သွားဘက်ဆိုင်ရာဆေးပညာအပါအဝင် အဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင် ကျောင်းသားဗဟိုပြုသင်ယူမှု (SCL) အတွက် တိုးပွားလာနေသောလိုအပ်ချက်ရှိပါသည်။ သို့သော် SCL သည် သွားဘက်ဆိုင်ရာပညာရေးတွင် အသုံးချမှုအကန့်အသတ်ရှိပါသည်။ ထို့ကြောင့် ဤလေ့လာမှုသည် IS လမ်းညွှန်ချက်များရေးဆွဲရာတွင် အသုံးဝင်သောကိရိယာတစ်ခုအဖြစ် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ ဦးစားပေးသင်ယူမှုပုံစံ (LS) နှင့် သက်ဆိုင်ရာသင်ယူမှုဗျူဟာများ (IS) ကို မြေပုံဆွဲရန် ဆုံးဖြတ်ချက်သစ်ပင်စက်သင်ယူမှု (ML) နည်းပညာကို အသုံးပြုခြင်းဖြင့် သွားဘက်ဆိုင်ရာဆေးပညာတွင် SCL အသုံးချမှုကို မြှင့်တင်ရန် ရည်ရွယ်ပါသည်။ သွားဘက်ဆိုင်ရာကျောင်းသားများအတွက် မျှော်လင့်ချက်ကောင်းသောနည်းလမ်းများ။
မလာယာတက္ကသိုလ်မှ သွားဘက်ဆိုင်ရာကျောင်းသား စုစုပေါင်း ၂၅၅ ဦးသည် ပြုပြင်ထားသော သင်ယူမှုပုံစံညွှန်းကိန်း (m-ILS) မေးခွန်းလွှာကို ဖြည့်စွက်ခဲ့ပြီး ၎င်းတို့အား ၎င်းတို့၏ သက်ဆိုင်ရာ LS များအဖြစ် အမျိုးအစားခွဲခြားရန် အချက်အလက် ၄၄ ခု ပါဝင်သည်။ စုဆောင်းထားသောဒေတာ (dataset ဟုခေါ်သည်) ကို ကြီးကြပ်ကွပ်ကဲမှုဆုံးဖြတ်ချက်သစ်ပင်သင်ယူမှုတွင် အသုံးပြု၍ ကျောင်းသားများ၏ သင်ယူမှုပုံစံများကို အသင့်တော်ဆုံး IS နှင့် အလိုအလျောက် တိုက်ဆိုင်စစ်ဆေးသည်။ ထို့နောက် စက်သင်ယူမှုအခြေပြု IS အကြံပြုချက်ကိရိယာ၏ တိကျမှုကို အကဲဖြတ်သည်။
LS (input) နှင့် IS (target output) အကြား အလိုအလျောက် မြေပုံရေးဆွဲခြင်း လုပ်ငန်းစဉ်တွင် ဆုံးဖြတ်ချက်သစ်ပင် မော်ဒယ်များကို အသုံးချခြင်းဖြင့် သွားဘက်ဆိုင်ရာ ကျောင်းသားတစ်ဦးချင်းစီအတွက် သင့်လျော်သော သင်ယူမှုဗျူဟာများစာရင်းကို ချက်ချင်းရရှိနိုင်ပါသည်။ IS အကြံပြုချက်ကိရိယာသည် မော်ဒယ်တိကျမှုကို ပြီးပြည့်စုံစွာ မှတ်မိနိုင်စေပြီး LS နှင့် IS ကို တွဲစပ်ခြင်းသည် အာရုံခံနိုင်စွမ်းနှင့် သီးခြားဖြစ်မှုကောင်းမွန်ကြောင်း ညွှန်ပြသည်။
ML ဆုံးဖြတ်ချက်သစ်ပင်ကို အခြေခံသည့် IS အကြံပြုချက်ကိရိယာသည် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ သင်ယူမှုပုံစံများကို သင့်လျော်သော သင်ယူမှုဗျူဟာများနှင့် တိကျစွာကိုက်ညီစေနိုင်ကြောင်း သက်သေပြခဲ့သည်။ ဤကိရိယာသည် ကျောင်းသားများ၏ သင်ယူမှုအတွေ့အကြုံကို မြှင့်တင်ပေးနိုင်သည့် သင်ယူသူဗဟိုပြုသင်တန်းများ သို့မဟုတ် မော်ဂျူးများကို စီစဉ်ရန်အတွက် အစွမ်းထက်သောရွေးချယ်မှုများကို ပေးပါသည်။
သင်ကြားခြင်းနှင့် သင်ယူခြင်းသည် ပညာရေးအဖွဲ့အစည်းများတွင် အခြေခံလုပ်ဆောင်ချက်များဖြစ်သည်။ အရည်အသွေးမြင့် အသက်မွေးဝမ်းကျောင်းပညာရေးစနစ်တစ်ခု ဖော်ဆောင်သည့်အခါ ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်များကို အာရုံစိုက်ရန် အရေးကြီးပါသည်။ ကျောင်းသားများနှင့် ၎င်းတို့၏ သင်ယူမှုပတ်ဝန်းကျင်အကြား အပြန်အလှန်ဆက်သွယ်မှုကို ၎င်းတို့၏ သင်ယူမှုသင်ခန်းစာများမှတစ်ဆင့် ဆုံးဖြတ်နိုင်သည်။ ကျောင်းသားများ၏ သင်ယူမှုသင်ခန်းစာများနှင့် သင်ယူမှုသင်ခန်းစာများအကြား ဆရာ/မ ရည်ရွယ်သည့် မကိုက်ညီမှုများသည် ကျောင်းသားများ၏ သင်ယူမှုသင်ခန်းစာများ (LS) နှင့် သင်ယူမှုသင်ခန်းစာများအကြား ဆရာ/မ ရည်ရွယ်သည့် မကိုက်ညီမှုများသည် အာရုံစူးစိုက်မှုနှင့် စိတ်အားထက်သန်မှု လျော့နည်းခြင်းကဲ့သို့သော ကျောင်းသားသင်ယူမှုအတွက် အပျက်သဘောဆောင်သော အကျိုးဆက်များ ရှိနိုင်ကြောင်း သုတေသနပြုချက်များက ဖော်ပြသည်။ ၎င်းသည် ကျောင်းသားစွမ်းဆောင်ရည်ကို သွယ်ဝိုက်သောနည်းဖြင့် သက်ရောက်မှုရှိစေမည်ဖြစ်သည် [1,2]။
IS ဆိုသည်မှာ ဆရာ၊ ဆရာမများမှ ကျောင်းသားများအား အသိပညာနှင့် ကျွမ်းကျင်မှုများ ပေးအပ်ရန် အသုံးပြုသည့် နည်းလမ်းတစ်ခုဖြစ်ပြီး ကျောင်းသားများ သင်ယူရာတွင် ကူညီပေးခြင်းလည်း ပါဝင်သည် [3]။ ယေဘုယျအားဖြင့် ကောင်းမွန်သော ဆရာ၊ ဆရာမများသည် ၎င်းတို့၏ ကျောင်းသားများ၏ အသိပညာအဆင့်၊ ၎င်းတို့ သင်ယူနေသော အယူအဆများနှင့် ၎င်းတို့၏ သင်ယူမှုအဆင့်တို့နှင့် အကိုက်ညီဆုံး သင်ကြားရေးဗျူဟာများ သို့မဟုတ် IS ကို စီစဉ်ကြသည်။ သီအိုရီအရ၊ LS နှင့် IS ကိုက်ညီသောအခါ၊ ကျောင်းသားများသည် ထိရောက်စွာ သင်ယူရန်အတွက် သတ်မှတ်ထားသော ကျွမ်းကျင်မှုအစုံကို စီစဉ်အသုံးပြုနိုင်မည်ဖြစ်သည်။ ပုံမှန်အားဖြင့်၊ သင်ခန်းစာအစီအစဉ်တွင် သင်ကြားခြင်းမှ လမ်းညွှန်ထားသော အလေ့အကျင့်သို့ သို့မဟုတ် လမ်းညွှန်ထားသော အလေ့အကျင့်မှ လွတ်လပ်စွာ အလေ့အကျင့်သို့ကဲ့သို့သော အဆင့်များအကြား အကူးအပြောင်းများစွာ ပါဝင်သည်။ ဤအချက်ကို စိတ်ထဲထား၍ ထိရောက်သော ဆရာ၊ ဆရာမများသည် ကျောင်းသားများ၏ အသိပညာနှင့် ကျွမ်းကျင်မှုများ တည်ဆောက်ရန် ရည်ရွယ်ချက်ဖြင့် သင်ကြားမှုကို စီစဉ်လေ့ရှိသည် [4]။
