သွားဘက်ဆိုင်ရာအဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင်ကျောင်းသားဗဟိုပြုလေ့လာမှု (scl) အတွက်လိုအပ်ချက်တိုးများလာနေသည်။ သို့သော် SCL သည်သွားဘက်ဆိုင်ရာပညာရေးတွင်လျှောက်လွှာမရှိပါ။ ထို့ကြောင့်ဤလေ့လာမှုတွင်သွားဘက်ဆိုင်ရာလေ့လာမှု (LS) နှင့်သက်ဆိုင်သောသင်ယူမှုမဟာဗျူဟာများနှင့်သက်ဆိုင်သောသင်ကြားမှုမဟာဗျူဟာများ (ML) နှင့်သက်ဆိုင်သောသင်ကြားမှုမဟာဗျူဟာများ (IS) နည်းပညာကို အသုံးပြု. သွားဘက်ဆိုင်ရာလေ့လာရေးနည်းဗျူဟာ (IS) နည်းပညာကို အသုံးပြု. သွားဘက်ဆိုင်ရာပညာရှိနည်းပညာကိုအသုံးပြုခြင်းအားဖြင့်ဤလေ့လာမှုကိုမြှင့်တင်ရန်ရည်ရွယ်သည် ။ သွားကျောင်းသားများအတွက်အလားအလာရှိသောနည်းလမ်းများ။
Maya မှမလပ်တက္ကသိုလ်မှသွားဘက်ဆိုင်ရာကျောင်းသား 255 ခုသည်၎င်းတို့အားသူတို့၏သက်ဆိုင်ရာ LSS သို့ခွဲခြားရန်ပစ္စည်း 44 ခုပါ 0 င်သည့်ပုံစံအမျိုးမျိုး (M-Ils) မေးခွန်းလွှာများကိုပြီးစီးခဲ့သည်။ စုဆောင်းထားသည့်ဒေတာများကို (Dataset ဟုခေါ်သော) ကိုကြီးကြပ်သောဆုံးဖြတ်ချက်ပုံစံတွင်ကျောင်းသားများ၏လေ့လာမှုပုံစံများကိုအံဝင်ခွင်ကျဖြစ်စေသည်။ စက်သင်ယူမှုအခြေပြုအခြေခံသောစီမံကိန်း၏တိကျမှန်ကန်မှုကိုထောက်ခံရန်ကိရိယာကိုအကဲဖြတ်သည်။
LS (input) အကြားအလိုအလျောက်မြေပုံရေးဆွဲခြင်းလုပ်ငန်းခွင်တွင်ဆုံးဖြတ်ချက်ရှိသောအွန်လိုင်းပေါ်မှမော်ဒယ်များကိုအသုံးပြုခြင်းသည်သွားဘက်ဆိုင်ရာကျောင်းသားတစ် ဦး ချင်းစီအတွက်သင့်တော်သောသင်ယူမှုမဟာဗျူဟာများကိုချက်ချင်းစာရင်းပြုစုသည်။ အကြံပြုချက် Tool သည်ပြီးပြည့်စုံသောတိကျမှန်ကန်မှုကိုပြသခဲ့ပြီး LS နှင့်လိုက်ဖက်ခြင်းနှင့်ကိုက်ညီမှုရှိကြောင်းညွှန်ပြသည့်အချက်ကိုဖော်ပြထားသည်။
ML ဆုံးဖြတ်ချက်အပင်အပေါ် အခြေခံ. ထောက်ခံချက်ကိရိယာသည်သွားဘက်ဆိုင်ရာကျောင်းသားများ၏လေ့လာမှုပုံစံများကိုတိတိကျကျကိုက်ညီနိုင်စွမ်းကိုသက်သေပြခဲ့သည်။ ဤကိရိယာသည်ကျောင်းသားများ၏လေ့လာမှုအတွေ့အကြုံကိုမြှင့်တင်ပေးနိုင်သည့်ကျောင်းသားများဗဟိုပြုသင်တန်းများသို့မဟုတ် module များကိုစီစဉ်ရန်အစွမ်းထက်သောရွေးချယ်စရာများဖြစ်သည်။
သင်ကြားခြင်းနှင့်သင်ယူခြင်းသည်ပညာရေးဆိုင်ရာအဖွဲ့အစည်းများ၏အခြေခံကျသောလှုပ်ရှားမှုများဖြစ်သည်။ အရည်အသွေးမြင့်မားသောအသက်မွေး 0 မ်းကျောင်းပညာရေးစနစ်ကိုတီထွင်သောအခါကျောင်းသားများ၏လေ့လာလိုအပ်ချက်များကိုအာရုံစိုက်ရန်အရေးကြီးသည်။ ကျောင်းသားများနှင့်သူတို့၏လေ့လာမှုပတ်ဝန်းကျင်နှင့်အပြန်အလှန်ဆက်သွယ်မှုသည်သူတို့၏ LS မှတစ်ဆင့်ဆုံးဖြတ်နိုင်သည်။ သုတေသနပြုချက်အရကျောင်းသားများ၏ LS များအကြားဆရာ 0 န်မတိုက်ဆိုင်သည့်မတိုက်ဆိုင်မှုသည်ကျောင်းသား LS အကြားရှိမတိုက်ဆိုင်မှုများမှာအာရုံစူးစိုက်မှုနှင့်လှုံ့ဆော်မှုကိုလျော့နည်းသွားသည်။ ၎င်းသည်ကျောင်းသား၏စွမ်းဆောင်ရည်ကိုသွယ်ဝိုက်နိုင်စွမ်းရှိလိမ့်မည်။
ကျောင်းသားများကိုကျောင်းသားများအားကူညီခြင်းအပါအ 0 င်ကျောင်းသားများအားဗဟုသုတနှင့်ကျွမ်းကျင်မှုများကိုပေးရန်ဆရာများအသုံးပြုသောနည်းလမ်းတစ်ခုဖြစ်သည်။ ယေဘုယျအားဖြင့်ပြောရလျှင်ကောင်းသောဆရာများသည်သင်ကြားရေးမဟာဗျူဟာများကိုစီစဉ်ရန်သို့မဟုတ်ကျောင်းသားများ၏ကျောင်းသားများဗဟုသုတ, သီအိုရီအရ LS နှင့်ကိုက်ညီသည့်အခါကျောင်းသားများသည်ထိရောက်စွာသင်ယူရန်တိကျသောကျွမ်းကျင်မှုများကို စုစည်း. အသုံးပြုနိုင်လိမ့်မည်။ ပုံမှန်အားဖြင့်သင်ခန်းစာအစီအစဉ်တွင်လမ်းညွှန်ခြင်းမှပဲ့ပြင်လေ့ကျင့်ခန်းသို့မဟုတ်ပဲ့ထိန်းလေ့ကျင့်ခန်းများသို့သွန်သင်ခြင်းမှအသွင်ကူးပြောင်းမှုများစွာပါဝင်သည်။ ဤအချက်ကိုစိတ်ထဲ ထား. ထိရောက်သောဆရာများသည်ကျောင်းသားများ၏ဗဟုသုတနှင့်ကျွမ်းကျင်မှုများကိုတည်ဆောက်ရန်ပန်းတိုင်ဖြင့်လေ့ကျင့်သင်ကြားပေးလေ့ရှိသည်။
