មានតម្រូវការកាន់តែខ្លាំងឡើងសម្រាប់ការរៀនសូត្រដែលផ្តោតលើសិស្ស (SCL) នៅក្នុងស្ថាប័នឧត្តមសិក្សា រួមទាំងទន្តសាស្ត្រផងដែរ។ ទោះជាយ៉ាងណាក៏ដោយ SCL មានការអនុវត្តមានកម្រិតក្នុងការអប់រំទន្តសាស្ត្រ។ ដូច្នេះ ការសិក្សានេះមានគោលបំណងលើកកម្ពស់ការអនុវត្ត SCL ក្នុងទន្តសាស្ត្រ ដោយប្រើប្រាស់បច្ចេកវិទ្យារៀនម៉ាស៊ីនសម្រេចចិត្ត (ML) ដើម្បីគូសផែនទីរចនាប័ទ្មសិក្សាដែលពេញចិត្ត (LS) និងយុទ្ធសាស្ត្រសិក្សាដែលត្រូវគ្នា (IS) របស់និស្សិតទន្តសាស្ត្រ ជាឧបករណ៍មានប្រយោជន៍សម្រាប់ការអភិវឌ្ឍគោលការណ៍ណែនាំ IS។ វិធីសាស្រ្តដ៏ជោគជ័យសម្រាប់និស្សិតទន្តសាស្ត្រ។
និស្សិតទន្តសាស្ត្រសរុបចំនួន ២៥៥ នាក់មកពីសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានបំពេញកម្រងសំណួរសន្ទស្សន៍នៃរចនាប័ទ្មសិក្សា (m-ILS) ដែលបានកែប្រែ ដែលមានធាតុចំនួន ៤៤ ដើម្បីចាត់ថ្នាក់ពួកគេទៅជា LSs រៀងៗខ្លួន។ ទិន្នន័យដែលប្រមូលបាន (ហៅថាសំណុំទិន្នន័យ) ត្រូវបានប្រើប្រាស់ក្នុងការរៀនដើមឈើសម្រេចចិត្តដែលមានការត្រួតពិនិត្យ ដើម្បីផ្គូផ្គងរចនាប័ទ្មសិក្សារបស់សិស្សដោយស្វ័យប្រវត្តិទៅនឹង IS ដែលសមស្របបំផុត។ ភាពត្រឹមត្រូវនៃឧបករណ៍ណែនាំ IS ដែលមានមូលដ្ឋានលើការរៀនរបស់ម៉ាស៊ីនត្រូវបានវាយតម្លៃ។
ការអនុវត្តគំរូដើមឈើសម្រេចចិត្តនៅក្នុងដំណើរការគូសផែនទីដោយស្វ័យប្រវត្តិរវាង LS (ការបញ្ចូល) និង IS (លទ្ធផលគោលដៅ) អនុញ្ញាតឱ្យមានបញ្ជីភ្លាមៗនៃយុទ្ធសាស្ត្រសិក្សាសមស្របសម្រាប់សិស្សធ្មេញម្នាក់ៗ។ ឧបករណ៍ណែនាំ IS បានបង្ហាញពីភាពត្រឹមត្រូវល្អឥតខ្ចោះ និងការរំលឹកឡើងវិញនូវភាពត្រឹមត្រូវនៃគំរូទាំងមូល ដែលបង្ហាញថាការផ្គូផ្គង LS ទៅនឹង IS មានភាពរសើប និងភាពជាក់លាក់ល្អ។
ឧបករណ៍ផ្តល់អនុសាសន៍ IS ដែលផ្អែកលើដើមឈើសម្រេចចិត្ត ML បានបង្ហាញពីសមត្ថភាពរបស់វាក្នុងការផ្គូផ្គងរចនាប័ទ្មសិក្សារបស់សិស្សធ្មេញជាមួយនឹងយុទ្ធសាស្ត្រសិក្សាសមស្រប។ ឧបករណ៍នេះផ្តល់នូវជម្រើសដ៏មានឥទ្ធិពលសម្រាប់ការរៀបចំផែនការវគ្គសិក្សា ឬម៉ូឌុលដែលផ្តោតលើអ្នករៀន ដែលអាចបង្កើនបទពិសោធន៍សិក្សារបស់សិស្ស។
ការបង្រៀន និងការរៀនសូត្រ គឺជាសកម្មភាពជាមូលដ្ឋាននៅក្នុងស្ថាប័នអប់រំ។ នៅពេលអភិវឌ្ឍប្រព័ន្ធអប់រំវិជ្ជាជីវៈដែលមានគុណភាពខ្ពស់ វាជាការសំខាន់ណាស់ក្នុងការផ្តោតលើតម្រូវការសិក្សារបស់សិស្ស។ អន្តរកម្មរវាងសិស្ស និងបរិយាកាសសិក្សារបស់ពួកគេអាចត្រូវបានកំណត់ដោយការសិក្សាថ្នាក់បរិញ្ញាបត្រជាន់ខ្ពស់ (Lesson) របស់ពួកគេ។ ការស្រាវជ្រាវបានបង្ហាញថា ភាពមិនស៊ីគ្នារវាងការសិក្សាថ្នាក់បរិញ្ញាបត្រជាន់ខ្ពស់ (Lesson) និងការសិក្សាថ្នាក់បរិញ្ញាបត្រជាន់ខ្ពស់ (IS) របស់សិស្ស ដែលមានបំណងចង់បង្រៀនដោយគ្រូ អាចមានផលវិបាកអវិជ្ជមានចំពោះការរៀនសូត្ររបស់សិស្ស ដូចជាការថយចុះការយកចិត្តទុកដាក់ និងការលើកទឹកចិត្ត។ នេះនឹងប៉ះពាល់ដោយប្រយោលដល់ការអនុវត្តរបស់សិស្ស [1,2]។
IS គឺជាវិធីសាស្ត្រមួយដែលគ្រូបង្រៀនប្រើដើម្បីចែករំលែកចំណេះដឹង និងជំនាញដល់សិស្ស រួមទាំងការជួយសិស្សឱ្យរៀន [3]។ ជាទូទៅ គ្រូបង្រៀនល្អរៀបចំផែនការយុទ្ធសាស្ត្របង្រៀន ឬ IS ដែលត្រូវគ្នាបំផុតនឹងកម្រិតចំណេះដឹងរបស់សិស្ស គោលគំនិតដែលពួកគេកំពុងរៀន និងដំណាក់កាលនៃការរៀនរបស់ពួកគេ។ តាមទ្រឹស្តី នៅពេលដែល LS និង IS ត្រូវគ្នា សិស្សនឹងអាចរៀបចំ និងប្រើប្រាស់ជំនាញជាក់លាក់មួយឈុតដើម្បីរៀនប្រកបដោយប្រសិទ្ធភាព។ ជាធម្មតា ផែនការមេរៀនរួមបញ្ចូលការផ្លាស់ប្តូរជាច្រើនរវាងដំណាក់កាល ដូចជាពីការបង្រៀនទៅការអនុវត្តដែលមានការណែនាំ ឬពីការអនុវត្តដែលមានការណែនាំទៅការអនុវត្តដោយឯករាជ្យ។ ដោយគិតដល់ចំណុចនេះ គ្រូបង្រៀនដែលមានប្រសិទ្ធភាពច្រើនតែរៀបចំផែនការបង្រៀនដោយមានគោលដៅកសាងចំណេះដឹង និងជំនាញរបស់សិស្ស [4]។
