មានការកើនឡើងនូវតំរូវការដែលត្រូវការសម្រាប់ការរៀនសូត្រដែលផ្តោតលើនិស្សិត (អេសអិល) ក្នុងគ្រឹះស្ថានឧត្តមសិក្សារួមទាំងពេទ្យធ្មេញ។ ទោះយ៉ាងណាអេសស៊ីអិលមានការអនុវត្តមានកំណត់ក្នុងការអប់រំធ្មេញ។ ដូច្នេះការសិក្សានេះមានគោលបំណងលើកកម្ពស់កម្មវិធីរបស់ SCL នៅក្នុងទន្តពេទ្យដោយប្រើបច្ចេកវិទ្យារៀនម៉ាស៊ីនមែកធាងនៃការរៀន (អិលអេសអេស) និងយុទ្ធសាស្រ្តរៀនសូត្រដែលត្រូវគ្នា (គឺ) របស់និស្សិតធ្មេញដែលជាឧបករណ៍ដែលមានប្រយោជន៍សម្រាប់ការអភិវឌ្ឍគឺគោលការណ៍ណែនាំ ។ វិធីសាស្ត្រជោគជ័យសម្រាប់និស្សិតធ្មេញ។
និស្សិតធ្មេញសរុបចំនួន 255 នាក់មកពីសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានបញ្ចប់សន្ទស្សន៍ស្ទីលសិក្សាដែលបានកែប្រែ (M-ILS) ដែលមាន 44 របស់ពួកគេដើម្បីចាត់ថ្នាក់ពួកគេទៅជា LSS រៀងៗខ្លួន។ ទិន្នន័យដែលប្រមូលបាន (ហៅថាសំណុំទិន្នន័យ) ត្រូវបានប្រើក្នុងការរៀនសូត្រនៃការសំរេចចិត្តដែលបានត្រួតពិនិត្យដើម្បីផ្គូរផ្គងការរៀនរបស់សិស្សដោយស្វ័យប្រវត្តិចំពោះការសមស្របបំផុតគឺសមរម្យបំផុត។ ភាពត្រឹមត្រូវនៃការរៀនរបស់ម៉ាស៊ីនគឺឧបករណ៍អនុសាសន៍បន្ទាប់មកត្រូវបានវាយតម្លៃ។
ការអនុវត្តគំរូមែកធាងការសម្រេចចិត្តនៅក្នុងដំណើរការធ្វើផែនទីដោយស្វ័យប្រវត្តិរវាងអិលអេស (ការបញ្ចូល) ហើយ (លទ្ធផលគោលដៅ) អនុញ្ញាតឱ្យមានបញ្ជីយុទ្ធសាស្រ្តរៀនសូត្រដែលសមស្របសម្រាប់និស្សិតធ្មេញសមស្រប។ នេះគឺជាឧបករណ៍ណែនាំបានបង្ហាញពីភាពត្រឹមត្រូវល្អឥតខ្ចោះនិងការប្រមូលនូវភាពត្រឹមត្រូវគំរូទូទៅដែលបង្ហាញថាការផ្គូផ្គងអិលគឺមានភាពប្រែប្រួលល្អនិងភាពជាក់លាក់។
គឺជាឧបករណ៍ណែនាំដែលមានមូលដ្ឋានលើមែកធាងការសម្រេចចិត្តរបស់ ML បានបង្ហាញពីសមត្ថភាពរបស់ខ្លួនក្នុងការស៊ីរបៀបនៃការរៀនសូត្ររបស់ធ្មេញដែលមានលក្ខណៈត្រឹមត្រូវជាមួយនឹងយុទ្ធសាស្រ្តរៀនសូត្រសមស្រប។ ឧបករណ៍នេះផ្តល់នូវជម្រើសដ៏មានឥទ្ធិពលសម្រាប់ការធ្វើផែនការវគ្គសិក្សាដែលផ្តោតអារម្មណ៍ឬម៉ូឌុលដែលអាចជួយបង្កើនបទពិសោធន៍នៃការរៀនសូត្ររបស់សិស្ស។
ការបង្រៀននិងការរៀនសូត្រគឺជាសកម្មភាពគ្រឹះនៅក្នុងស្ថាប័នអប់រំ។ នៅពេលកំពុងអភិវឌ្ឍប្រព័ន្ធអប់រំវិជ្ជាជីវៈដែលមានគុណភាពខ្ពស់វាចាំបាច់ត្រូវផ្តោតលើតម្រូវការសិក្សារបស់សិស្ស។ អន្តរកម្មរវាងនិស្សិតនិងបរិយាកាសនៃការសិក្សារបស់ពួកគេអាចត្រូវបានកំណត់តាមរយៈអិលអិលរបស់ពួកគេ។ ការស្រាវជ្រាវបានបង្ហាញថាភាពមិនស៊ីសង្វាក់គ្នាដែលមានគោលបំណងរវាងអិលអេសរបស់និស្សិតហើយអាចមានផលវិបាកអវិជ្ជមានសម្រាប់ការរៀនសូត្ររបស់សិស្សដូចជាការយកចិត្តទុកដាក់និងការលើកទឹកចិត្ត។ នេះនឹងជះឥទ្ធិពលដោយប្រយោលដល់ការអនុវត្តនិស្សិត [1,2] ។
គឺជាវិធីសាស្រ្តមួយដែលត្រូវបានប្រើដោយគ្រូដើម្បីផ្តល់ចំណេះដឹងនិងជំនាញដល់និស្សិតរួមទាំងការជួយនិស្សិតរៀន [3] ។ និយាយជាទូទៅគ្រូល្អរៀបចំផែនការបង្រៀនយុទ្ធសាស្ត្របង្រៀនឬតើវាត្រូវនឹងកម្រិតនៃចំណេះដឹងរបស់សិស្សរបស់ពួកគេដែលមានកម្រិតចំណេះដឹងដែលពួកគេកំពុងរៀននិងដំណាក់កាលសិក្សារបស់ពួកគេ។ តាមទ្រឹស្តីនៅពេលដែលអិលអេសនិងការប្រកួតសិស្សនឹងអាចរៀបចំនិងប្រើជំនាញជាក់លាក់មួយដែលត្រូវរៀនប្រកបដោយប្រសិទ្ធភាព។ ជាធម្មតាផែនការមេរៀនរួមមានការផ្លាស់ប្តូរជាច្រើនរវាងដំណាក់កាលដូចជាពីការបង្រៀនដើម្បីអនុវត្តការអនុវត្តដែលបានណែនាំឬពីការអនុវត្តដែលបានណែនាំដល់ការអនុវត្តឯករាជ្យ។ ជាមួយនឹងគំនិតនេះគ្រូដែលមានប្រសិទ្ធិភាពតែងតែរៀបចំផែនការការណែនាំដោយមានគោលដៅកសាងចំណេះដឹងនិងជំនាញរបស់និស្សិត [4] ។
តម្រូវការសម្រាប់អេសអិលកំពុងកើនឡើងនៅក្នុងគ្រឹះស្ថានឧត្តមសិក្សារួមទាំងពេទ្យធ្មេញ។ យុទ្ធសាស្ត្រអេសអេសអិលត្រូវបានរចនាឡើងដើម្បីឆ្លើយតបទៅនឹងតម្រូវការសិក្សារបស់និស្សិត។ ឧទាហរណ៍នេះអាចទទួលបានឧទាហរណ៍ប្រសិនបើសិស្សចូលរួមយ៉ាងសកម្មក្នុងសកម្មភាពរៀននិងគ្រូដើរតួជាអ្នកសម្របសម្រួលនិងទទួលខុសត្រូវក្នុងការផ្តល់មតិយោបល់ដ៏មានតម្លៃ។ វាត្រូវបានគេនិយាយថាការផ្តល់នូវសំភារៈសិក្សានិងសកម្មភាពដែលសមស្របសម្រាប់កម្រិតអប់រំឬចំណង់ចំណូលចិត្តរបស់សិស្សអាចធ្វើឱ្យប្រសើរឡើងនូវបរិយាកាសរៀនសូត្ររបស់និស្សិតនិងលើកកម្ពស់បទពិសោធន៍នៃការរៀនសូត្រវិជ្ជមាន [5] ។
