သွားဘက်ဆိုင်ရာအပါအဝင် အဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင် ကျောင်းသားဗဟိုပြုသင်ကြားရေး (SCL) အတွက် တိုးပွားလာရန် လိုအပ်လာသည်။သို့သော်၊ SCL တွင် သွားဘက်ဆိုင်ရာပညာပေးမှုတွင် ကန့်သတ်ချက်ရှိသည်။ထို့ကြောင့်၊ ဤလေ့လာမှုသည် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ နှစ်သက်ရာသင်ယူမှုပုံစံ (LS) နှင့် သက်ဆိုင်ရာ သင်ကြားရေးနည်းဗျူဟာများ (IS) ကို မြေပုံရေးဆွဲရန်အတွက် ဆုံးဖြတ်ချက်သစ်ပင်စက်သင်ယူခြင်း (ML) နည်းပညာကို အသုံးပြုခြင်းဖြင့် သွားဘက်ဆိုင်ရာတွင် SCL ၏အသုံးချမှုကို မြှင့်တင်ရန် ရည်ရွယ်ပါသည်။ .သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် အလားအလာရှိသော နည်းလမ်းများ။
Malaya တက္ကသိုလ်မှ သွားဘက်ဆိုင်ရာ ကျောင်းသား စုစုပေါင်း 255 ဦးသည် ၎င်းတို့၏ သက်ဆိုင်ရာ LSs များအဖြစ် အမျိုးအစားခွဲရန် အချက် 44 ခုပါရှိသော မွမ်းမံပြင်ဆင်ထားသော သင်ယူမှုပုံစံများ (m-ILS) မေးခွန်းလွှာကို ဖြေဆိုအောင်မြင်ခဲ့ပါသည်။စုဆောင်းထားသောဒေတာ (ဒေတာအတွဲဟုခေါ်သည်) ကို ကျောင်းသားများ၏ သင်ယူမှုပုံစံများကို အသင့်လျော်ဆုံး IS နှင့် အလိုအလျောက် ကိုက်ညီစေရန် ကြီးကြပ်ဆုံးဖြတ်ချက်သစ်ပင် သင်ယူမှုတွင် အသုံးပြုပါသည်။ထို့နောက် စက်သင်ယူမှုအခြေခံ IS အကြံပြုချက်တူးလ်၏ တိကျမှုကို အကဲဖြတ်သည်။
LS (input) နှင့် IS (ပစ်မှတ်အထွက်) အကြား အလိုအလျောက်မြေပုံဆွဲခြင်းလုပ်ငန်းစဉ်တွင် ဆုံးဖြတ်ချက်သစ်ပင်မော်ဒယ်များကို အသုံးချခြင်းသည် သွားဘက်ဆိုင်ရာကျောင်းသားတစ်ဦးစီအတွက် သင့်လျော်သောသင်ယူမှုဗျူဟာများစာရင်းကို ချက်ချင်းရရှိစေမည်ဖြစ်သည်။IS အကြံပြုချက်တူးလ်သည် ပြီးပြည့်စုံသောတိကျမှုကို သရုပ်ပြပြီး အလုံးစုံမော်ဒယ်တိကျမှုကို ပြန်လည်သိမ်းဆည်းကာ LS နှင့် IS နှင့် ကိုက်ညီသော အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုကောင်းရှိကြောင်း ညွှန်ပြသည်။
ML ဆုံးဖြတ်ချက်သစ်ကိုအခြေခံ၍ IS အကြံပြုချက်တူးလ်သည် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏သင်ယူမှုပုံစံများကို သင့်လျော်သောသင်ယူမှုနည်းဗျူဟာများနှင့် တိကျစွာကိုက်ညီကြောင်းသက်သေပြခဲ့သည်။ဤကိရိယာသည် ကျောင်းသားများ၏ သင်ယူမှုအတွေ့အကြုံကို မြှင့်တင်ပေးနိုင်သော သင်ယူသူဗဟိုပြုသင်တန်းများ သို့မဟုတ် သင်ခန်းစာများကို စီစဉ်ခြင်းအတွက် အစွမ်းထက်သောရွေးချယ်မှုများကို ပေးပါသည်။
သင်ကြားရေးနှင့် သင်ကြားရေးသည် ပညာရေးအဖွဲ့အစည်းများ၏ အခြေခံကျသော လုပ်ငန်းဆောင်တာများဖြစ်သည်။အရည်အသွေးမြင့် အသက်မွေးဝမ်းကျောင်းပညာရေးစနစ် ဖော်ဆောင်ရာတွင် ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်အပေါ် အာရုံစိုက်ရန် အရေးကြီးပါသည်။ကျောင်းသားများနှင့် ၎င်းတို့၏ သင်ယူမှုပတ်ဝန်းကျင်ကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ၎င်းတို့၏ LS မှတစ်ဆင့် ဆုံးဖြတ်နိုင်သည်။ကျောင်းသားများ၏ LS နှင့် IS အကြား ဆရာရည်ရွယ်ထားသော မကိုက်ညီမှုများသည် အာရုံစူးစိုက်မှုနှင့် စိတ်အားထက်သန်မှု ကျဆင်းခြင်းကဲ့သို့သော ကျောင်းသားသင်ယူမှုအတွက် အနုတ်လက္ခဏာဆောင်သော အကျိုးဆက်များ ရှိနိုင်သည်ဟု သုတေသနက အကြံပြုထားသည်။၎င်းသည် ကျောင်းသား၏စွမ်းဆောင်ရည် [1,2] ကို သွယ်ဝိုက်သက်ရောက်မှုရှိမည်ဖြစ်သည်။
IS သည် ကျောင်းသားများအား အသိပညာနှင့် အတတ်ပညာများ ဖြန့်ဝေရန် ဆရာများအသုံးပြုသည့် နည်းလမ်းတစ်ခုဖြစ်ပြီး ကျောင်းသားများကို သင်ယူရန် ကူညီပေးသည့် [3]။ယေဘူယျအားဖြင့် ပြောရလျှင် ဆရာကောင်းများသည် ၎င်းတို့၏ ကျောင်းသားများ၏ အသိပညာအဆင့်၊ သင်ယူနေသော သဘောတရားများနှင့် ၎င်းတို့၏ သင်ယူမှု အဆင့်နှင့် အကိုက်ညီဆုံးဖြစ်သည့် သင်ကြားရေး ဗျူဟာများ သို့မဟုတ် IS ကို စီစဉ်ပေးသည်။သီအိုရီအရ၊ LS နှင့် IS တို့သည် ကိုက်ညီသောအခါတွင် ကျောင်းသားများသည် တိကျသောကျွမ်းကျင်မှုအစုံကို ထိရောက်စွာသင်ယူနိုင်စေရန် စုစည်းအသုံးပြုနိုင်မည်ဖြစ်သည်။ပုံမှန်အားဖြင့်၊ သင်ခန်းစာအစီအစဥ်တစ်ခုတွင် သင်ကြားမှုမှ လမ်းညွှန်ချက်အလေ့အကျင့်သို့ သို့မဟုတ် လမ်းညွှန်ချက်အလေ့အကျင့်မှ လွတ်လပ်သောအလေ့အကျင့်အထိ ကဲ့သို့သော အဆင့်များအကြား အသွင်ကူးပြောင်းမှုများစွာ ပါဝင်ပါသည်။ဤအချက်ကို စိတ်ထဲစွဲမှတ်ထားပြီး၊ ထိရောက်သောဆရာများသည် ကျောင်းသားများ၏ အသိပညာနှင့် ကျွမ်းကျင်မှုတို့ကို တည်ဆောက်ရန် ရည်မှန်းချက်ဖြင့် သင်ကြားပို့ချလေ့ရှိသည် [4]။
သွားဘက်ဆိုင်ရာအပါအဝင် အဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင် SCL လိုအပ်ချက်သည် ကြီးထွားလာနေသည်။SCL ဗျူဟာများသည် ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်များနှင့် ကိုက်ညီစေရန် ဒီဇိုင်းထုတ်ထားပါသည်။ဥပမာအားဖြင့်၊ ကျောင်းသားများသည် သင်ကြားရေးလှုပ်ရှားမှုများတွင် တက်ကြွစွာပါဝင်ကြပြီး ဆရာ၊ ဆရာမများကလည်း စည်းရုံးရေးမှူးများအဖြစ် ဆောင်ရွက်ကာ တန်ဖိုးရှိသော တုံ့ပြန်ချက်များကို ပံ့ပိုးပေးရန် တာဝန်ရှိပါက၊ ၎င်းကို အောင်မြင်နိုင်သည်။ကျောင်းသားများ၏ ပညာရေးအဆင့် သို့မဟုတ် နှစ်သက်မှုများနှင့် သင့်လျော်သော သင်ကြားရေးပစ္စည်းများနှင့် လှုပ်ရှားမှုများကို ပံ့ပိုးပေးခြင်းသည် ကျောင်းသားများ၏ သင်ယူမှုပတ်ဝန်းကျင်ကို တိုးတက်စေပြီး အပြုသဘောဆောင်သော သင်ယူမှုအတွေ့အကြုံများကို မြှင့်တင်နိုင်သည်ဟု ဆိုသည်။