តម្រូវការសម្រាប់ SCL កំពុងកើនឡើងនៅក្នុងស្ថាប័នឧត្តមសិក្សា រួមទាំងទន្តសាស្ត្រផងដែរ។ យុទ្ធសាស្ត្រ SCL ត្រូវបានរចនាឡើងដើម្បីបំពេញតម្រូវការសិក្សារបស់សិស្ស។ ឧទាហរណ៍ នេះអាចសម្រេចបាន ប្រសិនបើសិស្សចូលរួមយ៉ាងសកម្មក្នុងសកម្មភាពសិក្សា ហើយគ្រូបង្រៀនដើរតួជាអ្នកសម្របសម្រួល និងទទួលខុសត្រូវក្នុងការផ្តល់មតិកែលម្អដ៏មានតម្លៃ។ គេនិយាយថា ការផ្តល់សម្ភារៈសិក្សា និងសកម្មភាពដែលសមស្របទៅនឹងកម្រិតអប់រំ ឬចំណង់ចំណូលចិត្តរបស់សិស្សអាចធ្វើអោយបរិយាកាសសិក្សារបស់សិស្សប្រសើរឡើង និងលើកកម្ពស់បទពិសោធន៍សិក្សាវិជ្ជមាន [5]។
ជាទូទៅ ដំណើរការសិក្សារបស់សិស្សពេទ្យធ្មេញត្រូវបានជះឥទ្ធិពលដោយនីតិវិធីព្យាបាលផ្សេងៗដែលពួកគេត្រូវអនុវត្ត និងបរិយាកាសព្យាបាលដែលពួកគេអភិវឌ្ឍជំនាញអន្តរបុគ្គលប្រកបដោយប្រសិទ្ធភាព។ គោលបំណងនៃការបណ្តុះបណ្តាលគឺដើម្បីឱ្យសិស្សអាចផ្សំចំណេះដឹងជាមូលដ្ឋានអំពីពេទ្យធ្មេញជាមួយនឹងជំនាញព្យាបាលធ្មេញ និងអនុវត្តចំណេះដឹងដែលទទួលបានទៅក្នុងស្ថានភាពព្យាបាលថ្មីៗ [6, 7]។ ការស្រាវជ្រាវដំបូងៗលើទំនាក់ទំនងរវាង LS និង IS បានរកឃើញថា ការកែសម្រួលយុទ្ធសាស្ត្រសិក្សាដែលផ្គូផ្គងទៅនឹង LS ដែលពេញចិត្តនឹងជួយកែលម្អដំណើរការអប់រំ [8]។ អ្នកនិពន្ធក៏ណែនាំឱ្យប្រើវិធីសាស្រ្តបង្រៀន និងវាយតម្លៃជាច្រើនដើម្បីសម្របខ្លួនទៅនឹងការរៀនសូត្រ និងតម្រូវការរបស់សិស្ស។
គ្រូបង្រៀនទទួលបានអត្ថប្រយោជន៍ពីការអនុវត្តចំណេះដឹង LS ដើម្បីជួយពួកគេរចនា អភិវឌ្ឍ និងអនុវត្តការណែនាំ ដែលនឹងជួយបង្កើនការទទួលបានចំណេះដឹង និងការយល់ដឹងកាន់តែស៊ីជម្រៅរបស់សិស្សអំពីប្រធានបទ។ អ្នកស្រាវជ្រាវបានបង្កើតឧបករណ៍វាយតម្លៃ LS ជាច្រើន ដូចជាគំរូសិក្សាបទពិសោធន៍ Kolb គំរូរចនាប័ទ្មសិក្សា Felder-Silverman (FSLSM) និងគំរូ Fleming VAK/VARK [5, 9, 10]។ យោងតាមឯកសារ គំរូសិក្សាទាំងនេះគឺជាគំរូសិក្សាដែលប្រើប្រាស់ និងសិក្សាច្រើនបំផុត។ នៅក្នុងការងារស្រាវជ្រាវបច្ចុប្បន្ន FSLSM ត្រូវបានប្រើដើម្បីវាយតម្លៃ LS ក្នុងចំណោមសិស្សធ្មេញ។
FSLSM គឺជាគំរូដែលប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់វាយតម្លៃការរៀនសូត្រសម្របខ្លួនក្នុងវិស័យវិស្វកម្ម។ មានស្នាដៃជាច្រើនដែលបានបោះពុម្ពផ្សាយនៅក្នុងវិទ្យាសាស្ត្រសុខាភិបាល (រួមទាំងវេជ្ជសាស្ត្រ គិលានុបដ្ឋាយិកា ឱសថស្ថាន និងទន្តសាស្ត្រ) ដែលអាចរកបានដោយប្រើគំរូ FSLSM [5, 11, 12, 13]។ ឧបករណ៍ដែលប្រើដើម្បីវាស់វិមាត្រនៃ LS នៅក្នុង FLSM ត្រូវបានគេហៅថា សន្ទស្សន៍នៃរចនាប័ទ្មសិក្សា (ILS) [8] ដែលមានធាតុចំនួន 44 ដែលវាយតម្លៃវិមាត្របួននៃ LS៖ ដំណើរការ (សកម្ម/ឆ្លុះបញ្ចាំង) ការយល់ឃើញ (យល់ឃើញ/វិចារណញាណ) ការបញ្ចូល (មើលឃើញ/ពាក្យសំដី) និងការយល់ដឹង (លំដាប់/សកល) [14]។
ដូចបង្ហាញក្នុងរូបភាពទី 1 វិមាត្រ FSLSM នីមួយៗមានចំណង់ចំណូលចិត្តលេចធ្លោ។ ឧទាហរណ៍ នៅក្នុងវិមាត្រដំណើរការ សិស្សដែលមាន LS "សកម្ម" ចូលចិត្តដំណើរការព័ត៌មានដោយធ្វើអន្តរកម្មដោយផ្ទាល់ជាមួយសម្ភារៈសិក្សា រៀនដោយធ្វើ ហើយមានទំនោររៀនជាក្រុម។ LS "ឆ្លុះបញ្ចាំង" សំដៅទៅលើការរៀនតាមរយៈការគិត ហើយចូលចិត្តធ្វើការតែម្នាក់ឯង។ វិមាត្រ "យល់ឃើញ" នៃ LS អាចបែងចែកជា "អារម្មណ៍" និង/ឬ "វិចារណញាណ"។ សិស្ស "មានអារម្មណ៍" ចូលចិត្តព័ត៌មានជាក់ស្តែងជាង និងនីតិវិធីជាក់ស្តែង ផ្តោតលើការពិតបើប្រៀបធៀបទៅនឹងសិស្ស "វិចារណញាណ" ដែលចូលចិត្តសម្ភារៈអរូបី និងមានលក្ខណៈច្នៃប្រឌិតជាង។ វិមាត្រ "បញ្ចូល" នៃ LS មានអ្នករៀន "មើលឃើញ" និង "ពាក្យសំដី"។ អ្នកដែលមាន LS "មើលឃើញ" ចូលចិត្តរៀនតាមរយៈការបង្ហាញដែលមើលឃើញ (ដូចជាដ្យាក្រាម វីដេអូ ឬការបង្ហាញផ្ទាល់) ចំណែកឯអ្នកដែលមាន LS "ពាក្យសំដី" ចូលចិត្តរៀនតាមរយៈពាក្យនៅក្នុងការពន្យល់ជាលាយលក្ខណ៍អក្សរ ឬផ្ទាល់មាត់។ ដើម្បី "យល់" វិមាត្រ LS អ្នករៀនបែបនេះអាចបែងចែកជា "លំដាប់លំដោយ" និង "សកល"។ «អ្នករៀនលំដាប់លំដោយចូលចិត្តដំណើរការគិតបែបលីនេអ៊ែរ ហើយរៀនមួយជំហានម្តងៗ ខណៈពេលដែលអ្នករៀនសកលលោកច្រើនតែមានដំណើរការគិតបែបរួម និងតែងតែមានការយល់ដឹងកាន់តែច្បាស់អំពីអ្វីដែលពួកគេកំពុងរៀន។»
