د غاښونو په شمول د لوړو زده کړو په موسسو کې د زده کونکو متمرکز زده کړې (SCL) ته مخ په ډیریدو اړتیا ده.په هرصورت، SCL د غاښونو په تعلیم کې محدود غوښتنلیک لري.له همدې امله، د دې مطالعې موخه دا ده چې د پریکړه ونې ماشین زده کړې (ML) ټیکنالوژۍ په کارولو سره د غاښونو په برخه کې د SCL غوښتنلیک ته وده ورکړي ترڅو د غوره زده کړې سټایل (LS) او د غاښونو زده کونکو اړونده زده کړې ستراتیژیو (IS) د IS لارښوونو رامینځته کولو لپاره د ګټورې وسیلې په توګه نقشه کړي. .د غاښونو زده کونکو لپاره ژمنې میتودونه.
د مالیا پوهنتون د غاښونو ټول 255 زده کونکو د زده کړې سټایلونو (m-ILS) پوښتنلیک بدل کړی ، چې 44 توکي پکې شامل دي ترڅو دوی په خپلو اړوندو LSs کې طبقه بندي کړي.راټول شوي ډاټا (د ډیټاسیټ په نوم یادیږي) د نظارت شوي پریکړې ونې زده کړې کې کارول کیږي ترڅو په اتوماتيک ډول د زده کونکو د زده کړې سټایلونه ترټولو مناسب IS سره سمون ولري.د ماشین زده کړې پر بنسټ د IS سپارښتنې وسیلې دقت بیا ارزول کیږي.
د LS (input) او IS (هدف محصول) تر منځ په اتوماتیک نقشه کولو پروسې کې د پریکړې ونې ماډلونو پلي کول د غاښونو هر زده کونکي لپاره د مناسب زده کړې ستراتیژیو سمدستي لیست ته اجازه ورکوي.د IS سپارښتنې وسیلې کامل دقت او د ټول ماډل دقت یادونه ښودلې، دا په ګوته کوي چې د IS سره د LS سره مطابقت ښه حساسیت او ځانګړتیا لري.
د IS د سپارښتنې وسیلې د ML پریکړې ونې پراساس د دې وړتیا ثابته کړې چې د مناسب زده کړې ستراتیژیو سره د غاښونو زده کونکو د زده کړې سټایلونو سره په سمه توګه میچ کړي.دا وسیله د زده کونکو په مرکز کې کورسونو یا ماډلونو پلان کولو لپاره قوي اختیارونه چمتو کوي چې کولی شي د زده کونکو زده کړې تجربه لوړه کړي.
ښوونه او روزنه په تعلیمي ادارو کې بنسټیز فعالیتونه دي.کله چې د لوړ کیفیت مسلکي زده کړې سیسټم رامینځته شي، نو دا مهمه ده چې د زده کونکو د زده کړې اړتیاوو ته پام وشي.د زده کونکو او د دوی د زده کړې چاپیریال ترمنځ متقابل عمل د دوی د LS له لارې ټاکل کیدی شي.څیړنې وړاندیز کوي چې د زده کونکو د LS او IS تر مینځ د ښوونکي لخوا ټاکل شوي توپیر کولی شي د زده کونکو زده کړې منفي پایلې ولري، لکه د پام او هڅونې کمښت.دا به په غیر مستقیم ډول د زده کونکو فعالیت اغیزه وکړي [1,2].
IS یوه طریقه ده چې د ښوونکو لخوا زده کونکو ته د پوهې او مهارتونو د ورکولو لپاره کارول کیږي، په شمول د زده کونکو سره مرسته کول [3].په عموم ډول، ښه ښوونکي د تدریس ستراتیژۍ یا IS پلانوي چې د زده کونکو د پوهې کچې، هغه مفکورې چې دوی یې زده کوي، او د دوی د زده کړې مرحله سره سمون لري.په تیوریکي توګه، کله چې LS او IS سره سمون ولري، زده کونکي به وکوالی شي په اغیزمنه توګه د زده کړې لپاره د مهارتونو یو ځانګړی سیټ تنظیم او وکاروي.په عموم ډول، د درسي پلان د پړاوونو تر منځ ډیری لیږدونه شامل دي، لکه د تدریس څخه لارښود تمرین ته یا د لارښود تمرین څخه خپلواک تمرین ته.د دې په پام کې نیولو سره، اغیزمن ښوونکي اکثرا د زده کونکو د پوهې او مهارتونو د لوړولو په هدف لارښوونې پلانوي [4].
د SCL غوښتنه د غاښونو په شمول د لوړو زده کړو موسسو کې وده کوي.د SCL ستراتیژۍ د زده کونکو د زده کړې اړتیاو پوره کولو لپاره ډیزاین شوي.دا ترلاسه کیدی شي، د بیلګې په توګه، که زده کونکي په فعاله توګه د زده کړې په فعالیتونو کې برخه واخلي او ښوونکي د اسانتیاوو په توګه عمل وکړي او د ارزښتناکه فیډبیک چمتو کولو مسولیت لري.ویل کیږي چې د زده کړې موادو او فعالیتونو چمتو کول چې د زده کونکو د زده کړې کچې یا غوره توبونو سره مناسب وي د زده کونکو د زده کړې چاپیریال ښه کړي او د زده کړې مثبتې تجربې وده وکړي [5].