Scl အတွက် 0 ယ်လိုအားသည်သွားဘက်ဆိုင်ရာဌာနများအပါအ 0 င်အဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင်ကြီးထွားလာသည်။ Scl နည်းဗျူဟာများသည်ကျောင်းသားများ၏လေ့လာမှုလိုအပ်ချက်များကိုဖြည့်ဆည်းရန်ဒီဇိုင်းပြုလုပ်ထားသည်။ ဥပမာအားဖြင့်ကျောင်းသားများသည်သင်ယူမှုလှုပ်ရှားမှုများတွင်တက်ကြွစွာပါ 0 င်မှုနှင့်ဆရာများတက်ကြွစွာပါ 0 င်မှုပြုလုပ်နေပါက, ကျောင်းသားများ၏ပညာရေးအဆင့် (သို့) ဦး စားပေးမှုများနှင့်သက်ဆိုင်သည့်သင်ယူခြင်းဆိုင်ရာပစ္စည်းများနှင့်လုပ်ဆောင်မှုများပေးခြင်းသည်ကျောင်းသားများ၏လေ့လာမှုပတ်ဝန်းကျင်ကိုတိုးတက်စေပြီးအပြုသဘောဆောင်သောလေ့လာမှုအတွေ့အကြုံများကိုတိုးတက်စေသည်ဟုဆိုကြသည်။
ယေဘုယျအားဖြင့်ပြောရလျှင်သွားဘက်ဆိုင်ရာကျောင်းသားများ၏သင်ယူမှုလုပ်ငန်းစဉ်သည်၎င်းတို့လုပ်ဆောင်ရန်လိုအပ်သောလက်တွေ့လုပ်ထုံးလုပ်နည်းများနှင့်၎င်းတို့အားထိရောက်သောစုရုံးနိုင်သည့်လက်တွေ့ပတ်ဝန်းကျင်ဆိုင်ရာအတိုင်းအတာအမျိုးမျိုးဖြင့်လွှမ်းမိုးမှုရှိသည်။ လေ့ကျင့်မှု၏ရည်ရွယ်ချက်မှာသွားဘက်ဆိုင်ရာဗဟုသုတနှင့်သွားဘက်ဆိုင်ရာဗဟုသုတများကိုသွားဘက်ဆိုင်ရာဗဟုသုတများနှင့်ပေါင်းစပ်ရန်နှင့်လက်တွေ့အရွှေ့ရာများကိုလက်တွေ့အရွှေ့ရေးဆိုင်ရာဗဟုသုတများကိုအသုံးချရန်ဖြစ်သည်။ LS ကြားရှိဆက်ဆံရေးကိုအစောပိုင်းသုတေသနပြုခြင်းနှင့် ဦး စားပေးသည့် LS တို့တွင်မြေပုံရေးဆွဲခြင်းနည်းဗျူဟာများညှိနှိုင်းမှုမဟာဗျူဟာများကိုညှိနှိုင်းခြင်းကပညာရေးလုပ်ငန်းစဉ်တိုးတက်စေရန်ကူညီလိမ့်မည်ဟုတွေ့ရှိရသည်။ ကျောင်းသားများ၏လေ့လာမှုနှင့်လိုအပ်ချက်များနှင့်လိုက်လျောညီထွေဖြစ်အောင်လုပ်ရန်သင်ကြားရေးနှင့်အကဲဖြတ်နည်းစနစ်များကိုစာရေးသူများကအကြံပြုသည်။
ကျောင်းသားများသည်ကျောင်းသားများအားပိုမိုနက်ရှိုင်းသောဗဟုသုတများကိုပိုမိုနက်ရှိုင်းသောဗဟုသုတများရယူခြင်းကိုမြှင့်တင်ရန်, သုတေသီများက Kolb အတွေ့အကြုံအတွေ့အကြုံပုံစံ, Felber Silver Dearning style style style style style model (FSLSM) နှင့် Fleming Vark / Vark Model [5, 9, 9] စာပေများအရဤလေ့လာမှုပုံစံများသည်အသုံးအများဆုံးနှင့်လေ့လာသင်ယူလေ့လာခြင်းပုံစံများဖြစ်သည်။ လက်ရှိသုတေသနလုပ်ငန်းတွင် FSLSM ကိုသွားဘက်ဆိုင်ရာကျောင်းသားများအကြား LS ကိုအကဲဖြတ်ရန်အသုံးပြုသည်။
FSLSM သည်အင်ဂျင်နီယာတွင်လိုက်လျောညီထွေဖြစ်အောင်လေ့လာခြင်းကိုအကဲဖြတ်ခြင်းအတွက်ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသောပုံစံဖြစ်သည်။ FSLSM မော်ဒယ်များကို အသုံးပြု. (ဆေးဆိုင်များအပါအ 0 င်ဆေးဝါး, သူနာပြု, ဆေးဆိုင်နှင့်သွားဘက်ဆိုင်ရာစနစ်အပါအ 0 င်) ကျန်းမာရေးသိပ္ပံပညာများတွင်ပုံနှိပ်ထုတ်ဝေခဲ့သည်။ LS ရှိ LS ၏အတိုင်းအတာကိုတိုင်းတာရန်အသုံးပြုသောကိရိယာသည် LS ၏အရွယ်အစားလေးခုအကဲဖြတ်ခြင်း (active / replection), အမြင် (သိခြင်းဆိုင်ရာအာရုံစိုက်မှု), input ကို (visual) ။ / နှုတ်ဖြင့်) နှင့်နားလည်မှု (sequential / global) [14] ။
ပုံ 1 မှာပြထားတဲ့အတိုင်း FSLSM dimension တစ်ခုစီမှာအဓိက ဦး စားပေးမှုရှိတယ်။ ဥပမာအားဖြင့်, process ရှုထောင့်တွင် "တက်ကြွ" သောကျောင်းသားများသည်သင်ယူမှုပစ္စည်းများနှင့်တိုက်ရိုက်အပြန်အလှန်ဆက်သွယ်ခြင်း, လုပ်ဆောင်ခြင်းဆိုင်ရာပစ္စည်းများနှင့်တိုက်ရိုက်အပြန်အလှန်ဆက်သွယ်ခြင်း, "ရောင်ပြန်ဟပ်" LS သည်စဉ်းစားတွေးခေါ်မှုမှတစ်ဆင့်သင်ယူခြင်းနှင့်တစ်ယောက်တည်းအလုပ်လုပ်ရန်ကြိုက်နှစ်သက်သည်။ LS ၏ရှုထောင့်ကို "ခံစားချက်" နှင့် / သို့မဟုတ် "ပင်ကိုယ်အသိ" အဖြစ်ခွဲခြားနိုင်သည်။ ကျောင်းသားများသည်ပိုမိုတိကျသောသတင်းအချက်အလက်နှင့်လက်တွေ့လုပ်ထုံးလုပ်နည်းများကိုပိုမိုနှစ်သက်ကြသည်။ LS ၏ "input" dimension သည် "visual" နှင့် "နှုတ်" သင်ယူသူများပါဝင်သည်။ "Visual" ls "Visual" LS သည်အမြင်အာရုံဆန္ဒပြပွဲများ (ဥပမာကားချပ်များ, ဗီဒီယိုများသို့မဟုတ်တိုက်ရိုက်ဆန္ဒပြပွဲများကဲ့သို့သောအမြင်များ) မှတစ်ဆင့်သင်ယူလိုကြသည် (ဥပမာ "LSS" Verbal "နှင့်အတူလူများသည်စာဖြင့်ရေးသားထားသောစကားလုံးများဖြင့်သင်ယူလိုကြသည်။ LS ရှုထောင့်များကို "နားလည်ရန်" နားလည်ရန်ဤသင်ယူသူများကို "sequential" နှင့် "Global" သို့ခွဲခြားနိုင်သည်။ Sequential ကျောင်းသားများသည် linear အတွေးဖြစ်စဉ်ကိုပိုနှစ်သက်ပြီးတစ်ဆင့်ပြီးတစ်ဆင့်ချင်းလေ့လာသင်ယူကြသော်လည်းကမ္ဘာလုံးဆိုင်ရာလေ့လာသူများသည်ဘက်စုံအတွေးလုပ်ငန်းစဉ်ဆက်ရှိနေကြပြီးသူတို့လေ့လာနေသည့်အရာများကိုအမြဲတမ်းပိုမိုနားလည်သဘောပေါက်ရန်အမြဲတမ်းသင်ယူကြသည်။
