មានតម្រូវការកាន់តែច្រើនឡើងសម្រាប់ការរៀនសូត្រដែលផ្តោតលើសិស្ស (SCL) នៅក្នុងគ្រឹះស្ថានឧត្តមសិក្សា រួមទាំងទន្តព្ទ្យវិទ្យា។ទោះជាយ៉ាងណាក៏ដោយ SCL មានកម្មវិធីកំណត់ក្នុងការអប់រំធ្មេញ។ដូច្នេះហើយ ការសិក្សានេះមានគោលបំណងលើកកម្ពស់ការអនុវត្ត SCL ក្នុងទន្តព្ទ្យវិទ្យា ដោយប្រើបច្ចេកវិទ្យា decision tree machine learning (ML) ដើម្បីធ្វើផែនទីរចនាប័ទ្មសិក្សាដែលពេញចិត្ត (LS) និងយុទ្ធសាស្ត្រសិក្សាដែលត្រូវគ្នា (IS) របស់និស្សិតទន្តសាស្ត្រ ជាឧបករណ៍មានប្រយោជន៍សម្រាប់បង្កើតគោលការណ៍ណែនាំ IS .វិធីសាស្រ្តសន្យាសម្រាប់និស្សិតពេទ្យធ្មេញ។
និស្សិតទន្តសាស្ត្រសរុបចំនួន 255 នាក់មកពីសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានបញ្ចប់នូវកម្រងសំណួរដែលបានកែប្រែនៃរចនាប័ទ្មសិក្សា (m-ILS) ដែលមាន 44 ធាតុដើម្បីចាត់ថ្នាក់ពួកគេទៅជា LSs រៀងៗខ្លួន។ទិន្នន័យដែលប្រមូលបាន (ហៅថាសំណុំទិន្នន័យ) ត្រូវបានប្រើនៅក្នុងការរៀនដើមឈើការសម្រេចចិត្តដែលមានការគ្រប់គ្រង ដើម្បីផ្គូផ្គងរចនាប័ទ្មសិក្សារបស់សិស្សដោយស្វ័យប្រវត្តិទៅនឹង IS ដែលសមស្របបំផុត។បន្ទាប់មក ភាពត្រឹមត្រូវនៃឧបករណ៍ណែនាំ IS ដែលមានមូលដ្ឋានលើការរៀនម៉ាស៊ីនត្រូវបានវាយតម្លៃ។
ការអនុវត្តគំរូមែកធាងការសម្រេចចិត្តនៅក្នុងដំណើរការធ្វើផែនទីដោយស្វ័យប្រវត្តិរវាង LS (បញ្ចូល) និង IS (លទ្ធផលគោលដៅ) អនុញ្ញាតឱ្យមានបញ្ជីភ្លាមៗនៃយុទ្ធសាស្ត្រសិក្សាដែលសមរម្យសម្រាប់សិស្សធ្មេញនីមួយៗ។ឧបករណ៍ណែនាំ IS បានបង្ហាញពីភាពត្រឹមត្រូវល្អឥតខ្ចោះ និងការរំលឹកឡើងវិញនូវភាពត្រឹមត្រូវនៃគំរូទាំងមូល ដោយបង្ហាញថាការផ្គូផ្គង LS ទៅ IS មានភាពប្រែប្រួល និងជាក់លាក់ល្អ។
ឧបករណ៍ណែនាំ IS ផ្អែកលើមែកធាងការសម្រេចចិត្ត ML បានបង្ហាញសមត្ថភាពរបស់ខ្លួនក្នុងការផ្គូផ្គងរចនាប័ទ្មសិក្សារបស់សិស្សធ្មេញយ៉ាងត្រឹមត្រូវជាមួយនឹងយុទ្ធសាស្ត្រសិក្សាសមស្រប។ឧបករណ៍នេះផ្តល់នូវជម្រើសដ៏មានអានុភាពសម្រាប់ការធ្វើផែនការវគ្គសិក្សាដែលផ្តោតលើអ្នកសិក្សា ឬម៉ូឌុលដែលអាចបង្កើនបទពិសោធន៍សិក្សារបស់សិស្ស។
ការបង្រៀន និងការរៀន គឺជាសកម្មភាពមូលដ្ឋាននៅក្នុងស្ថាប័នអប់រំ។នៅពេលបង្កើតប្រព័ន្ធអប់រំវិជ្ជាជីវៈដែលមានគុណភាពខ្ពស់ វាមានសារៈសំខាន់ណាស់ក្នុងការផ្តោតលើតម្រូវការសិក្សារបស់សិស្ស។អន្តរកម្មរវាងសិស្ស និងបរិយាកាសសិក្សារបស់ពួកគេអាចត្រូវបានកំណត់តាមរយៈ LS របស់ពួកគេ។ការស្រាវជ្រាវបានបង្ហាញថា ភាពមិនស៊ីសង្វាក់គ្នារវាង LS និង IS របស់សិស្សអាចផ្តល់ផលអវិជ្ជមានដល់ការសិក្សារបស់សិស្ស ដូចជាការថយចុះការយកចិត្តទុកដាក់ និងការលើកទឹកចិត្ត។វានឹងប៉ះពាល់ដល់ការអនុវត្តរបស់សិស្សដោយប្រយោល [1,2]។
IS គឺជាវិធីសាស្រ្តដែលគ្រូប្រើដើម្បីចែកចាយចំណេះដឹង និងជំនាញដល់សិស្ស រួមទាំងការជួយសិស្សរៀន [3] ។និយាយជាទូទៅ គ្រូល្អរៀបចំផែនការយុទ្ធសាស្ត្របង្រៀន ឬ IS ដែលផ្គូផ្គងនឹងកម្រិតចំណេះដឹងរបស់សិស្ស គោលគំនិតដែលពួកគេកំពុងរៀន និងដំណាក់កាលនៃការរៀនរបស់ពួកគេ។តាមទ្រឹស្តី នៅពេលដែល LS និង IS ត្រូវគ្នា សិស្សនឹងអាចរៀបចំ និងប្រើប្រាស់ជំនាញជាក់លាក់មួយដើម្បីរៀនប្រកបដោយប្រសិទ្ធភាព។ជាធម្មតា ផែនការមេរៀនរួមមានការផ្លាស់ប្តូរជាច្រើនរវាងដំណាក់កាល ដូចជាពីការបង្រៀនទៅការអនុវត្តការណែនាំ ឬពីការអនុវត្តការណែនាំទៅការអនុវត្តឯករាជ្យ។ជាមួយនឹងគំនិតនេះ គ្រូបង្រៀនដែលមានប្រសិទ្ធភាព តែងតែរៀបចំផែនការបង្រៀនដោយមានគោលដៅកសាងចំណេះដឹង និងជំនាញរបស់សិស្ស [4] ។
តម្រូវការ SCL កំពុងកើនឡើងនៅក្នុងគ្រឹះស្ថានឧត្តមសិក្សា រួមទាំងទន្តព្ទ្យវិទ្យា។យុទ្ធសាស្ត្រ SCL ត្រូវបានរចនាឡើងដើម្បីបំពេញតម្រូវការសិក្សារបស់សិស្ស។នេះអាចសម្រេចបាន ជាឧទាហរណ៍ ប្រសិនបើសិស្សចូលរួមយ៉ាងសកម្មក្នុងសកម្មភាពសិក្សា ហើយគ្រូបង្រៀនដើរតួជាអ្នកសម្របសម្រួល និងទទួលខុសត្រូវក្នុងការផ្តល់មតិកែលម្អដ៏មានតម្លៃ។វាត្រូវបានគេនិយាយថា ការផ្តល់សម្ភារៈសិក្សា និងសកម្មភាពដែលសមស្របទៅនឹងកម្រិតសិក្សា ឬចំណូលចិត្តរបស់សិស្ស អាចធ្វើអោយបរិយាកាសសិក្សារបស់សិស្សប្រសើរឡើង និងលើកកម្ពស់បទពិសោធន៍សិក្សាវិជ្ជមាន [5] ។
