د پریکړې کولو وزۍ زده کړې ماډلونو د زده کړې ماډلونو د زده کړې وزارت د زده کړې وزارتونو د زده کړې وزارت پورې اړوند د غاښونو مراجعینو غوره سټایلونه

د لوړو زده کړو په ادارو کې د زده کونکو مرکزي زده کړې (SCL) ته د مخدره توکو په ګډون د زده کونکو مرکزي زده کړې (SCL) ته اړتیا ده. په هرصورت، د سویټ زده کړې کې د سویډل محدود غوښتنلیک محدود کړی دی. نو ځکه، دا مطالعه هدف د پریکړې لپاره د زده کړې لپاره د ګټورې وسیلې نقشه کولو (LS) ټیکنالوژي (LL) ټیکنالوژي (LL) او د غاښونو زده کونکي اړوند دي چې لارښوونې یې کوي . د غاښونو زده کونکو لپاره د میتودونو ژمنه کول.
د مالا پوهنتون څخه د غاښونو 255 زده کونکي د زده کړې سټایلونو (M-ILES) د زده کړې ډډ شوي شاخصونه د دوی اړوند LSs ته کټګورۍ لپاره 44 توکي بشپړ کړي. راټول شوي ډاټا (د ډیټاسیټ په نوم یادیږي د پریکړې په نظارت شوي ونې کې کارول کیږي ترڅو د زده کونکو زده کونکو زده کونکو زده کونکو ته د زده کونکو د زده کونکو زده کونکو زده کونکو سره زده کړې وکړي. د ماشین د زده کړې پراساس د سپارښتنې د سپارښتنې وسیله ده ارزول کیږي.
د LS (ننوت) تر مینځ د اتوماتیک نقشه کولو پروسه کې د پریکړې کولو ونې ماډل پلي کول او د پام وړ محصول) د هر غاښونو زده کونکي لپاره د زده کړې ستراتیژیو لپاره اجازه ورکوي. د سپارښتنې وسیلې د عمومي ماډل دقت څرګندونه او یادونه ښیې، په ګوته کوي چې په ګوته کوي چې د LS سره سمون خوري ښه حساس او مشخصات لري.
د ML د تصديق ونې پراساس د سپارلو وسیله ده چې د مناسبو ستراتیژیو سره د غاښونو د زده کونکو زده کونکو د زده کونکو د زده کونکو د مناسب کیفیت سره د دوی وړتیا ثابت کړې. دا وسیله د پلان جوړولو لپاره قوي اختیارونه وړاندې کوي یا ماډلونه چې کولی شي د زده کونکو د زده کړې تجربې ته وده ورکړي.
ښوونه او روزنه په تعلیمي ادارو کې بنسټیز فعالیتونه دي. کله چې د لوړ کیفیت مسلکي زده کړې سیسټم رامینځته کړئ، نو مهم دي چې زده کونکو زده کړې اړتیاو باندې تمرکز وکړي. د زده کونکو تر مینځ متقابل عمل او د دوی د زده کړې چاپیریال د خپلو LS له لارې ټاکل کیدی شي. څیړنې وړاندیز کوي چې د ښوونکو LSs تر مینځ د ښوونکي - ارادې حزبونه کولی شي د زده کونکو زده کړې لپاره منفي پایلې ولري، لکه توجه او هڅونه کمیدلې. دا به په غیر مستقیم ډول د زده کونکو په اجرا [2،2] اغیزه وکړي.
دی هغه میتود دی چې زده کونکو ته پوهه او مهارتونه رسوي، پشمول د زده کونکو مرسته کول [3]. په عمومي ډول، ښه ښوونکي د تدریس ستراتیژیو پلان کوي ​​یا دا غوره ده چې د دوی د زده کونکو پوهه کچه، هغه مفهوم چې دوی زده کړې کوي، او د دوی د زده کړې مرحله. په تیوریکي ډول، کله چې LS او لوبه وي، زده کونکي به وکولی شي په اغیزمنه توګه زده کړې لپاره د مهارتونو یو مشخص سیټ تنظیم او وکاروي. په ځانګړي توګه، د درسي پلان پلانونو د مرحلو ترمینځ څو لیږدونه شامل دي، لکه لارښود تمرین یا خپلواکې عمل ته د لارښود تمرین څخه ګټه پورته کول. پدې ذهن کې، اغیزمن ښوونکي اکثرا د زده کونکو د پوهې او مهارتونو جوړولو هدف سره سم دفن کوي ​​[4].