په عمومي توګه، د غاښونو د زده کونکو د زده کړې پروسه د مختلفو کلینیکي پروسیجرونو لخوا اغیزمن کیږي چې دوی یې ترسره کولو ته اړتیا لري او کلینیکي چاپیریال چې دوی اغیزمن متقابل مهارتونه رامینځته کوي.د روزنې هدف دا دی چې زده کونکي وکولی شي د غاښونو لومړني پوهه د غاښونو کلینیکي مهارتونو سره یوځای کړي او ترلاسه شوې پوهه په نوي کلینیکي حالتونو کې پلي کړي [6, 7].د LS او IS ترمنځ د اړیکو په اړه لومړنۍ څیړنې وموندله چې د غوره شوي LS سره نقشه شوي د زده کړې ستراتیژیو تنظیم کول به د تعلیمي پروسې په ښه کولو کې مرسته وکړي [8].لیکوالان د زده کونکو د زده کړې او اړتیاو سره د تطبیق لپاره د مختلف تدریس او ارزونې میتودونو کارولو وړاندیز هم کوي.
ښوونکي د LS پوهه پلي کولو څخه ګټه پورته کوي ترڅو د دوی سره د لارښوونې ډیزاین، پراختیا او پلي کولو کې مرسته وکړي چې د زده کونکو ژوره پوهه او د موضوع په اړه پوهه لوړوي.څیړونکو د LS ارزونې ډیری وسیلې رامینځته کړې ، لکه د کولب تجربې زده کړې ماډل ، د فیلډر - سلورمین زده کړې سټایل ماډل (FSLSM) ، او د فلیمینګ VAK/VARK ماډل [5, 9, 10].د ادبياتو له مخې، دا د زده کړې موډلونه تر ټولو عام کارول شوي او د زده کړې موډلونه دي.په اوسني څیړنیز کار کې، FSLSM د غاښونو زده کونکو ترمنځ د LS ارزولو لپاره کارول کیږي.
FSLSM په انجینرۍ کې د تطبیقي زده کړې ارزونې لپاره په پراخه کچه کارول شوی ماډل دی.په روغتیایی علومو کې ډیری خپاره شوي اثار شتون لري (د درملو، نرسنګ، درملتون او غاښونو په شمول) چې د FSLSM ماډلونو په کارولو سره موندل کیدی شي [5, 11, 12, 13].هغه وسیله چې په FLSM کې د LS د ابعادو اندازه کولو لپاره کارول کیږي د زده کړې سټایلونو شاخص (ILS) [8] په نوم یادیږي، کوم چې 44 توکي لري چې د LS څلور ابعاد ارزوي: پروسس کول (فعال/انعکاس)، ادراک (احساس/عقلي)، ننوت (بصری)./لفظي) او پوهه (تسلسل/نړیوال) [14].
لکه څنګه چې په 1 شکل کې ښودل شوي، د FSLSM هر اړخ یو غالب لومړیتوب لري.د مثال په توګه، د پروسس کولو په اړخ کې، د "فعال" LS لرونکي زده کونکي د معلوماتو پروسس کولو ته ترجیح ورکوي د زده کړې موادو سره مستقیم تعامل، په ترسره کولو سره زده کړه، او په ګروپونو کې زده کړه کوي."انعکاس" LS د فکر کولو له لارې زده کړې ته اشاره کوي او یوازې کار کولو ته ترجیح ورکوي.د LS د "ادراک" ابعاد په "احساس" او/یا "تقلید" ویشل کیدی شي.د "احساس" زده کونکي ډیر دقیق معلومات او عملي طرزالعملونه غوره کوي، د حقیقت پر بنسټ د "ذهني" زده کونکو په پرتله چې لنډیز مواد غوره کوي او په طبیعت کې ډیر نوښتګر او تخلیقي دي.د LS "input" اړخ د "بصری" او "لفظي" زده کونکو څخه جوړ دی.هغه خلک چې "بصري" LS لري غوره کوي چې د بصري مظاهرو (لکه ډیاګرام، ویډیو، یا ژوندۍ مظاهرې) له لارې زده کړي، پداسې حال کې چې د "لفظي" LS لرونکي خلک غوره کوي چې په لیکلي یا شفاهي توضیحاتو کې د کلمو له لارې زده کړي.د LS ابعادو د "پوهیدو" لپاره، دا ډول زده کونکي په "تسلسل" او "نړیوال" ویشل کیدی شي."په ترتیب سره زده کونکي یو خطي فکري پروسې ته ترجیح ورکوي او ګام په ګام زده کوي، پداسې حال کې چې نړیوال زده کونکي د هولیسټیک فکر کولو پروسه لري او تل د هغه څه په اړه ښه پوهه لري چې دوی زده کوي.