និយាយជាទូទៅដំណើរការនៃការរៀនសូត្ររបស់និស្សិតធ្មេញត្រូវបានជះឥទ្ធិពលដោយនីតិវិធីគ្លីនិកផ្សេងៗដែលពួកគេត្រូវអនុវត្តនិងបរិយាកាសព្យាបាលដែលពួកគេអភិវឌ្ឍជំនាញអន្តរបុគ្គលប្រកបដោយប្រសិទ្ធភាព។ គោលបំណងនៃការបណ្តុះបណ្តាលគឺដើម្បីឱ្យសិស្សបញ្ចូលចំណេះដឹងមូលដ្ឋានគ្រឹះនៃទន្តព្ទ្យវិទ្យាដែលមានជំនាញព្យាបាលធ្មេញនិងអនុវត្តចំណេះដឹងដែលទទួលបានដើម្បីទទួលបាននូវស្ថានភាពព្យាបាលថ្មី [6, 7] ។ ការស្រាវជ្រាវដំបូងចំពោះទំនាក់ទំនងរវាងអិលអេសអេសហើយត្រូវបានគេរកឃើញថាការកែតម្រូវយុទ្ធសាស្រ្តរៀនដែលបានគូសវាសចំពោះអិលអេសអេសដែលពេញចិត្តនឹងជួយកែលម្អដំណើរការអប់រំ [8] ។ អ្នកនិពន្ធក៏ផ្តល់អនុសាសន៍ឱ្យប្រើវិធីសាស្រ្តបង្រៀននិងវាយតម្លៃផ្សេងៗគ្នាដើម្បីសម្របខ្លួនទៅនឹងការរៀនសូត្រនិងតម្រូវការរបស់សិស្ស។
គ្រូបង្រៀនទទួលបានអត្ថប្រយោជន៍ពីការដាក់ពាក្យចំណេះដឹង LS ដើម្បីជួយពួកគេក្នុងការរចនាអភិវឌ្ឍនិងអនុវត្តការណែនាំដែលនឹងជួយបង្កើនការទិញយកចំណេះដឹងនិងការយល់ដឹងកាន់តែស៊ីជម្រៅអំពីប្រធានបទ។ ក្រុមអ្នកស្រាវជ្រាវបានបង្កើតឧបករណ៍វាយតម្លៃ LS ជាច្រើនដូចជាគំរូរៀនពិសោធន៍ Kolb ដែលជាគំរូបែបស្ទីលម៉ូដទាន់សម័យរបស់ Kolb ។ យោងតាមអក្សរសិល្ប៍គំរូនៃការរៀនទាំងនេះគឺជាគំរូសិក្សាដែលត្រូវបានប្រើជាទូទៅបំផុតនិងសិក្សាបំផុត។ នៅក្នុងការងារស្រាវជ្រាវបច្ចុប្បន្នអេហ្វអេសអេសអេសត្រូវបានប្រើដើម្បីវាយតម្លៃអិលអេសអិលក្នុងចំណោមនិស្សិតធ្មេញ។
FSLSM គឺជាគំរូដែលត្រូវបានប្រើយ៉ាងទូលំទូលាយសម្រាប់វាយតម្លៃការរៀនសូត្រអាដាប់ធ័រក្នុងវិស្វកម្ម។ មានស្នាដៃដែលបានផ្សព្វផ្សាយជាច្រើននៅក្នុងវិទ្យាសាស្ត្រសុខាភិបាល (រួមមានថ្នាំពេទ្យថែទាំឱសថឱសថស្ថាននិងទន្តពេទ្យ) ដែលអាចរកបានដោយប្រើម៉ូឌែលអេហ្វអេសអេស [5, 11, 12, 13] ។ ឧបករណ៍ដែលត្រូវបានប្រើដើម្បីវាស់វិមាត្រនៃអិលអេសអិលក្នុង Flsm ត្រូវបានគេហៅថាសន្ទស្សន៍នៃការរៀនសូត្រនៃការរៀនសូត្រ (8] ដែលមានចំនួន 44 នាក់វាយតម្លៃវិមាត្រចំនួន 4 នៃដំណើរការ (សកម្ម) ការយល់ឃើញ (ការយល់ឃើញ / វិចារណញាណ / វិចារណញាណ / វិចារណញាណ) ។ បញ្ចូល (រូបភាព) ។ ការកំសាន្ត / អក្សរសាស្រ្ត / ពាក្យសំដី) និងការយល់ដឹង (តាមលំដាប់ / សកល) [14] ។
ដូចដែលបានបង្ហាញក្នុងរូបភាពទី 1 វិមាត្ររបស់អេហ្វអេសអេសអេសនីមួយៗមានចំណូលចិត្តលេចធ្លោ។ ឧទាហរណ៍នៅក្នុងវិមាត្រនៃដំណើរការនិស្សិតដែលមាន "សកម្មសកម្ម, ចូលចិត្តដំណើរការព័ត៌មានដោយធ្វើអន្តរកម្មដោយផ្ទាល់ជាមួយសំភារៈសិក្សារៀនដោយធ្វើហើយមានទំនោររៀនជាក្រុម។ អិលឆ្លុះបញ្ចាំង "អិលឆ្លុះបញ្ចាំងពីការរៀនតាមរយៈការគិតនិងចូលចិត្តធ្វើការតែម្នាក់ឯង។ វិមាត្រ "ការយល់ដឹង" នៃអិលអេសអេសអាចត្រូវបានបែងចែកជា "អារម្មណ៍" និង / ឬ "វិចារណញាណ" ។ និស្សិត "អារម្មណ៍" ចូលចិត្តព័ត៌មានជាក់ស្តែងនិងនីតិវិធីជាក់ស្តែងជាច្រើនត្រូវបានតម្រង់ទិសការពិតបើប្រៀបធៀបទៅនឹងនិស្សិតវិចារណញាណដែលចូលចិត្តសម្ភារៈអរូបីហើយមានលក្ខណៈច្នៃប្រឌិតនិងច្នៃប្រឌិត។ វិមាត្រ "បញ្ចូល" នៃអិលអិលមាន "អ្នកសិក្សា" មើលឃើញ "និង" ពាក្យសំដី "។ អ្នកដែលមាន "មើលឃើញ" អិលចូលចិត្តរៀនតាមរយៈការបង្ហាញដែលមើលឃើញ (ដូចជាដ្យាក្រាមវីដេអូឬបាតុកម្មផ្ទាល់) ចំណែកឯមនុស្សដែលមានការពន្យល់ជាលាយលក្ខណ៍អក្សរឬផ្ទាល់មាត់។ ដើម្បី "ស្វែងយល់" វិមាត្រ LS អ្នកសិក្សាបែបនេះអាចត្រូវបានបែងចែកជា "លំដាប់ទីពីរ" និង "សកល" ។ "អ្នកសិក្សាលំដាប់លំដោយចូលចិត្តដំណើរការគិតលីនេអ៊ែរនិងរៀនមួយជំហានម្តង ៗ ខណៈដែលអ្នកសិក្សាសកលមានទំនោរមានដំណើរការគិតរួមហើយតែងតែមានការយល់ដឹងកាន់តែច្បាស់អំពីអ្វីដែលពួកគេកំពុងរៀន។
