දන්ත වෛද්ය විද්යාව ඇතුළු උසස් අධ්යාපන ආයතනවල ශිෂ්ය කේන්ද්රීය ඉගෙනීම (SCL) සඳහා වැඩිවන අවශ්යතාවයක් පවතී. කෙසේ වෙතත්, දන්ත අධ්යාපනයේ SCL හි භාවිතය සීමිතය. එබැවින්, IS මාර්ගෝපදේශ සංවර්ධනය කිරීම සඳහා ප්රයෝජනවත් මෙවලමක් ලෙස දන්ත සිසුන්ගේ කැමති ඉගෙනුම් විලාසය (LS) සහ අනුරූප ඉගෙනුම් උපාය මාර්ග (IS) සිතියම්ගත කිරීම සඳහා තීරණ ගැනීමේ ගස් යන්ත්ර ඉගෙනුම් (ML) තාක්ෂණය භාවිතා කිරීමෙන් දන්ත වෛද්ය විද්යාවේ SCL යෙදීම ප්රවර්ධනය කිරීම මෙම අධ්යයනයේ අරමුණයි. දන්ත වෛද්ය සිසුන් සඳහා පොරොන්දු වූ ක්රම.
මලයා විශ්ව විද්යාලයේ දන්ත වෛද්ය සිසුන් 255 දෙනෙකු විසින් නවීකරණය කරන ලද ඉගෙනුම් විලාස දර්ශකය (m-ILS) ප්රශ්නාවලිය සම්පූර්ණ කරන ලද අතර, එහි අදාළ LS වලට වර්ගීකරණය කිරීම සඳහා අයිතම 44 ක් අඩංගු විය. එකතු කරන ලද දත්ත (දත්ත කට්ටලයක් ලෙස හැඳින්වේ) අධීක්ෂණය කරන ලද තීරණ ගස් ඉගෙනීමේදී සිසුන්ගේ ඉගෙනුම් විලාසයන් වඩාත් සුදුසු IS සමඟ ස්වයංක්රීයව ගැලපීම සඳහා භාවිතා කරයි. යන්ත්ර ඉගෙනීම මත පදනම් වූ IS නිර්දේශ මෙවලමෙහි නිරවද්යතාවය පසුව ඇගයීමට ලක් කෙරේ.
LS (ආදානය) සහ IS (ඉලක්ක ප්රතිදානය) අතර ස්වයංක්රීය සිතියම්කරණ ක්රියාවලියක තීරණ ගස් ආකෘති යෙදීමෙන් සෑම දන්ත වෛද්ය ශිෂ්යයෙකුටම සුදුසු ඉගෙනුම් උපාය මාර්ග ලැයිස්තුවක් වහාම ලබා ගත හැකිය. IS නිර්දේශ මෙවලම පරිපූර්ණ නිරවද්යතාවයක් සහ සමස්ත ආකෘති නිරවද්යතාවය සිහිපත් කිරීමක් පෙන්නුම් කළ අතර, LS IS සමඟ ගැලපීම හොඳ සංවේදීතාවයක් සහ නිශ්චිතතාවයක් ඇති බව පෙන්නුම් කරයි.
ML තීරණ ගසක් මත පදනම් වූ IS නිර්දේශ මෙවලමක්, දන්ත වෛද්ය සිසුන්ගේ ඉගෙනුම් විලාසයන් සුදුසු ඉගෙනුම් උපාය මාර්ග සමඟ නිවැරදිව ගැලපීමේ හැකියාව ඔප්පු කර ඇත. මෙම මෙවලම සිසුන්ගේ ඉගෙනුම් අත්දැකීම් වැඩිදියුණු කළ හැකි ඉගෙනුම් කේන්ද්රීය පාඨමාලා හෝ මොඩියුල සැලසුම් කිරීම සඳහා ප්රබල විකල්ප සපයයි.