SCL အတွက် ဝယ်လိုအားသည် သွားဘက်ဆိုင်ရာဆေးပညာ အပါအဝင် အဆင့်မြင့်ပညာရေးအဖွဲ့အစည်းများတွင် တိုးပွားလာနေပါသည်။ SCL ဗျူဟာများကို ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်များကို ဖြည့်ဆည်းရန် ဒီဇိုင်းထုတ်ထားသည်။ ဥပမာအားဖြင့် ကျောင်းသားများသည် သင်ယူမှုလှုပ်ရှားမှုများတွင် တက်ကြွစွာပါဝင်ဆောင်ရွက်ပြီး ဆရာ၊ ဆရာမများသည် အထောက်အကူပြုသူများအဖြစ် ဆောင်ရွက်ပြီး အဖိုးတန်တုံ့ပြန်ချက်ပေးရန် တာဝန်ရှိပါက ၎င်းကို အောင်မြင်နိုင်ပါသည်။ ကျောင်းသားများ၏ ပညာရေးအဆင့် သို့မဟုတ် နှစ်သက်မှုများနှင့် သင့်လျော်သော သင်ယူမှုပစ္စည်းများနှင့် လှုပ်ရှားမှုများ ပံ့ပိုးပေးခြင်းသည် ကျောင်းသားများ၏ သင်ယူမှုပတ်ဝန်းကျင်ကို တိုးတက်ကောင်းမွန်စေပြီး အပြုသဘောဆောင်သော သင်ယူမှုအတွေ့အကြုံများကို မြှင့်တင်ပေးနိုင်သည်ဟု ဆိုသည် [5]။
ယေဘုယျအားဖြင့် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ သင်ယူမှုလုပ်ငန်းစဉ်ကို ၎င်းတို့လုပ်ဆောင်ရန် လိုအပ်သော ဆေးခန်းလုပ်ထုံးလုပ်နည်းအမျိုးမျိုးနှင့် ၎င်းတို့ထိရောက်သော လူမှုဆက်ဆံရေးစွမ်းရည်များ ဖွံ့ဖြိုးတိုးတက်စေသည့် ဆေးခန်းပတ်ဝန်းကျင်တို့က လွှမ်းမိုးမှုရှိသည်။ သင်တန်း၏ ရည်ရွယ်ချက်မှာ ကျောင်းသားများအား သွားဘက်ဆိုင်ရာအခြေခံဗဟုသုတကို သွားဘက်ဆိုင်ရာဆေးခန်းကျွမ်းကျင်မှုနှင့် ပေါင်းစပ်ပြီး ရရှိလာသောအသိပညာကို ဆေးခန်းအခြေအနေအသစ်များတွင် အသုံးချနိုင်စေရန်ဖြစ်သည် [6, 7]။ LS နှင့် IS အကြား ဆက်နွယ်မှုဆိုင်ရာ အစောပိုင်းသုတေသနပြုချက်အရ ဦးစားပေး LS နှင့် ဆက်စပ်နေသော သင်ယူမှုဗျူဟာများကို ချိန်ညှိခြင်းသည် ပညာရေးလုပ်ငန်းစဉ်ကို တိုးတက်ကောင်းမွန်စေရန် အထောက်အကူဖြစ်စေကြောင်း တွေ့ရှိခဲ့သည် [8]။ စာရေးသူများသည် ကျောင်းသားများ၏ သင်ယူမှုနှင့် လိုအပ်ချက်များနှင့် လိုက်လျောညီထွေဖြစ်အောင် သင်ကြားခြင်းနှင့် အကဲဖြတ်ခြင်းနည်းလမ်းအမျိုးမျိုးကို အသုံးပြုရန်လည်း အကြံပြုထားသည်။
ဆရာ၊ ဆရာမများသည် LS အသိပညာကို အသုံးချ၍ ကျောင်းသားများ၏ ဘာသာရပ်ဆိုင်ရာ အသိပညာနှင့် နားလည်မှုကို မြှင့်တင်ပေးမည့် သင်ကြားမှုကို ဒီဇိုင်းဆွဲခြင်း၊ တီထွင်ခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းတို့ကို ကူညီခြင်းမှ အကျိုးကျေးဇူးရရှိကြသည်။ သုတေသီများသည် Kolb Experiential Learning Model၊ Felder-Silverman Learning Style Model (FSLSM) နှင့် Fleming VAK/VARK Model [5, 9, 10] ကဲ့သို့သော LS အကဲဖြတ်ကိရိယာများစွာကို တီထွင်ခဲ့ကြသည်။ စာပေများအရ ဤသင်ယူမှုပုံစံများသည် အသုံးအများဆုံးနှင့် လေ့လာမှုအများဆုံး သင်ယူမှုပုံစံများဖြစ်သည်။ လက်ရှိသုတေသနလုပ်ငန်းတွင် FSLSM ကို သွားဘက်ဆိုင်ရာကျောင်းသားများတွင် LS ကို အကဲဖြတ်ရန် အသုံးပြုသည်။
FSLSM သည် အင်ဂျင်နီယာဘာသာရပ်တွင် အလိုက်သင့်သင်ယူမှုကို အကဲဖြတ်ရန်အတွက် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသော မော်ဒယ်တစ်ခုဖြစ်သည်။ ကျန်းမာရေးသိပ္ပံများ (ဆေးပညာ၊ သူနာပြု၊ ဆေးဝါးနှင့် သွားဘက်ဆိုင်ရာ အပါအဝင်) တွင် ထုတ်ဝေထားသော လက်ရာများစွာရှိပြီး FSLSM မော်ဒယ်များကို အသုံးပြု၍ ရှာတွေ့နိုင်ပါသည် [5, 11, 12, 13]။ FLSM ရှိ LS ၏ ရှုထောင့်ကို တိုင်းတာရန်အသုံးပြုသော ကိရိယာကို Index of Learning Styles (ILS) [8] ဟုခေါ်ပြီး LS ၏ ရှုထောင့်လေးခုဖြစ်သည့် လုပ်ဆောင်ခြင်း (တက်ကြွ/ဆင်ခြင်တုံတရား)၊ အာရုံခံစားမှု (အာရုံခံစားမှု/အလိုလိုသိမှု)၊ အထည့်သွင်းခြင်း (အမြင်အာရုံ) နှင့် နားလည်မှု (အစီအစဉ်အတိုင်း/ကမ္ဘာလုံးဆိုင်ရာ) တို့ကို အကဲဖြတ်သည့် အချက် ၄၄ ချက်ပါရှိသည် [14]။
ပုံ ၁ တွင်ပြထားသည့်အတိုင်း FSLSM ရှုထောင့်တစ်ခုစီတွင် အဓိကဦးစားပေးမှုတစ်ခုရှိသည်။ ဥပမာအားဖြင့်၊ လုပ်ဆောင်ခြင်းရှုထောင့်တွင် “တက်ကြွသော” LS ရှိသောကျောင်းသားများသည် သင်ယူမှုပစ္စည်းများနှင့်တိုက်ရိုက်ထိတွေ့ဆက်ဆံခြင်းဖြင့် အချက်အလက်များကို စီမံဆောင်ရွက်လိုကြပြီး လုပ်ဆောင်ခြင်းဖြင့် သင်ယူကြပြီး အဖွဲ့လိုက်သင်ယူလေ့ရှိကြသည်။ “ဆင်ခြင်တွေးခေါ်မှု” LS သည် စဉ်းစားတွေးခေါ်မှုမှတစ်ဆင့် သင်ယူခြင်းကို ရည်ညွှန်းပြီး တစ်ယောက်တည်းလုပ်ဆောင်ရန် ပိုနှစ်သက်ကြသည်။ LS ၏ “သိမြင်ခြင်း” ရှုထောင့်ကို “ခံစားချက်” နှင့်/သို့မဟုတ် “ထိုးထွင်းသိမြင်မှု” အဖြစ် ခွဲခြားနိုင်သည်။ “ခံစားခြင်း” ရှိသောကျောင်းသားများသည် ပိုမိုတိကျသောအချက်အလက်များနှင့် လက်တွေ့လုပ်ထုံးလုပ်နည်းများကို ပိုနှစ်သက်ကြပြီး၊ စိတ်ကူးယဉ်ပစ္စည်းများကို ပိုနှစ်သက်ပြီး ပိုမိုဆန်းသစ်တီထွင်မှုနှင့် ဖန်တီးနိုင်စွမ်းရှိသော “ထိုးထွင်းသိမြင်မှု” ရှိသောကျောင်းသားများနှင့် နှိုင်းယှဉ်ပါက အချက်အလက်ကို အခြေခံကြသည်။ LS ၏ “ထည့်သွင်းမှု” ရှုထောင့်တွင် “အမြင်အာရုံ” နှင့် “နှုတ်ဖြင့်” သင်ယူသူများ ပါဝင်သည်။ “အမြင်အာရုံ” LS ရှိသူများသည် အမြင်အာရုံ သရုပ်ပြမှုများ (ဥပမာ ပုံများ၊ ဗီဒီယိုများ သို့မဟုတ် တိုက်ရိုက်သရုပ်ပြမှုများကဲ့သို့) မှတစ်ဆင့် သင်ယူလိုကြပြီး၊ “နှုတ်ဖြင့်” LS ရှိသူများသည် ရေးသားထားသော သို့မဟုတ် နှုတ်ဖြင့်ရှင်းပြချက်များမှ စကားလုံးများမှတစ်ဆင့် သင်ယူလိုကြသည်။ LS ရှုထောင့်များကို “နားလည်” ရန်အတွက် ထိုကဲ့သို့သော သင်ယူသူများကို “အစီအစဉ်တကျ” နှင့် “ကမ္ဘာလုံးဆိုင်ရာ” အဖြစ် ခွဲခြားနိုင်သည်။ "အစဉ်လိုက် သင်ယူသူများသည် မျဉ်းဖြောင့်တွေးခေါ်မှုလုပ်ငန်းစဉ်ကို နှစ်သက်ပြီး တစ်ဆင့်ပြီးတစ်ဆင့် သင်ယူကြပြီး ကမ္ဘာလုံးဆိုင်ရာ သင်ယူသူများသည် ပြည့်စုံသော တွေးခေါ်မှုလုပ်ငန်းစဉ်ရှိကာ ၎င်းတို့သင်ယူနေသည့်အရာကို အမြဲတမ်း ပိုမိုကောင်းမွန်စွာ နားလည်ကြသည်။"