မကြာသေးမီကသုတေသီများသည်အချက်အလက်များကိုအနက်ဖွင့်ဆိုနိုင်သည့် algorithms အသစ်များဖွံ့ဖြိုးတိုးတက်မှုအပါအ 0 င်အလိုအလျောက်ဒေတာမောင်းနှင်မှုရှာဖွေတွေ့ရှိမှုအတွက်နည်းလမ်းများကိုရှာဖွေကြသည်။ ပေးထားသောဒေတာများကို အခြေခံ. ကြီးကြပ်သော ML (Machine Dearning) သည် algorithms ၏ဆောက်လုပ်ရေးအပေါ် အခြေခံ. အနာဂတ်ရလဒ်များကိုကြိုတင်ခန့်မှန်းထားသောပုံစံများနှင့်ယူဆချက်များကိုထုတ်လုပ်နိုင်စေသည်။ ရိုးရိုးလေးပြောရလျှင်ကြီးကြပ်ကွပ်ကဲသောစက်သင်ယူမှုနည်းစနစ်များသည် input data data နှင့် algorithms ကိုလေ့ကျင့်ပေးသည်။ ထို့နောက်ပေးထားသော input data များအတွက်အလားတူအခြေအနေများအပေါ် အခြေခံ. ရလဒ်ကိုခွဲခြားသတ်မှတ်သည့်အကွာအဝေးကိုထုတ်ပေးသည်။ ကြီးကြပ်သောစက်၏အဓိကအားသာချက် algorithms ၏အဓိကအားသာချက်မှာစံပြနှင့်လိုချင်သောရလဒ်များကိုတည်ဆောက်ရန်စွမ်းရည်ဖြစ်သည်။
ဒေတာမောင်းနှင်သောနည်းစနစ်များနှင့်ဆုံးဖြတ်ချက်ချသည့်ပုံစံများကိုအသုံးပြုခြင်းအားဖြင့်, ကျန်းမာရေးသိပ္ပံပညာအပါအ 0 င်လယ်ကွင်းအမျိုးမျိုးတွင်လေ့ကျင့်ရေးအစီအစဉ်များတွင်လေ့ကျင့်ရေးအစီအစဉ်များတွင်အရေးပါသောအရာများကိုကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသည်။ ဤလေ့လာမှုတွင် Model ကို System developer များကကျောင်းသားများ၏ LS ကိုခွဲခြားသတ်မှတ်ရန်နှင့်၎င်းတို့အတွက်အကောင်းဆုံးအကြံပြုရန်ပုံစံကိုအထူးလေ့ကျင့်သင်ကြားပေးခဲ့သည်။
ဤလေ့လာမှု၏ရည်ရွယ်ချက်မှာကျောင်းသားများ LS အပေါ် အခြေခံ. ပေးပို့နည်းဗျူဟာများမှာကျောင်းသားများ၏ LS အပေါ် အခြေခံ. SCL ချဉ်းကပ်မှုကိုအသုံးပြုသည်။ SCL နည်းလမ်း၏မဟာဗျူဟာကိုပုံ 1 တွင်ပြသသည်။ အကြံပြုချက် tool ကိုအပိုင်းနှစ်ပိုင်းခွဲထားပြီး ILS ကိုအသုံးပြုသော ILS ကို အသုံးပြု. အသင့်တော်ဆုံးသည်ကျောင်းသားများအတွက်ပြသရန်ကိရိယာကိုအပိုင်းနှစ်ပိုင်းခွဲထားသည်။
အထူးသဖြင့်သတင်းအချက်အလက်လုံခြုံရေးထောက်ခံချက်ကိရိယာများ၏ဝဘ်ဆိုက်များတွင် Web Technologies အသုံးပြုခြင်းနှင့်ဆုံးဖြတ်ချက်ပင်စက်များအသုံးပြုခြင်းတို့ပါဝင်သည်။ မိုဘိုင်းဖုန်းနှင့်တက်ဘလက်များကဲ့သို့သောမိုဘိုင်းပစ္စည်းများကိုလိုက်လျောညီထွေဖြစ်အောင်စနစ် developer များကအသုံးပြုသူအတွေ့အကြုံနှင့် mobility ကိုတိုးတက်စေသည်။
ဒီစမ်းသပ်မှုကိုမလကာတက္ကသိုလ်မှသွားဘက်ဆိုင်ရာဌာနမှအဆင့်နှစ်ဆင့်နှင့်ကျောင်းသားများသည်မိမိဆန္ဒအလျောက်ပါဝင်ခဲ့သည့်အနေဖြင့်သွားဘက်ဆိုင်ရာဌာနမှအဆင့်နှစ်ဆင့်ဖြင့်ပြုလုပ်ခဲ့သည်။ သင်တန်းသားများကိုသွားဘက်ဆိုင်ရာကျောင်းသား၏အွန်လိုင်း M-Ils ကိုအင်္ဂလိပ်ဘာသာဖြင့်တုံ့ပြန်ခဲ့သည်။ ကန ဦး အဆင့်တွင်ကျောင်းသား 50 ၏ Dataset ကို algorithm ကိုလေ့ကျင့်ရန်လေ့ကျင့်သင်ကြားပေးခဲ့သည်။ ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်၏ဒုတိယအဆင့်တွင်ဖွံ့ဖြိုးပြီးတူရိယာများ၏တိကျမှန်ကန်မှုကိုတိုးတက်စေရန်ကျောင်းသား 255 ယောက်၏ Dataset ကိုအသုံးပြုခဲ့သည်။
ပါ 0 င်သူများအားလုံးသည်စင်မြင့်တစ်ခုစီ၏အစတွင် Online Deporting ကိုမိုက်ခရိုဆော့ဖ်အသင်းများမှတစ်ဆင့် Microsoft အဖွဲ့များပေါ် မူတည်. အွန်လိုင်းရှင်းလင်းချက်ကိုလက်ခံရရှိသည်။ လေ့လာမှု၏ရည်ရွယ်ချက်ကိုရှင်းပြပြီးအသိပေးသဘောတူညီချက်ရရှိခဲ့သည်။ ပါ 0 င်သူအားလုံးကို M-Ils ကိုသုံးရန် link တစ်ခုပြုလုပ်ခဲ့သည်။ ကျောင်းသားတစ် ဦး စီသည်မေးခွန်းလွှာရှိပစ္စည်း 44 ခုလုံးအားလုံးကိုဖြေဆိုရန်ညွှန်ကြားထားသည်။ စာသင်ချိန်မစတင်မီစာသင်ချိန်၌တစ်ချိန်တည်းတွင်သူတို့အတွက်အဆင်ပြေသည့်အချိန်တွင်၎င်းတို့ကိုတစ်ကြိမ်နှင့်တည်နေရာတစ်ချိန်တည်းတွင်ဖြည့်စွက်ရန်တစ်ပတ်ပတ်လုံးဖြည့်စွက်ရန်တစ်ပါတ်ပေးခဲ့သည်။ M-Ils သည်မူရင်း ILS ကိရိယာများအပေါ်အခြေခံပြီးသွားဆရာဝန်များအတွက်ပြုပြင်မွမ်းမံသည်။ မူရင်း ILS နှင့်ဆင်တူသည်မှာ 4 င်းတွင် FSLSM အတိုင်းအတာတစ်ခုစီ၏ရှုထောင့်များကိုအကဲဖြတ်ရန်အသုံးပြုသောအရာ 44 ခုပါ 0 င်သည်။