និយាយជាទូទៅ ដំណើរការសិក្សារបស់និស្សិតទន្តសាស្ត្រត្រូវបានជះឥទ្ធិពលដោយនីតិវិធីព្យាបាលផ្សេងៗដែលពួកគេតម្រូវឱ្យអនុវត្ត និងបរិយាកាសគ្លីនិកដែលពួកគេអភិវឌ្ឍជំនាញអន្តរបុគ្គលប្រកបដោយប្រសិទ្ធភាព។គោលបំណងនៃវគ្គបណ្តុះបណ្តាលនេះគឺដើម្បីឱ្យសិស្សានុសិស្សអាចបញ្ចូលគ្នានូវចំណេះដឹងជាមូលដ្ឋាននៃទន្តព្ទ្យវិទ្យា ជាមួយនឹងជំនាញព្យាបាលធ្មេញ និងអនុវត្តចំណេះដឹងដែលទទួលបានទៅនឹងស្ថានភាពគ្លីនិកថ្មីៗ [6, 7] ។ការស្រាវជ្រាវដំបូងអំពីទំនាក់ទំនងរវាង LS និង IS បានរកឃើញថាការកែសម្រួលយុទ្ធសាស្រ្តសិក្សាដែលបានគូសផែនទីទៅនឹង LS ដែលពេញចិត្តនឹងជួយកែលម្អដំណើរការអប់រំ [8] ។អ្នកនិពន្ធក៏បានផ្តល់អនុសាសន៍ឱ្យប្រើវិធីសាស្រ្តបង្រៀន និងការវាយតម្លៃផ្សេងៗគ្នា ដើម្បីសម្របទៅនឹងការរៀនសូត្រ និងតម្រូវការរបស់សិស្ស។
គ្រូបង្រៀនទទួលបានអត្ថប្រយោជន៍ពីការអនុវត្តចំណេះដឹង LS ដើម្បីជួយពួកគេក្នុងការរចនា អភិវឌ្ឍ និងអនុវត្តការណែនាំដែលនឹងជួយបង្កើនការទទួលបានចំណេះដឹង និងការយល់ដឹងកាន់តែស៊ីជម្រៅរបស់សិស្សអំពីប្រធានបទនេះ។អ្នកស្រាវជ្រាវបានបង្កើតឧបករណ៍វាយតម្លៃ LS ជាច្រើនដូចជា គំរូសិក្សាបទពិសោធន៍ Kolb គំរូសិក្សារចនាប័ទ្ម Felder-Silverman (FSLSM) និងគំរូ Fleming VAK/VARK [5, 9, 10] ។យោងតាមអក្សរសិល្ប៍ គំរូសិក្សាទាំងនេះ គឺជាគំរូសិក្សាដែលត្រូវបានប្រើប្រាស់ និងសិក្សាច្រើនបំផុត។នៅក្នុងការងារស្រាវជ្រាវបច្ចុប្បន្ន FSLSM ត្រូវបានប្រើដើម្បីវាយតម្លៃ LS ក្នុងចំណោមនិស្សិតពេទ្យធ្មេញ។
FSLSM គឺជាគំរូដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការវាយតម្លៃការរៀនបន្សាំក្នុងវិស្វកម្ម។មានការងារបោះពុម្ភផ្សាយជាច្រើននៅក្នុងវិទ្យាសាស្ត្រសុខាភិបាល (រួមទាំងថ្នាំពេទ្យ គិលានុបដ្ឋាយិកា ឱសថស្ថាន និងទន្តព្ទ្យវិទ្យា) ដែលអាចត្រូវបានរកឃើញដោយប្រើគំរូ FSLSM [5, 11, 12, 13] ។ឧបករណ៍ដែលប្រើដើម្បីវាស់វិមាត្ររបស់ LS ក្នុង FLSM ត្រូវបានគេហៅថា Index of Learning Styles (ILS) [8] ដែលមាន 44 ធាតុវាយតម្លៃវិមាត្របួននៃ LS: ដំណើរការ (សកម្ម/ឆ្លុះបញ្ចាំង), ការយល់ឃើញ (ការយល់ឃើញ/វិចារណញាណ), ការបញ្ចូល (មើលឃើញ) ។/ ពាក្យសំដី) និងការយល់ដឹង (បន្តបន្ទាប់ / សកល) [14] ។
ដូចដែលបានបង្ហាញក្នុងរូបភាពទី 1 វិមាត្រ FSLSM នីមួយៗមានចំណូលចិត្តលេចធ្លោ។ឧទាហរណ៍ នៅក្នុងវិមាត្រដំណើរការ សិស្សដែលមាន LS "សកម្ម" ចូលចិត្តដំណើរការព័ត៌មានដោយធ្វើអន្តរកម្មដោយផ្ទាល់ជាមួយសម្ភារៈសិក្សា រៀនដោយធ្វើ និងទំនោរចង់រៀនជាក្រុម។LS "ឆ្លុះបញ្ចាំង" សំដៅលើការរៀនតាមរយៈការគិត និងចូលចិត្តធ្វើការតែម្នាក់ឯង។វិមាត្រ "ការយល់ឃើញ" នៃ LS អាចបែងចែកទៅជា "អារម្មណ៍" និង / ឬ "វិចារណញាណ" ។សិស្ស "មានអារម្មណ៍" ចូលចិត្តព័ត៌មានជាក់ស្តែង និងនីតិវិធីជាក់ស្តែងជាង ផ្តោតលើការពិត បើប្រៀបធៀបទៅនឹងសិស្ស "វិចារណញាណ" ដែលចូលចិត្តសម្ភារៈអរូបី ហើយមានភាពច្នៃប្រឌិត និងច្នៃប្រឌិតជាងនៅក្នុងធម្មជាតិ។វិមាត្រ "បញ្ចូល" នៃ LS មានអ្នកសិក្សា "មើលឃើញ" និង "ពាក្យសំដី" ។អ្នកដែលមាន LS "មើលឃើញ" ចូលចិត្តរៀនតាមរយៈការបង្ហាញដែលមើលឃើញ (ដូចជា ដ្យាក្រាម វីដេអូ ឬការបង្ហាញផ្ទាល់) ចំណែកឯអ្នកដែលមាន "ពាក្យសំដី" LS ចូលចិត្តរៀនតាមរយៈពាក្យនៅក្នុងការពន្យល់ជាលាយលក្ខណ៍អក្សរ ឬផ្ទាល់មាត់។ដើម្បី "យល់" វិមាត្រ LS អ្នកសិក្សាបែបនេះអាចត្រូវបានបែងចែកទៅជា "បន្តបន្ទាប់" និង "សកល" ។"អ្នកសិក្សាតាមលំដាប់លំដោយចូលចិត្តដំណើរការគិតតាមបន្ទាត់ ហើយរៀនមួយជំហានម្តងៗ ខណៈពេលដែលអ្នកសិក្សាសកលមានទំនោរមានដំណើរការគិតរួម ហើយតែងតែមានការយល់ដឹងកាន់តែច្បាស់អំពីអ្វីដែលពួកគេកំពុងរៀន។