မကြာသေးမီက၊ သုတေသီများစွာသည် ဒေတာအမြောက်အမြားကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော အယ်လဂိုရီသမ်အသစ်များနှင့် မော်ဒယ်များ ဖွံ့ဖြိုးတိုးတက်မှုအပါအဝင် အလိုအလျောက်ဒေတာအခြေပြု ရှာဖွေတွေ့ရှိမှုအတွက် နည်းလမ်းများကို စူးစမ်းလေ့လာလာကြသည် [15၊ 16]။ ပေးထားသောဒေတာအပေါ်အခြေခံ၍ ကြီးကြပ်ကွပ်ကဲမှုရှိသော ML (စက်သင်ယူမှု) သည် အယ်လဂိုရီသမ်များတည်ဆောက်ခြင်းအပေါ်အခြေခံ၍ အနာဂတ်ရလဒ်များကို ခန့်မှန်းသည့် ပုံစံများနှင့် ယူဆချက်များကို ထုတ်ပေးနိုင်သည် [17]။ ရိုးရှင်းစွာပြောရလျှင် ကြီးကြပ်ကွပ်ကဲမှုရှိသော စက်သင်ယူမှုနည်းပညာများသည် အဝင်ဒေတာကို ကိုင်တွယ်ပြီး အယ်လဂိုရီသမ်များကို လေ့ကျင့်ပေးသည်။ ထို့နောက် ၎င်းသည် ပေးထားသော အဝင်ဒေတာအတွက် အလားတူအခြေအနေများအပေါ်အခြေခံ၍ ရလဒ်ကို အမျိုးအစားခွဲခြားခြင်း သို့မဟုတ် ခန့်မှန်းခြင်းဆိုင်ရာ အပိုင်းအခြားတစ်ခုကို ထုတ်ပေးသည်။ ကြီးကြပ်ကွပ်ကဲမှုရှိသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များ၏ အဓိကအားသာချက်မှာ စံပြနှင့် လိုချင်သောရလဒ်များကို ချမှတ်နိုင်စွမ်းဖြစ်သည် [17]။
ဒေတာမောင်းနှင်သည့် နည်းလမ်းများနှင့် ဆုံးဖြတ်ချက်သစ်ပင် ထိန်းချုပ်မှု မော်ဒယ်များကို အသုံးပြုခြင်းဖြင့် LS ကို အလိုအလျောက် ထောက်လှမ်းနိုင်သည်။ ကျန်းမာရေးသိပ္ပံ အပါအဝင် နယ်ပယ်အသီးသီးရှိ လေ့ကျင့်ရေးအစီအစဉ်များတွင် ဆုံးဖြတ်ချက်သစ်ပင်များကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုကြကြောင်း သတင်းပို့ထားသည် [18၊ 19]။ ဤလေ့လာမှုတွင် စနစ်တီထွင်သူများက ကျောင်းသားများ၏ LS ကို ဖော်ထုတ်ရန်နှင့် ၎င်းတို့အတွက် အကောင်းဆုံး IS ကို အကြံပြုရန် မော်ဒယ်ကို အထူးလေ့ကျင့်ပေးခဲ့သည်။
ဤလေ့လာမှု၏ ရည်ရွယ်ချက်မှာ ကျောင်းသားများ၏ LS ကိုအခြေခံ၍ IS ပေးပို့မှုဗျူဟာများ တီထွင်ရန်နှင့် LS နှင့် ဆက်စပ်နေသော IS အကြံပြုချက်ကိရိယာတစ်ခုကို တီထွင်ခြင်းဖြင့် SCL ချဉ်းကပ်မှုကို အသုံးချရန်ဖြစ်သည်။ SCL နည်းလမ်း၏ ဗျူဟာတစ်ခုအဖြစ် IS အကြံပြုချက်ကိရိယာ၏ ဒီဇိုင်းစီးဆင်းမှုကို ပုံ ၁ တွင် ပြသထားသည်။ IS အကြံပြုချက်ကိရိယာကို အပိုင်းနှစ်ပိုင်းခွဲခြားထားပြီး ILS ကိုအသုံးပြု၍ LS အမျိုးအစားခွဲခြားခြင်းယန္တရားနှင့် ကျောင်းသားများအတွက် အသင့်တော်ဆုံး IS ပြသမှု ပါဝင်သည်။
အထူးသဖြင့် သတင်းအချက်အလက်လုံခြုံရေး အကြံပြုချက်ကိရိယာများ၏ ဝိသေသလက္ခဏာများတွင် ဝဘ်နည်းပညာများအသုံးပြုခြင်းနှင့် ဆုံးဖြတ်ချက်သစ်ပင်စက်သင်ယူမှုအသုံးပြုခြင်းတို့ ပါဝင်သည်။ စနစ်တီထွင်သူများသည် မိုဘိုင်းဖုန်းများနှင့် တက်ဘလက်များကဲ့သို့သော မိုဘိုင်းစက်ပစ္စည်းများနှင့် လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်းဖြင့် အသုံးပြုသူအတွေ့အကြုံနှင့် မိုဘိုင်းလ်မိုဘိုင်းလ်ကို တိုးတက်ကောင်းမွန်စေသည်။
စမ်းသပ်မှုကို အဆင့်နှစ်ဆင့်ဖြင့် ပြုလုပ်ခဲ့ပြီး မလာယာတက္ကသိုလ်၊ သွားဘက်ဆိုင်ရာဌာနမှ ကျောင်းသားများမှာ စေတနာ့ဝန်ထမ်းအဖြစ် ပါဝင်ခဲ့ကြသည်။ ပါဝင်သူများသည် သွားဘက်ဆိုင်ရာကျောင်းသားတစ်ဦး၏ အင်္ဂလိပ်ဘာသာဖြင့် အွန်လိုင်း m-ILS ကို တုံ့ပြန်ခဲ့ကြသည်။ ကနဦးအဆင့်တွင် ကျောင်းသား ၅၀ ဦးပါ dataset ကို decision tree machine learning algorithm ကို လေ့ကျင့်ပေးခဲ့သည်။ ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်၏ ဒုတိယအဆင့်တွင် တီထွင်ထားသော ကိရိယာ၏ တိကျမှုကို မြှင့်တင်ရန် ကျောင်းသား ၂၅၅ ဦးပါ dataset ကို အသုံးပြုခဲ့သည်။
ပါဝင်သူအားလုံးသည် ပညာသင်နှစ်ပေါ် မူတည်၍ အဆင့်တစ်ခုစီ၏ အစတွင် Microsoft Teams မှတစ်ဆင့် အွန်လိုင်းအကျဉ်းချုပ်ကို ရရှိကြသည်။ လေ့လာမှု၏ ရည်ရွယ်ချက်ကို ရှင်းပြပြီး သတင်းအချက်အလက်အပြည့်အစုံဖြင့် သဘောတူညီချက် ရယူခဲ့သည်။ ပါဝင်သူအားလုံးကို m-ILS သို့ ဝင်ရောက်ကြည့်ရှုရန် လင့်ခ်တစ်ခု ပေးအပ်ခဲ့သည်။ ကျောင်းသားတစ်ဦးစီအား မေးခွန်းလွှာပါ အချက် ၄၄ ချက်ကို ဖြေဆိုရန် ညွှန်ကြားခဲ့သည်။ စာသင်ချိန်မစတင်မီ စာသင်ချိန်အားလပ်ရက်အတွင်း ၎င်းတို့အတွက် အဆင်ပြေသော အချိန်နှင့် နေရာတွင် ပြုပြင်ထားသော ILS ကို ဖြည့်စွက်ရန် ၎င်းတို့အား တစ်ပတ်အချိန်ပေးခဲ့သည်။ m-ILS သည် မူရင်း ILS ကိရိယာကို အခြေခံထားပြီး သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် ပြုပြင်ထားသည်။ မူရင်း ILS နှင့် ဆင်တူသည်မှာ ၎င်းတွင် အချက် ၁၁ ချက်ဖြင့် ညီတူညီမျှ ဖြန့်ဝေထားသော အချက် ၄၄ ချက် (က၊ ခ) ပါဝင်ပြီး FSLSM အတိုင်းအတာတစ်ခုစီ၏ ရှုထောင့်များကို အကဲဖြတ်ရန် အသုံးပြုသည်။
