දන්ත වෛද්ය භාණ්ඩ ඇතුළු උසස් අධ්යාපන ආයතනවල ශිෂ්ය කේන්ද්රීය ඉගෙනුම් (SCL) වැඩිවීමක් දක්වයි. කෙසේ වෙතත්, SCL හි දන්ත අධ්යාපනයේ සීමිත අයදුම්පතක් ඇත. එමනිසා, මෙම අධ්යයනයේ අරමුණ වන්නේ සංවර්ධනය කිරීම සඳහා ප්රයෝජනවත් ඉගෙනුම් ශෛලිය (එල්එස්) තාක්ෂණය (එම්එල්) තාක්ෂණය භාවිතා කිරීම මගින් දන්ත වෛද්ය සිසුන්ගේ අවශ්යතා සහ අනුරූප ඉගෙනුම් ක්රමෝපායන් (is) භාවිතා කරමින් මාර්ගෝපදේශ වේ . දන්ත සිසුන් සඳහා පොරොන්දු වූ ක්රම.
මලයාව විශ්ව විද්යාලයේ දන්ත වෛද්යවරුන් 255 දෙනෙකු අතරින් ඉගෙනුම් විලාසිතාවේ (M-ILS) ප්රශ්නාවලියෙහි නවීකරණය කරන ලද දර්ශකය සම්පූර්ණ කරන ලද අතර, ඒවා ඔවුන්ගේ LSS වෙත ඒවා වර්ගීකරණය කිරීම සඳහා අයිතම 44 ක් අඩංගු විය. සිසුන්ගේ ඉගෙනුම් ශෛලීන් වඩාත් සුදුසු වන්නේ ස්වයංක්රීයව ගැලපෙන පරිදි අධීක්ෂණය තීරණාත්මක තීරණාත්මක තීරණයක් ලෙස හැඳින්වෙන දත්ත (දත්ත කට්ටලයක් ලෙස හැඳින්වේ) භාවිතා වේ. යන්ත්ර ඉගෙනීමේ පාදයේ නිරවද්යතාවය නිර්දේශ මෙවලම පසුව ඇගයීමට ලක් කෙරේ.
එල්එස් (ආදානය) අතර ස්වයංක්රීය සිතියම්කරණ ක්රියාවලියක තීරණාත්මක සිතියම්කරණ ක්රියාවලියක යෙදීම (ඉලක්කගත ප්රතිදානය) එක් එක් දන්ත ශිෂ්යයෙකු සඳහා සුදුසු ඉගෙනුම් උපාය මාර්ගවල ක්ෂණික ලැයිස්තුවක් සඳහා ඉඩ ලබා දේ. නිර්දේශ මෙවලම යනු පරිපූර්ණ නිරවද්යතාවය සහ සමස්ත ආකෘති නිරවද්යතාවය පෙන්නුම් කරන අතර, එය LS ට ගැලපීම හොඳ සංවේදීතාවයක් සහ නිශ්චිතතාවයක් ඇති බව පෙන්නුම් කරයි.
එම්එල් තීරණ ගස මත පදනම්ව නිර්දේශ මෙවලම සුදුසු ඉගෙනුම් උපාය මාර්ග සමඟ දන්ත සිසුන්ගේ ඉගෙනුම් ශෛලීන් නිවැරදිව ගැලපීමට ඇති හැකියාව සනාථ කර ඇති බව ඔප්පු වී ඇත. සිසුන්ගේ ඉගෙනීමේ අත්දැකීම් වැඩි දියුණු කළ හැකි ඉගෙනුම් කේන්ද්රීය පා courses මාලා හෝ මොඩියුල සැලසුම් කිරීම සඳහා මෙම මෙවලම ප්රබල විකල්ප සපයයි.
අධ්යාපනික ආයතනවල ඉගැන්වීම සහ ඉගෙනීම මූලික ක්රියාකාරකම් වේ. උසස් තත්ත්වයේ වෘත්තීය අධ්යාපන ක්රමයක් වර්ධනය කිරීමේදී, සිසුන්ගේ ඉගෙනුම් අවශ්යතා කෙරෙහි අවධානය යොමු කිරීම වැදගත් වේ. සිසුන් සහ ඔවුන්ගේ ඉගෙනුම් පරිසරය අතර අන්තර්ක්රියාකාරිත්වය ඔවුන්ගේ ls හරහා තීරණය කළ හැකිය. සිසුන්ගේ එල්එස් අතර ගුරු අපේක්ෂිත නොගැලපීම් සිසුන්ට අවධානය සහ පෙළඹවීම අඩු කිරීම වැනි negative ණාත්මක ප්රතිවිපාක ගෙන දිය හැකි බව පර්යේෂණවලින් හෙළි වී තිබේ. මෙය සිසුන්ට වක්රව සිසුන්ට බලපානු ඇත [1,2].
යනු සිසුන්ට ඉගෙන ගැනීමට උපකාර කිරීම ඇතුළුව සිසුන් සඳහා දැනුම හා කුසලතා ලබා දීම සඳහා ගුරුවරුන් විසින් භාවිතා කරන ක්රමයකි [3]. පොදුවේ ගත් කල, හොඳ ගුරුවරුන් ඉගැන්වීමේ උපාය මාර්ග හෝ ඒවා ඉගෙන ගන්නා සංකල්ප සහ ඒවායේ ඉගෙනීමේ අවධිය සහ ඔවුන්ගේ සිසුන්ගේ දැනුම මට්ටමට වඩාත් හොඳින් ගැලපේ. න්යායාත්මකව, එල්එස් සහ තරගය වන විට, effectively ලදායී ලෙස ඉගෙනීම සඳහා නිශ්චිත කුසලතා සමූහයක් සංවිධානය කිරීමට සහ භාවිතා කිරීමට සිසුන්ට හැකි වේ. සාමාන්යයෙන්, ඉගැන්වීමේ සිට මඟ පෙන්වීමේ පුරුද්දක් හෝ ස්වාධීන පුහුණුවීම් සඳහා මඟ පෙන්වන භාවිතයේ සිට ස්වාධීන පුහුණුවීම්වල යෙදවීම වැනි අදියර අතර අවස්ථා කිහිපයක්ම පාඩම් සැලැස්මක් ඇතුළත් වේ. මෙය මනසේ තබාගෙන, effective ලදායි ගුරුවරුන් බොහෝ විට සිසුන්ගේ දැනුම හා කුසලතා වර්ධනය කිරීමේ අරමුණින් උපදෙස් සැලසුම් කරති [4].
