د لوړو زده کړو په موسسو کې، په شمول د غاښونو طب، د زده کونکو په مرکز زده کړې (SCL) ته مخ په زیاتیدونکې اړتیا ده. په هرصورت، SCL د غاښونو په زده کړه کې محدود غوښتنلیک لري. له همدې امله، دا څیړنه موخه لري چې د غاښونو په برخه کې د SCL غوښتنلیک ته وده ورکړي د پریکړې ونې ماشین زده کړې (ML) ټیکنالوژۍ په کارولو سره د غاښونو زده کونکو د غوره زده کړې سټایل (LS) او اړونده زده کړې ستراتیژیو (IS) نقشه کولو لپاره د IS لارښوونو رامینځته کولو لپاره د ګټورې وسیلې په توګه. د غاښونو زده کونکو لپاره ژمنې میتودونه.
د ملایا پوهنتون څخه د غاښونو د طب ۲۵۵ زده کونکو د زده کړې سټایلونو د شاخص (m-ILS) پوښتنلیک بشپړ کړ، چې ۴۴ توکي پکې شامل وو ترڅو دوی په خپلو اړوندو LS کې طبقه بندي کړي. راټول شوي معلومات (چې ډیټاسیټ بلل کیږي) د څارنې پریکړې ونې زده کړې کې کارول کیږي ترڅو په اتوماتيک ډول د زده کونکو د زده کړې سټایلونه ترټولو مناسب IS سره سمون ولري. بیا د ماشین زده کړې پر بنسټ د IS سپارښتنې وسیلې دقت ارزول کیږي.
د LS (ان پټ) او IS (هدف محصول) ترمنځ د اتوماتیک نقشې کولو پروسې کې د پریکړې ونې ماډلونو پلي کول د هر غاښ زده کونکي لپاره د مناسبو زده کړې ستراتیژیو سمدستي لیست ته اجازه ورکوي. د IS سپارښتنې وسیلې د ماډل د ټولیز دقت بشپړ دقت او یادښت ښودلی، دا په ګوته کوي چې د IS سره د LS مطابقت ښه حساسیت او ځانګړتیا لري.
د ML پریکړې ونې پر بنسټ د IS سپارښتنې وسیله د غاښونو د زده کونکو د زده کړې سټایلونو سره د مناسبې زده کړې ستراتیژیو سره د سم مطابقت کولو وړتیا ثابته کړې ده. دا وسیله د زده کونکو په مرکز کې د کورسونو یا ماډلونو پلان کولو لپاره پیاوړي انتخابونه چمتو کوي چې کولی شي د زده کونکو د زده کړې تجربه لوړه کړي.
تدریس او زده کړه په تعلیمي ادارو کې بنسټیز فعالیتونه دي. کله چې د لوړ کیفیت مسلکي زده کړې سیسټم رامینځته کیږي، نو دا مهمه ده چې د زده کونکو د زده کړې اړتیاو ته پاملرنه وشي. د زده کونکو او د دوی د زده کړې چاپیریال ترمنځ تعامل د دوی د LS له لارې ټاکل کیدی شي. څیړنې وړاندیز کوي چې د زده کونکو د LS او IS ترمنځ د ښوونکي لخوا ټاکل شوي ناانډولتیا کولی شي د زده کونکو د زده کړې لپاره منفي پایلې ولري، لکه د پاملرنې او هڅونې کمښت. دا به په غیر مستقیم ډول د زده کونکو فعالیت اغیزمن کړي [1,2].
IS هغه طریقه ده چې ښوونکي یې د زده کونکو د پوهې او مهارتونو د ورکولو لپاره کاروي، په شمول د زده کونکو سره د زده کړې کې مرسته کول [3]. په عمومي ډول، ښه ښوونکي د تدریس ستراتیژۍ یا IS پلان کوي چې د دوی د زده کونکو د پوهې کچې، هغه مفکورې چې دوی یې زده کوي، او د دوی د زده کړې مرحلې سره غوره سمون ولري. په تیوري کې، کله چې LS او IS سره سمون ولري، زده کونکي به وکولی شي د اغیزمن زده کړې لپاره د مهارتونو یو ځانګړی سیټ تنظیم او وکاروي. معمولا، د درسي پلان کې د مرحلو ترمنځ ډیری لیږدونه شامل دي، لکه د تدریس څخه لارښود تمرین ته یا لارښود تمرین څخه خپلواک تمرین ته. د دې په پام کې نیولو سره، اغیزمن ښوونکي ډیری وختونه د زده کونکو د پوهې او مهارتونو د لوړولو په هدف لارښوونې پلان کوي [4].