ကိရိယာတီထွင်မှု၏ အစောပိုင်းအဆင့်များတွင် သုတေသီများသည် သွားဘက်ဆိုင်ရာ ကျောင်းသား ၅၀ ပါဝင်သော ဒေတာစုစည်းမှုကို အသုံးပြု၍ မြေပုံများကို ကိုယ်တိုင် မှတ်ချက်ပြုခဲ့ကြသည်။ FSLM ၏ အဆိုအရ စနစ်သည် အဖြေ “a” နှင့် “b” ပေါင်းလဒ်ကို ပေးပါသည်။ အတိုင်းအတာတစ်ခုစီအတွက် ကျောင်းသားက အဖြေအဖြစ် “a” ကို ရွေးချယ်ပါက LS ကို Active/Perceptual/Visual/Sequential အဖြစ် အမျိုးအစားခွဲခြားပြီး ကျောင်းသားက အဖြေအဖြစ် “b” ကို ရွေးချယ်ပါက ကျောင်းသားကို Reflective/Intuitive/Linguistic / global learner အဖြစ် အမျိုးအစားခွဲခြားသည်။
သွားဘက်ဆိုင်ရာပညာရေးသုတေသီများနှင့် စနစ်တီထွင်သူများအကြား လုပ်ငန်းစဉ်ကို ချိန်ညှိပြီးနောက်၊ FLSSM ဒိုမိန်းအပေါ်အခြေခံ၍ မေးခွန်းများကို ရွေးချယ်ခဲ့ပြီး ကျောင်းသားတစ်ဦးချင်းစီ၏ LS ကို ခန့်မှန်းရန် ML မော်ဒယ်ထဲသို့ ထည့်သွင်းခဲ့သည်။ “အမှိုက်ဝင်၊ အမှိုက်ထွက်” သည် ဒေတာအရည်အသွေးကို အလေးပေးသည့် စက်သင်ယူမှုနယ်ပယ်တွင် ရေပန်းစားသော ဆိုရိုးစကားတစ်ခုဖြစ်သည်။ အဝင်ဒေတာ၏ အရည်အသွေးသည် စက်သင်ယူမှုမော်ဒယ်၏ တိကျမှုနှင့် တိကျမှုကို ဆုံးဖြတ်ပေးသည်။ အင်္ဂါရပ်အင်ဂျင်နီယာအဆင့်တွင်၊ FLSSM အပေါ်အခြေခံ၍ အဖြေ “a” နှင့် “b” တို့၏ ပေါင်းလဒ်ဖြစ်သော အင်္ဂါရပ်အစုံအသစ်တစ်ခုကို ဖန်တီးသည်။ ဆေးဝါးနေရာများ၏ ခွဲခြားသတ်မှတ်နံပါတ်များကို ဇယား ၁ တွင် ဖော်ပြထားသည်။
အဖြေများအပေါ်အခြေခံ၍ ရမှတ်ကိုတွက်ချက်ပြီး ကျောင်းသား၏ LS ကို ဆုံးဖြတ်ပါ။ ကျောင်းသားတစ်ဦးစီအတွက် ရမှတ်အပိုင်းအခြားမှာ ၁ မှ ၁၁ အထိဖြစ်သည်။ ၁ မှ ၃ အထိရမှတ်များသည် တူညီသောရှုထောင့်အတွင်း သင်ယူမှုဦးစားပေးမှုများဟန်ချက်ညီမှုကို ညွှန်ပြပြီး ၅ မှ ၇ အထိရမှတ်များသည် အသင့်အတင့်နှစ်သက်မှုကို ညွှန်ပြပြီး ကျောင်းသားများသည် အခြားပတ်ဝန်းကျင်တစ်ခုကို သင်ကြားပေးခြင်းကို ပိုနှစ်သက်လေ့ရှိကြောင်း ညွှန်ပြသည်။ တူညီသောရှုထောင့်ရှိ နောက်ထပ်ကွဲပြားမှုတစ်ခုမှာ ၉ မှ ၁၁ အထိရမှတ်များသည် တစ်ဖက် သို့မဟုတ် တစ်ဖက်အတွက် ပြင်းထန်သောနှစ်သက်မှုကို ထင်ဟပ်စေသည် [8]။
အတိုင်းအတာတစ်ခုစီအတွက် မူးယစ်ဆေးဝါးများကို "တက်ကြွသော"၊ "ဆင်ခြင်တုံတရား" နှင့် "ဟန်ချက်ညီသော" အဖြစ် အုပ်စုဖွဲ့ထားသည်။ ဥပမာအားဖြင့်၊ ကျောင်းသားတစ်ဦးသည် သတ်မှတ်ထားသောအချက်တွင် "ခ" ထက် "က" ကို မကြာခဏဖြေဆိုပြီး Processing LS အတိုင်းအတာကို ကိုယ်စားပြုသည့် သီးခြားအချက်တစ်ခုအတွက် သူ/သူမ၏ရမှတ်သည် ကန့်သတ်ချက် ၅ မှတ်ထက်ကျော်လွန်ပါက၊ သူ/သူမသည် "တက်ကြွသော" LS နယ်ပယ်တွင် ပါဝင်သည်။ သို့သော်၊ ကျောင်းသားများသည် သတ်မှတ်ထားသော မေးခွန်း ၁၁ ခု (ဇယား ၁) တွင် "က" ထက် "ခ" ကို ပိုမိုရွေးချယ်ပြီး ၅ မှတ်ထက်ပိုရသောအခါ "ဆင်ခြင်တုံတရား" LS အဖြစ် အမျိုးအစားခွဲခြားခဲ့သည်။ နောက်ဆုံးတွင်၊ ကျောင်းသားသည် "မျှခြေ" အခြေအနေတွင်ရှိသည်။ ရမှတ်သည် ၅ မှတ်ထက်မပိုပါက၊ ၎င်းသည် "လုပ်ငန်းစဉ်" LS ဖြစ်သည်။ အခြား LS အတိုင်းအတာများဖြစ်သည့် အာရုံခံစားမှု (တက်ကြွသော/ဆင်ခြင်တုံတရား)၊ ထည့်သွင်းမှု (အမြင်အာရုံ/နှုတ်အားဖြင့်) နှင့် နားလည်မှု (အစီအစဉ်အတိုင်း/ကမ္ဘာလုံးဆိုင်ရာ) အတွက် အမျိုးအစားခွဲခြားခြင်းလုပ်ငန်းစဉ်ကို ထပ်မံပြုလုပ်ခဲ့သည်။
ဆုံးဖြတ်ချက်သစ်ပင်မော်ဒယ်များသည် အမျိုးအစားခွဲခြားမှုလုပ်ငန်းစဉ်၏ အဆင့်အမျိုးမျိုးတွင် အင်္ဂါရပ်များနှင့် ဆုံးဖြတ်ချက်စည်းမျဉ်းများ၏ မတူညီသော အစုအဖွဲ့ခွဲများကို အသုံးပြုနိုင်သည်။ ၎င်းကို ရေပန်းစားသော အမျိုးအစားခွဲခြားမှုနှင့် ခန့်မှန်းချက်ကိရိယာတစ်ခုအဖြစ် သတ်မှတ်သည်။ ၎င်းကို flowchart [20] ကဲ့သို့သော သစ်ပင်ဖွဲ့စည်းပုံကို အသုံးပြု၍ ကိုယ်စားပြုနိုင်ပြီး ၎င်းတွင် attribute အလိုက် စမ်းသပ်မှုများကို ကိုယ်စားပြုသည့် အတွင်းပိုင်း node များ၊ စမ်းသပ်မှုရလဒ်များကို ကိုယ်စားပြုသည့် branch တစ်ခုစီနှင့် class label ပါရှိသော leaf node တစ်ခုစီ (leaf node) ရှိသည်။
ကျောင်းသားတစ်ဦးချင်းစီ၏ တုံ့ပြန်မှုများအပေါ် အခြေခံ၍ LS ကို အလိုအလျောက်အမှတ်ပေးပြီး မှတ်ချက်ပေးရန်အတွက် ရိုးရှင်းသော စည်းမျဉ်းအခြေခံပရိုဂရမ်တစ်ခုကို ဖန်တီးထားသည်။ စည်းမျဉ်းအခြေခံသည် IF ဖော်ပြချက်ပုံစံကို ယူထားပြီး “IF” သည် trigger ကိုဖော်ပြပြီး “THEN” သည် လုပ်ဆောင်ရမည့် လုပ်ဆောင်ချက်ကို သတ်မှတ်ပေးသည်၊ ဥပမာ- “X ဖြစ်ပျက်ပါက Y ကိုလုပ်ပါ” (Liu et al., 2014)။ ဒေတာအစုံသည် ဆက်စပ်မှုကိုပြသပြီး ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို ကောင်းမွန်စွာလေ့ကျင့်ပြီး အကဲဖြတ်ပါက ဤချဉ်းကပ်မှုသည် LS နှင့် IS တွဲစပ်ခြင်းလုပ်ငန်းစဉ်ကို အလိုအလျောက်လုပ်ဆောင်ရန် ထိရောက်သောနည်းလမ်းတစ်ခု ဖြစ်နိုင်သည်။