د SCL غوښتنې د لوړو زده کړو موسسو کې وده کوي، پشمول د غاښونو په شمول. د SCL ستراتیژیانې د زده کونکو د زده کړې اړتیاو پوره کولو لپاره ډیزاین شوي. دا کیدی شي ترلاسه شي، د مثال په توګه، که چیرې زده کونکي په فعاله توګه د زده کړې فعالیتونو او ښوونکو کې برخه واخلي او د تسهیل شوي نظر ورکولو کارولو مسؤل دي. داسې ویل کیږي چې د زده کړې موادو او فعالیتونو چمتو کول چې د زده کونکو تعلیمي کچې یا غوره توبونو لپاره مناسب دي کولی شي د زده کونکو زده کړې چاپیریال ته وده ورکړي او د زده کړې مثبت تجربو ته وده ورکړي [5].
په عمومي ډول، د غاښونو زده کونکو د زده کړې پروسه د مختلف کلینیکي پروسیژرونو لخوا اغیزه لري دوی اړ دي چې دوی ترسره کړي په کوم کې چې دوی د دوی اغیزمن ترکیب لرونکي مهارتونه رامینځته کوي. د روزنې هدف دا دی چې زده کونکو وړ کړي چې د غاښونو کلینیکي مهارتونو سره د غاښونو لومړني پوهه یوځای کړي او د ترلاسه شوې پوهې نوي کلینیکي وضعیت ته پلي کړي [6، 7]. د LS او تر منځ د اړیکو لومړني تحقیق غوره ګ as ل کیږي چې غوره شوي LS ته د زده کړې ستراتیژۍ به د ښوونې او روزنې پروسې ته وده ورکولو کې مرسته وکړي [8]. لیکوالان د زده کونکو زده کړې او اړتیاو سره تطابق کولو لپاره د تدریسي او ارزونې میتودونو کارولو وړاندیز کوي.
ښوونکي د LS د پوهې پلي کولو څخه ګټه اخلي ترڅو دوی سره د ډیزاین ډیزاین، پراختیا او تدریس کې د موضوعاتو د موضوعاتو زده کړې زده کړې ته وده ورکړي. څیړونکو د LS ارزونې وسیلې رامینځته کړې، لکه د کلوب تجربه لرونکي زده کړې موډل رامینځته کړي، د فیلډین - سپینو زرو زده کړې وړ سټایل ماډل [5، 9، 9، 10]. د ادب په وینا، دا زده کړې ماډلونه خورا عام کارول شوي او د زده کړې موډلونه. د اوسني څیړنې کار کې، FSLSM د غاښونو زده کونکو ترمنځ د LS د ارزونې لپاره کارول کیږي.
FSLSM په پراخه کچه د انجینرۍ په وړاندې د موافقې زده کړې ارزونې لپاره په پراخه کچه کارول شوی ماډل دی. د روغتیا ساینس کې ډیری خپریږي (د درملو، نرسنګ، درملتون او غاښونو په ګډون) چې د FSLSM ماډلونو په کارولو سره موندل کیدی شي [5، 11، 12، 13 13]. په فولس کې د LS د ابعاد اندازه کولو لپاره کارول کیږي د زده کړې سټایلونو (8] شاخص کې شامل دي، چې د LS څلور برخې ارزیابي کول (فعال / انعکاسي)، ننوت (لید). / لفظي) او پوهیدل (لیزل / نړیوال) [14].
لکه څنګه چې په 1 شکل کې ښودل شوي، هر FSLSM ابعاد غالب غوره توب لري. د مثال په توګه، د پروسس ابعاد کې، زده کونکي "فعال" خوښوي چې د زده کړې توکو سره د متقابل عمل په واسطه معلومات پروسس کړي، په ترسره کولو سره زده کړي، او په ډلو کې زده کړه وکړي. "انعکاس" LS د فکر کولو له لارې زده کړې ته راجع کوي او یوازې کار کولو ته چمتو دي. د LS "انګیرنې" ابعاد په "احساس" او / یا "اجوره" ویشل کیدی شي. "احساس" د زده کونکو ډیر کانکریټ معلومات او عملي پروسیژرې غوره ګ prefered ي چې د "انقاعده" زده کونکو ته په پرتله پرتله کول دي چې خلاص توکي غوره کوي او په طبیعت کې یې ډیر ابتکار او تخلیقي دي. د LS "آخذه" ابعاد د "لید" او "لفظي" زده کونکو څخه غوښتنه کوي. د لید لیدونو سره خلک د لید لاریونونو (لکه ډایګنګس، ویډیوګانو، یا ژوندۍ مظاهرو سره زده کوي)، چې خلک په لیکلي یا شفاهي توضیحاتو کې زده کړه کوي. د LS ابعاد "درک کول" داسې زده کونکي په "ترتیب" او "نړیوال" پر تقسیم کیدی شي. "ترتیب کونکي زده کونکي د خطي فکر کولو پروسه غوره کوي او ګام په ګام زده کړه چې د هولیسټیک فکر پروسه لري او تل د زده کړې لپاره ښه پوهه لري.