SCL සඳහා වන ඉල්ලුම දන්ත වෛද්යවරුන් ඇතුළු උසස් අධ්යාපන ආයතනවල වර්ධනය වෙමින් පවතී. SCL උපාය මාර්ග සිසුන්ගේ ඉගෙනුම් අවශ්යතා සපුරාලීම සඳහා නිර්මාණය කර ඇත. නිදසුනක් වශයෙන්, සිසුන් ඉගෙනුම් කටයුතු හා ගුරුවරුන්ට සක්රියව සහභාගී වීමට සහ ගුරුවරුන්ට සක්රියව සහභාගී වීමට පහසුකම් සපයන්නන් ලෙස කටයුතු කරන්නේ නම් සහ වටිනා ප්රතිපෝෂණය ලබා දීම සඳහා වගකිව යුතුය. සිසුන්ගේ අධ්යාපන මට්ටමට හෝ මනාපයන්ට සුදුසු ඉගෙනුම් ද්රව්ය හා ක්රියාකාරකම් සැපයීම සිසුන්ගේ ඉගෙනුම් පරිසරය වැඩිදියුණු කර ධනාත්මක ඉගෙනුම් අත්දැකීම් ප්රවර්ධනය කළ හැකි බව පැවසේ [5].
පොදුවේ ගත් කල, දන්ත වෛද්ය සිසුන්ගේ ඉගෙනුම් ක්රියාවලියට බලපෑම් ඇති විවිධ සායනික ක්රියා පටිපාටි සහ ඒවා effective ලදායී අන්තර් පුද්ගල කුසලතා වර්ධනය කරන සායනික පරිසරයයි. පුහුණුවේ අරමුණ වන්නේ සිසුන්ට දන්ත වෛද්ය කුසලතා පිළිබඳ දන්ත වෛද්ය දැනුම පිළිබඳ මූලික දැනුම ඒකාබද්ධ කර අත්පත් කරගත් දැනුම නව සායනික අවස්ථාවන් සඳහා අදාළ කර ගැනීමයි [6, 7]. එල්එස් අතර සම්බන්ධතාවය පිළිබඳ මුල් පර්යේෂණය සහ සොයා ගනු ලබන්නේ අධ්යාපන ක්රියාවලිය වැඩිදියුණු කිරීමට උපකාරී වන අධ්යාපන ක්රියාවලිය වැඩිදියුණු කිරීමට උපකාරී වන බවයි. සිසුන්ගේ ඉගෙනීම හා අවශ්යතා සපුරාලීම සඳහා විවිධ ඉගැන්වීම් හා තක්සේරු ක්රම භාවිතා කරමින් කතුවරුන් ද නිර්දේශ කරති.
ගැඹුරු දැනුම හා විෂය පිළිබඳ ගැඹුරු දැනුම හා අවබෝධය වැඩි දියුණු කරන ලද සිසුන්ට ගැඹුරු දැනුම හා අවබෝධය වැඩි දියුණු කරන ද්රව්ය සැලසුම් කිරීම, සංවර්ධනය කිරීම සහ ක්රියාත්මක කිරීමේ උපදෙස් ලබා දීම සඳහා ගුරුවරුන්ට හැකිය. පර්යේෂකයන් විසින් කොල්බ් ඇන්තරික ඉගෙනුම් ආකෘතිය, ෆෙල්ඩර්-රිදී විද්යාත්මක ඉගෙනුම් විලාසිතාවේ ආකෘතිය (FSLSM) වැනි LS තක්සේරුකරණ මෙවලම් කිහිපයක් සකස් කර ඇත. සාහිත්යයට අනුව, මෙම ඉගෙනුම් ආකෘති වඩාත් බහුලව භාවිතා වන සහ වඩාත්ම අධ්යයනය කරන ලද ඉගෙනුම් ආකෘති වේ. වර්තමාන පර්යේෂණ කටයුතුවලදී, දන්ත සිසුන් අතර ls තක්සේරු කිරීම සඳහා FSLSM භාවිතා කරයි.
FSLSM යනු ඉංජිනේරු විද්යාවේ අනුවර්තී ඉගෙනීම ඇගයීම සඳහා පුළුල් ලෙස භාවිතා කරන ආකෘතියකි. FSLM Models භාවිතා කරමින් සොයාගත හැකි සෞඛ්ය විද්යාව පිළිබඳ රංගනයන් (medicine ෂධ, හෙදියා, ෆාමසි සහ දන්ත වෛද්ය විද්යාව ඇතුළුව) බොහෝ දේ ඇත. එෆ්එස්එම් හි LS හි මානයන් මැනීම සඳහා භාවිතා කරන මෙවලම LS හි මානයන් 44 ක් තක්සේරු කරන අයිතම 44 ක් අඩංගු වේ: සැකසුම් (ක්රියාකාරී / පරාවර්තනය), සංජානනය (ප්රත්යක්ෂ / බුද්ධිමත්), ආදානය (දෘශ්ය). / වාචික) සහ අවබෝධය (අනුක්රමික / ගෝලීය) [14].
රූප සටහන 1 හි පෙන්වා ඇති පරිදි, සෑම FSLSM මානයකටම ආධිපත්යයක් තිබේ. උදාහරණයක් ලෙස, සැකසුම් මානයන්හි, "ක්රියාකාරී" LS ඇති සිසු සිසුවියන් ඉගෙනුම් ද්රව්ය සමඟ සෘජුවම මැදිහත් වීමෙන් තොරතුරු සැකසීමට, කිරීමෙන් ඉගෙන ගෙන කණ්ඩායම් වශයෙන් ඉගෙනීමට නැඹුරු වෙති. "පරාවර්තක" එල්එස් යනු චින්තනය තුළින් ඉගෙනීම සහ තනිවම වැඩ කිරීමට කැමැත්තක් දැක්වීමයි. LS හි "වටහා ගැනීම" මානය "හැඟීම" සහ / හෝ "ප්රතිභානය" බවට බෙදිය හැකිය. "දැනීම" සිසුන් වඩාත් ස්ථිර තොරතුරු සහ ප්රායෝගික ක්රියා පටිපාටි වලට වැඩි කැමැත්තක් දක්වයි, සමහර විට වියුක්ත ද්රව්යවලට වැඩි කැමැත්තක් දක්වන "බුද්ධිමත්" සිසුන්ට සාපේක්ෂව, නව්ය හා නිර්මාණශීලී ස්වභාවයක් ඇත. එල්එස් හි "ආදාන" මානය "දෘශ්ය" සහ "වාචික" ඉගෙන ගන්නන්ගෙන් සමන්විත වේ. "දෘශ්ය" ඇති අය, "දෘශ්ය" LS ඇති පුද්ගලයින් දෘශ්ය පෙලපාලි (රූප සටහන්, වීඩියෝ හෝ සජීවී නිරූපණ වැනි), "වාචික" ඇති පුද්ගලයින් ලිඛිත හෝ වාචික පැහැදිලි කිරීම්වල වචන තුළින් ඉගෙන ගැනීමට කැමැත්තක් දක්වයි. එල්එස් මානයන් "තේරුම් ගැනීමට" එවැනි ඉගෙනුම්කරුවන් "අනුක්රමික" සහ "ගෝලීය" ලෙස බෙදිය හැකිය. "අනුක්රමික ඉගෙනුම ලබන්නන් රේඛීය චින්තන ක්රියාවලියකට වැඩි කැමැත්තක් දක්වන අතර පියවරෙන් පියවර, ගෝලීය ඉගෙනුම්කරුවන් පරිපූර්ණ චින්තන ක්රියාවලියක් ඇති අතර සෑම විටම ඔවුන් ඉගෙන ගන්නා දේ පිළිබඳව වඩා හොඳ අවබෝධයක් ලබා ගනී.