په دې وروستیو کې، ډیری څیړونکو د اتوماتیک ډیټا لخوا پرمخ وړل شوي کشف لپاره د میتودونو سپړل پیل کړي، په شمول د نوي الګوریتمونو او ماډلونو پراختیا چې د ډیرو ډیټا تشریح کولو توان لري [15, 16].د چمتو شوي معلوماتو پراساس، څارل شوي ML (د ماشین زده کړه) د دې وړتیا لري چې نمونې او فرضیې رامینځته کړي چې د الګوریتمونو د جوړولو پراساس د راتلونکي پایلو وړاندوینه کوي [17].په ساده ډول ووایاست، د څارنې ماشین زده کړې تخنیکونه د ان پټ ډیټا اداره کوي او الګوریتمونه روزي.دا بیا یو سلسله رامینځته کوي چې د چمتو شوي ان پټ ډیټا لپاره د ورته حالتونو پراساس پایلې طبقه بندي یا وړاندوینه کوي.د نظارت شوي ماشین زده کړې الګوریتم اصلي ګټه د مثالي او مطلوب پایلو رامینځته کولو وړتیا ده [17].
د ډاټا لخوا پرمخ وړل شوي میتودونو او د پریکړې ونې کنټرول ماډلونو کارولو له لارې، د LS اتوماتیک کشف ممکن دی.د پریکړې ونې راپور شوي چې په پراخه کچه د روغتیا علومو په ګډون په بیلابیلو برخو کې د روزنې برنامو کې کارول کیږي [18, 19].په دې څیړنه کې، ماډل په ځانګړې توګه د سیسټم پراختیا کونکو لخوا روزل شوی ترڅو د زده کونکو LS وپیژني او د دوی لپاره غوره IS وړاندیز وکړي.
د دې مطالعې موخه د زده کونکو د LS پر بنسټ د IS تحویلي ستراتیژیو رامینځته کول دي او د LS لپاره نقشه شوي د IS سپارښتنې وسیله رامینځته کولو سره د SCL چلند پلي کول دي.د SCL میتود د ستراتیژۍ په توګه د IS سپارښتنې وسیلې ډیزاین جریان په 1 شکل کې ښودل شوي. د IS سپارښتنې وسیله په دوه برخو ویشل شوې ، پشمول د ILS په کارولو سره د LS طبقه بندي میکانیزم او د زده کونکو لپاره ترټولو مناسب IS ښودنه.
په ځانګړې توګه، د معلوماتو د خوندیتوب سپارښتنې وسیلو ځانګړتیاوې د ویب ټیکنالوژیو کارول او د پریکړې ونې ماشین زده کړې کارول شامل دي.د سیسټم پراختیا کونکي د ګرځنده وسیلو لکه ګرځنده تلیفونونو او ټابلیټونو سره د موافقت کولو له لارې د کارونکي تجربه او خوځښت ته وده ورکوي.
تجربه په دوو مرحلو کې ترسره شوه او د مالیا پوهنتون د غاښونو د پوهنځي محصلینو په داوطلبانه توګه برخه اخیستې وه.ګډونوالو د غاښونو زده کونکي آنلاین m-ILS ته په انګلیسي ژبه ځواب ورکړ.په لومړي پړاو کې، د 50 زده کونکو ډیټا سیټ د پریکړې ونې ماشین زده کړې الګوریتم روزلو لپاره کارول شوی و.د پرمختیایي پروسې په دوهم پړاو کې، د 255 زده کونکو ډیټا سیټ د پرمختللي وسایلو دقت د ښه کولو لپاره کارول شوی و.
ټول ګډونوال د هرې مرحلې په پیل کې آنلاین لنډیز ترلاسه کوي، د اکادمیک کال پورې اړه لري، د مایکروسافټ ټیمونو له لارې.د مطالعې هدف تشریح شوی او باخبر رضایت ترلاسه شوی.ټولو ګډون کوونکو ته m-ILS ته د لاسرسي لپاره یو لینک چمتو شوی و.هر زده کونکي ته لارښوونه وشوه چې په پوښتنلیک کې ټول 44 توکي ځواب کړي.دوی ته یوه اونۍ وخت ورکړل شوی و چې د سمستر له پیل څخه دمخه د سمستر وقفې پرمهال په مناسب وخت او ځای کې ترمیم شوي ILS بشپړ کړي.m-ILS د اصلي ILS وسیلې پراساس دی او د غاښونو زده کونکو لپاره ترمیم شوی.د اصلي ILS په څیر، دا 44 په مساوي ډول توزیع شوي توکي لري (a, b)، هر یو 11 توکي لري، کوم چې د هر FSLSM اړخ اړخونو ارزولو لپاره کارول کیږي.