ယေဘုယျအားဖြင့် ပြောရလျှင် သွားဘက်ဆိုင်ရာ ကျောင်းသားများ၏ သင်ယူမှု လုပ်ငန်းစဉ်သည် ၎င်းတို့လုပ်ဆောင်ရန် လိုအပ်သော အမျိုးမျိုးသော ဆေးခန်းဆိုင်ရာ လုပ်ငန်းစဉ်များနှင့် ထိရောက်သော ပုဂ္ဂိုလ်ရေးဆိုင်ရာ ကျွမ်းကျင်မှုများ ဖွံ့ဖြိုးတိုးတက်စေသည့် ဆေးခန်းပတ်ဝန်းကျင်မှ လွှမ်းမိုးထားသည်။သင်တန်း၏ ရည်ရွယ်ချက်မှာ သွားနှင့်ခံတွင်းဆိုင်ရာ ကျွမ်းကျင်မှုများနှင့် သွားဘက်ဆိုင်ရာ ပညာရပ်ဆိုင်ရာ အခြေခံဗဟုသုတများကို ကျောင်းသားများအား ပေါင်းစပ်ကာ ရရှိထားသော အသိပညာများကို ဆေးခန်းဆိုင်ရာ အခြေအနေသစ်များတွင် အသုံးချနိုင်စေရန် ဖြစ်ပါသည်။LS နှင့် IS အကြား ဆက်စပ်မှုကို အစောပိုင်း သုတေသနပြုချက်များအရ ဦးစားပေး LS နှင့် ကိုက်ညီသော သင်ကြားရေးနည်းဗျူဟာများကို ချိန်ညှိခြင်းသည် ပညာရေးဆိုင်ရာ လုပ်ငန်းစဉ်ကို တိုးတက်စေရန် အထောက်အကူဖြစ်စေကြောင်း တွေ့ရှိခဲ့သည်။စာရေးဆရာများသည် ကျောင်းသားများ၏ သင်ယူမှုနှင့် လိုအပ်ချက်များကို လိုက်လျောညီထွေဖြစ်အောင် သင်ကြားမှုနှင့် အကဲဖြတ်မှု နည်းလမ်းမျိုးစုံကို အသုံးပြုရန်လည်း အကြံပြုထားသည်။
ကျောင်းသားများ၏ ဘာသာရပ်ဆိုင်ရာ အသိပညာနှင့် ပိုမိုနက်နဲသော နားလည်မှုရရှိမှုတို့ကို မြှင့်တင်ပေးမည့် သင်ကြားမှုပုံစံ၊ ဖွံ့ဖြိုးတိုးတက်ရန်နှင့် အကောင်အထည်ဖော်ရန် ကူညီပေးရန်အတွက် LS အသိပညာကို ဆရာများက အသုံးချခြင်းမှ အကျိုးကျေးဇူးရရှိမည်ဖြစ်သည်။သုတေသီများသည် Kolb Experiential Learning Model၊ Felder-Silverman Learning Style Model (FSLSM) နှင့် Fleming VAK/VARK Model [5၊ 9၊ 10] ကဲ့သို့သော LS အကဲဖြတ်ကိရိယာများစွာကို သုတေသီများ တီထွင်ခဲ့ကြသည်။စာပေအရ၊ ဤသင်ယူမှုပုံစံများသည် အသုံးအများဆုံးနှင့် အများဆုံးလေ့လာသင်ယူမှုပုံစံများဖြစ်သည်။လက်ရှိသုတေသနလုပ်ငန်းတွင်၊ FSLSM ကို သွားဘက်ဆိုင်ရာကျောင်းသားများကြားတွင် LS အကဲဖြတ်ရန် အသုံးပြုသည်။
FSLSM သည် အင်ဂျင်နီယာတွင် လိုက်လျောညီထွေရှိသော သင်ယူမှုကို အကဲဖြတ်ရန်အတွက် တွင်ကျယ်စွာ အသုံးပြုသော မော်ဒယ်တစ်ခုဖြစ်သည်။FSLSM မော်ဒယ်များ [5၊ 11၊ 12၊ 13] ကို အသုံးပြု၍ တွေ့ရှိနိုင်သော ကျန်းမာရေးသိပ္ပံ (ဆေး၊ သူနာပြု၊ ဆေးဆိုင်နှင့် သွားဘက်ဆိုင်ရာ) တွင် ထုတ်ဝေထားသော အလုပ်များစွာရှိသည်။FLSM ရှိ LS ၏အတိုင်းအတာများကိုတိုင်းတာရန်အသုံးပြုသည့်ကိရိယာကို Index of Learning Styles (ILS) [8] ဟုခေါ်သည်၊ ၎င်းတွင် LS ၏အတိုင်းအတာလေးခုကိုအကဲဖြတ်သည့်အချက် 44 ခုပါရှိသည်- လုပ်ဆောင်ခြင်း (တက်ကြွ/ရောင်ပြန်ဟပ်မှု)၊ ခံယူချက် (perceptual/intuitive)၊ ထည့်သွင်းမှု (အမြင်အာရုံ)။/verbal) နှင့် နားလည်မှု (sequential/global) [14]။
ပုံ 1 တွင်ပြထားသည့်အတိုင်း FSLSM အတိုင်းအတာတစ်ခုစီတွင် ဦးစားပေးရွေးချယ်မှုများရှိသည်။ဥပမာအားဖြင့်၊ လုပ်ဆောင်နေသည့်အတိုင်းအတာတွင်၊ “တက်ကြွသော” LS ရှိသောကျောင်းသားများသည် သင်ကြားရေးပစ္စည်းများနှင့် တိုက်ရိုက်အပြန်အလှန်ဆက်ဆံခြင်း၊ လုပ်ဆောင်ခြင်းဖြင့် သင်ယူကြပြီး အုပ်စုလိုက်လေ့လာခြင်းဖြင့် အချက်အလက်များကို စီမံဆောင်ရွက်လိုကြသည်။“ရောင်ပြန်ဟပ်ခြင်း” LS သည် တွေးခေါ်မှုဖြင့် သင်ယူခြင်းကို ရည်ညွှန်းပြီး တစ်ယောက်တည်း လုပ်ဆောင်ခြင်းကို နှစ်သက်သည်။LS ၏ "သိမြင်ခြင်း" အတိုင်းအတာကို "ခံစားမှု" နှင့်/သို့မဟုတ် "ပင်ကိုယ်" ဟူ၍ ပိုင်းခြားနိုင်သည်။"ခံစားချက်" ကျောင်းသားများသည် ပိုမိုခိုင်မာသောအချက်အလက်နှင့် လက်တွေ့လုပ်ထုံးလုပ်နည်းများကို ပိုမိုနှစ်သက်ကြပြီး စိတ္တဇရုပ်ဝတ္ထုများကို ပိုမိုနှစ်သက်ကြပြီး သဘာဝတွင် ပိုမိုဆန်းသစ်တီထွင်ဖန်တီးမှုရှိသော "ပင်ကိုယ်သဘောရှိသော" ကျောင်းသားများနှင့် နှိုင်းယှဉ်ပါက အချက်အလက်ကို ဦးတည်ပါသည်။LS ၏ "ထည့်သွင်းခြင်း" အတိုင်းအတာတွင် "အမြင်" နှင့် "နှုတ်" သင်ယူသူများ ပါဝင်သည်။“အမြင်အာရုံ” LS ရှိသူများသည် ရုပ်ပုံဆိုင်ရာ သရုပ်ပြမှုများ (ဥပမာ ပုံကြမ်းများ၊ ဗီဒီယိုများ သို့မဟုတ် တိုက်ရိုက်သရုပ်ပြမှုများ) မှ သင်ယူလိုသော်လည်း “နှုတ်” LS ရှိသူများသည် စာဖြင့် သို့မဟုတ် ပါးစပ်ဖြင့် ရှင်းလင်းချက်တွင် စကားလုံးများဖြင့် သင်ယူလိုကြသည်။LS အတိုင်းအတာများကို “နားလည်” ရန်၊ ထိုကဲ့သို့သော သင်ယူသူများကို “ဆင့်ကဲ” နှင့် “ကမ္ဘာလုံးဆိုင်ရာ” ဟူ၍ ခွဲခြားနိုင်သည်။“တစ်ဆက်တည်းလေ့လာသူများသည် မျဉ်းဖြောင့်သော တွေးခေါ်မှုလုပ်ငန်းစဉ်ကို နှစ်သက်ကြပြီး အဆင့်ဆင့် သင်ယူကြသော်လည်း ကမ္ဘာလုံးဆိုင်ရာ သင်ယူသူများသည် လုံးလုံးလျားလျား တွေးခေါ်မှုဆိုင်ရာ လုပ်ငန်းစဉ်များရှိပြီး ၎င်းတို့သင်ယူနေသည့်အရာကို အမြဲပို၍နားလည်ကြသည်။
