ການສ້າງແຜນທີ່ 'ຮູບແບບການຮຽນທີ່ມັກໃນການຮຽນຮູ້ທີ່ສອດຄ່ອງກັບກົນລະຍຸດການຮຽນທີ່ສອດຄ້ອງກັນໂດຍໃຊ້ຕົວແບບການຕັດສິນໃຈການສຶກສາແບບການແພດ |

ມີຄວາມຕ້ອງການທີ່ເພີ່ມຂື້ນສໍາລັບການຮຽນທີ່ເປັນຈຸດສູນກາງຂອງນັກຮຽນ (SCL) ໃນສະຖາບັນການສຶກສາຊັ້ນສູງ, ລວມທັງ dentistry. ເຖິງຢ່າງໃດກໍ່ຕາມ, SCL ມີໂປແກຼມທີ່ຈໍາກັດໃນການສຶກສາແຂ້ວ. ເພາະສະນັ້ນ, ການສຶກສານີ້ມີຈຸດປະສົງເພື່ອສົ່ງເສີມການສະຫມັກຂອງ SCL ໃນ Dentistry STALL (IS) ແລະ) ຂອງນັກຮຽນທີ່ມີປະໂຫຍດ . ວິທີການທີ່ໄດ້ສັນຍາໄວ້ສໍາລັບນັກຮຽນແຂ້ວ.
ແບບສອບຖາມການຮຽນຮູ້ທັງຫມົດ 255 ຄົນຈາກມະຫາວິທະຍາໄລ Malaya ໄດ້ສໍາເລັດການສອບຖາມແບບແຜນການຮຽນ (M-IL) ຂໍ້ມູນທີ່ເກັບກໍາ (ເອີ້ນວ່າ Dataset) ແມ່ນໃຊ້ໃນການຮຽນຮູ້ການຕັດສິນໃຈທີ່ຄວບຄຸມການຮຽນຮູ້ການຮຽນຮູ້ການຮຽນຂອງນັກຮຽນໃຫ້ເຫມາະສົມທີ່ສຸດ. ຄວາມຖືກຕ້ອງຂອງເຄື່ອງຮຽນທີ່ໃຊ້ໃນການຮຽນຮູ້ແມ່ນເຄື່ອງມືແນະນໍາແມ່ນຖືກປະເມີນ.
ການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈໃນຂະບວນການສ້າງແບບອັດຕະໂນມັດລະຫວ່າງ LS (ການປ້ອນຂໍ້ມູນ) ແລະແມ່ນ (ຜົນຜະລິດເປົ້າຫມາຍ) ຊ່ວຍໃຫ້ມີລາຍຊື່ຍຸດທະສາດການຮຽນທີ່ເຫມາະສົມສໍາລັບແຕ່ລະນັກຮຽນ. ເຄື່ອງມືແນະນໍາໄດ້ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງທີ່ສົມບູນແບບແລະຈື່ໄດ້ຮັບຄວາມຖືກຕ້ອງໂດຍລວມ, ສະແດງໃຫ້ເຫັນວ່າມັນມີຄວາມອ່ອນໄຫວແລະສະເພາະ.
ເຄື່ອງມືແນະນໍາໂດຍອີງໃສ່ຕົ້ນໄມ້ຕັດສິນໃຈຂອງ ML ໄດ້ພິສູດໃຫ້ເຫັນຄວາມສາມາດໃນການຮຽນຮູ້ການຮຽນຮູ້ຂອງນັກຮຽນທີ່ຖືກຕ້ອງກັບຍຸດທະສາດການຮຽນຮູ້ທີ່ເຫມາະສົມ. ເຄື່ອງມືນີ້ໃຫ້ທາງເລືອກທີ່ມີປະສິດທິພາບສໍາລັບການວາງແຜນຫລັກສູດການຮຽນຫຼືໂມດູນທີ່ສາມາດເສີມຂະຫຍາຍປະສົບການການຮຽນຮູ້ຂອງນັກຮຽນ.
ການສອນແລະການຮຽນຮູ້ແມ່ນກິດຈະກໍາພື້ນຖານໃນສະຖາບັນການສຶກສາ. ໃນເວລາທີ່ການພັດທະນາລະບົບສຶກສາວິຊາຊີບທີ່ມີຄຸນນະພາບສູງ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຕ້ອງສຸມໃສ່ຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ. ການພົວພັນລະຫວ່າງນັກສຶກສາແລະສະພາບແວດລ້ອມການຮຽນຂອງພວກເຂົາສາມາດກໍານົດຜ່ານ ls ຂອງພວກເຂົາ. ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າຄວາມບໍ່ສອດຄ່ອງກັບອາຈານທີ່ມີຈຸດປະສົງໃນລະຫວ່າງນັກສຶກສາແລະສາມາດມີຜົນສະທ້ອນທາງລົບຕໍ່ການຮຽນຂອງນັກຮຽນ, ເຊັ່ນຄວາມສົນໃຈແລະແຮງຈູງໃຈ. ສິ່ງນີ້ຈະສົ່ງຜົນກະທົບທາງດ້ານໂດຍທາງອ້ອມມີຜົນກະທົບຕໍ່ຜົນງານຂອງນັກຮຽນ [1,2].
ແມ່ນວິທີການທີ່ຄູທີ່ໃຊ້ເພື່ອໃຫ້ຄວາມຮູ້ແລະທັກສະແກ່ນັກຮຽນ, ລວມທັງນັກຮຽນຮຽນຮູ້ [3]. ໂດຍທົ່ວໄປແລ້ວ, ຄູອາຈານທີ່ດີໄດ້ວາງແຜນຍຸດທະສາດການສິດສອນຫລືວ່າມັນເຫມາະສົມກັບລະດັບຄວາມຮູ້ຂອງນັກຮຽນຂອງພວກເຂົາ, ແນວຄວາມຄິດທີ່ພວກເຂົາກໍາລັງຮຽນຢູ່, ແລະຂັ້ນຕອນຂອງການຮຽນ. ທາງທິດສະດີ, ເມື່ອ LS ແລະກົງກັນ, ນັກຮຽນຈະສາມາດຈັດຕັ້ງແລະນໍາໃຊ້ທັກສະສະເພາະໃດຫນຶ່ງເພື່ອຮຽນຮູ້ຢ່າງມີປະສິດຕິຜົນ. ໂດຍປົກກະຕິແລ້ວ, ແຜນການບົດຮຽນປະກອບມີການຫັນປ່ຽນຫຼາຍຢ່າງລະຫວ່າງໄລຍະເວລາ, ເຊັ່ນວ່າຈາກການສິດສອນການປະຕິບັດຫຼືຈາກການປະຕິບັດທີ່ຖືກນໍາພາ. ດ້ວຍສິ່ງນີ້ໃນໃຈ, ຄູອາຈານທີ່ມີປະສິດຕິຜົນມັກຈະວາງແຜນການສິດສອນກັບເປົ້າຫມາຍຂອງຄວາມຮູ້ແລະທັກສະຂອງນັກຮຽນ [4].
ຄວາມຕ້ອງການຂອງ SCL ກໍາລັງເຕີບໃຫຍ່ຂະຫຍາຍຕົວໃນສະຖາບັນການສຶກສາຊັ້ນສູງ, ລວມທັງ dentistry. ຍຸດທະສາດ SCL ຖືກອອກແບບມາເພື່ອຕອບສະຫນອງຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ. ສິ່ງນີ້ສາມາດບັນລຸໄດ້, ຍົກຕົວຢ່າງ, ຖ້ານັກຮຽນເຂົ້າຮ່ວມຢ່າງຫ້າວຫັນໃນກິດຈະກໍາການຮຽນຮູ້ແລະຄູສອນເຮັດຫນ້າທີ່ເປັນຜູ້ອໍານວຍຄວາມສະດວກແລະໃຫ້ຄໍາຕິຊົມທີ່ມີຄ່າ. ມີການກ່າວວ່າການໃຫ້ອຸປະກອນການຮຽນແລະກິດຈະກໍາທີ່ເຫມາະສົມກັບສະພາບແວດລ້ອມຫຼືຄວາມມັກຂອງນັກຮຽນສາມາດປັບປຸງປະສົບການການຮຽນຮູ້ຂອງນັກຮຽນແລະສົ່ງເສີມການຮຽນຮູ້ໃນທາງບວກ [5].