پدې وروستیو کې، ډیری څیړونکو د اتوماتیکو معلوماتو ایستلو لپاره میتودونو ته سپارل پیل کړي، پشمول د نوي الګوریتم او ماډلونو پراختیا د معلوماتو لوی مقدار تشریح کولو وړتیا لري [15، 16]. د چمتو شوي معلوماتو پراساس، نظارت شوی ML (د ماشین زده کړې) د نمونې او فرضيو جوړولو وړ دی چې د الګوریتمونو د جوړولو پراساس راتلونکي پایلې [17]. په ساده ډول، د زده کړې شوي ماشین زده کړې تخنیکونه د ننوتلو ډیټا په لاس کې ده او الګوریتم ته روزنه ورکوي. دا بیا یو اندازه رامینځته کوي چې د چمتو شوي ډیټا ډیټا لپاره د ورته حالتونو پراساس طبقه بندي کوي یا وړاندوینه کوي. د نظارت شوي ماشین زده کړې عمومي ګټه د الګوریتم د مثلت او مطلوب پایلو رامینځته کولو لپاره د دې وړتیا ده [17].
د ډیټا - ډرایو میتودونو او د پریکړې کنټرول ماډلونو کارولو له لارې، د LS اتومات کشف امکان لري. د پریکړې شوي ونو راپور ورکړل شوي راپور شوي چې د صحي علومو په ګډون په بیلابیلو برخو کې په روزنه برنامو کې کارول کیږي. پدې مطالعه کې، ماډل په ځانګړي ډول د سیسټم پراختیا کونکو لخوا د زده کونکو LS پیژندلی او وړاندیز یې د دوی لپاره دی.
د دې مطالعې هدف د زده کونکو LS پراساس د تحویلي ستراتیژیانې دي او د ARST تګلاره د A په وده کې د سپارښتنې وسیله ده چې LS ته نقشه شوې د SCL میتود د یوې ستراتیژۍ په توګه د وړاندیز وسیلې ټاکل شوي وسیلې په توګه ښودل شوي. د سپارلو وسیله په دوه برخو ویشل شوې، پشمول د LOS کټګورۍ او ترټولو مناسب د زده کونکو په کارولو سره ویشل شوي.
په ځانګړي توګه، د معلوماتو امنیت د سپارښتنو ځانګړتیاوې د ویب ټیکنالوژیو کارولو او د پریکړې ونو د زده کړې کارول کې شامل دي. سیسټم پراختیا کونکي د ګرځنده وسیلو ته د هغوی په تطبیق کولو سره د کاروونکي تجربې ته وده ورکوي لکه د ګرځنده تلیفونونو او ټابلیټونو.
دغه تجربه د مالیا په پوهنتون کې د ترافيست پوهنځي او زده کونکو پوهنځي کې زده کړې شوې وه چې په خپله خوښه کې برخه اخیستې وه. برخه اخیستونکو په انګلیسي کې د غاښونو زده کونکي آنلاین M-ILS ته ځواب ووایه. په لومړي مرحله کې، د دې د پریکړې ونې ماشین د الګوریتم زده کړې لپاره د 10 50 زده کونکو ډیټا د الګوریتم زده کړې لپاره کارول شوي. د پراختیا پروسې په دوهم پړاو کې، د پرمختللي وسیلې د درستیت د ښه والي ډیټا کارول کارول کیده.