မကြာသေးမီက၊ များစွာသော သုတေသီများသည် ဒေတာအများအပြားကို အဓိပ္ပာယ်ပြန်ဆိုနိုင်သည့် အယ်ဂိုရီသမ်အသစ်များနှင့် မော်ဒယ်များ ဖွံ့ဖြိုးတိုးတက်မှုအပါအဝင် အလိုအလျောက်ဒေတာမောင်းနှင်ရှာဖွေတွေ့ရှိမှုအတွက် နည်းလမ်းများကို စတင်စူးစမ်းလေ့လာခဲ့ကြသည်။ပေးထားသည့်ဒေတာအပေါ်အခြေခံ၍ ကြီးကြပ်ထားသော ML (စက်သင်ကြားမှု) သည် အယ်လဂိုရီသမ်များတည်ဆောက်မှုအပေါ်အခြေခံ၍ အနာဂတ်ရလဒ်များကို ခန့်မှန်းသည့်ပုံစံများနှင့် တွေးခေါ်မှုများကို ဖန်တီးနိုင်မည်ဖြစ်သည်။ရိုးရိုးရှင်းရှင်းပြောရလျှင်၊ ကြီးကြပ်ထားသော စက်သင်ယူမှုနည်းပညာများသည် ဒေတာထည့်သွင်းမှုကို စီမံခန့်ခွဲပြီး အယ်လဂိုရီသမ်များကို လေ့ကျင့်ပေးသည်။ထို့နောက် ၎င်းသည် ပံ့ပိုးပေးထားသည့် ထည့်သွင်းဒေတာအတွက် အလားတူအခြေအနေများပေါ်အခြေခံ၍ ရလဒ်ကို အမျိုးအစားခွဲခြင်း သို့မဟုတ် ကြိုတင်ခန့်မှန်းနိုင်သော အပိုင်းအခြားတစ်ခုကို ထုတ်ပေးသည်။ကြီးကြပ်ထားသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များ၏ အဓိကအားသာချက်မှာ စံပြနှင့် လိုချင်သောရလဒ်များ [17] ကို ချမှတ်နိုင်ခြင်းဖြစ်သည်။
ဒေတာမောင်းနှင်သည့်နည်းလမ်းများနှင့် ဆုံးဖြတ်ချက်သစ်ပင်ထိန်းချုပ်မှုပုံစံများကို အသုံးပြုခြင်းဖြင့် LS ကို အလိုအလျောက်သိရှိနိုင်မည်ဖြစ်သည်။ဆုံးဖြတ်ချက်သစ်ပင်များကို ကျန်းမာရေးသိပ္ပံအပါအဝင် နယ်ပယ်အသီးသီးတွင် လေ့ကျင့်ရေးပရိုဂရမ်များတွင် တွင်ကျယ်စွာအသုံးပြုကြောင်း အစီရင်ခံထားသည်။ဤလေ့လာမှုတွင်၊ ကျောင်းသားများ၏ LS ကိုခွဲခြားသတ်မှတ်ရန်နှင့် ၎င်းတို့အတွက် အကောင်းဆုံး IS ကို အကြံပြုရန် စနစ် developer များမှ စံပြလေ့ကျင့်ပေးထားပါသည်။
ဤလေ့လာမှု၏ရည်ရွယ်ချက်မှာ ကျောင်းသားများ၏ LS ကိုအခြေခံ၍ IS ပေးပို့ခြင်းမဟာဗျူဟာများကို ဖော်ဆောင်ရန်နှင့် LS နှင့် ပုံဖော်ထားသည့် IS အကြံပြုချက်ကိရိယာကို ဖန်တီးခြင်းဖြင့် SCL ချဉ်းကပ်မှုကို ကျင့်သုံးရန်ဖြစ်သည်။SCL နည်းလမ်း၏ နည်းဗျူဟာတစ်ခုအနေဖြင့် IS အကြံပြုချက်တူးလ်၏ ဒီဇိုင်းစီးဆင်းမှုကို ပုံ 1 တွင် ပြထားသည်။ IS အကြံပြုချက်တူးလ်ကို ILS အသုံးပြုသည့် LS အမျိုးအစားခွဲခြင်းယန္တရားနှင့် ကျောင်းသားများအတွက် အသင့်တော်ဆုံး IS ပြသမှု အပါအဝင် အပိုင်းနှစ်ပိုင်းခွဲထားသည်။
အထူးသဖြင့်၊ သတင်းအချက်အလက် လုံခြုံရေး အကြံပြုချက် ကိရိယာများ၏ ဝိသေသလက္ခဏာများသည် ဝဘ်နည်းပညာများကို အသုံးပြုခြင်းနှင့် ဆုံးဖြတ်ချက်သစ်ပင် စက်သင်ယူမှုတို့ကို အသုံးပြုခြင်းတို့ ပါဝင်သည်။မိုဘိုင်းလ်ဖုန်းနှင့် တက်ဘလက်များကဲ့သို့ မိုဘိုင်းလ်စက်ပစ္စည်းများနှင့် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်ခြင်းဖြင့် စနစ် developer များသည် သုံးစွဲသူအတွေ့အကြုံနှင့် ရွေ့လျားနိုင်မှုကို မြှင့်တင်ပေးပါသည်။
စမ်းသပ်မှုကို အဆင့်နှစ်ဆင့်ဖြင့် ဆောင်ရွက်ခဲ့ပြီး မလေးရှားတက္ကသိုလ်မှ သွားဘက်ဆိုင်ရာဌာနမှ ကျောင်းသားများသည် ဆန္ဒအလျောက် ပါဝင်ခဲ့ကြသည်။ပါဝင်သူများသည် သွားဘက်ဆိုင်ရာ ကျောင်းသားတစ်ဦး၏ အွန်လိုင်း m-ILS ကို အင်္ဂလိပ်လို တုံ့ပြန်ခဲ့သည်။ကနဦးအဆင့်တွင်၊ ဆုံးဖြတ်ချက်သစ်ပင်စက်သင်ယူမှု အယ်လဂိုရီသမ်ကို လေ့ကျင့်ရန် ကျောင်းသား 50 ဦး၏ ဒေတာအတွဲကို အသုံးပြုခဲ့သည်။ဖွံ့ဖြိုးတိုးတက်ရေး လုပ်ငန်းစဉ်၏ ဒုတိယအဆင့်တွင်၊ တီထွင်ထားသော တူရိယာ၏ တိကျမှုကို မြှင့်တင်ရန်အတွက် ကျောင်းသား 255 ဦး၏ ဒေတာအတွဲကို အသုံးပြုခဲ့သည်။
တက်ရောက်သူအားလုံးသည် Microsoft Teams မှတစ်ဆင့် စာသင်နှစ်အပေါ်မူတည်၍ အဆင့်တစ်ခုစီ၏အစတွင် အွန်လိုင်းအကျဉ်းချုပ်ကို လက်ခံရရှိမည်ဖြစ်သည်။လေ့လာမှု၏ ရည်ရွယ်ချက်ကို ရှင်းလင်းတင်ပြပြီး သဘောတူညီမှု ရရှိခဲ့ပါသည်။ပါဝင်သူအားလုံးကို m-ILS သို့ဝင်ရောက်ရန် လင့်ခ်တစ်ခုပေးထားသည်။ကျောင်းသားတစ်ဦးစီအား မေးခွန်းပုံစံတွင် အချက် ၄၄ လုံးကို ဖြေဆိုရန် ညွှန်ကြားထားသည်။စာသင်ချိန်မစမီ စာသင်နားချိန်အတွင်း ၎င်းတို့အတွက် အဆင်ပြေသည့် အချိန်တွင် မွမ်းမံထားသော ILS နှင့် တည်နေရာကို အပြီးသတ်ရန် တစ်ပတ်စာ ပေးထားသည်။m-ILS သည် မူလ ILS ကိရိယာပေါ်တွင် အခြေခံပြီး သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် ပြင်ဆင်ထားသည်။မူရင်း ILS နှင့် အလားတူ၊ ၎င်းတွင် FSLSM အတိုင်းအတာတစ်ခုစီ၏ ရှုထောင့်အကဲဖြတ်ရန် အသုံးပြုသည့် အရာ 11 ခုစီပါရှိသည့် အညီအမျှ ဖြန့်ဝေထားသော အရာ 44 ခု (a၊ b) ပါဝင်ပါသည်။
ကိရိယာ တီထွင်မှု၏ ကနဦးအဆင့်များတွင် သုတေသီများသည် သွားဘက်ဆိုင်ရာ ကျောင်းသား ၅၀ ဦး၏ ဒေတာအတွဲကို အသုံးပြု၍ မြေပုံများကို သုတေသီများက ကိုယ်တိုင် မှတ်ကျောက်တင်ခဲ့ကြသည်။FSLM ၏ အဆိုအရ၊ စနစ်သည် “a” နှင့် “b” ၏ အဖြေပေါင်းကို ပေးပါသည်။အတိုင်းအတာတစ်ခုစီအတွက်၊ ကျောင်းသားက အဖြေတစ်ခုအဖြစ် “a” ကို ရွေးချယ်ပါက LS ကို Active/Perceptual/Visual/Sequential အဖြစ် ခွဲခြားထားပြီး ကျောင်းသားက “b” ကို အဖြေအဖြစ် ရွေးချယ်ပါက ကျောင်းသားအား ရောင်ပြန်ဟပ်/အလိုလိုသိမြင်နိုင်သော/ဘာသာစကားအဖြစ် အမျိုးအစားခွဲခြားထားသည်။ ./ ကမ္ဘာလုံးဆိုင်ရာ လေ့လာသူ။