ဒုတိယအဆင့် ဖွံ့ဖြိုးတိုးတက်မှုတွင် အကြံပြုချက်ကိရိယာ၏ တိကျမှုကို မြှင့်တင်ရန်အတွက် dataset ကို ၂၅၅ အထိ တိုးမြှင့်ခဲ့သည်။ dataset ကို ၁:၄ အချိုးဖြင့် ပိုင်းခြားထားသည်။ dataset ၏ ၂၅% (၆၄) ကို test set အတွက် အသုံးပြုခဲ့ပြီး ကျန် ၇၅% (၁၉၁) ကို training set အဖြစ် အသုံးပြုခဲ့သည် (ပုံ ၂)။ မော်ဒယ်ကို တူညီသော dataset တွင် လေ့ကျင့်ပြီး စမ်းသပ်ခြင်းမှ ကာကွယ်ရန် data set ကို ပိုင်းခြားရန် လိုအပ်ပြီး ၎င်းသည် မော်ဒယ်ကို သင်ယူမည့်အစား မှတ်မိစေနိုင်သည်။ မော်ဒယ်ကို training set တွင် လေ့ကျင့်ပြီး test set — မော်ဒယ် ယခင်က မမြင်ဖူးသော data — တွင် ၎င်း၏စွမ်းဆောင်ရည်ကို အကဲဖြတ်သည်။
IS tool ကို တီထွင်ပြီးသည်နှင့် application သည် web interface မှတစ်ဆင့် သွားဘက်ဆိုင်ရာကျောင်းသားများ၏ တုံ့ပြန်မှုများအပေါ် အခြေခံ၍ LS ကို အမျိုးအစားခွဲခြားနိုင်မည်ဖြစ်သည်။ web-based information security recommendation tool system ကို Django framework ကို backend အဖြစ်အသုံးပြု၍ Python programming language ကို အသုံးပြု၍ တည်ဆောက်ထားသည်။ ဇယား ၂ တွင် ဤစနစ်ဖွံ့ဖြိုးတိုးတက်ရေးတွင် အသုံးပြုသော libraries များကို ဖော်ပြထားသည်။
ကျောင်းသား LS တိုင်းတာမှုများကို အလိုအလျောက် အမျိုးအစားခွဲခြားရန်အတွက် ကျောင်းသားများ၏ တုံ့ပြန်မှုများကို တွက်ချက်ပြီး ထုတ်ယူရန်အတွက် dataset ကို decision tree model သို့ ပေးပို့သည်။
confusion matrix ကို ပေးထားသောဒေတာအစုတစ်ခုပေါ်တွင် decision tree machine learning algorithm ၏တိကျမှုကိုအကဲဖြတ်ရန်အသုံးပြုသည်။ တစ်ချိန်တည်းမှာပင်၊ ၎င်းသည် classification model ၏စွမ်းဆောင်ရည်ကိုအကဲဖြတ်သည်။ ၎င်းသည် မော်ဒယ်၏ခန့်မှန်းချက်များကို အကျဉ်းချုပ်ပြီး ၎င်းတို့ကို တကယ့်ဒေတာ label များနှင့်နှိုင်းယှဉ်သည်။ အကဲဖြတ်ရလဒ်များသည် မတူညီသောတန်ဖိုးလေးခုအပေါ်အခြေခံသည်- True Positive (TP) – မော်ဒယ်သည် positive category ကိုမှန်ကန်စွာခန့်မှန်းသည်၊ False Positive (FP) – မော်ဒယ်သည် positive category ကိုခန့်မှန်းသော်လည်း true label သည် negative ဖြစ်သည်၊ True Negative (TN) – မော်ဒယ်သည် negative class ကိုမှန်ကန်စွာခန့်မှန်းပြီး false negative (FN) – မော်ဒယ်သည် negative class ကိုခန့်မှန်းသော်လည်း true label သည် positive ဖြစ်သည်။
ဤတန်ဖိုးများကို Python ရှိ scikit-learn classification model ၏ စွမ်းဆောင်ရည် metric အမျိုးမျိုးဖြစ်သည့် precision, precision, recall နှင့် F1 score တို့ကို တွက်ချက်ရန် အသုံးပြုပါသည်။ ဥပမာများမှာ အောက်ပါအတိုင်းဖြစ်သည်။
ပြန်လည်မှတ်မိခြင်း (သို့မဟုတ် အာရုံခံနိုင်စွမ်း) သည် m-ILS မေးခွန်းလွှာကို ဖြေဆိုပြီးနောက် ကျောင်းသား၏ LS ကို တိကျစွာ အမျိုးအစားခွဲခြားနိုင်စွမ်းကို မော်ဒယ်၏ တိုင်းတာသည်။
တိကျမှုကို true negative rate ဟုခေါ်သည်။ အထက်ပါပုံသေနည်းမှ သင်မြင်တွေ့ရသည့်အတိုင်း ၎င်းသည် true negatives (TN) နှင့် true negatives နှင့် false positives (FP) တို့၏ အချိုးဖြစ်သင့်သည်။ ကျောင်းသားဆေးဝါးများကို အမျိုးအစားခွဲခြားရန်အတွက် အကြံပြုထားသောကိရိယာ၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ၎င်းသည် တိကျစွာခွဲခြားသတ်မှတ်နိုင်ရမည်။
ဆုံးဖြတ်ချက်သစ်ပင် ML မော်ဒယ်ကို လေ့ကျင့်ပေးရန်အသုံးပြုခဲ့သော ကျောင်းသား ၅၀ ၏ မူလဒေတာစုတွင် မှတ်ချက်များတွင် လူ့အမှားကြောင့် တိကျမှု အတော်လေးနိမ့်ကျနေသည် (ဇယား ၃)။ LS ရမှတ်များနှင့် ကျောင်းသားမှတ်ချက်များကို အလိုအလျောက်တွက်ချက်ရန် ရိုးရှင်းသော စည်းမျဉ်းအခြေခံပရိုဂရမ်တစ်ခုကို ဖန်တီးပြီးနောက်၊ အကြံပြုစနစ်ကို လေ့ကျင့်ပေးရန်နှင့် စမ်းသပ်ရန် ဒေတာစုအရေအတွက် (၂၅၅) ကို အသုံးပြုခဲ့သည်။
multiclass confusion matrix မှာ diagonal element တွေက LS အမျိုးအစားတစ်ခုချင်းစီအတွက် မှန်ကန်သော ခန့်မှန်းချက်အရေအတွက်ကို ကိုယ်စားပြုပါတယ် (ပုံ ၄)။ decision tree model ကို အသုံးပြုပြီး စုစုပေါင်း sample ၆၄ ခုကို မှန်ကန်စွာ ခန့်မှန်းခဲ့ပါတယ်။ ဒါကြောင့် ဒီလေ့လာမှုမှာ diagonal element တွေက မျှော်မှန်းထားတဲ့ ရလဒ်တွေကို ပြသပြီး model က LS classification တစ်ခုစီအတွက် class label ကို ကောင်းမွန်စွာ လုပ်ဆောင်ပြီး တိကျစွာ ခန့်မှန်းနိုင်တယ်ဆိုတာကို ညွှန်ပြပါတယ်။ ဒါကြောင့် recommendation tool ရဲ့ အလုံးစုံတိကျမှုက 100% ရှိပါတယ်။
တိကျမှု၊ တိကျမှု၊ ပြန်လည်မှတ်မိမှုနှင့် F1 ရမှတ်တန်ဖိုးများကို ပုံ ၅ တွင် ပြသထားသည်။ ဆုံးဖြတ်ချက်သစ်ပင်မော်ဒယ်ကိုအသုံးပြုသော အကြံပြုချက်စနစ်အတွက် ၎င်း၏ F1 ရမှတ်သည် 1.0 “ပြီးပြည့်စုံ” ဖြစ်ပြီး သိသာထင်ရှားသော အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုတန်ဖိုးများကို ထင်ဟပ်စေပြီး ပြီးပြည့်စုံသော တိကျမှုနှင့် ပြန်လည်မှတ်မိမှုကို ညွှန်ပြသည်။