ថ្មីៗនេះអ្នកស្រាវជ្រាវជាច្រើនបានចាប់ផ្តើមស្វែងយល់ពីវិធីសាស្រ្តសម្រាប់ការរកឃើញទិន្នន័យដែលត្រូវបានបញ្ជូនដោយស្វ័យប្រវត្តិរួមទាំងការអភិវឌ្ឍយុថ្មនិងម៉ូដែលថ្មីដែលមានសមត្ថភាពបកស្រាយទិន្នន័យដែលមានបរិមាណច្រើន [15, 16] ។ ដោយផ្អែកលើទិន្នន័យដែលបានផ្តល់ការត្រួតពិនិត្យ ML (ការរៀនម៉ាស៊ីន) អាចបង្កើតលំនាំនិងសម្មតិកម្មដែលព្យាករណ៍លទ្ធផលនាពេលអនាគតផ្អែកលើការសាងសង់យុគសម័យយុគសម័យ។ ដោយសាមញ្ញដាក់បច្ចេកទេសរៀនសូត្រដោយត្រួតពិនិត្យរៀបចំទិន្នន័យបញ្ចូលនិងក្បួនដោះស្រាយបញ្ហា។ បន្ទាប់មកវាបង្កើតជួរដែលចាត់ថ្នាក់ឬព្យាករណ៍ពីលទ្ធផលដែលផ្អែកលើស្ថានភាពស្រដៀងគ្នាសម្រាប់ទិន្នន័យបញ្ចូលដែលបានផ្តល់ជូន។ អត្ថប្រយោជន៍សំខាន់នៃក្បួនដោះស្រាយការរៀនសូត្ររបស់ម៉ាស៊ីនដែលបានត្រួតពិនិត្យគឺជាសមត្ថភាពរបស់ខ្លួនក្នុងការបង្កើតលទ្ធផលល្អប្រសើរនិងលទ្ធផលដែលចង់បាន [17] ។
តាមរយៈការប្រើប្រាស់វិធីសាស្រ្តត្រួតពិនិត្យទិន្នន័យដែលជំរុញដោយទិន្នន័យនិងគំរូត្រួតពិនិត្យមែកធុសមែកធាងការរកឃើញអិលអេសអេសអាចធ្វើទៅបាន។ ដើមឈើសេចក្តីសម្រេចត្រូវបានគេរាយការណ៍ថាត្រូវបានគេប្រើយ៉ាងទូលំទូលាយក្នុងកម្មវិធីបណ្តុះបណ្តាលក្នុងវិស័យផ្សេងៗរួមមានវិទ្យាសាស្ត្រសុខាភិបាល [18, 19] ។ នៅក្នុងការសិក្សានេះម៉ូដែលនេះត្រូវបានបណ្តុះបណ្តាលយ៉ាងជាក់លាក់ដោយអ្នកអភិវឌ្ឍន៍ប្រព័ន្ធដើម្បីកំណត់អត្តសញ្ញាណរបស់សិស្សនិងផ្តល់អនុសាសន៍ឱ្យបានល្អបំផុតសម្រាប់ពួកគេ។
គោលបំណងនៃការសិក្សានេះគឺដើម្បីអភិវឌ្ឍគឺយុទ្ធសាស្រ្តនៃការដឹកជញ្ជូនដែលផ្អែកលើ LS របស់និស្សិតនិងអនុវត្តវិធីសាស្រ្ត SCL ដោយការអភិវឌ្ឍឧបករណ៍ផ្តល់អនុសាសន៍ដែលបានគូសវាសជូនអិលអេសអេស។ លំហូរនៃការរចនាគឺជាយុទ្ធសាស្រ្តអនុសាសន៍ដែលជាយុទ្ធសាស្ត្ររបស់អេសអេសអិលត្រូវបានបង្ហាញក្នុងរូបភាពទី 1 ។
ជាពិសេសលក្ខណៈនៃឧបករណ៍ណែនាំស្តីពីសុវត្ថិភាពព័ត៌មានរួមមានការប្រើប្រាស់បច្ចេកវិទ្យាគេហទំព័រនិងការប្រើប្រាស់ការរៀនម៉ាស៊ីនមែកធាង។ អ្នកអភិវឌ្ឍន៍ប្រព័ន្ធធ្វើឱ្យប្រសើរឡើងនូវបទពិសោធន៍អ្នកប្រើប្រាស់និងការចល័តដោយសម្របខ្លួនពួកគេចំពោះឧបករណ៍ចល័តដូចជាទូរស័ព្ទចល័តនិងថេប្លេត។
ការពិសោធន៍ត្រូវបានអនុវត្តជាពីរដំណាក់កាលហើយនិស្សិតមកពីមហាវិទ្យាល័យទន្តពេទ្យនៅសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានចូលរួមក្នុងមូលដ្ឋានដោយស្ម័គ្រចិត្ត។ អ្នកចូលរួមបានឆ្លើយតបទៅនឹង M-ILS របស់និស្សិតធ្មេញនៅក្នុងភាសាអង់គ្លេស។ ក្នុងដំណាក់កាលដំបូងទិន្នន័យចំនួន 50 រូបត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនដើម។ នៅដំណាក់កាលទី 2 នៃដំណើរការអភិវឌ្ឍន៍សំណុំទិន្នន័យចំនួន 255 នាក់ត្រូវបានប្រើដើម្បីកែលម្អភាពត្រឹមត្រូវនៃឧបករណ៍ដែលបានអភិវឌ្ឍ។
អ្នកចូលរួមទាំងអស់ទទួលបានការសង្ខេបនៅតាមអ៊ិនធរណេតនៅដើមឆាកនីមួយៗអាស្រ័យលើឆ្នាំសិក្សាតាមរយៈក្រុម Microsoft ។ គោលបំណងនៃការសិក្សានេះត្រូវបានពន្យល់ហើយការព្រមព្រៀងដែលបានជូនដំណឹងត្រូវបានទទួល។ អ្នកចូលរួមទាំងអស់ត្រូវបានផ្តល់ជូននូវតំណភ្ជាប់ដើម្បីចូលទៅកាន់ M-ILs ។ និស្សិតម្នាក់ៗត្រូវបានណែនាំឱ្យឆ្លើយធាតុទាំងអស់ 44 នៅលើកម្រងសំណួរ។ ពួកគេត្រូវបានផ្តល់ឱ្យមួយសប្តាហ៍ដើម្បីបញ្ចប់ ILL ដែលបានកែប្រែនៅពេលវេលានិងទីតាំងដែលងាយស្រួលសម្រាប់ពួកគេក្នុងអំឡុងពេលនៃការសម្រាកឆមាសមុនពេលចាប់ផ្តើមឆមាស។ M-ILs គឺផ្អែកលើឧបករណ៍ដើមរបស់ ILS និងបានកែប្រែសម្រាប់និស្សិតធ្មេញ។ ប្រហាក់ប្រហែលនឹងធាតុដើមអ៊ីលវាមានរបស់របរចែកចាយស្មើៗ 44 (ក, ខ) ដែលមាន 11 មុខនីមួយៗដែលត្រូវបានប្រើដើម្បីវាយតម្លៃទិដ្ឋភាពនៃវិមាត្រអេហ្វអេសអេសនីមួយៗ។
ក្នុងដំណាក់កាលដំបូងនៃការអភិវឌ្ឍន៍ឧបករណ៍អ្នកស្រាវជ្រាវបានពន្យល់ផែនទីដោយដៃដោយប្រើផែនទីដោយប្រើសំណុំទិន្នន័យនិស្សិតធ្មេញចំនួន 50 ។ យោងទៅតាម FSLM ប្រព័ន្ធផ្តល់នូវផលបូកនៃចម្លើយ "A" និង "B" ។ សម្រាប់វិមាត្រនីមួយៗប្រសិនបើសិស្សជ្រើសរើស "ក" ជាចម្លើយនោះអិលអេសត្រូវបានចាត់ថ្នាក់ថាសកម្ម / ការមើលឃើញ / ការមើលឃើញហើយប្រសិនបើសិស្ស "ជាចម្លើយ, សិស្សត្រូវបានចាត់ថ្នាក់ថាឆ្លុះបញ្ចាំង / វិចារណញាណ / ភាសា ។ / Learver សកល។