သွားဘက်ဆိုင်ရာပညာပေးသုတေသီများနှင့် စနစ်တီထွင်သူများအကြား အလုပ်အသွားအလာကို ချိန်ညှိပြီးနောက်၊ FLSSM ဒိုမိန်းအပေါ် အခြေခံ၍ မေးခွန်းများကို ရွေးချယ်ခဲ့ပြီး ကျောင်းသားတစ်ဦးစီ၏ LS ကို ခန့်မှန်းရန် ML မော်ဒယ်သို့ ထည့်သွင်းခဲ့သည်။“အမှိုက်ဝင်၊ အမှိုက်ထွက်” သည် ဒေတာအရည်အသွေးကို အလေးပေးကာ စက်သင်ယူမှုနယ်ပယ်တွင် ရေပန်းစားသော စကားဖြစ်သည်။ထည့်သွင်းဒေတာ၏ အရည်အသွေးသည် စက်သင်ယူမှုပုံစံ၏ တိကျမှုနှင့် တိကျမှုကို ဆုံးဖြတ်သည်။အင်္ဂါရပ်အင်ဂျင်နီယာအဆင့်အတွင်း၊ FLSSM ကိုအခြေခံ၍ အဖြေများပေါင်းစုဖြစ်သည့် "a" နှင့် "b" ဟူသော အင်္ဂါရပ်အစုံကို ဖန်တီးထားသည်။ဇယား 1 တွင် မူးယစ်ဆေးဝါး ရာထူးများ၏ မှတ်ပုံတင်နံပါတ်များကို ဖော်ပြထားသည်။
အဖြေများအပေါ်အခြေခံ၍ ရမှတ်ကိုတွက်ချက်ပြီး ကျောင်းသား၏ LS ကိုဆုံးဖြတ်ပါ။ကျောင်းသားတစ်ဦးစီအတွက် ရမှတ်အပိုင်းအခြားသည် 1 မှ 11 အထိဖြစ်သည်။ ရမှတ် 1 မှ 3 သည် တူညီသောအတိုင်းအတာအတွင်း သင်ယူမှုဦးစားပေးချက်များကို ချိန်ခွင်လျှာကိုညွှန်ပြပြီး ရမှတ် 5 မှ 7 မှ အလယ်အလတ်နှစ်ခြိုက်မှုကိုဖော်ပြသည်၊ ကျောင်းသားများသည် အခြားသူများကိုသင်ကြားသည့်ပတ်ဝန်းကျင်တစ်ခုကိုနှစ်သက်ကြသည်ကိုဖော်ပြသည်။ .တူညီသောအတိုင်းအတာရှိ အခြားကွဲပြားမှုမှာ 9 မှ 11 ရမှတ်များသည် အဆုံးတစ်ခု သို့မဟုတ် အခြား [8] အတွက် ခိုင်မာသောဦးစားပေးမှုကို ထင်ဟပ်စေပါသည်။
အတိုင်းအတာတစ်ခုစီအတွက် မူးယစ်ဆေးဝါးများကို "တက်ကြွ", "ရောင်ပြန်ဟပ်" နှင့် "ဟန်ချက်ညီ" ဟူ၍ အုပ်စုဖွဲ့ထားသည်။ဥပမာအားဖြင့်၊ ကျောင်းသားတစ်ဦးသည် သတ်မှတ်ထားသည့်အရာတစ်ခုတွင် “a” ထက် “b” ထက် မကြာခဏ ဖြေဆိုလေ့ရှိပြီး သူ/သူမ၏ ရမှတ်သည် စီမံဆောင်ရွက်နေသည့် LS အတိုင်းအတာကို ကိုယ်စားပြုသည့် သီးခြားအရာအတွက် 5 ၏ သတ်မှတ်ချက်ထက်ကျော်လွန်သောအခါ၊ သူ/သူမသည် “တက်ကြွသော” LS မှ သက်ဆိုင်ပါသည်။ ဒိုမိန်း။.သို့သော်၊ ကျောင်းသားများကို သီးခြားမေးခွန်း 11 ခု (ဇယား 1) တွင် 5 မှတ်ထက်ပို၍ရမှတ် "b" ထက် "a" ကိုရွေးချယ်သောအခါ ကျောင်းသားများအား "ရောင်ပြန်ဟပ်ခြင်း" LS အဖြစ် ခွဲခြားသတ်မှတ်ခဲ့သည်။နောက်ဆုံးတွင်၊ ကျောင်းသားသည် "မျှခြေ" အခြေအနေတွင်ရှိသည်။ရမှတ် 5 မှတ်ထက်မကျော်လွန်ပါက၊ ၎င်းသည် "လုပ်ငန်းစဉ်" LS ဖြစ်သည်။အမျိုးအစားခွဲခြင်းလုပ်ငန်းစဉ်ကို အခြား LS အတိုင်းအတာများဖြစ်သည့် ခံယူချက် (တက်ကြွမှု/ရောင်ပြန်ဟပ်မှု)၊ ထည့်သွင်းမှု (အမြင်/နှုတ်) နှင့် နားလည်မှု (ဆင့်ကဲ/ကမ္ဘာလုံးဆိုင်ရာ) အတွက် ထပ်ခါတလဲလဲ လုပ်ဆောင်ခဲ့သည်။
ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံများသည် အမျိုးအစားခွဲခြင်းလုပ်ငန်းစဉ်၏ မတူညီသောအဆင့်များတွင် မတူညီသောအင်္ဂါရပ်များနှင့် ဆုံးဖြတ်ချက်စည်းမျဉ်းများကို အသုံးပြုနိုင်သည်။၎င်းကို လူကြိုက်များသော အမျိုးအစားခွဲခြင်းနှင့် ခန့်မှန်းခြင်းကိရိယာတစ်ခုဟု ယူဆပါသည်။၎င်းကို attribute ဖြင့် စမ်းသပ်မှုများကို ကိုယ်စားပြုသည့် အတွင်းပိုင်း node များ၊ စမ်းသပ်မှုရလဒ်များကို ကိုယ်စားပြုသော အကိုင်းအခက်တစ်ခုစီနှင့် အတန်းတံဆိပ်တစ်ခုစီပါရှိသော အရွက်များ (leaf node) များပါရှိသော အရွက် node တစ်ခုစီ (leaf node) ကဲ့သို့သော သစ်ပင်ဖွဲ့စည်းပုံကို အသုံးပြု၍ ကိုယ်စားပြုနိုင်သည်။
ကျောင်းသားတစ်ဦးစီ၏ LS ကို ၎င်းတို့၏ တုံ့ပြန်မှုများအပေါ် အခြေခံ၍ အလိုအလျောက် အမှတ်နှင့် အမှတ်အသားပြုရန် ရိုးရှင်းသော စည်းမျဉ်းအခြေခံပရိုဂရမ်ကို ဖန်တီးထားသည်။စည်းမျဥ်းအခြေခံသည် IF ကြေညာချက်၏ပုံစံကို ယူဆောင်ပြီး "IF" သည် အစပျိုးကိုဖော်ပြပြီး "ထိုအခါ" သည် လုပ်ဆောင်ရမည့်လုပ်ဆောင်ချက်ကို သတ်မှတ်ပေးသည်၊ ဥပမာ- "X ဖြစ်သွားပါက Y ကိုလုပ်ပါ" (Liu et al., 2014)။ဒေတာအစုံသည် အပြန်အလှန်ဆက်စပ်မှုကိုပြသပြီး ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို ကောင်းစွာလေ့ကျင့်သင်ကြားပေးပြီး အကဲဖြတ်ပါက၊ ဤချဉ်းကပ်မှုသည် LS နှင့် IS ကိုက်ညီသည့်လုပ်ငန်းစဉ်ကို အလိုအလျောက်လုပ်ဆောင်ရန် ထိရောက်သောနည်းလမ်းတစ်ခုဖြစ်သည်။
ဖွံ့ဖြိုးတိုးတက်မှု ဒုတိယအဆင့်တွင်၊ အကြံပြုချက်ကိရိယာ၏ တိကျမှုကို မြှင့်တင်ရန် ဒေတာအတွဲကို 255 သို့ တိုးမြှင့်ခဲ့သည်။ဒေတာအစုံကို 1:4 အချိုးဖြင့် ခွဲထားသည်။ဒေတာအစုံ၏ 25% (64) ကို စမ်းသပ်မှုအစုံအတွက် အသုံးပြုခဲ့ပြီး ကျန် 75% (191) ကို လေ့ကျင့်ရေးအစု (ပုံ 2) အဖြစ် အသုံးပြုခဲ့သည်။မော်ဒယ်ကို လေ့ကျင့်သင်ကြားခြင်းနှင့် စမ်းသပ်ခြင်းများကို တားဆီးရန်အတွက် ဒေတာအစုံကို ခွဲထုတ်ရန် လိုအပ်ပြီး ၎င်းသည် သင်ယူရမည့်အစား မော်ဒယ်ကို မှတ်မိစေနိုင်သည်။မော်ဒယ်အား လေ့ကျင့်ရေးအစုံတွင် လေ့ကျင့်ထားပြီး စမ်းသပ်မှုအစုံတွင် ၎င်း၏စွမ်းဆောင်ရည်ကို အကဲဖြတ်သည်—မော်ဒယ်သည် ယခင်က မမြင်ဖူးသောဒေတာ။
