ້ຖືກຈັດເປັນ "ການເຄື່ອນໄຫວ", "ສະທ້ອນ" ແລະ "ສົມດູນ".ຕົວຢ່າງ, ເມື່ອນັກຮຽນຕອບ “a” ເລື້ອຍໆກວ່າ “b” ໃນລາຍການທີ່ກຳນົດໄວ້ ແລະ ຄະແນນຂອງລາວເກີນເກນ 5 ສໍາລັບລາຍການສະເພາະທີ່ເປັນຕົວແທນຂອງຂະໜາດ LS ການປະມວນຜົນ, ລາວ/ນາງເປັນຂອງ “active” LS. ໂດເມນ..ຢ່າງໃດກໍຕາມ, ນັກສຶກສາໄດ້ຖືກຈັດປະເພດເປັນ "ສະທ້ອນ" LS ເມື່ອພວກເຂົາເລືອກ "b" ຫຼາຍກວ່າ "a" ໃນ 11 ຄໍາຖາມສະເພາະ (ຕາຕະລາງ 1) ແລະໄດ້ຄະແນນຫຼາຍກວ່າ 5 ຄະແນນ.ສຸດທ້າຍ, ນັກຮຽນຢູ່ໃນສະພາບຂອງ "ຄວາມສົມດຸນ."ຖ້າຄະແນນບໍ່ເກີນ 5 ຄະແນນ, ນີ້ແມ່ນ "ຂະບວນການ" LS.ຂະບວນການຈັດປະເພດແມ່ນຊ້ໍາກັນສໍາລັບຂະຫນາດ LS ອື່ນໆ, ຄືການຮັບຮູ້ (ການເຄື່ອນໄຫວ / ການສະທ້ອນ), ການປ້ອນຂໍ້ມູນ (ສາຍຕາ / ຄໍາເວົ້າ), ແລະຄວາມເຂົ້າໃຈ (ລໍາດັບ / ທົ່ວໂລກ).
ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈສາມາດນໍາໃຊ້ຊຸດຍ່ອຍທີ່ແຕກຕ່າງກັນຂອງລັກສະນະແລະກົດລະບຽບການຕັດສິນໃຈໃນຂັ້ນຕອນຕ່າງໆຂອງຂະບວນການຈັດປະເພດ.ມັນໄດ້ຖືກພິຈາລະນາເປັນເຄື່ອງມືການຈັດປະເພດແລະການຄາດຄະເນທີ່ນິຍົມ.ມັນສາມາດຖືກສະແດງໂດຍໃຊ້ໂຄງສ້າງຕົ້ນໄມ້ເຊັ່ນ: ຕາຕະລາງການໄຫຼວຽນ [20], ໃນນັ້ນມີຂໍ້ພາຍໃນທີ່ເປັນຕົວແທນຂອງການທົດສອບໂດຍຄຸນລັກສະນະ, ແຕ່ລະສາຂາເປັນຕົວແທນຂອງຜົນການທົດສອບ, ແລະແຕ່ລະຂໍ້ຂອງໃບ (ຂໍ້ຂອງໃບ) ປະກອບດ້ວຍປ້າຍຊັ້ນ.
ໂຄງການທີ່ອີງໃສ່ກົດລະບຽບທີ່ງ່າຍດາຍໄດ້ຖືກສ້າງຂື້ນເພື່ອໃຫ້ຄະແນນອັດຕະໂນມັດແລະບັນທຶກ LS ຂອງນັກຮຽນແຕ່ລະຄົນໂດຍອີງໃສ່ຄໍາຕອບຂອງພວກເຂົາ.ຕາມກົດລະບຽບໃຊ້ເວລາຮູບແບບຂອງຄໍາຖະແຫຼງ IF, ບ່ອນທີ່ "IF" ອະທິບາຍຜົນກະທົບຕໍ່ແລະ "ຫຼັງຈາກນັ້ນ" ກໍານົດການກະທໍາທີ່ຈະປະຕິບັດ, ຕົວຢ່າງ: "ຖ້າ X ເກີດຂຶ້ນ, ຫຼັງຈາກນັ້ນເຮັດ Y" (Liu et al., 2014).ຖ້າຊຸດຂໍ້ມູນສະແດງໃຫ້ເຫັນຄວາມກ່ຽວຂ້ອງກັນແລະຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຮັບການຝຶກອົບຮົມແລະການປະເມີນຢ່າງຖືກຕ້ອງ, ວິທີການນີ້ສາມາດເປັນວິທີທີ່ມີປະສິດທິຜົນທີ່ຈະອັດຕະໂນມັດຂະບວນການຈັບຄູ່ LS ແລະ IS.