ថ្មីៗនេះ អ្នកស្រាវជ្រាវជាច្រើនបានចាប់ផ្តើមស្វែងយល់ពីវិធីសាស្រ្តសម្រាប់ការរកឃើញដែលជំរុញដោយទិន្នន័យដោយស្វ័យប្រវត្តិ រួមទាំងការអភិវឌ្ឍក្បួនដោះស្រាយ និងគំរូថ្មីដែលមានសមត្ថភាពបកស្រាយទិន្នន័យមួយចំនួនធំ [15, 16]។ ដោយផ្អែកលើទិន្នន័យដែលបានផ្តល់ ML ដែលត្រូវបានត្រួតពិនិត្យ (ការរៀនដោយម៉ាស៊ីន) អាចបង្កើតគំរូ និងសម្មតិកម្មដែលព្យាករណ៍លទ្ធផលនាពេលអនាគតដោយផ្អែកលើការកសាងក្បួនដោះស្រាយ [17]។ និយាយឱ្យសាមញ្ញ បច្ចេកទេសរៀនដោយម៉ាស៊ីនដែលត្រូវបានត្រួតពិនិត្យរៀបចំទិន្នន័យបញ្ចូល និងបណ្តុះបណ្តាលក្បួនដោះស្រាយ។ បន្ទាប់មកវាបង្កើតជួរមួយដែលចាត់ថ្នាក់ ឬព្យាករណ៍លទ្ធផលដោយផ្អែកលើស្ថានភាពស្រដៀងគ្នាសម្រាប់ទិន្នន័យបញ្ចូលដែលបានផ្តល់។ គុណសម្បត្តិចម្បងនៃក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីនដែលត្រូវបានត្រួតពិនិត្យគឺសមត្ថភាពរបស់វាក្នុងការបង្កើតលទ្ធផលដ៏ល្អ និងចង់បាន [17]។
តាមរយៈការប្រើប្រាស់វិធីសាស្ត្រដែលជំរុញដោយទិន្នន័យ និងគំរូគ្រប់គ្រងដើមឈើសម្រេចចិត្ត ការរកឃើញដោយស្វ័យប្រវត្តិនៃ LS គឺអាចធ្វើទៅបាន។ ដើមឈើសម្រេចចិត្តត្រូវបានរាយការណ៍ថាត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងកម្មវិធីបណ្តុះបណ្តាលក្នុងវិស័យផ្សេងៗ រួមទាំងវិទ្យាសាស្ត្រសុខាភិបាល [18, 19]។ នៅក្នុងការសិក្សានេះ គំរូនេះត្រូវបានបណ្តុះបណ្តាលជាពិសេសដោយអ្នកអភិវឌ្ឍន៍ប្រព័ន្ធ ដើម្បីកំណត់អត្តសញ្ញាណ LS របស់សិស្ស និងណែនាំ IS ដ៏ល្អបំផុតសម្រាប់ពួកគេ។
គោលបំណងនៃការសិក្សានេះគឺដើម្បីបង្កើតយុទ្ធសាស្ត្រចែកចាយ IS ដោយផ្អែកលើ LS របស់សិស្ស និងអនុវត្តវិធីសាស្រ្ត SCL ដោយបង្កើតឧបករណ៍ណែនាំ IS ដែលផ្គូផ្គងទៅនឹង LS។ លំហូររចនានៃឧបករណ៍ណែនាំ IS ជាយុទ្ធសាស្ត្រនៃវិធីសាស្រ្ត SCL ត្រូវបានបង្ហាញក្នុងរូបភាពទី 1។ ឧបករណ៍ណែនាំ IS ត្រូវបានបែងចែកជាពីរផ្នែក រួមទាំងយន្តការចាត់ថ្នាក់ LS ដោយប្រើ ILS និងការបង្ហាញ IS ដែលសមស្របបំផុតសម្រាប់សិស្ស។
ជាពិសេស លក្ខណៈនៃឧបករណ៍ណែនាំសន្តិសុខព័ត៌មានរួមមានការប្រើប្រាស់បច្ចេកវិទ្យាគេហទំព័រ និងការប្រើប្រាស់ការរៀនម៉ាស៊ីនដើមឈើសម្រេចចិត្ត។ អ្នកអភិវឌ្ឍន៍ប្រព័ន្ធធ្វើអោយប្រសើរឡើងនូវបទពិសោធន៍អ្នកប្រើប្រាស់ និងការចល័តដោយសម្របពួកវាទៅនឹងឧបករណ៍ចល័តដូចជាទូរស័ព្ទចល័ត និងថេប្លេត។
ការពិសោធន៍នេះត្រូវបានអនុវត្តជាពីរដំណាក់កាល ហើយនិស្សិតមកពីមហាវិទ្យាល័យទន្តសាស្ត្រនៅសាកលវិទ្យាល័យម៉ាឡាយ៉ាបានចូលរួមដោយស្ម័គ្រចិត្ត។ អ្នកចូលរួមបានឆ្លើយតបទៅនឹងសំណួរ m-ILS តាមអ៊ីនធឺណិតរបស់និស្សិតទន្តសាស្ត្រជាភាសាអង់គ្លេស។ នៅដំណាក់កាលដំបូង សំណុំទិន្នន័យនិស្សិតចំនួន 50 នាក់ត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើមឈើសម្រេចចិត្ត។ នៅដំណាក់កាលទីពីរនៃដំណើរការអភិវឌ្ឍន៍ សំណុំទិន្នន័យនិស្សិតចំនួន 255 នាក់ត្រូវបានប្រើដើម្បីបង្កើនភាពត្រឹមត្រូវនៃឧបករណ៍ដែលបានអភិវឌ្ឍ។
អ្នកចូលរួមទាំងអស់ទទួលបានការណែនាំតាមអ៊ីនធឺណិតនៅដើមដំណាក់កាលនីមួយៗ អាស្រ័យលើឆ្នាំសិក្សា តាមរយៈក្រុម Microsoft។ គោលបំណងនៃការសិក្សាត្រូវបានពន្យល់ និងទទួលបានការយល់ព្រមដោយមានព័ត៌មាន។ អ្នកចូលរួមទាំងអស់ត្រូវបានផ្តល់តំណភ្ជាប់ដើម្បីចូលប្រើ m-ILS។ សិស្សម្នាក់ៗត្រូវបានណែនាំឱ្យឆ្លើយសំណួរទាំង ៤៤ នៅលើកម្រងសំណួរ។ ពួកគេត្រូវបានផ្តល់ពេលមួយសប្តាហ៍ដើម្បីបំពេញ ILS ដែលបានកែប្រែនៅពេលវេលា និងទីតាំងដែលងាយស្រួលសម្រាប់ពួកគេក្នុងអំឡុងពេលសម្រាកឆមាសមុនពេលចាប់ផ្តើមឆមាស។ m-ILS គឺផ្អែកលើឧបករណ៍ ILS ដើម និងត្រូវបានកែប្រែសម្រាប់សិស្សធ្មេញ។ ស្រដៀងគ្នាទៅនឹង ILS ដើម វាមានសំណួរចំនួន ៤៤ ដែលចែកចាយស្មើៗគ្នា (ក, ខ) ដោយមាន ១១ សំណួរនីមួយៗ ដែលត្រូវបានប្រើដើម្បីវាយតម្លៃទិដ្ឋភាពនៃវិមាត្រ FSLSM នីមួយៗ។
ក្នុងដំណាក់កាលដំបូងនៃការអភិវឌ្ឍឧបករណ៍ អ្នកស្រាវជ្រាវបានបញ្ចូលចំណារពន្យល់ដោយដៃលើផែនទីដោយប្រើសំណុំទិន្នន័យរបស់និស្សិតពេទ្យធ្មេញចំនួន 50 នាក់។ យោងតាម FSLM ប្រព័ន្ធនេះផ្តល់នូវផលបូកនៃចម្លើយ "a" និង "b"។ សម្រាប់វិមាត្រនីមួយៗ ប្រសិនបើសិស្សជ្រើសរើស "a" ជាចម្លើយ LS ត្រូវបានចាត់ថ្នាក់ជា Active/Perceptual/Visual/Sequential ហើយប្រសិនបើសិស្សជ្រើសរើស "b" ជាចម្លើយ សិស្សត្រូវបានចាត់ថ្នាក់ជាអ្នកឆ្លុះបញ្ចាំង/Intuitive/Linguistic / Global Learner។