Tool Development ၏ကန ဦး အဆင့်များ၌သုတေသီများက Maps သည်သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ Dataset ကို အသုံးပြု. မြေပုံများကိုကိုယ်တိုင်ကိုယ်စုမှပြုလုပ်ခဲ့သည်။ FSLM ၏အဆိုအရဤစနစ်သည်အဖြေများကို "a" နှင့် "b" ကိုပေးသည်။ ရှုထောင့်တစ်ခုစီအတွက်ကျောင်းသားသည် "a" ကိုအဖြေတစ်ခုအဖြစ်ရွေးချယ်ပါက LS ကိုတက်ကြွ / actual diction / visual / sequential များအဖြစ်သတ်မှတ်သည်။ ကျောင်းသားသည် "B" ကိုအဖြေတစ်ခုအဖြစ်သတ်မှတ်သည်။ ။ / Global သင်ယူသူ။
သွားဘက်ဆိုင်ရာသုတေသီများနှင့် System developer များအကြားအသွားအလာကိုချိန်ညှိပြီးနောက်ကျောင်းသားများ၏ LS တစ်ခုချင်းစီ၏ LS ကိုကြိုတင်ခန့်မှန်းရန် ML မော်ဒယ်တွင်မေးခွန်းများကိုရွေးချယ်ပြီး ML မော်ဒယ်သို့ ဦး တည်သည်။ "အမှိုက်သရိုက်များ၌အမှိုက်သရိုက်များ" သည်အချက်အလက်အရည်အသွေးကိုအလေးပေးထားခြင်းဖြင့်စက်၏လေ့လာမှုနယ်ပယ်တွင်လူကြိုက်များသည်ဟုဆိုကြသည်။ input အချက်အလက်များ၏အရည်အသွေးသည်စက်သင်ယူမှုပုံစံ၏တိကျမှန်ကန်မှုနှင့်တိကျမှန်ကန်မှုကိုဆုံးဖြတ်သည်။ အင်္ဂါရပ်အင်ဂျင်နီယာအဆင့်တွင်အင်္ဂါရပ်အသစ်တစ်ခုကိုဖန်တီးထားသော "A" နှင့် "B" နှင့် "B" နှင့် "B" နှင့် "B" ၏ပေါင်းလဒ်ကိုဖန်တီးသည်။ ဖော်ရွေမှုဆိုင်ရာမှတ်ပုံတင်နံပါတ်များကိုဇယား 1 တွင်ဖော်ပြထားသည်။
အဖြေများကို အခြေခံ. ရမှတ်ကိုတွက်ချက်ခြင်းနှင့်ကျောင်းသား၏ ls ကိုဆုံးဖြတ်ရန်။ ကျောင်းသားတစ် ဦး စီအတွက်ရမှတ်အကွာအဝေးသည် 1 မှ 11 အထိရှိသည်။ 1 မှ 3 ရမှတ်များသည်တူညီသောရှုထောင့်တွင်သင်ယူခြင်း၏လက်ကျန်ငွေများကိုဖော်ပြသည်။ ။ တူညီသောရှုထောင့်များတွင်အခြားအပြောင်းအလဲတစ်ခုမှာ 9 မှ 11 အထိရမှတ်များကအဆုံးသို့မဟုတ်အခြား [8] ကိုပိုမိုနှစ်သက်သည်။
ရှုထောင့်တစ်ခုစီအတွက်မူးယစ်ဆေးဝါးများကို "တက်ကြွ", "actively" နှင့် "မျှတ" အဖြစ်အုပ်စုဖွဲ့ခဲ့သည်။ ဥပမာအားဖြင့်, ကျောင်းသားတစ် ဦး သည်သတ်မှတ်ထားသောပစ္စည်းတစ်ခုပေါ်တွင် "ခ" ကို "ခ" ထက် "B" ထက် ပို. မကြာခဏအဖြေပေးသည့်အခါသူ / သူမရမှတ်သည် Present LS Dimension ကိုကိုယ်စားပြုသောပစ္စည်းအတွက် 5 ခု၏တံခါးခုံထက်ကျော်လွန်သောအခါသူ / သူမသည် "Active" ls ဖြစ်သည် ဒိုမိန်း။ ။ သို့သော်ကျောင်းသားများသည် "A" ကို "A" ကို "a" ကို "a" ထက်ပိုပြီး "A" ကိုရွေးချယ်ခြင်း (ဇယား 1) တွင် "A" ကိုရွေးချယ်သောအခါ "A" ကို "A" ကို "Real's" အဖြစ်သတ်မှတ်ခဲ့ပြီး 5 မှတ်ထက်ပိုရစေခဲ့သည်။ နောက်ဆုံးအနေဖြင့်ကျောင်းသားသည် "equilibrium" အခြေအနေတွင်ရှိသည်။ ရမှတ်သည် 5 မှတ်ထက်မပိုပါက၎င်းသည် "ဖြစ်စဉ်" ls ဖြစ်သည်။ ကွဲပြားခြားနားမှု (တက်ကြွ / ရောင်ပြန်ဟပ်ခြင်း), input (visual / verbal), input (verual / verbal) နှင့် clance icea) အတွက်ခွဲခြားခြင်းလုပ်ငန်းစဉ်ကိုထပ်ခါတလဲလဲပြုလုပ်ခဲ့သည်။
ဆုံးဖြတ်ချက် Tree Models သည်ကွဲပြားသောအင်္ဂါရပ်များကွဲပြားသောလက္ခဏာများနှင့်ဆုံးဖြတ်ချက်ချသည့်စည်းမျဉ်းစည်းကမ်းများကိုခွဲခြားသတ်မှတ်ခြင်းလုပ်ငန်းစဉ်တွင်အသုံးချနိုင်သည်။ ၎င်းကိုလူကြိုက်များသောခွဲခြားမှုနှင့်ခန့်မှန်းချက်ကိရိယာတစ်ခုဖြစ်သည်။ ၎င်းကို Flowchart [20] ကဲ့သို့သောသစ်ပင်အဆောက်အအုံများကို အသုံးပြု. သစ်ပင်တစ်ပင်များ, ဌာနခွဲတစ်ခုစီတွင်စမ်းသပ်ခြင်းရလဒ်များကိုကိုယ်စားပြုသောအရွက်တစ်ခုစီနှင့်အရွက် node (အရွက် node (အရွက် node (laf node (leaf node) တစ်ခုစီရှိသည်။
ရိုးရှင်းသောအုပ်ချုပ်မှုအခြေခံသည့်အစီအစဉ်ကိုကျောင်းသားတစ် ဦး ချင်းစီ၏ LS တစ်ခုချင်းစီကိုသူတို့၏တုံ့ပြန်မှုများပေါ်တွင် အခြေခံ. အလိုအလျောက်ဂိုးသွင်းရန်ဖန်တီးခဲ့သည်။ structure-based သည် "အကယ်. " ခလုတ်ကိုဖော်ပြမည့် "အကယ်. " လုပ်ဆောင်မည့်လုပ်ဆောင်မှုကိုဖော်ပြမည့်လုပ်ဆောင်မှုကိုဖော်ပြသည်။ Data Set သည်ဆက်စပ်မှုကိုပြသထားပြီးဆုံးဖြတ်ချက်ပုံစံကိုစနစ်တကျလေ့ကျင့်သင်ကြားပေးပြီးအကဲဖြတ်သည်ဆိုပါကဤချဉ်းကပ်မှုသည် LS နှင့်ကိုက်ညီခြင်းနှင့်ကိုက်ညီရန်ထိရောက်သောနည်းလမ်းတစ်ခုဖြစ်နိုင်သည်။