ໂດຍທົ່ວໄປແລ້ວການເວົ້າ, ການຮຽນຮູ້ກ່ຽວກັບການຮຽນຮູ້ດ້ານແຂ້ວແມ່ນໄດ້ຮັບອິດທິພົນຈາກຂັ້ນຕອນການແພດຕ່າງໆທີ່ພວກເຂົາຕ້ອງການໃນການປະຕິບັດແລະສະພາບແວດລ້ອມທາງດ້ານການຊ່ວຍ. ຈຸດປະສົງຂອງການຝຶກອົບຮົມແມ່ນເພື່ອເປີດໃຊ້ນັກຮຽນໃຫ້ສົມທົບກັບຄວາມຮູ້ກ່ຽວກັບແຂ້ວທີ່ມີແຂ້ວປອມແລະນໍາໃຊ້ຄວາມຮູ້ດ້ານຄລີນິກແລະນໍາໃຊ້ກັບສະຖານະການທາງດ້ານການແພດໃຫມ່ [6, 7]. ການຄົ້ນຄວ້າແບບຕົ້ນໆໃນຄວາມສໍາພັນລະຫວ່າງ LS ແລະພົບວ່າການປັບປ່ຽນຍຸດທະສາດການຮຽນທີ່ໄດ້ວາງແຜນໃຫ້ກັບ LS ທີ່ຕ້ອງການ [8]. ຜູ້ຂຽນຍັງແນະນໍາໃຫ້ໃຊ້ວິທີການສິດສອນແລະວິທີການປະເມີນຜົນທີ່ຫຼາກຫຼາຍເພື່ອປັບຕົວເຂົ້າກັບການຮຽນແລະຄວາມຕ້ອງການຂອງນັກຮຽນ.
ຄູອາຈານໄດ້ຮັບຜົນປະໂຫຍດຈາກການສະຫມັກຄວາມຮູ້ LS ທີ່ຈະຊ່ວຍໃຫ້ພວກເຂົາອອກແບບ, ພັດທະນາຄວາມຮູ້ 'ຂອງນັກຮຽນຈະຊ່ວຍໃຫ້ນັກຮຽນຮູ້ສຶກດີແລະຄວາມເຂົ້າໃຈກ່ຽວກັບຫົວຂໍ້. ນັກຄົ້ນຄວ້າໄດ້ພັດທະນາເຄື່ອງມືການປະເມີນລະບົບຫຼາຍຢ່າງເຊັ່ນ: ແບບຈໍາລອງຮຽນຮູ້ຂອງ Kolb, ແລະຮູບແບບ Vak Fleming Delighter / Dream [5, 9]. ອີງຕາມວັນນະຄະດີ, ແບບຮຽນການຮຽນເຫຼົ່ານີ້ແມ່ນແບບທີ່ຮຽນຮູ້ທີ່ສຸດແລະຮຽນທີ່ສຸດ. ໃນວຽກງານຄົ້ນຄວ້າປະຈຸບັນ, FSLSM ແມ່ນໃຊ້ໃນການປະເມີນ LS ໃນບັນດານັກຮຽນກ່ຽວກັບແຂ້ວ.
FSLSM ແມ່ນຮູບແບບທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງສໍາລັບການປະເມີນການຮຽນຮູ້ການປັບຕົວໃນວິສະວະກໍາສາດ. ມີຫລາຍວຽກທີ່ຖືກຕີພິມໃຫມ່ໃນດ້ານສຸຂະພາບ (ລວມທັງຢາ, ການພະຍາບານ, ຮ້ານຂາຍຢາແລະທັນຕະແພດ) ທີ່ສາມາດຊອກຫາໄດ້ໂດຍໃຊ້ແບບ FSLSM [5, 12, 13]. ເຄື່ອງມືທີ່ໃຊ້ໃນການວັດແທກຂະຫນາດຂອງ ls ໃນ Flsm ທີ່ຖືກເອີ້ນວ່າການປະເມີນ 4 ມິຕິຂອງ LS: ການປ້ອນຂໍ້ມູນ (ສາຍຕາ). / ຄໍາເວົ້າ) ແລະຄວາມເຂົ້າໃຈ (ລໍາດັບ / ທົ່ວໂລກ) [14].
ດັ່ງທີ່ສະແດງໃນຮູບ 1, ແຕ່ລະມິຕິ FSLSM ມີຄວາມມັກທີ່ໂດດເດັ່ນ. ຍົກຕົວຢ່າງ, ໃນມິຕິການປຸງແຕ່ງ, ນັກຮຽນທີ່ມີ "Active" LS ມັກທີ່ຈະປະມວນຜົນຂໍ້ມູນໂດຍອຸປະກອນການຮຽນໂດຍກົງ, ຮຽນຮູ້ໂດຍການຮຽນຮູ້ເປັນກຸ່ມ. "ສະທ້ອນໃຫ້ເຫັນ LS" ຫມາຍເຖິງການຮຽນຮູ້ໂດຍຜ່ານການຄິດແລະມັກເຮັດວຽກຄົນດຽວ. ມິຕິ "ການຮັບຮູ້" ຂອງ LS ສາມາດແບ່ງອອກເປັນ "ຄວາມຮູ້ສຶກ" ແລະ / ຫຼື "intuition". ນັກສຶກສາ "ຄວາມຮູ້ສຶກ" ມັກຂໍ້ມູນຂ່າວສານທີ່ແນ່ນອນແລະມີຄວາມເປັນຈິງ, ແມ່ນການປຽບທຽບຂອງນັກຮຽນທີ່ບໍ່ມີຕົວຕົນແລະມີຄວາມຄິດສ້າງສັນແລະມີລັກສະນະສ້າງສັນ. ມິຕິ "ປ້ອນຂໍ້ມູນ" ຂອງ LS ປະກອບດ້ວຍຜູ້ຮຽນ "ສາຍຕາ" ແລະ "ການເວົ້າ". ປະຊາຊົນທີ່ມີ "ສາຍຕາ" LS ມັກຮຽນຮູ້ໂດຍຜ່ານການສະແດງທາງສາຍຕາ (ເຊັ່ນ: ການສາທິດທີ່ມີຄວາມຫມາຍ "," ເພື່ອ "ເຂົ້າໃຈ" ຂະຫນາດຂອງ LS, ຜູ້ທີ່ຮຽນດັ່ງກ່າວສາມາດແບ່ງອອກເປັນ "ລໍາດັບ" ແລະ "ທົ່ວໂລກ". "ຜູ້ໃດທີ່ຮຽນທີ່ເປັນລະດັບຄວາມຄິດແລະຮຽນແຕ່ລະບາດກ້າວ, ໃນຂະນະທີ່ນັກຮຽນທີ່ຮຽນຮູ້ໃນໂລກມີແນວໂນ້ມທີ່ຈະມີຄວາມເຂົ້າໃຈດີກັບສິ່ງທີ່ພວກເຂົາຮຽນຢູ່.