បន្ទាប់ពីការក្រិតលំហូរលំហូរការងាររវាងអ្នកស្រាវជ្រាវអប់រំធ្មេញនិងអ្នកអភិវឌ្ឍន៍ប្រព័ន្ធសំណួរត្រូវបានជ្រើសរើសដោយផ្អែកលើដែន Flssm និងភ្ជាប់ទៅនឹងម៉ូដែលមីលដើម្បីទស្សន៍ទាយរបស់សិស្សម្នាក់ៗ។ "សំរាមនៅក្នុង, សំរាមចេញ" គឺជាការនិយាយដ៏ពេញនិយមមួយនៅក្នុងវិស័យនៃការរៀនម៉ាស៊ីនដោយផ្តោតលើគុណភាពទិន្នន័យ។ គុណភាពនៃទិន្នន័យបញ្ចូលកំណត់ភាពជាក់លាក់និងភាពត្រឹមត្រូវនៃគំរូរៀនម៉ាស៊ីន។ ក្នុងដំណាក់កាលវិស្វកម្មលក្ខណៈពិសេសសំណុំមុខងារថ្មីមួយត្រូវបានបង្កើតឡើងដែលជាផលបូកនៃចម្លើយ "A" និង "ខ" ផ្អែកលើ Flssm ។ ចំនួនអត្តសញ្ញាណប័ណ្ណនៃមុខតំណែងគ្រឿងញៀនត្រូវបានផ្តល់ឱ្យក្នុងតារាងទី 1 ។
គណនាពិន្ទុដោយផ្អែកលើចម្លើយនិងកំណត់ LS របស់សិស្ស។ សម្រាប់សិស្សម្នាក់ៗជួរពិន្ទុគឺពីលេខ 1 ដល់លេខ 11 ចាប់ពីលេខ 1 ដល់លេខ 3 បង្ហាញពីចំណូលចិត្តក្នុងការរៀនក្នុងលេខ 5 ដល់ 7 បង្ហាញពីចំណូលចិត្តកម្រិតមធ្យមដែលបង្ហាញថាសិស្សដែលចូលចិត្តបរិដ្ឋាន ។ បំរែបំរួលមួយផ្សេងទៀតស្តីពីវិមាត្រដូចគ្នាគឺពិន្ទុពី 9 ទៅ 11 ឆ្លុះបញ្ចាំងពីចំណូលចិត្តដ៏ខ្លាំងមួយសម្រាប់ចុងម្ខាងឬមួយទៀត [8] ។
សម្រាប់វិមាត្រនីមួយៗថ្នាំត្រូវបានដាក់ជាក្រុមទៅជា "សកម្ម" "ឆ្លុះបញ្ចាំង" និង "មានតុល្យភាព" ។ ឧទាហរណ៍នៅពេលសិស្សឆ្លើយថា "" ជាញឹកញាប់ជាង "ខ" នៅលើធាតុដែលបានកំណត់ហើយពិន្ទុរបស់គាត់លើសពីកំរិត 5 សម្រាប់ធាតុជាក់លាក់មួយដែលតំណាងឱ្យការកែច្នៃនៅវិមាត្ររបស់គាត់ ដែន។ ។ ទោះយ៉ាងណានិស្សិតត្រូវបានចាត់ថ្នាក់ថា "ឆ្លុះបញ្ចាំង" អិលអេសនៅពេលពួកគេជ្រើសរើស "ខ" ច្រើនជាង "ក" ច្រើនជាងសំណួរជាក់លាក់ 11 (តារាងទី 1) និងពិន្ទុច្រើនជាង 5 ពិន្ទុ។ ចុងបញ្ចប់សិស្សស្ថិតក្នុងស្ថានភាព "លំនឹង" ។ ប្រសិនបើពិន្ទុមិនលើសពី 5 ពិន្ទុនោះនេះគឺជា "ដំណើរការ" អិល។ ដំណើរការចាត់ថ្នាក់ត្រូវបានធ្វើម្តងទៀតសម្រាប់វិមាត្រអិលផ្សេងទៀតដែលជាការយល់ឃើញ (សកម្ម / ឆ្លុះបញ្ចាំង) ការបញ្ចូល (រូបភាពមើលឃើញ) និងការយល់ដឹង (តាមលំដាប់) ។
គំរូដើមនៃមែកធាងអាចប្រើសំណុំបែបបទផ្សេងៗនៃលក្ខណៈពិសេសនិងច្បាប់សម្រេចចិត្តនៅដំណាក់កាលផ្សេងៗគ្នានៃដំណើរការចាត់ចំណាត់ថ្នាក់។ វាត្រូវបានគេចាត់ទុកថាជាឧបករណ៍ចាត់ថ្នាក់និងការទស្សន៍ទាយដ៏ពេញនិយម។ វាអាចត្រូវបានតំណាងដោយប្រើរចនាសម្ព័ន្ធដើមឈើដូចជាមានថ្នាំងដែលមានថ្នាំងដែលតំណាងឱ្យការធ្វើតេស្តដោយគុណលក្ខណៈសាខានីមួយៗតំណាងឱ្យលទ្ធផលតេស្តនិងថ្នាំងស្លឹកនីមួយៗ (ថ្នាំងស្លឹកនីមួយៗ) មានស្លាកថ្នាក់។
កម្មវិធីផ្អែកលើច្បាប់សាមញ្ញមួយត្រូវបានបង្កើតឡើងដើម្បីទទួលបានពិន្ទុដោយស្វ័យប្រវត្តិនិងកត់ចំណាំ LS របស់សិស្សម្នាក់ៗដោយផ្អែកលើការឆ្លើយតបរបស់ពួកគេ។ ផ្អែកលើច្បាប់ដែលមានទម្រង់បែបបទនៃសេចក្តីថ្លែងការណ៍ IF ដែល "ប្រសិនបើ" ពិពណ៌នាអំពីកេះនិង "បន្ទាប់មក" បញ្ជាក់សកម្មភាពដែលត្រូវអនុវត្តឧទាហរណ៍: "ប្រសិនបើ x កើតឡើង y" (Liu al ។ , 2014) ។ ប្រសិនបើទិន្នន័យកំណត់បង្ហាញពីការជាប់ទាក់ទងនិងគំរូមែកធាងត្រូវបានបណ្តុះបណ្តាលនិងវាយតម្លៃឱ្យបានត្រឹមត្រូវវិធីសាស្រ្តនេះអាចជាមធ្យោបាយដ៏មានប្រសិទ្ធិភាពក្នុងដំណើរការនៃការផ្គូផ្គងអិមអេសអេសអេសដោយស្វ័យប្រវត្តិ។
នៅក្នុងដំណាក់កាលទី 2 នៃការអភិវឌ្ឍន៍សំណុំទិន្នន័យត្រូវបានកើនឡើងដល់ 255 ដើម្បីធ្វើឱ្យប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃឧបករណ៍អនុសាសន៍។ សំណុំទិន្នន័យត្រូវបានបំបែកក្នុងសមាមាត្រ 1: 4 ។ 25% (64) នៃសំណុំទិន្នន័យត្រូវបានប្រើសម្រាប់សំណុំតេស្តហើយ 75% ទៀត (191) ត្រូវបានប្រើជាសំណុំហ្វឹកហាត់ (រូបភាពទី 2) ។ សំណុំទិន្នន័យចាំបាច់ត្រូវបំបែកដើម្បីការពារម៉ូដែលពីការបណ្តុះបណ្តាលនិងសាកល្បងលើសំណុំទិន្នន័យដូចគ្នាដែលអាចបណ្តាលឱ្យម៉ូដែលចងចាំជាជាងរៀនជាងរៀន។ គំរូនេះត្រូវបានបណ្តុះបណ្តាលលើការបណ្តុះបណ្តាលនិងវាយតម្លៃការអនុវត្តរបស់វានៅលើទិន្នន័យសំណុំតេស្តដែលម៉ូដែលមិនដែលឃើញពីមុនទេ។