د لوړو زده کړو په موسسو کې، په شمول د غاښونو طب، د SCL غوښتنه مخ په زیاتیدو ده. د SCL ستراتیژۍ د زده کونکو د زده کړې اړتیاو پوره کولو لپاره ډیزاین شوي دي. دا ترلاسه کیدی شي، د مثال په توګه، که زده کونکي په فعاله توګه په زده کړې فعالیتونو کې برخه واخلي او ښوونکي د اسانتیا برابرونکو په توګه عمل وکړي او د ارزښتناکو فیډبیک چمتو کولو مسؤلیت ولري. ویل کیږي چې د زده کړې موادو او فعالیتونو چمتو کول چې د زده کونکو د تعلیمي کچې یا غوره توبونو سره مناسب وي کولی شي د زده کونکو د زده کړې چاپیریال ښه کړي او د زده کړې مثبتې تجربې ته وده ورکړي [5].
په عمومي ډول، 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 هغه کلینیکي چاپیریال چې دوی پکې اغیزمن خپلمنځي مهارتونه رامینځته کوي. د روزنې هدف دا دی چې زده کونکو ته دا توان ورکړي چې د غاښونو د درملنې اساسي پوهه د غاښونو د کلینیکي مهارتونو سره یوځای کړي او ترلاسه شوي 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 LS سره نقشه شوي د زده کړې ستراتیژیو تنظیم کول به د تعلیمي پروسې ښه کولو کې مرسته وکړي [8]. لیکوالان د زده کونکو د زده کړې او اړتیاو سره د تطابق لپاره د تدریس او ارزونې مختلف میتودونو کارولو وړاندیز هم کوي.
ښوونکي د LS پوهې څخه ګټه پورته کوي ترڅو دوی سره د لارښوونې ډیزاین، پراختیا او پلي کولو کې مرسته وکړي چې د زده کونکو د ژورې پوهې ترلاسه کولو او د موضوع په اړه د پوهې لوړولو کې مرسته وکړي. څیړونکو د LS ارزونې ډیری وسایل رامینځته کړي دي، لکه د کولب تجربوي زده کړې ماډل، د فیلډر-سلورمن زده کړې سټایل ماډل (FSLSM)، او د فلیمینګ VAK/VARK ماډل [5، 9، 10]. د ادبیاتو له مخې، دا د زده کړې ماډلونه ترټولو عام کارول شوي او خورا مطالعه شوي زده کړې ماډلونه 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 روغتیا علومو کې ډیری خپاره شوي اثار شتون لري (په شمول د طب، نرسنګ، درملتون او غاښونو درملنه) چې د FSLSM ماډلونو په کارولو سره موندل کیدی شي [5، 11، 12، 13]. هغه وسیله چې په FLSM کې د LS ابعادو اندازه کولو لپاره کارول کیږي د زده کړې سټایلونو شاخص (ILS) [8] بلل کیږي، کوم چې د LS څلور ابعادو ارزولو لپاره 44 توکي لري: پروسس کول (فعال/انعکاس)، ادراک (ادراک/بدیقي)، ان پټ (بصري) /لفظي) او پوهیدل (ترتیبي/نړیوال) [14].
لکه څنګه چې په شکل ۱ کې ښودل شوي، د FSLSM هر اړخ غالب غوره توب لري. د مثال په توګه، د پروسس کولو په اړخ کې، هغه زده کونکي چې "فعال" LS لري غوره ګڼي چې د زده کړې موادو سره مستقیم تعامل وکړي، د ترسره کولو له لارې زده کړه وکړي، او په ډلو کې زده کړه وکړي. "انعکاسي" LS د فکر کولو له لارې زده کړې ته اشاره کوي او یوازې کار کول غوره ګڼي. د LS "ادراک" اړخ په "احساس" او/یا "وجدان" ویشل کیدی شي. "احساس" زده کونکي ډیر مشخص معلومات او عملي پروسیجرونه غوره ګڼي، د "وجدان" زده کونکو په پرتله چې خلاص مواد غوره ګڼي او په طبیعت کې ډیر نوښتګر او تخلیقي دي، د حقیقت پر بنسټ دي. د LS "ان پټ" اړخ د "بصري" او "لفظي" زده کونکو څخه جوړ دی. هغه خلک چې "بصري" LS لري غوره ګڼي چې د بصري مظاهرو (لکه ډیاګرامونه، ویډیوګانې، یا ژوندۍ مظاهرې) له لارې زده کړه وکړي، پداسې حال کې چې هغه خلک چې "لفظي" LS لري غوره ګڼي چې د لیکلي یا شفاهي توضیحاتو کې د کلمو له لارې زده کړه وکړي. د LS ابعادو "پوهیدو" لپاره، دا ډول زده کونکي په "ترتیبي" او "نړیوال" ویشل کیدی شي. "پرله پسې زده کوونکي د خطي فکر کولو پروسې ته ترجیح ورکوي او ګام په ګام زده کړه کوي، پداسې حال کې چې نړیوال زده کوونکي د جامع فکر کولو پروسې لري او تل د هغه څه په اړه ښه پوهه لري چې دوی یې زده کوي."
