ມີຄວາມຕ້ອງການທີ່ເພີ່ມຂຶ້ນສຳລັບການຮຽນຮູ້ທີ່ເນັ້ນນັກຮຽນເປັນໃຈກາງ (SCL) ໃນສະຖາບັນການສຶກສາຊັ້ນສູງ, ລວມທັງທັນຕະແພດ. ເຖິງຢ່າງໃດກໍ່ຕາມ, SCL ມີການນຳໃຊ້ທີ່ຈຳກັດໃນການສຶກສາທັນຕະແພດ. ດັ່ງນັ້ນ, ການສຶກສານີ້ມີຈຸດປະສົງເພື່ອສົ່ງເສີມການນຳໃຊ້ SCL ໃນທັນຕະແພດໂດຍການໃຊ້ເທັກໂນໂລຢີການຮຽນຮູ້ຂອງເຄື່ອງຈັກແບບຕົ້ນໄມ້ຕັດສິນໃຈ (ML) ເພື່ອສ້າງແຜນທີ່ຮູບແບບການຮຽນຮູ້ທີ່ຕ້ອງການ (LS) ແລະຍຸດທະສາດການຮຽນຮູ້ທີ່ສອດຄ້ອງກັນ (IS) ຂອງນັກສຶກສາທັນຕະແພດເປັນເຄື່ອງມືທີ່ເປັນປະໂຫຍດສຳລັບການພັດທະນາແນວທາງ IS. ວິທີການທີ່ມີຄວາມຫວັງສຳລັບນັກສຶກສາທັນຕະແພດ.
ນັກສຶກສາທັນຕະແພດທັງໝົດ 255 ຄົນຈາກມະຫາວິທະຍາໄລມາລາຢາໄດ້ຕອບແບບສອບຖາມດັດຊະນີການຮຽນຮູ້ແບບແຜນ (m-ILS) ທີ່ໄດ້ຮັບການດັດແກ້, ເຊິ່ງມີ 44 ລາຍການເພື່ອຈັດປະເພດພວກເຂົາເຂົ້າໃນ LSs ຂອງເຂົາເຈົ້າ. ຂໍ້ມູນທີ່ເກັບກຳມາ (ເອີ້ນວ່າຊຸດຂໍ້ມູນ) ແມ່ນໃຊ້ໃນການຮຽນຮູ້ແບບຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ມີການຊີ້ນຳເພື່ອຈັບຄູ່ຮູບແບບການຮຽນຮູ້ຂອງນັກຮຽນໂດຍອັດຕະໂນມັດກັບ IS ທີ່ເໝາະສົມທີ່ສຸດ. ຫຼັງຈາກນັ້ນ, ຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືແນະນຳ IS ທີ່ອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກຈະຖືກປະເມີນຜົນ.
ການນຳໃຊ້ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈໃນຂະບວນການສ້າງແຜນທີ່ອັດຕະໂນມັດລະຫວ່າງ LS (ຂໍ້ມູນປ້ອນເຂົ້າ) ແລະ IS (ຜົນຜະລິດເປົ້າໝາຍ) ຊ່ວຍໃຫ້ມີລາຍຊື່ຍຸດທະສາດການຮຽນຮູ້ທີ່ເໝາະສົມສຳລັບນັກສຶກສາທັນຕະແພດແຕ່ລະຄົນໄດ້ທັນທີ. ເຄື່ອງມືແນະນຳ IS ສະແດງໃຫ້ເຫັນເຖິງຄວາມຖືກຕ້ອງທີ່ສົມບູນແບບ ແລະ ການຈື່ຈຳຄວາມຖືກຕ້ອງຂອງຮູບແບບໂດຍລວມ, ຊີ້ໃຫ້ເຫັນວ່າການຈັບຄູ່ LS ກັບ IS ມີຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະທີ່ດີ.
ເຄື່ອງມືແນະນຳ IS ໂດຍອີງໃສ່ຕົ້ນໄມ້ຕັດສິນໃຈ ML ໄດ້ພິສູດໃຫ້ເຫັນເຖິງຄວາມສາມາດໃນການຈັບຄູ່ຮູບແບບການຮຽນຮູ້ຂອງນັກສຶກສາທັນຕະແພດກັບຍຸດທະສາດການຮຽນຮູ້ທີ່ເໝາະສົມໄດ້ຢ່າງຖືກຕ້ອງ. ເຄື່ອງມືນີ້ໃຫ້ທາງເລືອກທີ່ມີປະສິດທິພາບສຳລັບການວາງແຜນຫຼັກສູດ ຫຼື ໂມດູນທີ່ເນັ້ນຜູ້ຮຽນເປັນໃຈກາງ ເຊິ່ງສາມາດເສີມຂະຫຍາຍປະສົບການການຮຽນຮູ້ຂອງນັກສຶກສາ.
ການສິດສອນ ແລະ ການຮຽນຮູ້ແມ່ນກິດຈະກຳພື້ນຖານໃນສະຖາບັນການສຶກສາ. ເມື່ອພັດທະນາລະບົບການສຶກສາວິຊາຊີບທີ່ມີຄຸນນະພາບສູງ, ມັນເປັນສິ່ງສຳຄັນທີ່ຈະຕ້ອງສຸມໃສ່ຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ. ການພົວພັນລະຫວ່າງນັກຮຽນ ແລະ ສະພາບແວດລ້ອມການຮຽນຮູ້ຂອງເຂົາເຈົ້າສາມາດຖືກກຳນົດຜ່ານຫຼັກສູດການຮຽນວິຊາຊີບຂອງເຂົາເຈົ້າ. ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າຄວາມບໍ່ກົງກັນທີ່ຄູຕັ້ງໃຈໄວ້ລະຫວ່າງຫຼັກສູດການຮຽນວິຊາຊີບ ແລະ ຫຼັກສູດການຮຽນວິຊາຊີບຂອງນັກຮຽນສາມາດມີຜົນສະທ້ອນທາງລົບຕໍ່ການຮຽນຮູ້ຂອງນັກຮຽນ, ເຊັ່ນ: ຄວາມສົນໃຈ ແລະ ແຮງຈູງໃຈທີ່ຫຼຸດລົງ. ສິ່ງນີ້ຈະສົ່ງຜົນກະທົບທາງອ້ອມຕໍ່ປະສິດທິພາບຂອງນັກຮຽນ [1,2].
IS ແມ່ນວິທີການທີ່ຄູໃຊ້ເພື່ອຖ່າຍທອດຄວາມຮູ້ ແລະ ທັກສະໃຫ້ກັບນັກຮຽນ, ລວມທັງການຊ່ວຍໃຫ້ນັກຮຽນຮຽນຮູ້ [3]. ໂດຍທົ່ວໄປແລ້ວ, ຄູທີ່ດີວາງແຜນຍຸດທະສາດການສອນ ຫຼື IS ທີ່ເໝາະສົມກັບລະດັບຄວາມຮູ້ຂອງນັກຮຽນ, ແນວຄວາມຄິດທີ່ພວກເຂົາກຳລັງຮຽນຮູ້, ແລະ ຂັ້ນຕອນການຮຽນຮູ້ຂອງພວກເຂົາ. ໃນທາງທິດສະດີ, ເມື່ອ LS ແລະ IS ກົງກັນ, ນັກຮຽນຈະສາມາດຈັດລະບຽບ ແລະ ນຳໃຊ້ຊຸດທັກສະສະເພາະເພື່ອຮຽນຮູ້ຢ່າງມີປະສິດທິພາບ. ໂດຍປົກກະຕິແລ້ວ, ແຜນການສອນປະກອບມີການຫັນປ່ຽນຫຼາຍໆຂັ້ນຕອນ, ເຊັ່ນ: ຈາກການສອນໄປສູ່ການປະຕິບັດທີ່ມີການຊີ້ນຳ ຫຼື ຈາກການຝຶກຊ້ອມທີ່ມີການຊີ້ນຳໄປສູ່ການປະຕິບັດດ້ວຍຕົນເອງ. ດ້ວຍເຫດນີ້, ຄູທີ່ມີປະສິດທິພາບມັກຈະວາງແຜນການສອນດ້ວຍເປົ້າໝາຍໃນການສ້າງຄວາມຮູ້ ແລະ ທັກສະຂອງນັກຮຽນ [4].