បន្ទាប់ពីការក្រិតតាមខ្នាតដំណើរការការងាររវាងអ្នកស្រាវជ្រាវអប់រំផ្នែកធ្មេញ និងអ្នកអភិវឌ្ឍន៍ប្រព័ន្ធ សំណួរត្រូវបានជ្រើសរើសដោយផ្អែកលើដែន FLSSM ហើយបញ្ចូលទៅក្នុងគំរូ ML ដើម្បីទស្សន៍ទាយ LS របស់សិស្សម្នាក់ៗ។ “សំរាមចូល សំរាមចេញ” គឺជាសុភាសិតពេញនិយមមួយនៅក្នុងវិស័យរៀនម៉ាស៊ីន ដោយសង្កត់ធ្ងន់លើគុណភាពទិន្នន័យ។ គុណភាពនៃទិន្នន័យបញ្ចូលកំណត់ភាពជាក់លាក់ និងភាពត្រឹមត្រូវនៃគំរូរៀនម៉ាស៊ីន។ ក្នុងដំណាក់កាលវិស្វកម្មលក្ខណៈពិសេស សំណុំលក្ខណៈពិសេសថ្មីមួយត្រូវបានបង្កើតឡើង ដែលជាផលបូកនៃចម្លើយ “ក” និង “ខ” ដោយផ្អែកលើ FLSSM។ លេខសម្គាល់នៃទីតាំងថ្នាំត្រូវបានផ្តល់ឱ្យនៅក្នុងតារាងទី 1។
គណនាពិន្ទុដោយផ្អែកលើចម្លើយ ហើយកំណត់ LS របស់សិស្ស។ សម្រាប់សិស្សម្នាក់ៗ ចន្លោះពិន្ទុគឺចាប់ពី 1 ដល់ 11។ ពិន្ទុពី 1 ដល់ 3 បង្ហាញពីតុល្យភាពនៃចំណង់ចំណូលចិត្តក្នុងការរៀនសូត្រក្នុងវិមាត្រដូចគ្នា ហើយពិន្ទុពី 5 ដល់ 7 បង្ហាញពីចំណង់ចំណូលចិត្តកម្រិតមធ្យម ដែលបង្ហាញថាសិស្សមានទំនោរចូលចិត្តបរិយាកាសមួយក្នុងការបង្រៀនបរិយាកាសផ្សេងទៀត។ បំរែបំរួលមួយទៀតលើវិមាត្រដូចគ្នាគឺថា ពិន្ទុពី 9 ដល់ 11 ឆ្លុះបញ្ចាំងពីចំណង់ចំណូលចិត្តខ្លាំងចំពោះជ្រុងម្ខាង ឬជ្រុងម្ខាងទៀត [8]។
សម្រាប់វិមាត្រនីមួយៗ គ្រឿងញៀនត្រូវបានដាក់ជាក្រុមទៅជា "សកម្ម" "ឆ្លុះបញ្ចាំង" និង "មានតុល្យភាព"។ ឧទាហរណ៍ នៅពេលដែលសិស្សឆ្លើយ "ក" ញឹកញាប់ជាង "ខ" លើធាតុដែលបានកំណត់ ហើយពិន្ទុរបស់គាត់/នាងលើសពីកម្រិត 5 សម្រាប់ធាតុជាក់លាក់មួយដែលតំណាងឱ្យវិមាត្រ LS ដំណើរការ គាត់/នាងជាកម្មសិទ្ធិរបស់ដែន LS "សកម្ម"។ ទោះជាយ៉ាងណាក៏ដោយ សិស្សត្រូវបានចាត់ថ្នាក់ជា LS "ឆ្លុះបញ្ចាំង" នៅពេលដែលពួកគេជ្រើសរើស "ខ" ច្រើនជាង "ក" នៅក្នុងសំណួរចំនួន 11 ជាក់លាក់ (តារាងទី 1) ហើយទទួលបានពិន្ទុច្រើនជាង 5 ពិន្ទុ។ ជាចុងក្រោយ សិស្សស្ថិតក្នុងស្ថានភាព "មានលំនឹង"។ ប្រសិនបើពិន្ទុមិនលើសពី 5 ពិន្ទុទេ នោះនេះគឺជា LS "ដំណើរការ"។ ដំណើរការចាត់ថ្នាក់ត្រូវបានធ្វើម្តងទៀតសម្រាប់វិមាត្រ LS ផ្សេងទៀត គឺការយល់ឃើញ (សកម្ម/ឆ្លុះបញ្ចាំង) ការបញ្ចូល (មើលឃើញ/ពាក្យសំដី) និងការយល់ដឹង (លំដាប់/សកល)។
គំរូដើមឈើសម្រេចចិត្តអាចប្រើសំណុំរងផ្សេងៗគ្នានៃលក្ខណៈពិសេស និងច្បាប់សម្រេចចិត្តនៅដំណាក់កាលផ្សេងៗគ្នានៃដំណើរការចាត់ថ្នាក់។ វាត្រូវបានចាត់ទុកថាជាឧបករណ៍ចាត់ថ្នាក់ និងព្យាករណ៍ដ៏ពេញនិយមមួយ។ វាអាចត្រូវបានតំណាងដោយប្រើរចនាសម្ព័ន្ធដើមឈើដូចជាដ្យាក្រាមលំហូរ [20] ដែលមានថ្នាំងខាងក្នុងតំណាងឱ្យការធ្វើតេស្តតាមគុណលក្ខណៈ សាខានីមួយៗតំណាងឱ្យលទ្ធផលតេស្ត និងថ្នាំងស្លឹកនីមួយៗ (ថ្នាំងស្លឹក) ដែលមានស្លាកថ្នាក់។
កម្មវិធីសាមញ្ញមួយដែលផ្អែកលើច្បាប់ត្រូវបានបង្កើតឡើងដើម្បីដាក់ពិន្ទុដោយស្វ័យប្រវត្តិ និងកំណត់ចំណាំលើ LS របស់សិស្សម្នាក់ៗដោយផ្អែកលើចម្លើយរបស់ពួកគេ។ ផ្អែកលើច្បាប់មានទម្រង់ជាសេចក្តីថ្លែងការណ៍ IF ដែល “IF” ពិពណ៌នាអំពីកត្តាបង្កឲ្យមានបញ្ហា និង “THEN” បញ្ជាក់ពីសកម្មភាពដែលត្រូវអនុវត្ត ឧទាហរណ៍៖ “ប្រសិនបើ X កើតឡើង នោះធ្វើ Y” (Liu et al., 2014)។ ប្រសិនបើសំណុំទិន្នន័យបង្ហាញពីទំនាក់ទំនងគ្នា ហើយគំរូដើមឈើសម្រេចចិត្តត្រូវបានបណ្តុះបណ្តាល និងវាយតម្លៃត្រឹមត្រូវ វិធីសាស្ត្រនេះអាចជាមធ្យោបាយដ៏មានប្រសិទ្ធភាពក្នុងការធ្វើស្វ័យប្រវត្តិកម្មដំណើរការនៃការផ្គូផ្គង LS និង IS។
នៅក្នុងដំណាក់កាលទីពីរនៃការអភិវឌ្ឍន៍ សំណុំទិន្នន័យត្រូវបានបង្កើនដល់ 255 ដើម្បីបង្កើនភាពត្រឹមត្រូវនៃឧបករណ៍ណែនាំ។ សំណុំទិន្នន័យត្រូវបានបំបែកក្នុងសមាមាត្រ 1:4។ 25% (64) នៃសំណុំទិន្នន័យត្រូវបានប្រើសម្រាប់សំណុំសាកល្បង ហើយ 75% ដែលនៅសល់ (191) ត្រូវបានប្រើជាសំណុំបណ្តុះបណ្តាល (រូបភាពទី 2)។ សំណុំទិន្នន័យត្រូវបំបែកដើម្បីការពារគំរូពីការត្រូវបានបណ្តុះបណ្តាល និងសាកល្បងលើសំណុំទិន្នន័យដូចគ្នា ដែលអាចបណ្តាលឱ្យគំរូចងចាំជាជាងរៀន។ គំរូត្រូវបានបណ្តុះបណ្តាលលើសំណុំបណ្តុះបណ្តាល និងវាយតម្លៃដំណើរការរបស់វាលើសំណុំសាកល្បង - ទិន្នន័យដែលគំរូមិនធ្លាប់ឃើញពីមុនមក។