په دې وروستیو کې، ډیری څیړونکو د اتوماتیک معلوماتو پر بنسټ کشف لپاره میتودونه سپړل پیل کړي دي، په شمول د نوي الګوریتمونو او ماډلونو پراختیا چې د ډیرو معلوماتو تشریح کولو توان لري [15، 16]. د چمتو شوي معلوماتو پراساس، نظارت شوی ML (ماشین زده کړه) د دې وړتیا لري چې نمونې او فرضیې رامینځته کړي چې د الګوریتمونو د جوړولو پراساس راتلونکي پایلې وړاندوینه کوي [17]. په ساده ډول، نظارت شوی ماشین زده کړې تخنیکونه د ان پټ ډیټا اداره کوي او الګوریتمونه روزي. دا بیا یو لړ رامینځته کوي چې د چمتو شوي ان پټ ډیټا لپاره د ورته شرایطو پراساس پایله طبقه بندي کوي یا وړاندوینه کوي. د نظارت شوي ماشین زده کړې الګوریتمونو اصلي ګټه د مثالي او مطلوب پایلو رامینځته کولو وړتیا ده [17].
د معلوماتو پر بنسټ چلول شویو میتودونو او د پریکړې ونې کنټرول ماډلونو کارولو له لارې، د LS اتوماتیک کشف ممکن دی. د پریکړې ونې په پراخه کچه د روغتیا علومو په ګډون په مختلفو برخو کې د روزنې پروګرامونو کې کارول کیږي [18، 19]. پدې څیړنه کې، ماډل په ځانګړي ډول د سیسټم پراختیا کونکو لخوا روزل شوی و ترڅو د زده کونکو LS وپیژني او د دوی لپاره غوره IS وړاندیز کړي.
د دې مطالعې موخه د زده کونکو د LS پر بنسټ د IS رسولو ستراتیژیو رامینځته کول او د LS سره نقشه شوي IS سپارښتنې وسیلې په رامینځته کولو سره د SCL طریقې پلي کول دي. د SCL میتود د ستراتیژۍ په توګه د IS سپارښتنې وسیلې ډیزاین جریان په شکل 1 کې ښودل شوی. د IS سپارښتنې وسیله په دوه برخو ویشل شوې ده، 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 امنیت 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 تطبیق کولو له لارې د کارونکي تجربه او خوځښت ښه کوي.
دا تجربه په دوو مرحلو کې ترسره شوه او د ملایا پوهنتون د غاښونو پوهنځي زده کونکو په رضاکارانه توګه برخه واخیسته. ګډونوالو د غاښونو د زده کونکي آنلاین m-ILS ته په انګلیسي ژبه ځواب ورکړ. په لومړي پړاو کې، د پریکړې ونې ماشین زده کړې الګوریتم روزلو لپاره د 50 زده کونکو ډیټاسیټ کارول شوی و. د پراختیا پروسې په دوهم پړاو کې، د 255 زده کونکو ډیټاسیټ د پرمختللي وسیلې دقت ښه کولو لپاره کارول شوی و.
ټولو ګډونوالو ته د هر پړاو په پیل کې د اکاډمیک کال پورې اړه لري، د مایکروسافټ ټیمونو له لارې آنلاین معلومات ورکول کیږي. د مطالعې هدف تشریح شو او باخبره رضایت ترلاسه شو. ټولو ګډونوالو ته د m-ILS ته د لاسرسي لپاره یو لینک ورکړل شو. هر زده کونکي ته لارښوونه وشوه چې په پوښتنلیک کې ټولو 44 توکو ته ځواب ووایی. دوی ته یوه اونۍ وخت ورکړل شو چې د سمستر د پیل څخه دمخه د سمستر وقفې په جریان کې د دوی لپاره مناسب وخت او ځای کې تعدیل شوي ILS بشپړ کړي. m-ILS د اصلي ILS وسیلې پراساس دی او د غاښونو زده کونکو لپاره تعدیل شوی. د اصلي ILS په څیر، دا 44 مساوي ویشل شوي توکي لري (a، b)، د هر یو 11 توکي سره، کوم چې د هر FSLSM ابعادو اړخونو ارزولو لپاره کارول کیږي.
د وسایلو د پراختیا په لومړیو مرحلو کې، څیړونکو د ۵۰ غاښونو زده کونکو د ډیټاسیټ په کارولو سره نقشې په لاسي ډول تشریح کړې. د FSLM په وینا، سیسټم د "a" او "b" ځوابونو مجموعه چمتو کوي. د هر ابعاد لپاره، که چیرې زده کونکی "a" د ځواب په توګه غوره کړي، LS د فعال/ادراک/بصري/ترتیبي په توګه طبقه بندي کیږي، او که چیرې زده کونکی "b" د ځواب په توګه غوره کړي، نو زده کونکی د انعکاسي/بدبینانه/ژبني//نړیوال زده کونکي په توګه طبقه بندي کیږي.