د وسیلې پراختیا په لومړیو مرحلو کې ، څیړونکو په لاسي ډول د غاښونو 50 زده کونکو د ډیټا سیټ په کارولو سره نقشې تشریح کړې.د FSLM په وینا، سیسټم د ځوابونو مجموعه "a" او "b" چمتو کوي.د هر ابعاد لپاره، که زده کوونکی د ځواب په توګه "a" غوره کړي، LS د فعال/عقل/بصري/تسلطي په توګه طبقه بندي کیږي، او که زده کونکی "b" د ځواب په توګه غوره کړي، زده کوونکی د انعکاس / رواني / ژبني په توګه طبقه بندي کیږي. ./ نړیوال زده کوونکی.
د غاښونو د زده کړې څیړونکو او د سیسټم پراختیا کونکو ترمنځ د کاري جریان اندازه کولو وروسته، پوښتنې د FLSSM ډومین پراساس غوره شوي او د ML ماډل ته ورکړل شوي ترڅو د هر زده کونکي LS وړاندوینه وکړي."کچره دننه، کثافات بهر" د ماشین زده کړې په برخه کې یو مشهور وینا ده، د معلوماتو کیفیت باندې ټینګار سره.د ان پټ ډیټا کیفیت د ماشین زده کړې ماډل دقیقیت او دقت ټاکي.د فیچر انجینرۍ مرحلې په جریان کې ، یو نوی فیچر سیټ رامینځته شوی چې د FLSSM پراساس د "a" او "b" ځوابونو مجموعه ده.د مخدره توکو د موقعیتونو پیژندنې شمیرې په جدول 1 کې ورکړل شوي.
د ځوابونو پر بنسټ نمرې محاسبه کړئ او د زده کونکي LS مشخص کړئ.د هر زده کونکي لپاره، د نمرو سلسله له 1 څخه تر 11 پورې ده. د 1 څخه تر 3 پورې نمرې په ورته ابعاد کې د زده کړې غوره توبونو توازن په ګوته کوي، او له 5 څخه تر 7 پورې نمرې یو متوسط ترجیح ښیي، دا په ګوته کوي چې زده کونکي د نورو درسونو لپاره یو چاپیریال غوره کوي. .په ورته ابعاد کې بل توپیر دا دی چې له 9 څخه تر 11 پورې نمرې د یوې پای یا بلې لپاره قوي غوره توب منعکس کوي [8].
د هر اړخ لپاره، مخدره توکي په "فعال"، "انعکاس" او "متوازن" کې ګروپ شوي.د مثال په توګه، کله چې یو زده کونکی په ټاکل شوي توکي کې د "b" څخه ډیر ځله "a" ته ځواب ووایی او د هغه نمرې د یو ځانګړي توکي لپاره د 5 له حد څخه ډیر وي چې د پروسس کولو LS ابعاد نمایندګي کوي، هغه د "فعال" LS پورې اړه لري. ډومین..په هرصورت، زده کونکي د "انعکاس" LS په توګه طبقه بندي شوي کله چې دوی په ځانګړو 11 پوښتنو (جدول 1) کې د "a" څخه ډیر "b" غوره کړل او له 5 څخه ډیر نمرې یې ترلاسه کړې.په نهایت کې، زده کوونکی د "توازن" په حالت کې دی.که نمرې له 5 نمرو څخه زیاتې نه وي، نو دا یو "پروسس" LS دی.د طبقه بندي پروسه د نورو LS ابعادو لپاره تکرار شوه، د بیلګې په توګه ادراک (فعال/انعکاس)، انپټ (بصری/لفظي)، او درک (ترتیب/نړیوال).
د پریکړې ونې ماډلونه کولی شي د ډلبندۍ پروسې په بیلابیلو مرحلو کې د ځانګړتیاوو مختلف فرعي سیټونه او د پریکړې قواعد وکاروي.دا د مشهور طبقه بندي او وړاندوینې وسیله ګڼل کیږي.دا د ونې جوړښت په کارولو سره نمایش کیدی شي لکه د فلوچارټ [20]، په کوم کې چې داخلي نوډونه شتون لري چې د ځانګړتیاو په واسطه ازموینې استازیتوب کوي، هره څانګه د ازموینې پایلې استازیتوب کوي، او هر لیف نوډ (لیف نوډ) چې د ټولګي لیبل لري.
یو ساده قاعده پراساس برنامه رامینځته شوې ترڅو د هر زده کونکي LS د دوی د ځوابونو پراساس په اتوماتيک ډول نمرې او تشریح کړي.د قواعدو پر بنسټ د IF بیان بڼه اخلي، چیرې چې "IF" محرک تشریح کوي او "THEN" هغه عمل مشخص کوي چې ترسره کیږي، د بیلګې په توګه: "که X پیښ شي، نو Y وکړئ" (Liu et al., 2014).که چیرې د معلوماتو سیټ اړیکه ښیي او د پریکړې ونې ماډل په سمه توګه روزل شوي او ارزول کیږي، دا طریقه د LS او IS سره د سمون پروسې اتومات کولو لپاره اغیزمنه لاره کیدی شي.