ຄວາມຕ້ອງການ SCL ກຳລັງເພີ່ມຂຶ້ນໃນສະຖາບັນການສຶກສາຊັ້ນສູງ, ລວມທັງທັນຕະແພດ. ຍຸດທະສາດ SCL ຖືກອອກແບບມາເພື່ອຕອບສະໜອງຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ. ຕົວຢ່າງ, ສິ່ງນີ້ສາມາດບັນລຸໄດ້ຖ້ານັກຮຽນມີສ່ວນຮ່ວມຢ່າງຫ້າວຫັນໃນກິດຈະກໍາການຮຽນຮູ້ ແລະ ຄູອາຈານເຮັດໜ້າທີ່ເປັນຜູ້ອໍານວຍຄວາມສະດວກ ແລະ ຮັບຜິດຊອບໃນການໃຫ້ຄໍາຄິດເຫັນທີ່ມີຄຸນຄ່າ. ມີການກ່າວວ່າການສະໜອງອຸປະກອນການຮຽນຮູ້ ແລະ ກິດຈະກໍາທີ່ເໝາະສົມກັບລະດັບການສຶກສາ ຫຼື ຄວາມມັກຂອງນັກຮຽນສາມາດປັບປຸງສະພາບແວດລ້ອມການຮຽນຮູ້ຂອງນັກຮຽນ ແລະ ສົ່ງເສີມປະສົບການການຮຽນຮູ້ໃນທາງບວກ [5].
ໂດຍທົ່ວໄປແລ້ວ, ຂະບວນການຮຽນຮູ້ຂອງນັກສຶກສາທັນຕະແພດແມ່ນໄດ້ຮັບອິດທິພົນຈາກຂັ້ນຕອນທາງດ້ານຄລີນິກຕ່າງໆທີ່ເຂົາເຈົ້າຕ້ອງປະຕິບັດ ແລະ ສະພາບແວດລ້ອມທາງດ້ານຄລີນິກທີ່ເຂົາເຈົ້າພັດທະນາທັກສະການພົວພັນລະຫວ່າງບຸກຄົນທີ່ມີປະສິດທິພາບ. ຈຸດປະສົງຂອງການຝຶກອົບຮົມແມ່ນເພື່ອໃຫ້ນັກສຶກສາສາມາດລວມຄວາມຮູ້ພື້ນຖານກ່ຽວກັບທັນຕະແພດກັບທັກສະທາງດ້ານຄລີນິກທັນຕະແພດ ແລະ ນຳໃຊ້ຄວາມຮູ້ທີ່ໄດ້ຮັບມາສູ່ສະຖານະການທາງດ້ານຄລີນິກໃໝ່ [6, 7]. ການຄົ້ນຄວ້າໃນຕອນຕົ້ນກ່ຽວກັບຄວາມສຳພັນລະຫວ່າງ LS ແລະ IS ພົບວ່າການປັບຍຸດທະສາດການຮຽນຮູ້ທີ່ເຊື່ອມໂຍງກັບ LS ທີ່ຕ້ອງການຈະຊ່ວຍປັບປຸງຂະບວນການສຶກສາ [8]. ຜູ້ຂຽນຍັງແນະນຳໃຫ້ໃຊ້ວິທີການສອນ ແລະ ການປະເມີນຜົນທີ່ຫຼາກຫຼາຍເພື່ອປັບຕົວເຂົ້າກັບການຮຽນຮູ້ ແລະ ຄວາມຕ້ອງການຂອງນັກສຶກສາ.
ຄູອາຈານໄດ້ຮັບຜົນປະໂຫຍດຈາກການນຳໃຊ້ຄວາມຮູ້ດ້ານການຮຽນຮູ້ທາງປາກເພື່ອຊ່ວຍເຂົາເຈົ້າອອກແບບ, ພັດທະນາ ແລະ ຈັດຕັ້ງປະຕິບັດການສອນທີ່ຈະເສີມຂະຫຍາຍການໄດ້ຮັບຄວາມຮູ້ ແລະ ຄວາມເຂົ້າໃຈທີ່ເລິກເຊິ່ງກວ່າຂອງນັກຮຽນກ່ຽວກັບຫົວຂໍ້ດັ່ງກ່າວ. ນັກຄົ້ນຄວ້າໄດ້ພັດທະນາເຄື່ອງມືການປະເມີນການຮຽນຮູ້ທາງປາກຫຼາຍຢ່າງ, ເຊັ່ນ: ຮູບແບບການຮຽນຮູ້ແບບປະສົບການ Kolb, ຮູບແບບການຮຽນຮູ້ແບບ Felder-Silverman (FSLSM), ແລະ ຮູບແບບ Fleming VAK/VARK [5, 9, 10]. ອີງຕາມເອກະສານ, ຮູບແບບການຮຽນຮູ້ເຫຼົ່ານີ້ແມ່ນຮູບແບບການຮຽນຮູ້ທີ່ຖືກນຳໃຊ້ ແລະ ໄດ້ຮັບການສຶກສາຫຼາຍທີ່ສຸດ. ໃນວຽກງານຄົ້ນຄວ້າໃນປະຈຸບັນ, FSLSM ຖືກນຳໃຊ້ເພື່ອປະເມີນການຮຽນຮູ້ທາງປາກໃນບັນດານັກສຶກສາທັນຕະແພດ.
FSLSM ເປັນຮູບແບບທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງສຳລັບການປະເມີນການຮຽນຮູ້ແບບປັບຕົວໃນວິສະວະກຳ. ມີຜົນງານທີ່ເຜີຍແຜ່ຫຼາຍໃນວິທະຍາສາດສຸຂະພາບ (ລວມທັງການແພດ, ການພະຍາບານ, ຮ້ານຂາຍຢາ ແລະ ທັນຕະກຳ) ທີ່ສາມາດພົບໄດ້ໂດຍໃຊ້ຮູບແບບ FSLSM [5, 11, 12, 13]. ເຄື່ອງມືທີ່ໃຊ້ເພື່ອວັດແທກຂະໜາດຂອງ LS ໃນ FLSM ເອີ້ນວ່າ Index of Learning Styles (ILS) [8], ເຊິ່ງປະກອບດ້ວຍ 44 ລາຍການທີ່ປະເມີນຂະໜາດຂອງ LS ສີ່ຢ່າງຄື: ການປະມວນຜົນ (active/reflective), ການຮັບຮູ້ (perceptual/intuitive), ການປ້ອນຂໍ້ມູນ (visual/verbal) ແລະ ຄວາມເຂົ້າໃຈ (sequential/global) [14].
ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 1, ແຕ່ລະມິຕິຂອງ FSLSM ມີຄວາມມັກທີ່ໂດດເດັ່ນ. ຕົວຢ່າງ, ໃນມິຕິການປະມວນຜົນ, ນັກຮຽນທີ່ມີ LS “ແບບເຄື່ອນໄຫວ” ມັກປະມວນຜົນຂໍ້ມູນໂດຍການພົວພັນໂດຍກົງກັບເອກະສານການຮຽນຮູ້, ຮຽນຮູ້ໂດຍການເຮັດ, ແລະມັກຈະຮຽນຮູ້ເປັນກຸ່ມ. LS “ແບບສະທ້ອນ” ໝາຍເຖິງການຮຽນຮູ້ຜ່ານການຄິດ ແລະ ມັກເຮັດວຽກຄົນດຽວ. ມິຕິ “ການຮັບຮູ້” ຂອງ LS ສາມາດແບ່ງອອກເປັນ “ຄວາມຮູ້ສຶກ” ແລະ/ຫຼື “ສະຕິປັນຍາ”. ນັກຮຽນ “ຮູ້ສຶກ” ມັກຂໍ້ມູນທີ່ແນ່ນອນ ແລະ ຂັ້ນຕອນການປະຕິບັດຕົວຈິງຫຼາຍກວ່າ, ມຸ່ງເນັ້ນໃສ່ຂໍ້ເທັດຈິງເມື່ອທຽບກັບນັກຮຽນ “ແບບສະຕິປັນຍາ” ຜູ້ທີ່ມັກເອກະສານທີ່ບໍ່ມີຕົວຕົນ ແລະ ມີນະວັດຕະກໍາ ແລະ ສ້າງສັນຫຼາຍກວ່າ. ມິຕິ “ການປ້ອນຂໍ້ມູນ” ຂອງ LS ປະກອບດ້ວຍຜູ້ຮຽນ “ທາງສາຍຕາ” ແລະ “ທາງວາຈາ”. ຜູ້ທີ່ມີ LS “ທາງສາຍຕາ” ມັກຮຽນຮູ້ຜ່ານການສາທິດທາງສາຍຕາ (ເຊັ່ນ: ແຜນວາດ, ວິດີໂອ, ຫຼື ການສາທິດສົດ), ໃນຂະນະທີ່ຜູ້ທີ່ມີ LS “ທາງວາຈາ” ມັກຮຽນຮູ້ຜ່ານຄຳເວົ້າໃນການອະທິບາຍເປັນລາຍລັກອັກສອນ ຫຼື ທາງປາກ. ເພື່ອ “ເຂົ້າໃຈ” ມິຕິ LS, ຜູ້ຮຽນດັ່ງກ່າວສາມາດແບ່ງອອກເປັນ “ຕາມລຳດັບ” ແລະ “ທົ່ວໂລກ”. "ຜູ້ຮຽນຕາມລຳດັບມັກຂະບວນການຄິດແບບເສັ້ນຊື່ ແລະ ຮຽນຮູ້ເທື່ອລະຂັ້ນຕອນ, ໃນຂະນະທີ່ຜູ້ຮຽນທົ່ວໂລກມັກຈະມີຂະບວນການຄິດແບບຮອບດ້ານ ແລະ ມີຄວາມເຂົ້າໃຈດີຂຶ້ນກ່ຽວກັບສິ່ງທີ່ເຂົາເຈົ້າກຳລັງຮຽນຮູ້ຢູ່ສະເໝີ."