د غاښونو د زده کړې د څېړونکو او د سیسټم پراختیا کونکو ترمنځ د کاري جریان له کیلیبریټ کولو وروسته، پوښتنې د FLSSM ډومین پر بنسټ غوره شوې او د ML ماډل ته ورکړل شوې ترڅو د هر زده کونکي LS وړاندوینه وکړي. "کثافات دننه، کثافات بهر" د ماشین زده کړې په ډګر کې یوه مشهوره وینا ده، چې د معلوماتو کیفیت باندې ټینګار کوي. د معلوماتو د ننوتلو کیفیت د ماشین زده کړې ماډل دقت او دقت ټاکي. د فیچر انجینرۍ مرحلې په جریان کې، یو نوی فیچر سیټ رامینځته کیږي چې د FLSSM پر بنسټ د "a" او "b" ځوابونو مجموعه ده. د درملو موقعیتونو د پیژندنې شمیرې په جدول 1 کې ورکړل شوي دي.
د ځوابونو پر بنسټ نمرې محاسبه کړئ او د زده کونکي LS وټاکئ. د هر زده کونکي لپاره، د نمرو حد له ۱ څخه تر ۱۱ پورې دی. له ۱ څخه تر ۳ پورې نمرې په ورته اړخ کې د زده کړې غوره توبونو توازن په ګوته کوي، او له ۵ څخه تر ۷ پورې نمرې یو منځنی غوره توب په ګوته کوي، چې دا په ګوته کوي چې زده کونکي د نورو تدریس لپاره یو چاپیریال غوره کوي. په ورته اړخ کې بل توپیر دا دی چې له ۹ څخه تر ۱۱ پورې نمرې د یوې پای یا بلې لپاره قوي غوره توب منعکس کوي [8].
د هر ابعاد لپاره، درمل په "فعال"، "انعکاس" او "متوازن" ویشل شوي وو. د مثال په توګه، کله چې یو زده کونکی په ټاکل شوي توکي کې "a" ته د "b" په پرتله ډیر ځله ځواب ورکوي او د هغه نمره د پروسس کولو LS ابعاد استازیتوب کولو ځانګړي توکي لپاره د 5 حد څخه ډیریږي، هغه / هغې د "فعال" LS ډومین پورې اړه لري. . په هرصورت، زده کونکي د "انعکاس" LS په توګه طبقه بندي شوي کله چې دوی په ځانګړو 11 پوښتنو کې "b" د "a" څخه ډیر غوره کړ (جدول 1) او له 5 څخه ډیر نمرې یې ترلاسه کړې. په پای کې، زده کونکی د "توازن" په حالت کې دی. که نمره له 5 ټکو څخه زیاته نه وي، نو دا د "پروسې" LS دی. د طبقه بندي پروسه د نورو LS ابعادو لپاره تکرار شوه، یعنې درک (فعال/انعکاس)، ان پټ (بصري/لفظي)، او پوهیدل (تسلسلي/نړیوال).
د پریکړې ونې ماډلونه کولی شي د طبقه بندي پروسې په مختلفو مرحلو کې د ځانګړتیاوو او پریکړې قواعدو مختلف فرعي سیټونه وکاروي. دا د طبقه بندي او وړاندوینې یوه مشهوره وسیله ګڼل کیږي. دا د ونې جوړښت لکه فلوچارټ [20] په کارولو سره استازیتوب کیدی شي، په کوم کې چې داخلي نوډونه شتون لري چې د ځانګړتیا له مخې ازموینې استازیتوب کوي، هره څانګه د ازموینې پایلې استازیتوب کوي، او هر پاڼی نوډ (پاڼی نوډ) چې د ټولګي لیبل لري.
د قواعدو پر بنسټ یو ساده پروګرام رامینځته شو ترڅو د هر زده کونکي د ځوابونو پراساس د LS په اتوماتيک ډول نمرې ورکړي او تشریح یې کړي. د قواعدو پر بنسټ د IF بیان بڼه اخلي، چیرې چې "IF" محرک تشریح کوي او "بیا" هغه عمل مشخص کوي چې ترسره کیږي، د مثال په توګه: "که X پیښ شي، نو Y وکړئ" (لیو او نور، 2014). که چیرې د معلوماتو سیټ اړیکه وښيي او د پریکړې ونې ماډل په سمه توګه روزل شوی او ارزول شوی وي، نو دا طریقه کولی شي د LS او IS سره د مطابقت پروسې اتومات کولو لپاره یوه مؤثره لاره وي.