IS ကိရိယာကို တီထွင်ပြီးသည်နှင့်၊ အပလီကေးရှင်းသည် သွားဘက်ဆိုင်ရာ ကျောင်းသားများ၏ တုံ့ပြန်မှုများကို ဝဘ်အင်တာဖေ့စ်မှတစ်ဆင့် LS ကို အမျိုးအစားခွဲခြားနိုင်မည်ဖြစ်သည်။ဝဘ်အခြေခံ သတင်းအချက်အလက် လုံခြုံရေး အကြံပြုချက်တူးလ်စနစ်ကို နောက်ခံအဖြစ် Django မူဘောင်ကို အသုံးပြု၍ Python ပရိုဂရမ်းမင်းဘာသာစကားကို အသုံးပြု၍ တည်ဆောက်ထားသည်။ဇယား 2 သည် ဤစနစ်၏ ဖွံ့ဖြိုးတိုးတက်မှုတွင် အသုံးပြုသည့် စာကြည့်တိုက်များကို စာရင်းပြုစုထားသည်။
ကျောင်းသား၏ LS တိုင်းတာမှုများကို အလိုအလျောက် အမျိုးအစားခွဲရန် ကျောင်းသားတုံ့ပြန်မှုများကို တွက်ချက်ရန်နှင့် ထုတ်ယူရန်အတွက် ဒေတာအတွဲကို ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံတစ်ခုတွင် ထည့်သွင်းထားသည်။
ရှုပ်ထွေးသော matrix ကို ပေးထားသော data set တစ်ခုပေါ်ရှိ ဆုံးဖြတ်ချက်သစ်ပင် machine learning algorithm ၏ တိကျမှုကို အကဲဖြတ်ရန် အသုံးပြုပါသည်။တစ်ချိန်တည်းမှာပင်၊ ၎င်းသည် အမျိုးအစားခွဲခြားမှုပုံစံ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်သည်။၎င်းသည် မော်ဒယ်၏ ခန့်မှန်းချက်များကို အကျဉ်းချုပ်ပြီး အမှန်တကယ် ဒေတာ အညွှန်းများနှင့် နှိုင်းယှဉ်ပါသည်။အကဲဖြတ်မှုရလဒ်များသည် မတူညီသောတန်ဖိုးလေးခုအပေါ်အခြေခံသည်- True Positive (TP) – မော်ဒယ်သည် အပြုသဘောဆောင်သောအမျိုးအစားကို မှန်ကန်စွာခန့်မှန်းသည်၊ False Positive (FP) – မော်ဒယ်သည် အပြုသဘောဆောင်သောအမျိုးအစားကို ခန့်မှန်းထားသော်လည်း စစ်မှန်သောတံဆိပ်မှာ အနှုတ်ဖြစ်သည်၊ True Negative (TN) – မော်ဒယ်သည် အနုတ်အတန်းကို မှန်ကန်စွာ ခန့်မှန်းထားပြီး false negative (FN) - မော်ဒယ်သည် အနုတ်အတန်းကို ခန့်မှန်းပေးသည်၊ သို့သော် တံဆိပ်အစစ်သည် အပြုသဘောဖြစ်သည်။
ထို့နောက် Python ရှိ scikit-learn classification model ၏ အမျိုးမျိုးသော စွမ်းဆောင်ရည် မက်ထရစ်များကို တွက်ချက်ရန် ဤတန်ဖိုးများကို အသုံးပြုပါသည်။ဤသည်မှာ ဥပမာများဖြစ်သည်-
m-ILS မေးခွန်းလွှာကိုဖြေဆိုပြီးနောက် ကျောင်းသားတစ်ဦး၏ LS ကို တိကျစွာခွဲခြားသတ်မှတ်ရန် မော်ဒယ်၏စွမ်းရည်ကို ပြန်လည်သိမ်းဆည်းခြင်း (သို့မဟုတ် အာရုံခံနိုင်စွမ်း) တိုင်းတာသည်။
Specificity ကို true negative rate လို့ခေါ်ပါတယ်။အထက်ဖော်ပြပါပုံသေနည်းမှ သင်တွေ့မြင်နိုင်သည်အတိုင်း၊ ၎င်းသည် မှန်ကန်သောအနုတ်လက္ခဏာများ (TN) နှင့် စစ်မှန်သောအနုတ်လက္ခဏာများနှင့် မှားယွင်းသောအပြုသဘောများ (FP) ၏အချိုးဖြစ်သင့်သည်။ကျောင်းသားမူးယစ်ဆေးဝါးများကို အမျိုးအစားခွဲရန် အကြံပြုထားသည့်ကိရိယာ၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့်၊ ၎င်းသည် တိကျသော ဖော်ထုတ်နိုင်စွမ်းရှိသင့်သည်။
ဆုံးဖြတ်ချက်သစ်ပင် ML မော်ဒယ်ကို လေ့ကျင့်သင်ကြားရာတွင် အသုံးပြုသည့် ကျောင်းသား 50 ၏ မူရင်းဒေတာအတွဲသည် မှတ်ချက်များ (ဇယား 3) တွင် လူသားအမှားကြောင့် တိကျမှုအတော်လေးနည်းပါးကြောင်း ပြသထားသည်။LS ရမှတ်များနှင့် ကျောင်းသားမှတ်စာများ အလိုအလျောက်တွက်ချက်ရန် ရိုးရှင်းသော စည်းမျဉ်းအခြေခံပရိုဂရမ်ကို ဖန်တီးပြီးနောက်၊ အကြံပြုသူစနစ်အား လေ့ကျင့်ရန်နှင့် စမ်းသပ်ရန်အတွက် ဒေတာအတွဲများ (255) တိုးပွားလာမှုကို အသုံးပြုခဲ့သည်။
multiclass ရှုပ်ထွေးမှု matrix တွင်၊ ထောင့်ဖြတ်ဒြပ်စင်များသည် LS အမျိုးအစားတစ်ခုစီအတွက် မှန်ကန်သောခန့်မှန်းချက်အရေအတွက်ကို ကိုယ်စားပြုသည် (ပုံ 4)။ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို အသုံးပြု၍ နမူနာစုစုပေါင်း ၆၄ ခုကို မှန်ကန်စွာ ခန့်မှန်းနိုင်ခဲ့သည်။ထို့ကြောင့်၊ ဤလေ့လာမှုတွင်၊ ထောင့်ဖြတ်ဒြပ်စင်များသည် LS အမျိုးအစားခွဲတစ်ခုစီအတွက် အတန်းတံဆိပ်ကို ကောင်းစွာလုပ်ဆောင်နိုင်ပြီး မော်ဒယ်သည် တိကျစွာခန့်မှန်းကြောင်း ညွှန်ပြသော မျှော်မှန်းရလဒ်များကို ပြသသည်။ထို့ကြောင့် အကြံပြုချက်ကိရိယာ၏ အလုံးစုံတိကျမှုသည် 100% ဖြစ်သည်။
တိကျမှု၊ တိကျမှု၊ ပြန်လည်သိမ်းဆည်းမှုနှင့် F1 ရမှတ်များ၏ တန်ဖိုးများကို ပုံ 5 တွင် ပြထားသည်။ ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို အသုံးပြုသည့် အကြံပြုချက်စနစ်အတွက်၊ ၎င်း၏ F1 ရမှတ်သည် 1.0 “ပြီးပြည့်စုံသည်” ဖြစ်ကာ ပြီးပြည့်စုံသောတိကျမှုနှင့် ပြန်လည်သိမ်းဆည်းမှုကို ညွှန်ပြကာ သိသာထင်ရှားသောထိခိုက်လွယ်မှုနှင့် တိကျမှုတို့ကို ရောင်ပြန်ဟပ်သည်။ တန်ဖိုးများ
ပုံ 6 သည် လေ့ကျင့်မှုနှင့် စမ်းသပ်မှုပြီးဆုံးပြီးနောက် ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို ပုံဖော်ပြသထားသည်။ဘေးချင်းယှဉ် နှိုင်းယှဉ်မှုတွင်၊ အင်္ဂါရပ်အနည်းငယ်ဖြင့် လေ့ကျင့်ထားသော ဆုံးဖြတ်ချက်သစ်ပုံစံမော်ဒယ်သည် ပိုမိုတိကျမှုနှင့် ပိုမိုလွယ်ကူသော မော်ဒယ်ကို ပုံဖော်ခြင်းတို့ကို ပြသခဲ့သည်။ဤသည်မှာ အင်္ဂါရပ်ဆိုင်ရာ အင်ဂျင်နီယာချုပ်သည် အင်္ဂါရပ်များကို လျှော့ချရန် ဦးတည်နေခြင်းသည် မော်ဒယ်စွမ်းဆောင်ရည်ကို မြှင့်တင်ရာတွင် အရေးကြီးသော ခြေလှမ်းဖြစ်ကြောင်း ပြသပါသည်။