ဒုတိယဖွံ့ဖြိုးတိုးတက်မှုဒုတိယအဆင့်တွင်ထောက်ခံချက်ကိရိယာ၏တိကျမှန်ကန်မှုကိုတိုးတက်စေရန် 255 နှစ်မှ 255 အထိတိုးမြှင့်ခဲ့သည်။ ဒေတာအစုသည် 1: 4 အချိုးတွင်ကွဲနေသည်။ ဒေတာအစု၏ 25% (64) ကိုစမ်းသပ်ရန်အတွက်အသုံးပြုခဲ့ပြီးကျန်ရှိနေသေးသော 75% (191) ကိုလေ့ကျင့်ရေး set အဖြစ်အသုံးပြုခဲ့သည် (ပုံ 2) ။ ဒီမော်ဒယ်ကိုလေ့ကျင့်သင်ကြားခြင်းမှကာကွယ်ရန်နှင့်စံနမူနာကိုလေ့လာခြင်းထက်မှတ်မိစေမည့်တူညီသောဒေတာအစုတခုကိုစစ်ဆေးရန်ပုံစံကိုတားဆီးရန်ဒေတာအစုကိုခွဲထုတ်ရန်လိုအပ်သည်။ မော်ဒယ်ကိုလေ့ကျင့်ရေးအနေဖြင့်လေ့ကျင့်သင်ကြားမှုကိုလေ့ကျင့်သင်ကြားပေးပြီး၎င်း၏စွမ်းဆောင်ရည်ကိုမော်ဒယ်မတိုင်မီမမြင်တွေ့ရသောစမ်းသပ်မှုအချက်အလက်များကိုအကဲဖြတ်သည်။
Tool ကိုတီထွင်ပြီးသည်နှင့် application သည် LS ကိုဝက်ဘ် interface မှတစ်ဆင့်သွားဘက်ဆိုင်ရာကျောင်းသားများ၏တုန့်ပြန်မှုအပေါ် အခြေခံ. သတ်မှတ်နိုင်လိမ့်မည်။ ဝက်ဘ်အခြေပြုသတင်းအချက်အလက်လုံခြုံရေးထောက်ခံချက် toold system system system system ကို Django Framework ကို backwork အဖြစ် အသုံးပြု. Python Promramming Language ကို အသုံးပြု. တည်ဆောက်ထားသည်။ ဇယား 2 တွင်ဤစနစ်ဖွံ့ဖြိုးတိုးတက်မှုတွင်အသုံးပြုသောစာကြည့်တိုက်များကိုစာရင်းပြုစုထားသည်။
Dataset သည်ကျောင်းသား၏ LS တိုင်းတာမှုကိုအလိုအလျောက်ခွဲခြားရန်ကျောင်းသား၏တုန့်ပြန်မှုကိုတွက်ချက်ရန်နှင့်ထုတ်ယူရန်ဆုံးဖြတ်ချက်ချသည့်သစ်ပင်ပုံစံကိုကျွေးမွေးသည်။
အဆိုပါရှုပ်ထွေးသော matrix ကို data algorithm အပေါ် algorithm လေ့လာသင်ယူသောဆုံးဖြတ်ချက်သစ်ပင်စက်၏တိကျမှန်ကန်မှုကိုအကဲဖြတ်ရန်အသုံးပြုသည်။ တစ်ချိန်တည်းမှာပင်၎င်းသည်အမျိုးအစားခွဲခြားမှုပုံစံ၏စွမ်းဆောင်ရည်ကိုအကဲဖြတ်သည်။ ၎င်းသည်မော်ဒယ်၏ခန့်မှန်းချက်များကိုအကျဉ်းချုပ်ဖော်ပြပြီးအမှန်တကယ်ဒေတာတံဆိပ်များနှင့်နှိုင်းယှဉ်သည်။ အကဲဖြတ်မှုရလဒ်များသည်ကွဲပြားခြားနားသောတန်ဖိုးလေးခုပေါ်တွင်အခြေခံသည် - စစ်မှန်သောအပြုသဘောဆောင်သော (TP) သည်အပြုသဘောဆောင်သောအမျိုးအစားကိုမှန်ကန်စွာဟောကိန်းထုတ်သည်။ ဒီပုံစံကအနုတ်လက်ခဏာအတန်းအစားကိုမှန်ကန်စွာဟောကိန်းထုတ်ပြီးမှားယွင်းတဲ့အနုတ်လက်ခဏာ (FN) - ဒီမော်ဒယ်ကအနုတ်လက်ခဏာအတန်းအစားကိုခန့်မှန်းထားပါတယ်, ဒါပေမယ့်စစ်မှန်တဲ့တံဆိပ်ပါ။
ထို့နောက်ဤတန်ဖိုးများကို Python ရှိ SCIKIT-Learns Classification Model ၏စွမ်းဆောင်ရည်ဆိုင်ရာမက်ထရစ်များ, ဤတွင်ဥပမာများ -
ပြန်လည်မှတ်မိခြင်း (သို့မဟုတ် sensitivity) သည် M-Ils မေးခွန်းလွှာကိုဖြေဆိုပြီးနောက်ကျောင်းသား၏ LS ကိုတိကျစွာခွဲခြားရန်မော်ဒယ်၏စွမ်းရည်ကိုတိုင်းတာသည်။
တိကျမှုသည်စစ်မှန်သောအနုတ်လက်ခဏာဟုခေါ်သည်။ အထက်ဖော်ပြပါပုံသေနည်းမှသင်တွေ့မြင်ရသည့်အတိုင်း၎င်းသည်စစ်မှန်သောဆိုးကျိုးများ (TN) ၏အချိုးအစားနှင့်မှားယွင်းသောလက္ခဏာများ (FP) ၏အချိုးအစားဖြစ်သင့်သည်။ ကျောင်းသား၏မူးယစ်ဆေးဝါးများကိုခွဲခြားရန်အကြံပြုထားသောကိရိယာ၏တစ်စိတ်တစ်ပိုင်းအနေနှင့်၎င်းသည်တိကျမှန်ကန်သောဖော်ထုတ်နိုင်စွမ်းရှိသင့်သည်။
ဆုံးဖြတ်ချက်ချလေ့ကျင့်ရန်အသုံးပြုသောကျောင်းသား 50 ၏မူလ Dataset သည်မှတ်စုများတွင်လူ့အမှားများကြောင့်တိကျမှန်ကန်မှုကိုပြသသည် (ဇယား 3) ။ ရိုးရိုးရှင်းရှင်းအုပ်ချုပ်မှုအခြေပြုအစီအစဉ်ကိုအလိုအလျှောက် LS ရမှတ်များကိုအလိုအလျောက်တွက်ချက်ရန်နှင့်ကျောင်းသားမှတ်စုများကိုအလိုအလျောက်တွက်ချက်ရန်အတွက် Datasets (255) အရေအတွက်ကိုတိုးမြှင့်ပေးရန်နှင့်စမ်းသပ်ရန်နှင့်စမ်းသပ်ရန်အသုံးပြုခဲ့သည်။
multiclass ရှုပ်ထွေးမှု Matrix တွင်ထောင့်ဖြတ်ဒြပ်စင်များသည် LS အမျိုးအစားတစ်ခုစီအတွက်မှန်ကန်သောဟောကိန်းများကိုကိုယ်စားပြုသည် (ပုံ 4) ။ ဆုံးဖြတ်ချက် Treet Tree Model ကို အသုံးပြု. စုစုပေါင်းနမူနာ 64 ခုကိုမှန်ကန်စွာကြိုတင်ခန့်မှန်းထားသည်။ ထို့ကြောင့်ဤလေ့လာမှုတွင်ထောင့်ဖြတ်ဒြပ်စင်များသည်မျှော်လင့်ထားသည့်ရလဒ်များကိုပြသသည်။ ထို့ကြောင့်ထောက်ခံစာကိရိယာ၏ခြုံငုံတိကျမှန်ကန်မှုသည် 100% ဖြစ်သည်။