ໃນໄລຍະທີສອງຂອງການພັດທະນາ, ຊຸດຂໍ້ມູນໄດ້ຖືກເພີ່ມຂຶ້ນເປັນ 255 ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືແນະນໍາ.ຊຸດຂໍ້ມູນຖືກແບ່ງອອກໃນອັດຕາສ່ວນ 1:4.25% (64) ຂອງຊຸດຂໍ້ມູນຖືກນໍາໃຊ້ສໍາລັບຊຸດການທົດສອບ, ແລະສ່ວນທີ່ເຫຼືອ 75% (191) ຖືກນໍາໃຊ້ເປັນຊຸດຝຶກອົບຮົມ (ຮູບ 2).ຊຸດຂໍ້ມູນຕ້ອງໄດ້ຮັບການແບ່ງປັນເພື່ອປ້ອງກັນບໍ່ໃຫ້ຕົວແບບຈາກການຝຶກອົບຮົມແລະການທົດສອບໃນຊຸດຂໍ້ມູນດຽວກັນ, ເຊິ່ງສາມາດເຮັດໃຫ້ຕົວແບບຈື່ຈໍາແທນທີ່ຈະຮຽນຮູ້.ແບບຈໍາລອງໄດ້ຖືກຝຶກອົບຮົມຢູ່ໃນຊຸດຝຶກອົບຮົມແລະປະເມີນປະສິດທິພາບຂອງມັນຢູ່ໃນຊຸດທົດສອບ - ຂໍ້ມູນແບບຈໍາລອງບໍ່ເຄີຍເຫັນມາກ່ອນ.
ເມື່ອເຄື່ອງມື IS ໄດ້ຖືກພັດທະນາ, ແອັບພລິເຄຊັນຈະສາມາດຈັດປະເພດ LS ໂດຍອີງໃສ່ການຕອບສະຫນອງຂອງນັກຮຽນທັນຕະກໍາໂດຍຜ່ານການໂຕ້ຕອບຂອງເວັບໄຊຕ໌.ລະບົບເຄື່ອງມືຄໍາແນະນໍາດ້ານຄວາມປອດໄພຂອງຂໍ້ມູນເວັບຖືກສ້າງຂຶ້ນໂດຍໃຊ້ພາສາການຂຽນໂປລແກລມ Python ໂດຍໃຊ້ກອບ Django ເປັນ backend.ຕາຕະລາງ 2 ລາຍຊື່ຫ້ອງສະຫມຸດທີ່ໃຊ້ໃນການພັດທະນາລະບົບນີ້.
ຊຸດຂໍ້ມູນຖືກປ້ອນໃສ່ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈເພື່ອຄິດໄລ່ ແລະແຍກຄຳຕອບຂອງນັກຮຽນເພື່ອຈັດປະເພດການວັດແທກ LS ຂອງນັກຮຽນໂດຍອັດຕະໂນມັດ.
ມາຕຣິກເບື້ອງສັບສົນແມ່ນໃຊ້ເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງຂັ້ນຕອນການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການຕັດໄມ້ຕາມຊຸດຂໍ້ມູນ.ໃນເວລາດຽວກັນ, ມັນປະເມີນການປະຕິບັດຂອງຮູບແບບການຈັດປະເພດ.ມັນສະຫຼຸບການຄາດຄະເນຂອງຕົວແບບແລະປຽບທຽບພວກມັນກັບປ້າຍຂໍ້ມູນຕົວຈິງ.ຜົນໄດ້ຮັບການປະເມີນຜົນແມ່ນອີງໃສ່ສີ່ຄ່າທີ່ແຕກຕ່າງກັນ: True Positive (TP) - ຮູບແບບຄາດຄະເນຢ່າງຖືກຕ້ອງກ່ຽວກັບປະເພດໃນທາງບວກ, False Positive (FP) - ຮູບແບບຄາດຄະເນປະເພດໃນທາງບວກ, ແຕ່ປ້າຍຊື່ທີ່ແທ້ຈິງແມ່ນເປັນລົບ, True Negative (TN) - ແບບຈໍາລອງໄດ້ຄາດຄະເນຢ່າງຖືກຕ້ອງກ່ຽວກັບຊັ້ນລົບ, ແລະລົບທີ່ບໍ່ຖືກຕ້ອງ (FN) - ຮູບແບບຄາດຄະເນຊັ້ນລົບ, ແຕ່ປ້າຍຊື່ທີ່ແທ້ຈິງແມ່ນບວກ.
ຫຼັງຈາກນັ້ນ, ຄ່າເຫຼົ່ານີ້ຖືກນໍາໃຊ້ເພື່ອຄິດໄລ່ຕົວຊີ້ບອກການປະຕິບັດຕ່າງໆຂອງຮູບແບບການຈັດປະເພດ scikit-learn ໃນ Python, ຄືຄວາມແມ່ນຍໍາ, ຄວາມແມ່ນຍໍາ, ການເອີ້ນຄືນ, ແລະຄະແນນ F1.ນີ້ແມ່ນຕົວຢ່າງ:
ການເອີ້ນຄືນ (ຫຼືຄວາມອ່ອນໄຫວ) ວັດແທກຄວາມສາມາດຂອງຕົວແບບໃນການຈັດປະເພດ LS ຂອງນັກຮຽນຢ່າງຖືກຕ້ອງຫຼັງຈາກຕອບແບບສອບຖາມ m-ILS.