ඉගැන්වීම සහ ඉගෙනීම අධ්යාපන ආයතනවල මූලික ක්රියාකාරකම් වේ. උසස් තත්ත්වයේ වෘත්තීය අධ්යාපන ක්රමයක් සංවර්ධනය කිරීමේදී, සිසුන්ගේ ඉගෙනුම් අවශ්යතා කෙරෙහි අවධානය යොමු කිරීම වැදගත් වේ. සිසුන් සහ ඔවුන්ගේ ඉගෙනුම් පරිසරය අතර අන්තර්ක්රියා ඔවුන්ගේ ඉගෙනුම් මට්ටම හරහා තීරණය කළ හැකිය. පර්යේෂණවලින් පෙනී යන්නේ සිසුන්ගේ ඉගෙනුම් මට්ටම සහ IS අතර ගුරුවරයා විසින් අදහස් කරන ලද නොගැලපීම් සිසුන්ගේ ඉගෙනීමට ඍණාත්මක ප්රතිවිපාක ඇති කළ හැකි බවයි, එනම් අවධානය අඩුවීම සහ අභිප්රේරණය වැනි. මෙය වක්රව සිසුන්ගේ කාර්ය සාධනයට බලපානු ඇත [1,2].
IS යනු සිසුන්ට දැනුම සහ කුසලතා ලබා දීම සඳහා ගුරුවරුන් විසින් භාවිතා කරන ක්රමයකි, එයට සිසුන්ට ඉගෙනීමට උපකාර කිරීම ඇතුළත් වේ [3]. සාමාන්යයෙන්, හොඳ ගුරුවරුන් තම සිසුන්ගේ දැනුමේ මට්ටම, ඔවුන් ඉගෙන ගන්නා සංකල්ප සහ ඔවුන්ගේ ඉගෙනීමේ අවධියට වඩාත් ගැලපෙන ඉගැන්වීමේ උපාය මාර්ග හෝ IS සැලසුම් කරයි. න්යායාත්මකව, LS සහ IS ගැළපෙන විට, සිසුන්ට ඵලදායී ලෙස ඉගෙන ගැනීම සඳහා නිශ්චිත කුසලතා සමූහයක් සංවිධානය කර භාවිතා කිරීමට හැකි වනු ඇත. සාමාන්යයෙන්, පාඩම් සැලැස්මකට අදියර අතර සංක්රාන්ති කිහිපයක් ඇතුළත් වේ, එනම් ඉගැන්වීමේ සිට මඟ පෙන්වන පුහුණුව දක්වා හෝ මඟ පෙන්වන පුහුණුවේ සිට ස්වාධීන පුහුණුව දක්වා. මෙය මනසේ තබාගෙන, ඵලදායී ගුරුවරුන් බොහෝ විට සිසුන්ගේ දැනුම සහ කුසලතා ගොඩනැගීමේ අරමුණින් උපදෙස් සැලසුම් කරයි [4].
දන්ත වෛද්ය විද්යාව ඇතුළු උසස් අධ්යාපන ආයතනවල SCL සඳහා ඇති ඉල්ලුම වර්ධනය වෙමින් පවතී. SCL උපාය මාර්ග සිසුන්ගේ ඉගෙනුම් අවශ්යතා සපුරාලීම සඳහා නිර්මාණය කර ඇත. උදාහරණයක් ලෙස, සිසුන් ඉගෙනුම් ක්රියාකාරකම්වලට ක්රියාකාරීව සහභාගී වන්නේ නම් සහ ගුරුවරුන් පහසුකම් සපයන්නන් ලෙස ක්රියා කරන්නේ නම් සහ වටිනා ප්රතිපෝෂණ ලබා දීම සඳහා වගකිව යුතු නම් මෙය සාක්ෂාත් කරගත හැකිය. සිසුන්ගේ අධ්යාපන මට්ටමට හෝ මනාපයන්ට සුදුසු ඉගෙනුම් ද්රව්ය සහ ක්රියාකාරකම් සැපයීමෙන් සිසුන්ගේ ඉගෙනුම් පරිසරය වැඩිදියුණු කළ හැකි අතර ධනාත්මක ඉගෙනුම් අත්දැකීම් ප්රවර්ධනය කළ හැකි බව කියනු ලැබේ [5].