මෑතකදී, බොහෝ පර්යේෂකයන් ස්වයංක්රීය දත්ත මත පදනම් වූ සොයා ගැනීම සඳහා ක්රමවේදයන් ගවේෂණය කිරීමට පටන් ගෙන ඇත්තේ විශාල දත්ත ප්රමාණයක් අර්ථකථනය කළ හැකි නව ඇල්ගොරිතම සහ මාදිලි සංවර්ධනය කිරීම ඇතුළුව ය. සපයා ඇති දත්ත මත පදනම්ව, අධීක්ෂණය කරන ලද එම්එල් (යන්ත්ර ඉගෙනීම) ඇල්ගොරිතම ඉදිකිරීම මත පදනම්ව අනාගත ප්රති results ල පුරෝකථනය කරන රටා සහ උපකල්පන ජනනය කිරීමට හැකි වේ. සරලව, අධීක්ෂණ යන්ත්ර ඉගෙනුම් ක්රම සැලසුම් කරන්න, අධීක්ෂණ යන්ත්ර ඉගෙනුම් ක්රම මඟින් ආදාන දත්ත සහ දුම්රිය ඇල්ගොරිතම පුහුණු කරන්න. එය සපයන ලද ආදාන දත්ත සඳහා සමාන තත්වයන් මත පදනම් වූ ප්රති come ලය වර්ගීකරණය කරන හෝ පුරෝකථනය කරන පරාසයක් ජනනය කරයි. අධීක්ෂණ යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමවල ප්රධාන වාසිය යනු පරමාදර්ශී සහ අපේක්ෂිත ප්රති results ල ස්ථාපිත කිරීමේ හැකියාවයි [17].
දත්ත මත පදනම් වූ ක්රම සහ තීරණ ගස් පාලන ආකෘති භාවිතය තුළින්, ls ස්වයංක්රීයව හඳුනා ගැනීම කළ හැකිය. සෞඛ්ය විද්යාව, සෞඛ්ය විද්යාව ඇතුළු විවිධ ක්ෂේත්රවල පුහුණු වැඩසටහන් සඳහා තීරණාත්මක ගස් බහුලව භාවිතා වන බව වාර්තා වේ [18, 19]. මෙම අධ්යයනයේ දී, මෙම අධ්යයනයේ දී, මෙම ආකෘතිය සිසුන්ගේ එල්එස් හඳුනා ගැනීම සඳහා පද්ධති සංවර්ධකයින් විසින් විශේෂයෙන් පුහුණු කර ඇති අතර ඒවාට හොඳම දේ නිර්දේශ කිරීම.
මෙම අධ්යයනයේ පරමාර්ථය වන්නේ සිසුන්ගේ එල්එස් මත පදනම් වූ බෙදා හැරීමේ ක්රමෝපායන් වන අතර ඒවා සංවර්ධනය කිරීම සඳහා SCL ප්රවේශය යොදන්න. SCL ක්රමවේදයෙහි උපාය මාර්ගයක් ලෙස නිර්දේශ මෙවලම වන රූප සටහන 1 හි දැක්වේ. එය නිර්දේශිත නිර්දේශ මෙවලම වන Iss වර්ගීකරණ යාන්ත්රණය Iss භාවිතා කර ඇති අතර වඩාත් සුදුසු වන්නේ සිසුන් සඳහා වඩාත් සුදුසු ය.
විශේෂයෙන්, තොරතුරු සුරක්ෂිත කිරීමේ නිර්දේශයන්හි ලක්ෂණ වන්නේ තොරතුරු මෙවලම්වලට වෙබ් තාක්ෂණයන් භාවිතා කිරීම සහ තීරණ ගස් මැෂින් ඉගෙනීම භාවිතය ඇතුළත් වේ. පද්ධති සංවර්ධකයින් පරිශීලක අත්දැකීම් සහ ජංගම දුරකථන සහ ටැබ්ලට් පරිගණක වැනි ජංගම උපාංග වෙත අනුවර්තනය කිරීමෙන් පරිශීලක අත්දැකීම් සහ සංචලතාව වැඩි දියුණු කරයි.
අත්හදා බැලීම අදියර දෙකකින් සිදු කරන ලද අතර මලයාවේ විශ්ව විද්යාලයේ දන්ත වෛද්ය පී ulty යේ සිසුන් ස්වේච්ඡා පදනමින් මුවයා විශ්ව විද්යාලයේ දන්ත වෛද්ය පී ulty යේ සිසුන් සහභාගී වූහ. සහභාගිවන්නන් දන්ත ශිෂ්යයෙකුගේ මාර්ගගත එම්. ආරම්භක අවධියේදී සිසුන් 50 දෙනෙකුගේ දත්ත කට්ටලයක් මෙම තීරණ ගස් මැෂින් ඉගෙනුම් ඇල්ගොරිතම පුහුණු කිරීම සඳහා භාවිතා කරන ලදී. සංවර්ධන ක්රියාවලියේ දෙවන අදියරේදී සංවර්ධිත මෙවලමේ නිරවද්යතාවය වැඩි දියුණු කිරීම සඳහා සිසුන් 255 දෙනෙකුගේ දත්ත කට්ටලයක් භාවිතා කරන ලදී.
මයික්රොසොෆ්ට් කණ්ඩායම් හරහා අධ්යයන වර්ෂය අනුව සෑම අදියරකම ආරම්භයේ දී සියලුම සහභාගිවන්නන්ට සබැඳි කෙටි විස්තරයක් ලැබේ. අධ්යයනයේ අරමුණ පැහැදිලි කළ අතර දැනුම් දීමේ කැමැත්ත ලබා ගන්නා ලදී. සියලුම සහභාගිවන්නන්ට M-Iss වෙත ප්රවේශ වීම සඳහා සබැඳියක් ලබා දෙන ලදී. ප්රශ්නාවලියේ ඇති සියලුම අයිතම 44 ට පිළිතුරු සපයන ලෙස සෑම සිසුවෙකුටම උපදෙස් දෙන ලදී. වාර වාරයේ ආරම්භයට පෙර වරකට සහ ඔවුන් වෙත විවිධාකාර වාරයක් තුළ වෙනස් කරන ලද ිල්ස් සම්පූර්ණ කිරීම සඳහා ඔවුන්ට සතියක් ලබා දෙන ලදී. M-ils පදනම් වී ඇත්තේ මුල් ILS උපකරණය මත වන අතර දන්ත සිසුන් සඳහා වෙනස් කරන ලදී. මුල් Ilss හා සමානව, එහි ඒකාකාරව බෙදා හරින ලද අයිතම 44 ක් (A, B) 44 ක් අඩංගු වන අතර සෑම FSLM මානයකම අංශ 11 ක් තක්සේරු කිරීමට යොදා ගනී.