ເມື່ອບໍ່ດົນມານີ້, ນັກຄົ້ນຄວ້າຫຼາຍຄົນໄດ້ເລີ່ມຄົ້ນຫາວິທີການຄົ້ນພົບຂໍ້ມູນທີ່ຂັບເຄື່ອນໂດຍອັດຕະໂນມັດ, ລວມທັງການພັດທະນາສູດໃຫມ່ແລະແບບຈໍາກັດໃນການແປຂໍ້ມູນຈໍານວນຫລາຍ [15, 16]. ອີງຕາມຂໍ້ມູນທີ່ໃຫ້ໄວ້, ML ທີ່ໄດ້ຮັບການຄວບຄຸມ ML (ການຮຽນຮູ້ເຄື່ອງ) ແມ່ນສາມາດສ້າງຮູບແບບແລະສົມມຸດຕິຖານທີ່ຄາດຄະເນຜົນໄດ້ຮັບໃນອະນາຄົດໂດຍອີງໃສ່ການກໍ່ສ້າງຂອງສູດການຄິດໄລ່ [17]. ເວົ້າງ່າຍໆ, ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກຄວບຄຸມເຄື່ອງຈັກເຄື່ອງຈັກຫມູນໃຊ້ຂໍ້ມູນການປ້ອນຂໍ້ມູນແລະສູດການຄິດໄລ່ລົດໄຟ. ຈາກນັ້ນມັນກໍ່ສ້າງລະດັບທີ່ຈັດປະເພດຫຼືຄາດຄະເນຜົນໄດ້ຮັບໂດຍອີງໃສ່ສະຖານະການທີ່ຄ້າຍຄືກັນສໍາລັບຂໍ້ມູນການປ້ອນຂໍ້ມູນທີ່ສະຫນອງໃຫ້. ປະໂຫຍດຕົ້ນຕໍຂອງການຄິດໄລ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຄວາມສາມາດຂອງມັນໃນການສ້າງຜົນໄດ້ຮັບທີ່ດີເລີດແລະທີ່ຕ້ອງການ [17].
ໂດຍຜ່ານການນໍາໃຊ້ວິທີການທີ່ຜັກດັນຂໍ້ມູນແລະການຕັດສິນການຄວບຄຸມຕົ້ນໄມ້, ຮູບແບບຄວບຄຸມ, ການກວດອັດຕະໂນມັດຂອງ LS ແມ່ນເປັນໄປໄດ້. ຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຖືກລາຍງານວ່າຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນໂປແກຼມຝຶກອົບຮົມໃນຂົງເຂດຕ່າງໆ, ລວມທັງວິທະຍາສາດດ້ານສຸຂະພາບ [18, 19]. ໃນການສຶກສາຄັ້ງນີ້, ຮູບແບບດັ່ງກ່າວໄດ້ຮັບການຝຶກອົບຮົມໂດຍສະເພາະໂດຍນັກພັດທະນາລະບົບເພື່ອກໍານົດນັກຮຽນ 'LS ແລະແນະນໍາໃຫ້ດີທີ່ສຸດແມ່ນສໍາລັບພວກເຂົາ.
ຈຸດປະສົງຂອງການສຶກສາຄັ້ງນີ້ແມ່ນການພັດທະນາແມ່ນຍຸດທະສາດການຈັດສົ່ງໂດຍອີງໃສ່ວິທີການຂອງນັກຮຽນແລະນໍາໃຊ້ວິທີການ scl ໂດຍການກໍານົດເຄື່ອງມືທີ່ກໍາລັງຈະອອກໄປຫາ LS. ເຄື່ອງມືອອກແບບແມ່ນເຄື່ອງມືແນະນໍາເປັນຍຸດທະສາດຂອງວິທີການ scl ແມ່ນແບ່ງອອກເປັນສອງພາກສ່ວນ, ລວມທັງກົນໄກການຈັດປະເພດ LS, ທີ່ເຫມາະສົມທີ່ສຸດແມ່ນການສະແດງສໍາລັບນັກຮຽນ.
ໂດຍສະເພາະ, ຄຸນລັກສະນະຂອງເຄື່ອງມືແນະນໍາຄວາມປອດໄພຂອງຂໍ້ມູນປະກອບມີການນໍາໃຊ້ເຕັກໂນໂລຢີເວບໄຊທ໌ແລະການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຕັດສິນ. ນັກພັດທະນາລະບົບປັບປຸງປະສົບການຂອງຜູ້ໃຊ້ແລະການເຄື່ອນທີ່ໂດຍການປັບຕົວໃຫ້ກັບອຸປະກອນມືຖືເຊັ່ນ: ແທັບເລັດມືຖືແລະແທັບເລັດ.
ການທົດລອງໄດ້ດໍາເນີນເປັນສອງໄລຍະແລະນັກຮຽນຈາກຄະນະວິຊາທີ່ມະຫາວິທະຍາໄລ Malaya ໄດ້ເຂົ້າຮ່ວມບົນພື້ນຖານຄວາມສະຫມັກໃຈ. ຜູ້ເຂົ້າຮ່ວມໄດ້ຕອບສະຫນອງກັບ I-I-ils ຂອງນັກຮຽນໃນພາສາອັງກິດ. ໃນໄລຍະເບື້ອງຕົ້ນ, ຊຸດຂໍ້ມູນຂອງນັກຮຽນ 50 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມການຮຽນຮູ້ການຮຽນຮູ້ການຮຽນຮູ້. ໃນໄລຍະທີສອງຂອງຂະບວນການພັດທະນາ, ຊຸດຂໍ້ມູນຂອງນັກຮຽນ 255 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືພັດທະນາ.
ຜູ້ເຂົ້າຮ່ວມທຸກຄົນໄດ້ຮັບການສະຫຼຸບໂດຍຫຍໍ້ໃນທາງອິນເຕີເນັດໃນຕອນຕົ້ນຂອງແຕ່ລະຂັ້ນ, ຂື້ນກັບສົກຮຽນ, ໂດຍຜ່ານສົກຮຽນ, ຜ່ານ Microsoft ທີມງານ. ຈຸດປະສົງຂອງການສຶກສາໄດ້ຖືກອະທິບາຍແລະແຈ້ງການຍິນຍອມທີ່ໄດ້ຮັບແມ່ນໄດ້ຮັບ. ຜູ້ເຂົ້າຮ່ວມທັງຫມົດແມ່ນໄດ້ຮັບການເຊື່ອມຕໍ່ເຂົ້າໃນການເຂົ້າເຖິງ M-Ils. ນັກຮຽນແຕ່ລະຄົນໄດ້ຖືກແນະນໍາໃຫ້ຕອບ 44 ລາຍການໃນແບບສອບຖາມ. ພວກເຂົາໄດ້ຮັບຫນຶ່ງອາທິດເພື່ອເຮັດສໍາເລັດຮູບ Ibs ທີ່ມີການປ່ຽນແປງໃນເວລາແລະສະຖານທີ່ສະດວກຕໍ່ພວກເຂົາໃນຊ່ວງພາກຮຽນກ່ອນການເລີ່ມຕົ້ນຂອງພາກຮຽນ. I-ILS ແມ່ນອີງໃສ່ເຄື່ອງມື IL ໃນຕົ້ນສະບັບແລະດັດແກ້ສໍາລັບນັກຮຽນແຂ້ວ. ຄ້າຍຄືກັບຮູບພາບຕົ້ນສະບັບ, ມັນມີ 44 ລາຍການແຈກຢາຍທີ່ຈໍາເປັນ (ກ, ຂ), ມີ 11 ລາຍການທີ່ໃຊ້ໃນການປະເມີນຄວາມຫມາຍຂອງແຕ່ລະມິຕິ FSLSM.