တိကျမှန်ကန်မှု, တိကျမှု, ပြန်လည်သိမ်းဆည်းခြင်းနှင့် F1 ရမှတ်တို့၏တန်ဖိုးများကိုပုံ 5 တွင်ပြထားသည်။ ဆုံးဖြတ်ချက် Tree Model ကိုအသုံးပြုသောထောက်ခံချက်စနစ်သည် 1.0 "ပြီးပြည့်စုံသောအပြည့်အ 0" ပြီးပြည့်စုံသော "ဖြစ်သည်။ တန်ဖိုးများ။
ပုံ 6 သည်လေ့ကျင့်သင်ကြားပြီးနောက်ဆုံးဖြတ်ချက်ချပြီးစစ်ဆေးမှုများပြီးဆုံးပြီးပြီးစီးခဲ့သည်။ ဘေးချင်းယှဉ်နှိုင်းယှဉ်ကြည့်လျှင်အင်္ဂါရပ်များနည်းပါးသောဆုံးဖြတ်ချက်ချသည့်သစ်ပင်ပုံစံသည်တိကျမှန်ကန်မှုနှင့်ပိုမိုလွယ်ကူသည့်ပုံစံအမျိုးမျိုးရှိသည်။ ဤအချက်ကအင်္ဂါရပ်များကိုလျှော့ချရန် ဦး ဆောင်သည့်အင်ဂျင်နီယာအင်္ဂါရပ်သည်မော်ဒယ်စွမ်းဆောင်ရည်တိုးတက်စေရန်အတွက်အရေးကြီးသောခြေလှမ်းတစ်ခုဖြစ်သည်။
ဆုံးဖြတ်ချက်ချခြင်းအားဖြင့်ဆုံးဖြတ်ချက်ချခြင်းအားဖြင့် LS (input) နှင့်မြေပုံများသည်အလိုအလျောက်ထုတ်ပေးပြီး LS တစ်ခုစီအတွက်အသေးစိတ်အချက်အလက်များပါ 0 င်သည်။
ရလဒ်များအရကျောင်းသား 255 ဦး အနက် 34.9% သည် (1) LS option ကိုပိုမိုနှစ်သက်ကြောင်းပြသခဲ့သည်။ အများစု (54.3%) တွင် LS ဦး စားပေးနှစ်ခုရှိသည်။ ကျောင်းသား 12.2% သည် LS သည်အတော်လေးမျှမျှတတရှိသည်ဟုမှတ်ချက်ပြုခဲ့သည် (ဇယား 4) ။ အဓိက LS ရှစ်ခုအပြင်မလေးရှားသွားဆရာဝန်တက္ကသိုလ်မှ LS အမျိုးအစား 34 ခုရှိသည်။ ၎င်းတို့အနက်အမြင်, အမြင်နှင့်အမြင်နှင့်အမြင်နှင့်အမြင်ပေါင်းစပ်မှုတို့သည်ကျောင်းသားများကဖော်ပြသောအဓိက LS များဖြစ်သည် (ပုံ 7) ။
ဇယား 4 မှမြင်တွေ့ရနိုင်သည့်အတိုင်းကျောင်းသားအများစုသည်အဓိကအာရုံခံ (13.7%) သို့မဟုတ်အမြင်အာရုံ (8.6%) LS ရှိကြသည်။ ကျောင်းသား 12.2% သည်အမြင်အာရုံ (သိမှုဆိုင်ရာအာရုံစူးစိုက်မှု LS) နှင့် ပတ်သက်. အမြင်များကိုပေါင်းစပ်ထားကြောင်းအစီရင်ခံခဲ့သည်။ ဤတွေ့ရှိချက်များအရကျောင်းသားများသည်သတ်မှတ်ထားသောနည်းစနစ်များမှတဆင့်အသေးစိတ်နှင့်အသေးစိတ်လုပ်ထုံးလုပ်နည်းများကိုလိုက်နာရန်, တစ်ချိန်တည်းမှာပင်သူတို့သည် (ပုံကြမ်းများစသဖြင့်) ရှာဖွေခြင်းဖြင့်သင်ယူခြင်းကိုနှစ်သက်ပြီးသတင်းအချက်အလက်များကိုအုပ်စုများသို့မဟုတ်သူတို့ဘာသာတွင်ဆွေးနွေးခြင်းနှင့်လျှောက်ထားခြင်းကိုနှစ်သက်ကြသည်။
ဤလေ့လာမှုသည်ဒေတာတူးဖော်ခြင်းများတွင်အသုံးပြုသောအချက်အလက်လေ့လာမှုနည်းစနစ်များကိုခြုံငုံသုံးသပ်ထားပြီးကျောင်းသားများ၏ LS ကိုအထူးကြိုတင်ခန့်မှန်းခြင်းနှင့်သင့်လျော်စွာကြိုတင်ဟောကြားခြင်းနှင့်သင့်လျော်သောအကြံပြုသည်။ ဆုံးဖြတ်ချက်ချသည့်ပုံစံ၏လျှောက်လွှာကိုအသုံးပြုခြင်းသည်သူတို့၏ဘဝနှင့်ပညာရေးအတွေ့အကြုံများနှင့်နီးကပ်စွာဆက်စပ်သောအချက်များကိုဖော်ထုတ်ခဲ့သည်။ ၎င်းသည်အချို့သောစံနှုန်းများအပေါ် အခြေခံ. ဒေတာများကိုခွဲခြားခြင်းဖြင့်ဒေတာများကိုခွဲခြားခြင်းဖြင့်အချက်အလက်များကိုခွဲခြားရန်သစ်ပင်ဖွဲ့စည်းပုံကိုအသုံးပြုသောကြီးကြပ်ထားသောစက်ပစ္စည်းပုံစံကိုလေ့လာသင်ယူသောကြီးကြပ်ရေးစက်ဖြစ်သည်။ Leaf Node တစ်ခုတွင်ဆုံးဖြတ်ချက်မချမှတ်မှီတိုင်အောင်အတွင်းပိုင်း Node တစ်ခု၏ထည့်သွင်းမှု၏အရည်အသွေးတစ်ခု၏တန်ဖိုးတစ်ခု၏တန်ဖိုးကို အခြေခံ. Input Data ထဲသို့သွင်းအားဖြည့်ခြင်းအားဖြင့်၎င်းသည်အလုပ်လုပ်သည်။
ဆုံးဖြတ်ချက်၏အတွင်းပိုင်း node များသည် M-Ils ပြ problem နာ၏ 0 င်များ၏ 0 ၏ပြ problem နာအပေါ် အခြေခံ. ဖြေရှင်းနည်းကိုကိုယ်စားပြုပြီးအရွက် node များသည်နောက်ဆုံး LS အမျိုးအစားခွဲခြားသတ်မှတ်ခြင်းကိုကိုယ်စားပြုသည်။ လေ့လာမှုတစ်ခုအနေဖြင့်ဆုံးဖြတ်ချက်အဆင့်ဆင့်ကိုနားလည်ရန်လွယ်ကူသည်,
ကွန်ပျူတာသိပ္ပံနှင့်အင်ဂျင်နီယာများ၏နယ်ပယ်များတွင် Machine သင်ယူခြင်း algorithms ကိုသူတို့၏ဝင်ပေါက်စာမေးပွဲရမှတ်ပေါ် မူတည်. ကျောင်းသား၏စွမ်းဆောင်ရည်ကိုခန့်မှန်းရန်ကျယ်ပြန့်စွာအသုံးပြုသည်။ သုတေသနပြုချက်အရ Algorithm သည်ကျောင်းသား၏စွမ်းဆောင်ရည်ကိုတိကျစွာကြိုတင်ဟောကိန်းထုတ်ခဲ့ပြီးကျောင်းသားများကိုပညာရေးအခက်အခဲများအတွက်အန္တရာယ်ရှိသည့်ကျောင်းသားများကိုခွဲခြားသိမြင်စေကြောင်းပြသခဲ့သည်။