ເມື່ອບໍ່ດົນມານີ້, ນັກຄົ້ນຄວ້າຫຼາຍຄົນໄດ້ເລີ່ມຄົ້ນຫາວິທີການສຳລັບການຄົ້ນພົບທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໂດຍອັດຕະໂນມັດ, ລວມທັງການພັດທະນາອັລກໍຣິທຶມ ແລະ ຮູບແບບໃໝ່ທີ່ສາມາດຕີຄວາມໝາຍຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ [15, 16]. ອີງຕາມຂໍ້ມູນທີ່ສະໜອງໃຫ້, ML ທີ່ຖືກຄວບຄຸມ (ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ) ສາມາດສ້າງຮູບແບບ ແລະ ສົມມຸດຕິຖານທີ່ຄາດຄະເນຜົນໄດ້ຮັບໃນອະນາຄົດໂດຍອີງໃສ່ການສ້າງອັລກໍຣິທຶມ [17]. ເວົ້າງ່າຍໆ, ເຕັກນິກການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ຖືກຄວບຄຸມຈະຈັດການຂໍ້ມູນປ້ອນຂໍ້ມູນ ແລະ ຝຶກອົບຮົມອັລກໍຣິທຶມ. ຫຼັງຈາກນັ້ນມັນຈະສ້າງຂອບເຂດທີ່ຈັດປະເພດ ຫຼື ຄາດຄະເນຜົນໄດ້ຮັບໂດຍອີງໃສ່ສະຖານະການທີ່ຄ້າຍຄືກັນສຳລັບຂໍ້ມູນປ້ອນຂໍ້ມູນສະໜອງໃຫ້. ຂໍ້ໄດ້ປຽບຕົ້ນຕໍຂອງອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ຖືກຄວບຄຸມແມ່ນຄວາມສາມາດໃນການສ້າງຜົນໄດ້ຮັບທີ່ເໝາະສົມ ແລະ ຕ້ອງການ [17].
ຜ່ານການນໍາໃຊ້ວິທີການທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ ແລະ ຮູບແບບການຄວບຄຸມຕົ້ນໄມ້ການຕັດສິນໃຈ, ການກວດພົບ LS ໂດຍອັດຕະໂນມັດຈຶ່ງເປັນໄປໄດ້. ຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຖືກລາຍງານວ່າຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນໂຄງການຝຶກອົບຮົມໃນຫຼາຍໆຂົງເຂດ, ລວມທັງວິທະຍາສາດສຸຂະພາບ [18, 19]. ໃນການສຶກສາຄັ້ງນີ້, ຮູບແບບດັ່ງກ່າວໄດ້ຮັບການຝຶກອົບຮົມໂດຍສະເພາະໂດຍນັກພັດທະນາລະບົບເພື່ອກໍານົດ LS ຂອງນັກຮຽນ ແລະ ແນະນໍາ IS ທີ່ດີທີ່ສຸດສໍາລັບພວກເຂົາ.
ຈຸດປະສົງຂອງການສຶກສາຄັ້ງນີ້ແມ່ນເພື່ອພັດທະນາຍຸດທະສາດການຈັດສົ່ງ IS ໂດຍອີງໃສ່ LS ຂອງນັກຮຽນ ແລະ ນຳໃຊ້ວິທີການ SCL ໂດຍການພັດທະນາເຄື່ອງມືແນະນຳ IS ທີ່ເຊື່ອມໂຍງກັບ LS. ການອອກແບບຂອງເຄື່ອງມືແນະນຳ IS ເປັນຍຸດທະສາດຂອງວິທີການ SCL ແມ່ນສະແດງຢູ່ໃນຮູບທີ 1. ເຄື່ອງມືແນະນຳ IS ແບ່ງອອກເປັນສອງສ່ວນ, ລວມທັງກົນໄກການຈັດປະເພດ LS ໂດຍໃຊ້ ILS ແລະ ການສະແດງ IS ທີ່ເໝາະສົມທີ່ສຸດສຳລັບນັກຮຽນ.
ໂດຍສະເພາະ, ລັກສະນະຂອງເຄື່ອງມືແນະນຳຄວາມປອດໄພຂອງຂໍ້ມູນຂ່າວສານລວມມີການນຳໃຊ້ເທັກໂນໂລຢີເວັບ ແລະ ການນຳໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແບບຕົ້ນໄມ້ການຕັດສິນໃຈ. ຜູ້ພັດທະນາລະບົບປັບປຸງປະສົບການຂອງຜູ້ໃຊ້ ແລະ ການເຄື່ອນທີ່ໂດຍການປັບຕົວເຂົ້າກັບອຸປະກອນມືຖືເຊັ່ນ: ໂທລະສັບມືຖື ແລະ ແທັບເລັດ.
ການທົດລອງໄດ້ດຳເນີນເປັນສອງໄລຍະ ແລະ ນັກສຶກສາຈາກຄະນະທັນຕະແພດສາດ ມະຫາວິທະຍາໄລມາລາຢາ ໄດ້ເຂົ້າຮ່ວມໂດຍສະໝັກໃຈ. ຜູ້ເຂົ້າຮ່ວມໄດ້ຕອບສະໜອງຕໍ່ແບບສອບຖາມ m-ILS ທາງອອນໄລນ໌ຂອງນັກສຶກສາທັນຕະແພດເປັນພາສາອັງກິດ. ໃນໄລຍະເບື້ອງຕົ້ນ, ຊຸດຂໍ້ມູນຂອງນັກສຶກສາ 50 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກແບບຕົ້ນໄມ້ຕັດສິນໃຈ. ໃນໄລຍະທີສອງຂອງຂະບວນການພັດທະນາ, ຊຸດຂໍ້ມູນຂອງນັກສຶກສາ 255 ຄົນໄດ້ຖືກນໍາໃຊ້ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືທີ່ພັດທະນາຂຶ້ນ.
ຜູ້ເຂົ້າຮ່ວມທຸກຄົນຈະໄດ້ຮັບການຊີ້ແຈງທາງອອນໄລນ໌ໃນຕອນເລີ່ມຕົ້ນຂອງແຕ່ລະໄລຍະ, ຂຶ້ນກັບປີການສຶກສາ, ຜ່ານ Microsoft Teams. ຈຸດປະສົງຂອງການສຶກສາໄດ້ຖືກອະທິບາຍ ແລະ ໄດ້ຮັບການຍິນຍອມເຫັນດີຈາກຜູ້ອື່ນ. ຜູ້ເຂົ້າຮ່ວມທຸກຄົນໄດ້ຮັບລິ້ງເພື່ອເຂົ້າເຖິງ m-ILS. ນັກຮຽນແຕ່ລະຄົນໄດ້ຮັບຄຳແນະນຳໃຫ້ຕອບທັງ 44 ຂໍ້ໃນແບບສອບຖາມ. ພວກເຂົາໄດ້ຮັບເວລາໜຶ່ງອາທິດເພື່ອເຮັດສຳເລັດ ILS ທີ່ຖືກດັດແກ້ໃນເວລາ ແລະ ສະຖານທີ່ທີ່ສະດວກສຳລັບພວກເຂົາໃນຊ່ວງພັກພາກຮຽນກ່ອນການເລີ່ມຕົ້ນຂອງພາກຮຽນ. m-ILS ແມ່ນອີງໃສ່ເຄື່ອງມື ILS ຕົ້ນສະບັບ ແລະ ໄດ້ຮັບການດັດແກ້ສຳລັບນັກສຶກສາທັນຕະແພດ. ຄ້າຍຄືກັບ ILS ຕົ້ນສະບັບ, ມັນປະກອບດ້ວຍ 44 ຂໍ້ທີ່ແຈກຢາຍຢ່າງເທົ່າທຽມກັນ (a, b), ໂດຍມີ 11 ຂໍ້ແຕ່ລະຂໍ້, ເຊິ່ງຖືກນໍາໃຊ້ເພື່ອປະເມີນລັກສະນະຂອງແຕ່ລະມິຕິ FSLSM.