នៅពេលដែលឧបករណ៍ត្រូវបានបង្កើតឡើងពាក្យសុំនឹងអាចចាត់ថ្នាក់ LS ដោយផ្អែកលើការឆ្លើយតបរបស់និស្សិតធ្មេញតាមរយៈអ៊ីនធឺហ្វេសអ៊ីនធឺណេត។ ប្រព័ន្ធណែនាំស្តីពីសុវត្ថិភាពព័ត៌មានដែលផ្អែកលើអ៊ីនធឺណេតត្រូវបានបង្កើតឡើងដោយប្រើភាសាសរសេរកម្មវិធី Python ដោយប្រើក្របខ័ណ្ឌ Django ជាផ្នែកខាងក្រោយ។ តារាងទី 2 រាយបណ្ណាល័យដែលបានប្រើក្នុងការអភិវឌ្ឍប្រព័ន្ធនេះ។
សំណុំទិន្នន័យត្រូវបានចុកទៅគំរូដើមនៃការសម្រេចចិត្តដើម្បីគណនានិងស្រង់ឆ្លើយតបការឆ្លើយតបរបស់និស្សិតដើម្បីចាត់ថ្នាក់ការវាស់ស្ទង់របស់សិស្សដោយស្វ័យប្រវត្តិ។
ម៉ាទ្រីសម៉ាទ្រីសត្រូវបានប្រើដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនមែកធាងនៃការរៀនមែកធាងលើសំណុំទិន្នន័យដែលបានផ្តល់ឱ្យ។ ក្នុងពេលជាមួយគ្នានេះវាវាយតម្លៃការអនុវត្តគំរូនៃគំរូនៃការធ្វើចំណាត់ថ្នាក់។ វាសង្ខេបពីការព្យាករណ៍របស់ម៉ូដែលហើយប្រៀបធៀបវាទៅនឹងស្លាកទិន្នន័យជាក់ស្តែង។ លទ្ធផលវាយតម្លៃគឺផ្អែកលើតម្លៃបួនខុសគ្នា: គំរូវិជ្ជមាន (TP) ដែលបានទាយយ៉ាងត្រឹមត្រូវនូវប្រភេទវិជ្ជមាន (FP) ត្រឹមត្រូវ - ម៉ូដែលបានព្យាករណ៍ពីប្រភេទវិជ្ជមានប៉ុន្តែស្លាកពិតគឺអវិជ្ជមានអវិជ្ជមានពិត (ធីអិន) ។ គំរូដែលបានទាយយ៉ាងត្រឹមត្រូវនូវថ្នាក់អវិជ្ជមាននិងអវិជ្ជមានមិនពិត (FN) - ម៉ូដែលព្យាករណ៍ថ្នាក់អវិជ្ជមានប៉ុន្តែស្លាកពិតគឺវិជ្ជមាន។
តម្លៃទាំងនេះត្រូវបានប្រើដើម្បីគណនាម៉ែត្រដំណើរការផ្សេងៗនៃគំរូនៃការធ្វើចំណាត់ថ្នាក់បែបវិទ្យាសាស្ត្រ - រៀននៅក្នុងពស់ថ្លាន់ដែលមានភាពជាក់លាក់ភាពជាក់លាក់ភាពត្រឹមត្រូវការហៅមកវិញនិង F1 ពិន្ទុ។ នេះជាឧទាហរណ៍:
រំ recall កឡើងវិញ (ឬភាពប្រែប្រួល) វាស់សមត្ថភាពរបស់ម៉ូដែលក្នុងការចាត់ថ្នាក់ LS របស់សិស្សឱ្យបានសម្រេចយ៉ាងត្រឹមត្រូវបន្ទាប់ពីឆ្លើយសំណួរ M-ILS ។
ភាពជាក់លាក់ត្រូវបានគេហៅថាអត្រាអវិជ្ជមានពិត។ ដូចដែលអ្នកអាចមើលឃើញពីរូបមន្តខាងលើនេះគួរតែជាសមាមាត្រនៃអវិជ្ជមានពិត (ធីអិន) ទៅអវិជ្ជមានពិតនិងវិជ្ជមាន (FP) ។ ជាផ្នែកមួយនៃឧបករណ៍ដែលបានណែនាំសម្រាប់ការធ្វើចំណាត់ថ្នាក់របស់និស្សិតវាគួរតែមានសមត្ថភាពក្នុងការកំណត់អត្តសញ្ញាណត្រឹមត្រូវ។
សំណុំទិន្នន័យដើមរបស់និស្សិត 50 នាក់ធ្លាប់ហ្វឹកហាត់គំរូមែកធាង ML ដែលបានបង្ហាញពីភាពត្រឹមត្រូវទាបដោយសារតែកំហុសរបស់មនុស្សក្នុងចំណារពន្យល់ (តារាងទី 3) ។ បន្ទាប់ពីបង្កើតកម្មវិធីផ្អែកលើច្បាប់មួយដើម្បីគណនាពិន្ទុអិនអេសស៊េរីនិងចំណារពន្យល់របស់សិស្សដោយស្វ័យប្រវត្តិចំនួនសំណុំទិន្នន័យកើនឡើង (255) ត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលនិងសាកល្បងប្រព័ន្ធដែលអ្នកផ្តល់យោបល់។
នៅក្នុងម៉ាទ្រីសភិរភាពធាតុអង្កត់ទ្រូងតំណាងឱ្យចំនួនការព្យាករណ៍ត្រឹមត្រូវសម្រាប់ប្រភេទអិលអេសអេសនីមួយៗ (រូបភាពទី 4) ។ ការប្រើគំរូដើមនៃគំរូសរុបចំនួន 64 ត្រូវបានគេព្យាករណ៍ត្រឹមត្រូវ។ ដូច្នេះនៅក្នុងការសិក្សាអង្កត់ទ្រូងនេះបង្ហាញពីលទ្ធផលដែលរំពឹងទុកបង្ហាញថាគំរូដំណើរការបានល្អនិងត្រឹមត្រូវព្យាករណ៍ថាស្លាកថ្នាក់សម្រាប់ចំណាត់ថ្នាក់នីមួយៗ។ ដូច្នេះភាពត្រឹមត្រូវសរុបនៃឧបករណ៍អនុសាសន៍គឺ 100% ។
តម្លៃនៃភាពត្រឹមត្រូវភាពជាក់លាក់, ការប្រមូលយកមកវិញហើយពិន្ទុ F1 ត្រូវបានបង្ហាញក្នុងរូបភាពទី 5 ដោយប្រើគំរូមែកធាង F1 របស់វាគឺ 1.0 ដែលបង្ហាញពីភាពជាក់លាក់និងការឆ្លុះបញ្ចាំងពីភាពចាប់អារម្មណ៍និងជាក់លាក់ តម្លៃ។
រូបភាពទី 6 បង្ហាញពីការមើលឃើញនៃម៉ូដែលមែកធាងនៃការសម្រេចចិត្តបន្ទាប់ពីការបណ្តុះបណ្តាលនិងការធ្វើតេស្តត្រូវបានបញ្ចប់។ នៅក្នុងការប្រៀបធៀបមួយចំហៀងនៃគំរូដើមឈើការសម្រេចចិត្តបានទទួលការបណ្តុះបណ្តាលជាមួយនឹងលក្ខណៈពិសេសតិចជាងមុនបានបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ជាងមុននិងមើលឃើញភាពងាយស្រួលជាងមុន។ នេះបង្ហាញថាវិស្វកម្មដែលមានលក្ខណៈវិស្វកម្មដែលនាំឱ្យមានការកាត់បន្ថយលក្ខណៈពិសេសគឺជាជំហានសំខាន់ក្នុងការកែលម្អការអនុវត្តគំរូ។