සාමාන්යයෙන් කිවහොත්, දන්ත වෛද්ය සිසුන්ගේ ඉගෙනුම් ක්රියාවලියට ඔවුන් ඉටු කිරීමට අවශ්ය විවිධ සායනික ක්රියා පටිපාටි සහ ඔවුන් ඵලදායී අන්තර් පුද්ගල කුසලතා වර්ධනය කරන සායනික පරිසරය බලපායි. පුහුණුවේ අරමුණ වන්නේ දන්ත වෛද්ය විද්යාව පිළිබඳ මූලික දැනුම දන්ත සායනික කුසලතා සමඟ ඒකාබද්ධ කිරීමට සහ ලබාගත් දැනුම නව සායනික තත්වයන්ට යෙදවීමට සිසුන්ට හැකියාව ලබා දීමයි [6, 7]. LS සහ IS අතර සම්බන්ධතාවය පිළිබඳ මුල් කාලීන පර්යේෂණවලින් පෙනී ගියේ කැමති LS වලට සිතියම්ගත කළ ඉගෙනුම් උපාය මාර්ග සකස් කිරීම අධ්යාපන ක්රියාවලිය වැඩිදියුණු කිරීමට උපකාරී වන බවයි [8]. සිසුන්ගේ ඉගෙනීමට සහ අවශ්යතාවලට අනුවර්තනය වීමට විවිධ ඉගැන්වීම් සහ තක්සේරු ක්රම භාවිතා කිරීමට ද කතුවරුන් නිර්දේශ කරති.
සිසුන්ගේ ගැඹුරු දැනුම සහ විෂය කරුණු පිළිබඳ අවබෝධය වැඩි දියුණු කරන උපදෙස් සැලසුම් කිරීමට, සංවර්ධනය කිරීමට සහ ක්රියාත්මක කිරීමට උපකාර කිරීම සඳහා LS දැනුම යෙදීමෙන් ගුරුවරුන් ප්රතිලාභ ලබයි. පර්යේෂකයන් විසින් Kolb අත්දැකීම් සහිත ඉගෙනුම් ආකෘතිය, Felder-Silverman ඉගෙනුම් විලාස ආකෘතිය (FSLSM) සහ Fleming VAK/VARK ආකෘතිය [5, 9, 10] වැනි LS තක්සේරු මෙවලම් කිහිපයක් සංවර්ධනය කර ඇත. සාහිත්යයට අනුව, මෙම ඉගෙනුම් ආකෘති බහුලව භාවිතා වන සහ වඩාත්ම අධ්යයනය කරන ලද ඉගෙනුම් ආකෘති වේ. වත්මන් පර්යේෂණ කටයුතුවලදී, දන්ත වෛද්ය සිසුන් අතර LS තක්සේරු කිරීම සඳහා FSLSM භාවිතා කරයි.
ඉංජිනේරු විද්යාවේ අනුවර්තන ඉගෙනීම ඇගයීම සඳහා FSLSM බහුලව භාවිතා වන ආකෘතියකි. FSLSM ආකෘති [5, 11, 12, 13] භාවිතයෙන් සොයා ගත හැකි සෞඛ්ය විද්යාවන්හි (වෛද්ය විද්යාව, හෙද සේවය, ඖෂධවේදය සහ දන්ත වෛද්ය විද්යාව ඇතුළුව) බොහෝ ප්රකාශිත කෘති තිබේ. FLSM හි LS හි මානයන් මැනීමට භාවිතා කරන උපකරණය ඉගෙනුම් විලාස දර්ශකය (ILS) [8] ලෙස හැඳින්වේ, එහි LS හි මානයන් හතරක් තක්සේරු කරන අයිතම 44 ක් අඩංගු වේ: සැකසීම (ක්රියාකාරී/පරාවර්තක), සංජානනය (ප්රත්යක්ෂ/බුද්ධිමය), ආදානය (දෘශ්ය). /වාචික) සහ අවබෝධය (අනුක්රමික/ගෝලීය) [14].