ສະເພາະແມ່ນເອີ້ນວ່າອັດຕາລົບທີ່ແທ້ຈິງ.ດັ່ງທີ່ເຈົ້າສາມາດເຫັນໄດ້ຈາກສູດຂ້າງເທິງ, ນີ້ຄວນຈະເປັນອັດຕາສ່ວນຂອງ negatives ທີ່ແທ້ຈິງ (TN) ກັບ true negatives ແລະ false positives (FP).ໃນຖານະເປັນສ່ວນຫນຶ່ງຂອງເຄື່ອງມືແນະນໍາສໍາລັບການຈັດປະເພດຢາເສບຕິດຂອງນັກຮຽນ, ມັນຄວນຈະມີຄວາມສາມາດຂອງການກໍານົດທີ່ຖືກຕ້ອງ.
ຊຸດຂໍ້ມູນຕົ້ນສະບັບຂອງ 50 ນັກສຶກສາທີ່ໃຊ້ໃນການຝຶກອົບຮົມຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈ ML ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງຂ້ອນຂ້າງຕໍ່າເນື່ອງຈາກຄວາມຜິດພາດຂອງມະນຸດໃນຄໍາບັນຍາຍ (ຕາຕະລາງ 3).ຫຼັງຈາກການສ້າງໂຄງການທີ່ອີງໃສ່ກົດລະບຽບງ່າຍໆເພື່ອຄິດໄລ່ຄະແນນ LS ແລະຄໍາບັນຍາຍຂອງນັກຮຽນໂດຍອັດຕະໂນມັດ, ຈໍານວນຊຸດຂໍ້ມູນເພີ່ມຂຶ້ນ (255) ໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມແລະທົດສອບລະບົບຄໍາແນະນໍາ.
ໃນ multiclass confusion matrix, ອົງປະກອບເສັ້ນຂວາງເປັນຕົວແທນຈໍານວນຂອງການຄາດຄະເນທີ່ຖືກຕ້ອງສໍາລັບແຕ່ລະປະເພດ LS (ຮູບ 4).ການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈ, ຈໍານວນທັງຫມົດ 64 ຕົວຢ່າງໄດ້ຖືກຄາດຄະເນຢ່າງຖືກຕ້ອງ.ດັ່ງນັ້ນ, ໃນການສຶກສານີ້, ອົງປະກອບເສັ້ນຂວາງສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ຄາດໄວ້, ຊີ້ໃຫ້ເຫັນວ່າຕົວແບບປະຕິບັດໄດ້ດີແລະຄາດຄະເນຢ່າງຖືກຕ້ອງກ່ຽວກັບປ້າຍຊັ້ນສໍາລັບແຕ່ລະປະເພດ LS.ດັ່ງນັ້ນ, ຄວາມຖືກຕ້ອງໂດຍລວມຂອງເຄື່ອງມືແນະນໍາແມ່ນ 100%.
ຄຸນຄ່າຂອງຄວາມຖືກຕ້ອງ, ຄວາມແມ່ນຍໍາ, ການເອີ້ນຄືນ, ແລະຄະແນນ F1 ແມ່ນສະແດງຢູ່ໃນຮູບ 5. ສໍາລັບລະບົບການແນະນໍາການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈ, ຄະແນນ F1 ຂອງຕົນແມ່ນ 1.0 "ທີ່ສົມບູນແບບ", ຊີ້ໃຫ້ເຫັນເຖິງຄວາມແມ່ນຍໍາທີ່ສົມບູນແບບແລະການເອີ້ນຄືນ, ສະທ້ອນໃຫ້ເຫັນເຖິງຄວາມອ່ອນໄຫວແລະຄວາມຈໍາແນກທີ່ສໍາຄັນ. ຄຸນຄ່າ.
ຮູບທີ 6 ສະແດງໃຫ້ເຫັນການເບິ່ງເຫັນຂອງຕົວແບບຕົ້ນໄມ້ການຕັດສິນໃຈ ຫຼັງຈາກການຝຶກອົບຮົມ ແລະການທົດສອບສໍາເລັດ.ໃນການປຽບທຽບແບບຂ້າງຄຽງ, ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍລັກສະນະຫນ້ອຍສະແດງໃຫ້ເຫັນເຖິງຄວາມຖືກຕ້ອງສູງກວ່າແລະການເບິ່ງເຫັນຕົວແບບທີ່ງ່າຍຂຶ້ນ.ນີ້ສະແດງໃຫ້ເຫັນວ່າວິສະວະກໍາຄຸນນະສົມບັດນໍາໄປສູ່ການຫຼຸດຜ່ອນຄຸນນະສົມບັດແມ່ນເປັນບາດກ້າວທີ່ສໍາຄັນໃນການປັບປຸງການປະຕິບັດຕົວແບບ.