මෙවලම් සංවර්ධනය කිරීමේ ආරම්භක අවධියේදී, පර්යේෂකයන් දන්ත සිසුන් 50 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරමින් සිතියම් අතින් විවරණය කළහ. FSLM ට අනුව, පද්ධතිය "ඒ" සහ "බී" යන පද්ධතියට සපයයි. එක් එක් මානය සඳහා, ශිෂ්යයා "ඒ" පිළිතුරක් ලෙස තෝරා ගන්නේ නම්, LS සක්රීය / ප්රත්යක්ෂ / දෘශ්ය / අනුක්රමික ලෙස වර්ගීකරණය කර ඇති අතර, ශිෂ්යයා "බී" එකක් තෝරා ගන්නේ නම්, ශිෂ්යයා "b" තෝරා ගන්නේ නම්, ශිෂ්යයා පරාවර්තක / බුද්ධිමත් / භාෂාමය ලෙස වර්ගීකරණය කර තිබේ නම් . / ගෝලීය ඉගෙනුම්කරු.
දන්ත අධ්යාපන පර්යේෂකයන් සහ පද්ධති සංවර්ධකයින් අතර වැඩ ප්රවාහය ක්රමාංකනය කිරීමෙන් පසු, එෆ්එල්එස්එම් වසම පදනම් කරගෙන ප්රශ්න තෝරාගෙන එක් එක් ශිෂ්යයාගේ එල්එස් පුරෝකථනය කිරීම සඳහා එම්එල් ආකෘතියට පෝෂණය කරන ලදී. "කුණු කසළ, කුණු කසළ" යනු යන්ත්ර ඉගෙනීමේ ක්ෂේත්රයේ ජනප්රිය කියමනක් වන අතර එය දත්තවල ගුණාත්මකභාවය අවධාරණය කරයි. ආදාන දත්තවල ගුණාත්මකභාවය යන්ත්ර ඉගෙනීමේ ආකෘතියේ නිරවද්යතාවය සහ නිරවද්යතාවය තීරණය කරයි. විශේෂාංග ඉංජිනේරු අවධිය තුළ, නව විශේෂාංග කට්ටලයක් නිර්මාණය කර ඇත්තේ Flsm මත පදනම්ව "ඒ" සහ "බී" ය. Drug ෂධ තනතුරු හඳුනාගැනීමේ අංක 1 වන වගුවේ දක්වා ඇත.
පිළිතුරු මත පදනම්ව ලකුණු ගණනය කර ශිෂ්යයාගේ ls තීරණය කරන්න. එක් එක් සිසුවෙකු සඳහා, ලකුණු පරාසය 1 සිට 11 දක්වා වේ. 1 සිට 3 දක්වා ලකුණු මඟින් එකම මානයන් තුළ ඉගෙනුම් මනාපයන් පෙන්නුම් කරන අතර, සිසුන් අන් අයට ඉගැන්වීම සඳහා එක් පරිසරයක් සඳහා වැඩි කැමැත්තක් දක්වයි . එකම මානයන්හි තවත් විචලනය නම් 9 සිට 11 දක්වා ලකුණු එක් කෙළවරක් හෝ වෙනත් ආකාරයකින් ප්රබල මනාපයක් පිළිබිඹු කිරීමයි [8].
එක් එක් මානය සඳහා, drugs ෂධ "ක්රියාකාරී", "පරාවර්තක" සහ "සමබර" ලෙසං විය. නිදසුනක් වශයෙන්, ශිෂ්යයෙක් නම් කරන ලද අයිතමයක් මත "බී" වලට වඩා බොහෝ විට පිළිතුරු දෙන විට සහ ඔහුගේ / ඇයගේ ලකුණු සැකසුම් එල්එස් මානයන් නියෝජනය කරන විශේෂිත අයිතමයක් සඳහා 5 හි එළිපත්ත 5 ඉක්මවයි, ඔහු / ඇය "ක්රියාකාරී" එල්එස් වෙත අයත් වේ වසම. . කෙසේ වෙතත්, "" "" "" "b" ලෙස තෝරාගත් විට සිසුන් "" "ලෙස වර්ගීකරණය කර ඇති අතර ඒවා විශේෂිත ප්රශ්න 11 ක (වගුව 1) සහ ලකුණු 5 කට වඩා ලබා ගත්හ. අවසාන වශයෙන්, ශිෂ්යයා සිටින්නේ "සමතුලිතතාවය" තත්වයක ය. ලකුණු ලකුණු 5 නොඉක්මවිය හැකි නම්, මෙය "ක්රියාවලියක්" ය. වර්ගීකරණ ක්රියාවලිය අනෙක් ls මානයන් සඳහා, එනම් සංජානනය (ක්රියාකාරී / පරාවර්තක), ආදානය (දෘශ්ය / වාචික) සහ අවබෝධය (අනුක්රමික / ගෝලීය) සහ අවබෝධය (අනුක්රමික / ගෝලීය).
තීරණාත්මක ගස් ආකෘතිවලට වර්ගීකරණ ක්රියාවලියේ විවිධ අවස්ථා වලදී විවිධ විශේෂාංග සහ තීරණ රීති භාවිතා කළ හැකිය. එය ජනප්රිය වර්ගීකරණයක් සහ පුරෝකථන මෙවලමක් ලෙස සැලකේ. ගලා ඒම, අභ්යන්තර නෝඩ්වරුන් වැනි ගස් ව්යුහයක් වැනි ගස් ව්යුහයක් භාවිතා කරමින්, ආරෝපණය විසින් පරීක්ෂණ ප්රති results ල නියෝජනය කරන සෑම ශාඛාවක්ම සහ පන්ති ලේබලයක් අඩංගු සෑම පත්රයක්ම (කොළ නෝඩය).
ඔවුන්ගේ ප්රතිචාර මත පදනම්ව එක් එක් ශිෂ්යයාගේ එල්එස් ස්වයංක්රීයව ලකුණු ලබා ගැනීම සඳහා සරල රීති මත පදනම් වූ වැඩසටහනක් නිර්මාණය කරන ලදී. රීති මත පදනම් වූ ප්රකාශයක් නම්, "එවිට" "එවිට" සිදු කළ යුතු ක්රියාමාර්ගය "පසුව" විසින් සිදු කළ යුතු ක්රියාමාර්ගයෙහි ස්වරූපයක් ගනී. දත්ත කට්ටලය සහසම්බන්ධය ප්රදර්ශනය කරන අතර තීරණාත්මක ගස් ආකෘතිය නිසි ලෙස පුහුණු කර ඇගයීමට ලක් කර ඇති අතර, මෙම ප්රවේශය LS ගැලපීමේ ක්රියාවලිය ස්වයංක්රීය කිරීමට බලපැවැත්වේ.