රූප සටහන 1 හි පෙන්වා ඇති පරිදි, සෑම FSLSM මානයකටම ප්රමුඛ මනාපයක් ඇත. උදාහරණයක් ලෙස, සැකසුම් මානය තුළ, "ක්රියාකාරී" LS ඇති සිසුන් ඉගෙනුම් ද්රව්ය සමඟ සෘජුව අන්තර් ක්රියා කිරීමෙන් තොරතුරු සැකසීමට, කිරීමෙන් ඉගෙනීමට සහ කණ්ඩායම් වශයෙන් ඉගෙනීමට නැඹුරු වේ. "පරාවර්තක" LS යනු චින්තනය හරහා ඉගෙනීමට යොමු වන අතර තනිවම වැඩ කිරීමට කැමැත්තක් දක්වයි. LS හි "දැනගැනීමේ" මානය "හැඟීම" සහ/හෝ "ප්රතිභානය" ලෙස බෙදිය හැකිය. "හැඟීම්" ඇති සිසුන් වඩාත් සංයුක්ත තොරතුරු සහ ප්රායෝගික ක්රියා පටිපාටි වලට කැමැත්තක් දක්වයි, වියුක්ත ද්රව්ය වලට කැමති සහ වඩාත් නව්ය හා නිර්මාණශීලී ස්වභාවයක් ඇති "ප්රතිභාන" සිසුන්ට සාපේක්ෂව කරුණු-නැඹුරු වේ. LS හි "ආදාන" මානය "දෘශ්ය" සහ "වාචික" ඉගෙන ගන්නන්ගෙන් සමන්විත වේ. "දෘශ්ය" LS ඇති පුද්ගලයින් දෘශ්ය නිරූපණයන් (රූප සටහන්, වීඩියෝ හෝ සජීවී නිරූපණයන් වැනි) හරහා ඉගෙන ගැනීමට කැමැත්තක් දක්වන අතර, "වාචික" LS ඇති පුද්ගලයින් ලිඛිත හෝ වාචික පැහැදිලි කිරීම් වල වචන හරහා ඉගෙන ගැනීමට කැමැත්තක් දක්වයි. LS මානයන් "තේරුම් ගැනීමට", එවැනි ඉගෙන ගන්නන් "අනුක්රමික" සහ "ගෝලීය" ලෙස බෙදිය හැකිය. “අනුක්රමික ඉගෙන ගන්නන් රේඛීය චින්තන ක්රියාවලියකට කැමැත්තක් දක්වන අතර පියවරෙන් පියවර ඉගෙන ගනී, නමුත් ගෝලීය ඉගෙන ගන්නන් සාකල්ය චින්තන ක්රියාවලියක් ඇති අතර ඔවුන් ඉගෙන ගන්නා දේ පිළිබඳව සැමවිටම වඩා හොඳ අවබෝධයක් ලබා ගනී.
මෑතකදී, බොහෝ පර්යේෂකයන් ස්වයංක්රීය දත්ත මත පදනම් වූ සොයාගැනීම් සඳහා ක්රම ගවේෂණය කිරීමට පටන් ගෙන ඇති අතර, ඒවාට විශාල දත්ත ප්රමාණයක් අර්ථ නිරූපණය කළ හැකි නව ඇල්ගොරිතම සහ ආකෘති සංවර්ධනය කිරීම ඇතුළත් වේ [15, 16]. සපයා ඇති දත්ත මත පදනම්ව, අධීක්ෂණය කරන ලද ML (යන්ත්ර ඉගෙනීම) ඇල්ගොරිතම ගොඩනැගීම මත පදනම්ව අනාගත ප්රතිඵල පුරෝකථනය කරන රටා සහ උපකල්පන ජනනය කිරීමට සමත් වේ [17]. සරලව කිවහොත්, අධීක්ෂණය කරන ලද යන්ත්ර ඉගෙනුම් ශිල්පීය ක්රම ආදාන දත්ත හසුරුවන අතර ඇල්ගොරිතම පුහුණු කරයි. ඉන්පසු එය සපයන ලද ආදාන දත්ත සඳහා සමාන තත්වයන් මත පදනම්ව ප්රතිඵලය වර්ගීකරණය කරන හෝ පුරෝකථනය කරන පරාසයක් ජනනය කරයි. අධීක්ෂණය කරන ලද යන්ත්ර ඉගෙනුම් ඇල්ගොරිතමවල ප්රධාන වාසිය වන්නේ පරමාදර්ශී සහ අපේක්ෂිත ප්රතිඵල ස්ථාපිත කිරීමේ හැකියාවයි [17].