ໃນລະຫວ່າງໄລຍະເລີ່ມຕົ້ນຂອງການພັດທະນາເຄື່ອງມື, ນັກຄົ້ນຄວ້າສະແດງໃຫ້ເຫັນແຜນທີ່ໂດຍໃຊ້ຊຸດຂໍ້ມູນຂອງນັກຮຽນ 50 ຄົນ. ອີງຕາມ FSLM, ລະບົບໃຫ້ຜົນລວມຂອງຄໍາຕອບ "A" ແລະ "ຂ". ສໍາລັບແຕ່ລະມິຕິ, ຖ້ານັກຮຽນເລືອກ "A" ເປັນຄໍາຕອບ, ແລະຖ້ານັກຮຽນເລືອກເອົາເປັນສະຖິຕິ / ສະຕິປັນຍາ / ພາສາ . / ຜູ້ຮຽນທົ່ວໂລກ.
ຫຼັງຈາກການປັບປຸງການເຮັດວຽກລະຫວ່າງການເຮັດວຽກລະຫວ່າງນັກຄົ້ນຄວ້າແລະລະບົບນັກພັດທະນາ, ຄໍາຖາມໄດ້ຖືກເລືອກໂດຍອີງໃສ່ MLSM Domain ທີ່ຈະຄາດຄະເນຂອງນັກຮຽນ. "ຂີ້ເຫຍື້ອເຂົ້າ, ຂີ້ເຫຍື້ອອອກ" ແມ່ນຄໍາເວົ້າທີ່ເປັນທີ່ນິຍົມໃນສະຫນາມຂອງການຮຽນຮູ້ເຄື່ອງ, ໂດຍເນັ້ນຫນັກໃສ່ຄຸນນະພາບຂອງຂໍ້ມູນ. ຄຸນນະພາບຂອງຂໍ້ມູນການປ້ອນຂໍ້ມູນກໍານົດຄວາມແມ່ນຍໍາແລະຄວາມຖືກຕ້ອງຂອງຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ. ໃນລະຫວ່າງໄລຍະວິສະວະກໍາຄຸນນະສົມບັດ, ຊຸດຄຸນລັກສະນະໃຫມ່ແມ່ນສ້າງຂື້ນເຊິ່ງແມ່ນຜົນລວມຂອງຄໍາຕອບ "A" ແລະ "B" ໂດຍອີງໃສ່ FlSsm. ຕົວເລກການກໍານົດຂອງຕໍາແຫນ່ງຢາແມ່ນໃຫ້ຢູ່ໃນຕາຕະລາງ 1.
ຄິດໄລ່ຄະແນນໂດຍອີງໃສ່ຄໍາຕອບແລະກໍານົດ LS ຂອງນັກຮຽນ. ສໍາລັບນັກຮຽນແຕ່ລະຄົນ, ລະດັບຄະແນນແມ່ນຕັ້ງແຕ່ 1 ເຖິງ .. ຄະແນນຈາກ 1 ເຖິງ 3 . ການປ່ຽນແປງອື່ນໃນມິຕິດຽວກັນແມ່ນຄະແນນຈາກ 9 ຫາ 11 ສະທ້ອນຄວາມມັກທີ່ເຂັ້ມແຂງສໍາລັບສົ້ນຫນຶ່ງຫຼືອື່ນໆ [8].
ສໍາລັບແຕ່ລະມິຕິ, ຢາເສບຕິດໄດ້ຖືກຈັດເປັນກຸ່ມເປັນກຸ່ມທີ່ບໍ່ມີການປ່ຽນແປງ, "ສະທ້ອນ" ແລະ "ສົມດຸນ". ຍົກຕົວຢ່າງ, ໃນເວລາທີ່ນັກຮຽນຕອບວ່າ "A" ຫຼາຍກ່ວາ "b" ໃນລາຍການທີ່ໄດ້ກໍານົດໄວ້ແລະຂອງລາວທີ່ເປັນຕົວແທນຂອງມິຕິ LS, ລາວເປັນຂອງ "ການເຄື່ອນໄຫວ" ls ໂດເມນ. . ເຖິງຢ່າງໃດກໍ່ຕາມ, ນັກຮຽນໄດ້ຖືກຈັດປະເພດເປັນ "ສະທ້ອນໃຫ້ເຫັນໃນເວລາທີ່ພວກເຂົາເລືອກ" b "ຫຼາຍກວ່າ 11 ຄໍາຖາມ (ຕາຕະລາງ 1) ແລະໄດ້ຄະແນນຫຼາຍກວ່າ 5 ຄະແນນ. ສຸດທ້າຍ, ນັກຮຽນແມ່ນຢູ່ໃນສະພາບຂອງ "ຄວາມສົມດຸນຂອງ". ຖ້າຄະແນນບໍ່ເກີນ 5 ຄະແນນ, ຫຼັງຈາກນັ້ນນີ້ແມ່ນ "ຂະບວນການ" ls. ຂະບວນການຈັດປະເພດໄດ້ຖືກເຮັດຊ້ໍາອີກສໍາລັບຂະຫນາດອື່ນໆ, ຄືການເຂົ້າໃຈ (Active / ສະທ້ອນ), ແລະຄວາມເຂົ້າໃຈ), ແລະຄວາມເຂົ້າໃຈ (ເປັນລະດັບ (ທົ່ວໂລກ).
ຕົວແບບຕົ້ນໄມ້ຕັດສິນໃຈສາມາດໃຊ້ຄຸນລັກສະນະຍ່ອຍແລະກົດລະບຽບການຕັດສິນໃຈທີ່ແຕກຕ່າງກັນໃນໄລຍະທີ່ແຕກຕ່າງກັນຂອງຂະບວນການຈັດປະເພດ. ມັນໄດ້ຖືກພິຈາລະນາເປັນເຄື່ອງມືການຈັດປະເພດທີ່ນິຍົມແລະເຄື່ອງມືຄາດຄະເນ. ມັນສາມາດເປັນຕົວແທນໂດຍໃຊ້ໂຄງສ້າງຂອງຕົ້ນໄມ້ເຊັ່ນ: ການທົດສອບທີ່ເປັນຕົວແທນຂອງແຕ່ລະໃບທົດສອບ, ແລະແຕ່ລະໃບ node (ໃບ node) ມີປ້າຍລະດັບຊັ້ນ.
ໂຄງການທີ່ອີງໃສ່ແບບຟອມງ່າຍໆຖືກສ້າງຂື້ນເພື່ອໃຫ້ໄດ້ຄະແນນແລະບັນທຶກສຽງຂອງນັກຮຽນແຕ່ລະຄົນໂດຍອີງໃສ່ຄໍາຕອບຂອງພວກເຂົາ. ໂດຍອີງໃສ່ກົດຫມາຍວ່າຈະເປັນຮູບແບບຂອງຄໍາຖະແຫຼງການ, ບ່ອນທີ່ "ຖ້າ" ອະທິບາຍເຖິງການກະທໍາທີ່ຕ້ອງປະຕິບັດ, ຕົວຢ່າງ, () ຖ້າກໍານົດຂໍ້ມູນທີ່ກໍານົດໄວ້ໃນຄວາມສໍາພັນແລະການຕັດສິນໃຈແມ່ນໄດ້ຮັບການຝຶກອົບຮົມແລະປະເມີນຜົນຢ່າງຖືກຕ້ອງ, ວິທີການນີ້ສາມາດເປັນວິທີການທີ່ມີປະສິດຕິຜົນໃນການອັດຕະໂນມັດແລະແມ່ນ.