ټول ګډونوالو د هرې مرحلې په پیل کې آنلاین لنډ معلومات ترلاسه کوي، د مایکروسافټ ټیمونو له لارې د تعلیمي کال پورې اړوند. د مطالعې هدف تشریح شوی او خبر شوی رضایت یې ترلاسه شوی و. ټولو برخه اخیستونکو ته د M-ILS لاسرسي لپاره لینک چمتو کړی و. هر زده کونکی لارښوونه وشوه چې په پوښتنلیک کې ټولو 44 توکي ځواب ووایی. دوی ته یوه اونۍ ورکړل شوې ترڅو په هغه وخت او موقعیت کې د سممو توکو بشپړ شوي آلونه بشپړ کړي او موقعیت د سمستر له پیل څخه دمخه د سمستر ماتې په جریان کې دوی ته مناسب وي. د M-Iils د اصلي نوټس وسیلې پراساس دی او د غاښونو زده کونکو لپاره بدل شوی. د اصلي ایتونو سره ورته، دا 44 په مساوي توزیع شوي توکي (A، B) لري، هر یو 11 توکي لري، چې د هرې fslsem اړخونو اړخونو ارزونې لپاره کارول کیږي.
د وسیلې د پراختیا لومړني مرحلو په جریان کې، څیړونکو د غاښونو د 50 غاښونو زده کونکو ډیټاسیټ په کارولو سره میپونه په دندو ګمارلي. د FSLM په وینا، سیسټم د "A" او "B" ځوابونو ځوابونه وړاندې کوي. د هرې ابعادو لپاره، که چیرې زده کونکی د ځواب په توګه "A" ټاکي، نو زده کونکی د یو ځواب په توګه طبقه بندي کیږي، او که زده کونکی د انعکاس / انګریزیک / ژبپوهنې په توګه طبقه بندي وي . / نړیوال زده کونکی.
د غاښونو زده کړو څیړونکو او سیسټم پراختیا کونکو ترمنځ کاري قطع کولو وروسته، پوښتنې د FLSSM ډومین پر بنسټ غوره شوي او د ML ماډل ته د ML ماډل ته د هر زده کونکي LS وړاندوینې پراساس غوره شوي. "د کثافاتو بهر،" د ماشین زده کړې په برخه کې یو مشهور ویل "د معلوماتو کیفیت باندې ټینګار سره. د ننوت معلوماتو کیفیت د ماشین د زده کړې ماډل دقیق او دقت ټاکي. د فیچر انجینرۍ مرحلې په جریان کې، د نوې ب feature ې سیټ رامینځته شوی چې د FLSSSM پراساس "A" او "B" ځوابونو مجموعه ده. د درملو شمیر د مخدره توکو پوستونو شمیر په 1 جدول کې ورکړل شوي دي.
د ځوابونو پراساس سکور محاسبه کړئ او د زده کونکي LS وټاکئ. د هر زده کونکي لپاره، د نمرې لړۍ له 1 څخه تر 11 پورې ده. . په ورته ابعاد کې بل توپیر دا دی چې د 9 څخه تر 11 پورې نمرې له 11 څخه تر 11 پورې انعکاسي غوره توب منعکس کوي یا بل [8].
د هرې ابعادو لپاره، مخدره توکي "فعال"، "انعکاس" او "متوازن" ته مخه شوي. د مثال په توګه، کله چې زده کونکي په ټاکل شوي توکی او د هغه د نمرې په پرتله د 5 څخه ډیر شمیر ته راجع کړي، هغه / هغه د "فعال" ls پورې اړه لري ډومین . په هرصورت، زده کونکي د "انعکاس" ls په توګه طبقه بندي شوي و په نهایت کې، زده کونکی د "انډول" حالت کې دی. که چیرې نمره د 5 ټکو څخه ډیر نه وي، نو دا "پروسه" LS دی. د کټګورۍ پروسه د نورو LS ابعاد لپاره تکرار شوه، د نظر ادا کولو (فعال / انعکاس)، مفاهیر / نړیوال).
د پریکړې کولو ونه ماډل کولی شي د کټګورۍ پروسې په بیلابیلو مرحلو کې د ب Features و او پریکړو مقرراتو بیلابیل برخې وکاروي. دا د مشهور طبقه بندي او وړاندوینې وسیله ګ .ل کیږي. دا د ونې د جوړښت په کارولو سره استازیتوب کیدی شي لکه د تلو پایلې [20]، په کومو کې داخلي نوډونه د دندې نښه کول دي، د ټولګي لیبل وړاندې کول).
یو ساده قواعد پر بنسټ برنامه جوړه شوې وه ترڅو په اوتومات ډول د دوی د ځوابونو پراساس نمرې او ضمیمه کړي. د قانون پراساس د هغه بیان ب form ه اخلي، چیرې "که چیرې پیښ شي،" که چیرې پیښ شي، نو Y یې کړئ، نو Y یې کوئ، نو Y یې کوئ، نو Y یې کړئ، نو Y یې کړئ. که چیرې د ډیټا ټاکل شوي تړاو څرګندوي او د پریکړې کولو ونې ماډل په سمه توګه روزل کیږي او ارزونه یې وکړي، دا طریقه د LS میچ کولو پروسه اتومات کیدی شي او ده.