සංවර්ධන මෙවලමෙහි නිරවද්යතාවය වැඩිදියුණු කිරීම සඳහා දෙවන අදියරේදී දත්ත කට්ටලය 255 දක්වා වැඩි කරන ලදී. දත්ත කට්ටලය 1: 4 අනුපාතයකින් බෙදී යයි. දත්ත කට්ටලයේ 25% (64) පරීක්ෂණ කට්ටලය සඳහා භාවිතා කරන ලද අතර, ඉතිරි 75% (191) පුහුණු කට්ටලය ලෙස භාවිතා කරන ලදී (රූපය 2). ආදර්ශය ඉගෙනීම හා පරීක්ෂා කිරීම වැළැක්වීම වැළැක්වීම සඳහා දත්ත කට්ටලය බෙදීමට හා වෙන් කිරීම වැළැක්වීමට අවශ්ය වන අතර එමඟින් ආදර්ශයට වඩා මතක තබා ගත නොහැකි තරම් මතක තබා ගත හැකිය. මෙම ආකෘතිය පුහුණුව පිළිබඳ පුහුණුව ලබා දී ඇති අතර, මීට පෙර කවදාවත් දැක නැති පරීක්ෂණ කට්ටලය-දත්ත මත එහි ක්රියාකාරිත්වය ඇගයීමට ලක් කරයි.
මෙවලම වන මෙවලම සංවර්ධනය වූ පසු, දන්ත වෛද්ය විද්යාලයේ වෙබ් අතුරු මුහුණතක් හරහා දන්ත වෛද්ය සිසුන්ගේ ප්රතිචාර මත පදනම්ව ISS විසින් LS වර්ගීකරණය කිරීමට හැකි වේ. වෙබ් පාදක තොරතුරු ආරක්ෂණ නිර්දේශ මෙවලම් පද්ධතිය ගොඩනඟා ඇත්තේ පූජා කිරීම ලෙස ජැන්ගෝ රාමුව භාවිතා කරමින් පයිතන් ක්රමලේඛන භාෂාව භාවිතා කරමිනි. මෙම ක්රමයේ සංවර්ධනය සඳහා භාවිතා කරන පුස්තකාල 2 වන වගුවේ දැක්වේ.
ශිෂ්ය ප්රතිචාර ගණනය කිරීම සහ ශිෂ්යයන් මිනුම් ස්වයංක්රීයව වර්ගීකරණය කිරීම සඳහා වන තීරණ ගස් ආකෘතියකට දත්ත කට්ටලය පෝෂණය වේ.
දී ඇති දත්ත කට්ටලයක තීරණ ගස් මැෂින් ඉගෙනුම් ඇල්ගොරිතමක නිරවද්යතාවය තක්සේරු කිරීම සඳහා ව්යාකූලත්වය අනුකෘතිය භාවිතා කරයි. ඒ අතරම, එය වර්ගීකරණ ආකෘතියේ ක්රියාකාරිත්වය තක්සේරු කරයි. එය ආකෘතිය පිළිබඳ අනාවැකි සාරාංශ කොට ඒවා සත්ය දත්ත ලේබල් සමඟ සංසන්දනය කරයි. ඇගයීම් ප්රති results ල වෙනස් අගයන් හතරක් මත පදනම් වේ: සත්ය ධනාත්මක (TP) - ආකෘතිය ධනාත්මක කාණ්ඩය, ව්යාජ ධනාත්මක (එෆ්පී) - සැබෑ ලේබලය negative ණාත්මක, සත්ය negative ණාත්මක (ටීඑන්) - ආකෘතිය negative ණ පංතිය නිවැරදිව පුරෝකථනය කර ඇති අතර ව්යාජ negative ණ (FN) - ආකෘතිය negative ණාත්මක පංතියක් පුරෝකථනය කරයි, නමුත් සැබෑ ලේබලය ධනාත්මක වේ.
මෙම අගයන් ස්කොකිට් හි වර්ගීකරණ වර්ගීකරණ ආකෘතියේ විවිධ කාර්ය සාධන ප්රමිතික ගණනය කිරීම සඳහා භාවිතා කරනු ලැබේ, එනම් පයිතන් හි වර්ගීකරණ වර්ගීකරණ ආකෘතිය, එනම් නිරවද්යතාවය, නිරවද්යතාවය, සිහිපත් කිරීම සහ එෆ් 1 ලකුණු. මෙන්න උදාහරණ:
මතක තබා ගන්න (හෝ සංවේදීතාව) M-ILS ප්රශ්නාවලියට පිළිතුරු දීමෙන් පසු ශිෂ්යයෙකුගේ එල්එස් නිවැරදිව වර්ගීකරණය කිරීමට ආකෘතිකරණය කිරීමේ හැකියාව මැන බලයි.
නිශ්චිතතාව සත්ය negative ණ අනුපාතයක් ලෙස හැඳින්වේ. ඉහත සූත්රයේ සිට ඔබට පෙනෙන පරිදි, මෙය සත්ය සෘණ හා ව්යාජ ධනාත්මක (FP) වෙත සැබෑ සෘණ (ටීඑන්) අනුපාතය විය යුතුය. ශිෂ්ය drugs ෂධ වර්ගීකරණය කිරීම සඳහා නිර්දේශිත මෙවලමෙහි කොටසක් ලෙස, එයට නිවැරදි හඳුනා ගැනීමක් කළ හැකිය.
තීරණ ගස ML ආකෘතිය පුහුණු කිරීම සඳහා යොදාගත් සිසුන් 50 දෙනෙකුගේ මුල් දත්ත කට්ටලය විවරණවල මිනිස් වැරැද්ද නිසා සාපේක්ෂව අඩු නිරවද්යතාවයක් පෙන්නුම් කරයි (වගුව 3). LS ලකුණු සහ ශිෂ්ය විවරණ ස්වයංක්රීයව ගණනය කිරීම සඳහා සරල රීති මත පදනම් වූ වැඩසටහනක් නිර්මාණය කිරීමෙන් පසුව, නැවත වැඩිවීමේ පද්ධතිය වැඩිවන දත්ත කට්ටල (255) භාවිතා කරන ලදී.
බහු විකාශ ව්යාකූලත්වයේ අනුකෘතිය තුළ, විකර්ණ මූලද්රව්යයන් එක් එක් LS වර්ගය සඳහා නිවැරදි අනාවැකි ගණන නියෝජනය කරයි (රූපය 4). තීරණ ගස් ආකෘතිය භාවිතා කරමින් සාම්පල 64 ක් නිවැරදිව පුරෝකථනය කර ඇත. මේ අනුව, මෙම අධ්යයනයේ දී, විකර්ණ මූලද්රව්යයන් අපේක්ෂිත ප්රති results ල පෙන්වන අතර, ආකෘතිය මනාව හොඳින් ක්රියා කරන අතර එක් එක් එල්එස් වර්ගීකරණය සඳහා පන්ති ලේබලය නිවැරදිව පුරෝකථනය කරයි. මේ අනුව, නිර්දේශ මෙවලමෙහි සමස්ත නිරවද්යතාවය 100% කි.
නිරවද්යතාව, නිරවද්යතාව, සිහිපත් කිරීමේ සාරධර්මවල සාරධර්ම, සහ එෆ් 1 ලකුණු රූප සටහනේ දක්වා ඇත. තීරණාත්මක ගස් ආකෘතිය භාවිතා කරමින් නිර්දේශ ක්රමය සඳහා, එහි F1 අගය 1.0 "පරිපූර්ණ,", වැදගත් සංවේදීතාව සහ නිශ්චිතතාව පිළිබිඹු කරයි සාරධර්ම.