ថ្មីៗនេះ អ្នកស្រាវជ្រាវជាច្រើនបានចាប់ផ្តើមស្វែងរកវិធីសាស្រ្តសម្រាប់ការរកឃើញដោយស្វ័យប្រវត្តិដែលជំរុញដោយទិន្នន័យ រួមទាំងការអភិវឌ្ឍន៍នៃក្បួនដោះស្រាយថ្មី និងម៉ូដែលដែលមានសមត្ថភាពបកស្រាយទិន្នន័យយ៉ាងច្រើន [15, 16]។ដោយផ្អែកលើទិន្នន័យដែលបានផ្តល់ ML ដែលត្រូវបានគ្រប់គ្រង (ការរៀនម៉ាស៊ីន) អាចបង្កើតគំរូ និងសម្មតិកម្មដែលព្យាករណ៍លទ្ធផលនាពេលអនាគតដោយផ្អែកលើការស្ថាបនានៃក្បួនដោះស្រាយ [17] ។និយាយឱ្យសាមញ្ញ បច្ចេកទេសរៀនម៉ាស៊ីនដែលមានការត្រួតពិនិត្យគ្រប់គ្រងទិន្នន័យបញ្ចូល និងហ្វឹកហាត់ក្បួនដោះស្រាយ។បន្ទាប់មកវាបង្កើតជួរដែលចាត់ថ្នាក់ ឬព្យាករណ៍លទ្ធផលដោយផ្អែកលើស្ថានភាពស្រដៀងគ្នាសម្រាប់ទិន្នន័យបញ្ចូលដែលបានផ្តល់។អត្ថប្រយោជន៍ចម្បងនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមានការត្រួតពិនិត្យគឺសមត្ថភាពក្នុងការបង្កើតលទ្ធផលដ៏ល្អ និងចង់បាន [17] ។
តាមរយៈការប្រើប្រាស់វិធីសាស្រ្តដែលជំរុញដោយទិន្នន័យ និងគំរូគ្រប់គ្រងដើមឈើការសម្រេចចិត្ត ការរកឃើញដោយស្វ័យប្រវត្តិនៃ LS គឺអាចធ្វើទៅបាន។ដើមឈើការសម្រេចចិត្តត្រូវបានគេរាយការណ៍ថាត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងកម្មវិធីបណ្តុះបណ្តាលក្នុងវិស័យផ្សេងៗ រួមទាំងវិទ្យាសាស្ត្រសុខាភិបាល [18, 19]។នៅក្នុងការសិក្សានេះ គំរូនេះត្រូវបានបណ្តុះបណ្តាលជាពិសេសដោយអ្នកបង្កើតប្រព័ន្ធដើម្បីកំណត់អត្តសញ្ញាណ LS របស់សិស្ស និងណែនាំ IS ល្អបំផុតសម្រាប់ពួកគេ។
គោលបំណងនៃការសិក្សានេះគឺដើម្បីអភិវឌ្ឍយុទ្ធសាស្រ្តចែកចាយ IS ដោយផ្អែកលើ LS របស់សិស្ស និងអនុវត្តវិធីសាស្រ្ត SCL ដោយបង្កើតឧបករណ៍ណែនាំ IS ដែលបានគូសផែនទីទៅនឹង LS ។លំហូរការរចនានៃឧបករណ៍ណែនាំ IS ជាយុទ្ធសាស្ត្រនៃវិធីសាស្ត្រ SCL ត្រូវបានបង្ហាញក្នុងរូបភាពទី 1 ។ ឧបករណ៍ណែនាំ IS ត្រូវបានបែងចែកជាពីរផ្នែក រួមទាំងយន្តការចាត់ថ្នាក់ LS ដោយប្រើ ILS និងការបង្ហាញ IS ដែលសមស្របបំផុតសម្រាប់សិស្ស។
ជាពិសេស លក្ខណៈនៃឧបករណ៍ណែនាំសុវត្ថិភាពព័ត៌មាន រួមមានការប្រើប្រាស់បច្ចេកវិទ្យាគេហទំព័រ និងការប្រើប្រាស់ការរៀនម៉ាស៊ីនកាត់សេចក្តី។អ្នកអភិវឌ្ឍន៍ប្រព័ន្ធកែលម្អបទពិសោធន៍អ្នកប្រើប្រាស់ និងការចល័តដោយការសម្របខ្លួនពួកគេទៅនឹងឧបករណ៍ចល័តដូចជាទូរសព្ទ និងថេប្លេត។
ការពិសោធន៍នេះត្រូវបានអនុវត្តជាពីរដំណាក់កាល ហើយនិស្សិតមកពីមហាវិទ្យាល័យទន្តសាស្ត្រនៃសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានចូលរួមដោយស្ម័គ្រចិត្ត។អ្នកចូលរួមបានឆ្លើយតបទៅនឹង m-ILS អនឡាញរបស់និស្សិតពេទ្យធ្មេញជាភាសាអង់គ្លេស។នៅដំណាក់កាលដំបូង សំណុំទិន្នន័យរបស់សិស្សចំនួន 50 នាក់ត្រូវបានប្រើប្រាស់ដើម្បីបណ្តុះបណ្តាលក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើមឈើការសម្រេចចិត្ត។នៅក្នុងដំណាក់កាលទីពីរនៃដំណើរការអភិវឌ្ឍន៍ សំណុំទិន្នន័យរបស់សិស្សចំនួន 255 នាក់ត្រូវបានប្រើប្រាស់ដើម្បីកែលម្អភាពត្រឹមត្រូវនៃឧបករណ៍ដែលបានអភិវឌ្ឍ។
អ្នកចូលរួមទាំងអស់ទទួលបានការសង្ខេបតាមអ៊ីនធឺណិតនៅដើមដំណាក់កាលនីមួយៗ អាស្រ័យលើឆ្នាំសិក្សា តាមរយៈក្រុម Microsoft។គោលបំណងនៃការសិក្សាត្រូវបានពន្យល់ ហើយទទួលបានការយល់ព្រមជាដំណឹង។អ្នកចូលរួមទាំងអស់ត្រូវបានផ្តល់ឱ្យនូវតំណភ្ជាប់ដើម្បីចូលទៅកាន់ m-ILS ។សិស្សម្នាក់ៗត្រូវបានណែនាំឱ្យឆ្លើយសំណួរទាំង 44 នៅលើកម្រងសំណួរ។ពួកគេត្រូវបានផ្តល់ពេលមួយសប្តាហ៍ដើម្បីបំពេញ ILS ដែលបានកែប្រែនៅពេលមួយ និងទីតាំងដែលងាយស្រួលសម្រាប់ពួកគេក្នុងអំឡុងពេលឈប់សម្រាកឆមាសមុនពេលចាប់ផ្តើមឆមាស។m-ILS គឺផ្អែកលើឧបករណ៍ ILS ដើម ហើយត្រូវបានកែប្រែសម្រាប់និស្សិតពេទ្យធ្មេញ។ស្រដៀងទៅនឹង ILS ដើម វាមាន 44 ធាតុចែកចាយស្មើៗគ្នា (a, b) ដែលមាន 11 ធាតុនីមួយៗ ដែលត្រូវបានប្រើដើម្បីវាយតម្លៃទិដ្ឋភាពនៃវិមាត្រ FSLSM នីមួយៗ។
ក្នុងដំណាក់កាលដំបូងនៃការអភិវឌ្ឍន៍ឧបករណ៍ អ្នកស្រាវជ្រាវបានកំណត់ចំណាំផែនទីដោយដៃ ដោយប្រើសំណុំទិន្នន័យរបស់និស្សិតពេទ្យធ្មេញចំនួន 50 ។យោងតាម FSLM ប្រព័ន្ធផ្តល់ផលបូកនៃចម្លើយ "a" និង "b" ។សម្រាប់វិមាត្រនីមួយៗ ប្រសិនបើសិស្សជ្រើសរើស “a” ជាចម្លើយ LS ត្រូវបានចាត់ថ្នាក់ជា Active/Perceptual/Visual/Sequential ហើយប្រសិនបើសិស្សជ្រើសរើស “b” ជាចម្លើយ នោះសិស្សត្រូវបានចាត់ថ្នាក់ថាជា Reflective/Intuitive/Linguistic ./ អ្នកសិក្សាសកល។