ໂດຍການນຳໃຊ້ການຮຽນຮູ້ແບບຄວບຄຸມຕົ້ນໄມ້ການຕັດສິນໃຈ, ການສ້າງແຜນທີ່ລະຫວ່າງ LS (ວັດສະດຸປ້ອນ) ແລະ IS (ເປົ້າໝາຍຜົນຜະລິດ) ຈະຖືກສ້າງໂດຍອັດຕະໂນມັດ ແລະປະກອບດ້ວຍຂໍ້ມູນລະອຽດສຳລັບແຕ່ລະ LS.
ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າ 34.9% ຂອງນັກຮຽນ 255 ຄົນມັກເລືອກໜຶ່ງ (1) LS.ສ່ວນໃຫຍ່ (54.3%) ມີຄວາມມັກ LS ສອງ ຫຼືຫຼາຍກວ່ານັ້ນ.12.2% ຂອງນັກຮຽນສັງເກດເຫັນວ່າ LS ແມ່ນຂ້ອນຂ້າງສົມດູນ (ຕາຕະລາງ 4).ນອກເຫນືອໄປຈາກແປດ LS ຕົ້ນຕໍ, ມີ 34 ປະສົມປະສານຂອງການຈັດປະເພດ LS ສໍາລັບນັກສຶກສາທັນຕະກໍາຂອງມະຫາວິທະຍາໄລ Malaya.ໃນບັນດາພວກເຂົາ, ຄວາມຮັບຮູ້, ວິໄສທັດ, ແລະການປະສົມປະສານຂອງການຮັບຮູ້ແລະວິໄສທັດແມ່ນ LS ຕົ້ນຕໍລາຍງານໂດຍນັກຮຽນ (ຮູບ 7).
ດັ່ງທີ່ເຫັນໄດ້ຈາກຕາຕະລາງ 4, ນັກຮຽນສ່ວນໃຫຍ່ມີຄວາມຮູ້ສຶກທີ່ເດັ່ນຊັດ (13.7%) ຫຼື ສາຍຕາ (8.6%) LS.ມີການລາຍງານວ່າ 12.2% ຂອງນັກສຶກສາລວມຄວາມຮັບຮູ້ກັບວິໄສທັດ (LS perceptual-visual).ການຄົ້ນພົບເຫຼົ່ານີ້ແນະນໍາວ່ານັກຮຽນມັກຮຽນຮູ້ແລະຈື່ຈໍາໂດຍຜ່ານວິທີການທີ່ກໍານົດໄວ້, ປະຕິບັດຕາມຂັ້ນຕອນສະເພາະແລະລະອຽດ, ແລະມີຄວາມເອົາໃຈໃສ່ໃນທໍາມະຊາດ.ໃນເວລາດຽວກັນ, ພວກເຂົາເຈົ້າມີຄວາມສຸກການຮຽນຮູ້ໂດຍການເບິ່ງ (ການນໍາໃຊ້ແຜນວາດ, ແລະອື່ນໆ) ແລະມີແນວໂນ້ມທີ່ຈະສົນທະນາແລະນໍາໃຊ້ຂໍ້ມູນໃນກຸ່ມຫຼືດ້ວຍຕົນເອງ.
ການສຶກສານີ້ໃຫ້ພາບລວມຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ໂດຍເນັ້ນໃສ່ການຄາດເດົາ LS ຂອງນັກຮຽນທັນທີ ແລະຖືກຕ້ອງ ແລະແນະນໍາ IS ທີ່ເຫມາະສົມ.ການນໍາໃຊ້ຕົວແບບການຕັດສິນໃຈໄດ້ກໍານົດປັດໄຈທີ່ກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດທີ່ສຸດກັບຊີວິດແລະປະສົບການການສຶກສາຂອງເຂົາເຈົ້າ.ມັນເປັນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີການຄວບຄຸມເບິ່ງແຍງທີ່ໃຊ້ໂຄງສ້າງຕົ້ນໄມ້ເພື່ອຈັດປະເພດຂໍ້ມູນໂດຍການແບ່ງຊຸດຂໍ້ມູນເປັນປະເພດຍ່ອຍໂດຍອີງໃສ່ເງື່ອນໄຂທີ່ແນ່ນອນ.ມັນເຮັດວຽກໂດຍການແບ່ງຂໍ້ມູນການປ້ອນຂໍ້ມູນແບບ recursively ເປັນຊຸດຍ່ອຍໂດຍອີງໃສ່ມູນຄ່າຂອງຫນຶ່ງໃນລັກສະນະການປ້ອນຂໍ້ມູນຂອງແຕ່ລະ node ພາຍໃນຈົນກ່ວາການຕັດສິນໃຈຈະເຮັດຢູ່ທີ່ node ໃບ.