පුහුණුව හා පරීක්ෂා කිරීමෙන් පසු තීරණ ගස් ආකෘතියේ දෘශ්යකරණයක් 6 දැක්වේ. පැත්තකින් සසඳන විට, අඩු විශේෂාංග සමඟ පුහුණු වූ තීරණාත්මක ගස් ආකෘතිය ඉහළ නිරවද්යතාව සහ ආකෘති දෘශ්යකරණය පෙන්නුම් කරයි. මෙයින් පෙනී යන්නේ විශේෂාංග විශේෂාංගය අඩුවීමට හේතු වන ලක්ෂණ ඉංජිනේරු ආකෘති කාර්ය සාධනය වැඩි දියුණු කිරීමේ වැදගත් පියවරක් බවයි.
තීරණ ගස අධීක්ෂණය කරන ලද ඉගෙනීම යෙදීමෙන්, LS (ආදානය) අතර සිතියම් ගත කිරීමෙන් (ඉලක්කගත ප්රතිදානය) (ඉලක්කගත ප්රතිදානය) ස්වයංක්රීයව ජනනය වන අතර එක් එක් එල්එස් සඳහා සවිස්තරාත්මක තොරතුරු අඩංගු වේ.
ප්රති results ලවලින් පෙනී යන්නේ සිසුන් 255 දෙනාගෙන් 34.9% ක් කැමති එක් (1) විකල්පයක් බවයි. බහුතරය (54.3%) සඳහා ls මනාප දෙකක් හෝ වැඩි ගණනක් තිබුණි. 12.2% ක් සිසුන්ගෙන් සමන්විත වූයේ එල්එස් තරමක් සමතුලිත බවයි (වගුව 4). ප්රධාන LS අටට අමතරව මලාව විශ්ව විද්යාලයේ සිසුන් සඳහා එල්එස් වර්ගීකරණයන් 34 ක් ඇත. ඒ අතර, සංජානනය, දර්ශනය සහ සංජානනය හා දැක්ම සංයෝජනය සිසුන් විසින් වාර්තා කරන ලද ප්රධාන LS (රූපය 7) වේ.
4 වන වගුවේ සිට දැකිය හැකි පරිදි, බහුතරයක් බහුතරයක් (13.7%) හෝ දෘශ්ය (8.6%) එල්එස්. සිසුන්ගෙන් 12.2% ක් පෙනීම සමඟ සංජානනය ඒකාබද්ධ කළ බව වාර්තා වේ (ප්රත්භාෂ-දෘශ්ය ls). මෙම සොයාගැනීම්වලින් පෙනී යන්නේ සිසුන් ස්ථාපිත ක්රම මගින් ඉගෙන ගැනීමට හා මතක තබා ගැනීමට කැමැත්තක් දක්වන බවත්, නිශ්චිත හා සවිස්තරාත්මක ක්රියා පටිපාටි අනුගමනය කිරීමටත්, සොබාදහමේ අවධානයෙන් සිටිති. ඒ අතරම, ඔවුන් බැලීමෙන් ඉගෙනීම භුක්ති විඳින අතර (රූප සටහන් භාවිතා කිරීම ආදිය) සහ ඒවායේ හෝ තනිවම තොරතුරු සාකච්ඡා කිරීමට හා අදාළ කර ගැනීමට නැඹුරු වේ.
දත්ත කැණීම සඳහා භාවිතා කරන යන්ත්ර ඉගෙනුම් ක්රම පිළිබඳ භාවිතා කරන යන්ත්ර ඉගෙනුම් ක්රම පිළිබඳ දළ විශ්ලේෂණයක් මෙම අධ්යයනයෙන් දළ විශ්ලේෂණයක් සපයයි. තීරණ ගස ආකෘතියක් යෙදීම ඔවුන්ගේ ජීවිත හා අධ්යාපනික අත්දැකීම් වලට වඩාත්ම සමීප සාධක හඳුනාගෙන ඇත. එය නිශ්චිත නිර්ණායක මත පදනම්ව දත්ත සමූහයක් උප කාණ්ඩවලට බෙදීමෙන් දත්ත වර්ගීකරණය කිරීම සඳහා ගස් ව්යුහයක් භාවිතා කරන අධීක්ෂණය කරන ලද යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමයකි. පත්රයේ නෝඩයේ තීරණයක් ගන්නා තෙක් එක් එක් අභ්යන්තර නෝඩයේ ආදාන අංගයක වටිනාකම මත පදනම්ව ආදාන දත්ත උපසිරැසියකට බෙදීමෙන් එය ක්රියාත්මක වේ.
තීරණ ගසෙහි අභ්යන්තර නෝඩ් මඟින් M-ILS ගැටලුවේ ආදාන ලක්ෂණ මත පදනම් වූ විසඳුම නියෝජනය කරන අතර, පත්ර නෝඩ් අවසාන LS වර්ගීකරණ අනාවරණය නිරූපණය කරයි. අධ්යයනය පුරාම, ආදාන විශේෂාංග අතර ඇති සම්බන්ධතාවය සහ ප්රතිදාන අනාවැකි අතර ඇති සම්බන්ධතාවය දෙස බැලීමෙන් තීරණ ගැනීමේ ක්රියාවලිය පැහැදිලි කිරීම හා දෘශ්යමාන කරන තීරණ ගැනීමේ ධූරාවලිය තේරුම් ගැනීම පහසුය.
පරිගණක විද්යා හා ඉංජිනේරු ක්ෂේත්රවල යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම යන ක්ෂේත්රවල, ඔවුන්ගේ ප්රවේශ විභාග ලකුණු, ජන විකාශ තොරතුරු සහ ඉගෙනීමේ හැසිරීම මත පදනම්ව ශිෂ්ය ක්රියාකාරිත්වය පුරෝකථනය කිරීම සඳහා බහුලව භාවිතා වේ. ඇල්ගොරිතමය ශිෂ්ය ක්රියාකාරිත්වය නිවැරදිව පුරෝකථනය කළ අතර අධ්යයන දුෂ්කරතා සඳහා අවදානමට ලක්වූ සිසුන් හඳුනා ගැනීමට ඔවුන්ට උදව් වූ බව පර්යේෂණවලින් හෙළි වී තිබේ.