د پراختیا په دویم پړاو کې، ډیټسټ 255 ته لوړ شوی ترڅو د سپارښتنې وسیلې درستیت ته وده ورکړي. سیټ سیټ په 1: 4 تناسب کې ویشل شوی دی. د ډیټا سیټ 25٪ (64) د ازموینې سیټ لپاره کارول کیده، او پاتې 75٪ (191) د روزنې سیټ (شکل 2) په توګه کارول کیده. ټاکل شوي ډاټا ته اړتیا لري ترڅو د ماډل په سیټ کې د روزل شوي او ازمول شوي څخه د ازموینې مخه ونیسي، کوم چې د زده کړې لپاره د هدف لامل کیدی شي. ماډل د روزنې په سیټ کې روزل شوی او د ازموینې سیټ ډیټا ته د دې فعالیت ارزیابي هیڅکله دمخه نه و لیدلی.
یوځل چې دا وسیله جوړه شي، غوښتنلیک به وکولی شي LS د ویب انٹرفیس له لارې د غاښونو زده کونکو په ځوابونو پراساس طبقه بندي کړي. د ویب پراساس معلوماتو امنیت سیسټم د پیجنګو چوکاټ د بیکنډ په کارولو سره د پیجنګو چوکاټ په کارولو سره رامینځته شوی. جدول 2 د دې سیسټم په پرمختګ کې کارول شوي کتابتونونه لیست کړئ.
ډیټاسیټ د پریکړې بریالۍ ماډل ته تغذیه کیږي ترڅو د زده کونکو LS اندازه کړي.
ګډوډي میټریکسیکس د ورکړل شوي ډیټا سیټ الګوریتم د الګوریتم زده کړې دقت د ارزونې لپاره کارول کیږي. په ورته وخت کې، دا د ټولګي ماډل فعالیت ارزوي. دا د ماډل وړاندوینې لنډیز کوي او د معلوماتو اصلي لابراتوار سره پرتله کوي. د ارزونې پایلې د څلور مختلف ارزښتونو پراساس دي: ریښتینی مثبت (TP) - ماډل په سمه توګه د مثبت کټګورۍ وړاندوینه کړې، مګر ریښتیني لیبل منفي، ریښتیني منفي (TN) - ماډل په سمه توګه منفي ټولګي وړاندوینه کړې، او غلط منفي (FN) - ماډل منفي طبقه وړاندوینه کوي، مګر ریښتینی لیبل مثبت دی.
دا ارزښتونه بیا د سکیکټ مختلف میتریکونو محاسبه کولو لپاره کارول کیږي د سکیکټ مختلف میتریکونو محاسبه کولو لپاره کارول کیږي چې په پیلن، دقیقاقت، دقیقا، اعتماد، او F1 نمره محاسبه کوي. دلته مثالونه دي:
په یاد ولرئ (یا حساسیت) د ماډل وړتیا په دقیق ډول د M-NALE پوښتنلیک ته د زده کونکي LS طبقه بندولو لپاره اندازه کوي.
ځانګړتیا په ریښتیني منفي کچه ویل کیږي. لکه څنګه چې تاسو د پورته فارمول څخه لیدلی شئ، دا باید د ریښتیني منفي (TN) تناسب وي ترڅو ریښتیني منفي (TN) معتبر وي ترڅو ریښتیني منفي او غلط مثبت (FP). د زده کونکو درملو طبقه کولو لپاره د وړاندیز شوي وسیلې په توګه باید د دقیق پیژندنې وړتیا وي.
د 50 زده کونکو اصلي ډیټاسټر د پریکړې ونې MLL ماډل روزنې لپاره کارول شوي چې په تحرک کې د بشري خطا له امله نسبتا ټیټ درستیت وښودل (جدول 3). د ساده قاعدې پر بنسټ برنامه رامینځته کولو وروسته د LS نمرې او د زده کونکو اشارې په اوتومات ډول د ډیټاسیټس (255) زیاتوالی د وړاندیز شوي سیسټم روزنې او ازموینې لپاره کارول شوي.