បន្ទាប់ពីការក្រិតតាមខ្នាតលំហូរការងាររវាងអ្នកស្រាវជ្រាវផ្នែកអប់រំធ្មេញ និងអ្នកបង្កើតប្រព័ន្ធ សំណួរត្រូវបានជ្រើសរើសដោយផ្អែកលើដែន FLSSM ហើយបញ្ចូលទៅក្នុងគំរូ ML ដើម្បីទស្សន៍ទាយ LS របស់សិស្សម្នាក់ៗ។“Garbage in, garbage out” គឺជាពាក្យដ៏ពេញនិយមនៅក្នុងវិស័យរៀនម៉ាស៊ីន ដោយសង្កត់ធ្ងន់លើគុណភាពទិន្នន័យ។គុណភាពនៃទិន្នន័យបញ្ចូលកំណត់ភាពជាក់លាក់ និងភាពត្រឹមត្រូវនៃគំរូសិក្សាម៉ាស៊ីន។ក្នុងដំណាក់កាលវិស្វកម្មលក្ខណៈពិសេស សំណុំមុខងារថ្មីត្រូវបានបង្កើតឡើង ដែលជាផលបូកនៃចម្លើយ "a" និង "b" ដោយផ្អែកលើ FLSSM ។លេខអត្តសញ្ញាណនៃមុខតំណែងគ្រឿងញៀនត្រូវបានផ្តល់ឱ្យក្នុងតារាងទី 1 ។
គណនាពិន្ទុដោយផ្អែកលើចម្លើយ និងកំណត់ LS របស់សិស្ស។សម្រាប់សិស្សម្នាក់ៗ ជួរពិន្ទុគឺចាប់ពី 1 ដល់ 11។ ពិន្ទុពី 1 ដល់ 3 បង្ហាញពីតុល្យភាពនៃចំណូលចិត្តក្នុងការរៀននៅក្នុងវិមាត្រដូចគ្នា ហើយពិន្ទុពី 5 ដល់ 7 បង្ហាញពីចំណូលចិត្តកម្រិតមធ្យម ដែលបង្ហាញថាសិស្សមានទំនោរចូលចិត្តបរិយាកាសមួយដែលបង្រៀនអ្នកដទៃ .បំរែបំរួលមួយផ្សេងទៀតនៅលើវិមាត្រដូចគ្នាគឺថាពិន្ទុពី 9 ដល់ 11 ឆ្លុះបញ្ចាំងពីចំណូលចិត្តយ៉ាងខ្លាំងសម្រាប់ចុងម្ខាង ឬម្ខាងទៀត [8] ។
សម្រាប់វិមាត្រនីមួយៗ ថ្នាំត្រូវបានដាក់ជាក្រុមទៅជា "សកម្ម" "ឆ្លុះបញ្ចាំង" និង "មានតុល្យភាព" ។ឧទាហរណ៍ នៅពេលសិស្សឆ្លើយ “a” ញឹកញាប់ជាង “b” លើធាតុដែលបានកំណត់ ហើយពិន្ទុរបស់គាត់លើសពីកម្រិតនៃ 5 សម្រាប់ធាតុជាក់លាក់ដែលតំណាងឱ្យវិមាត្រ LS ដែលកំពុងដំណើរការ គាត់/នាងជាកម្មសិទ្ធិរបស់ LS “សកម្ម” ដែន។.ទោះជាយ៉ាងណាក៏ដោយ សិស្សត្រូវបានចាត់ថ្នាក់ជា LS "ឆ្លុះបញ្ចាំង" នៅពេលពួកគេជ្រើសរើស "b" ច្រើនជាង "a" នៅក្នុង 11 សំណួរជាក់លាក់ (តារាងទី 1) ហើយបានពិន្ទុច្រើនជាង 5 ពិន្ទុ។ទីបំផុត សិស្សស្ថិតក្នុងស្ថានភាព «លំនឹង»។ប្រសិនបើពិន្ទុមិនលើសពី 5 ពិន្ទុនោះនេះគឺជា "ដំណើរការ" LS ។ដំណើរការចាត់ថ្នាក់ត្រូវបានធ្វើម្តងទៀតសម្រាប់វិមាត្រ LS ផ្សេងទៀតគឺការយល់ឃើញ (សកម្ម/ឆ្លុះបញ្ចាំង) ការបញ្ចូល (ការមើលឃើញ/ពាក្យសំដី) និងការយល់ដឹង (តាមលំដាប់លំដោយ/សកល)។
គំរូមែកធាងការសម្រេចចិត្តអាចប្រើសំណុំរងផ្សេងៗគ្នានៃលក្ខណៈពិសេស និងច្បាប់នៃការសម្រេចចិត្តនៅដំណាក់កាលផ្សេងៗគ្នានៃដំណើរការចាត់ថ្នាក់។វាត្រូវបានចាត់ទុកថាជាឧបករណ៍ចាត់ថ្នាក់ និងការទស្សន៍ទាយដ៏ពេញនិយម។វាអាចត្រូវបានតំណាងដោយប្រើរចនាសម្ព័ន្ធមែកធាងដូចជាតារាងលំហូរ [20] ដែលក្នុងនោះមានថ្នាំងខាងក្នុងតំណាងឱ្យការធ្វើតេស្តដោយគុណលក្ខណៈ សាខានីមួយៗតំណាងឱ្យលទ្ធផលតេស្ត និងថ្នាំងស្លឹកនីមួយៗ (ថ្នាំងស្លឹក) ដែលមានស្លាកថ្នាក់។
កម្មវិធីផ្អែកលើច្បាប់សាមញ្ញមួយត្រូវបានបង្កើតឡើងដើម្បីដាក់ពិន្ទុដោយស្វ័យប្រវត្តិ និងកំណត់ចំណាំ LS របស់សិស្សម្នាក់ៗដោយផ្អែកលើការឆ្លើយតបរបស់ពួកគេ។គោលការណ៍ផ្អែកលើទម្រង់នៃសេចក្តីថ្លែងការណ៍ IF ដែល “IF” ពិពណ៌នាអំពីគន្លឹះ ហើយ “បន្ទាប់មក” បញ្ជាក់សកម្មភាពដែលត្រូវអនុវត្ត ឧទាហរណ៍៖ “ប្រសិនបើ X កើតឡើង នោះធ្វើ Y” (Liu et al., 2014) ។ប្រសិនបើសំណុំទិន្នន័យបង្ហាញការជាប់ទាក់ទងគ្នា ហើយគំរូមែកធាងការសម្រេចចិត្តត្រូវបានបណ្តុះបណ្តាល និងវាយតម្លៃយ៉ាងត្រឹមត្រូវ វិធីសាស្រ្តនេះអាចជាមធ្យោបាយដ៏មានប្រសិទ្ធភាពមួយដើម្បីធ្វើឱ្យដំណើរការនៃការផ្គូផ្គង LS និង IS ដោយស្វ័យប្រវត្តិ។
នៅក្នុងដំណាក់កាលទីពីរនៃការអភិវឌ្ឍន៍ សំណុំទិន្នន័យត្រូវបានកើនឡើងដល់ 255 ដើម្បីកែលម្អភាពត្រឹមត្រូវនៃឧបករណ៍ណែនាំ។សំណុំទិន្នន័យត្រូវបានបំបែកក្នុងសមាមាត្រ 1: 4 ។25% (64) នៃសំណុំទិន្នន័យត្រូវបានប្រើសម្រាប់សំណុំតេស្ត ហើយ 75% ដែលនៅសល់ (191) ត្រូវបានប្រើជាសំណុំបណ្តុះបណ្តាល (រូបភាពទី 2) ។សំណុំទិន្នន័យចាំបាច់ត្រូវបំបែកដើម្បីការពារគំរូពីការបណ្តុះបណ្តាល និងសាកល្បងលើសំណុំទិន្នន័យដូចគ្នា ដែលអាចបណ្តាលឱ្យគំរូចងចាំជាជាងរៀន។គំរូនេះត្រូវបានបណ្តុះបណ្តាលលើសំណុំបណ្តុះបណ្តាល និងវាយតម្លៃដំណើរការរបស់វានៅលើសំណុំសាកល្បង—ទិន្នន័យដែលគំរូមិនធ្លាប់ឃើញពីមុនមក។