nodes ພາຍໃນຂອງຕົ້ນໄມ້ການຕັດສິນໃຈເປັນຕົວແທນຂອງການແກ້ໄຂໂດຍອີງໃສ່ຄຸນລັກສະນະການປ້ອນຂໍ້ມູນຂອງບັນຫາ m-ILS, ແລະຂໍ້ຂອງໃບເປັນຕົວແທນຂອງການຄາດຄະເນການຈັດປະເພດ LS ສຸດທ້າຍ.ຕະຫຼອດການສຶກສາ, ມັນງ່າຍທີ່ຈະເຂົ້າໃຈລໍາດັບຊັ້ນຂອງຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ອະທິບາຍແລະເບິ່ງເຫັນຂະບວນການຕັດສິນໃຈໂດຍການເບິ່ງຄວາມສໍາພັນລະຫວ່າງລັກສະນະວັດສະດຸປ້ອນແລະການຄາດຄະເນຜົນຜະລິດ.
ໃນຂົງເຂດວິທະຍາສາດຄອມພິວເຕີແລະວິສະວະກໍາ, ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງເພື່ອຄາດຄະເນການປະຕິບັດຂອງນັກຮຽນໂດຍອີງໃສ່ຄະແນນການສອບເສັງເຂົ້າຂອງພວກເຂົາ [21], ຂໍ້ມູນປະຊາກອນ, ແລະພຶດຕິກໍາການຮຽນຮູ້ [22].ການຄົ້ນຄວ້າໄດ້ສະແດງໃຫ້ເຫັນວ່າ algorithm ຄາດຄະເນການປະຕິບັດຂອງນັກຮຽນຢ່າງຖືກຕ້ອງແລະຊ່ວຍໃຫ້ພວກເຂົາກໍານົດນັກຮຽນທີ່ມີຄວາມສ່ຽງຕໍ່ຄວາມຫຍຸ້ງຍາກທາງວິຊາການ.
ຄໍາຮ້ອງສະຫມັກຂອງ ML algorithms ໃນການພັດທະນາ simulators ຄົນເຈັບ virtual ສໍາລັບການຝຶກອົບຮົມແຂ້ວໄດ້ຖືກລາຍງານ.simulator ແມ່ນສາມາດຜະລິດໄດ້ຢ່າງຖືກຕ້ອງການຕອບສະຫນອງທາງ physiological ຂອງຄົນເຈັບທີ່ແທ້ຈິງແລະສາມາດຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມນັກສຶກສາທັນຕະກໍາໃນສະພາບແວດລ້ອມທີ່ປອດໄພແລະຄວບຄຸມ [23].ການສຶກສາອື່ນໆຈໍານວນຫນຶ່ງສະແດງໃຫ້ເຫັນວ່າລະບົບການຮຽນຮູ້ເຄື່ອງຈັກສາມາດປັບປຸງຄຸນນະພາບແລະປະສິດທິພາບຂອງການສຶກສາທາງທັນຕະກໍາແລະທາງການແພດແລະການດູແລຄົນເຈັບ.ສູດການຄິດໄລ່ການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກນໍາໃຊ້ເພື່ອຊ່ວຍໃນການບົ່ງມະຕິພະຍາດແຂ້ວໂດຍອີງໃສ່ຊຸດຂໍ້ມູນເຊັ່ນ: ອາການແລະຄຸນລັກສະນະຂອງຄົນເຈັບ [24, 25].ໃນຂະນະທີ່ການສຶກສາອື່ນໆໄດ້ຄົ້ນຫາການນໍາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອປະຕິບັດວຽກງານເຊັ່ນ: ການຄາດຄະເນຜົນໄດ້ຮັບຂອງຄົນເຈັບ, ການກໍານົດຄົນເຈັບທີ່ມີຄວາມສ່ຽງສູງ, ການພັດທະນາແຜນການປິ່ນປົວສ່ວນບຸກຄົນ [26], ການປິ່ນປົວປະຈໍາເດືອນ [27], ແລະການປິ່ນປົວ caries [25].
ເຖິງແມ່ນວ່າບົດລາຍງານກ່ຽວກັບຄໍາຮ້ອງສະຫມັກຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນທັນຕະກໍາໄດ້ຖືກຈັດພີມມາ, ຄໍາຮ້ອງສະຫມັກຂອງຕົນໃນການສຶກສາທັນຕະກໍາຍັງຈໍາກັດ.ດັ່ງນັ້ນ, ການສຶກສານີ້ມີຈຸດປະສົງເພື່ອນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈເພື່ອກໍານົດປັດໃຈທີ່ກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດກັບ LS ແລະ IS ໃນບັນດານັກຮຽນທັນຕະກໍາ.