ໃນລະຫວ່າງໄລຍະເບື້ອງຕົ້ນຂອງການພັດທະນາເຄື່ອງມື, ນັກຄົ້ນຄວ້າໄດ້ຂຽນໝາຍເຫດໃສ່ແຜນທີ່ດ້ວຍຕົນເອງໂດຍໃຊ້ຊຸດຂໍ້ມູນຂອງນັກສຶກສາທັນຕະແພດ 50 ຄົນ. ອີງຕາມ FSLM, ລະບົບຈະໃຫ້ຜົນລວມຂອງຄຳຕອບ “a” ແລະ “b”. ສຳລັບແຕ່ລະມິຕິ, ຖ້ານັກຮຽນເລືອກ “a” ເປັນຄຳຕອບ, LS ຈະຖືກຈັດປະເພດເປັນ Active/Perceptual/Visual/Sequential, ແລະ ຖ້ານັກຮຽນເລືອກ “b” ເປັນຄຳຕອບ, ນັກຮຽນຈະຖືກຈັດປະເພດເປັນ Reflection/Intuitive/Linguistic / Global learner.
ຫຼັງຈາກການວັດແທກຂະບວນການເຮັດວຽກລະຫວ່າງນັກຄົ້ນຄວ້າດ້ານການສຶກສາທາງດ້ານທັນຕະກຳ ແລະ ນັກພັດທະນາລະບົບ, ຄຳຖາມໄດ້ຖືກເລືອກໂດຍອີງໃສ່ໂດເມນ FLSSM ແລະ ຖືກປ້ອນເຂົ້າໃນຮູບແບບ ML ເພື່ອຄາດຄະເນ LS ຂອງນັກຮຽນແຕ່ລະຄົນ. “ຂີ້ເຫຍື້ອເຂົ້າ, ຂີ້ເຫຍື້ອອອກ” ເປັນຄຳເວົ້າທີ່ນິຍົມໃນຂົງເຂດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ໂດຍເນັ້ນໜັກໃສ່ຄຸນນະພາບຂໍ້ມູນ. ຄຸນນະພາບຂອງຂໍ້ມູນປ້ອນເຂົ້າກຳນົດຄວາມແມ່ນຍຳ ແລະ ຄວາມຖືກຕ້ອງຂອງຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ໃນລະຫວ່າງໄລຍະວິສະວະກຳຄຸນສົມບັດ, ຊຸດຄຸນສົມບັດໃໝ່ຈະຖືກສ້າງຂຶ້ນເຊິ່ງເປັນຜົນລວມຂອງຄຳຕອບ “a” ແລະ “b” ໂດຍອີງໃສ່ FLSSM. ໝາຍເລກການລະບຸຕຳແໜ່ງຢາແມ່ນໃຫ້ຢູ່ໃນຕາຕະລາງທີ 1.
ຄິດໄລ່ຄະແນນໂດຍອີງໃສ່ຄຳຕອບ ແລະ ກຳນົດ LS ຂອງນັກຮຽນ. ສຳລັບນັກຮຽນແຕ່ລະຄົນ, ລະດັບຄະແນນແມ່ນຕັ້ງແຕ່ 1 ຫາ 11. ຄະແນນຕັ້ງແຕ່ 1 ຫາ 3 ຊີ້ບອກເຖິງຄວາມສົມດຸນຂອງຄວາມມັກໃນການຮຽນຮູ້ພາຍໃນມິຕິດຽວກັນ, ແລະ ຄະແນນຕັ້ງແຕ່ 5 ຫາ 7 ຊີ້ບອກເຖິງຄວາມມັກໃນລະດັບປານກາງ, ຊີ້ບອກວ່ານັກຮຽນມັກຈະມັກສະພາບແວດລ້ອມໜຶ່ງທີ່ສອນຄົນອື່ນ. ການປ່ຽນແປງອີກອັນໜຶ່ງໃນມິຕິດຽວກັນແມ່ນວ່າຄະແນນຕັ້ງແຕ່ 9 ຫາ 11 ສະທ້ອນເຖິງຄວາມມັກທີ່ເຂັ້ມແຂງສຳລັບດ້ານໃດດ້ານໜຶ່ງ ຫຼື ອີກດ້ານໜຶ່ງ [8].
ສຳລັບແຕ່ລະມິຕິ, ຢາໄດ້ຖືກຈັດເປັນກຸ່ມ “active”, “reflective” ແລະ “balanced”. ຕົວຢ່າງ, ເມື່ອນັກຮຽນຕອບ “a” ຫຼາຍກວ່າ “b” ໃນລາຍການທີ່ກຳນົດ ແລະ ຄະແນນຂອງລາວ/ນາງເກີນເກນ 5 ສຳລັບລາຍການສະເພາະທີ່ເປັນຕົວແທນຂອງມິຕິ Processing LS, ລາວ/ນາງຢູ່ໃນໂດເມນ “active” LS. ຢ່າງໃດກໍຕາມ, ນັກຮຽນຖືກຈັດເປັນ “reflective” LS ເມື່ອພວກເຂົາເລືອກ “b” ຫຼາຍກວ່າ “a” ໃນ 11 ຄຳຖາມສະເພາະ (ຕາຕະລາງ 1) ແລະ ໄດ້ຄະແນນຫຼາຍກວ່າ 5 ຄະແນນ. ສຸດທ້າຍ, ນັກຮຽນຢູ່ໃນສະພາບ “ສົມດຸນ”. ຖ້າຄະແນນບໍ່ເກີນ 5 ຄະແນນ, ນີ້ແມ່ນ “process” LS. ຂະບວນການຈັດປະເພດໄດ້ຖືກເຮັດຊ້ຳສຳລັບມິຕິ LS ອື່ນໆ, ຄື ການຮັບຮູ້ (active/reflective), ການປ້ອນຂໍ້ມູນ (visual/verbal), ແລະ ຄວາມເຂົ້າໃຈ (sequential/global).
ຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈສາມາດໃຊ້ຊຸດຍ່ອຍທີ່ແຕກຕ່າງກັນຂອງຄຸນສົມບັດ ແລະ ກົດລະບຽບການຕັດສິນໃຈໃນຂັ້ນຕອນຕ່າງໆຂອງຂະບວນການຈັດປະເພດ. ມັນຖືກຖືວ່າເປັນເຄື່ອງມືການຈັດປະເພດ ແລະ ການຄາດຄະເນທີ່ໄດ້ຮັບຄວາມນິຍົມ. ມັນສາມາດສະແດງໄດ້ໂດຍໃຊ້ໂຄງສ້າງຕົ້ນໄມ້ເຊັ່ນ: ແຜນວາດການໄຫຼ [20], ເຊິ່ງມີໂຫນດພາຍໃນທີ່ເປັນຕົວແທນການທົດສອບຕາມຄຸນລັກສະນະ, ແຕ່ລະສາຂາທີ່ເປັນຕົວແທນຜົນການທົດສອບ, ແລະ ແຕ່ລະໂຫນດໃບ (ໂຫນດໃບ) ທີ່ມີປ້າຍຊື່ຫ້ອງຮຽນ.
ໂປຣແກຣມທີ່ອີງໃສ່ກົດລະບຽບງ່າຍໆໄດ້ຖືກສ້າງຂຶ້ນເພື່ອໃຫ້ຄະແນນ ແລະ ອະທິບາຍ LS ຂອງນັກຮຽນແຕ່ລະຄົນໂດຍອັດຕະໂນມັດໂດຍອີງໃສ່ຄຳຕອບຂອງເຂົາເຈົ້າ. ອີງໃສ່ກົດລະບຽບຢູ່ໃນຮູບແບບຂອງຄຳສັ່ງ IF, ບ່ອນທີ່ “IF” ອະທິບາຍເຖິງຕົວກະຕຸ້ນ ແລະ “THEN” ລະບຸການກະທຳທີ່ຕ້ອງປະຕິບັດ, ຕົວຢ່າງ: “ຖ້າ X ເກີດຂຶ້ນ, ແລ້ວເຮັດ Y” (Liu et al., 2014). ຖ້າຊຸດຂໍ້ມູນສະແດງໃຫ້ເຫັນເຖິງຄວາມສຳພັນ ແລະ ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈໄດ້ຮັບການຝຶກອົບຮົມ ແລະ ປະເມີນຜົນຢ່າງຖືກຕ້ອງ, ວິທີການນີ້ສາມາດເປັນວິທີທີ່ມີປະສິດທິພາບໃນການອັດຕະໂນມັດຂະບວນການຈັບຄູ່ LS ແລະ IS.