ដោយអនុវត្តការសំរេចចិត្តដែលបានត្រួតពិនិត្យតាមមែកធាងដែលបានត្រួតពិនិត្យការធ្វើផែនទីរវាងអិល (ការបញ្ចូល) និង IS (លទ្ធផលគោលដៅ) ត្រូវបានបង្កើតដោយស្វ័យប្រវត្តិហើយមានព័ត៌មានលម្អិតសម្រាប់អិលនីមួយៗ។
លទ្ធផលបានបង្ហាញថា 34,9% នៃនិស្សិត 255 នាក់បានជ្រើសរើសជម្រើសមួយ (1) អិលអេសអេស។ ភាគច្រើន (54,3%) មានចំណង់ចំណូលចិត្តពីរឬច្រើន។ 12,2% នៃនិស្សិតបានកត់សម្គាល់ថាអិលអេសគឺមានតុល្យភាពណាស់ (តារាងទី 4) ។ បន្ថែមលើអក្សរធំប្រាំបីមានបន្សំបញ្ចូលគ្នាចំនួន 34 នៃការធ្វើចំណាត់ថ្នាក់ LS សម្រាប់និស្សិតសាកលវិទ្យាល័យម៉ាឡេយ៉ា។ ក្នុងចំណោមពួកគេការយល់ឃើញចក្ខុវិស័យនិងការរួមបញ្ចូលគ្នានៃការយល់ឃើញនិងចក្ខុវិស័យគឺជាអិលអេសអិលដែលបានរាយការណ៍ដោយនិស្សិត (រូបភាពទី 7) ។
ដូចដែលអាចមើលឃើញពីតារាងទី 4 និស្សិតភាគច្រើនមានញ្ញាណដ៏លើសលុប (13,7%) ឬមើលឃើញ (8,6%) អិល។ មានសេចក្តីរាយការណ៍មកថាសិស្ស 12,2% នៃការយល់ឃើញរួមផ្សំជាមួយនឹងចក្ខុវិស័យ (ការយល់ឃើញ - ចក្ខុ) ។ ការរកឃើញទាំងនេះបានបង្ហាញថានិស្សិតចូលចិត្តរៀននិងចងចាំតាមរយៈវិធីសាស្ត្រដែលបានបង្កើតឡើងតាមនីតិកម្មជាក់លាក់និងលម្អិតនិងយកចិត្តទុកដាក់លើធម្មជាតិ។ ក្នុងពេលជាមួយគ្នានេះពួកគេចូលចិត្តរៀនដោយមើល (ដោយប្រើដ្យាក្រាម។ ល។ ) និងមានទំនោរពិភាក្សានិងអនុវត្តព័ត៌មានជាក្រុមឬដោយខ្លួនឯង។
ការសិក្សានេះផ្តល់នូវទិដ្ឋភាពទូទៅនៃបច្ចេកទេសរៀនម៉ាស៊ីនដែលត្រូវបានប្រើក្នុងការជីកយករ៉ែទិន្នន័យដោយផ្តោតលើការទស្សន៍ទាយរបស់និស្សិត LS និងការផ្តល់យោបល់របស់សិស្សភ្លាមៗ។ ការអនុវត្តន៍គំរូដើមដែលបានកំណត់កត្តាដែលទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតក្នុងជីវិតនិងបទពិសោធន៍អប់រំរបស់ពួកគេ។ វាគឺជាក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនដែលត្រូវបានត្រួតពិនិត្យដែលប្រើរចនាសម្ព័ន្ធមែកធាងដើម្បីចាត់ថ្នាក់ទិន្នន័យដោយបែងចែកទិន្នន័យទៅជាប្រភេទរងដែលផ្អែកលើលក្ខណៈវិនិច្ឆ័យជាក់លាក់។ វាមានប្រសិទ្ធភាពដោយបែងចែកទិន្នន័យបញ្ចូលឡើងវិញទៅជាសំណុំរងដោយផ្អែកលើតម្លៃនៃមុខងារបញ្ចូលមួយនៃថ្នាំងខាងក្នុងនីមួយៗរហូតទាល់តែមានការសម្រេចចិត្តនៅថ្នាំងស្លឹក។
ថ្នាំងផ្ទៃក្នុងនៃមែកធាងនៃការសំរេចចិត្តតំណាងឱ្យដំណោះស្រាយដែលផ្អែកលើលក្ខណៈបញ្ចូលរបស់បញ្ហា M-Els ហើយថ្នាំងស្លឹកតំណាងឱ្យការទស្សន៍ទាយនៃការធ្វើចំណាត់ថ្នាក់ចុងក្រោយ។ ពេញមួយការសិក្សាវាងាយស្រួលក្នុងការស្វែងយល់ពីឋានានុក្រមនៃសេចក្តីសម្រេចចិត្តដែលពន្យល់និងមើលឃើញដំណើរការនៃការសម្រេចចិត្តដោយមើលទំនាក់ទំនងរវាងលក្ខណៈពិសេសនៃការបញ្ចូលនិងការព្យាករណ៍ទិន្នផល។
នៅក្នុងវិស័យវិទ្យាសាស្ត្រកុំព្យូទ័រនិងវិស្វកម្មក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនត្រូវបានគេប្រើយ៉ាងទូលំទូលាយដើម្បីទស្សទាយការអនុវត្តនិស្សិតដោយផ្អែកលើពិន្ទុប្រលងចូលរបស់ពួកគេ [21] ព័ត៌មានប្រជាសាស្ត្រនិងឥរិយាបទរៀនសូត្រ [22] ។ ការស្រាវជ្រាវបានបង្ហាញថាក្បួនដោះស្រាយបានទាយឱ្យបានត្រឹមត្រូវការសម្តែងរបស់សិស្សនិងបានជួយឱ្យពួកគេកំណត់អត្តសញ្ញាណនិស្សិតដែលមានហានិភ័យចំពោះការលំបាកក្នុងការសិក្សា។