د پراختیا په دوهم پړاو کې، ډیټاسیټ 255 ته لوړ شوی ترڅو د سپارښتنې وسیلې دقت ښه کړي.د معلوماتو سیټ د 1: 4 تناسب کې ویشل شوی.25٪ (64) ډیټا سیټ د ازموینې سیټ لپاره کارول شوي ، او پاتې 75٪ (191) د روزنې سیټ په توګه کارول شوي (شکل 2).د ډیټا سیټ باید وویشل شي ترڅو ماډل د ورته ډیټا سیټ په اړه روزل او ازمول کیدو مخه ونیسي ، کوم چې کولی شي ماډل د زده کړې پرځای یاد وساتي.ماډل په ټریننګ سیټ کې روزل شوی او د ازموینې په سیټ کې د هغې فعالیت ارزوي — ډیټا موډل مخکې هیڅکله نه و لیدلی.
یوځل چې د IS وسیله رامینځته شي ، غوښتنلیک به وکولی شي د ویب انٹرفیس له لارې د غاښونو زده کونکو ځوابونو پراساس LS طبقه بندي کړي.د ویب پر بنسټ د معلوماتو امنیت سپارښتنې وسیلې سیسټم د Python پروګرام کولو ژبې په کارولو سره د جینګو چوکاټ په توګه د شالید په توګه جوړ شوی.جدول 2 هغه کتابتونونه لیست کوي چې د دې سیسټم په پراختیا کې کارول کیږي.
ډیټاسیټ د پریکړې ونې ماډل ته تغذیه کیږي ترڅو د زده کونکي ځوابونه محاسبه او استخراج کړي ترڅو د زده کونکي LS اندازه په اوتومات ډول طبقه بندي کړي.
د مغشوش میټریکس د ورکړل شوي ډیټا سیټ کې د پریکړې ونې ماشین زده کړې الګوریتم دقت ارزولو لپاره کارول کیږي.په ورته وخت کې، دا د ډلبندۍ ماډل فعالیت ارزوي.دا د ماډل وړاندوینې لنډیز کوي او د اصلي ډیټا لیبلونو سره پرتله کوي.د ارزونې پایلې د څلورو مختلفو ارزښتونو پراساس دي: ریښتیني مثبت (TP) - ماډل په سمه توګه د مثبت کټګورۍ وړاندوینه کړې، غلط مثبت (FP) - ماډل د مثبت کټګورۍ وړاندوینه کړې، مګر ریښتینې لیبل منفي و، ریښتینی منفي (TN) - ماډل په سمه توګه د منفي ټولګي وړاندوینه کړې، او غلط منفي (FN) - ماډل د منفي ټولګي وړاندوینه کوي، مګر ریښتینې لیبل مثبت دی.
دا ارزښتونه بیا په Python کې د سکیکټ - زده کړې طبقه بندي ماډل مختلف فعالیت میټریکونو محاسبه کولو لپاره کارول کیږي ، د بیلګې په توګه دقیقیت ، دقیقیت ، یادول ، او F1 سکور.دلته مثالونه دي:
یادول (یا حساسیت) د ماډل وړتیا اندازه کوي چې د M-ILS پوښتنلیک ته ځواب ویلو وروسته د زده کونکي LS په سمه توګه طبقه بندي کړي.
ځانګړتیا یو ریښتینی منفي نرخ بلل کیږي.لکه څنګه چې تاسو د پورته فورمول څخه لیدلی شئ، دا باید د ریښتینې منفي (TN) نسبت ریښتینې منفي او غلط مثبت (FP) ته وي.د زده کونکو مخدره توکو طبقه بندي کولو لپاره د وړاندیز شوي وسیلې برخې په توګه ، دا باید د دقیق پیژندلو وړ وي.
د 50 زده کونکو اصلي ډیټا سیټ د پریکړې ونې ML ماډل روزلو لپاره کارول شوي په تشریحاتو کې د انساني غلطۍ له امله نسبتا ټیټ درستیت ښودلی (جدول 3).د LS نمرو او زده کونکو تشریحاتو محاسبه کولو لپاره د ساده قواعدو پراساس برنامه رامینځته کولو وروسته ، د ډیټاسیټونو ډیریدونکي شمیر (255) د وړاندیز کونکي سیسټم روزنې او ازموینې لپاره کارول شوي.
په ملټيکلاس کنفیوژن میټریکس کې، اختراعي عناصر د هر LS ډول لپاره د سمې وړاندوینې شمیره څرګندوي (شکل 4).د پریکړې ونې ماډل په کارولو سره، ټول 64 نمونې په سمه توګه وړاندوینه شوې.په دې توګه، په دې څیړنه کې، اختراعي عناصر متوقع پایلې ښیي، دا په ګوته کوي چې ماډل ښه فعالیت کوي او د هر LS طبقه بندي لپاره د ټولګي لیبل په سمه توګه وړاندوینه کوي.په دې توګه، د سپارښتنې وسیلې ټولیز دقت 100٪ دی.