នៅពេលដែលឧបករណ៍ IS ត្រូវបានបង្កើតឡើង កម្មវិធីនឹងអាចចាត់ថ្នាក់ LS ដោយផ្អែកលើការឆ្លើយតបរបស់និស្សិតពេទ្យធ្មេញតាមរយៈចំណុចប្រទាក់បណ្ដាញ។ប្រព័ន្ធណែនាំសុវត្ថិភាពព័ត៌មានតាមគេហទំព័រត្រូវបានបង្កើតឡើងដោយប្រើភាសាសរសេរកម្មវិធី Python ដោយប្រើ Django framework ជាកម្មវិធីខាងក្រោយ។តារាងទី 2 រាយបញ្ជីបណ្ណាល័យដែលប្រើក្នុងការអភិវឌ្ឍន៍ប្រព័ន្ធនេះ។
សំណុំទិន្នន័យត្រូវបានបញ្ចូលទៅក្នុងគំរូមែកធាងការសម្រេចចិត្តដើម្បីគណនា និងស្រង់ការឆ្លើយតបរបស់សិស្ស ដើម្បីចាត់ថ្នាក់ដោយស្វ័យប្រវត្តិនូវការវាស់វែង LS របស់សិស្ស។
ម៉ាទ្រីសច្របូកច្របល់ត្រូវបានប្រើដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនមែកធាងការសម្រេចចិត្តលើសំណុំទិន្នន័យដែលបានផ្ដល់។ក្នុងពេលជាមួយគ្នានេះវាវាយតម្លៃការអនុវត្តនៃគំរូចំណាត់ថ្នាក់។វាសង្ខេបការព្យាករណ៍របស់ម៉ូដែល ហើយប្រៀបធៀបពួកវាទៅនឹងស្លាកទិន្នន័យជាក់ស្តែង។លទ្ធផលវាយតម្លៃគឺផ្អែកលើតម្លៃបួនផ្សេងគ្នា៖ True Positive (TP) - គំរូបានព្យាករណ៍យ៉ាងត្រឹមត្រូវអំពីប្រភេទវិជ្ជមាន False Positive (FP) - គំរូព្យាករណ៍ពីប្រភេទវិជ្ជមាន ប៉ុន្តែស្លាកពិតគឺអវិជ្ជមាន True Negative (TN) - គំរូបានព្យាករណ៍យ៉ាងត្រឹមត្រូវនូវថ្នាក់អវិជ្ជមាន និងអវិជ្ជមានមិនពិត (FN) - គំរូព្យាករណ៍ពីថ្នាក់អវិជ្ជមាន ប៉ុន្តែស្លាកពិតគឺវិជ្ជមាន។
បន្ទាប់មកតម្លៃទាំងនេះត្រូវបានប្រើដើម្បីគណនាការវាស់វែងការអនុវត្តផ្សេងៗនៃគំរូចំណាត់ថ្នាក់ scikit-learn នៅក្នុង Python គឺភាពជាក់លាក់ ភាពជាក់លាក់ ការរំលឹកឡើងវិញ និងពិន្ទុ F1។នេះជាឧទាហរណ៍៖
ការរំលឹកឡើងវិញ (ឬភាពរសើប) វាស់ស្ទង់សមត្ថភាពរបស់គំរូក្នុងការចាត់ថ្នាក់ LS របស់សិស្សយ៉ាងត្រឹមត្រូវ បន្ទាប់ពីឆ្លើយកម្រងសំណួរ m-ILS ។
ភាពជាក់លាក់ត្រូវបានគេហៅថាអត្រាអវិជ្ជមានពិត។ដូចដែលអ្នកអាចមើលឃើញពីរូបមន្តខាងលើ នេះគួរតែជាសមាមាត្រនៃអវិជ្ជមានពិត (TN) ទៅអវិជ្ជមានពិត និងវិជ្ជមានមិនពិត (FP)។ជាផ្នែកមួយនៃឧបករណ៍ដែលបានណែនាំសម្រាប់ចាត់ថ្នាក់ថ្នាំសិស្ស វាគួរតែមានសមត្ថភាពកំណត់អត្តសញ្ញាណត្រឹមត្រូវ។
សំណុំទិន្នន័យដើមរបស់សិស្សចំនួន 50 នាក់ដែលប្រើដើម្បីបណ្តុះបណ្តាលគំរូមែកធាងការសម្រេចចិត្ត ML បានបង្ហាញពីភាពត្រឹមត្រូវទាបដោយសារតែកំហុសរបស់មនុស្សនៅក្នុងចំណារពន្យល់ (តារាងទី 3) ។បន្ទាប់ពីបង្កើតកម្មវិធីផ្អែកលើច្បាប់សាមញ្ញ ដើម្បីគណនាពិន្ទុ LS និងចំណារពន្យល់របស់សិស្សដោយស្វ័យប្រវត្តិ សំណុំទិន្នន័យកើនឡើង (255) ត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាល និងសាកល្បងប្រព័ន្ធណែនាំ។
នៅក្នុងម៉ាទ្រីសច្របូកច្របល់ចម្រុះ ធាតុអង្កត់ទ្រូងតំណាងឱ្យចំនួននៃការព្យាករណ៍ត្រឹមត្រូវសម្រាប់ប្រភេទ LS នីមួយៗ (រូបភាពទី 4) ។ដោយប្រើគំរូមែកធាងការសម្រេចចិត្ត គំរូសរុបចំនួន 64 ត្រូវបានព្យាករណ៍យ៉ាងត្រឹមត្រូវ។ដូច្នេះ ក្នុងការសិក្សានេះ ធាតុអង្កត់ទ្រូងបង្ហាញលទ្ធផលរំពឹងទុក ដែលបង្ហាញថាគំរូដំណើរការបានល្អ និងព្យាករណ៍យ៉ាងត្រឹមត្រូវអំពីស្លាកថ្នាក់សម្រាប់ការចាត់ថ្នាក់ LS នីមួយៗ។ដូច្នេះភាពត្រឹមត្រូវសរុបនៃឧបករណ៍ណែនាំគឺ 100% ។
តម្លៃនៃភាពត្រឹមត្រូវ ភាពជាក់លាក់ ការរំលឹកឡើងវិញ និងពិន្ទុ F1 ត្រូវបានបង្ហាញក្នុងរូបភាពទី 5។ សម្រាប់ប្រព័ន្ធការណែនាំដោយប្រើគំរូមែកធាងការសម្រេចចិត្ត ពិន្ទុ F1 របស់វាគឺ 1.0 "ល្អឥតខ្ចោះ" ដែលបង្ហាញពីភាពជាក់លាក់ល្អឥតខ្ចោះ និងការរំលឹកឡើងវិញ ដែលឆ្លុះបញ្ចាំងពីភាពប្រែប្រួល និងជាក់លាក់សំខាន់ៗ។ តម្លៃ។