د پرمختګ په دوهم پړاو کې، د سپارښتنې وسیلې دقت ښه کولو لپاره ډیټاسیټ 255 ته لوړ شو. د معلوماتو سیټ په 1:4 تناسب کې ویشل شوی. د معلوماتو سیټ 25٪ (64) د ازموینې سیټ لپاره کارول شوی و، او پاتې 75٪ (191) د روزنې سیټ په توګه کارول شوی و (شکل 2). د معلوماتو سیټ باید وویشل شي ترڅو ماډل د ورته معلوماتو سیټ کې د روزل کیدو او ازموینې څخه مخنیوی وکړي، کوم چې کولی شي ماډل د زده کړې پرځای د یادولو لامل شي. ماډل د روزنې سیټ باندې روزل شوی او د ازموینې سیټ باندې خپل فعالیت ارزوي - هغه معلومات چې ماډل یې مخکې هیڅکله نه دي لیدلي.
کله چې د IS وسیله جوړه شي، نو اپلیکیشن به وکولی شي د ویب انٹرفیس له لارې د غاښونو زده کونکو د ځوابونو پراساس LS طبقه بندي کړي. د ویب پر بنسټ د معلوماتو امنیت سپارښتنې وسیلې سیسټم د پایتون پروګرام کولو ژبې په کارولو سره د جینګو چوکاټ د بیک انډ په توګه کارول کیږي. جدول 2 د دې سیسټم په پراختیا کې کارول شوي کتابتونونه لیست کوي.
ډیټاسیټ د پریکړې ونې ماډل ته ورکول کیږي ترڅو د زده کونکو ځوابونه محاسبه او استخراج کړي ترڅو د زده کونکو LS اندازه کول په اتوماتيک ډول طبقه بندي کړي.
د ګډوډۍ میټریکس د ورکړل شوي ډیټا سیټ په اړه د پریکړې ونې ماشین زده کړې الګوریتم دقت ارزولو لپاره کارول کیږي. په ورته وخت کې، دا د طبقه بندي ماډل فعالیت ارزوي. دا د ماډل وړاندوینې لنډیز کوي او د اصلي ډیټا لیبلونو سره یې پرتله کوي. د ارزونې پایلې د څلورو مختلفو ارزښتونو پراساس دي: ریښتیني مثبت (TP) - ماډل په سمه توګه مثبت کټګورۍ وړاندوینه کړې، غلط مثبت (FP) - ماډل په سمه توګه مثبت کټګورۍ وړاندوینه کړې، مګر ریښتینی لیبل منفي و، ریښتیني منفي (TN) - ماډل په سمه توګه منفي ټولګي وړاندوینه کړې، او غلط منفي (FN) - ماډل د منفي ټولګي وړاندوینه کوي، مګر ریښتینی لیبل مثبت دی.
دا ارزښتونه بیا په پایتون کې د سایکیټ-لرن طبقه بندي ماډل د فعالیت مختلف میټریکونو محاسبه کولو لپاره کارول کیږي، لکه دقیقیت، دقیقیت، یادول، او F1 سکور. دلته مثالونه دي:
یادول (یا حساسیت) د ماډل وړتیا اندازه کوي چې د m-ILS پوښتنلیک ځوابولو وروسته د زده کونکي LS په سمه توګه طبقه بندي کړي.
ځانګړتیا ته ریښتینی منفي نرخ ویل کیږي. لکه څنګه چې تاسو د پورته فورمول څخه لیدلی شئ، دا باید د ریښتیني منفي (TN) او ریښتیني منفي او غلط مثبت (FP) تناسب وي. د زده کونکو درملو طبقه بندي کولو لپاره د وړاندیز شوي وسیلې د یوې برخې په توګه، دا باید د دقیق پیژندنې وړ وي.
د ۵۰ زده کونکو اصلي ډیټاسیټ چې د پریکړې ونې ML ماډل د روزنې لپاره کارول شوی و، په تشریحاتو کې د انساني غلطۍ له امله نسبتا ټیټ دقت ښودلی (جدول ۳). د LS نمرو او زده کونکو تشریحاتو په اتوماتيک ډول محاسبه کولو لپاره د قواعدو پر بنسټ د یو ساده پروګرام رامینځته کولو وروسته، د سپارښتونکي سیسټم د روزنې او ازموینې لپاره د ډیټاسیټ زیاتیدونکي شمیر (۲۵۵) کارول شوي.
په څو ټولګي مغشوش میټریکس کې، قطري عناصر د هر LS ډول لپاره د سم وړاندوینو شمیر استازیتوب کوي (شکل 4). د پریکړې ونې ماډل په کارولو سره، ټولټال 64 نمونې په سمه توګه وړاندوینه شوې. پدې توګه، پدې څیړنه کې، قطري عناصر تمه شوي پایلې ښیې، چې دا په ګوته کوي چې ماډل ښه فعالیت کوي او د هر LS طبقه بندي لپاره د ټولګي لیبل په سمه توګه وړاندوینه کوي. پدې توګه، د سپارښتنې وسیلې ټولیز دقت 100٪ دی.