ໃນໄລຍະທີ່ສອງຂອງການພັດທະນາ, ຊຸດຂໍ້ມູນໄດ້ເພີ່ມຂື້ນເປັນ 255 ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືແນະນໍາ. ຊຸດຂໍ້ມູນແມ່ນແບ່ງປັນໃນອັດຕາສ່ວນ 1: 4. 25% (64) ຂອງຊຸດຂໍ້ມູນໄດ້ຖືກນໍາໃຊ້ສໍາລັບຊຸດທົດສອບ, ແລະສ່ວນທີ່ຍັງເຫຼືອ 75% (191%) ຖືກໃຊ້ເປັນຊຸດການຝຶກອົບຮົມ (ຮູບທີ 2). ຊຸດຂໍ້ມູນຈໍາເປັນຕ້ອງແບ່ງປັນເພື່ອປ້ອງກັນບໍ່ໃຫ້ຕົວແບບທີ່ຖືກຮັບການຝຶກອົບຮົມແລະທົດສອບໃນຊຸດຂໍ້ມູນດຽວກັນ, ເຊິ່ງສາມາດເຮັດໃຫ້ຕົວແບບຫນຶ່ງສາມາດຈື່ໄດ້ແທນທີ່ຈະຮຽນຮູ້ແທນທີ່ຈະຮຽນຮູ້. ຕົວແບບດັ່ງກ່າວໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບການຝຶກອົບຮົມທີ່ກໍານົດໄວ້ແລະປະເມີນຜົນການສະແດງຂອງມັນໃນການທົດສອບທີ່ກໍານົດຂໍ້ມູນແບບຈໍາລອງບໍ່ເຄີຍເຫັນມາກ່ອນ.
ເມື່ອເຄື່ອງມືແມ່ນການພັດທະນາ, ແອັບພລິເຄຊັນຈະສາມາດຈັດແບ່ງປະເພດ LS ໂດຍອີງໃສ່ຄໍາຕອບຂອງນັກຮຽນແຂ້ວໂດຍຜ່ານອິນເຕີເນັດຜ່ານທາງອິນເຕີເນັດ. ລະບົບເຄື່ອງມືແນະນໍາກ່ຽວກັບຂໍ້ມູນຄວາມປອດໄພຂອງເວັບຖືກສ້າງຂຶ້ນໂດຍໃຊ້ພາສາການຂຽນໂປແກຼມ Python ໂດຍໃຊ້ກອບ Django ເປັນ backend ເປັນ backend. 2 ຕາຕະລາງ 2 ລາຍຊື່ຫ້ອງສະຫມຸດທີ່ໃຊ້ໃນການພັດທະນາລະບົບນີ້.
ຊຸດຂໍ້ມູນໄດ້ຮັບການປ້ອນໃຫ້ກັບຕົວແບບຕົ້ນໄມ້ການຕັດສິນໃຈໃນການຄິດໄລ່ແລະສະກັດເອົາຄໍາຕອບຂອງນັກຮຽນເພື່ອຈັດການວັດແທກຂອງນັກຮຽນ LS ໂດຍອັດຕະໂນມັດ.
ຕາຕະລາງຄວາມສັບສົນແມ່ນໃຊ້ເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງການຮຽນຮູ້ຈັກເຄື່ອງຈັກຕັດສິນໃຈໃນຊຸດຂໍ້ມູນທີ່ໄດ້ຮັບ. ໃນເວລາດຽວກັນ, ມັນປະເມີນຜົນການປະຕິບັດງານຂອງຮູບແບບການຈັດປະເພດ. ມັນສະຫຼຸບສັງລວມການຄາດຄະເນຂອງຕົວແບບແລະປຽບທຽບພວກເຂົາກັບປ້າຍຊື່ຂໍ້ມູນຕົວຈິງ. ຜົນປະໂຫຍດແມ່ນອີງໃສ່ສີ່ຄຸນຄ່າທີ່ແຕກຕ່າງກັນ: ຄວາມຈິງ (TP) - FP ທີ່ຖືກຄາດຄະເນກັບຫມວດທີ່ດີ ຮູບແບບທີ່ຄາດຄະເນຢ່າງຖືກຕ້ອງຢ່າງຖືກຕ້ອງໃນຫ້ອງຮຽນທີ່ບໍ່ດີ, ແລະບໍ່ຖືກຕ້ອງ (FN) - ຮູບແບບຄາດຄະເນການຮຽນທີ່ບໍ່ດີ, ແຕ່ວ່າປ້າຍທີ່ແທ້ຈິງແມ່ນບວກ.
ຫຼັງຈາກນັ້ນຄຸນຄ່າເຫຼົ່ານີ້ແມ່ນໃຊ້ເພື່ອຄິດໄລ່ຮູບແບບການປະຕິບັດງານຕ່າງໆຂອງ SCIKIT-MATELDIONS PYRYSIONS PYTONIONS PYTHON, ຄືຄວາມແມ່ນຍໍາ, ລະນຶກ, ຄະແນນ F1. ນີ້ແມ່ນຕົວຢ່າງ:
Recall (ຫຼືຄວາມອ່ອນໄຫວ) ສາມາດວັດແທກຄວາມສາມາດຂອງຕົວແບບໃນການຈັດປະເພດ LS ຂອງນັກຮຽນຢ່າງຖືກຕ້ອງຫຼັງຈາກຕອບແບບສອບຖາມ m-ils.
ສະເພາະແມ່ນເອີ້ນວ່າອັດຕາລົບທີ່ແທ້ຈິງ. ຂະນະທີ່ທ່ານສາມາດເຫັນໄດ້ຈາກສູດຂ້າງເທິງ, ນີ້ຄວນຈະເປັນອັດຕາສ່ວນຂອງການລົບ (TN) ກັບສິ່ງລົບກວນທີ່ແທ້ຈິງແລະຄວາມເປັນໄປໄດ້ທີ່ບໍ່ຖືກຕ້ອງ (FP). ໃນຖານະເປັນສ່ວນຫນຶ່ງຂອງເຄື່ອງມືທີ່ແນະນໍາສໍາລັບການຈັດປະເພດຢາເສບຕິດ, ມັນຄວນຈະມີຄວາມສາມາດໃນການກໍານົດທີ່ຖືກຕ້ອງ.
ຊຸດຂໍ້ມູນຕົ້ນສະບັບຂອງນັກຮຽນ 50 ຄົນທີ່ໃຊ້ເພື່ອຝຶກອົບຮົມຕົ້ນໄມ້ຕົ້ນໄມ້ ML Model ໄດ້ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງຂອງມະນຸດໃນຄໍາບັນຍາຍ (ຕາຕະລາງ 3). ຫຼັງຈາກສ້າງໂປແກຼມທີ່ໃຊ້ກົດລະບຽບງ່າຍໆໃຫ້ໄດ້ໂດຍອັດຕະໂນມັດໂດຍອັດຕະໂນມັດ LS
ໃນ Multiclass Connusion Matrix, ອົງປະກອບຂວາງແມ່ນຕົວແທນຈໍານວນການຄາດຄະເນທີ່ຖືກຕ້ອງສໍາລັບແຕ່ລະປະເພດ LS (ຮູບ 4). ການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈ, ຈໍານວນທັງຫມົດ 64 ຕົວຢ່າງຖືກຄາດຄະເນຢ່າງຖືກຕ້ອງ. ດັ່ງນັ້ນ, ໃນການສຶກສາຄັ້ງນີ້, ບັນດາອົງປະກອບຂອງເສັ້ນຂວາງໄດ້ສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ຄາດວ່າຈະ, ການສະແດງວ່າຕົວແບບດັ່ງກ່າວປະຕິບັດສະແດງປ້າຍທີ່ດີແລະຄາດຄະເນສໍາລັບການຈັດປະເພດແຕ່ລະຊຸດ. ດັ່ງນັ້ນ, ຄວາມຖືກຕ້ອງໂດຍລວມຂອງເຄື່ອງມືແນະນໍາແມ່ນ 100%.
ຄຸນຄ່າຂອງຄວາມຖືກຕ້ອງ, ຄວາມຖືກຕ້ອງ, ຄະແນນ, ແລະຄະແນນ F1 ແມ່ນ 1.0 "ທີ່ສົມບູນແບບ," ຄຸນຄ່າ.