នៅពេលដែលឧបករណ៍ IS ត្រូវបានបង្កើតឡើង កម្មវិធីនេះនឹងអាចចាត់ថ្នាក់ LS ដោយផ្អែកលើការឆ្លើយតបរបស់និស្សិតពេទ្យធ្មេញតាមរយៈចំណុចប្រទាក់គេហទំព័រ។ ប្រព័ន្ធឧបករណ៍ណែនាំសុវត្ថិភាពព័ត៌មានដែលមានមូលដ្ឋានលើគេហទំព័រត្រូវបានបង្កើតឡើងដោយប្រើភាសាសរសេរកម្មវិធី Python ដោយប្រើក្របខ័ណ្ឌ Django ជាផ្នែកខាងក្រោយ។ តារាងទី 2 រាយបញ្ជីបណ្ណាល័យដែលប្រើក្នុងការអភិវឌ្ឍប្រព័ន្ធនេះ។
សំណុំទិន្នន័យត្រូវបានបញ្ចូលទៅគំរូដើមឈើសម្រេចចិត្ត ដើម្បីគណនា និងទាញយកការឆ្លើយតបរបស់សិស្ស ដើម្បីចាត់ថ្នាក់ការវាស់វែង LS របស់សិស្សដោយស្វ័យប្រវត្តិ។
ម៉ាទ្រីសភាន់ច្រឡំត្រូវបានប្រើដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើមឈើសម្រេចចិត្តលើសំណុំទិន្នន័យដែលបានផ្តល់ឱ្យ។ ក្នុងពេលជាមួយគ្នានេះ វាវាយតម្លៃដំណើរការនៃគំរូចំណាត់ថ្នាក់។ វាសង្ខេបការព្យាករណ៍របស់គំរូ ហើយប្រៀបធៀបវាទៅនឹងស្លាកទិន្នន័យជាក់ស្តែង។ លទ្ធផលនៃការវាយតម្លៃគឺផ្អែកលើតម្លៃបួនផ្សេងគ្នា៖ វិជ្ជមានពិត (TP) – គំរូបានព្យាករណ៍ប្រភេទវិជ្ជមានបានត្រឹមត្រូវ វិជ្ជមានមិនពិត (FP) – គំរូបានព្យាករណ៍ប្រភេទវិជ្ជមាន ប៉ុន្តែស្លាកពិតគឺអវិជ្ជមាន អវិជ្ជមានពិត (TN) – គំរូបានព្យាករណ៍ថ្នាក់អវិជ្ជមានបានត្រឹមត្រូវ និងអវិជ្ជមានមិនពិត (FN) – គំរូព្យាករណ៍ថ្នាក់អវិជ្ជមាន ប៉ុន្តែស្លាកពិតគឺវិជ្ជមាន។
តម្លៃទាំងនេះត្រូវបានប្រើដើម្បីគណនារង្វាស់ដំណើរការផ្សេងៗនៃគំរូចំណាត់ថ្នាក់ scikit-learn នៅក្នុង Python ពោលគឺភាពជាក់លាក់ ភាពជាក់លាក់ ការរំលឹកឡើងវិញ និងពិន្ទុ F1។ ខាងក្រោមនេះជាឧទាហរណ៍៖
ការរំលឹកឡើងវិញ (ឬភាពរសើប) វាស់ស្ទង់សមត្ថភាពរបស់គំរូក្នុងការចាត់ថ្នាក់ LS របស់សិស្សបានយ៉ាងត្រឹមត្រូវបន្ទាប់ពីឆ្លើយកម្រងសំណួរ m-ILS។
ភាពជាក់លាក់ត្រូវបានគេហៅថាអត្រាអវិជ្ជមានពិត។ ដូចដែលអ្នកអាចមើលឃើញពីរូបមន្តខាងលើ នេះគួរតែជាសមាមាត្រនៃអវិជ្ជមានពិត (TN) ទៅនឹងអវិជ្ជមានពិត និងវិជ្ជមានមិនពិត (FP)។ ក្នុងនាមជាផ្នែកមួយនៃឧបករណ៍ដែលបានណែនាំសម្រាប់ការចាត់ថ្នាក់ថ្នាំសិស្ស វាគួរតែមានសមត្ថភាពកំណត់អត្តសញ្ញាណបានត្រឹមត្រូវ។
សំណុំទិន្នន័យដើមរបស់សិស្សចំនួន 50 នាក់ដែលប្រើដើម្បីបណ្តុះបណ្តាលគំរូ ML ដើមឈើសម្រេចចិត្តបានបង្ហាញពីភាពត្រឹមត្រូវទាបដោយសារតែកំហុសរបស់មនុស្សនៅក្នុងចំណារពន្យល់ (តារាងទី 3)។ បន្ទាប់ពីបង្កើតកម្មវិធីសាមញ្ញមួយដែលមានមូលដ្ឋានលើច្បាប់ដើម្បីគណនាពិន្ទុ LS និងចំណារពន្យល់របស់សិស្សដោយស្វ័យប្រវត្តិ ចំនួនសំណុំទិន្នន័យកាន់តែច្រើនឡើង (255) ត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាល និងសាកល្បងប្រព័ន្ធណែនាំ។
នៅក្នុងម៉ាទ្រីសភាន់ច្រឡំពហុថ្នាក់ ធាតុអង្កត់ទ្រូងតំណាងឱ្យចំនួននៃការព្យាករណ៍ត្រឹមត្រូវសម្រាប់ប្រភេទ LS នីមួយៗ (រូបភាពទី 4)។ ដោយប្រើគំរូដើមឈើសម្រេចចិត្ត គំរូសរុបចំនួន 64 ត្រូវបានព្យាករណ៍យ៉ាងត្រឹមត្រូវ។ ដូច្នេះ នៅក្នុងការសិក្សានេះ ធាតុអង្កត់ទ្រូងបង្ហាញលទ្ធផលដែលរំពឹងទុក ដែលបង្ហាញថាគំរូនេះដំណើរការបានល្អ និងព្យាករណ៍ស្លាកថ្នាក់សម្រាប់ចំណាត់ថ្នាក់ LS នីមួយៗបានយ៉ាងត្រឹមត្រូវ។ ដូច្នេះ ភាពត្រឹមត្រូវរួមនៃឧបករណ៍ណែនាំគឺ 100%។
តម្លៃនៃភាពត្រឹមត្រូវ ភាពជាក់លាក់ ការចងចាំ និងពិន្ទុ F1 ត្រូវបានបង្ហាញក្នុងរូបភាពទី 5។ សម្រាប់ប្រព័ន្ធអនុសាសន៍ដោយប្រើគំរូដើមឈើសម្រេចចិត្ត ពិន្ទុ F1 របស់វាគឺ 1.0 "ល្អឥតខ្ចោះ" ដែលបង្ហាញពីភាពជាក់លាក់ និងការរំលឹកដ៏ល្អឥតខ្ចោះ ដែលឆ្លុះបញ្ចាំងពីតម្លៃភាពរសើប និងភាពជាក់លាក់សំខាន់ៗ។