په څو ملټي لانجو کې مټسیکس کې، ډیکونال عناصر د هر LS ډول لپاره د درست وړاندوینو شمیر استازیتوب کوي (عکس 4). د پریکړې ونې ماډل کارول، په مجموعي ډول 64 نمونې په سمه توګه وړاندوینه شوې. پدې توګه، پدې مطالعه کې، تشخیص عناصر په ګوته کوي، هغه ته اشاره وکړه چې دا ماډل ښه فعالیت کوي او د هر LS کټګورۍ لپاره د ټولګي لیبل وړاندوینه کوي. پدې توګه، د سپارلو وسیلې عموميقت 100 is دی.
د دقت، دقیق، یادداشت، او د F1 نمره په 5 شکل کې ښودل شوي. د سپارښتنې د ونې نمونې لپاره، د دې F1 سکور "د پام وړ حساسیت او مشخصات په ګوته کوي، د پام وړ حساسیت او مشخصاتو منعکس کوي ارزښتونه.
6 شکل د روزنې او ازموینې وروسته د روزنې ونې ماډل لید لید ښیې. د لږ تر څنګ پرتله کولو کې، د لږو ب features و سره روزل شوې د پریکړې کولو ونې ماډل د لوړ درستیز او اسانه د ماډل لید ښودلی. دا ښیې چې د ب feature ې انجینري د ب feature و کمولو ته مخکښ دی د ماډل فعالیت ښه کولو کې یو مهم ګام دی.
د پریکړې ککړتیا په پلي کولو سره، د LS (ننوت) تر مینځ نقشه (د ننوتلو) تر منځ نقشه په اوتومات ډول تولیدیږي او تولید یې لري او د هرې LS لپاره مفصل معلومات لري.
پایلو وښودله چې د 255 زده کونکو 34.9٪ د یو (1) LS اختیار غوره ګ .ي. اکثریت (54.3٪) دوه یا ډیر LS غوره توبونه لري. 12.2٪ زده کونکي یادونه کوي چې LS خورا متوازن دی (جدول 4). د اتو اصلي Ls سربیره، د مالیا د غاښونو زده کونکو پوهنتون لپاره 34 ترکیبونه شتون لري. د دوی په منځ کې، لید، او د ادشاتو ترکیب او لید د زده کونکو لخوا راپور شوي LS (شکل 7).
لکه څنګه چې د جدول 4 څخه لیدل کیدی شي، ډیری زده کونکي د عمر سینسي لري (13.7٪) یا لید (8.6٪) LS. راپور ورکړل شوی چې 12.2٪ زده کونکي د لید (د انګورو - لید LS) سره لید سره ګډوي. دا موندنې وړاندیز کوي چې د تاسیس شوي میتودونو له لارې زده کړې او په یاد ولرئ، او په طبیعت کې پاملرنه وکړئ. په ورته وخت کې، دوی د لید له لارې د زده کړې څخه خوند اخلي
دا څیړنه د کارن روزنې وزارت عمومي زده کړې وړاندې کوي چې د معلوماتو په کانونو کې کارول کیږي، په سمدستي او دقیقه د زده کونکو LS او وړاندیز شوي زده کونکو تمرکز کوي او مناسب دی. د تصموک ونه کولو د ونې د ماډل غوښتنلیک فکتورونه د خپل ژوند او تعلیمي تجربو سره نږدې تړاو لري. دا یو نظارت شوی ماشین زده کړی دا په پام سره کار کوي چې د هر داخلي نوډ د اندازې ارزښت پراساس ضمیمه پورې ترڅو د پا y ې په څنګ کې پریکړه نه شي.
د پریکړې ونه داخلي نوډونه د MELEDE ستونزې د ننوت ځانګړتیاو پراساس نمایندګي کوي، او د پا y و نوډونه د LS وروستي ترتیب کولو وروستۍ نمایندګي کوي. د مطالعې په جریان کې، د پریکړو ونو په درجه کې پوهیدل اسانه دي چې د ننوتلو او محصول وړاندوینو تر مینځ اړیکې په لټه کې د پریکړې پروسې تشریح کوي او د پریکړې پروسې بیانوي.
د کمپیوټر ساینس او ​​انجینرۍ په برخو کې، د ماشین زده کړې لپاره الګوریتم په پراخه کچه کارول کیږي ترڅو د دوی د داخلې ازموینې نمرې [22]. څیړنې ښودلې چې الګوریتم دقیق د زده کونکو فعالیت وړاندوینه وکړه او د دوی سره د زده کونکو لپاره د علمي ستونزو لپاره خطر په ګوته کولو کې مرسته کړې.