រូបភាពទី 6 បង្ហាញពីការមើលឃើញនៃគំរូមែកធាងការសម្រេចចិត្តបន្ទាប់ពីការបណ្តុះបណ្តាល និងការធ្វើតេស្តត្រូវបានបញ្ចប់។នៅក្នុងការប្រៀបធៀបមួយចំហៀង គំរូមែកធាងការសម្រេចចិត្តដែលបានបណ្តុះបណ្តាលជាមួយនឹងលក្ខណៈពិសេសតិចជាងនេះបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ជាងមុន និងការមើលឃើញគំរូកាន់តែងាយស្រួល។នេះបង្ហាញថាវិស្វកម្មលក្ខណៈពិសេសដែលនាំទៅដល់ការកាត់បន្ថយលក្ខណៈពិសេសគឺជាជំហានដ៏សំខាន់មួយក្នុងការកែលម្អដំណើរការគំរូ។
តាមរយៈការអនុវត្តការរៀនដែលគ្រប់គ្រងដោយមែកធាងការសម្រេចចិត្ត ការធ្វើផែនទីរវាង LS (បញ្ចូល) និង IS (លទ្ធផលគោលដៅ) ត្រូវបានបង្កើតដោយស្វ័យប្រវត្តិ និងមានព័ត៌មានលម្អិតសម្រាប់ LS នីមួយៗ។
លទ្ធផលបានបង្ហាញថា 34.9% នៃសិស្ស 255 នាក់ចូលចិត្តជម្រើសមួយ (1) LS ។ភាគច្រើន (54.3%) មានចំណូលចិត្ត LS ពីរ ឬច្រើន។12.2% នៃសិស្សបានកត់សម្គាល់ថា LS មានតុល្យភាពណាស់ (តារាងទី 4) ។បន្ថែមពីលើ LS សំខាន់ៗចំនួនប្រាំបី មាន 34 បន្សំនៃចំណាត់ថ្នាក់ LS សម្រាប់និស្សិតទន្តសាស្ត្រនៃសាកលវិទ្យាល័យម៉ាឡាយ៉ា។ក្នុងចំនោមពួកគេ ការយល់ឃើញ ការមើលឃើញ និងការរួមផ្សំនៃការយល់ឃើញ និងចក្ខុវិស័យ គឺជា LS សំខាន់ដែលត្រូវបានរាយការណ៍ដោយសិស្ស (រូបភាពទី 7) ។
ដូចដែលអាចមើលឃើញពីតារាងទី 4 សិស្សភាគច្រើនមានអារម្មណ៏លេចធ្លោ (13.7%) ឬមើលឃើញ (8.6%) LS ។វាត្រូវបានគេរាយការណ៍ថា 12.2% នៃសិស្សរួមការយល់ឃើញជាមួយនឹងចក្ខុវិស័យ (perceptual-visual LS)។ការរកឃើញទាំងនេះបង្ហាញថា សិស្សចូលចិត្តរៀន និងចងចាំតាមរយៈវិធីសាស្រ្តដែលបានបង្កើតឡើង អនុវត្តតាមនីតិវិធីជាក់លាក់ និងលម្អិត និងយកចិត្តទុកដាក់ក្នុងធម្មជាតិ។ក្នុងពេលជាមួយគ្នានេះ ពួកគេចូលចិត្តរៀនដោយការមើល (ដោយប្រើដ្យាក្រាម។ល។) ហើយមានទំនោរក្នុងការពិភាក្សា និងអនុវត្តព័ត៌មានជាក្រុម ឬដោយខ្លួនឯង។
ការសិក្សានេះផ្តល់នូវទិដ្ឋភាពទូទៅនៃបច្ចេកទេសរៀនម៉ាស៊ីនដែលប្រើក្នុងការរុករកទិន្នន័យ ដោយផ្តោតលើការទស្សន៍ទាយ LS របស់សិស្សភ្លាមៗ និងត្រឹមត្រូវ និងណែនាំ IS ដែលសមស្រប។ការអនុវត្តគំរូមែកធាងការសម្រេចចិត្តបានកំណត់កត្តាដែលទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតទៅនឹងជីវិត និងបទពិសោធន៍អប់រំរបស់ពួកគេ។វាគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមានការត្រួតពិនិត្យដែលប្រើរចនាសម្ព័ន្ធមែកធាងដើម្បីចាត់ថ្នាក់ទិន្នន័យដោយបែងចែកសំណុំទិន្នន័យទៅជាប្រភេទរងដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យមួយចំនួន។វាដំណើរការដោយការបែងចែកទិន្នន័យបញ្ចូលឡើងវិញទៅជាសំណុំរង ដោយផ្អែកលើតម្លៃនៃលក្ខណៈពិសេសបញ្ចូលមួយនៃថ្នាំងខាងក្នុងនីមួយៗ រហូតដល់ការសម្រេចចិត្តត្រូវបានធ្វើឡើងនៅថ្នាំងស្លឹក។
ថ្នាំងខាងក្នុងនៃមែកធាងការសម្រេចចិត្តតំណាងឱ្យដំណោះស្រាយដោយផ្អែកលើលក្ខណៈបញ្ចូលនៃបញ្ហា m-ILS ហើយថ្នាំងស្លឹកតំណាងឱ្យការព្យាករណ៍ចំណាត់ថ្នាក់ចុងក្រោយរបស់ LS ។ពេញមួយការសិក្សា វាងាយស្រួលយល់អំពីឋានានុក្រមនៃដើមឈើការសម្រេចចិត្ត ដែលពន្យល់ និងស្រមៃមើលដំណើរការសម្រេចចិត្តដោយមើលទំនាក់ទំនងរវាងលក្ខណៈពិសេសបញ្ចូល និងការព្យាករណ៍លទ្ធផល។
នៅក្នុងវិស័យវិទ្យាសាស្ត្រកុំព្យូទ័រ និងវិស្វកម្ម ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនត្រូវបានគេប្រើយ៉ាងទូលំទូលាយដើម្បីទស្សន៍ទាយលទ្ធផលសិស្សដោយផ្អែកលើពិន្ទុប្រឡងចូលរបស់ពួកគេ [21] ព័ត៌មានប្រជាសាស្រ្ត និងឥរិយាបថសិក្សា [22] ។ការស្រាវជ្រាវបានបង្ហាញថា ក្បួនដោះស្រាយបានទស្សន៍ទាយលទ្ធផលសិស្សយ៉ាងត្រឹមត្រូវ និងជួយពួកគេកំណត់អត្តសញ្ញាណសិស្សដែលមានហានិភ័យសម្រាប់ការលំបាកក្នុងការសិក្សា។