ໃນໄລຍະທີສອງຂອງການພັດທະນາ, ຊຸດຂໍ້ມູນໄດ້ຖືກເພີ່ມຂຶ້ນເປັນ 255 ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງເຄື່ອງມືແນະນຳ. ຊຸດຂໍ້ມູນຖືກແບ່ງອອກເປັນອັດຕາສ່ວນ 1:4. 25% (64) ຂອງຊຸດຂໍ້ມູນຖືກນໍາໃຊ້ສໍາລັບຊຸດທົດສອບ, ແລະ 75% ທີ່ເຫຼືອ (191) ຖືກນໍາໃຊ້ເປັນຊຸດການຝຶກອົບຮົມ (ຮູບທີ 2). ຊຸດຂໍ້ມູນຈໍາເປັນຕ້ອງຖືກແບ່ງອອກເປັນຊຸດເພື່ອປ້ອງກັນບໍ່ໃຫ້ຮູບແບບໄດ້ຮັບການຝຶກອົບຮົມ ແລະ ທົດສອບໃນຊຸດຂໍ້ມູນດຽວກັນ, ເຊິ່ງອາດເຮັດໃຫ້ຮູບແບບຈື່ຈໍາແທນທີ່ຈະຮຽນຮູ້. ຮູບແບບໄດ້ຮັບການຝຶກອົບຮົມໃນຊຸດການຝຶກອົບຮົມ ແລະ ປະເມີນປະສິດທິພາບຂອງມັນໃນຊຸດການທົດສອບ - ຂໍ້ມູນທີ່ຮູບແບບບໍ່ເຄີຍເຫັນມາກ່ອນ.
ເມື່ອເຄື່ອງມື IS ຖືກພັດທະນາແລ້ວ, ແອັບພລິເຄຊັນຈະສາມາດຈັດປະເພດ LS ໂດຍອີງໃສ່ການຕອບສະໜອງຂອງນັກສຶກສາທັນຕະແພດຜ່ານອິນເຕີເຟດເວັບ. ລະບົບເຄື່ອງມືແນະນຳຄວາມປອດໄພຂອງຂໍ້ມູນທີ່ອີງໃສ່ເວັບແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ພາສາການຂຽນໂປຣແກຣມ Python ໂດຍໃຊ້ເຟຣມເວີກ Django ເປັນ backend. ຕາຕະລາງທີ 2 ລະບຸຫ້ອງສະໝຸດທີ່ໃຊ້ໃນການພັດທະນາລະບົບນີ້.
ຊຸດຂໍ້ມູນຖືກປ້ອນໄປຫາຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈເພື່ອຄິດໄລ່ ແລະ ສະກັດຄຳຕອບຂອງນັກຮຽນເພື່ອຈັດປະເພດການວັດແທກ LS ຂອງນັກຮຽນໂດຍອັດຕະໂນມັດ.
ແມັດຕຣິກຄວາມສັບສົນຖືກນໍາໃຊ້ເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກຕົ້ນໄມ້ການຕັດສິນໃຈໃນຊຸດຂໍ້ມູນທີ່ກໍານົດໃຫ້. ໃນເວລາດຽວກັນ, ມັນປະເມີນປະສິດທິພາບຂອງຮູບແບບການຈັດປະເພດ. ມັນສະຫຼຸບການຄາດຄະເນຂອງຮູບແບບ ແລະ ປຽບທຽບພວກມັນກັບປ້າຍຂໍ້ມູນຕົວຈິງ. ຜົນການປະເມີນຜົນແມ່ນອີງໃສ່ຄ່າທີ່ແຕກຕ່າງກັນສີ່ຢ່າງຄື: True Positive (TP) - ຮູບແບບຄາດຄະເນໝວດໝູ່ທີ່ເປັນບວກຢ່າງຖືກຕ້ອງ, False Positive (FP) - ຮູບແບບຄາດຄະເນໝວດໝູ່ທີ່ເປັນບວກ, ແຕ່ປ້າຍທີ່ແທ້ຈິງແມ່ນລົບ, True Negative (TN) - ຮູບແບບຄາດຄະເນຫ້ອງຮຽນທີ່ເປັນລົບຢ່າງຖືກຕ້ອງ, ແລະ false negative (FN) - ຮູບແບບຄາດຄະເນຫ້ອງຮຽນທີ່ເປັນລົບ, ແຕ່ປ້າຍທີ່ແທ້ຈິງແມ່ນບວກ.
ຄ່າເຫຼົ່ານີ້ຫຼັງຈາກນັ້ນຖືກນໍາໃຊ້ເພື່ອຄິດໄລ່ຕົວຊີ້ວັດການປະຕິບັດຕ່າງໆຂອງຮູບແບບການຈັດປະເພດ scikit-learn ໃນ Python, ຄືຄວາມແມ່ນຍໍາ, ຄວາມແມ່ນຍໍາ, ການເອີ້ນຄືນ, ແລະຄະແນນ F1. ນີ້ແມ່ນຕົວຢ່າງ:
ການລະນຶກເຖິງ (ຫຼື ຄວາມອ່ອນໄຫວ) ວັດແທກຄວາມສາມາດຂອງແບບຈຳລອງໃນການຈັດປະເພດ LS ຂອງນັກຮຽນຢ່າງຖືກຕ້ອງຫຼັງຈາກຕອບແບບສອບຖາມ m-ILS.
ຄວາມຈຳເພາະເອີ້ນວ່າອັດຕາການຕິດລົບທີ່ແທ້ຈິງ. ດັ່ງທີ່ທ່ານສາມາດເຫັນໄດ້ຈາກສູດຂ້າງເທິງ, ນີ້ຄວນເປັນອັດຕາສ່ວນຂອງຜົນຕິດລົບທີ່ແທ້ຈິງ (TN) ຕໍ່ກັບຜົນຕິດລົບທີ່ແທ້ຈິງ ແລະ ຜົນຕິດລົບທີ່ບໍ່ຖືກຕ້ອງ (FP). ໃນຖານະເປັນສ່ວນໜຶ່ງຂອງເຄື່ອງມືທີ່ແນະນຳສຳລັບການຈັດປະເພດຢາເສບຕິດຂອງນັກຮຽນ, ມັນຄວນຈະສາມາດລະບຸໄດ້ຢ່າງຖືກຕ້ອງ.
ຊຸດຂໍ້ມູນຕົ້ນສະບັບຂອງນັກຮຽນ 50 ຄົນທີ່ໃຊ້ເພື່ອຝຶກອົບຮົມຮູບແບບ ML ຂອງຕົ້ນໄມ້ຕັດສິນໃຈສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງທີ່ຂ້ອນຂ້າງຕໍ່າເນື່ອງຈາກຄວາມຜິດພາດຂອງມະນຸດໃນຄຳອະທິບາຍ (ຕາຕະລາງທີ 3). ຫຼັງຈາກສ້າງໂປຣແກຣມທີ່ອີງໃສ່ກົດລະບຽບງ່າຍໆເພື່ອຄິດໄລ່ຄະແນນ LS ແລະຄຳອະທິບາຍຂອງນັກຮຽນໂດຍອັດຕະໂນມັດ, ຈຳນວນຊຸດຂໍ້ມູນ (255) ທີ່ເພີ່ມຂຶ້ນໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມແລະທົດສອບລະບົບຜູ້ແນະນໍາ.
ໃນຕາຕະລາງຄວາມສັບສົນຫຼາຍຊັ້ນ, ອົງປະກອບທາງຂວາງສະແດງເຖິງຈຳນວນການຄາດຄະເນທີ່ຖືກຕ້ອງສຳລັບແຕ່ລະປະເພດ LS (ຮູບທີ 4). ໂດຍການໃຊ້ຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈ, ຕົວຢ່າງທັງໝົດ 64 ຕົວຢ່າງໄດ້ຖືກຄາດຄະເນຢ່າງຖືກຕ້ອງ. ດັ່ງນັ້ນ, ໃນການສຶກສາຄັ້ງນີ້, ອົງປະກອບທາງຂວາງສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ຄາດໄວ້, ຊີ້ບອກວ່າຮູບແບບດັ່ງກ່າວມີປະສິດທິພາບດີ ແລະ ຄາດຄະເນປ້າຍຫ້ອງຮຽນສຳລັບແຕ່ລະການຈັດປະເພດ LS ຢ່າງຖືກຕ້ອງ. ດັ່ງນັ້ນ, ຄວາມຖືກຕ້ອງໂດຍລວມຂອງເຄື່ອງມືແນະນຳແມ່ນ 100%.
ຄ່າຂອງຄວາມຖືກຕ້ອງ, ຄວາມແມ່ນຍຳ, ການລະນຶກເຖິງ, ແລະ ຄະແນນ F1 ແມ່ນສະແດງຢູ່ໃນຮູບທີ 5. ສຳລັບລະບົບການແນະນຳໂດຍໃຊ້ຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈ, ຄະແນນ F1 ຂອງມັນແມ່ນ 1.0 “ສົມບູນແບບ,” ຊີ້ບອກເຖິງຄວາມແມ່ນຍຳ ແລະ ການລະນຶກເຖິງທີ່ສົມບູນແບບ, ສະທ້ອນເຖິງຄວາມອ່ອນໄຫວ ແລະ ຄ່າຄວາມຈຳເພາະທີ່ສຳຄັນ.