د دقت، دقت، یادولو، او F1 نمرې ارزښتونه په شکل 5 کې ښودل شوي دي. د پریکړې ونې ماډل کارولو سره د سپارښتنې سیسټم لپاره، د دې F1 نمره 1.0 "کامل" ده، چې د بشپړ دقت او یادولو ښودنه کوي، د پام وړ حساسیت او ځانګړتیا ارزښتونه منعکس کوي.
شکل ۶ د روزنې او ازموینې بشپړیدو وروسته د پریکړې ونې ماډل لید ښیي. په څنګ په څنګ پرتله کولو کې، د پریکړې ونې ماډل چې د لږو ځانګړتیاو سره روزل شوی لوړ دقت او اسانه ماډل لید ښودلی. دا ښیي چې د فیچر انجینرۍ چې د ځانګړتیا کمولو لامل کیږي د ماډل فعالیت ښه کولو کې یو مهم ګام دی.
د پریکړې ونې لخوا څارل شوي زده کړې په پلي کولو سره، د LS (ان پټ) او IS (هدف محصول) ترمنځ نقشه په اتوماتيک ډول رامینځته کیږي او د هر LS لپاره مفصل معلومات لري.
پایلو وښودله چې د ۲۵۵ زده کونکو څخه ۳۴.۹٪ یو (۱) LS انتخاب غوره کړ. اکثریت (۵۴.۳٪) دوه یا ډیر LS غوره توبونه درلودل. ۱۲.۲٪ زده کونکو یادونه وکړه چې LS خورا متوازن دی (جدول ۴). د اتو اصلي LS سربیره، د ملایا پوهنتون د غاښونو زده کونکو لپاره د LS طبقه بندي ۳۴ ترکیبونه شتون لري. د دوی په منځ کې، درک، لید، او د درک او لید ترکیب د زده کونکو لخوا راپور شوي اصلي LS دي (شکل ۷).
لکه څنګه چې د جدول ۴ څخه لیدل کیدی شي، ډیری زده کونکو غالب حسي (۱۳.۷٪) یا بصري (۸.۶٪) LS درلود. راپور ورکړل شوی چې ۱۲.۲٪ زده کونکو ادراک د لید سره یوځای کړی (ادراک-بصري LS). دا موندنې وړاندیز کوي چې زده کونکي غوره ګڼي چې د تاسیس شویو میتودونو له لارې زده کړه وکړي او یاد وساتي، ځانګړي او مفصل طرزالعملونه تعقیب کړي، او په طبیعت کې پاملرنه وکړي. په ورته وخت کې، دوی د لیدلو (د ډیاګرامونو، او نورو په کارولو سره) له زده کړې څخه خوند اخلي او په ډلو یا پخپله د معلوماتو په اړه بحث او پلي کولو ته لیواله دي.
دا څیړنه د معلوماتو کان کیندنې کې کارول شوي د ماشین زده کړې تخنیکونو یوه عمومي کتنه وړاندې کوي، چې تمرکز یې د زده کونکو د LS په سمدستي او دقیق ډول وړاندوینه کول او د مناسب IS سپارښتنه کول دي. د پریکړې ونې ماډل پلي کول هغه عوامل په ګوته کوي چې د دوی د ژوند او تعلیمي تجربو سره خورا نږدې تړاو لري. دا د څارنې ماشین زده کړې الګوریتم دی چې د ونې جوړښت کاروي ترڅو د معلوماتو سیټ د ځانګړو معیارونو پراساس په فرعي کټګوریو ویشلو سره طبقه بندي کړي. دا د هر داخلي نوډ د ان پټ ځانګړتیاو څخه د یو ارزښت پراساس د ان پټ ډیټا په فرعي سیټونو کې په تکراري ډول ویشلو سره کار کوي تر هغه چې په پاڼی نوډ کې پریکړه وشي.
د پریکړې ونې داخلي نوډونه د m-ILS ستونزې د ان پټ ځانګړتیاو پراساس حل استازیتوب کوي، او د پاڼو نوډونه د LS طبقه بندي وروستۍ وړاندوینه استازیتوب کوي. د مطالعې په اوږدو کې، د پریکړې ونو د سلسلې پوهیدل اسانه دي چې د ان پټ ځانګړتیاو او د محصول وړاندوینو ترمنځ اړیکې ته په کتلو سره د پریکړې پروسې تشریح او تصور کوي.
د کمپیوټر ساینس او انجینرۍ په برخو کې، د ماشین زده کړې الګوریتمونه په پراخه کچه د زده کونکو د فعالیت وړاندوینې لپاره کارول کیږي چې د دوی د داخلې ازموینې نمرو [21]، ډیموګرافیک معلوماتو، او د زده کړې چلند [22] پراساس دي. څیړنې ښودلې چې الګوریتم په سمه توګه د زده کونکو فعالیت وړاندوینه کړې او د اکاډمیک ستونزو لپاره د خطر سره مخ زده کونکو پیژندلو کې یې مرسته کړې.