កម្មវិធីនៃក្បួនដោះស្រាយ ML ក្នុងការអភិវឌ្ឍន៍ឧបករណ៍ក្លែងធ្វើអ្នកជំងឺនិម្មិតសម្រាប់ការបណ្តុះបណ្តាលធ្មេញត្រូវបានរាយការណ៍។ម៉ាស៊ីនក្លែងធ្វើមានសមត្ថភាពផលិតឡើងវិញនូវការឆ្លើយតបខាងសរីរវិទ្យានៃអ្នកជំងឺពិតប្រាកដ និងអាចប្រើដើម្បីបណ្តុះបណ្តាលនិស្សិតទន្តសាស្ត្រនៅក្នុងបរិយាកាសដែលមានសុវត្ថិភាព និងគ្រប់គ្រង [23] ។ការសិក្សាជាច្រើនផ្សេងទៀតបង្ហាញថា ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនអាចបង្កើនគុណភាព និងប្រសិទ្ធភាពនៃការអប់រំធ្មេញ និងវេជ្ជសាស្ត្រ និងការថែទាំអ្នកជំងឺ។ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនត្រូវបានប្រើដើម្បីជួយក្នុងការធ្វើរោគវិនិច្ឆ័យជំងឺធ្មេញដោយផ្អែកលើសំណុំទិន្នន័យដូចជារោគសញ្ញា និងលក្ខណៈអ្នកជំងឺ [24, 25]។ខណៈពេលដែលការសិក្សាផ្សេងទៀតបានស្វែងយល់ពីការប្រើប្រាស់ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើម្បីអនុវត្តការងារដូចជាការទស្សន៍ទាយលទ្ធផលអ្នកជំងឺ ការកំណត់អត្តសញ្ញាណអ្នកជំងឺដែលមានហានិភ័យខ្ពស់ ការបង្កើតផែនការព្យាបាលផ្ទាល់ខ្លួន [26] ការព្យាបាលតាមធ្មេញ [27] និងការព្យាបាល caries [25] ។
ទោះបីជារបាយការណ៍ស្តីពីការអនុវត្តម៉ាស៊ីនរៀននៅក្នុងទន្តព្ទ្យវិទ្យាត្រូវបានបោះពុម្ពផ្សាយក៏ដោយ កម្មវិធីរបស់វានៅក្នុងការអប់រំធ្មេញនៅតែមានកម្រិត។ដូច្នេះ ការសិក្សានេះមានគោលបំណងប្រើប្រាស់គំរូមែកធាងការសម្រេចចិត្តដើម្បីកំណត់កត្តាដែលទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតជាមួយ LS និង IS ក្នុងចំណោមនិស្សិតពេទ្យធ្មេញ។
លទ្ធផលនៃការសិក្សានេះបង្ហាញថាឧបករណ៍អនុសាសន៍ដែលបានបង្កើតមានភាពត្រឹមត្រូវខ្ពស់និងភាពត្រឹមត្រូវល្អឥតខ្ចោះដែលបង្ហាញថាគ្រូបង្រៀនអាចទទួលបានអត្ថប្រយោជន៍ពីឧបករណ៍នេះ។ដោយប្រើដំណើរការចាត់ថ្នាក់ដែលជំរុញដោយទិន្នន័យ វាអាចផ្តល់នូវការណែនាំផ្ទាល់ខ្លួន និងកែលម្អបទពិសោធន៍ និងលទ្ធផលនៃការអប់រំសម្រាប់អ្នកអប់រំ និងសិស្ស។ក្នុងចំណោមពួកគេ ព័ត៌មានដែលទទួលបានតាមរយៈឧបករណ៍ណែនាំអាចដោះស្រាយជម្លោះរវាងវិធីសាស្រ្តបង្រៀនដែលពេញចិត្តរបស់គ្រូ និងតម្រូវការសិក្សារបស់សិស្ស។ឧទាហរណ៍ ដោយសារលទ្ធផលដោយស្វ័យប្រវត្តិនៃឧបករណ៍ណែនាំ ពេលវេលាដែលត្រូវការដើម្បីកំណត់អត្តសញ្ញាណ IP របស់សិស្ស ហើយត្រូវគ្នាជាមួយ IP ដែលត្រូវគ្នានឹងត្រូវកាត់បន្ថយយ៉ាងខ្លាំង។តាមរបៀបនេះ សកម្មភាពបណ្តុះបណ្តាល និងសម្ភារៈបណ្តុះបណ្តាលសមរម្យអាចត្រូវបានរៀបចំ។នេះជួយអភិវឌ្ឍអាកប្បកិរិយាសិក្សាវិជ្ជមានរបស់សិស្ស និងសមត្ថភាពក្នុងការផ្តោតអារម្មណ៍។ការសិក្សាមួយបានរាយការណ៍ថា ការផ្តល់ឱ្យសិស្សនូវសម្ភារៈសិក្សា និងសកម្មភាពសិក្សាដែលត្រូវនឹង LS ដែលពួកគេពេញចិត្ត អាចជួយសិស្សក្នុងការរួមបញ្ចូល ដំណើរការ និងរីករាយនឹងការរៀនសូត្រតាមវិធីជាច្រើន ដើម្បីសម្រេចបានសក្តានុពលកាន់តែច្រើន [12] ។ការស្រាវជ្រាវក៏បង្ហាញផងដែរថា បន្ថែមពីលើការកែលម្អការចូលរួមរបស់សិស្សនៅក្នុងថ្នាក់រៀន ការយល់ដឹងអំពីដំណើរការសិក្សារបស់សិស្សក៏ដើរតួនាទីយ៉ាងសំខាន់ក្នុងការកែលម្អការអនុវត្តការបង្រៀន និងការប្រាស្រ័យទាក់ទងជាមួយសិស្ស [28, 29] ។
ទោះយ៉ាងណាក៏ដោយ ដូចទៅនឹងបច្ចេកវិជ្ជាទំនើបណាមួយដែរ មានបញ្ហា និងដែនកំណត់។ទាំងនេះរួមមានបញ្ហាទាក់ទងនឹងឯកជនភាពទិន្នន័យ ភាពលំអៀង និងយុត្តិធម៌ និងជំនាញវិជ្ជាជីវៈ និងធនធានដែលត្រូវការក្នុងការអភិវឌ្ឍ និងអនុវត្តក្បួនដោះស្រាយការរៀនម៉ាស៊ីននៅក្នុងការអប់រំធ្មេញ។ទោះជាយ៉ាងណាក៏ដោយ ការបង្កើនចំណាប់អារម្មណ៍ និងការស្រាវជ្រាវនៅក្នុងតំបន់នេះបង្ហាញថា បច្ចេកវិទ្យារៀនម៉ាស៊ីនអាចមានឥទ្ធិពលវិជ្ជមានទៅលើការអប់រំធ្មេញ និងសេវាកម្មធ្មេញ។
លទ្ធផលនៃការសិក្សានេះបង្ហាញថាពាក់កណ្តាលនៃនិស្សិតពេទ្យធ្មេញមានទំនោរក្នុងការ "យល់ឃើញ" ថ្នាំ។អ្នកសិក្សាប្រភេទនេះមានចំណូលចិត្តសម្រាប់ការពិត និងឧទាហរណ៍ជាក់ស្តែង ការតំរង់ទិសជាក់ស្តែង ការអត់ធ្មត់ចំពោះព័ត៌មានលម្អិត និងចំណូលចិត្ត LS "ដែលមើលឃើញ" ដែលអ្នកសិក្សាចូលចិត្តប្រើរូបភាព ក្រាហ្វិក ពណ៌ និងផែនទីដើម្បីបង្ហាញពីគំនិត និងគំនិត។លទ្ធផលបច្ចុប្បន្នគឺស្របជាមួយនឹងការសិក្សាផ្សេងទៀតដោយប្រើ ILS ដើម្បីវាយតម្លៃ LS នៅក្នុងនិស្សិតពេទ្យធ្មេញ និងនិស្សិត ដែលភាគច្រើនមានចរិតលក្ខណៈនៃការយល់ឃើញ និងមើលឃើញ LS [12, 30] ។Dalmolin et al ណែនាំថាការជូនដំណឹងដល់សិស្សអំពី LS របស់ពួកគេអនុញ្ញាតឱ្យពួកគេឈានដល់សក្តានុពលសិក្សារបស់ពួកគេ។អ្នកស្រាវជ្រាវអះអាងថា នៅពេលដែលគ្រូបង្រៀនយល់ច្បាស់អំពីដំណើរការអប់រំរបស់សិស្ស វិធីសាស្ត្រ និងសកម្មភាពនៃការបង្រៀនផ្សេងៗអាចត្រូវបានអនុវត្តដែលនឹងធ្វើឱ្យប្រសើរឡើងនូវការអនុវត្ត និងបទពិសោធន៍សិក្សារបស់សិស្ស [12, 31, 32] ។ការសិក្សាផ្សេងទៀតបានបង្ហាញថាការកែតម្រូវ LS របស់សិស្សក៏បង្ហាញពីភាពប្រសើរឡើងនៃបទពិសោធន៍សិក្សា និងការអនុវត្តរបស់សិស្សបន្ទាប់ពីផ្លាស់ប្តូររចនាប័ទ្មសិក្សារបស់ពួកគេឱ្យសមនឹង LS របស់ពួកគេផ្ទាល់ [13, 33] ។