දත්ත මත පදනම් වූ ක්රම සහ තීරණ ගස් පාලන ආකෘති භාවිතා කිරීම තුළින්, LS ස්වයංක්රීයව අනාවරණය කර ගත හැකිය. සෞඛ්ය විද්යාවන් ඇතුළු විවිධ ක්ෂේත්රවල පුහුණු වැඩසටහන් වලදී තීරණ ගස් බහුලව භාවිතා වන බව වාර්තා වී ඇත [18, 19]. මෙම අධ්යයනයේ දී, සිසුන්ගේ LS හඳුනා ගැනීමට සහ ඔවුන්ට හොඳම IS නිර්දේශ කිරීමට පද්ධති සංවර්ධකයින් විසින් ආකෘතිය විශේෂයෙන් පුහුණු කරන ලදී.
මෙම අධ්යයනයේ අරමුණ වන්නේ සිසුන්ගේ LS මත පදනම් වූ IS බෙදාහැරීමේ උපාය මාර්ග සංවර්ධනය කිරීම සහ LS වෙත සිතියම්ගත කරන ලද IS නිර්දේශ මෙවලමක් සංවර්ධනය කිරීමෙන් SCL ප්රවේශය යෙදීමයි. SCL ක්රමයේ උපාය මාර්ගයක් ලෙස IS නිර්දේශ මෙවලමෙහි සැලසුම් ප්රවාහය රූපය 1 හි දක්වා ඇත. IS නිර්දේශ මෙවලම කොටස් දෙකකට බෙදා ඇත, ILS භාවිතා කරන LS වර්ගීකරණ යාන්ත්රණය සහ සිසුන් සඳහා වඩාත් සුදුසු IS සංදර්ශකය ඇතුළුව.
විශේෂයෙන්, තොරතුරු ආරක්ෂණ නිර්දේශ මෙවලම්වල ලක්ෂණ අතරට වෙබ් තාක්ෂණයන් භාවිතය සහ තීරණ ගස් යන්ත්ර ඉගෙනීමේ භාවිතය ඇතුළත් වේ. පද්ධති සංවර්ධකයින් ජංගම දුරකථන සහ ටැබ්ලට් වැනි ජංගම උපාංගවලට අනුවර්තනය කිරීමෙන් පරිශීලක අත්දැකීම් සහ සංචලනය වැඩි දියුණු කරයි.
මෙම අත්හදා බැලීම අදියර දෙකකින් සිදු කරන ලද අතර මලයා විශ්ව විද්යාලයේ දන්ත වෛද්ය පීඨයේ සිසුන් ස්වේච්ඡා පදනමක් මත සහභාගී විය. සහභාගිවන්නන් ඉංග්රීසි භාෂාවෙන් දන්ත වෛද්ය ශිෂ්යයෙකුගේ මාර්ගගත m-ILS සඳහා ප්රතිචාර දැක්වූහ. ආරම්භක අදියරේදී, තීරණ ගස් යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම පුහුණු කිරීම සඳහා සිසුන් 50 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරන ලදී. සංවර්ධන ක්රියාවලියේ දෙවන අදියරේදී, සංවර්ධනය කරන ලද උපකරණයේ නිරවද්යතාවය වැඩි දියුණු කිරීම සඳහා සිසුන් 255 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරන ලදී.