ຮູບທີ 6 ສະແດງໃຫ້ເຫັນພາບຂອງຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈຫຼັງຈາກການຝຶກອົບຮົມ ແລະ ການທົດສອບສຳເລັດແລ້ວ. ໃນການປຽບທຽບແບບຄຽງຄູ່ກັນ, ຮູບແບບຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍຄຸນສົມບັດໜ້ອຍກວ່າສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງສູງກວ່າ ແລະ ການສະແດງຮູບແບບທີ່ງ່າຍຂຶ້ນ. ນີ້ສະແດງໃຫ້ເຫັນວ່າວິສະວະກຳຄຸນສົມບັດທີ່ນຳໄປສູ່ການຫຼຸດຜ່ອນຄຸນສົມບັດແມ່ນບາດກ້າວທີ່ສຳຄັນໃນການປັບປຸງປະສິດທິພາບຂອງຮູບແບບ.
ໂດຍການນຳໃຊ້ການຮຽນຮູ້ແບບມີລະບົບການຕັດສິນໃຈ, ການສ້າງແຜນທີ່ລະຫວ່າງ LS (ອິນພຸດ) ແລະ IS (ຜົນຜະລິດເປົ້າໝາຍ) ຈະຖືກສ້າງຂຶ້ນໂດຍອັດຕະໂນມັດ ແລະ ມີຂໍ້ມູນລະອຽດສຳລັບແຕ່ລະ LS.
ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າ 34.9% ຂອງນັກສຶກສາ 255 ຄົນມັກທາງເລືອກ LS ໜຶ່ງ (1) ຢ່າງ. ສ່ວນໃຫຍ່ (54.3%) ມີຄວາມມັກ LS ສອງຢ່າງ ຫຼື ຫຼາຍກວ່ານັ້ນ. 12.2% ຂອງນັກສຶກສາສັງເກດເຫັນວ່າ LS ມີຄວາມສົມດຸນກັນດີ (ຕາຕະລາງທີ 4). ນອກເໜືອໄປຈາກ LS ຫຼັກແປດຢ່າງ, ຍັງມີການຈັດປະເພດ LS ປະສົມປະສານກັນ 34 ຢ່າງສຳລັບນັກສຶກສາທັນຕະແພດມະຫາວິທະຍາໄລມາລາຢາ. ໃນນັ້ນ, ການຮັບຮູ້, ວິໄສທັດ, ແລະ ການປະສົມປະສານຂອງການຮັບຮູ້ ແລະ ວິໄສທັດ ແມ່ນ LS ຫຼັກທີ່ລາຍງານໂດຍນັກສຶກສາ (ຮູບທີ 7).
ດັ່ງທີ່ເຫັນໄດ້ຈາກຕາຕະລາງທີ 4, ນັກຮຽນສ່ວນໃຫຍ່ມີ LS ທາງປະສາດສຳຜັດ (13.7%) ຫຼື ທາງສາຍຕາ (8.6%). ມີລາຍງານວ່າ 12.2% ຂອງນັກຮຽນປະສົມປະສານການຮັບຮູ້ກັບວິໄສທັດ (LS ທາງສາຍຕາ-ການຮັບຮູ້). ການຄົ້ນພົບເຫຼົ່ານີ້ຊີ້ໃຫ້ເຫັນວ່ານັກຮຽນມັກຮຽນຮູ້ ແລະ ຈື່ຈຳຜ່ານວິທີການທີ່ໄດ້ກຳນົດໄວ້, ປະຕິບັດຕາມຂັ້ນຕອນສະເພາະ ແລະ ລະອຽດ, ແລະ ມີລັກສະນະເອົາໃຈໃສ່. ໃນເວລາດຽວກັນ, ພວກເຂົາມັກຮຽນຮູ້ໂດຍການເບິ່ງ (ໂດຍໃຊ້ແຜນວາດ, ແລະອື່ນໆ) ແລະ ມັກຈະສົນທະນາ ແລະ ນຳໃຊ້ຂໍ້ມູນເປັນກຸ່ມ ຫຼື ດ້ວຍຕົນເອງ.
ການສຶກສານີ້ໃຫ້ພາບລວມຂອງເຕັກນິກການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ໂດຍສຸມໃສ່ການຄາດຄະເນ LS ຂອງນັກຮຽນໄດ້ທັນທີ ແລະ ຖືກຕ້ອງ ແລະ ແນະນຳ IS ທີ່ເໝາະສົມ. ການນຳໃຊ້ຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈໄດ້ລະບຸປັດໃຈທີ່ກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດທີ່ສຸດກັບຊີວິດ ແລະ ປະສົບການການສຶກສາຂອງເຂົາເຈົ້າ. ມັນເປັນອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ມີການຊີ້ນຳທີ່ໃຊ້ໂຄງສ້າງຕົ້ນໄມ້ເພື່ອຈັດປະເພດຂໍ້ມູນໂດຍການແບ່ງຊຸດຂໍ້ມູນອອກເປັນໝວດໝູ່ຍ່ອຍໂດຍອີງໃສ່ເງື່ອນໄຂສະເພາະ. ມັນເຮັດວຽກໂດຍການແບ່ງຂໍ້ມູນປ້ອນເຂົ້າແບບຊ້ຳໆອອກເປັນຊຸດຍ່ອຍໂດຍອີງໃສ່ຄ່າຂອງໜຶ່ງໃນລັກສະນະການປ້ອນຂໍ້ມູນຂອງແຕ່ລະໂຫນດພາຍໃນຈົນກວ່າຈະມີການຕັດສິນໃຈຢູ່ທີ່ໂຫນດໃບ.
ໂຫນດພາຍໃນຂອງຕົ້ນໄມ້ຕັດສິນໃຈເປັນຕົວແທນຂອງວິທີແກ້ໄຂໂດຍອີງໃສ່ລັກສະນະການປ້ອນຂໍ້ມູນຂອງບັນຫາ m-ILS, ແລະໂຫນດໃບເປັນຕົວແທນຂອງການຄາດຄະເນການຈັດປະເພດ LS ສຸດທ້າຍ. ຕະຫຼອດການສຶກສາ, ມັນງ່າຍທີ່ຈະເຂົ້າໃຈລຳດັບຊັ້ນຂອງຕົ້ນໄມ້ຕັດສິນໃຈທີ່ອະທິບາຍ ແລະ ສະແດງພາບຂະບວນການຕັດສິນໃຈໂດຍການເບິ່ງຄວາມສຳພັນລະຫວ່າງລັກສະນະການປ້ອນຂໍ້ມູນ ແລະ ການຄາດຄະເນຜົນຜະລິດ.
ໃນສາຂາວິທະຍາສາດຄອມພິວເຕີ ແລະ ວິສະວະກຳ, ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຖືກນຳໃຊ້ຢ່າງກວ້າງຂວາງເພື່ອຄາດຄະເນປະສິດທິພາບຂອງນັກຮຽນໂດຍອີງໃສ່ຄະແນນສອບເສັງເຂົ້າຮຽນ [21], ຂໍ້ມູນປະຊາກອນ, ແລະ ພຶດຕິກຳການຮຽນຮູ້ [22]. ການຄົ້ນຄວ້າສະແດງໃຫ້ເຫັນວ່າ ອັລກໍຣິທຶມໄດ້ຄາດຄະເນປະສິດທິພາບຂອງນັກຮຽນຢ່າງຖືກຕ້ອງ ແລະ ຊ່ວຍໃຫ້ເຂົາເຈົ້າລະບຸນັກຮຽນທີ່ມີຄວາມສ່ຽງຕໍ່ຄວາມຫຍຸ້ງຍາກທາງວິຊາການ.