ຜົນໄດ້ຮັບຂອງການສຶກສານີ້ສະແດງໃຫ້ເຫັນວ່າເຄື່ອງມືແນະນໍາທີ່ພັດທະນາມີຄວາມຖືກຕ້ອງສູງແລະຄວາມຖືກຕ້ອງທີ່ສົມບູນແບບ, ສະແດງໃຫ້ເຫັນວ່າຄູສອນສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກເຄື່ອງມືນີ້.ການນໍາໃຊ້ຂະບວນການຈັດປະເພດທີ່ອີງໃສ່ຂໍ້ມູນ, ມັນສາມາດໃຫ້ຄໍາແນະນໍາສ່ວນບຸກຄົນແລະປັບປຸງປະສົບການດ້ານການສຶກສາແລະຜົນໄດ້ຮັບສໍາລັບການສຶກສາແລະນັກຮຽນ.ໃນບັນດາພວກເຂົາ, ຂໍ້ມູນທີ່ໄດ້ຮັບຜ່ານເຄື່ອງມືແນະນໍາສາມາດແກ້ໄຂຂໍ້ຂັດແຍ່ງລະຫວ່າງວິທີການສິດສອນຂອງຄູແລະຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ.ຕົວຢ່າງ, ເນື່ອງຈາກຜົນຜະລິດອັດຕະໂນມັດຂອງເຄື່ອງມືແນະນໍາ, ເວລາທີ່ຕ້ອງການເພື່ອກໍານົດ IP ຂອງນັກຮຽນແລະກົງກັບ IP ທີ່ສອດຄ້ອງກັນຈະຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ.ດ້ວຍວິທີນີ້, ກິດຈະກໍາການຝຶກອົບຮົມທີ່ເຫມາະສົມແລະອຸປະກອນການຝຶກອົບຮົມສາມາດໄດ້ຮັບການຈັດຕັ້ງ.ນີ້ຊ່ວຍພັດທະນາພຶດຕິກໍາການຮຽນຮູ້ໃນທາງບວກຂອງນັກຮຽນແລະຄວາມສາມາດໃນການສຸມໃສ່.ການສຶກສາຫນຶ່ງລາຍງານວ່າການໃຫ້ນັກຮຽນມີອຸປະກອນການຮຽນຮູ້ແລະກິດຈະກໍາການຮຽນຮູ້ທີ່ກົງກັບ LS ທີ່ພວກເຂົາຕ້ອງການສາມາດຊ່ວຍໃຫ້ນັກຮຽນປະສົມປະສານ, ປຸງແຕ່ງແລະເພີດເພີນກັບການຮຽນຮູ້ໃນຫຼາຍວິທີເພື່ອບັນລຸທ່າແຮງຫຼາຍກວ່າເກົ່າ [12].ການຄົ້ນຄວ້າຍັງສະແດງໃຫ້ເຫັນວ່ານອກເຫນືອຈາກການປັບປຸງການມີສ່ວນຮ່ວມຂອງນັກຮຽນໃນຫ້ອງຮຽນ, ຄວາມເຂົ້າໃຈໃນຂະບວນການຮຽນຮູ້ຂອງນັກຮຽນຍັງມີບົດບາດສໍາຄັນໃນການປັບປຸງການປະຕິບັດການສອນແລະການສື່ສານກັບນັກຮຽນ [28, 29].
ຢ່າງໃດກໍຕາມ, ເຊັ່ນດຽວກັນກັບເຕັກໂນໂລຢີທີ່ທັນສະໄຫມ, ມີບັນຫາແລະຂໍ້ຈໍາກັດ.ເຫຼົ່ານີ້ລວມມີບັນຫາທີ່ກ່ຽວຂ້ອງກັບຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນ, ຄວາມລໍາອຽງແລະຄວາມຍຸຕິທໍາ, ແລະທັກສະວິຊາຊີບແລະຊັບພະຍາກອນທີ່ຈໍາເປັນເພື່ອພັດທະນາແລະປະຕິບັດລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໃນການສຶກສາທັນຕະກໍາ;ຢ່າງໃດກໍ່ຕາມ, ຄວາມສົນໃຈ ແລະການຄົ້ນຄວ້າເພີ່ມຂຶ້ນໃນຂົງເຂດນີ້ຊີ້ໃຫ້ເຫັນວ່າເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຈັກອາດມີຜົນກະທົບທາງບວກຕໍ່ການສຶກສາທາງທັນຕະກໍາ ແລະການບໍລິການທາງທັນຕະກໍາ.