သွားဘက်ဆိုင်ရာသင်တန်းအတွက် virtual လူနာ simulator ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ML algorithms ၏လျှောက်လွှာကိုအစီရင်ခံတင်ပြသည်။ Simulator သည်တိကျသောလူနာများ၏ဇီဝကမ္မဆိုင်ရာတုံ့ပြန်မှုများကိုတိကျစွာပြန်လည်ထုတ်လွှင့်နိုင်ပြီးသွားဘက်ဆိုင်ရာကျောင်းသားများကိုလုံခြုံစိတ်ချရသောပတ်ဝန်းကျင်တွင်လေ့ကျင့်ရန်အသုံးပြုနိုင်သည်။ အခြားလေ့လာမှုများအရ algorithms ကိုလေ့လာခြင်းသည်သွားနှင့်ဆေးပညာပညာပေးခြင်းနှင့်လူနာစောင့်ရှောက်မှု၏အရည်အသွေးနှင့်ထိရောက်မှုကိုတိုးတက်စေနိုင်သည်ဟုအခြားလေ့လာမှုများစွာကဖော်ပြသည်။ ရောဂါလက္ခဏာများနှင့်စိတ်ရှည်သည်းခံမှုကဲ့သို့သောအချက်အလက်များအပေါ် အခြေခံ. သွားဘက်ဆိုင်ရာရောဂါများကို အခြေခံ. စက်ကိုသင်ယူခြင်းကိုလေ့လာရန်အသုံးပြုသည်။ အခြားလေ့လာမှုများသည် algorithms ကိုလေ့လာခြင်းကိုလေ့လာရန်လူနာ၏ရလဒ်များကိုကြိုတင်ခန့်မှန်းခြင်း, စွန့်စားမှုဆိုင်ရာလူနာများအားဖော်ထုတ်ခြင်း,
သွားဘက်ဆိုင်ရာပညာရပ်တွင်စက်လေ့လာမှုလျှောက်လွှာတင်ခြင်းဆိုင်ရာအစီရင်ခံစာများကိုပုံနှိပ်ထုတ်ဝေခဲ့သည်မှာသွားဘက်ဆိုင်ရာပညာရေးအတွက်၎င်း၏လျှောက်လွှာသည်အကန့်အသတ်ရှိသည်။ ထို့ကြောင့်ဤလေ့လာမှုသည်ဆုံးဖြတ်ချက်ပင်မော်ဒယ်ကိုအသုံးပြုရန် ရည်ရွယ်. LS နှင့်နီးကပ်စွာဆက်စပ်သောအချက်များကိုဖော်ထုတ်ရန်နှင့်သွားဆရာဝန်များအကြားဖြစ်သည်။
ဤလေ့လာမှု၏ရလဒ်များအရဖွံ့ဖြိုးပြီးထောက်ခံချက်ကိရိယာတွင်တိကျမှန်ကန်မှုနှင့်ပြီးပြည့်စုံသောတိကျမှန်ကန်မှုရှိကြောင်းဆရာများသည်ဤကိရိယာမှဆရာများအကျိုးရနိုင်သည်ကိုညွှန်ပြသည်။ ဒေတာမောင်းနှင်မှုဆိုင်ရာခွဲခြားမှုလုပ်ငန်းစဉ်ကိုအသုံးပြုခြင်းနှင့်ပညာရေးဆိုင်ရာအတွေ့အကြုံများနှင့်ပညာရေးအတွေ့အကြုံများနှင့်ပညာရေးဆိုင်ရာအတွေ့အကြုံများနှင့်ပညာရေးဆိုင်ရာအတွေ့အကြုံများနှင့်ရလဒ်များကိုတိုးတက်စေနိုင်သည်။ ၎င်းတို့အနက်ထောက်ခံချက်ကိရိယာများမှတစ်ဆင့်ရရှိသောအချက်အလက်များသည်ဆရာများ၏သင်ကြားမှုနည်းစနစ်များနှင့်ကျောင်းသားများ၏လေ့လာမှုလိုအပ်ချက်များအကြားပ conflicts ိပက်ခများကိုဖြေရှင်းနိုင်သည်။ ဥပမာအားဖြင့်, အလိုအလျောက်အကြံပြုချက်ကိရိယာများကိုအလိုအလျောက်ထုတ်ယူခြင်းကြောင့်ကျောင်းသား၏ IP ကိုဖော်ထုတ်ရန်လိုအပ်သည့်အချိန်နှင့်သက်ဆိုင်ရာ IP နှင့်ကိုက်ညီမည့်အချိန်သည်သိသိသာသာလျော့နည်းသွားလိမ့်မည်။ ဤနည်းအားဖြင့်သင့်တော်သောလေ့ကျင့်မှုလှုပ်ရှားမှုများနှင့်လေ့ကျင့်ရေးပစ္စည်းများဖွဲ့စည်းနိုင်သည်။ ၎င်းသည်ကျောင်းသားများ၏အပြုသဘောဆောင်သောလေ့လာမှုအပြုအမူနှင့်အာရုံစူးစိုက်နိုင်စွမ်းကိုတိုးတက်စေသည်။ လေ့လာမှုတစ်ခုအရကျောင်းသားများသည်သူတို့၏နှစ်သက်သော LS နှင့်လိုက်ဖက်သောသင်ယူမှုပစ္စည်းများနှင့်သင်ယူခြင်းလှုပ်ရှားမှုများနှင့်အတူကျောင်းသားများကိုကူညီခြင်းများကိုပိုမိုကောင်းမွန်သောအလားအလာများရရှိရန်အတွက်သင်ယူခြင်းနှင့်သင်ယူခြင်းကိုနှစ်သက်သည်။ သုတေသနပြုချက်အရကျောင်းသားများ၏လေ့လာရေးလုပ်ငန်းစဉ်ကိုလေ့လာခြင်းတွင်ကျောင်းသားများ၏လေ့လာရေးလုပ်ငန်းစဉ်ကိုလေ့လာခြင်းတွင်ကျောင်းသားများ၏သင်ယူမှုဖြစ်စဉ်ကိုလေ့လာခြင်းတွင်လေ့လာခြင်းသည်ကျောင်းသားများ၏လေ့လာရေးလုပ်ငန်းစဉ်ကိုလေ့လာခြင်းတွင်ပါ 0 င်သည်။
သို့သော်ခေတ်သစ်နည်းပညာများကဲ့သို့ပြ problems နာများနှင့်ကန့်သတ်ချက်များရှိသည်။ ၎င်းတို့တွင်ဒေတာသီးသန့်တည်ရှိမှု, ဘက်လိုက်မှုနှင့်မျှတမှုနှင့်ပတ်သက်သောပြ issues နာများပါဝင်သည်။ သို့သော်ဤဒေသတွင်စိတ်ဝင်စားမှုနှင့်သုတေသနလုပ်ငန်းများကြီးထွားလာခြင်းကစက်သင်ယူခြင်းနည်းပညာများသည်သွားဘက်ဆိုင်ရာပညာရေးနှင့်သွား 0 န်ဆောင်မှုများအပေါ်အပြုသဘောသက်ရောက်မှုရှိနိုင်သည်ဟုဆိုသည်။