ມີລາຍງານການນຳໃຊ້ອັລກໍຣິທຶມ ML ໃນການພັດທະນາເຄື່ອງຈຳລອງຄົນເຈັບແບບເສມືນສຳລັບການຝຶກອົບຮົມທາງທັນຕະກຳ. ເຄື່ອງຈຳລອງດັ່ງກ່າວສາມາດສ້າງແບບຕອບສະໜອງທາງສະລີລະວິທະຍາຂອງຄົນເຈັບຕົວຈິງໄດ້ຢ່າງຖືກຕ້ອງ ແລະ ສາມາດນຳໃຊ້ເພື່ອຝຶກອົບຮົມນັກສຶກສາທັນຕະກຳໃນສະພາບແວດລ້ອມທີ່ປອດໄພ ແລະ ຄວບຄຸມໄດ້ [23]. ການສຶກສາອື່ນໆອີກຈຳນວນໜຶ່ງສະແດງໃຫ້ເຫັນວ່າ ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດປັບປຸງຄຸນນະພາບ ແລະ ປະສິດທິພາບຂອງການສຶກສາທາງດ້ານທັນຕະກຳ ແລະ ການແພດ ແລະ ການດູແລຄົນເຈັບໄດ້. ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຖືກນໍາໃຊ້ເພື່ອຊ່ວຍໃນການວິນິດໄສພະຍາດທາງທັນຕະກຳໂດຍອີງໃສ່ຊຸດຂໍ້ມູນເຊັ່ນ: ອາການ ແລະ ລັກສະນະຂອງຄົນເຈັບ [24, 25]. ໃນຂະນະທີ່ການສຶກສາອື່ນໆໄດ້ຄົ້ນຄວ້າການນໍາໃຊ້ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອປະຕິບັດໜ້າວຽກຕ່າງໆເຊັ່ນ: ການຄາດຄະເນຜົນໄດ້ຮັບຂອງຄົນເຈັບ, ການລະບຸຄົນເຈັບທີ່ມີຄວາມສ່ຽງສູງ, ການພັດທະນາແຜນການປິ່ນປົວສ່ວນບຸກຄົນ [26], ການປິ່ນປົວພະຍາດເຫືອກ [27], ແລະ ການປິ່ນປົວພະຍາດຟັນຜຸ [25].
ເຖິງແມ່ນວ່າບົດລາຍງານກ່ຽວກັບການນຳໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນວິຊາທັນຕະກຳໄດ້ຖືກເຜີຍແຜ່ແລ້ວ, ແຕ່ການນຳໃຊ້ຂອງມັນໃນການສຶກສາທາງດ້ານທັນຕະກຳຍັງມີຂໍ້ຈຳກັດ. ດັ່ງນັ້ນ, ການສຶກສານີ້ຈຶ່ງມີຈຸດປະສົງເພື່ອນຳໃຊ້ຮູບແບບຕົ້ນໄມ້ຕັດສິນໃຈເພື່ອກຳນົດປັດໃຈທີ່ກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດທີ່ສຸດກັບ LS ແລະ IS ໃນບັນດານັກສຶກສາທັນຕະກຳ.
ຜົນຂອງການສຶກສາຄັ້ງນີ້ສະແດງໃຫ້ເຫັນວ່າເຄື່ອງມືແນະນຳທີ່ພັດທະນາຂຶ້ນມີຄວາມແມ່ນຍຳສູງ ແລະ ມີຄວາມແນ່ນອນທີ່ສົມບູນແບບ, ຊີ້ບອກວ່າຄູສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກເຄື່ອງມືນີ້. ໂດຍການໃຊ້ຂະບວນການຈັດປະເພດທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ, ມັນສາມາດໃຫ້ຄຳແນະນຳສ່ວນຕົວ ແລະ ປັບປຸງປະສົບການ ແລະ ຜົນໄດ້ຮັບດ້ານການສຶກສາສຳລັບນັກການສຶກສາ ແລະ ນັກຮຽນ. ໃນນັ້ນ, ຂໍ້ມູນທີ່ໄດ້ຮັບຜ່ານເຄື່ອງມືແນະນຳສາມາດແກ້ໄຂຂໍ້ຂັດແຍ່ງລະຫວ່າງວິທີການສອນທີ່ຄູມັກ ແລະ ຄວາມຕ້ອງການການຮຽນຮູ້ຂອງນັກຮຽນ. ຕົວຢ່າງ, ເນື່ອງຈາກຜົນຜະລິດອັດຕະໂນມັດຂອງເຄື່ອງມືແນະນຳ, ເວລາທີ່ຕ້ອງການເພື່ອລະບຸ IP ຂອງນັກຮຽນ ແລະ ຈັບຄູ່ກັບ IP ທີ່ສອດຄ້ອງກັນຈະຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ. ດ້ວຍວິທີນີ້, ກິດຈະກຳການຝຶກອົບຮົມ ແລະ ເອກະສານການຝຶກອົບຮົມທີ່ເໝາະສົມສາມາດຈັດຕັ້ງໄດ້. ສິ່ງນີ້ຊ່ວຍພັດທະນາພຶດຕິກຳການຮຽນຮູ້ໃນທາງບວກຂອງນັກຮຽນ ແລະ ຄວາມສາມາດໃນການສຸມໃສ່. ການສຶກສາໜຶ່ງລາຍງານວ່າການສະໜອງເອກະສານການຮຽນຮູ້ ແລະ ກິດຈະກຳການຮຽນຮູ້ທີ່ກົງກັບ LS ທີ່ພວກເຂົາມັກສາມາດຊ່ວຍໃຫ້ນັກຮຽນປະສົມປະສານ, ປະມວນຜົນ ແລະ ເພີດເພີນກັບການຮຽນຮູ້ໃນຫຼາຍວິທີເພື່ອບັນລຸທ່າແຮງທີ່ຍິ່ງໃຫຍ່ກວ່າ [12]. ການຄົ້ນຄວ້າຍັງສະແດງໃຫ້ເຫັນວ່ານອກເໜືອໄປຈາກການປັບປຸງການມີສ່ວນຮ່ວມຂອງນັກຮຽນໃນຫ້ອງຮຽນ, ການເຂົ້າໃຈຂະບວນການຮຽນຮູ້ຂອງນັກຮຽນຍັງມີບົດບາດສຳຄັນໃນການປັບປຸງການປະຕິບັດການສອນ ແລະ ການສື່ສານກັບນັກຮຽນ [28, 29].
ເຖິງຢ່າງໃດກໍ່ຕາມ, ເຊັ່ນດຽວກັນກັບເຕັກໂນໂລຊີທີ່ທັນສະໄໝອື່ນໆ, ມີບັນຫາ ແລະ ຂໍ້ຈຳກັດ. ສິ່ງເຫຼົ່ານີ້ລວມມີບັນຫາທີ່ກ່ຽວຂ້ອງກັບຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນ, ອະຄະຕິ ແລະ ຄວາມຍຸຕິທຳ, ແລະ ທັກສະ ແລະ ຊັບພະຍາກອນວິຊາຊີບທີ່ຈຳເປັນເພື່ອພັດທະນາ ແລະ ຈັດຕັ້ງປະຕິບັດຂັ້ນຕອນວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການສຶກສາທາງດ້ານທັນຕະກຳ; ເຖິງຢ່າງໃດກໍ່ຕາມ, ຄວາມສົນໃຈ ແລະ ການຄົ້ນຄວ້າທີ່ເພີ່ມຂຶ້ນໃນຂົງເຂດນີ້ຊີ້ໃຫ້ເຫັນວ່າເຕັກໂນໂລຊີການຮຽນຮູ້ຂອງເຄື່ອງຈັກອາດມີຜົນກະທົບໃນທາງບວກຕໍ່ການສຶກສາທາງດ້ານທັນຕະກຳ ແລະ ການບໍລິການທາງດ້ານທັນຕະກຳ.
ຜົນຂອງການສຶກສາຄັ້ງນີ້ຊີ້ໃຫ້ເຫັນວ່າເຄິ່ງໜຶ່ງຂອງນັກສຶກສາທັນຕະແພດມີແນວໂນ້ມທີ່ຈະ "ຮັບຮູ້" ຢາເສບຕິດ. ຜູ້ຮຽນປະເພດນີ້ມີຄວາມມັກໃນຂໍ້ເທັດຈິງ ແລະ ຕົວຢ່າງທີ່ເປັນຮູບປະທຳ, ມີທິດທາງປະຕິບັດຕົວຈິງ, ຄວາມອົດທົນຕໍ່ລາຍລະອຽດ, ແລະ ຄວາມມັກໃນການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ", ບ່ອນທີ່ຜູ້ຮຽນມັກໃຊ້ຮູບພາບ, ກຣາບຟິກ, ສີ, ແລະ ແຜນທີ່ເພື່ອຖ່າຍທອດແນວຄວາມຄິດ ແລະ ຄວາມຄິດ. ຜົນໄດ້ຮັບໃນປະຈຸບັນສອດຄ່ອງກັບການສຶກສາອື່ນໆໂດຍໃຊ້ ILS ເພື່ອປະເມີນການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ" ໃນນັກສຶກສາທັນຕະແພດ ແລະ ແພດ, ເຊິ່ງສ່ວນໃຫຍ່ມີລັກສະນະຂອງການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ" ແລະ "ເບິ່ງເຫັນ" [12, 30]. Dalmolin ແລະ ເພື່ອນຮ່ວມງານ ແນະນຳວ່າການໃຫ້ຂໍ້ມູນແກ່ນັກຮຽນກ່ຽວກັບການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ" ຂອງເຂົາເຈົ້າຊ່ວຍໃຫ້ເຂົາເຈົ້າສາມາດບັນລຸທ່າແຮງການຮຽນຮູ້ຂອງເຂົາເຈົ້າໄດ້. ນັກຄົ້ນຄວ້າໂຕ້ຖຽງວ່າເມື່ອຄູເຂົ້າໃຈຂະບວນການສຶກສາຂອງນັກຮຽນຢ່າງເຕັມສ່ວນ, ວິທີການສອນ ແລະ ກິດຈະກຳຕ່າງໆສາມາດຈັດຕັ້ງປະຕິບັດໄດ້ ເຊິ່ງຈະຊ່ວຍປັບປຸງປະສິດທິພາບ ແລະ ປະສົບການການຮຽນຮູ້ຂອງນັກຮຽນ [12, 31, 32]. ການສຶກສາອື່ນໆໄດ້ສະແດງໃຫ້ເຫັນວ່າການປັບການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ" ຂອງນັກຮຽນຍັງສະແດງໃຫ້ເຫັນເຖິງການປັບປຸງໃນປະສົບການການຮຽນຮູ້ ແລະ ປະສິດທິພາບຂອງນັກຮຽນຫຼັງຈາກການປ່ຽນແປງຮູບແບບການຮຽນຮູ້ຂອງເຂົາເຈົ້າໃຫ້ເໝາະສົມກັບການຮຽນຮູ້ແບບ "ເບິ່ງເຫັນ" ຂອງເຂົາເຈົ້າເອງ [13, 33].