د غاښونو روزنې لپاره سمارټ پلورونکو په پراختیا کې د ML الګوریتمز پلي کول راپور شوي. سمیلیټر د اصلي ناروغانو فزیکولوژیک عکس العملونه د دقیق عکس العملونه لري او د خوندي او کنټرول شوي چاپیریال کې د غاښونو زده کونکو روزنې لپاره کارول کیدی شي [23]. ډیری نورې مطالعات ښیې چې د ماشین زده کړې زده کړې او د غاښونو او طبي زده کړې او ناروغ پاملرنې کیفیت او وړتیا لوړوي. د ماشین زده کړې پداسې حال کې چې نورو مطالعاتو د ماشین د زده کړې الګوریتم کارول لکه د ناروغ پایلو وړاندوینه کول، د لوړ خطر لرونکي پلانونو پیژندل [25].
که څه هم په غاښونو کې د ماشین زده کړې غوښتنلیک راپور خپور شوي، د غاښونو زده کړې کې یې غوښتنلیک محدود دی. نو ځکه، دا مطالعه د پریکړې د معافیت نمونه کاروي ترڅو د Ls سره خورا نږدې تړاو ولري او د غاښونو زده کونکو څخه وي.
د دې څیړنې پایلې ښیې چې د سپارښتنې سپارښتنې وسیله لوړه درستتیا او کاملقت لري چې ښیې چې ښوونکي کولی شي له دې وسیلې څخه ګټه پورته کړي. د ډیټا - چلول ډلبندي پروسې په کارولو سره، دا کولی شي شخصي وړاندیزونه وړاندې کړي او د ښوونکو او زده کونکو لپاره تعلیمي تجربې ته وده ورکړي. د دوی په مینځ کې، د سپارلو وسیلو له لارې ترلاسه شوي معلومات کولی شي د ښوونکو غوره ښوونې میتودونو او د زده کونکو د زده کړې اړتیاو تر مینځ شخړې حل کړي. د مثال په توګه، د سپارښتنې وسیلو د اتوماتیک محصول له امله، د زده کونکي IP پیژندلو لپاره اړین وخت او د ورته IP سره یې پرتله کول د پام وړ کم شوي. پدې توګه، د روزنې مناسب فعالیتونه او روزنې توکي تنظیم کیدی شي. دا د زده کونکو مثبت زده کړې سلوک او تمرکز کولو وړتیا ته وده ورکولو کې مرسته کوي. یوې مطالعې راپور ورکړ چې زده کونکي د زده کړې موادو او د زده کونکو فعالیتونو سره چمتو کول کولی شي د زده کونکو سره یوځای شي، پروسه کې [12]. څیړنه دا هم ښیې چې په ټولګي کې د زده کړې برخه اخیستنه ښه کولو سربیره، د زده کونکو د زده کړې پروسې په اړه د ښوونې او زده کونکو په پوهیدو کې مهم رول لوبوي [28، 29].
په هرصورت، د هر عصبي ټیکنالوژۍ سره، ستونزې او محدودیتونه شتون لري. پدې کې د معلوماتو محرمیت، تعصب او صداقت پورې اړوند مسلو شامل دي، او سرچینې یې د غاښونو زده کړې الګوریتم رامینځته کولو لپاره اړتيا لري؛ په هرصورت، پدې سیمه کې د ګټو او څیړنې وړاندوینه کوي چې د ماشین زده کړې ټیکنالوژیو د غاښونو زده کړې او د غاښونو خدماتو مثبت اغیز کولی شي.
د دې څیړنې پایلې په ګوته کوي چې د غاښونو نیمایي زده کونکي د دوی د غاښونو نیمایي زده کونکي د "درک" درملو درملو ته تمایل لري. دا ډول زده کونکی د حقایقو او کانکریټ مثالونو ته لومړیتوب لري، عملي دریځ د توضیحاتو لپاره صبر دی، چیرې چې زده کونکي د نظرونو او افکارو رسولو لپاره عکسونه، ګرافیک، رنګونه او نقشې کاروي. اوسنۍ پایلې د غاښونو او طبي زده کونکو سره Ls ارزولو لپاره د نورو زده کړو کارولو سره د نورو مطالعاتو سره مطابقت لري، چې ډیری یې د ژباړې او لید LS بیرونو ځانګړتیاوې لري [12، 30 30]. [12،. 30]. دیلملین او الر وړاندیز کوي چې د دوی د LS په اړه زده کونکو ته خبر ورکړي دوی ته اجازه ورکوي چې د دوی د زده کړې وړتیا ته اجازه ورکړي. څیړونکي استدلال کوي چې کله ښوونکي د زده کونکو تعلیمي پروسه په بشپړ ډول پوهیږي، د ښوونې مختلف میتودونه او د زده کړې تجربه به ښه کړي [12، 31، 31، 31، 31، 32] ته به وده ورکړي نورو مطالعاتو ښودلې چې د زده کونکو تنظیم کول د زده کونکو د زده کړې تجربې او فعالیت کې پرمختګونه ښیې چې د خپلو Lونو په برابرولو وروسته د خپلو Lګانو بدلولو وروسته هم د زده کونکو زده کړې تجربې او فعالیت کې پرمختګ ښیې.