د غاښونو د روزنې لپاره د مجازی ناروغانو سمیلیټرونو په پراختیا کې د ML الګوریتمونو کارول راپور شوي. سمیلیټر د اصلي ناروغانو فزیولوژیکي غبرګونونو په سمه توګه د بیا تولید وړتیا لري او په خوندي او کنټرول شوي چاپیریال کې د غاښونو زده کونکو د روزنې لپاره کارول کیدی شي [23]. څو نورې مطالعې ښیې چې د ماشین زده کړې الګوریتمونه کولی شي په بالقوه توګه د غاښونو او طبي زده کړې او د ناروغانو پاملرنې کیفیت او موثریت ښه کړي. د ماشین زده کړې الګوریتمونه د غاښونو ناروغیو تشخیص کې د مرستې لپاره کارول شوي لکه د نښو نښانو او ناروغانو ځانګړتیاوې [24، 25]. پداسې حال کې چې نورو مطالعاتو د ناروغانو پایلو وړاندوینه کولو، د لوړ خطر ناروغانو پیژندلو، د شخصي درملنې پلانونو رامینځته کولو [26]، د پیریډونټل درملنه [27]، او د غاښونو د غاښونو د درملنې [25] په څیر دندو ترسره کولو لپاره د ماشین زده کړې الګوریتمونو کارول سپړلي دي.
که څه هم د غاښونو په برخه کې د ماشین زده کړې د تطبیق په اړه راپورونه خپاره شوي، خو د غاښونو په زده کړه کې یې کارول محدود پاتې دي. له همدې امله، دا څیړنه د غاښونو د زده کونکو په منځ کې د LS او IS سره د نږدې تړلو عواملو د پیژندلو لپاره د پریکړې ونې ماډل کارولو موخه درلوده.
د دې مطالعې پایلې ښیي چې د سپارښتنې پرمختللې وسیله لوړه دقت او بشپړ دقت لري، چې دا په ګوته کوي چې ښوونکي کولی شي له دې وسیلې څخه ګټه پورته کړي. د معلوماتو پر بنسټ طبقه بندي پروسې په کارولو سره، دا کولی شي شخصي سپارښتنې چمتو 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 د IP پیژندلو او د اړونده IP سره د سمون لپاره اړین وخت به د پام وړ کم شي. پدې توګه، مناسب روزنیز فعالیتونه او روزنیز مواد تنظیم کیدی شي. دا د زده کونکو د مثبت زده کړې چلند او د تمرکز کولو وړتیا رامینځته کولو کې مرسته کوي. یوې څیړنې راپور ورکړی چې زده کونکو ته د زده کړې موادو او زده کړې فعالیتونو چمتو کول چې د دوی غوره LS سره سمون لري کولی شي زده کونکو سره د ډیرو لارو زده کړې مدغم کولو، پروسس کولو او خوند اخیستلو کې مرسته وکړي ترڅو لوی ظرفیت ترلاسه کړي [12]. څیړنه دا هم ښیې چې په ټولګي کې د زده کونکو د ګډون ښه کولو سربیره، د زده کونکو د زده کړې پروسې پوهیدل د زده کونکو سره د تدریس کړنو او اړیکو ښه کولو کې هم مهم رول لوبوي [28، 29].
په هرصورت، لکه څنګه چې د هرې عصري ټیکنالوژۍ سره، ستونزې او محدودیتونه شتون لري. پدې کې د معلوماتو محرمیت، تعصب او انصاف پورې اړوند مسلې، او د غاښونو زده کړې کې د ماشین زده کړې الګوریتمونو پراختیا او پلي کولو لپاره اړین مسلکي مهارتونه او سرچینې شاملې دي؛ په هرصورت، پدې برخه کې مخ په زیاتیدونکي علاقه او څیړنه وړاندیز کوي چې د ماشین زده کړې ټیکنالوژي ممکن د غاښونو زده کړې او غاښونو خدماتو باندې مثبت اغیزه ولري.
د دې څېړنې پایلې ښيي چې د غاښونو د برخې نیمایي زده کوونکي د مخدره توکو "پوهیدو" تمایل لري. دا ډول زده کوونکي د حقایقو او مشخصو مثالونو، عملي تمایل، د جزیاتو لپاره صبر، او د "بصري" LS غوره توب لري، چیرې چې زده کوونکي د نظرونو او فکرونو د رسولو لپاره د انځورونو، ګرافیکونو، رنګونو او نقشو کارولو ته ترجیح ورکوي. اوسني پایلې د غاښونو او طبي زده کونکو کې د LS ارزولو لپاره د ILS کارولو نورو مطالعاتو سره مطابقت لري، چې ډیری یې د ادراک او بصري LS ځانګړتیاوې لري [12، 30]. ډالمولین او نور وړاندیز کوي چې د دوی د LS په اړه زده کونکو ته خبر ورکول دوی ته اجازه ورکوي چې د دوی د زده کړې ظرفیت ته ورسیږي. څیړونکي استدلال کوي چې کله ښوونکي د زده کونکو تعلیمي پروسې په بشپړه توګه پوهیږي، د تدریس مختلف میتودونه او فعالیتونه پلي کیدی شي چې د زده کونکو فعالیت او د زده کړې تجربه به ښه کړي [12، 31، 32]. نورو مطالعاتو ښودلې چې د زده کونکو د LS تنظیم کول د زده کونکو د زده کړې تجربې او فعالیت کې هم ښه والی ښیې وروسته له دې چې د دوی د زده کړې سټایلونه د دوی د LS سره سم بدل کړي [13، 33].