រូបភាពទី 6 បង្ហាញពីការមើលឃើញនៃគំរូដើមឈើសម្រេចចិត្តបន្ទាប់ពីការបណ្តុះបណ្តាល និងការសាកល្បងត្រូវបានបញ្ចប់។ នៅក្នុងការប្រៀបធៀបแบบเคียงข้างគ្នា គំរូដើមឈើសម្រេចចិត្តដែលត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងលក្ខណៈពិសេសតិចជាងមុនបានបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ និងការមើលឃើញគំរូកាន់តែងាយស្រួល។ នេះបង្ហាញថាវិស្វកម្មលក្ខណៈពិសេសដែលនាំទៅដល់ការកាត់បន្ថយលក្ខណៈពិសេសគឺជាជំហានដ៏សំខាន់មួយក្នុងការកែលម្អដំណើរការគំរូ។
តាមរយៈការអនុវត្តការរៀនសូត្រដែលមានការត្រួតពិនិត្យពីដើមឈើសម្រេចចិត្ត ការគូសផែនទីរវាង LS (ការបញ្ចូល) និង IS (លទ្ធផលគោលដៅ) ត្រូវបានបង្កើតដោយស្វ័យប្រវត្តិ និងមានព័ត៌មានលម្អិតសម្រាប់ LS នីមួយៗ។
លទ្ធផលបានបង្ហាញថា 34.9% នៃនិស្សិត 255 នាក់ពេញចិត្តជម្រើស LS មួយ (1)។ ភាគច្រើន (54.3%) មានចំណង់ចំណូលចិត្ត LS ពីរ ឬច្រើន។ 12.2% នៃនិស្សិតបានកត់សម្គាល់ថា LS មានតុល្យភាពល្អ (តារាងទី 4)។ បន្ថែមពីលើ LS សំខាន់ៗទាំងប្រាំបី មានការរួមបញ្ចូលគ្នានៃចំណាត់ថ្នាក់ LS ចំនួន 34 សម្រាប់និស្សិតទន្តសាស្ត្រនៃសាកលវិទ្យាល័យម៉ាឡាយ៉ា។ ក្នុងចំណោមនោះ ការយល់ឃើញ ចក្ខុវិស័យ និងការរួមបញ្ចូលគ្នានៃការយល់ឃើញ និងការមើលឃើញ គឺជា LS ចម្បងដែលរាយការណ៍ដោយនិស្សិត (រូបភាពទី 7)។
ដូចដែលអាចមើលឃើញពីតារាងទី 4 សិស្សភាគច្រើនមាន LS ញ្ញាណលេចធ្លោ (13.7%) ឬ LS ចក្ខុវិញ្ញាណ (8.6%)។ មានការរាយការណ៍ថា សិស្ស 12.2% បានផ្សំការយល់ឃើញជាមួយនឹងការមើលឃើញ (LS ញ្ញាណ-ចក្ខុវិញ្ញាណ)។ ការរកឃើញទាំងនេះបង្ហាញថា សិស្សចូលចិត្តរៀន និងចងចាំតាមរយៈវិធីសាស្រ្តដែលបានបង្កើតឡើង អនុវត្តតាមនីតិវិធីជាក់លាក់ និងលម្អិត និងមានលក្ខណៈយកចិត្តទុកដាក់។ ក្នុងពេលជាមួយគ្នានេះ ពួកគេចូលចិត្តរៀនដោយការមើល (ដោយប្រើដ្យាក្រាម។ល។) ហើយមានទំនោរពិភាក្សា និងអនុវត្តព័ត៌មានជាក្រុម ឬដោយខ្លួនឯង។
ការសិក្សានេះផ្តល់នូវទិដ្ឋភាពទូទៅនៃបច្ចេកទេសរៀនម៉ាស៊ីនដែលប្រើក្នុងការជីកយកទិន្នន័យ ដោយផ្តោតលើការទស្សន៍ទាយភ្លាមៗ និងត្រឹមត្រូវអំពី LS របស់សិស្ស និងការណែនាំ IS ដែលសមស្រប។ ការអនុវត្តគំរូដើមឈើសម្រេចចិត្តបានកំណត់កត្តាដែលទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតទៅនឹងបទពិសោធន៍ជីវិត និងការអប់រំរបស់ពួកគេ។ វាគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលត្រូវបានត្រួតពិនិត្យ ដែលប្រើរចនាសម្ព័ន្ធដើមឈើដើម្បីចាត់ថ្នាក់ទិន្នន័យដោយបែងចែកសំណុំទិន្នន័យទៅជាប្រភេទរងដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យជាក់លាក់។ វាដំណើរការដោយការបែងចែកទិន្នន័យបញ្ចូលទៅជាសំណុំរងដោយផ្អែកលើតម្លៃនៃលក្ខណៈពិសេសបញ្ចូលមួយនៃថ្នាំងខាងក្នុងនីមួយៗរហូតដល់ការសម្រេចចិត្តត្រូវបានធ្វើឡើងនៅថ្នាំងស្លឹក។
ណូតខាងក្នុងនៃដើមឈើសម្រេចចិត្តតំណាងឱ្យដំណោះស្រាយដោយផ្អែកលើលក្ខណៈបញ្ចូលនៃបញ្ហា m-ILS ហើយណូតស្លឹកតំណាងឱ្យការព្យាករណ៍ចំណាត់ថ្នាក់ LS ចុងក្រោយ។ ពេញមួយការសិក្សា វាងាយស្រួលយល់អំពីឋានានុក្រមនៃដើមឈើសម្រេចចិត្តដែលពន្យល់ និងមើលឃើញដំណើរការសម្រេចចិត្តដោយមើលទំនាក់ទំនងរវាងលក្ខណៈពិសេសបញ្ចូល និងការព្យាករណ៍ទិន្នផល។
នៅក្នុងវិស័យវិទ្យាសាស្ត្រកុំព្យូទ័រ និងវិស្វកម្ម ក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយដើម្បីទស្សន៍ទាយការអនុវត្តរបស់សិស្សដោយផ្អែកលើពិន្ទុប្រឡងចូលរបស់ពួកគេ [21] ព័ត៌មានប្រជាសាស្ត្រ និងឥរិយាបថសិក្សា [22]។ ការស្រាវជ្រាវបានបង្ហាញថា ក្បួនដោះស្រាយបានទស្សន៍ទាយការអនុវត្តរបស់សិស្សបានយ៉ាងត្រឹមត្រូវ និងជួយពួកគេកំណត់អត្តសញ្ញាណសិស្សដែលមានហានិភ័យនៃការលំបាកក្នុងការសិក្សា។