د دقت، دقت، یادولو، او F1 نمرې ارزښتونه په 5 شکل کې ښودل شوي. د سپارښتنې سیسټم لپاره چې د پریکړې ونې ماډل کاروي، د F1 نمرې 1.0 "کامل" دی، د بشپړ دقیقیت او یادولو نښه کوي، د پام وړ حساسیت او ځانګړتیا منعکس کوي. ارزښتونه
6 شکل د روزنې او ازموینې له بشپړیدو وروسته د پریکړې ونې ماډل لید ښیې.په یو اړخیزه پرتله کې، د پریکړې ونې ماډل چې د لږو ځانګړتیاو سره روزل شوي لوړ دقت او اسانه ماډل لید ښودلی.دا ښیې چې د فیچر انجینرۍ د فیچر کمولو لامل کیږي د ماډل فعالیت ښه کولو کې یو مهم ګام دی.
د پریکړې ونې څارل شوي زده کړې پلي کولو سره، د LS (input) او IS (د هدف محصول) تر منځ نقشه په اوتومات ډول تولید کیږي او د هر LS لپاره مفصل معلومات لري.
پایلو ښودلې چې د 255 زده کونکو څخه 34.9٪ یو (1) LS انتخاب غوره کړی.اکثریت (54.3٪) دوه یا ډیر LS غوره توبونه درلودل.12.2٪ زده کونکو یادونه وکړه چې LS خورا متوازن دی (جدول 4).د اتو اصلي LS سربیره ، د مالیا پوهنتون د غاښونو زده کونکو لپاره د LS طبقې 34 ترکیبونه شتون لري.د دوی په منځ کې، درک، لید، او د لید او لید ترکیب د زده کونکو لخوا راپور شوي اصلي LS دي (7 شکل).
لکه څنګه چې د 4 جدول څخه لیدل کیدی شي، د زده کونکو ډیری برخه د غالب حسي (13.7٪) یا بصری (8.6٪) LS درلوده.راپور ورکړل شوی چې 12.2٪ زده کونکي د لید سره ګډ ادراک لري (د لید لید LS).دا موندنې وړاندیز کوي چې زده کونکي غوره کوي چې د تاسیس شوي میتودونو له لارې زده کړي او یاد وساتي، ځانګړي او مفصل طرزالعملونه تعقیب کړي، او په طبیعت کې پاملرنه وکړي.په ورته وخت کې، دوی د زده کړې څخه خوند اخلي (د ډیاګرامونو په کارولو سره) او په ګروپونو یا پخپله د معلوماتو په اړه بحث او پلي کولو ته لیوالتیا لري.
دا څیړنه د ماشین زده کړې تخنیکونو یوه عمومي کتنه وړاندې کوي چې د ډیټا کان کیندنې کې کارول کیږي، په فوري او دقیق ډول د زده کونکو LS وړاندوینې او د مناسب IS وړاندیز کولو تمرکز سره.د پریکړې ونې ماډل پلي کول هغه فکتورونه پیژندلي چې د دوی ژوند او تعلیمي تجربو سره نږدې تړاو لري.دا د ماشین زده کړې یو نظارت شوی الګوریتم دی چې د ونې جوړښت کاروي ترڅو ډاټا طبقه بندي کړي د ډیټا سیټ په فرعي کټګوریو ویشلو سره د ځانګړو معیارونو پراساس.دا د هر داخلي نوډ د ننوتو ځانګړتیاوو د ارزښت پراساس په فرعي سیټونو کې د ان پټ ډیټا په تکراري ډول ویشلو سره کار کوي تر هغه چې د پاڼي نوډ کې پریکړه نه وي شوې.
د پریکړې ونې داخلي نوډونه د m-ILS ستونزې د داخلي ځانګړتیاو پراساس د حل نمایندګي کوي، او د پاڼی نوډونه د LS طبقه بندي وروستۍ وړاندوینې استازیتوب کوي.د مطالعې په جریان کې، دا اسانه ده چې د پریکړې د ونو په درجه بندي پوه شي چې د ان پټ ځانګړتیاوو او د محصول وړاندوینې ترمنځ اړیکو ته په کتلو سره د پریکړې پروسې تشریح او لیدل کیږي.
د کمپیوټر ساینس او انجینرۍ په برخو کې، د ماشین زده کړې الګوریتمونه په پراخه کچه د زده کونکو د فعالیت وړاندوینې لپاره د دوی د ننوتلو ازموینې نمرو پراساس کارول کیږي [21]، ډیموګرافیک معلومات، او د زده کړې چلند [22].څیړنې ښودلې چې الګوریتم د زده کونکو فعالیت په سمه توګه وړاندوینه کړې او دوی سره یې مرسته کړې چې زده کونکي د اکاډمیک ستونزو لپاره خطر سره وپیژني.