មតិរបស់គ្រូអាចប្រែប្រួលទាក់ទងនឹងការអនុវត្តយុទ្ធសាស្ត្របង្រៀនដោយផ្អែកលើសមត្ថភាពសិក្សារបស់សិស្ស។ខណៈពេលដែលអ្នកខ្លះមើលឃើញអត្ថប្រយោជន៍នៃវិធីសាស្រ្តនេះ រួមទាំងឱកាសអភិវឌ្ឍន៍វិជ្ជាជីវៈ ការណែនាំ និងការគាំទ្រសហគមន៍ អ្នកផ្សេងទៀតប្រហែលជាមានការព្រួយបារម្ភអំពីពេលវេលា និងការគាំទ្រពីស្ថាប័ន។ការតស៊ូដើម្បីតុល្យភាពគឺជាគន្លឹះក្នុងការបង្កើតអាកប្បកិរិយាដែលផ្តោតលើសិស្ស។អាជ្ញាធរអប់រំឧត្តមសិក្សា ដូចជាអ្នកគ្រប់គ្រងសាកលវិទ្យាល័យ អាចដើរតួនាទីយ៉ាងសំខាន់ក្នុងការជំរុញការផ្លាស់ប្តូរជាវិជ្ជមានដោយការណែនាំការអនុវត្តប្រកបដោយភាពច្នៃប្រឌិត និងគាំទ្រដល់ការអភិវឌ្ឍន៍មហាវិទ្យាល័យ [34] ។ដើម្បីបង្កើតប្រព័ន្ធអប់រំឧត្តមសិក្សាដែលមានភាពស្វាហាប់ និងឆ្លើយតបយ៉ាងពិតប្រាកដ អ្នកបង្កើតគោលនយោបាយត្រូវតែចាត់វិធានការយ៉ាងម៉ឺងម៉ាត់ ដូចជាការធ្វើការផ្លាស់ប្តូរគោលនយោបាយ ការលះបង់ធនធានក្នុងការធ្វើសមាហរណកម្មបច្ចេកវិទ្យា និងការបង្កើតក្របខ័ណ្ឌដែលលើកកម្ពស់វិធីសាស្រ្តដែលផ្តោតលើសិស្ស។វិធានការទាំងនេះមានសារៈសំខាន់ណាស់ក្នុងការសម្រេចបាននូវលទ្ធផលដែលចង់បាន។ការស្រាវជ្រាវថ្មីៗស្តីពីការណែនាំផ្សេងគ្នាបានបង្ហាញយ៉ាងច្បាស់ថា ការអនុវត្តប្រកបដោយជោគជ័យនៃការណែនាំផ្សេងគ្នា តម្រូវឱ្យមានការបណ្តុះបណ្តាលបន្ត និងឱកាសអភិវឌ្ឍន៍សម្រាប់គ្រូបង្រៀន [35] ។
ឧបករណ៍នេះផ្តល់នូវការគាំទ្រដ៏មានតម្លៃដល់អ្នកអប់រំធ្មេញដែលចង់អនុវត្តវិធីសាស្រ្តផ្តោតលើសិស្សក្នុងការធ្វើផែនការសកម្មភាពសិក្សាដែលងាយស្រួលសិស្ស។ទោះជាយ៉ាងណាក៏ដោយ ការសិក្សានេះត្រូវបានកំណត់ចំពោះការប្រើប្រាស់គំរូ ML នៃការសម្រេចចិត្ត។នៅពេលអនាគត ទិន្នន័យបន្ថែមទៀតគួរតែត្រូវបានប្រមូលដើម្បីប្រៀបធៀបដំណើរការនៃម៉ូដែលសិក្សាម៉ាស៊ីនផ្សេងៗគ្នា ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវ ភាពជឿជាក់ និងភាពជាក់លាក់នៃឧបករណ៍ណែនាំ។លើសពីនេះទៀត នៅពេលជ្រើសរើសវិធីសាស្រ្តរៀនម៉ាស៊ីនដែលសមស្របបំផុតសម្រាប់កិច្ចការជាក់លាក់មួយ វាជាការសំខាន់ក្នុងការពិចារណាលើកត្តាផ្សេងទៀតដូចជាភាពស្មុគស្មាញនៃគំរូ និងការបកស្រាយ។
ដែនកំណត់នៃការសិក្សានេះគឺថាវាផ្តោតតែលើការធ្វើផែនទី LS និង IS ក្នុងចំណោមនិស្សិតទន្តសាស្ត្រប៉ុណ្ណោះ។ដូច្នេះ ប្រព័ន្ធអនុសាសន៍ដែលបានបង្កើតនឹងណែនាំតែអ្នកដែលស័ក្តិសមសម្រាប់និស្សិតទន្តសាស្ត្រប៉ុណ្ណោះ។ការផ្លាស់ប្តូរគឺចាំបាច់សម្រាប់ការប្រើប្រាស់សិស្សឧត្តមសិក្សាទូទៅ។
ឧបករណ៍ណែនាំដែលផ្អែកលើការរៀនតាមម៉ាស៊ីនដែលទើបបង្កើតថ្មី មានសមត្ថភាពចាត់ថ្នាក់ និងផ្គូផ្គង LS របស់សិស្សភ្លាមៗទៅនឹង IS ដែលត្រូវគ្នា ដោយធ្វើឱ្យវាក្លាយជាកម្មវិធីអប់រំមាត់ធ្មេញដំបូងគេ ដើម្បីជួយអ្នកអប់រំទន្តសាស្ត្ររៀបចំផែនការសកម្មភាពបង្រៀន និងសិក្សាដែលពាក់ព័ន្ធ។ដោយប្រើដំណើរការ triage ដែលជំរុញដោយទិន្នន័យ វាអាចផ្តល់នូវការណែនាំផ្ទាល់ខ្លួន សន្សំសំចៃពេលវេលា កែលម្អយុទ្ធសាស្ត្របង្រៀន គាំទ្រដល់ការអន្តរាគមន៍ដែលមានគោលដៅ និងលើកកម្ពស់ការអភិវឌ្ឍន៍វិជ្ជាជីវៈដែលកំពុងបន្ត។កម្មវិធីរបស់វានឹងលើកកម្ពស់វិធីសាស្រ្តផ្តោតលើសិស្សចំពោះការអប់រំធ្មេញ។
Gilak Jani Associated Press ។ផ្គូផ្គង ឬមិនត្រូវគ្នារវាងទម្រង់នៃការរៀនរបស់សិស្ស និងទម្រង់ការបង្រៀនរបស់គ្រូ។វិទ្យាសាស្ត្រកុំព្យូទ័រ Int J Mod Educ ។ឆ្នាំ 2012; 4(11:51–60)។https://doi.org/10.5815/ijmecs.2012.11.05
ពេលវេលាប្រកាស៖ ថ្ងៃទី ២៩ ខែមេសា ឆ្នាំ ២០២៤