දන්ත පුහුණුව සඳහා අථත්ය රෝගීන් සිමියුලේටර්ගේ දියුණුව තුළ එම්එල් ඇල්ගොරිතම අනුගමනය කිරීම වාර්තා වේ. සිමියුලේටරය සැබෑ රෝගීන්ගේ භෞතික විද්යාත්මක ප්රතිචාර නිවැරදිව ප්රතිනිෂ්පාදනය කිරීමට හැකියාව ඇති අතර, ආරක්ෂිත හා පාලිත පරිසරයක දන්ත සිසුන් පුහුණු කිරීම සඳහා භාවිතා කළ හැකිය [23]. තවත් අධ්යයන කිහිපයක් පෙන්නුම් කරන්නේ යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම මගින් දන්ත හා වෛද්ය අධ්යාපනයේ ගුණාත්මකභාවය හා කාර්යක්ෂමතාව සහ රෝගියාගේ රැකවරණය වැඩි දියුණු කළ හැකි බවයි. රෝග ලක්ෂණ සහ රෝගීන්ගේ ලක්ෂණ වැනි දත්ත කට්ටල මත පදනම්ව දන්ත රෝග විනිශ්චය කිරීම සඳහා මැෂින් ඉගෙනුම් ඇල්ගොරිතම භාවිතා කර ඇත [24, 25]. රෝගීන්ගේ ප්රති come ල හඳුනා ගැනීම, පුද්ගල අවදානම් රෝගීන් හඳුනා ගැනීම, පුද්ගලීකරණය කළ ප්රතිකාර සැලසුම් සංවර්ධනය කිරීම, ආවර්තිතා ප්රතිකාර [26] සහ කාර් ප්රතිකාර [25]
දන්ත වෛද්ය විද්යාවේ යන්ත්ර ඉගෙනීමේ යෙදුම් පිළිබඳ වාර්තා ප්රකාශයට පත් කර තිබුණද, දන්ත අධ්යාපනයේ යෙදවීම සීමිතය. එබැවින්, මෙම අධ්යයනයේ අරමුණ වූයේ LS සමඟ වඩාත්ම සමීපව සම්බන්ධ වන සාධක හඳුනා ගැනීම සඳහා තීරණ ගසක් ආකෘතියක් භාවිතා කිරීම සහ දන්ත සිසුන් අතර වේ.
මෙම අධ්යයනයේ ප්රති results ලවලින් පෙනී යන්නේ සංවර්ධිත නිර්දේශ මෙවලම මගින් ඉහළ නිරවද්යතාවයක් සහ පරිපූර්ණ නිරවද්යතාවයක් ඇති අතර එයින් පෙන්නුම් කරන්නේ ගුරුවරුන්ට මෙම මෙවලමෙන් ප්රයෝජන ගත හැකි බවයි. දත්ත මත පදනම් වූ වර්ගීකරණ ක්රියාවලියක් භාවිතා කරමින්, එයට පුද්ගලික නිර්දේශයන් සැපයීමට සහ අධ්යාපන අත්දැකීම් සහ අධ්යාපන ators යා සහ සිසුන් සඳහා ප්රති come ල ලබා දිය හැකිය. ඒ අතර, නිර්දේශ මෙවලම් මගින් ලබාගත් තොරතුරු ගුරුවරුන්ගේ කැමති ඉගැන්වීමේ ක්රම සහ සිසුන්ගේ ඉගෙනීමේ අවශ්යතා අතර ගැටුම් නිරාකරණය කර ගත හැකිය. නිදසුනක් වශයෙන්, නිර්දේශ මෙවලම්වල ස්වයංක්රීය ප්රතිදානය හේතුවෙන්, ශිෂ්යයෙකුගේ IP හඳුනා ගැනීමට අවශ්ය කාලය සහ ඊට අනුරූප IP සමඟ ගැලපෙන පරිදි එය සැලකිය යුතු ලෙස අඩු කරනු ලැබේ. මේ ආකාරයෙන්, සුදුසු පුහුණු ක්රියාකාරකම් සහ පුහුණු ද්රව්ය සංවිධානය කළ හැකිය. මෙය සිසුන්ගේ ධනාත්මක ඉගෙනීමේ හැසිරීම සහ අවධානය යොමු කිරීමේ හැකියාව වර්ධනය කිරීමට උපකාරී වේ. එක් අධ්යයනයකින් හෙළි වූයේ ඉගෙනීමේ ද්රව්ය හා ඉගෙනීමේ ක්රියාකාරකම් ඇති සිසුන්ට වැඩි විභවයක් ලබා ගැනීම සඳහා විවිධ ආකාරවලින් ඉගෙන ගැනීමට සිසුන්ට විවිධ ආකාරවලින් ලබා ගත හැකි බවයි [12]. පන්ති කාමරයේ ශිෂ්ය සහභාගීත්වය වැඩිදියුණු කිරීමට අමතරව, සිසුන්ගේ ඉගෙනුම් ක්රියාවලිය අවබෝධ කර ගැනීමට අමතරව, සිසුන් සමඟ සන්නිවේදන පිළිවෙත් හා සන්නිවේදනය වැඩි දියුණු කිරීම සඳහා ද සිසුන්ගේ ඉගෙනුම් ක්රියාවලිය අවබෝධ කර ගැනීමට අමතරව පර්යේෂණවලින් පෙනී යයි. [28,, 29].
කෙසේ වෙතත්, ඕනෑම නවීන තාක්ෂණය මෙන්ම, ගැටළු සහ සීමාවන් ඇත. දත්ත රහස්යතාව, නැඹුරුව හා සාධාරණත්වය හා සම්බන්ධ ගැටළු සහ මැෂින් අධ්යාපනය පිළිබඳ ඇල්ගොරිතම සංවර්ධනය කිරීම හා ක්රියාත්මක කිරීමට අවශ්ය වෘත්තීය කුසලතා සහ සම්පත් මෙයට ඇතුළත් ය. කෙසේ වෙතත්, මෙම ප්රදේශයේ ඇති උනන්දුව හා පර්යේෂණ වර්ධනය වන යන්ත්ර ඉගෙනීමේ තාක්ෂණයන් දන්ත අධ්යාපනය හා දන්ත සේවා කෙරෙහි ධනාත්මක බලපෑමක් ඇති කරයි.
මෙම අධ්යයනයේ ප්රති results ලවලින් පෙනී යන්නේ දන්ත වෛද්ය සිසුන්ගේ අඩක් "වටහා ගැනීම" යන ප්රවණතාවක් ඇති බවයි. මෙම වර්ගයේ ඉගෙනුම ලැබීමේ කරුණු හා කොන්ක්රීට් උදාහරණ, ප්රායෝගික දිශානතිය, විස්තර සඳහා ඉවසීම, සවිස්තරාත්මකව ඉවසීම, සහ "දෘශ්ය" එල්එස් මනාපය, අදහස් හා සිතුවිලි ප්රකාශ කිරීම සඳහා පාඩම්, ග්රැෆික්ස්, වර්ණ හා සිතින් භාවිතා කිරීමට ඉගෙන ගන්නන්. වර්තමාන ප්රති results ල දන්ත හා වෛද්ය සිසුන්ගෙන් es තක්සේරු කිරීම සඳහා ඩ්එස් භාවිතා කරමින් අනෙකුත් අධ්යයනවලට අනුකූල වන අතර ඔවුන්ගෙන් බොහෝ දෙනෙකුට ප්රහසික හා දෘශ්ය ls වල ලක්ෂණ ඇත. ඩල්මොලින් සහ ආල් යෝජනා කරන්නේ ඔවුන්ගේ LS ගැන සිසුන්ට දැනුම් දීම ඔවුන්ගේ ඉගෙනීමේ හැකියාවන් කරා ළඟා වීමට ඉඩ දෙන ලෙසයි. පර්යේෂකයන් තර්ක කරන්නේ ගුරුවරුන් සිසුන්ගේ අධ්යාපන ක්රියාවලිය සම්පූර්ණයෙන් වටහා ගන්නා විට, සිසුන්ගේ ක්රියාකාරිත්වය සහ ඉගෙනීමේ අත්දැකීම් වැඩි දියුණු කරන විවිධ ඉගැන්වීම් ක්රම සහ ක්රියාකාරකම් ක්රියාත්මක කළ හැකි බවයි. වෙනත් අධ්යයනවලින් හෙළි වී ඇත්තේ සිසුන්ගේ එල්එස් හැඩගැස්වීම සිසුන්ගේ ඉගෙනීමේ අත්දැකීම් සහ කාර්ය සාධනය ඔවුන්ගේ ඉගෙනුම් ශෛලීන් ඔවුන්ගේම ls [13, 33] ට ගැලපෙන පරිදි වැඩි දියුණු කිරීමයි.