ဤလေ့လာမှု၏ရလဒ်များအရသွားဆရာဝန်၏ထက်ဝက်သည်မူးယစ်ဆေးဝါးများကို "ရိပ်မိ" စိတ်သဘောထားရှိသည်ဟုဖော်ပြသည်။ ဤသင်ယူသူအမျိုးအစားသည်အချက်အလက်များနှင့်တိကျသောဥပမာများ, စာများ, ဂရပ်ဖစ်များ, အရောင်များနှင့်မြေပုံများကိုအသုံးပြုလိုသည့်နေရာများ, လက်ရှိရလဒ်များသည် ILS ကို အသုံးပြု. ILS ကို အသုံးပြု. အခြားလေ့လာမှုများနှင့်ကိုက်ညီမှုရှိသည့်အခြားလေ့လာမှုများနှင့်ကိုက်ညီသည်။ Dalmolin et al ကကျောင်းသားများကိုသူတို့၏ LS နှင့်ပတ်သက်သောကျောင်းသားများကိုအသိပေးခြင်းသည်၎င်းတို့၏သင်ယူမှုအလားအလာကိုရောက်ရှိရန်ခွင့်ပြုသည်ဟုဆိုသည်။ သုတေသီများကဆရာများသည်ကျောင်းသားများ၏ပညာရေးဆိုင်ရာလုပ်ငန်းစဉ်ကိုအပြည့်အဝနားလည်လာသောအခါကျောင်းသားများ၏စွမ်းဆောင်ရည်နှင့်သင်ယူမှုအတွေ့အကြုံကိုတိုးတက်စေမည့်သင်ကြားမှုနည်းလမ်းများနှင့်လုပ်ဆောင်မှုများကိုအကောင်အထည်ဖော်နိုင်သည်ဟုဆိုသည်။ အခြားလေ့လာမှုများအရကျောင်းသားများ၏ LS ၏ LS ၏ LS သည်ကျောင်းသားများ၏ LS နှင့်အံဝင်ခွင်ကျဖြစ်ရန်သူတို့၏သင်ယူမှုပုံစံများကိုပြောင်းလဲပြီးနောက်ကျောင်းသားများ၏လေ့လာမှုအတွေ့အကြုံနှင့်စွမ်းဆောင်ရည်ကိုပြသသည်။
ကျောင်းသားများ၏သင်ယူမှုစွမ်းရည်အပေါ် အခြေခံ. သင်ကြားရေးမဟာဗျူဟာများကိုအကောင်အထည်ဖော်ခြင်းနှင့် ပတ်သက်. ဆရာများထင်မြင်ယူဆချက်များကွဲပြားနိုင်သည်။ အချို့သူများသည်ပရော်ဖက်ရှင်နယ်ဖွံ့ဖြိုးတိုးတက်မှုအခွင့်အလမ်းများ, Balance အတွက်ကြိုးစားခြင်းသည်ကျောင်းသားဗဟိုပြုသဘောထားကိုဖန်တီးရန်သော့ချက်ဖြစ်သည်။ တက္ကသိုလ်အုပ်ချုပ်ရေးမှူးများစသည့်အဆင့်မြင့်ပညာရေးအာဏာပိုင်များသည်ဆန်းသစ်သောအလေ့အကျင့်များကိုမိတ်ဆက်ပေးခြင်းနှင့်ဒြေဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာအထောက်အကူပြုခြင်းဖြင့်အပြုသဘောဆောင်သောပြောင်းလဲမှုကိုမောင်းနှင်ခြင်းတွင်အရေးပါသောအခန်းကဏ် play မှပါဝင်နိုင်သည်။ အမှန်တကယ်ပြောင်းလဲခြင်းနှင့်တုန့်ပြန်အဆင့်မြင့်ပညာရေးစနစ်ကိုဖန်တီးရန်မူဝါဒချမှတ်သူများသည်မူဝါဒအပြောင်းအလဲများပြုလုပ်ရန်, ဤအစီအမံများသည်လိုချင်သောရလဒ်များကိုရရှိရန်အတွက်အရေးပါသည်။ ကွဲပြားခြားနားသောညွှန်ကြားချက်များနှင့် ပတ်သက်. လတ်တလောသုတေသနပြုချက်အရကွဲပြားခြားနားသောညွှန်ကြားချက်ကိုအောင်မြင်စွာအကောင်အထည်ဖော်ခြင်းသည်ဆရာများအတွက်ဆက်လက်လေ့ကျင့်သင်ကြားရန်နှင့်ဖွံ့ဖြိုးရေးအခွင့်အလမ်းများလိုအပ်သည်ကိုရှင်းလင်းစွာပြသထားသည်။
ဤကိရိယာသည်ကျောင်းသားနှင့်သက်ဆိုင်သောသင်ယူမှုဆိုင်ရာလုပ်ဆောင်မှုများကိုစီစဉ်ရန်ကျောင်းသားဗဟိုပြုချဉ်းကပ်မှုကိုပြုလုပ်လိုသောသွားဆရာဝန်များကိုအဖိုးတန်ထောက်လှမ်းရေးကိုပေးသည်။ သို့သော်ဤလေ့လာမှုသည်ဆုံးဖြတ်ချက်ပင် ML မော်ဒယ်များအသုံးပြုခြင်းကိုကန့်သတ်ထားသည်။ အနာဂတ်တွင်, မတူညီသောစက်သင်ယူမှုပုံစံများ၏စွမ်းဆောင်ရည်ကိုနှိုင်းယှဉ်ရန်အတွက်အချက်အလက်များပိုမိုများပြားလာရန်အချက်အလက်များထပ်မံစုဆောင်းသင့်သည်။ ထို့အပြင်လုပ်ငန်းတစ်ခုအတွက်အသင့်တော်ဆုံးစက်သင်ယူမှုနည်းလမ်းကိုရွေးချယ်ရာတွင် Model ရှုပ်ထွေးမှုနှင့်အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကဲ့သို့သောအခြားအချက်များကိုထည့်သွင်းစဉ်းစားရန်အရေးကြီးသည်။
ဤလေ့လာမှုကိုကန့်သတ်ချက်တစ်ခုမှာ၎င်းသည် LS ကိုမြေပုံဆွဲခြင်းအပေါ်သာအာရုံစိုက်ပြီးသွားဆရာဝန်များဖြစ်သည်။ ထို့ကြောင့်ဖွံ့ဖြိုးပြီးထောက်ခံချက်စနစ်သည်သွားဆရာဝန်များအတွက်သင့်လျော်သောသူတို့ကိုသာအကြံပြုလိမ့်မည်။ အထွေထွေအဆင့်မြင့်ပညာရေးကျောင်းသားအသုံးပြုမှုအတွက်အပြောင်းအလဲများလိုအပ်သည်။
အသစ်တီထွင်ထားသောစက်သင်ယူမှုအခြေခံအကြံပြုချက်ကိရိယာသည်ကျောင်းသားများ၏ LS ၏ LS ၏ LS ၏ LS ကိုစာသင်ယူပြီးလိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်နိုင်သည်။ ဒေတာမောင်းနှင်သည့် triesation လုပ်ငန်းစဉ်ကို အသုံးပြု. ၎င်းသည်ကိုယ်ပိုင်အကြံပြုချက်များကိုပေးနိုင်သည်, အချိန်ကိုသက်သာစေရန်, သင်ကြားရေးမဟာဗျူဟာများကိုတိုးတက်အောင်ပြုလုပ်ခြင်း, ၎င်း၏လျှောက်လွှာသည်သွားရာပညာရေးအတွက်ကျောင်းသား၏ဗဟိုပြုချဉ်းကပ်မှုများကိုမြှင့်တင်ပေးလိမ့်မည်။
Gilak Jani Associated Press ။ ကျောင်းသား၏သင်ကြားမှုပုံစံနှင့်ဆရာ၏သင်ကြားမှုစတိုင်အကြားကိုက်ညီမှုသို့မဟုတ်မတိုက်ဆိုင်မှု။ int j mod ကိုပညာသင်ကြားကွန်ပျူတာသိပ္ပံ။ 2012; 4 (11): 51-60 ။ https://doi.org/10.5815/ijmecs.2012.11.05
Post Time: Apr-29-2024