ຜົນໄດ້ຮັບຂອງການສຶກສານີ້ຊີ້ໃຫ້ເຫັນວ່າເຄິ່ງຫນຶ່ງຂອງນັກຮຽນທັນຕະກໍາມີແນວໂນ້ມທີ່ຈະ "ຮັບຮູ້" ຢາເສບຕິດ.ນັກຮຽນປະເພດນີ້ມີຄວາມມັກໃນຂໍ້ເທັດຈິງ ແລະຕົວຢ່າງທີ່ຊັດເຈນ, ການປະຖົມນິເທດພາກປະຕິບັດ, ຄວາມອົດທົນຕໍ່ລາຍລະອຽດ, ແລະຄວາມມັກ LS “visual”, ບ່ອນທີ່ຜູ້ຮຽນມັກໃຊ້ຮູບພາບ, ຮູບພາບ, ສີ, ແລະແຜນທີ່ເພື່ອຖ່າຍທອດຄວາມຄິດ ແລະຄວາມຄິດ.ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນສອດຄ່ອງກັບການສຶກສາອື່ນໆທີ່ໃຊ້ ILS ເພື່ອປະເມີນ LS ໃນນັກຮຽນທັນຕະກໍາແລະແພດ, ສ່ວນຫຼາຍແມ່ນມີລັກສະນະຂອງ perceptual ແລະ visual LS [12, 30].Dalmolin et al ແນະນໍາວ່າການແຈ້ງໃຫ້ນັກສຶກສາກ່ຽວກັບ LS ຂອງເຂົາເຈົ້າອະນຸຍາດໃຫ້ພວກເຂົາສາມາດບັນລຸທ່າແຮງການຮຽນຮູ້ຂອງເຂົາເຈົ້າ.ນັກຄົ້ນຄວ້າໄດ້ໂຕ້ຖຽງວ່າເມື່ອຄູອາຈານເຂົ້າໃຈຢ່າງເຕັມສ່ວນຂະບວນການສຶກສາຂອງນັກຮຽນ, ວິທີການສອນແລະກິດຈະກໍາຕ່າງໆສາມາດປະຕິບັດໄດ້ທີ່ຈະປັບປຸງການປະຕິບັດແລະປະສົບການການຮຽນຮູ້ຂອງນັກຮຽນ [12, 31, 32].ການສຶກສາອື່ນໆໄດ້ສະແດງໃຫ້ເຫັນວ່າການປັບຕົວ LS ຂອງນັກຮຽນຍັງສະແດງໃຫ້ເຫັນເຖິງການປັບປຸງປະສົບການການຮຽນຮູ້ແລະການປະຕິບັດຂອງນັກຮຽນຫຼັງຈາກການປ່ຽນແປງຮູບແບບການຮຽນຮູ້ເພື່ອໃຫ້ເຫມາະສົມກັບ LS ຂອງຕົນເອງ [13, 33].
ຄວາມຄິດເຫັນຂອງຄູອາຈານອາດຈະແຕກຕ່າງກັນກ່ຽວກັບການປະຕິບັດຍຸດທະສາດການສອນໂດຍອີງໃສ່ຄວາມສາມາດໃນການຮຽນຮູ້ຂອງນັກຮຽນ.ໃນຂະນະທີ່ບາງຄົນເຫັນຜົນປະໂຫຍດຂອງວິທີການນີ້, ລວມທັງໂອກາດການພັດທະນາວິຊາຊີບ, ການໃຫ້ຄໍາປຶກສາ, ແລະການສະຫນັບສະຫນູນຊຸມຊົນ, ຄົນອື່ນອາດຈະກັງວົນກ່ຽວກັບເວລາແລະການສະຫນັບສະຫນູນຂອງສະຖາບັນ.ຄວາມພະຍາຍາມເພື່ອຄວາມສົມດູນແມ່ນກຸນແຈໃນການສ້າງທັດສະນະຄະຕິທີ່ນັກຮຽນເປັນໃຈກາງ.ອໍານາດການປົກສຶກສາຊັ້ນສູງ, ເຊັ່ນ: ຜູ້ບໍລິຫານວິທະຍາໄລ, ສາມາດມີບົດບາດສໍາຄັນໃນການຂັບລົດການປ່ຽນແປງໃນທາງບວກໂດຍການນໍາສະເຫນີການປະຕິບັດນະວັດກໍາແລະສະຫນັບສະຫນູນການພັດທະນາຄະນະວິຊາ [34].ເພື່ອສ້າງລະບົບການສຶກສາຊັ້ນສູງທີ່ມີການເຄື່ອນໄຫວ ແລະ ຕອບສະໜອງໄດ້ຢ່າງແທ້ຈິງ, ຜູ້ວາງນະໂຍບາຍຕ້ອງປະຕິບັດບັນດາບາດກ້າວຢ່າງກ້າຫານ, ເຊັ່ນ: ການປ່ຽນແປງນະໂຍບາຍ, ການອຸທິດຊັບພະຍາກອນເຂົ້າໃນການເຊື່ອມໂຍງເຕັກໂນໂລຢີ, ແລະການສ້າງກອບການສົ່ງເສີມວິທີການທີ່ເອົານັກຮຽນເປັນໃຈກາງ.ມາດຕະການເຫຼົ່ານີ້ແມ່ນສໍາຄັນເພື່ອບັນລຸຜົນໄດ້ຮັບທີ່ຕ້ອງການ.ການຄົ້ນຄວ້າທີ່ຜ່ານມາກ່ຽວກັບການສິດສອນທີ່ແຕກຕ່າງກັນໄດ້ສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງວ່າການຈັດຕັ້ງປະຕິບັດການສິດສອນທີ່ແຕກຕ່າງກັນຢ່າງສໍາເລັດຜົນຮຽກຮ້ອງໃຫ້ມີການຝຶກອົບຮົມແລະໂອກາດການພັດທະນາຢ່າງຕໍ່ເນື່ອງສໍາລັບຄູ [35].