ပုံ ၆ တွင် လေ့ကျင့်မှုနှင့် စမ်းသပ်မှုများ ပြီးဆုံးပြီးနောက် ဆုံးဖြတ်ချက်ချခြင်း သစ်ပင်ပုံစံ၏ မြင်ယောင်မှုကို ပြသထားသည်။ ဘေးချင်းယှဉ်နှိုင်းယှဉ်ချက်တွင်၊ အင်္ဂါရပ်နည်းပါးသော လေ့ကျင့်မှု ဆုံးဖြတ်ချက်ချခြင်း သစ်ပင်ပုံစံသည် ပိုမိုတိကျမှုမြင့်မားပြီး မော်ဒယ်မြင်ယောင်မှု ပိုမိုလွယ်ကူကြောင်း ပြသခဲ့သည်။ ၎င်းသည် အင်္ဂါရပ်လျှော့ချခြင်းကို ဦးတည်စေသော အင်္ဂါရပ်အင်ဂျင်နီယာသည် မော်ဒယ်စွမ်းဆောင်ရည်တိုးတက်စေရန် အရေးကြီးသောခြေလှမ်းတစ်ခုဖြစ်ကြောင်း ပြသနေသည်။
ဆုံးဖြတ်ချက်သစ်ပင် ကြီးကြပ်သင်ယူမှုကို အသုံးပြုခြင်းဖြင့် LS (input) နှင့် IS (target output) အကြား မြေပုံရေးဆွဲခြင်းကို အလိုအလျောက်ထုတ်ပေးပြီး LS တစ်ခုချင်းစီအတွက် အသေးစိတ်အချက်အလက်များ ပါဝင်သည်။
ရလဒ်များအရ ကျောင်းသား ၂၅၅ ဦး၏ ၃၄.၉% သည် LS ရွေးချယ်မှုတစ်ခု (၁) ခုကို နှစ်သက်ကြောင်း ပြသခဲ့သည်။ အများစု (၅၄.၃%) သည် LS ရွေးချယ်မှု နှစ်ခု သို့မဟုတ် နှစ်ခုထက်ပို၍ ရှိသည်။ ကျောင်းသား ၁၂.၂% သည် LS သည် အတော်လေး ဟန်ချက်ညီကြောင်း မှတ်ချက်ပြုခဲ့သည် (ဇယား ၄)။ အဓိက LS ရှစ်ခုအပြင်၊ မာလာယာတက္ကသိုလ် သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် LS အမျိုးအစား ၃၄ မျိုး ပေါင်းစပ်ထားသည်။ ၎င်းတို့ထဲတွင် ကျောင်းသားများ အစီရင်ခံထားသော အဓိက LS များမှာ အာရုံခံစားမှု၊ အမြင်အာရုံနှင့် အာရုံခံစားမှုနှင့် အမြင်အာရုံ ပေါင်းစပ်မှုတို့ ဖြစ်သည် (ပုံ ၇)။
ဇယား ၄ မှ မြင်တွေ့ရသည့်အတိုင်း ကျောင်းသားအများစုတွင် အဓိကအာရုံခံ (၁၃.၇%) သို့မဟုတ် အမြင်အာရုံ (၈.၆%) LS ရှိသည်။ ကျောင်းသား ၁၂.၂% သည် အာရုံခံစားမှုနှင့် အမြင်အာရုံ (အာရုံခံစားမှု-အမြင်အာရုံ LS) ပေါင်းစပ်ထားကြောင်း အစီရင်ခံထားသည်။ ဤတွေ့ရှိချက်များအရ ကျောင်းသားများသည် သတ်မှတ်ထားသော နည်းလမ်းများဖြင့် သင်ယူပြီး မှတ်မိလိုကြပြီး တိကျပြီး အသေးစိတ်လုပ်ထုံးလုပ်နည်းများကို လိုက်နာကာ အာရုံစိုက်လိုကြကြောင်း ဖော်ပြသည်။ တစ်ချိန်တည်းမှာပင်၊ ၎င်းတို့သည် ကြည့်ရှုခြင်းဖြင့် သင်ယူခြင်းကို နှစ်သက်ကြပြီး အဖွဲ့လိုက် သို့မဟုတ် တစ်ဦးချင်းစီ ဆွေးနွေးပြီး အသုံးချလိုကြသည်။
ဤလေ့လာမှုသည် ကျောင်းသားများ၏ LS ကို ချက်ချင်းနှင့် တိကျစွာ ခန့်မှန်းခြင်းနှင့် သင့်လျော်သော IS ကို အကြံပြုခြင်းတို့ကို အဓိကထား၍ ဒေတာတူးဖော်ခြင်းတွင် အသုံးပြုသော စက်သင်ယူမှုနည်းစနစ်များ၏ ခြုံငုံသုံးသပ်ချက်ကို ပေးပါသည်။ ဆုံးဖြတ်ချက်သစ်ပင်ပုံစံကို အသုံးချခြင်းသည် ၎င်းတို့၏ဘဝနှင့် ပညာရေးအတွေ့အကြုံများနှင့် အနီးစပ်ဆုံး ဆက်စပ်နေသောအချက်များကို ဖော်ထုတ်ခဲ့သည်။ ၎င်းသည် သတ်မှတ်ထားသော စံနှုန်းများအပေါ် အခြေခံ၍ ဒေတာအစုံကို အမျိုးအစားခွဲများအဖြစ် ပိုင်းခြားခြင်းဖြင့် ဒေတာများကို အမျိုးအစားခွဲခြားရန် သစ်ပင်ဖွဲ့စည်းပုံကို အသုံးပြုသည့် ကြီးကြပ်ကွပ်ကဲထားသော စက်သင်ယူမှု အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ ၎င်းသည် အရွက်နုတ်တွင် ဆုံးဖြတ်ချက်မချမချင်း အတွင်းပိုင်းနုတ်တစ်ခုစီ၏ အဝင်အင်္ဂါရပ်များထဲမှ တစ်ခု၏ တန်ဖိုးအပေါ် အခြေခံ၍ အဝင်ဒေတာကို အပိုင်းခွဲများအဖြစ် ပြန်လည်ပိုင်းခြားခြင်းဖြင့် လုပ်ဆောင်သည်။
ဆုံးဖြတ်ချက်သစ်ပင်၏ အတွင်းပိုင်းနုတ်များသည် m-ILS ပြဿနာ၏ အဝင်ဝိသေသလက္ခဏာများအပေါ် အခြေခံသည့် ဖြေရှင်းချက်ကို ကိုယ်စားပြုပြီး အရွက်နုတ်များသည် နောက်ဆုံး LS အမျိုးအစားခွဲခြားမှု ခန့်မှန်းချက်ကို ကိုယ်စားပြုသည်။ လေ့လာမှုတစ်လျှောက်လုံးတွင် အဝင်အင်္ဂါရပ်များနှင့် အထွက်ခန့်မှန်းချက်များအကြား ဆက်နွယ်မှုကို ကြည့်ခြင်းဖြင့် ဆုံးဖြတ်ချက်လုပ်ငန်းစဉ်ကို ရှင်းပြပြီး မြင်ယောင်စေသည့် ဆုံးဖြတ်ချက်သစ်ပင်များ၏ အဆင့်ဆင့်ကို နားလည်ရန် လွယ်ကူပါသည်။
ကွန်ပျူတာသိပ္ပံနှင့် အင်ဂျင်နီယာဘာသာရပ်များတွင် စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို ကျောင်းသားများ၏ ဝင်ခွင့်စာမေးပွဲရမှတ်များ [21]၊ လူဦးရေဆိုင်ရာ အချက်အလက်များနှင့် သင်ယူမှုအပြုအမူ [22] တို့အပေါ် အခြေခံ၍ ကျောင်းသားစွမ်းဆောင်ရည်ကို ခန့်မှန်းရန် တွင်ကျယ်စွာ အသုံးပြုကြသည်။ သုတေသနပြုချက်များအရ အယ်လဂိုရီသမ်သည် ကျောင်းသားစွမ်းဆောင်ရည်ကို တိကျစွာ ခန့်မှန်းပြီး ပညာရေးဆိုင်ရာ အခက်အခဲများအတွက် အန္တရာယ်ရှိသော ကျောင်းသားများကို ဖော်ထုတ်ရာတွင် ကူညီပေးကြောင်း ပြသခဲ့သည်။