ຄວາມຄິດເຫັນຂອງຄູອາດຈະແຕກຕ່າງກັນກ່ຽວກັບການຈັດຕັ້ງປະຕິບັດຍຸດທະສາດການສອນໂດຍອີງໃສ່ຄວາມສາມາດໃນການຮຽນຮູ້ຂອງນັກຮຽນ. ໃນຂະນະທີ່ບາງຄົນເຫັນຜົນປະໂຫຍດຂອງວິທີການນີ້, ລວມທັງໂອກາດການພັດທະນາວິຊາຊີບ, ການໃຫ້ຄຳປຶກສາ, ແລະ ການສະໜັບສະໜູນຈາກຊຸມຊົນ, ຄົນອື່ນອາດຈະກັງວົນກ່ຽວກັບເວລາ ແລະ ການສະໜັບສະໜູນຈາກສະຖາບັນ. ການພະຍາຍາມສ້າງຄວາມສົມດຸນແມ່ນກຸນແຈສຳຄັນໃນການສ້າງທັດສະນະຄະຕິທີ່ເນັ້ນນັກຮຽນເປັນສູນກາງ. ເຈົ້າໜ້າທີ່ການສຶກສາຊັ້ນສູງ, ເຊັ່ນ: ຜູ້ບໍລິຫານມະຫາວິທະຍາໄລ, ສາມາດມີບົດບາດສຳຄັນໃນການຂັບເຄື່ອນການປ່ຽນແປງໃນທາງບວກໂດຍການນຳສະເໜີການປະຕິບັດທີ່ມີນະວັດຕະກຳ ແລະ ການສະໜັບສະໜູນການພັດທະນາຄະນະວິຊາ [34]. ເພື່ອສ້າງລະບົບການສຶກສາຊັ້ນສູງທີ່ມີການເຄື່ອນໄຫວ ແລະ ຕອບສະໜອງໄດ້ຢ່າງແທ້ຈິງ, ຜູ້ກຳນົດນະໂຍບາຍຕ້ອງດຳເນີນບາດກ້າວທີ່ກ້າຫານ, ເຊັ່ນ: ການປ່ຽນແປງນະໂຍບາຍ, ການອຸທິດຊັບພະຍາກອນໃຫ້ແກ່ການເຊື່ອມໂຍງເຕັກໂນໂລຢີ, ແລະ ການສ້າງຂອບການເຮັດວຽກທີ່ສົ່ງເສີມວິທີການທີ່ເນັ້ນນັກຮຽນເປັນສູນກາງ. ມາດຕະການເຫຼົ່ານີ້ແມ່ນສຳຄັນຕໍ່ການບັນລຸຜົນໄດ້ຮັບທີ່ຕ້ອງການ. ການຄົ້ນຄວ້າທີ່ຜ່ານມາກ່ຽວກັບການສອນແບບແຕກຕ່າງໄດ້ສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງວ່າການຈັດຕັ້ງປະຕິບັດການສອນແບບແຕກຕ່າງທີ່ປະສົບຜົນສຳເລັດຕ້ອງການໂອກາດການຝຶກອົບຮົມ ແລະ ການພັດທະນາຢ່າງຕໍ່ເນື່ອງສຳລັບຄູ [35].
ເຄື່ອງມືນີ້ໃຫ້ການສະໜັບສະໜູນທີ່ມີຄຸນຄ່າແກ່ນັກການສຶກສາດ້ານທັນຕະກຳຜູ້ທີ່ຕ້ອງການໃຊ້ວິທີການທີ່ເນັ້ນນັກຮຽນເປັນສູນກາງໃນການວາງແຜນກິດຈະກຳການຮຽນຮູ້ທີ່ເປັນມິດກັບນັກຮຽນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການສຶກສານີ້ແມ່ນຈຳກັດພຽງແຕ່ການນຳໃຊ້ຮູບແບບ ML ຂອງຕົ້ນໄມ້ຕັດສິນໃຈເທົ່ານັ້ນ. ໃນອະນາຄົດ, ຄວນມີການເກັບກຳຂໍ້ມູນເພີ່ມເຕີມເພື່ອປຽບທຽບປະສິດທິພາບຂອງຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງ, ຄວາມໜ້າເຊື່ອຖື ແລະ ຄວາມແມ່ນຍຳຂອງເຄື່ອງມືແນະນຳ. ນອກຈາກນັ້ນ, ເມື່ອເລືອກວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ເໝາະສົມທີ່ສຸດສຳລັບວຽກງານສະເພາະ, ມັນເປັນສິ່ງສຳຄັນທີ່ຈະຕ້ອງພິຈາລະນາປັດໃຈອື່ນໆເຊັ່ນ: ຄວາມຊັບຊ້ອນຂອງຮູບແບບ ແລະ ການຕີຄວາມ.
ຂໍ້ຈຳກັດຂອງການສຶກສານີ້ແມ່ນວ່າມັນພຽງແຕ່ສຸມໃສ່ການສ້າງແຜນທີ່ LS ແລະ IS ໃນບັນດານັກສຶກສາທັນຕະແພດເທົ່ານັ້ນ. ດັ່ງນັ້ນ, ລະບົບການແນະນຳທີ່ພັດທະນາຂຶ້ນຈະແນະນຳພຽງແຕ່ລະບົບທີ່ເໝາະສົມສຳລັບນັກສຶກສາທັນຕະແພດເທົ່ານັ້ນ. ການປ່ຽນແປງແມ່ນມີຄວາມຈຳເປັນສຳລັບການນຳໃຊ້ຂອງນັກສຶກສາຊັ້ນສູງທົ່ວໄປ.
ເຄື່ອງມືແນະນຳທີ່ອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ພັດທະນາຂຶ້ນໃໝ່ສາມາດຈັດປະເພດ ແລະ ຈັບຄູ່ LS ຂອງນັກຮຽນກັບ IS ທີ່ສອດຄ້ອງກັນໄດ້ທັນທີ, ເຮັດໃຫ້ມັນເປັນໂຄງການສຶກສາທາງດ້ານທັນຕະກຳທຳອິດທີ່ຊ່ວຍໃຫ້ນັກການສຶກສາທາງດ້ານທັນຕະກຳວາງແຜນກິດຈະກຳການສອນ ແລະ ການຮຽນຮູ້ທີ່ກ່ຽວຂ້ອງ. ໂດຍການນຳໃຊ້ຂະບວນການຄັດເລືອກທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ, ມັນສາມາດໃຫ້ຄຳແນະນຳສ່ວນບຸກຄົນ, ປະຫຍັດເວລາ, ປັບປຸງຍຸດທະສາດການສອນ, ສະໜັບສະໜູນການແຊກແຊງເປົ້າໝາຍ, ແລະ ສົ່ງເສີມການພັດທະນາວິຊາຊີບຢ່າງຕໍ່ເນື່ອງ. ການນຳໃຊ້ຂອງມັນຈະສົ່ງເສີມວິທີການທີ່ເນັ້ນນັກຮຽນເປັນສູນກາງໃນການສຶກສາທາງດ້ານທັນຕະກຳ.
ສຳນັກຂ່າວ Associated Press ກິລັກ ຈານີ. ກົງກັນ ຫຼື ບໍ່ກົງກັນລະຫວ່າງຮູບແບບການຮຽນຮູ້ຂອງນັກຮຽນ ແລະ ຮູບແບບການສອນຂອງຄູ. ວາລະສານວິທະຍາສາດຄອມພິວເຕີ Int J Mod Educ. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
ເວລາໂພສ: ເມສາ-29-2024