ဆုံးဖြတ်ချက်သစ်ပင် ကြီးကြပ်သင်ကြားမှုကို အသုံးချခြင်းဖြင့် LS (ထည့်သွင်းမှု) နှင့် IS (ပစ်မှတ်အထွက်) အကြား မြေပုံကို အလိုအလျောက်ထုတ်ပေးပြီး LS တစ်ခုစီအတွက် အသေးစိတ်အချက်အလက်များ ပါရှိသည်။
ရလဒ်များအရ ကျောင်းသား 255 ဦး၏ 34.9% သည် (1) LS ရွေးချယ်မှုကို နှစ်သက်ကြောင်း ပြသခဲ့သည်။အများစု (54.3%) တွင် LS ဦးစားပေးမှု နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုပါသည်။ကျောင်းသားများ၏ 12.2% သည် LS သည် အတော်လေး ဟန်ချက်ညီကြောင်း သတိပြုမိသည် (ဇယား 4)။အဓိက LS ရှစ်ခုအပြင်၊ University of Malaya သွားဘက်ဆိုင်ရာကျောင်းသားများအတွက် LS အမျိုးအစား ပေါင်းစပ်မှု ၃၄ ခုရှိသည်။၎င်းတို့တွင် ခံယူချက်၊ အမြင်နှင့် ခံယူချက်နှင့် အမြင်အာရုံ ပေါင်းစပ်မှုသည် ကျောင်းသားများမှ တင်ပြသော LS ပင်မဖြစ်သည် (ပုံ ၇)။
ဇယား 4 တွင်တွေ့နိုင်သကဲ့သို့ ကျောင်းသားအများစုတွင် ထင်ရှားသောအာရုံခံ (13.7%) သို့မဟုတ် အမြင်အာရုံ (8.6%) LS ရှိသည်။ကျောင်းသားများ၏ 12.2% သည် အမြင်အာရုံ (perceptual-visual LS) နှင့် ပေါင်းစပ်သည်ဟု အစီရင်ခံခဲ့သည်။ဤတွေ့ရှိချက်များအရ ကျောင်းသားများသည် သတ်မှတ်ထားသောနည်းလမ်းများဖြင့် လေ့လာမှတ်သားကာ တိကျသောအသေးစိတ်လုပ်ထုံးလုပ်နည်းများကို လိုက်နာကာ သဘာဝတွင် ဂရုတစိုက်ရှိကြသည်ဟု အကြံပြုထားသည်။တစ်ချိန်တည်းမှာပင်၊ ၎င်းတို့သည် (ပုံပြားများအသုံးပြု၍ စသည်ဖြင့်) ကိုကြည့်ရှုခြင်းဖြင့် သင်ယူမှုကို နှစ်သက်ကြပြီး အချက်အလက်များကို အုပ်စုများ သို့မဟုတ် ၎င်းတို့ကိုယ်တိုင် ဆွေးနွေးအသုံးချလေ့ရှိကြသည်။
ဤလေ့လာမှုသည် ကျောင်းသားများ၏ LS ကို ချက်ချင်းတိကျစွာ ခန့်မှန်းခြင်းနှင့် သင့်လျော်သော IS ကို အကြံပြုခြင်းတို့ကို အာရုံစိုက်ခြင်းဖြင့် ဒေတာတူးဖော်ခြင်းတွင် အသုံးပြုသည့် စက်သင်ယူမှုနည်းစနစ်များ၏ ခြုံငုံသုံးသပ်ချက်ကို ပေးပါသည်။ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို အသုံးပြုခြင်းသည် ၎င်းတို့၏ဘဝနှင့် ပညာရေးဆိုင်ရာ အတွေ့အကြုံများနှင့် အနီးစပ်ဆုံးဆက်စပ်သည့်အချက်များကို ဖော်ထုတ်ခဲ့သည်။၎င်းသည် အချို့သော စံသတ်မှတ်ချက်များအပေါ် အခြေခံ၍ ဒေတာအုပ်စုများကို အမျိုးအစားခွဲများခွဲခြင်းဖြင့် ဒေတာများကို အမျိုးအစားခွဲရန် သစ်ပင်ဖွဲ့စည်းပုံကို အသုံးပြုသည့် ကြီးကြပ်ကွပ်ကဲသည့် စက်သင်ယူမှု အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။၎င်းသည် leaf node တွင် ဆုံးဖြတ်ချက်တစ်ခုမချမချင်း အတွင်းပိုင်း node တစ်ခုစီ၏ input features များထဲမှတစ်ခု၏တန်ဖိုးအပေါ်အခြေခံ၍ input data ကို subsets များအဖြစ် ထပ်တလဲလဲခွဲခြင်းဖြင့် လုပ်ဆောင်သည်။
ဆုံးဖြတ်ချက်သစ်ပင်၏ အတွင်းပိုင်းဆုံမှတ်များသည် m-ILS ပြဿနာ၏ ထည့်သွင်းလက္ခဏာများပေါ်အခြေခံ၍ ဖြေရှင်းချက်အား ကိုယ်စားပြုပြီး အရွက်ဆုံမှတ်များသည် နောက်ဆုံး LS အမျိုးအစားခွဲခြားမှု ခန့်မှန်းချက်ကို ကိုယ်စားပြုသည်။လေ့လာမှုတစ်လျှောက်လုံးတွင် ထည့်သွင်းမှုအင်္ဂါရပ်များနှင့် အထွက်ခန့်မှန်းချက်များကြား ဆက်နွယ်မှုကို ကြည့်ရှုခြင်းဖြင့် ဆုံးဖြတ်ချက်လုပ်ငန်းစဉ်ကို ရှင်းပြပြီး မြင်ယောင်ထင်မြင်နိုင်သော ဆုံးဖြတ်ချက်သစ်ပင်များ၏ အထက်တန်းအဆင့်ကို နားလည်ရန် လွယ်ကူသည်။
ကွန်ပျူတာသိပ္ပံနှင့် အင်ဂျင်နီယာနယ်ပယ်များတွင် ကျောင်းသားများ၏ ဝင်ခွင့်စာမေးပွဲရမှတ် [21]၊ လူဦးရေစာရင်းအချက်အလက်နှင့် သင်ယူမှုအပြုအမူ [22]တို့အပေါ် အခြေခံ၍ စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုကြသည်။သုတေသနပြုချက်များအရ အယ်လဂိုရီသမ်သည် ကျောင်းသားများ၏စွမ်းဆောင်ရည်ကို တိကျစွာခန့်မှန်းနိုင်ပြီး ပညာရေးဆိုင်ရာအခက်အခဲများအတွက် အန္တရာယ်ရှိသည့် ကျောင်းသားများကို ခွဲခြားသတ်မှတ်နိုင်စေရန် ကူညီပေးခဲ့ကြောင်း သုတေသနပြုချက်များအရ သိရသည်။
သွားဘက်ဆိုင်ရာလေ့ကျင့်ရေးအတွက် virtual လူနာ simulators များဖွံ့ဖြိုးတိုးတက်ရေးတွင် ML algorithms ၏လျှောက်လွှာကိုအစီရင်ခံထားသည်။Simulator သည် လူနာအစစ်များ၏ ဇီဝကမ္မတုံ့ပြန်မှုများကို တိကျစွာ မျိုးပွားနိုင်စွမ်းရှိပြီး လုံခြုံပြီး ထိန်းချုပ်ထားသော ပတ်ဝန်းကျင်တွင် သွားဘက်ဆိုင်ရာ ကျောင်းသားများကို လေ့ကျင့်ရန် အသုံးပြုနိုင်သည်။အခြားလေ့လာမှုများစွာက စက်သင်ယူမှု အယ်လဂိုရီသမ်များသည် သွားနှင့်ခံတွင်းဆိုင်ရာ ဆေးပညာနှင့် လူနာပြုစုစောင့်ရှောက်မှု၏ အရည်အသွေးနှင့် စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးနိုင်ကြောင်း ပြသထားသည်။ရောဂါလက္ခဏာများနှင့် လူနာလက္ခဏာများကဲ့သို့သော ဒေတာအစုံအပေါ် အခြေခံ၍ သွားနှင့်ခံတွင်းဆိုင်ရာရောဂါများကို ရှာဖွေရာတွင် အထောက်အကူပြုရန် စက်သင်ယူမှု algorithms ကို အသုံးပြုထားသည်။အခြားလေ့လာမှုများက လူနာရလဒ်များကို ခန့်မှန်းခြင်း၊ အန္တရာယ်များသောလူနာများကို ခွဲခြားသတ်မှတ်ခြင်း၊ ပုဂ္ဂိုလ်ရေးသီးသန့် ကုသမှုအစီအစဉ်များ [26]၊ periodontal treatment [27] နှင့် သွားပိုးစားခြင်း ကုသခြင်း [25] ကဲ့သို့သော လုပ်ငန်းဆောင်တာများကို လုပ်ဆောင်ရန် အခြားလေ့လာမှုများက စူးစမ်းလေ့လာခဲ့ကြသည်။