සියලුම සහභාගිවන්නන්ට අධ්යයන වර්ෂය අනුව, මයික්රොසොෆ්ට් කණ්ඩායම් හරහා සෑම අදියරකම ආරම්භයේ දී මාර්ගගත කෙටි විස්තරයක් ලැබේ. අධ්යයනයේ අරමුණ පැහැදිලි කරන ලද අතර දැනුවත් කැමැත්ත ලබා ගන්නා ලදී. සියලුම සහභාගිවන්නන්ට m-ILS වෙත ප්රවේශ වීම සඳහා සබැඳියක් ලබා දෙන ලදී. ප්රශ්නාවලියෙහි ඇති සියලුම අයිතම 44 ට පිළිතුරු දීමට සෑම සිසුවෙකුටම උපදෙස් දෙන ලදී. අධ්යයන වාරය ආරම්භ වීමට පෙර අධ්යයන වාර විවේකයේදී ඔවුන්ට පහසු වේලාවක සහ ස්ථානයක වෙනස් කරන ලද ILS සම්පූර්ණ කිරීමට ඔවුන්ට සතියක් ලබා දෙන ලදී. m-ILS මුල් ILS උපකරණය මත පදනම් වන අතර දන්ත වෛද්ය සිසුන් සඳහා වෙනස් කර ඇත. මුල් ILS හා සමානව, එහි ඒකාකාරව බෙදා හරින ලද අයිතම 44 ක් (a, b) අඩංගු වන අතර, එක් එක් අයිතම 11 ක් ඇති අතර, ඒවා එක් එක් FSLSM මානයේ අංශ තක්සේරු කිරීමට භාවිතා කරයි.
මෙවලම් සංවර්ධනයේ ආරම්භක අදියරේදී, පර්යේෂකයන් දන්ත වෛද්ය සිසුන් 50 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරමින් සිතියම් අතින් විවරණය කළහ. FSLM ට අනුව, පද්ධතිය "a" සහ "b" පිළිතුරු එකතුව සපයයි. සෑම මානයක් සඳහාම, ශිෂ්යයා "a" පිළිතුරක් ලෙස තෝරා ගන්නේ නම්, LS ක්රියාකාරී/ප්රත්යක්ෂ/දෘශ්ය/අනුක්රමික ලෙස වර්ගීකරණය කර ඇති අතර, ශිෂ්යයා "b" පිළිතුරක් ලෙස තෝරා ගන්නේ නම්, ශිෂ්යයා පරාවර්තක/ප්රතිභාෂාමය/භාෂාමය ලෙස වර්ගීකරණය කර ඇත. / ගෝලීය ඉගෙන ගන්නෙකු.
දන්ත අධ්යාපන පර්යේෂකයින් සහ පද්ධති සංවර්ධකයින් අතර වැඩ ප්රවාහය ක්රමාංකනය කිරීමෙන් පසුව, FLSSM වසම මත පදනම්ව ප්රශ්න තෝරාගෙන ML ආකෘතියට ඇතුළත් කරන ලද අතර එක් එක් ශිෂ්යයාගේ LS පුරෝකථනය කරන ලදී. "කුණු ඇතුළට, කුණු එළියට" යනු යන්ත්ර ඉගෙනුම් ක්ෂේත්රයේ ජනප්රිය කියමනක් වන අතර දත්ත ගුණාත්මකභාවය කෙරෙහි අවධාරණය කෙරේ. ආදාන දත්තවල ගුණාත්මකභාවය යන්ත්ර ඉගෙනුම් ආකෘතියේ නිරවද්යතාවය සහ නිරවද්යතාවය තීරණය කරයි. විශේෂාංග ඉංජිනේරු අවධියේදී, FLSSM මත පදනම් වූ "a" සහ "b" පිළිතුරු එකතුව වන නව විශේෂාංග කට්ටලයක් නිර්මාණය වේ. ඖෂධ ස්ථාන හඳුනාගැනීමේ අංක 1 වගුවේ දක්වා ඇත.