ការអនុវត្តក្បួនដោះស្រាយ ML ក្នុងការអភិវឌ្ឍឧបករណ៍ក្លែងធ្វើអ្នកជំងឺនិម្មិតសម្រាប់ការបណ្តុះបណ្តាលផ្នែកធ្មេញត្រូវបានរាយការណ៍។ ឧបករណ៍ក្លែងធ្វើនេះមានសមត្ថភាពបង្កើតឡើងវិញនូវការឆ្លើយតបខាងសរីរវិទ្យារបស់អ្នកជំងឺពិតប្រាកដបានយ៉ាងត្រឹមត្រូវ ហើយអាចត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលសិស្សផ្នែកធ្មេញនៅក្នុងបរិយាកាសដែលមានសុវត្ថិភាព និងគ្រប់គ្រង [23]។ ការសិក្សាជាច្រើនទៀតបង្ហាញថា ក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីនអាចធ្វើអោយប្រសើរឡើងនូវគុណភាព និងប្រសិទ្ធភាពនៃការអប់រំផ្នែកធ្មេញ និងវេជ្ជសាស្ត្រ និងការថែទាំអ្នកជំងឺ។ ក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីនត្រូវបានប្រើដើម្បីជួយក្នុងការធ្វើរោគវិនិច្ឆ័យជំងឺធ្មេញដោយផ្អែកលើសំណុំទិន្នន័យដូចជារោគសញ្ញា និងលក្ខណៈរបស់អ្នកជំងឺ [24, 25]។ ខណៈពេលដែលការសិក្សាផ្សេងទៀតបានស្វែងយល់ពីការប្រើប្រាស់ក្បួនដោះស្រាយការរៀនដោយម៉ាស៊ីនដើម្បីអនុវត្តភារកិច្ចដូចជាការទស្សន៍ទាយលទ្ធផលរបស់អ្នកជំងឺ ការកំណត់អត្តសញ្ញាណអ្នកជំងឺដែលមានហានិភ័យខ្ពស់ ការបង្កើតផែនការព្យាបាលផ្ទាល់ខ្លួន [26] ការព្យាបាលជំងឺអញ្ចាញធ្មេញ [27] និងការព្យាបាលជំងឺពុកធ្មេញ [25]។
ទោះបីជារបាយការណ៍ស្តីពីការអនុវត្តការរៀនរបស់ម៉ាស៊ីនក្នុងវិស័យទន្តសាស្ត្រត្រូវបានបោះពុម្ពផ្សាយក៏ដោយ ការអនុវត្តរបស់វាក្នុងការអប់រំផ្នែកទន្តសាស្ត្រនៅតែមានកម្រិត។ ដូច្នេះ ការសិក្សានេះមានគោលបំណងប្រើប្រាស់គំរូដើមឈើសម្រេចចិត្តដើម្បីកំណត់កត្តាដែលជាប់ទាក់ទងយ៉ាងជិតស្និទ្ធបំផុតជាមួយ LS និង IS ក្នុងចំណោមនិស្សិតទន្តសាស្ត្រ។
លទ្ធផលនៃការសិក្សានេះបង្ហាញថា ឧបករណ៍ផ្តល់អនុសាសន៍ដែលបានបង្កើតមានភាពត្រឹមត្រូវខ្ពស់ និងភាពត្រឹមត្រូវល្អឥតខ្ចោះ ដែលបង្ហាញថាគ្រូបង្រៀនអាចទទួលបានអត្ថប្រយោជន៍ពីឧបករណ៍នេះ។ ដោយប្រើដំណើរការចាត់ថ្នាក់ដែលជំរុញដោយទិន្នន័យ វាអាចផ្តល់អនុសាសន៍ផ្ទាល់ខ្លួន និងកែលម្អបទពិសោធន៍ និងលទ្ធផលអប់រំសម្រាប់អ្នកអប់រំ និងសិស្ស។ ក្នុងចំណោមនោះ ព័ត៌មានដែលទទួលបានតាមរយៈឧបករណ៍ផ្តល់អនុសាសន៍អាចដោះស្រាយជម្លោះរវាងវិធីសាស្រ្តបង្រៀនដែលគ្រូពេញចិត្ត និងតម្រូវការសិក្សារបស់សិស្ស។ ឧទាហរណ៍ ដោយសារតែលទ្ធផលដោយស្វ័យប្រវត្តិនៃឧបករណ៍ផ្តល់អនុសាសន៍ ពេលវេលាដែលត្រូវការដើម្បីកំណត់ IP របស់សិស្ស និងផ្គូផ្គងវាជាមួយនឹង IP ដែលត្រូវគ្នានឹងត្រូវបានកាត់បន្ថយយ៉ាងខ្លាំង។ តាមរបៀបនេះ សកម្មភាពបណ្តុះបណ្តាល និងសម្ភារៈបណ្តុះបណ្តាលសមស្របអាចត្រូវបានរៀបចំ។ នេះជួយអភិវឌ្ឍឥរិយាបថសិក្សាវិជ្ជមានរបស់សិស្ស និងសមត្ថភាពក្នុងការផ្តោតអារម្មណ៍។ ការសិក្សាមួយបានរាយការណ៍ថា ការផ្តល់សម្ភារៈសិក្សា និងសកម្មភាពសិក្សាដែលត្រូវនឹង LS ដែលពួកគេពេញចិត្តអាចជួយសិស្សធ្វើសមាហរណកម្ម ដំណើរការ និងរីករាយនឹងការរៀនសូត្រតាមវិធីច្រើនយ៉ាងដើម្បីសម្រេចបានសក្តានុពលកាន់តែច្រើន [12]។ ការស្រាវជ្រាវក៏បង្ហាញផងដែរថា បន្ថែមពីលើការកែលម្អការចូលរួមរបស់សិស្សនៅក្នុងថ្នាក់រៀន ការយល់ដឹងពីដំណើរការសិក្សារបស់សិស្សក៏ដើរតួនាទីយ៉ាងសំខាន់ក្នុងការកែលម្អការអនុវត្តការបង្រៀន និងការទំនាក់ទំនងជាមួយសិស្ស [28, 29]។
ទោះជាយ៉ាងណាក៏ដោយ ដូចបច្ចេកវិទ្យាទំនើបណាមួយដែរ មានបញ្ហា និងដែនកំណត់។ ទាំងនេះរួមមានបញ្ហាទាក់ទងនឹងភាពឯកជននៃទិន្នន័យ ភាពលំអៀង និងភាពយុត្តិធម៌ និងជំនាញវិជ្ជាជីវៈ និងធនធានដែលត្រូវការដើម្បីអភិវឌ្ឍ និងអនុវត្តក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនក្នុងការអប់រំផ្នែកធ្មេញ។ ទោះជាយ៉ាងណាក៏ដោយ ចំណាប់អារម្មណ៍ និងការស្រាវជ្រាវកាន់តែខ្លាំងឡើងនៅក្នុងវិស័យនេះបង្ហាញថា បច្ចេកវិទ្យាការរៀនរបស់ម៉ាស៊ីនអាចមានឥទ្ធិពលវិជ្ជមានទៅលើការអប់រំផ្នែកធ្មេញ និងសេវាកម្មធ្មេញ។
លទ្ធផលនៃការសិក្សានេះបង្ហាញថា និស្សិតទន្តបណ្ឌិតពាក់កណ្តាលមានទំនោរទៅរក "ការយល់ឃើញ" គ្រឿងញៀន។ អ្នករៀនប្រភេទនេះមានចំណង់ចំណូលចិត្តចំពោះការពិត និងឧទាហរណ៍ជាក់ស្តែង ការតំរង់ទិសជាក់ស្តែង ការអត់ធ្មត់ចំពោះព័ត៌មានលម្អិត និងចំណង់ចំណូលចិត្ត LS "ដែលមើលឃើញ" ដែលអ្នករៀនចូលចិត្តប្រើរូបភាព ក្រាហ្វិក ពណ៌ និងផែនទីដើម្បីបង្ហាញគំនិត និងគំនិត។ លទ្ធផលបច្ចុប្បន្នគឺស្របនឹងការសិក្សាផ្សេងទៀតដែលប្រើ ILS ដើម្បីវាយតម្លៃ LS ចំពោះនិស្សិតទន្តបណ្ឌិត និងវេជ្ជសាស្ត្រ ដែលភាគច្រើនមានលក្ខណៈនៃ LS ដែលយល់ឃើញ និងមើលឃើញ [12, 30]។ Dalmolin et al បានលើកឡើងថា ការជូនដំណឹងដល់សិស្សអំពី LS របស់ពួកគេអនុញ្ញាតឱ្យពួកគេសម្រេចបានសក្តានុពលសិក្សារបស់ពួកគេ។ អ្នកស្រាវជ្រាវអះអាងថា នៅពេលដែលគ្រូបង្រៀនយល់ច្បាស់ពីដំណើរការអប់រំរបស់សិស្ស វិធីសាស្រ្តបង្រៀន និងសកម្មភាពផ្សេងៗអាចត្រូវបានអនុវត្ត ដែលនឹងធ្វើអោយប្រសើរឡើងនូវការអនុវត្ត និងបទពិសោធន៍សិក្សារបស់សិស្ស [12, 31, 32]។ ការសិក្សាផ្សេងទៀតបានបង្ហាញថា ការកែសម្រួល LS របស់សិស្សក៏បង្ហាញពីភាពប្រសើរឡើងនៃបទពិសោធន៍សិក្សា និងការអនុវត្តរបស់សិស្សបន្ទាប់ពីការផ្លាស់ប្តូររចនាប័ទ្មសិក្សារបស់ពួកគេឱ្យសមនឹង LS របស់ពួកគេ [13, 33]។