သွားဘက်ဆိုင်ရာ လေ့ကျင့်ရေးအတွက် virtual လူနာ simulator များ တီထွင်ရာတွင် ML algorithms များ အသုံးချမှုကို တင်ပြထားပါသည်။ Simulator သည် စစ်မှန်သော လူနာများ၏ ဇီဝကမ္မဗေဒဆိုင်ရာ တုံ့ပြန်မှုများကို တိကျစွာ ပြန်လည်ထုတ်လုပ်နိုင်ပြီး ဘေးကင်းပြီး ထိန်းချုပ်ထားသော ပတ်ဝန်းကျင်တွင် သွားဘက်ဆိုင်ရာ ကျောင်းသားများကို လေ့ကျင့်ပေးရန် အသုံးပြုနိုင်ပါသည် [23]။ အခြားလေ့လာမှုများစွာက စက်သင်ယူမှု algorithms များသည် သွားနှင့် ဆေးဘက်ဆိုင်ရာ ပညာရေးနှင့် လူနာစောင့်ရှောက်မှု၏ အရည်အသွေးနှင့် ထိရောက်မှုကို မြှင့်တင်ပေးနိုင်ကြောင်း ပြသထားသည်။ ရောဂါလက္ခဏာများနှင့် လူနာဝိသေသလက္ခဏာများကဲ့သို့သော အချက်အလက်အစုံများအပေါ် အခြေခံ၍ သွားဘက်ဆိုင်ရာရောဂါများကို ရောဂါရှာဖွေရာတွင် အထောက်အကူပြုရန် စက်သင်ယူမှု algorithms များကို အသုံးပြုခဲ့သည် [24၊ 25]။ အခြားလေ့လာမှုများက လူနာရလဒ်များကို ခန့်မှန်းခြင်း၊ အန္တရာယ်မြင့်မားသော လူနာများကို ဖော်ထုတ်ခြင်း၊ ပုဂ္ဂိုလ်ရေးသီးသန့် ကုသမှုအစီအစဉ်များ ရေးဆွဲခြင်း [26]၊ သွားဖုံးရောဂါကုသမှု [27] နှင့် သွားပိုးစားခြင်းကုသမှု [25] ကဲ့သို့သော လုပ်ငန်းဆောင်တာများကို လုပ်ဆောင်ရန် စက်သင်ယူမှု algorithms များကို အသုံးပြုခြင်းကို စူးစမ်းလေ့လာခဲ့ကြသည်။
စက်သင်ယူမှုကို သွားဘက်ဆိုင်ရာဆေးပညာတွင် အသုံးချမှုဆိုင်ရာ အစီရင်ခံစာများ ထုတ်ပြန်ပြီးဖြစ်သော်လည်း သွားဘက်ဆိုင်ရာပညာရေးတွင် ၎င်း၏အသုံးချမှုမှာ အကန့်အသတ်ရှိနေဆဲဖြစ်သည်။ ထို့ကြောင့် ဤလေ့လာမှုသည် သွားဘက်ဆိုင်ရာကျောင်းသားများတွင် LS နှင့် IS နှင့် အနီးစပ်ဆုံးဆက်စပ်နေသောအချက်များကို ဖော်ထုတ်ရန် ဆုံးဖြတ်ချက်သစ်ပင်မော်ဒယ်ကို အသုံးပြုရန် ရည်ရွယ်ပါသည်။
ဤလေ့လာမှု၏ရလဒ်များအရ တီထွင်ထားသော အကြံပြုချက်ကိရိယာသည် မြင့်မားသောတိကျမှုနှင့် ပြီးပြည့်စုံသောတိကျမှုရှိကြောင်းပြသထားပြီး ဆရာ၊ ဆရာမများသည် ဤကိရိယာမှ အကျိုးကျေးဇူးရရှိနိုင်ကြောင်း ညွှန်ပြနေသည်။ ဒေတာအခြေပြု အမျိုးအစားခွဲခြားခြင်းလုပ်ငန်းစဉ်ကို အသုံးပြုခြင်းဖြင့် ၎င်းသည် ပုဂ္ဂိုလ်ရေးသီးသန့် အကြံပြုချက်များကို ပေးစွမ်းနိုင်ပြီး ပညာရေးပညာရှင်များနှင့် ကျောင်းသားများအတွက် ပညာရေးအတွေ့အကြုံများနှင့် ရလဒ်များကို တိုးတက်ကောင်းမွန်စေနိုင်သည်။ ၎င်းတို့အနက် အကြံပြုချက်ကိရိယာများမှတစ်ဆင့် ရရှိသော အချက်အလက်များသည် ဆရာ၊ ဆရာမများ နှစ်သက်သော သင်ကြားမှုနည်းလမ်းများနှင့် ကျောင်းသားများ၏ သင်ယူမှုလိုအပ်ချက်များအကြား ပဋိပက္ခများကို ဖြေရှင်းနိုင်သည်။ ဥပမာအားဖြင့်၊ အကြံပြုချက်ကိရိယာများ၏ အလိုအလျောက်ရလဒ်ကြောင့် ကျောင်းသားတစ်ဦး၏ IP ကို ဖော်ထုတ်ပြီး သက်ဆိုင်ရာ IP နှင့် တိုက်ဆိုင်စစ်ဆေးရန် လိုအပ်သောအချိန်ကို သိသိသာသာ လျှော့ချပေးမည်ဖြစ်သည်။ ဤနည်းအားဖြင့် သင့်လျော်သော လေ့ကျင့်ရေးလှုပ်ရှားမှုများနှင့် လေ့ကျင့်ရေးပစ္စည်းများကို စီစဉ်နိုင်သည်။ ၎င်းသည် ကျောင်းသားများ၏ အပြုသဘောဆောင်သော သင်ယူမှုအပြုအမူနှင့် အာရုံစူးစိုက်နိုင်စွမ်းကို တိုးတက်စေရန် ကူညီပေးသည်။ လေ့လာမှုတစ်ခုအရ ကျောင်းသားများအား ၎င်းတို့နှစ်သက်သော LS နှင့် ကိုက်ညီသော သင်ယူမှုပစ္စည်းများနှင့် သင်ယူမှုလှုပ်ရှားမှုများ ပေးအပ်ခြင်းသည် ကျောင်းသားများအား ပိုမိုကောင်းမွန်သော အလားအလာရရှိရန် နည်းလမ်းများစွာဖြင့် သင်ယူမှုကို ပေါင်းစပ်၊ လုပ်ဆောင်ပြီး ပျော်ရွှင်စွာ ဖြတ်သန်းနိုင်စေရန် ကူညီပေးနိုင်ကြောင်း ဖော်ပြထားသည် [12]။ သုတေသနပြုချက်များအရ အတန်းထဲတွင် ကျောင်းသားပါဝင်မှုကို တိုးတက်ကောင်းမွန်စေရုံသာမက ကျောင်းသားများ၏ သင်ယူမှုလုပ်ငန်းစဉ်ကို နားလည်ခြင်းသည် သင်ကြားရေးလုပ်ငန်းစဉ်များနှင့် ကျောင်းသားများနှင့် ဆက်သွယ်ပြောဆိုမှုကို တိုးတက်ကောင်းမွန်စေရန်တွင်လည်း အရေးကြီးသောအခန်းကဏ္ဍမှ ပါဝင်ကြောင်း ပြသထားသည် [28၊ 29]။
သို့သော်၊ ခေတ်မီနည်းပညာတိုင်းကဲ့သို့ပင် ပြဿနာများနှင့် ကန့်သတ်ချက်များရှိပါသည်။ ၎င်းတို့တွင် ဒေတာလုံခြုံရေး၊ ဘက်လိုက်မှုနှင့် တရားမျှတမှုနှင့် သွားဘက်ဆိုင်ရာပညာရေးတွင် စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို တီထွင်အကောင်အထည်ဖော်ရန် လိုအပ်သော ပရော်ဖက်ရှင်နယ်ကျွမ်းကျင်မှုနှင့် အရင်းအမြစ်များနှင့် ဆက်စပ်သော ပြဿနာများ ပါဝင်သည်။ သို့သော် ဤနယ်ပယ်တွင် တိုးပွားလာသော စိတ်ဝင်စားမှုနှင့် သုတေသနပြုချက်များအရ စက်သင်ယူမှုနည်းပညာများသည် သွားဘက်ဆိုင်ရာပညာရေးနှင့် သွားဘက်ဆိုင်ရာဝန်ဆောင်မှုများအပေါ် အပြုသဘောဆောင်သော အကျိုးသက်ရောက်မှုရှိနိုင်ကြောင်း အကြံပြုထားသည်။
ဤလေ့လာမှု၏ရလဒ်များအရ သွားဘက်ဆိုင်ရာ ကျောင်းသားထက်ဝက်သည် မူးယစ်ဆေးဝါးများကို “မြင်ယောင်” တတ်ကြောင်း ဖော်ပြသည်။ ဤသင်ယူသူအမျိုးအစားသည် အချက်အလက်များနှင့် ကွန်ကရစ်ဥပမာများ၊ လက်တွေ့ကျသော ဦးတည်ချက်၊ အသေးစိတ်အတွက် စိတ်ရှည်ခြင်းနှင့် “အမြင်အာရုံ” LS ကို နှစ်သက်ကြပြီး သင်ယူသူများသည် အတွေးအခေါ်များနှင့် အတွေးများကို ဖော်ပြရန် ရုပ်ပုံများ၊ ဂရပ်ဖစ်များ၊ အရောင်များနှင့် မြေပုံများကို အသုံးပြုရန် နှစ်သက်ကြသည်။ လက်ရှိရလဒ်များသည် သွားဘက်ဆိုင်ရာနှင့် ဆေးပညာကျောင်းသားများတွင် LS ကို အကဲဖြတ်ရန် ILS ကိုအသုံးပြုသည့် အခြားလေ့လာမှုများနှင့် ကိုက်ညီပြီး ၎င်းတို့အများစုမှာ အာရုံခံစားမှုနှင့် အမြင်အာရုံ LS ၏ ဝိသေသလက္ခဏာများရှိသည် [12၊ 30]။ Dalmolin နှင့်အဖွဲ့သည် ကျောင်းသားများအား ၎င်းတို့၏ LS အကြောင်း အသိပေးခြင်းသည် ၎င်းတို့၏ သင်ယူမှုအလားအလာကို ရောက်ရှိစေသည်ဟု အကြံပြုထားသည်။ ဆရာ၊ ဆရာမများသည် ကျောင်းသားများ၏ ပညာရေးလုပ်ငန်းစဉ်ကို အပြည့်အဝနားလည်သောအခါ၊ ကျောင်းသားများ၏ စွမ်းဆောင်ရည်နှင့် သင်ယူမှုအတွေ့အကြုံကို တိုးတက်စေမည့် သင်ကြားမှုနည်းလမ်းများနှင့် လှုပ်ရှားမှုအမျိုးမျိုးကို အကောင်အထည်ဖော်နိုင်ကြောင်း သုတေသီများက ငြင်းခုံကြသည် [12၊ 31၊ 32]။ အခြားလေ့လာမှုများအရ ကျောင်းသားများ၏ LS ကို ချိန်ညှိခြင်းသည် ၎င်းတို့၏ကိုယ်ပိုင် LS နှင့် ကိုက်ညီစေရန် ၎င်းတို့၏ သင်ယူမှုပုံစံများကို ပြောင်းလဲပြီးနောက် ကျောင်းသားများ၏ သင်ယူမှုအတွေ့အကြုံနှင့် စွမ်းဆောင်ရည်တွင် တိုးတက်မှုများကိုလည်း ပြသကြောင်း ပြသထားသည် [13၊ 33]။