သွားဘက်ဆိုင်ရာပညာရပ်တွင် စက်သင်ယူခြင်းဆိုင်ရာ အသုံးချမှုဆိုင်ရာ အစီရင်ခံစာများကို ထုတ်ဝေခဲ့သော်လည်း သွားဘက်ဆိုင်ရာပညာပေးရေးတွင် ၎င်း၏လျှောက်လွှာကို ကန့်သတ်ထားဆဲဖြစ်သည်။ထို့ကြောင့်၊ ဤလေ့လာမှုသည် သွားဘက်ဆိုင်ရာကျောင်းသားများကြားတွင် LS နှင့် IS တို့နှင့် အနီးစပ်ဆုံးဆက်စပ်မှုအရှိဆုံးအချက်များကို ရှာဖွေဖော်ထုတ်ရန် ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို အသုံးပြုရန် ရည်ရွယ်ပါသည်။
ဤလေ့လာချက်၏ ရလဒ်များက တီထွင်ထားသော အကြံပြုချက်ကိရိယာသည် မြင့်မားသောတိကျမှုနှင့် ပြီးပြည့်စုံသောတိကျမှုရှိကြောင်းပြသပြီး ဆရာများသည် ဤကိရိယာမှအကျိုးခံစားနိုင်သည်ကို ညွှန်ပြပါသည်။ဒေတာမောင်းနှင်သော အမျိုးအစားခွဲခြင်းလုပ်ငန်းစဉ်ကို အသုံးပြု၍ ၎င်းသည် စိတ်ကြိုက်အကြံပြုချက်များကို ပေးဆောင်နိုင်ပြီး ပညာတတ်များနှင့် ကျောင်းသားများအတွက် ပညာရေးဆိုင်ရာ အတွေ့အကြုံများနှင့် ရလဒ်များကို မြှင့်တင်ပေးနိုင်ပါသည်။၎င်းတို့အနက်၊ အကြံပြုချက်ကိရိယာများမှရရှိသော အချက်အလက်များသည် ဆရာများ၏ နှစ်သက်ရာ သင်ကြားရေးနည်းလမ်းများနှင့် ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်များကြား ပဋိပက္ခများကို ဖြေရှင်းပေးနိုင်ပါသည်။ဥပမာအားဖြင့်၊ အကြံပြုချက်ကိရိယာများ၏ အလိုအလျောက်ထွက်ရှိမှုကြောင့် ကျောင်းသားတစ်ဦး၏ IP ကို ခွဲခြားသတ်မှတ်ပြီး သက်ဆိုင်ရာ IP နှင့် ကိုက်ညီရန် လိုအပ်သည့်အချိန်ကို သိသိသာသာ လျှော့ချသွားမည်ဖြစ်သည်။ဤနည်းဖြင့် သင့်လျော်သော လေ့ကျင့်ရေး လှုပ်ရှားမှုများနှင့် လေ့ကျင့်ရေးပစ္စည်းများကို စီစဉ်ပေးနိုင်သည်။၎င်းသည် ကျောင်းသားများ၏ အပြုသဘောဆောင်သော သင်ယူမှုအမူအကျင့်နှင့် အာရုံစူးစိုက်နိုင်စွမ်းကို ဖွံ့ဖြိုးတိုးတက်စေရန် ကူညီပေးသည်။လေ့လာမှုတစ်ခုအရ ကျောင်းသားများအား ၎င်းတို့၏ နှစ်သက်ရာ LS နှင့် ကိုက်ညီသော သင်ကြားရေးပစ္စည်းများနှင့် သင်ကြားရေးဆိုင်ရာ လှုပ်ရှားမှုများကို ပံ့ပိုးပေးခြင်းဖြင့် ကျောင်းသားများအား ပိုမိုကောင်းမွန်သော အလားအလာများရရှိစေရန် နည်းလမ်းများစွာဖြင့် သင်ယူမှုကို ပေါင်းစပ်၊ လုပ်ဆောင်ရန်နှင့် ပျော်ရွှင်စွာ သင်ယူနိုင်စေရန် ကူညီပေးခဲ့ကြောင်း လေ့လာမှုတစ်ခုက ဖော်ပြခဲ့သည်။သုတေသနပြုချက်များအရ စာသင်ခန်းအတွင်း ကျောင်းသားပါဝင်မှုကို မြှင့်တင်ပေးသည့်အပြင် ကျောင်းသားများ၏ သင်ယူမှုလုပ်ငန်းစဉ်ကို နားလည်သဘောပေါက်ခြင်းသည်လည်း ကျောင်းသားများနှင့် သင်ကြားမှုအလေ့အကျင့်များ တိုးတက်ကောင်းမွန်လာစေရန် အရေးကြီးသော အခန်းကဏ္ဍမှ ပါဝင်ကြောင်း ပြသသည် [28၊ 29]။
သို့သော် ခေတ်မီနည်းပညာများကဲ့သို့ပင် ပြဿနာများနှင့် ကန့်သတ်ချက်များ ရှိနေသည်။၎င်းတို့တွင် ဒေတာ ကိုယ်ရေးကိုယ်တာ၊ ဘက်လိုက်မှုနှင့် တရားမျှတမှုတို့နှင့် သက်ဆိုင်သည့် ကိစ္စရပ်များနှင့် သွားဘက်ဆိုင်ရာ ပညာရေးတွင် စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို ဖွံ့ဖြိုးတိုးတက်ပြီး အကောင်အထည်ဖော်ရန် လိုအပ်သော ပရော်ဖက်ရှင်နယ် ကျွမ်းကျင်မှုနှင့် အရင်းအမြစ်များ၊သို့သော်၊ ဤနယ်ပယ်တွင် စိတ်ဝင်စားမှုနှင့် သုတေသနပြုမှု ကြီးထွားလာခြင်းသည် စက်သင်ယူမှုနည်းပညာများသည် သွားဘက်ဆိုင်ရာပညာပေးနှင့် သွားဘက်ဆိုင်ရာဝန်ဆောင်မှုများပေါ်တွင် အပြုသဘောဆောင်သော အကျိုးသက်ရောက်မှုရှိနိုင်သည်ဟု အကြံပြုထားသည်။
ဤလေ့လာမှု၏ရလဒ်များသည် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ထက်ဝက်ခန့်သည် ဆေးများကို “ရိပ်မိ” ရန် သဘောထားရှိကြောင်း ညွှန်ပြနေသည်။ဤသင်ယူသူအမျိုးအစားသည် အချက်အလက်များနှင့် ခိုင်မာသောဥပမာများ၊ လက်တွေ့ကျသောဦးတည်ချက်၊ အသေးစိတ်အတွက် စိတ်ရှည်သည်းခံမှု၊ နှင့် “အမြင်အာရုံ” LS စိတ်ကြိုက်ရွေးချယ်မှုတွင် သင်ယူသူများသည် စိတ်ကူးစိတ်သန်းများနှင့် အတွေးအမြင်များကိုဖော်ပြရန် ရုပ်ပုံများ၊ ဂရပ်ဖစ်များ၊ အရောင်များနှင့် မြေပုံများကို အသုံးပြုလိုကြသည်။လက်ရှိရလဒ်များသည် သွားနှင့်ခံတွင်းနှင့် ဆေးဘက်ဆိုင်ရာ ကျောင်းသားများတွင် LS ကို အကဲဖြတ်ရန် ILS ကိုအသုံးပြုသည့် အခြားလေ့လာမှုများနှင့် ကိုက်ညီပြီး အများစုမှာ အာရုံခံနိုင်စွမ်းနှင့် အမြင်အာရုံဆိုင်ရာ LS [12၊ 30] ရှိသည်။Dalmolin et al မှ ကျောင်းသားများအား ၎င်းတို့၏ LS အကြောင်း အသိပေးခြင်းသည် ၎င်းတို့၏ သင်ယူမှု အလားအလာကို ရောက်ရှိစေသည်ဟု အကြံပြုထားသည်။ဆရာများသည် ကျောင်းသားများ၏ ပညာရေးလုပ်ငန်းစဉ်ကို အပြည့်အဝနားလည်လာသောအခါ ကျောင်းသားများ၏ စွမ်းဆောင်ရည်နှင့် သင်ယူမှုအတွေ့အကြုံကို မြှင့်တင်ပေးမည့် သင်ကြားရေးနည်းလမ်းမျိုးစုံနှင့် လုပ်ဆောင်ချက်များကို အကောင်အထည်ဖော်နိုင်သည် [12၊ 31၊ 32]။အခြားလေ့လာမှုများက ကျောင်းသားများ၏ LS ကို ချိန်ညှိခြင်းသည် ကျောင်းသားများ၏ သင်ယူမှုအတွေ့အကြုံနှင့် ၎င်းတို့၏ကိုယ်ပိုင် LS [13၊ 33] နှင့် ကိုက်ညီစေရန် ၎င်းတို့၏ သင်ယူမှုပုံစံများကို ပြောင်းလဲပြီးနောက် ကျောင်းသားများ၏ သင်ယူမှုအတွေ့အကြုံနှင့် စွမ်းဆောင်ရည်တို့တွင် တိုးတက်မှုများကို ပြသကြောင်း ပြသခဲ့သည်။