មតិរបស់គ្រូបង្រៀនអាចមានភាពខុសប្លែកគ្នាទាក់ទងនឹងការអនុវត្តយុទ្ធសាស្ត្របង្រៀនដោយផ្អែកលើសមត្ថភាពសិក្សារបស់សិស្ស។ ខណៈពេលដែលអ្នកខ្លះមើលឃើញពីអត្ថប្រយោជន៍នៃវិធីសាស្រ្តនេះ រួមទាំងឱកាសអភិវឌ្ឍន៍វិជ្ជាជីវៈ ការណែនាំ និងការគាំទ្រពីសហគមន៍ អ្នកផ្សេងទៀតអាចមានការព្រួយបារម្ភអំពីពេលវេលា និងការគាំទ្រពីស្ថាប័ន។ ការខិតខំដើម្បីតុល្យភាពគឺជាគន្លឹះក្នុងការបង្កើតអាកប្បកិរិយាផ្តោតលើសិស្ស។ អាជ្ញាធរឧត្តមសិក្សា ដូចជាអ្នកគ្រប់គ្រងសាកលវិទ្យាល័យ អាចដើរតួនាទីយ៉ាងសំខាន់ក្នុងការជំរុញការផ្លាស់ប្តូរវិជ្ជមានដោយណែនាំការអនុវត្តប្រកបដោយភាពច្នៃប្រឌិត និងគាំទ្រដល់ការអភិវឌ្ឍគ្រូបង្រៀន [34]។ ដើម្បីបង្កើតប្រព័ន្ធឧត្តមសិក្សាដែលមានភាពស្វាហាប់ និងឆ្លើយតបយ៉ាងពិតប្រាកដ អ្នកធ្វើគោលនយោបាយត្រូវតែចាត់វិធានការដិតដល់ ដូចជាការធ្វើការផ្លាស់ប្តូរគោលនយោបាយ ការលះបង់ធនធានដល់ការរួមបញ្ចូលបច្ចេកវិទ្យា និងការបង្កើតក្របខ័ណ្ឌដែលលើកកម្ពស់វិធីសាស្រ្តផ្តោតលើសិស្ស។ វិធានការទាំងនេះមានសារៈសំខាន់ណាស់ក្នុងការសម្រេចបានលទ្ធផលដែលចង់បាន។ ការស្រាវជ្រាវថ្មីៗលើការបង្រៀនបែបឌីផេរ៉ង់ស្យែលបានបង្ហាញយ៉ាងច្បាស់ថា ការអនុវត្តការបង្រៀនបែបឌីផេរ៉ង់ស្យែលដោយជោគជ័យតម្រូវឱ្យមានការបណ្តុះបណ្តាល និងឱកាសអភិវឌ្ឍន៍ជាបន្តបន្ទាប់សម្រាប់គ្រូបង្រៀន [35]។
ឧបករណ៍នេះផ្តល់នូវការគាំទ្រដ៏មានតម្លៃដល់អ្នកអប់រំផ្នែកទន្តសាស្ត្រ ដែលចង់ប្រើវិធីសាស្រ្តផ្តោតលើសិស្សក្នុងការរៀបចំផែនការសកម្មភាពសិក្សាដែលងាយស្រួលសម្រាប់សិស្ស។ ទោះជាយ៉ាងណាក៏ដោយ ការសិក្សានេះត្រូវបានកំណត់ចំពោះការប្រើប្រាស់គំរូ ML ដើមឈើសម្រេចចិត្ត។ នាពេលអនាគត ទិន្នន័យបន្ថែមគួរតែត្រូវបានប្រមូលដើម្បីប្រៀបធៀបដំណើរការនៃគំរូរៀនម៉ាស៊ីនផ្សេងៗគ្នា ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវ ភាពជឿជាក់ និងភាពជាក់លាក់នៃឧបករណ៍ណែនាំ។ លើសពីនេះ នៅពេលជ្រើសរើសវិធីសាស្រ្តរៀនម៉ាស៊ីនដែលសមស្របបំផុតសម្រាប់កិច្ចការជាក់លាក់មួយ វាជាការសំខាន់ក្នុងការពិចារណាលើកត្តាផ្សេងទៀតដូចជាភាពស្មុគស្មាញនៃគំរូ និងការបកស្រាយ។
ដែនកំណត់មួយនៃការសិក្សានេះគឺថា វាផ្តោតតែលើការគូសផែនទី LS និង IS ក្នុងចំណោមនិស្សិតទន្តសាស្ត្រប៉ុណ្ណោះ។ ដូច្នេះ ប្រព័ន្ធអនុសាសន៍ដែលបានបង្កើតឡើងនឹងណែនាំតែអ្វីដែលសមរម្យសម្រាប់និស្សិតទន្តសាស្ត្រប៉ុណ្ណោះ។ ការផ្លាស់ប្តូរគឺចាំបាច់សម្រាប់ការប្រើប្រាស់ទូទៅរបស់និស្សិតឧត្តមសិក្សា។
ឧបករណ៍ផ្តល់អនុសាសន៍ដែលមានមូលដ្ឋានលើការរៀនដោយម៉ាស៊ីនដែលទើបបង្កើតថ្មីនេះ មានសមត្ថភាពចាត់ថ្នាក់ និងផ្គូផ្គង LS របស់សិស្សទៅនឹង IS ដែលត្រូវគ្នាភ្លាមៗ ដែលធ្វើឱ្យវាក្លាយជាកម្មវិធីអប់រំផ្នែកធ្មេញដំបូងគេដែលជួយអ្នកអប់រំផ្នែកធ្មេញរៀបចំផែនការសកម្មភាពបង្រៀន និងរៀនដែលពាក់ព័ន្ធ។ ដោយប្រើប្រាស់ដំណើរការជ្រើសរើសដែលជំរុញដោយទិន្នន័យ វាអាចផ្តល់អនុសាសន៍ផ្ទាល់ខ្លួន សន្សំសំចៃពេលវេលា កែលម្អយុទ្ធសាស្ត្របង្រៀន គាំទ្រអន្តរាគមន៍គោលដៅ និងលើកកម្ពស់ការអភិវឌ្ឍវិជ្ជាជីវៈជាបន្តបន្ទាប់។ ការអនុវត្តរបស់វានឹងលើកកម្ពស់វិធីសាស្រ្តផ្តោតលើសិស្សចំពោះការអប់រំផ្នែកធ្មេញ។
សារព័ត៌មាន Associated Press ជីឡាក់ ចានី។ ការផ្គូផ្គង ឬ ភាពមិនស៊ីគ្នារវាងរចនាប័ទ្មនៃការរៀនសូត្ររបស់សិស្ស និងរចនាប័ទ្មនៃការបង្រៀនរបស់គ្រូ។ វិទ្យាសាស្ត្រកុំព្យូទ័រ Int J Mod Educ។ 2012;4(11):51–60។ https://doi.org/10.5815/ijmecs.2012.11.05
ពេលវេលាបង្ហោះ៖ ថ្ងៃទី ២៩ ខែមេសា ឆ្នាំ ២០២៤