සිසුන්ගේ ඉගෙනීමේ හැකියාවන් මත පදනම්ව ගුරු උපාය මාර්ග ක්රියාත්මක කිරීම සම්බන්ධයෙන් ගුරුවරුන්ගේ අදහස් වෙනස් විය හැකිය. මෙම ප්රවේශයේ ප්රතිලාභ, වෘත්තීය සංවර්ධන අවස්ථා, උපදේශනය සහ ප්රජා සහාය ඇතුළුව මෙම ප්රවේශයේ ප්රතිලාභ සමහරු දකින අතර අනෙක් ඒවා කාලය හා ආයතනික සහාය ගැන සැලකිලිමත් විය හැකිය. ශිෂ්ය කේන්ද්රීය ආකල්පයක් ඇති කිරීම සඳහා ශේෂය සඳහා උත්සාහ කිරීම ප්රධාන වේ. නවෝත්පාදන ක්රියා සහ ආධාරක පී ulty යින් සංවර්ධනය කිරීම මගින් ධනාත්මක වෙනසක් ඇති කිරීම සඳහා ධනාත්මක වෙනසක් ඇති කිරීම සඳහා ධනාත්මක වෙනසක් ඇති කිරීම සඳහා වැදගත් වෙනසක් සඳහා වැදගත් කාර්යභාරයක් ඉටු කිරීම සඳහා වැදගත් කාර්යභාරයක් ඉටු කිරීම සඳහා වැදගත් කාර්යභාරයක් ඉටු කළ හැකිය [34]. සැබවින්ම ගතික හා ප්රතිචාරාත්මක උසස් උසස් උසස් අධ්යාපන ක්රමයක් නිර්මාණය කිරීම සඳහා ප්රතිපත්ති සම්පාදකයින් ප්රතිපත්ති සම්පාදනය කිරීම, තාක්ෂණික ඒකාබද්ධ කිරීම සඳහා කැප කිරීම, තාක්ෂණික ඒකාබද්ධ කිරීම සඳහා සම්පත් කැප කිරීම වැනි නිර්භීත පියවර ගත යුතු අතර සිසුන්ගේ කේන්ද්රීය ප්රවේශයන් ප්රවර්ධනය කරන රාමු නිර්මාණය කිරීම. අපේක්ෂිත ප්රති .ල ලබා ගැනීම සඳහා මෙම පියවර ඉතා වැදගත් වේ. අවකලනය කළ උපදෙස් පිළිබඳ මෑත කාලීන පර්යේෂණවලින් පැහැදිලිවම පෙනී යන්නේ, අවකලනය කළ උපදෙස් සාර්ථකව ක්රියාත්මක කිරීම ගුරුවරුන් සඳහා අඛණ්ඩ පුහුණුව හා සංවර්ධන අවස්ථා අවශ්ය බවයි.
මෙම මෙවලම ශිෂ්ය හිතකාමී ඉගෙනුම් කටයුතු සැලසුම් කිරීම සඳහා ශිෂ්ය කේන්ද්රීය ප්රවේශයක් ගැනීමට කැමති දන්ත උගතුකරුවන්ට වටිනා සහාය ලබා දෙයි. කෙසේ වෙතත්, මෙම අධ්යයනය තීරණ ගස මිලි ආකෘති භාවිතයට සීමා වේ. අනාගතයේදී, විවිධ යන්ත්ර ඉගෙනීමේ ආකෘතීන්වල ක්රියාකාරිත්වයේ ක්රියාකාරිත්වය සංසන්දනය කිරීම සඳහා තවත් දත්ත එක්රැස් කළ යුතුය. මීට අමතරව, කිසියම් කාර්යයක් සඳහා වඩාත් සුදුසු යන්ත්රැම් ඉගෙනුම් ක්රමය තෝරා ගැනීමේදී, ආදර්ශ සංකීර්ණත්වය සහ අර්ථ නිරූපණය වැනි වෙනත් සාධක සලකා බැලීම වැදගත්ය.
මෙම අධ්යයනයේ සීමාවක් නම් එය අවධානය යොමු කිරීම එල්එස් සිතියම්කරණය කෙරෙහි පමණක් අවධානය යොමු වන අතර දන්ත සිසුන් අතර වේ. එබැවින් සංවර්ධිත නිර්දේශ ක්රමය දන්ත වෛද්ය සිසුන්ට සුදුසු ඒවාට පමණක් නිර්දේශ කෙරේ. සාමාන්ය උසස් අධ්යාපන ශිෂ්ය භාවිතය සඳහා වෙනස්කම් අවශ්ය වේ.
අලුතින් සංවර්ධනය කරන ලද යන්ත්ර ඉගෙනීමේ නිර්දේශ මෙවලම සිසුන්ගේ එල්එස් වලට අනුරූපව වර්ගීකරණය කිරීම හා ගැලපෙන පරිදි, අදාළ ඉගැන්වීම්කරුවන්ට අදාළ අධ්යාපන හා ඉගෙනීමේ කටයුතු සැලසුම් කිරීම සඳහා පළමු දන්ත අධ්යාපන වැඩසටහනක් බවට පත්වීම. දත්ත මත පදනම් වූ ත්රිකෝණාකාර ක්රියාවලියක් භාවිතා කිරීම, එයට පුද්ගලික නිර්දේශයක්, කාලය ඉතිරි කිරීම, විදුරුවත් උපාය මාර්ග වැඩිදියුණු කිරීම, සහාය ඉලක්ක කළ මැදිහත්වීම් සහ අඛණ්ඩ වෘත්තීය සංවර්ධනය ප්රවර්ධනය කිරීම. එහි අයදුම්පත දන්ත අධ්යාපනය සඳහා ශිෂ්ය කේන්ද්රීය ප්රවේශයන් ප්රවර්ධනය කරනු ඇත.
ගිලොක් ජානි ආශ්රිත මාධ්ය. ශිෂ්යයාගේ ඉගෙනුම් විලාසය සහ ගුරුවරයාගේ ඉගැන්වීමේ විලාසය අතර ගැලපීම හෝ නොගැලපීම. Int j model debic පරිගණක විද්යාව. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.1105
පශ්චාත් කාලය: අප්රේල් -29-2024