ຮູບສະແດງ 6 ສະແດງຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈຫຼັງຈາກການຝຶກອົບຮົມແລະການທົດສອບແມ່ນສໍາເລັດ. ໃນການປຽບທຽບຂ້າງຄຽງ, ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍຄຸນລັກສະນະທີ່ນ້ອຍກວ່າທີ່ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງແລະມີຮູບແບບງ່າຍກວ່າ. ສະແດງໃຫ້ເຫັນວ່າວິສະວະກໍາທີ່ມີຄຸນນະສົມບັດນໍາໄປສູ່ການຫຼຸດຜ່ອນຄຸນນະສົມບັດແມ່ນບາດກ້າວທີ່ສໍາຄັນໃນການປັບປຸງການເຮັດວຽກແບບຈໍາລອງ.
ໂດຍການນໍາໃຊ້ຕົ້ນໄມ້ທີ່ກໍາລັງຕັດສິນໃຈຮຽນຮູ້ການຮຽນຮູ້, ແຜນທີ່ລະຫວ່າງ LS (ວັດສະດຸປ້ອນ) ແລະແມ່ນ (ຜົນຜະລິດເປົ້າຫມາຍ) ແມ່ນຖືກສ້າງຂື້ນໂດຍອັດຕະໂນມັດແລະມີຂໍ້ມູນລະອຽດສໍາລັບແຕ່ລະຄົນ.
ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າ 34,9% ຂອງນັກຮຽນ 255 ຄົນທີ່ມັກຕົວເລືອກຫນຶ່ງ (1) LS. ສ່ວນໃຫຍ່ (54,3%) ມີຄວາມມັກສອງຫຼືຫຼາຍກວ່ານັ້ນ. 12,2% ຂອງນັກຮຽນທີ່ສັງເກດວ່າ LS ແມ່ນສົມດຸນຂ້ອນຂ້າງ (ຕາຕະລາງ 4). ນອກເຫນືອໄປຈາກແປດຫລັກ, ມີການປະສົມປະສານ 34 ແຫ່ງຂອງການປະສົມປະສານຂອງ LS ສໍາລັບມະຫາວິທະຍາໄລນັກຮຽນ Malaya ແຂ້ວ. ໃນບັນດາພວກເຂົາ, ຄວາມຮັບຮູ້, ວິໄສທັດ, ແລະການປະສົມປະສານຂອງຄວາມຮັບຮູ້ແລະວິໄສທັດແມ່ນສິ່ງທີ່ສໍາຄັນຂອງນັກຮຽນ (ຮູບທີ 7).
ດັ່ງທີ່ສາມາດເຫັນໄດ້ຈາກຕາຕະລາງ 4, ນັກຮຽນສ່ວນໃຫຍ່ມີຄວາມຮູ້ສຶກໂດດເດັ່ນ (13,7%) ຫຼືສາຍຕາ (8.6%) ls. ມີລາຍງານວ່າ 12,2% ຂອງນັກຮຽນປະສົມປະສານກັບຄວາມຮັບຮູ້ກັບວິໄສທັດ (ສາຍຕາທີ່ຮັບຮູ້). ການຄົ້ນພົບເຫຼົ່ານີ້ແນະນໍາວ່ານັກຮຽນມັກຮຽນຮູ້ແລະຈື່ຜ່ານວິທີການທີ່ຖືກສ້າງຕັ້ງຂຶ້ນ, ປະຕິບັດຕາມຂັ້ນຕອນສະເພາະແລະລະອຽດແລະເອົາໃຈໃສ່ໃນທໍາມະຊາດ. ໃນເວລາດຽວກັນ, ພວກເຂົາມັກການຮຽນຮູ້ໂດຍການເບິ່ງ (ໂດຍໃຊ້ແຜນວາດ, ແລະອື່ນໆ) ແລະນໍາໃຊ້ຂໍ້ມູນເປັນກຸ່ມຫຼືດ້ວຍຕົນເອງ.
ການສຶກສາຄັ້ງນີ້ໃຫ້ພາບລວມຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງທີ່ໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ໂດຍມີຈຸດສຸມໃນການຄາດຄະເນແລະແນະນໍາໃຫ້ເຫມາະສົມ. ການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ກໍານົດປັດໄຈທີ່ກ່ຽວຂ້ອງກັບຊີວິດແລະປະສົບການດ້ານການສຶກສາຂອງພວກເຂົາ. ມັນແມ່ນສູດການຮຽນຮູ້ທີ່ຖືກຄຸມກໍາເນີດທີ່ໃຊ້ໂຄງສ້າງຕົ້ນໄມ້ເພື່ອຈັດແບ່ງປະເພດຂໍ້ມູນໂດຍແບ່ງປັນຂໍ້ມູນໃຫ້ເປັນປະເພດໂດຍອີງໃສ່ມາດຖານທີ່ແນ່ນອນ. ມັນເຮັດວຽກໂດຍການແບ່ງປັນຂໍ້ມູນການປ້ອນຂໍ້ມູນຄືນໃຫມ່ໃຫ້ເປັນມູນຄ່າທີ່ອີງໃສ່ຄຸນຄ່າຂອງການປ້ອນຂໍ້ມູນຂອງແຕ່ລະຂໍ້ໃນແຕ່ລະຂໍ້ມູນການຕັດສິນໃຈ
ຂໍ້ມູນພາຍໃນຂອງຕົ້ນໄມ້ການຕັດສິນເປັນຕົວແທນຂອງວິທີແກ້ໄຂໂດຍອີງໃສ່ຄຸນລັກສະນະການປ້ອນຂໍ້ມູນຂອງບັນຫາ M-Ils, ແລະຂໍ້ມູນທີ່ເປັນຕົວແທນການຄາດຄະເນການຈັດປະເພດຂັ້ນສຸດທ້າຍ. ຕະຫຼອດການສຶກສາ, ມັນງ່າຍທີ່ຈະເຂົ້າໃຈລໍາດັບຕົ້ນໄມ້ຕັດສິນໃຈທີ່ອະທິບາຍແລະເບິ່ງເຫັນຂະບວນການຕັດສິນໃຈໂດຍການເບິ່ງຄວາມສໍາພັນແລະການຄາດຄະເນຜົນຜະລິດ.
ໃນຂົງເຂດຂອງຄອມພິວເຕີວິທະຍາໄລຄອມພິວເຕີແລະວິສະວະກໍາ, ສູດການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໂດຍອີງໃສ່ການປະຕິບັດຂອງນັກຮຽນໂດຍອີງໃສ່ຄະແນນທາງປະຊາກອນຂອງພວກເຂົາ [22]. ການຄົ້ນຄວ້າສະແດງໃຫ້ເຫັນວ່າ ACCORITHM ໄດ້ຄາດຄະເນການສະແດງຂອງນັກຮຽນໄດ້ຄາດຄະເນຢ່າງຖືກຕ້ອງແລະຊ່ວຍໃຫ້ພວກເຂົາຮູ້ຈັກນັກຮຽນມີຄວາມສ່ຽງຕໍ່ຄວາມຫຍຸ້ງຍາກທາງວິຊາການ.