ကျောင်းသားများ၏ သင်ယူမှုစွမ်းရည်အပေါ်အခြေခံ၍ သင်ကြားရေးဗျူဟာများ အကောင်အထည်ဖော်ခြင်းနှင့် ပတ်သက်၍ ဆရာများ၏ ထင်မြင်ယူဆချက်များ ကွဲပြားနိုင်သည်။ပရော်ဖက်ရှင်နယ် ဖွံ့ဖြိုးတိုးတက်ရေး အခွင့်အလမ်းများ၊ လမ်းညွှန်ပြသမှုနှင့် ရပ်ရွာပံ့ပိုးမှုအပါအဝင် ဤချဉ်းကပ်မှု၏ အကျိုးကျေးဇူးများကို အချို့က မြင်ကြသော်လည်း အချို့မှာ အချိန်နှင့် အဖွဲ့အစည်းဆိုင်ရာ ပံ့ပိုးကူညီမှုများအတွက် ပူပန်နေပေမည်။ဟန်ချက်ညီအောင် ကြိုးစားခြင်းသည် ကျောင်းသားဗဟိုပြု သဘောထားကို ဖန်တီးရန် သော့ချက်ဖြစ်သည်။တက္ကသိုလ် စီမံခန့်ခွဲသူများ ကဲ့သို့သော အဆင့်မြင့် ပညာရေး အာဏာပိုင်များသည် ဆန်းသစ်သော အလေ့အကျင့်များကို မိတ်ဆက်ကာ ပါမောက္ခများ ဖွံ့ဖြိုးတိုးတက်ရေးကို ပံ့ပိုးပေးခြင်းဖြင့် အပြုသဘောဆောင်သော အပြောင်းအလဲကို မောင်းနှင်ရာတွင် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်နိုင်ပါသည်။အမှန်တကယ် တက်ကြွပြီး တုံ့ပြန်မှုရှိသော အဆင့်မြင့်ပညာရေးစနစ်ကို ဖန်တီးရန်၊ မူဝါဒချမှတ်သူများသည် မူဝါဒအပြောင်းအလဲများပြုလုပ်ခြင်း၊ နည်းပညာပေါင်းစည်းခြင်းအတွက် အရင်းအမြစ်များကို မြှုပ်နှံခြင်းနှင့် ကျောင်းသားဗဟိုပြုချဉ်းကပ်မှုများကို မြှင့်တင်ပေးသည့် မူဘောင်များဖန်တီးခြင်းကဲ့သို့သော မူဝါဒချမှတ်သူများသည် ရဲရင့်သောခြေလှမ်းများကို လုပ်ဆောင်ရမည်ဖြစ်သည်။ဤအစီအမံများသည် လိုချင်သောရလဒ်များရရှိရန် အရေးကြီးပါသည်။ကွဲပြားသော သင်ကြားပို့ချမှုဆိုင်ရာ မကြာသေးမီက သုတေသနပြုချက်များအရ ကွဲပြားသော ညွှန်ကြားချက်များကို အောင်မြင်စွာ အကောင်အထည်ဖော်ရာတွင် ဆရာများအတွက် စဉ်ဆက်မပြတ် လေ့ကျင့်ရေးနှင့် ဖွံ့ဖြိုးတိုးတက်ရေး အခွင့်အလမ်းများ လိုအပ်ကြောင်း ရှင်းလင်းစွာ ပြသခဲ့သည်။
ဤကိရိယာသည် ကျောင်းသားနှင့်လိုက်ဖက်သော သင်ကြားရေးလှုပ်ရှားမှုများစီစဉ်ခြင်းအတွက် ကျောင်းသားဗဟိုပြုချဉ်းကပ်မှုကိုခံယူလိုသော သွားဘက်ဆိုင်ရာပညာပေးဆရာများအတွက် အဖိုးတန်သောပံ့ပိုးမှုပေးပါသည်။သို့သော်၊ ဤလေ့လာမှုသည် ဆုံးဖြတ်ချက်သစ်ပင် ML မော်ဒယ်များကို အသုံးပြုရန် ကန့်သတ်ထားသည်။အနာဂတ်တွင်၊ အကြံပြုချက်ကိရိယာများ၏ တိကျမှု၊ ယုံကြည်စိတ်ချရမှုနှင့် တိကျမှုကို နှိုင်းယှဉ်ရန် မတူညီသော စက်သင်ယူမှုမော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ရန် ဒေတာပိုမိုစုဆောင်းသင့်သည်။ထို့အပြင်၊ အလုပ်တစ်ခုအတွက် အသင့်လျော်ဆုံး စက်သင်ယူမှုနည်းလမ်းကို ရွေးချယ်သည့်အခါ၊ မော်ဒယ်ရှုပ်ထွေးမှုနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းကဲ့သို့သော အခြားအချက်များကို ထည့်သွင်းစဉ်းစားရန် အရေးကြီးပါသည်။
ဤလေ့လာမှု၏ ကန့်သတ်ချက်မှာ သွားဘက်ဆိုင်ရာ ကျောင်းသားများကြားတွင် LS နှင့် IS ကို ပုံဖော်ခြင်းအတွက်သာ အာရုံစိုက်ထားခြင်း ဖြစ်သည်။ထို့ကြောင့် တီထွင်ထားသော အကြံပြုချက်စနစ်သည် သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် သင့်လျော်သောသူများကိုသာ အကြံပြုပါမည်။ယေဘူယျအဆင့်မြင့်ပညာရေး ကျောင်းသားအသုံးပြုမှုအတွက် အပြောင်းအလဲများ လိုအပ်ပါသည်။
အသစ်တီထွင်ထားသော စက်သင်ယူမှုအခြေခံအကြံပြုချက်ကိရိယာသည် ကျောင်းသားများ၏ LS ကိုသက်ဆိုင်ရာ IS နှင့် ချက်ခြင်းခွဲခြားနိုင်ပြီး ကိုက်ညီမှုရှိသော သွားဘက်ဆိုင်ရာပညာပေးအစီအစဉ်အဖြစ် သွားဘက်ဆိုင်ရာပညာပေးသူများအား သက်ဆိုင်ရာ သင်ကြားရေးနှင့် သင်ယူမှုဆိုင်ရာလှုပ်ရှားမှုများစီစဉ်ရာတွင် ကူညီဆောင်ရွက်ပေးသည့် ပထမဆုံးသော သွားဘက်ဆိုင်ရာပညာပေးအစီအစဉ်ဖြစ်သည်။ဒေတာမောင်းနှင်မှုသုံး လုပ်ငန်းစဉ်ကို အသုံးပြုခြင်းဖြင့် ၎င်းသည် ပုဂ္ဂိုလ်ရေးဆန်သော အကြံပြုချက်များကို ပံ့ပိုးပေးခြင်း၊ အချိန်ကုန်သက်သာစေခြင်း၊ သင်ကြားရေးဗျူဟာများ တိုးတက်ကောင်းမွန်လာစေခြင်း၊ ပစ်မှတ်ထားသော ကြားဝင်ဆောင်ရွက်ပေးမှုများကို ပံ့ပိုးပေးပြီး ဆက်လက်လုပ်ဆောင်နေသော ပရော်ဖက်ရှင်နယ်ဖွံ့ဖြိုးတိုးတက်မှုကို မြှင့်တင်နိုင်ပါသည်။၎င်း၏အပလီကေးရှင်းသည် သွားဘက်ဆိုင်ရာပညာရေးအတွက် ကျောင်းသားဗဟိုပြုချဉ်းကပ်မှုများကို မြှင့်တင်ပေးမည်ဖြစ်သည်။
Gilak Jani Associated Pressကျောင်းသား၏သင်ကြားမှုပုံစံနှင့် ဆရာ၏သင်ကြားမှုပုံစံတို့အကြား ကိုက်ညီမှု သို့မဟုတ် မကိုက်ညီပါ။Int J Mod Educ ကွန်ပျူတာသိပ္ပံ။2012;4(11:51-60)။https://doi.org/10.5815/ijmecs.2012.11.05
တင်ချိန်- ဧပြီလ ၂၉-၂၀၂၄