د ښوونکو نظرونه ممکن د زده کونکو د زده کړې وړتیاو پراساس د تدریس ستراتیژیو پلي کولو په اړه توپیر ولري. پداسې حال کې چې ځینې یې د دې طریقې ګټې ګوري، په شمول د مسلکي پراختیا فرصتونه، لارښوونې، او د ټولنې ملاتړ، نور ممکن د وخت او اداري ملاتړ په اړه اندیښمن وي. د توازن لپاره هڅه کول د زده کونکو په مرکز کې د چلند رامینځته کولو لپاره کلیدي ده. د لوړو زده کړو چارواکي، لکه د پوهنتون مدیران، کولی شي د نوښتګرو کړنو معرفي کولو او د پوهنځي پراختیا ملاتړ کولو سره د مثبت بدلون په هڅولو کې مهم رول ولوبوي [34]. د ریښتیني متحرک او ځواب ویونکي لوړو زده کړو سیسټم رامینځته کولو لپاره، پالیسي جوړونکي باید زړور ګامونه پورته کړي، لکه د پالیسۍ بدلونونه راوستل، د ټیکنالوژۍ ادغام ته سرچینې وقف کول، او د داسې چوکاټونو رامینځته کول چې د زده کونکو په مرکز کې چلند ته وده ورکوي. دا اقدامات د مطلوب پایلو ترلاسه کولو لپاره خورا مهم دي. د متفاوت لارښوونو په اړه وروستي څیړنې په څرګنده توګه ښودلې چې د متفاوت 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 کونکو لپاره د زده کړې دوستانه فعالیتونو پلان کولو لپاره د زده کونکو په مرکز کې چلند غوره کړي. په هرصورت، دا څیړنه د پریکړې ونې ML ماډلونو کارولو پورې محدوده ده. په راتلونکي کې، د سپارښتنې وسیلو دقت، اعتبار او دقت پرتله کولو لپاره باید د مختلفو ماشین زده کړې ماډلونو فعالیت پرتله کولو لپاره ډیر معلومات راټول شي. سربیره پردې، کله چې د یو ځانګړي کار لپاره د ماشین زده کړې ترټولو مناسب میتود غوره کوئ، نو دا مهمه ده چې نور عوامل لکه د ماډل پیچلتیا او تفسیر په پام کې ونیسئ.
د دې مطالعې یوه محدودیت دا دی چې دا یوازې د غاښونو زده کونکو ترمنځ د LS او IS نقشه کولو باندې تمرکز کوي. له همدې امله، د سپارښتنې پرمختللی سیسټم به یوازې هغه وړاندیزونه وکړي چې د غاښونو زده کونکو لپاره مناسب وي. د لوړو زده کړو زده کونکو عمومي کارونې لپاره بدلونونه اړین دي.
د ماشین زده کړې پر بنسټ د سپارښتنې نوې رامینځته شوې وسیله د زده کونکو LS په سمدستي توګه طبقه بندي کولو او اړونده IS سره مطابقت کولو وړتیا لري، دا د غاښونو د زده کړې لومړنی پروګرام جوړوي چې د غاښونو ښوونکو سره د اړونده تدریس او زده کړې فعالیتونو پلان کولو کې مرسته کوي. د معلوماتو پر بنسټ د ټریژ پروسې په کارولو سره، دا کولی شي شخصي سپارښتنې چمتو کړي، وخت خوندي کړي، د تدریس ستراتیژیو ته وده ورکړي، هدفمند مداخلې ملاتړ وکړي، او دوامداره مسلکي پرمختګ ته وده ورکړي. د دې غوښتنلیک به د غاښونو زده کړې لپاره د زده کونکو متمرکز چلند ته وده ورکړي.
ګیلاک جاني اسوشیټیډ پریس. د زده کونکي د زده کړې سټایل او د ښوونکي د تدریس سټایل ترمنځ مطابقت یا بې اتفاقي. د انټرنیشنل جی موډ ایجوک کمپیوټر ساینس. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
د پوسټ وخت: اپریل-۲۹-۲۰۲۴