ຄໍາຮ້ອງສະຫມັກຂອງການຄິດໄລ່ ML ໃນການພັດທະນາຂອງການຈໍາລອງຂອງຄົນເຈັບທີ່ມີຄວາມຮູ້ສຶກສໍາລັບການຝຶກອົບຮົມດ້ານແຂ້ວ. ເຄື່ອງຈໍາລອງມີຄວາມສາມາດໃນການແຜ່ພັນກັບການຕອບສະຫນອງດ້ານຮ່າງກາຍຂອງຄົນເຈັບທີ່ແທ້ຈິງແລະສາມາດໃຊ້ເພື່ອຝຶກອົບຮົມນັກຮຽນດ້ານແຂ້ວໃນສະພາບແວດລ້ອມທີ່ປອດໄພແລະຄວບຄຸມໄດ້ [23]. ການສຶກສາອີກຫຼາຍໆຢ່າງສະແດງໃຫ້ເຫັນວ່າການຄິດໄລ່ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດປັບປຸງຄຸນນະພາບແລະປະສິດທິພາບຂອງການແພດແລະການດູແລດ້ານການແພດແລະການດູແລທາງການແພດ. ສູດການຄິດໄລ່ເຄື່ອງຈັກໄດ້ຖືກນໍາໃຊ້ເພື່ອຊ່ວຍໃນການບົ່ງມະຕິພະຍາດແຂ້ວໂດຍອີງໃສ່ຊຸດຂໍ້ມູນເຊັ່ນ: ຄຸນລັກສະນະຂອງຄົນເຈັບແລະ [24, 25]. ໃນຂະນະທີ່ການສຶກສາອື່ນໆໄດ້ສໍາຫຼວດການໃຊ້ຕົວແທນການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອປະຕິບັດວຽກງານທີ່ມີຄວາມສ່ຽງສູງ, ແລະການປິ່ນປົວດ້ວຍຄວາມເປັນສ່ວນຕົວ [25].
ເຖິງແມ່ນວ່າລາຍງານກ່ຽວກັບການນໍາໃຊ້ຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນທັນຕະແພດໄດ້ຖືກເຜີຍແຜ່ແລ້ວ, ການສະຫມັກຂອງມັນໃນການສຶກສາດ້ານແຂ້ວຍັງມີຈໍາກັດ. ເພາະສະນັ້ນ, ການສຶກສານີ້ມີຈຸດປະສົງທີ່ຈະໃຊ້ຕົວແບບຕົ້ນໄມ້ຕັດສິນໃຈເພື່ອກໍານົດປັດໄຈທີ່ກ່ຽວຂ້ອງກັບ LS ແລະແມ່ນຢູ່ໃນບັນດານັກຮຽນແຂ້ວ.
ຜົນຂອງການສຶກສາຄັ້ງນີ້ສະແດງໃຫ້ເຫັນວ່າເຄື່ອງມືແນະນໍາແນະນໍາທີ່ມີການພັດທະນາມີຄວາມຖືກຕ້ອງສູງແລະຄວາມຖືກຕ້ອງສູງ, ຊີ້ໃຫ້ເຫັນວ່າຄູອາຈານສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກເຄື່ອງມືນີ້. ການນໍາໃຊ້ຂັ້ນຕອນການຈັດປະເພດຂໍ້ມູນທີ່ຖືກຄວບຄຸມຂໍ້ມູນ, ມັນສາມາດໃຫ້ຄໍາແນະນໍາສ່ວນຕົວແລະປັບປຸງປະສົບການດ້ານການສຶກສາແລະຜົນໄດ້ຮັບສໍາລັບນັກການສຶກສາແລະນັກສຶກສາ. ໃນບັນດາພວກມັນ, ຂໍ້ມູນທີ່ໄດ້ຮັບໂດຍຜ່ານເຄື່ອງມືແນະນໍາສາມາດແກ້ໄຂຂໍ້ຂັດແຍ່ງລະຫວ່າງວິທີການສອນທີ່ມັກທີ່ສຸດຂອງຄູແລະຄວາມຕ້ອງການຂອງນັກຮຽນ. ຍົກຕົວຢ່າງ, ເນື່ອງຈາກຜົນຜະລິດອັດຕະໂນມັດຂອງເຄື່ອງມືແນະນໍາ, ເວລາທີ່ຈໍາເປັນໃນການກໍານົດ IP ຂອງນັກຮຽນແລະຈັບຄູ່ກັບ IP ທີ່ສອດຄ້ອງກັນຈະຖືກຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ. ໃນທາງນີ້, ກິດຈະກໍາການຝຶກອົບຮົມທີ່ເຫມາະສົມແລະອຸປະກອນການຝຶກອົບຮົມສາມາດຈັດໄດ້. ສິ່ງນີ້ຊ່ວຍສ້າງການປະພຶດທີ່ບໍ່ດີຂອງນັກຮຽນແລະຄວາມສາມາດໃນການສຸມໃສ່. ການສຶກສາຫນຶ່ງໄດ້ລາຍງານວ່າໃຫ້ນັກຮຽນມີອຸປະກອນການຮຽນແລະກິດຈະກໍາການຮຽນຮູ້ທີ່ເຫມາະສົມສາມາດຊ່ວຍໃຫ້ຮຽນຮູ້ຫຼາຍວິທີທາງເພື່ອໃຫ້ມີທ່າແຮງ [12]. ການຄົ້ນຄ້ວາຍັງສະແດງໃຫ້ເຫັນວ່ານອກເຫນືອຈາກການປັບປຸງການເຂົ້າຮ່ວມຂອງນັກຮຽນໃນຫ້ອງຮຽນ, ໃຫ້ມີບົດບາດສໍາຄັນໃນການປັບປຸງການປະຕິບັດແລະການສື່ສານກັບນັກຮຽນ [28, 29].
ເຖິງຢ່າງໃດກໍ່ຕາມ, ເຊັ່ນດຽວກັບເຕັກໂນໂລຢີທີ່ທັນສະໄຫມໃດໆ, ມີບັນຫາແລະຂໍ້ຈໍາກັດ. ສິ່ງເຫລົ່ານີ້ປະກອບມີບັນຫາທີ່ກ່ຽວຂ້ອງກັບຄວາມເປັນສ່ວນຕົວ, ຄວາມລໍາອຽງແລະຄວາມສາມາດແລະຊັບພະຍາກອນທີ່ຈໍາເປັນເພື່ອພັດທະນາສູດການຮຽນຮູ້ໃນການສຶກສາດ້ານແຂ້ວ; ເຖິງຢ່າງໃດກໍ່ຕາມ, ການຂະຫຍາຍຕົວສົນໃຈແລະການຄົ້ນຄວ້າໃນຂົງເຂດນີ້ຊີ້ໃຫ້ເຫັນວ່າເຕັກໂນໂລຢີການຮຽນຮູ້ກ່ຽວກັບເຄື່ອງຈັກອາດຈະມີຜົນດີຕໍ່ການສຶກສາດ້ານບວກແລະການບໍລິການແຂ້ວ.
ຜົນຂອງການສຶກສາຄັ້ງນີ້ສະແດງໃຫ້ເຫັນວ່າເຄິ່ງຫນຶ່ງຂອງນັກຮຽນແຂ້ວເຄິ່ງຫນຶ່ງມີແນວໂນ້ມທີ່ຈະ "ຮັບຮູ້ຢາເສບຕິດ". ຜູ້ຮຽນປະເພດນີ້ມີຄວາມຕ້ອງການສໍາລັບຕົວຢ່າງທີ່ແນ່ນອນ, ເປັນແນວທາງທີ່ເປັນປະໂຫຍດ, ເຊິ່ງນັກຮຽນມັກໃຊ້ຮູບພາບ, ຮູບພາບ, ສີສັນແລະແຜນທີ່ເພື່ອຖ່າຍທອດຄວາມຄິດແລະຄວາມຄິດ. ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນສອດຄ່ອງກັບການສຶກສາອື່ນໆໂດຍໃຊ້ IL ໃນການປະເມີນ LS ໃນນັກຮຽນກ່ຽວກັບແຂ້ວແລະຜູ້ທີ່ມີຄຸນລັກສະນະຂອງຄວາມຮັບຮູ້ແລະສາຍຕາ LS [12, 30]. Dalmolin et al ແນະນໍາໃຫ້ໃຫ້ນັກຮຽນຮູ້ກ່ຽວກັບ LS ຂອງພວກເຂົາອະນຸຍາດໃຫ້ພວກເຂົາສາມາດເຂົ້າເຖິງທ່າແຮງການຮຽນຮູ້ຂອງພວກເຂົາ. ນັກຄົ້ນຄວ້າໂຕ້ຖຽງວ່າເມື່ອຄູອາຈານເຂົ້າໃຈໃນຂະບວນການສຶກສາຂອງນັກຮຽນຢ່າງເຕັມທີ່, ມີປະຕິບັດການປະຕິບັດງານແລະກິດຈະກໍາຕ່າງໆທີ່ຈະປັບປຸງ [12, 31, 32]. ການສຶກສາອື່ນໆໄດ້ສະແດງໃຫ້ເຫັນວ່າການປັບຕົວຂອງນັກຮຽນຍັງສະແດງໃຫ້ເຫັນການປັບປຸງປະສົບການໃນການຮຽນຮູ້ຂອງນັກຮຽນແລະການປ່ຽນແປງຂອງຕົນເອງໃຫ້ເຫມາະສົມກັບຕົວເອງ [13, 33].