د ښوونکو نظرونه ممکن د زده کونکو د زده کړې وړتیاو پراساس د لوستامروی پالیسیو پلي کولو سره توپیر ولري. پداسې حال کې چې ځینې د دې چلند ګټې وګورئ، پشمول د مسلکي پرمختګ فرصتونو، روزنې، او د ټولنې ملاتړ، نور ممکن د وخت او اداري ملاتړ په اړه اندیښمن وي. د توازن لپاره هڅه کول د زده کونکي متمرکز چلند رامینځته کولو لپاره کلي دي. د لوړو زده کړو چارواکي، لکه د پوهنتون اداريونه، نو د نوښت او پوهاوي کړنې معرفي کول د نوښت عمل او د پوهنځي پرمختګ معرفي کولو سره د مثبت بدلون په لاره اچولو کې مهم رول لوبولی شي [34]. ترڅو د ریښتیني متحرک او ځواب ویونکي لوړو زده کړې سیسټم رامینځته کړي، پالیسي جوړونکي باید بولډ ګامونه واخلي، لکه د پالیسۍ ادغام رامینځته کول، او د توکو متقابل چلند ته وده ورکوي. دا اقدامات مطلوب پایلې ترلاسه کولو لپاره مهم دي. د اختلال شوي لارښوونې په اړه وروستي څیړنې په څرګنده توګه ښودلې چې د اختلال شوي لارښود بریالي پلي کول [35] ته د روزنې او پراختیا فرصتونو ته اړتیا لري [35].
دا وسیله د غاښونو ښوونکو لپاره ارزښتناکه ملاتړ چمتو کوي څوک چې غواړي زده کونکي - د زده کړې فعالیتونو پلان کولو لپاره د زده کونکي متمرکز چلند وکړي. په هرصورت، دا مطالعه د پریکړې د ونې ML ML ماډلونو کارولو پورې محدود ده. په راتلونکي کې، باید نور معلومات باید راټول شي ترڅو د مختلف ماشین زده کړې ماډلونو فعالیت پرتله کړي ترڅو د دقت له مخې دقت، اعتبار، او د سپارښتنې وسایلو دقت، او دقیقیت پرتله کولو کې توپیر ولري. سربیره پردې، کله چې د یوې ځانګړې دندې لپاره د خورا مناسب ماشین زده کړې کورس غوره کړئ، نو مهم دي چې نور فاکتورونه لکه د نمونې پیچلتیا او تفسیر.
د دې مطالعې محدودیت دا دی چې دا یوازې د LS نقشه کولو باندې تمرکز وکړ او د غاښونو زده کونکو ترمنځ دی. له همدې امله، د سپارښتنې سپارښتنې سیسټم به یوازې هغه خلکو ته وړاندیز وکړي چې د غاښونو زده کونکو لپاره مناسب دي. د عمومي لوړو زده کړو زده کونکو کارولو لپاره بدلونونه اړین دي.
The newly developed machine learning-based recommendation tool is capable of instantly classifying and matching students' LS to the corresponding IS, making it the first dental education program to help dental educators plan relevant teaching and learning activities. - د ډیټا چلول د دوام پروسې په کارولو سره، دا شخصي وړاندیزونه چمتو کولی شي، د ښوونې ستراتیژیو ته خوندي کول، او مسلکي پرمختګ ته وده ورکول. د دې غوښتنلیک به د غاښونو زده کړې ته زده کونکي - متمرکزې لارې ته وده ورکړي.
ګیلاک جني مطبوعاتي پریس. د زده کونکي د زده کړې سټایل او د ښوونکي تدریس سټایل ترمینځ میچ یا درجه کول. د J دفاع وزارت تعلیم کمپیوټر ساینس. 2012؛ 4 (11): 51-60. https://di.org/10.5815/ijms.c2.2012.05