د غاښونو روزنې لپاره د مجازی ناروغ سمیلیټرونو په پراختیا کې د ML الګوریتم غوښتنلیک راپور شوی.سمیلیټر د دې وړتیا لري چې د ریښتیني ناروغانو فیزولوژیکي غبرګون په سمه توګه تولید کړي او په خوندي او کنټرول شوي چاپیریال کې د غاښونو زده کونکو روزنې لپاره کارول کیدی شي [23].ډیری نورې څیړنې ښیي چې د ماشین زده کړې الګوریتمونه کولی شي په بالقوه توګه د غاښونو او طبي زده کړو او د ناروغانو پاملرنې کیفیت او موثریت ته وده ورکړي.د ماشین زده کړې الګوریتمونه د ډیټا سیټونو پراساس د غاښونو ناروغیو تشخیص کې د مرستې لپاره کارول شوي لکه نښې او د ناروغ ځانګړتیاو [24, 25].پداسې حال کې چې نورو مطالعاتو د دندو ترسره کولو لپاره د ماشین زده کړې الګوریتم کارول سپړلي دي لکه د ناروغانو پایلو وړاندوینه کول، د لوړ خطر ناروغانو پیژندل، د شخصي درملنې پالنونو رامینځته کول [26]، د دورې درملنه [27]، او د کیریز درملنه [25].
که څه هم د غاښونو په برخه کې د ماشین زده کړې کارولو په اړه راپورونه خپاره شوي، د غاښونو په زده کړې کې د دې غوښتنلیک محدود پاتې دی.له همدې امله، د دې مطالعې موخه دا وه چې د پریکړې ونې ماډل وکاروئ ترڅو د غاښونو زده کونکو ترمنځ د LS او IS سره نږدې نږدې فاکتورونه وپیژني.
د دې څیړنې پایلې ښیي چې د سپارښتنې پرمختللې وسیله خورا دقت او بشپړ دقت لري، دا په ګوته کوي چې ښوونکي کولی شي له دې وسیلې څخه ګټه پورته کړي.د ډاټا لخوا پرمخ وړل شوي ډلبندۍ پروسې کارول، دا کولی شي شخصي سپارښتنې وړاندې کړي او د ښوونکو او زده کونکو لپاره تعلیمي تجربې او پایلې ښه کړي.د دوی په منځ کې، د سپارښتنې وسیلو له لارې ترلاسه شوي معلومات کولی شي د ښوونکو د غوره تدریس میتودونو او د زده کونکو د زده کړې اړتیاو ترمنځ شخړې حل کړي.د مثال په توګه، د سپارښتنې وسیلو د اتوماتیک محصول له امله، د زده کونکي IP پیژندلو او د اړونده IP سره د سمون لپاره اړین وخت به د پام وړ کم شي.په دې توګه، مناسب روزنیز فعالیتونه او روزنیز توکي تنظیم کیدی شي.دا د زده کونکو د مثبت زده کړې چلند او د تمرکز وړتیا ته وده ورکوي.یوې څیړنې راپور ورکړی چې زده کونکو ته د زده کړې موادو چمتو کول او د زده کړې فعالیتونه چې د دوی غوره شوي LS سره سمون لري کولی شي زده کونکو سره مرسته وکړي چې د ډیرو امکاناتو ترلاسه کولو لپاره په ډیری لارو کې د زده کړې سره یوځای کولو، پروسس کولو او خوند واخلي [12].څیړنې دا هم ښیي چې په ټولګي کې د زده کونکو د ګډون د ښه کولو سربیره، د زده کونکو د زده کړې پروسې پوهیدل هم د تدریسي کړنو او زده کونکو سره د اړیکو په ښه کولو کې مهم رول لوبوي [28, 29].
په هرصورت، لکه څنګه چې د هر عصري ټیکنالوژۍ سره، ستونزې او محدودیتونه شتون لري.پدې کې د معلوماتو محرمیت ، تعصب او انصاف پورې اړوند مسلې شاملې دي ، او د غاښونو په زده کړې کې د ماشین زده کړې الګوریتمونو رامینځته کولو او پلي کولو لپاره مسلکي مهارتونه او سرچینې اړین دي؛په هرصورت، پدې برخه کې د لیوالتیا او څیړنې وده وړاندیز کوي چې د ماشین زده کړې ټیکنالوژي ممکن د غاښونو زده کړې او د غاښونو خدماتو باندې مثبت اغیزه ولري.
د دې څیړنې پایلې ښیي چې د غاښونو نیمایي زده کونکي د مخدره توکو "درک کولو" تمایل لري.دا ډول زده کوونکی حقایقو او کره مثالونو ته ترجیح ورکوي، عملي تمایل، د توضیحاتو لپاره صبر، او د "بصری" LS غوره توب، چیرته چې زده کونکي د نظریاتو او افکارو د رسولو لپاره د انځورونو، ګرافیکونو، رنګونو او نقشو کارولو ته ترجیح ورکوي.اوسنۍ پایلې د غاښونو او طبي زده کونکو کې د LS ارزولو لپاره د ILS په کارولو سره د نورو مطالعاتو سره مطابقت لري، چې ډیری یې د ادراک او لید LS ځانګړتیاوې لري [12, 30].Dalmolin et al وړاندیز کوي چې زده کونکو ته د دوی د LS په اړه خبر ورکول دوی ته اجازه ورکوي چې د دوی زده کړې ظرفیت ته ورسیږي.څیړونکي استدلال کوي چې کله ښوونکي د زده کونکو تعلیمي پروسه په بشپړ ډول درک کړي، د تدریس بیلابیل میتودونه او فعالیتونه پلي کیدی شي چې د زده کونکو فعالیت او زده کړې تجربه ښه کړي [12, 31, 32].نورو مطالعاتو ښودلې چې د زده کونکو LS تنظیم کول هم د زده کونکو د زده کړې تجربې او فعالیت کې پرمختګ ښیې چې د دوی د زده کړې سټایل بدلولو وروسته د دوی د LS سره سم [13, 33].