ការដាក់ពាក្យសុំក្បួនដោះស្រាយ ML ក្នុងការអភិវឌ្ឍរបស់អ្នកជំងឺនិម្មិតសម្រាប់ការបណ្តុះបណ្តាលធ្មេញត្រូវបានរាយការណ៍។ ពិសោធន៏មានសមត្ថភាពក្នុងការបន្តការឆ្លើយតបខាងសរីរវិទ្យារបស់អ្នកជំងឺពិតប្រាកដហើយអាចត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលនិស្សិតធ្មេញក្នុងបរិយាកាសប្រកបដោយសុវត្ថិភាពនិងគ្រប់គ្រងបាន [23] ។ ការសិក្សាជាច្រើនទៀតបានបង្ហាញថាក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនអាចធ្វើឱ្យប្រសើរឡើងនូវគុណភាពនិងប្រសិទ្ធភាពនៃការអប់រំធ្មេញនិងវេជ្ជសាស្រ្តនិងការថែទាំអ្នកជំងឺ។ ក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនត្រូវបានប្រើដើម្បីជួយធ្វើរោគវិនិច្ឆ័យនៃជំងឺមាត់ធ្មេញដែលផ្អែកលើសំណុំទិន្នន័យដូចជារោគសញ្ញានិងលក្ខណៈអ្នកជំងឺ [24, 25] ។ ខណៈពេលដែលការសិក្សាផ្សេងទៀតបានស្វែងយល់ពីការប្រើប្រាស់ក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនដើម្បីបំពេញការងារលទ្ធផលដែលកំណត់ពីលទ្ធផលរបស់អ្នកជំងឺដែលមានហានិភ័យខ្ពស់ក្នុងការអភិវឌ្ឍផែនការព្យាបាលផ្ទាល់ខ្លួន [26] និងការព្យាបាលដោយថ្នាំ Maries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយប្រើ Caries [25] និងការព្យាបាលដោយថ្នាំ។
ទោះបីជារបាយការណ៍ស្តីពីការអនុវត្តការរៀនម៉ាស៊ីននៅក្នុងទន្តពេទ្យត្រូវបានបោះពុម្ពផ្សាយក៏ដោយកម្មវិធីរបស់វានៅក្នុងការអប់រំធ្មេញនៅតែមានកម្រិត។ ដូច្នេះការសិក្សានេះមានគោលបំណងប្រើគំរូដើមនៃការសម្រេចចិត្តដើម្បីកំណត់កត្តាដែលជាប់ទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតជាមួយអិលអេសអេសហើយស្ថិតក្នុងចំណោមនិស្សិតធ្មេញ។
លទ្ធផលនៃការសិក្សានេះបានបង្ហាញថាឧបករណ៍ណែនាំដែលបានអភិវឌ្ឍមានភាពត្រឹមត្រូវខ្ពស់និងភាពត្រឹមត្រូវល្អឥតខ្ចោះដែលបង្ហាញថាគ្រូអាចទទួលបានអត្ថប្រយោជន៍ពីឧបករណ៍នេះ។ ដោយប្រើដំណើរការចាត់ថ្នាក់ដែលជំរុញទិន្នន័យវាអាចផ្តល់នូវអនុសាសន៍ផ្ទាល់ខ្លួននិងលើកកម្ពស់បទពិសោធន៍និងលទ្ធផលការអប់រំសម្រាប់អ្នកអប់រំនិងសិស្ស។ ក្នុងចំណោមនោះព័ត៌មានដែលទទួលបានតាមរយៈឧបករណ៍ណែនាំអាចដោះស្រាយជម្លោះរវាងវិធីសាស្រ្តបង្រៀនដែលពេញចិត្តនិងតម្រូវការសិក្សារបស់សិស្ស។ ឧទាហរណ៍ដោយសារតែលទ្ធផលស្វ័យប្រវត្តិកម្មនៃឧបករណ៍ផ្តល់អនុសាសន៍ពេលវេលាដែលត្រូវការដើម្បីកំណត់អត្តសញ្ញាណ IP របស់សិស្សហើយផ្គូផ្គងវាជាមួយ IP ដែលត្រូវគ្នានឹងត្រូវបានកាត់បន្ថយយ៉ាងខ្លាំង។ តាមរបៀបនេះសកម្មភាពបណ្តុះបណ្តាលសមរម្យនិងសំភារៈបណ្តុះបណ្តាលអាចត្រូវបានរៀបចំឡើង។ នេះជួយអភិវឌ្ឍឥរិយាបថនៃការរៀនសូត្រវិជ្ជមានរបស់សិស្សនិងសមត្ថភាពក្នុងការផ្តោតអារម្មណ៍។ ការសិក្សាមួយបានរាយការណ៍ថាការផ្តល់សម្ភារៈសិក្សានិងសកម្មភាពរៀនដែលត្រូវនឹងអិលអេសដែលពេញចិត្តអាចជួយសិស្សបានបញ្ចូលដំណើរការនិងរីករាយក្នុងការរៀនសូត្រក្នុងវិធីជាច្រើនដើម្បីទទួលបានសក្តានុពលច្រើន [12] ។ ការស្រាវជ្រាវក៏បានបង្ហាញផងដែរថាបន្ថែមលើការធ្វើឱ្យប្រសើរឡើងនូវការចូលរួមរបស់សិស្សនៅក្នុងថ្នាក់, ស្វែងយល់ពីដំណើរការនៃការរិះគន់របស់និស្សិតផងដែរដើរតួនាទីយ៉ាងសំខាន់ក្នុងការកែលម្អការអនុវត្តការបង្រៀននិងការប្រាស្រ័យទាក់ទងជាមួយសិស្ស [28, 29] ។
ទោះយ៉ាងណាក៏ដោយដូចគ្នានឹងបច្ចេកវិទ្យាទំនើបណាមួយដែរមានបញ្ហានិងដែនកំណត់។ ទាំងនេះរួមមានបញ្ហាដែលទាក់ទងនឹងភាពឯកជនទិន្នន័យភាពលំអៀងភាពលំអៀងនិងជំនាញវិជ្ជាជីវៈនិងធនធានដែលត្រូវការដើម្បីអភិវឌ្ឍនិងអនុវត្តក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនក្នុងការអប់រំធ្មេញ។ ទោះជាយ៉ាងណាក៏ដោយការចាប់អារម្មណ៍និងការស្រាវជ្រាវដែលកំពុងស្រាវជ្រាវនៅក្នុងតំបន់នេះបង្ហាញថាបច្ចេកវិទ្យារៀនសូត្រម៉ាស៊ីនអាចមានឥទ្ធិពលវិជ្ជមានទៅលើការអប់រំធ្មេញនិងសេវាកម្មធ្មេញ។
លទ្ធផលនៃការសិក្សានេះបង្ហាញថាសិស្សពាក់កណ្តាលនៃគ្រូធ្មេញមានទំនោរទៅរកថ្នាំ។ អ្នកសិក្សាប្រភេទនេះមានចំណូលចិត្តចំពោះអង្គហេតុនិងឧទាហរណ៍ជាក់ស្តែងដែលជាការតំរង់ទិសជាក់ស្តែងការអត់ធ្មត់និងចំណូលចិត្ត "មើលឃើញដែលអ្នកសិក្សាចូលចិត្តប្រើរូបភាពក្រាហ្វិចពណ៌និងគំនិតដើម្បីបង្ហាញគំនិតនិងគំនិត។ លទ្ធផលបច្ចុប្បន្នគឺស្របជាមួយនឹងការសិក្សាផ្សេងទៀតដោយប្រើ ILS ដើម្បីវាយតម្លៃអិល។ អេ។ អេ។ អេ។ Dalmolin et al លើកឡើងថាការជូនដំណឹងដល់សិស្សអំពីអិលអិលរបស់ពួកគេអនុញ្ញាតឱ្យពួកគេឈានដល់សក្តានុពលនៃការរៀនសូត្ររបស់ពួកគេ។ អ្នកស្រាវជ្រាវអះអាងថានៅពេលដែលគ្រូយល់ពីដំណើរការអប់រំរបស់និស្សិតវិធីសាស្រ្តនិងសកម្មភាពបង្រៀនផ្សេងៗគ្នាដែលអាចត្រូវបានអនុវត្តដែលនឹងធ្វើឱ្យប្រសើរឡើងនូវបទពិសោធន៍របស់និស្សិតនិងបទពិសោធន៍នៃការរៀនសូត្ររបស់សិស្ស [12, 31, 32] ។ ការសិក្សាផ្សេងទៀតបានបង្ហាញថាការកែតម្រូវរបស់និស្សិត LS របស់និស្សិតក៏បង្ហាញផងដែរបង្ហាញពីភាពប្រសើរឡើងនៃបទពិសោធន៍រៀនសូត្ររបស់សិស្សនិងការសម្តែងរបស់សិស្សបន្ទាប់ពីការផ្លាស់ប្តូរស្ទីលការសិក្សារបស់ពួកគេឱ្យសមនឹង LS របស់ពួកគេ [13, 33] ។
មតិរបស់គ្រូអាចមានភាពខុសគ្នាទាក់ទងនឹងការអនុវត្តយុទ្ធសាស្រ្តបង្រៀនដោយផ្អែកលើសមត្ថភាពនៃការរៀនសូត្ររបស់និស្សិត។ ខណៈដែលអ្នកខ្លះមើលឃើញពីអត្ថប្រយោជន៍នៃវិធីសាស្រ្តនេះរួមមានឱកាសអភិវឌ្ឍន៍វិជ្ជាជីវៈការគាំទ្រផ្នែកសហគមន៍និងការគាំទ្រសហគមន៍អ្នកផ្សេងទៀតអាចមានការព្រួយបារម្ភអំពីពេលវេលានិងការគាំទ្រស្ថាប័ន។ ការខិតខំសម្រាប់តុល្យភាពគឺជាគន្លឹះក្នុងការបង្កើតឥរិយាបថរបស់សិស្ស។ អាជ្ញាធរឧត្តមឧត្តមសិក្សាដូចជារដ្ឋបាលសាកលវិទ្យាល័យអាចដើរតួនាទីយ៉ាងសំខាន់ក្នុងការជំរុញការផ្លាស់ប្តូរវិជ្ជមានដោយណែនាំការអនុវត្តច្នៃប្រឌិតនិងគាំទ្រដល់មហាវិទ្យាល័យអភិវឌ្ឍន៍ដែលមាន [34] ។ ដើម្បីបង្កើតប្រព័ន្ធឧត្តមសិក្សាដែលមានភាពស្វាហាប់និងឆ្លើយតបពិតជាមានជំហានដិតដល់ដូចជាការធ្វើឱ្យមានការផ្លាស់ប្តូរគោលនយោបាយការចំណាយទៅលើសមាហរណកម្មបច្ចេកវិទ្យានិងការបង្កើតក្របខ័ណ្ឌដែលលើកកម្ពស់វិធីសាស្ត្រផ្តោតលើបច្ចេកវិទ្យា។ វិធានការណ៍ទាំងនេះមានសារៈសំខាន់ណាស់ក្នុងការសម្រេចបាននូវលទ្ធផលដែលចង់បាន។ ការស្រាវជ្រាវថ្មីៗស្តីពីការណែនាំដែលមានលក្ខណៈប្លែកបានបង្ហាញយ៉ាងច្បាស់ថាការអនុវត្តប្រកបដោយជោគជ័យនូវការណែនាំដែលបានធ្វើប្លែកៗទាមទារឱ្យមានការបណ្តុះបណ្តាលនិងឱកាសអភិវឌ្ឍន៍សម្រាប់គ្រូ [35] ។
ឧបករណ៍នេះផ្តល់នូវការគាំទ្រដ៏មានតម្លៃដល់អ្នកអប់រំធ្មេញដែលចង់ទទួលយកវិធីសាស្រ្តផ្តោតលើសិស្សដើម្បីរៀបចំផែនការសកម្មភាពរៀនសូត្រនិស្សិត។ ទោះយ៉ាងណាការសិក្សានេះត្រូវបានកំណត់ចំពោះការប្រើប្រាស់ម៉ូដែល Mode ML Model ។ នៅពេលអនាគតទិន្នន័យជាច្រើនគួរតែត្រូវបានប្រមូលដើម្បីប្រៀបធៀបការអនុវត្តគំរូនៃការរៀនម៉ាស៊ីនផ្សេងៗគ្នាដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវភាពជឿជាក់និងភាពជាក់លាក់នៃឧបករណ៍អនុសាសន៍របស់ឧបករណ៍អនុសាសន៍។ លើសពីនេះទៀតនៅពេលជ្រើសរើសវិធីសាស្រ្តរៀនសូត្រម៉ាស៊ីនដែលសមរម្យបំផុតសម្រាប់ការងារជាក់លាក់មួយវាចាំបាច់ត្រូវពិចារណាលើកត្តាផ្សេងទៀតដូចជាភាពស្មុគស្មាញម៉ូដែលនិងការបកស្រាយ។
ដែនកំណត់នៃការសិក្សានេះគឺថាវាផ្តោតតែលើការធ្វើផែនទីប៉ុណ្ណោះហើយស្ថិតក្នុងចំណោមនិស្សិតធ្មេញ។ ដូច្នេះប្រព័ន្ធណែនាំដែលមានការអភិវឌ្ឍនឹងណែនាំតែអ្នកដែលសមស្របសម្រាប់និស្សិតធ្មេញប៉ុណ្ណោះ។ ការផ្លាស់ប្តូរគឺចាំបាច់សម្រាប់ការប្រើប្រាស់និស្សិតឧត្តមសិក្សាទូទៅ។
ឧបករណ៍ណែនាំដែលមានមូលដ្ឋានលើម៉ាស៊ីនដែលបានបង្កើតថ្មីមានសមត្ថភាពក្នុងការចាត់ថ្នាក់និងផ្គូរផ្គងរបស់និស្សិតឱ្យបានភ្លាមៗទៅដែលធ្វើឱ្យវាក្លាយជាកម្មវិធីអប់រំធ្មេញដំបូងដើម្បីជួយអ្នកអប់រំធ្មេញឱ្យមានផែនការរៀបចំផែនការបង្រៀននិងសកម្មភាពសិក្សាដែលពាក់ព័ន្ធ។ ដោយប្រើដំណើរការទ្រីននីសទិន្នន័យវាអាចផ្តល់នូវអនុសាសន៍ផ្ទាល់ខ្លួនសន្សំសំចៃពេលវេលាការពង្រឹងយុទ្ធសាស្ត្របង្រៀនគាំទ្រអន្តរាគមន៍ដែលបានកំណត់គោលដៅនិងលើកកម្ពស់ការអភិវឌ្ឍជំនាញវិជ្ជាជីវៈដែលកំពុងបន្ត។ ពាក្យសុំរបស់វានឹងលើកកម្ពស់វិធីសាស្រ្តផ្តោតលើសិស្សចំពោះការអប់រំធ្មេញ។
សារព័ត៌មាន Gilak Jani Jaini ។ ការផ្គូផ្គងឬភាពមិនស៊ីសង្វាក់គ្នារវាងស្ទីលរៀនរបស់សិស្សនិងស្ទីលបង្រៀនរបស់គ្រូ។ អ៊ីនធឺ្មិមឹមអប់រំវិទ្យាសាស្ត្រកុំព្យូទ័រ។ 2012 4 (11): 51-60 ។ https://doi.10.5815/ijmecs.2012.11.05
ពេលវេលាក្រោយ: ថ្ងៃទី 09-29-2024