ကျောင်းသားများ၏ သင်ယူမှုစွမ်းရည်အပေါ် အခြေခံ၍ သင်ကြားရေးဗျူဟာများ အကောင်အထည်ဖော်မှုနှင့် ပတ်သက်၍ ဆရာများ၏ ထင်မြင်ယူဆချက်များ ကွဲပြားနိုင်သည်။ အချို့က ပရော်ဖက်ရှင်နယ် ဖွံ့ဖြိုးတိုးတက်မှု အခွင့်အလမ်းများ၊ လမ်းညွှန်မှုနှင့် အသိုင်းအဝိုင်းပံ့ပိုးမှု အပါအဝင် ဤချဉ်းကပ်မှု၏ အကျိုးကျေးဇူးများကို မြင်တွေ့ကြသော်လည်း အခြားသူများက အချိန်နှင့် အဖွဲ့အစည်းဆိုင်ရာ ပံ့ပိုးမှုအပေါ် စိုးရိမ်ပူပန်ကြပေမည်။ ဟန်ချက်ညီစေရန် ကြိုးပမ်းခြင်းသည် ကျောင်းသားဗဟိုပြု သဘောထားကို ဖန်တီးရာတွင် အဓိကသော့ချက်ဖြစ်သည်။ တက္ကသိုလ် အုပ်ချုပ်ရေးမှူးများကဲ့သို့သော အဆင့်မြင့်ပညာရေး အာဏာပိုင်များသည် ဆန်းသစ်သော အလေ့အကျင့်များကို မိတ်ဆက်ခြင်းနှင့် ဆရာ၊ ဆရာမများ ဖွံ့ဖြိုးတိုးတက်မှုကို ပံ့ပိုးခြင်းဖြင့် အပြုသဘောဆောင်သော ပြောင်းလဲမှုကို မောင်းနှင်ရာတွင် အရေးကြီးသော အခန်းကဏ္ဍမှ ပါဝင်နိုင်သည် [34]။ အမှန်တကယ် တက်ကြွပြီး တုံ့ပြန်မှုကောင်းသော အဆင့်မြင့်ပညာရေးစနစ်တစ်ခု ဖန်တီးရန်အတွက် မူဝါဒချမှတ်သူများသည် မူဝါဒပြောင်းလဲမှုများ ပြုလုပ်ခြင်း၊ နည်းပညာပေါင်းစပ်မှုအတွက် အရင်းအမြစ်များကို မြှုပ်နှံခြင်းနှင့် ကျောင်းသားဗဟိုပြု ချဉ်းကပ်မှုများကို မြှင့်တင်ပေးသည့် မူဘောင်များ ဖန်တီးခြင်းကဲ့သို့သော ရဲရင့်သော ခြေလှမ်းများကို လုပ်ဆောင်ရမည်။ ဤအစီအမံများသည် လိုချင်သော ရလဒ်များ ရရှိရန် အရေးကြီးပါသည်။ ကွဲပြားသော သင်ကြားမှုဆိုင်ရာ မကြာသေးမီက သုတေသနပြုချက်က ကွဲပြားသော သင်ကြားမှုကို အောင်မြင်စွာ အကောင်အထည်ဖော်ရန် ဆရာ၊ ဆရာမများအတွက် စဉ်ဆက်မပြတ် လေ့ကျင့်မှုနှင့် ဖွံ့ဖြိုးတိုးတက်မှု အခွင့်အလမ်းများ လိုအပ်ကြောင်း ရှင်းရှင်းလင်းလင်း ပြသခဲ့သည် [35]။
ဤကိရိယာသည် ကျောင်းသားဗဟိုပြု ချဉ်းကပ်မှုကို လုပ်ဆောင်လိုသော သွားဘက်ဆိုင်ရာ ပညာပေးသူများအတွက် အဖိုးတန် ပံ့ပိုးမှုပေးသည်။ သို့သော် ဤလေ့လာမှုသည် ဆုံးဖြတ်ချက်သစ်ပင် ML မော်ဒယ်များကိုသာ အသုံးပြုရန် ကန့်သတ်ထားသည်။ အနာဂတ်တွင်၊ အကြံပြုချက်ကိရိယာများ၏ တိကျမှု၊ ယုံကြည်စိတ်ချရမှုနှင့် တိကျမှုကို နှိုင်းယှဉ်ရန်အတွက် မတူညီသော စက်သင်ယူမှုမော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ရန် အချက်အလက်များ ပိုမိုစုဆောင်းသင့်သည်။ ထို့အပြင်၊ သတ်မှတ်ထားသော လုပ်ငန်းတာဝန်အတွက် အသင့်တော်ဆုံး စက်သင်ယူမှုနည်းလမ်းကို ရွေးချယ်သောအခါ၊ မော်ဒယ်ရှုပ်ထွေးမှုနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကဲ့သို့သော အခြားအချက်များကို ထည့်သွင်းစဉ်းစားရန် အရေးကြီးပါသည်။
ဤလေ့လာမှု၏ ကန့်သတ်ချက်တစ်ခုမှာ သွားဘက်ဆိုင်ရာ ကျောင်းသားများတွင် LS နှင့် IS ကို မြေပုံရေးဆွဲခြင်းကိုသာ အာရုံစိုက်ခဲ့ခြင်း ဖြစ်သည်။ ထို့ကြောင့် တီထွင်ထားသော အကြံပြုချက်စနစ်သည် သွားဘက်ဆိုင်ရာ ကျောင်းသားများအတွက် သင့်လျော်သော အကြံပြုချက်များကိုသာ အကြံပြုမည်ဖြစ်သည်။ အထွေထွေ အဆင့်မြင့်ပညာရေး ကျောင်းသားများအတွက် ပြောင်းလဲမှုများသည် လိုအပ်ပါသည်။
မကြာသေးမီက တီထွင်ထားသော စက်သင်ယူမှုအခြေခံ အကြံပြုချက်ကိရိယာသည် ကျောင်းသားများ၏ LS ကို သက်ဆိုင်ရာ IS နှင့် ချက်ချင်းခွဲခြားသတ်မှတ်ပြီး တွဲစပ်ပေးနိုင်သောကြောင့် ၎င်းသည် သက်ဆိုင်ရာ သင်ကြားရေးနှင့် သင်ယူမှုလှုပ်ရှားမှုများကို စီစဉ်ရန် သွားဘက်ဆိုင်ရာ ပညာပေးသူများအား ကူညီပေးသည့် ပထမဆုံး သွားဘက်ဆိုင်ရာ ပညာရေးအစီအစဉ် ဖြစ်လာသည်။ ဒေတာအခြေပြု triage လုပ်ငန်းစဉ်ကို အသုံးပြုခြင်းဖြင့် ၎င်းသည် ပုဂ္ဂိုလ်ရေးသီးသန့် အကြံပြုချက်များ ပေးနိုင်ခြင်း၊ အချိန်ကုန်သက်သာစေခြင်း၊ သင်ကြားရေးဗျူဟာများကို တိုးတက်ကောင်းမွန်စေခြင်း၊ ပစ်မှတ်ထား ကြားဝင်ဆောင်ရွက်မှုများကို ပံ့ပိုးပေးခြင်းနှင့် ဆက်လက်လုပ်ဆောင်နေသော ပရော်ဖက်ရှင်နယ် ဖွံ့ဖြိုးတိုးတက်မှုကို မြှင့်တင်ပေးနိုင်သည်။ ၎င်း၏အသုံးချမှုသည် ကျောင်းသားဗဟိုပြု သွားဘက်ဆိုင်ရာ ပညာရေးအတွက် ချဉ်းကပ်မှုများကို မြှင့်တင်ပေးမည်ဖြစ်သည်။
ဂီလက် ဂျနီ Associated Press။ ကျောင်းသား၏ သင်ယူမှုပုံစံနှင့် ဆရာ၏ သင်ကြားမှုပုံစံ ကိုက်ညီမှု သို့မဟုတ် မကိုက်ညီမှု။ Int J Mod Educ Computer Science။ 2012;4(11):51–60။ https://doi.org/10.5815/ijmecs.2012.11.05
ပို့စ်တင်ချိန်: ၂၀၂၄ ခုနှစ်၊ ဧပြီလ ၂၉ ရက်