د ښوونکو نظرونه ممکن د زده کونکو د زده کړې وړتیاو پر بنسټ د تدریس ستراتیژیو پلي کولو په اړه توپیر ولري.پداسې حال کې چې ځینې د دې تګلارې ګټې ګوري، په شمول د مسلکي پراختیا فرصتونه، لارښوونې، او د ټولنې مالتړ، نور ممکن د وخت او بنسټیز مالتړ په اړه اندیښمن وي.د توازن لپاره هڅه کول د زده کونکي متمرکز چلند رامینځته کولو کلیدي ده.د لوړو زده کړو چارواکي، لکه د پوهنتون مدیران، کولی شي د نوښتګرو کړنو په معرفي کولو او د پوهنځیو د پراختیا په ملاتړ کې د مثبت بدلون په راوستلو کې مهم رول ولوبوي [۳۴] .د ریښتیني متحرک او ځواب ویونکي لوړو زده کړو سیسټم رامینځته کولو لپاره ، پالیسي جوړونکي باید زړور ګامونه پورته کړي ، لکه د پالیسۍ بدلونونه ، د ټیکنالوژۍ ادغام ته د سرچینو وقف کول ، او داسې چوکاټ رامینځته کول چې د زده کونکو متمرکز چلند ته وده ورکوي.دا اقدامات د مطلوب پایلو ترلاسه کولو لپاره خورا مهم دي.د متفاوت لارښوونو په اړه وروستیو څیړنو په روښانه توګه ښودلې چې د بیلابیلو لارښوونو بریالي پلي کول د ښوونکو لپاره دوامداره روزنې او پراختیا فرصتونو ته اړتیا لري [35].
دا وسیله د غاښونو ښوونکو ته ارزښتناکه ملاتړ چمتو کوي څوک چې غواړي د زده کونکي سره د زده کړې فعالیتونو پلان کولو لپاره د زده کونکي متمرکز چلند غوره کړي.په هرصورت، دا څیړنه د پریکړې ونې ML ماډلونو کارولو پورې محدوده ده.په راتلونکي کې ، د ماشین زده کړې مختلف ماډلونو فعالیت پرتله کولو لپاره باید ډیر معلومات راټول شي ترڅو د سپارښتنې وسیلو دقت ، اعتبار او دقت پرتله شي.سربیره پردې، کله چې د یو ځانګړي کار لپاره د ماشین زده کړې ترټولو مناسب میتود غوره کړئ، نو دا مهمه ده چې نور عوامل لکه د ماډل پیچلتیا او تشریح په پام کې ونیسئ.
د دې مطالعې محدودیت دا دی چې دا یوازې د غاښونو زده کونکو ترمنځ د LS او IS نقشه کولو تمرکز کوي.نو ځکه، د سپارښتنې پرمختللی سیسټم به یوازې هغه وړاندیز وکړي چې د غاښونو زده کونکو لپاره مناسب وي.بدلونونه د لوړو زده کړو زده کونکو د عمومي کارولو لپاره اړین دي.
د ماشین زده کړې پراساس د سپارښتنې نوې رامینځته شوې وسیله د دې وړتیا لري چې د زده کونکو LS په سمدستي ډول طبقه بندي او ورته ورته IS سره سمون ورکړي ، دا د غاښونو د زده کړې لومړی برنامه رامینځته کوي ترڅو د غاښونو ښوونکو سره د اړوندو ښوونې او زده کړې فعالیتونو پلان کولو کې مرسته وکړي.د ډاټا لخوا پرمخ وړل شوي ټریج پروسې کارول، دا کولی شي شخصي سپارښتنې وړاندې کړي، وخت خوندي کړي، د تدریس ستراتیژیو ته وده ورکړي، د هدفي مداخلو ملاتړ وکړي، او روان مسلکي پرمختګ ته وده ورکړي.د دې غوښتنلیک به د غاښونو زده کړې ته د زده کونکي متمرکز چلند ته وده ورکړي.
ګلک جاني اسوشیټیډ پریسد زده کونکي د زده کړې طرز او د ښوونکي د تدریس طرز تر مینځ مطابقت یا بې اتفاقي.د کمپيوټر ساينس انترنټي J Mod Educ.۲۰۱۲؛۴(۱۱):۵۱–۶۰.https://doi.org/10.5815/ijmecs.2012.11.05
د پوسټ وخت: اپریل-29-2024