ເຄື່ອງມືນີ້ສະຫນອງການສະຫນັບສະຫນູນທີ່ມີຄຸນຄ່າແກ່ນັກການສຶກສາດ້ານທັນຕະກໍາທີ່ຕ້ອງການວິທີການທີ່ນັກຮຽນເປັນສູນກາງໃນການວາງແຜນກິດຈະກໍາການຮຽນຮູ້ທີ່ເປັນມິດກັບນັກຮຽນ.ຢ່າງໃດກໍ່ຕາມ, ການສຶກສານີ້ແມ່ນຈໍາກັດພຽງແຕ່ການນໍາໃຊ້ຕົວແບບ ML ຕົ້ນໄມ້ການຕັດສິນໃຈ.ໃນອະນາຄົດ, ຂໍ້ມູນເພີ່ມເຕີມຄວນໄດ້ຮັບການເກັບກໍາເພື່ອປຽບທຽບການປະຕິບັດຂອງເຄື່ອງຈັກການຮຽນຮູ້ທີ່ແຕກຕ່າງກັນເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງ, ຄວາມຫນ້າເຊື່ອຖື, ແລະຄວາມແມ່ນຍໍາຂອງເຄື່ອງມືແນະນໍາ.ນອກຈາກນັ້ນ, ໃນເວລາທີ່ເລືອກວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເຫມາະສົມທີ່ສຸດສໍາລັບວຽກງານສະເພາະໃດຫນຶ່ງ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະພິຈາລະນາປັດໃຈອື່ນໆເຊັ່ນ: ຄວາມຊັບຊ້ອນຂອງຕົວແບບແລະການຕີຄວາມຫມາຍ.
ຂໍ້ຈໍາກັດຂອງການສຶກສານີ້ແມ່ນວ່າມັນພຽງແຕ່ສຸມໃສ່ການສ້າງແຜນທີ່ LS ແລະ IS ໃນບັນດານັກຮຽນທັນຕະກໍາ.ດັ່ງນັ້ນ, ລະບົບຄໍາແນະນໍາທີ່ພັດທະນາຈະແນະນໍາພຽງແຕ່ຜູ້ທີ່ເຫມາະສົມສໍາລັບນັກຮຽນທັນຕະກໍາ.ການປ່ຽນແປງແມ່ນມີຄວາມຈໍາເປັນສໍາລັບການນໍາໃຊ້ນັກຮຽນຊັ້ນສູງທົ່ວໄປ.
ເຄື່ອງມືແນະນໍາການຮຽນຮູ້ທີ່ອີງໃສ່ເຄື່ອງຈັກທີ່ພັດທະນາໃຫມ່ແມ່ນສາມາດຈັດປະເພດ ແລະຈັບຄູ່ LS ຂອງນັກຮຽນກັບ IS ທີ່ສອດຄ້ອງກັນໄດ້ທັນທີ, ເຮັດໃຫ້ມັນເປັນໂຄງການສຶກສາທັນຕະກໍາທໍາອິດທີ່ຈະຊ່ວຍໃຫ້ນັກວິຊາການທັນຕະກໍາວາງແຜນກິດຈະກໍາການຮຽນ-ການສອນທີ່ກ່ຽວຂ້ອງ.ການນໍາໃຊ້ຂະບວນການ triage ທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ, ມັນສາມາດໃຫ້ຄໍາແນະນໍາສ່ວນບຸກຄົນ, ປະຫຍັດເວລາ, ປັບປຸງຍຸດທະສາດການສອນ, ສະຫນັບສະຫນູນການແຊກແຊງເປົ້າຫມາຍ, ແລະສົ່ງເສີມການພັດທະນາວິຊາຊີບຢ່າງຕໍ່ເນື່ອງ.ຄໍາຮ້ອງສະຫມັກຂອງມັນຈະສົ່ງເສີມວິທີການນັກສຶກສາເປັນຈຸດສູນກາງໃນການສຶກສາທັນຕະກໍາ.
Gilak Jani Associated Press.ກົງກັນ ຫຼື ບໍ່ກົງກັນລະຫວ່າງຮູບແບບການຮຽນຮູ້ຂອງນັກຮຽນ ແລະ ແບບການສອນຂອງຄູ.Int J Mod Educ ວິທະຍາສາດຄອມພິວເຕີ.2012;4(11:51–60.https://doi.org/10.5815/ijmecs.2012.11.05
ເວລາປະກາດ: 29-04-2024