ຄວາມຄິດເຫັນຂອງຄູອາດຈະແຕກຕ່າງກັນກ່ຽວກັບການຈັດຕັ້ງປະຕິບັດຍຸດທະສາດການສິດສອນໂດຍອີງໃສ່ຄວາມສາມາດໃນການຮຽນຮູ້ຂອງນັກຮຽນ. ໃນຂະນະທີ່ບາງຄົນເຫັນຜົນປະໂຫຍດຂອງວິທີການນີ້, ລວມທັງກາລະໂອກາດການພັດທະນາວິຊາຊີບ, ການສະຫນັບສະຫນູນຊຸມຊົນ, ຄົນອື່ນອາດຈະກັງວົນກ່ຽວກັບເວລາແລະສະຖາບັນ. ການພະຍາຍາມເພື່ອຄວາມສົມດຸນແມ່ນກຸນແຈສໍາຄັນໃນການສ້າງທັດສະນະຄະຕິຂອງນັກຮຽນ. ອໍານາດການປົກຄອງດ້ານການສຶກສາຊັ້ນສູງ, ເຊັ່ນ: ຜູ້ບໍລິຫານມະຫາວິທະຍາໄລ, ສາມາດມີບົດບາດສໍາຄັນໃນການຂັບຂີ່ໃນທາງບວກແລະການສະຫນັບສະຫນູນຄະນະວິຊາ [34]. ເພື່ອສ້າງລະບົບການສຶກສາຊັ້ນສູງທີ່ກ້າຫານແລະຕອບສະຫນອງ, ເຊັ່ນວ່າການເຮັດໃຫ້ນະໂຍບາຍປ່ຽນແປງ, ຊັບພະຍາກອນທີ່ກ່ຽວຂ້ອງກັບການເຊື່ອມໂຍງເຕັກໂນໂລຢີ, ແລະສ້າງຕັ້ງຫນ້າຈໍທີ່ເປັນຈຸດສູນກາງ. ມາດຕະການເຫຼົ່ານີ້ແມ່ນສໍາຄັນທີ່ຈະບັນລຸຜົນທີ່ຕ້ອງການ. ການຄົ້ນຄວ້າທີ່ຫນ້າສົນໃຈໃນປະຈຸບັນໄດ້ສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງວ່າການຈັດຕັ້ງປະຕິບັດຄໍາແນະນໍາທີ່ແຕກຕ່າງກັນຮຽກຮ້ອງໃຫ້ມີການຝຶກອົບຮົມແລະການພັດທະນາຢ່າງຕໍ່ເນື່ອງສໍາລັບຄູ [35].
ເຄື່ອງມືນີ້ໃຫ້ການສະຫນັບສະຫນູນທີ່ມີຄ່າສໍາລັບນັກການສຶກສາດ້ານແຂ້ວທີ່ຕ້ອງການວິທີການທີ່ເປັນຈຸດໃຈກາງຂອງນັກຮຽນເພື່ອວາງແຜນກິດຈະກໍາການຮຽນຮູ້ທີ່ເປັນມິດກັບນັກຮຽນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການສຶກສາຄັ້ງນີ້ແມ່ນຈໍາກັດການນໍາໃຊ້ຮູບແບບຕົ້ນໄມ້ ML. ໃນອະນາຄົດ, ຂໍ້ມູນເພີ່ມເຕີມຄວນໄດ້ຮັບການເກັບກໍາເພື່ອປຽບທຽບການປະຕິບັດງານຂອງແບບທີ່ມີຄວາມຖືກຕ້ອງຂອງເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງ, ຄວາມຫນ້າເຊື່ອຖື, ແລະຄວາມແມ່ນຍໍາແນະນໍາ. ນອກຈາກນັ້ນ, ໃນເວລາທີ່ເລືອກວິທີການຮຽນຮູ້ເຄື່ອງທີ່ເຫມາະສົມທີ່ສຸດສໍາລັບວຽກງານສະເພາະໃດຫນຶ່ງ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຕ້ອງພິຈາລະນາປັດໃຈອື່ນໆເຊັ່ນ: ການຕີຄວາມແລະການຕີຄວາມຫມາຍ.
ຂໍ້ຈໍາກັດຂອງການສຶກສາຄັ້ງນີ້ແມ່ນມັນພຽງແຕ່ສຸມໃສ່ແຜນທີ່ຂອງ LS ແລະແມ່ນໃນບັນດານັກຮຽນແຂ້ວ. ສະນັ້ນ, ລະບົບແນະນໍາທີ່ໄດ້ຮັບການພັດທະນາຈະແນະນໍາຜູ້ທີ່ເຫມາະສົມກັບນັກຮຽນແຂ້ວ. ການປ່ຽນແປງແມ່ນມີຄວາມຈໍາເປັນສໍາລັບການນໍາໃຊ້ນັກສຶກສາຊັ້ນສູງທົ່ວໄປ.
ເຄື່ອງມືແນະນໍາກ່ຽວກັບເຄື່ອງຈັກທີ່ມີການຮຽນແບບໃຫມ່ທີ່ມີປະສິດຕິພາບແລະເຫມາະສົມກັບນັກຮຽນທີ່ສອດຄ້ອງກັນໃນທັນທີແມ່ນ, ເຮັດໃຫ້ກິດຈະກໍາການສອນດ້ານແຂ້ວຄັ້ງທໍາອິດວາງແຜນການສອນແລະການຮຽນຮູ້ທີ່ກ່ຽວຂ້ອງ. ການນໍາໃຊ້ຂະບວນການ Triage drivant, ມັນສາມາດໃຫ້ຄໍາແນະນໍາສ່ວນຕົວ, ປະຫຍັດເວລາ, ປັບປຸງຍຸດທະສາດ, ສະຫນັບສະຫນູນການແຊກແຊງເປົ້າຫມາຍ, ແລະສົ່ງເສີມການພັດທະນາແບບມືອາຊີບ. ຄໍາຮ້ອງສະຫມັກຂອງມັນຈະສົ່ງເສີມວິທີການຂອງນັກຮຽນໃຫ້ແກ່ການສຶກສາດ້ານແຂ້ວ.
Gilak Jani Press Press. ການແຂ່ງຂັນຫຼືຄວາມບໍ່ສອດຄ່ອງລະຫວ່າງແບບຮຽນຮູ້ຂອງນັກຮຽນແລະແບບການສິດສອນຂອງຄູ. INT J MO MOG MOCCKER MOCCKE ວິທະຍາສາດຄອມພິວເຕີ. ປີ 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05