පිළිතුරු මත පදනම්ව ලකුණු ගණනය කර ශිෂ්යයාගේ LS තීරණය කරන්න. සෑම සිසුවෙකුටම, ලකුණු පරාසය 1 සිට 11 දක්වා වේ. 1 සිට 3 දක්වා ලකුණු එකම මානය තුළ ඉගෙනුම් මනාපයන්හි සමතුලිතතාවයක් පෙන්නුම් කරන අතර, 5 සිට 7 දක්වා ලකුණු මධ්යස්ථ මනාපයක් පෙන්නුම් කරයි, එයින් පෙන්නුම් කරන්නේ සිසුන් අනෙක් අයට ඉගැන්වීමට එක් පරිසරයක් කැමති බවයි. එකම මානයේ තවත් විචලනයක් නම්, 9 සිට 11 දක්වා ලකුණු එක් අන්තයකට හෝ අනෙක් අන්තයකට දැඩි මනාපයක් පිළිබිඹු කිරීමයි [8].
එක් එක් මානය සඳහා, ඖෂධ "ක්රියාකාරී", "පරාවර්තක" සහ "සමබර" ලෙස කාණ්ඩගත කරන ලදී. නිදසුනක් වශයෙන්, ශිෂ්යයෙකු නම් කරන ලද අයිතමයක "a" ට වඩා බොහෝ විට පිළිතුරු දෙන විට සහ සැකසුම් LS මානය නියෝජනය කරන විශේෂිත අයිතමයක් සඳහා ඔහුගේ/ඇයගේ ලකුණු 5 සීමාව ඉක්මවා ගිය විට, ඔහු/ඇය "ක්රියාකාරී" LS වසමට අයත් වේ. කෙසේ වෙතත්, නිශ්චිත ප්රශ්න 11 (වගුව 1) තුළ "a" ට වඩා "b" තෝරාගෙන ලකුණු 5 කට වඩා ලබා ගත් විට සිසුන් "පරාවර්තක" LS ලෙස වර්ගීකරණය කරන ලදී. අවසාන වශයෙන්, ශිෂ්යයා "සමතුලිතතාවයේ" තත්වයක සිටී. ලකුණු ලකුණු 5 නොඉක්මවන්නේ නම්, මෙය "ක්රියාවලි" LS වේ. සංජානනය (ක්රියාකාරී/පරාවර්තක), ආදානය (දෘශ්ය/වාචික) සහ අවබෝධය (අනුක්රමික/ගෝලීය) යන අනෙකුත් LS මානයන් සඳහා වර්ගීකරණ ක්රියාවලිය නැවත නැවතත් කරන ලදී.
තීරණ ගස් ආකෘති වර්ගීකරණ ක්රියාවලියේ විවිධ අවස්ථා වලදී විවිධ විශේෂාංග සහ තීරණ නීති උප කුලක භාවිතා කළ හැකිය. එය ජනප්රිය වර්ගීකරණය සහ පුරෝකථන මෙවලමක් ලෙස සැලකේ. එය ප්රවාහ සටහනක් [20] වැනි ගස් ව්යුහයක් භාවිතයෙන් නිරූපණය කළ හැකි අතර, එහි ගුණාංග අනුව පරීක්ෂණ නියෝජනය කරන අභ්යන්තර නෝඩ්, පරීක්ෂණ ප්රතිඵල නියෝජනය කරන සෑම ශාඛාවක්ම සහ පන්ති ලේබලයක් අඩංගු සෑම පත්ර නෝඩයක් (කොළ නෝඩයක්) ඇත.
සෑම සිසුවෙකුගේම ප්රතිචාර මත පදනම්ව ඔවුන්ගේ LS ස්වයංක්රීයව ලකුණු කර විවරණය කිරීම සඳහා සරල රීති පාදක වැඩසටහනක් නිර්මාණය කරන ලදී. රීති පාදක කර ඇත්තේ IF ප්රකාශයක ස්වරූපය ගන්නා අතර, එහිදී “IF” මඟින් ප්රේරකය විස්තර කරන අතර “THEN” මඟින් සිදු කළ යුතු ක්රියාව නියම කරයි, උදාහරණයක් ලෙස: “X සිදුවුවහොත්, Y කරන්න” (Liu et al., 2014). දත්ත කට්ටලය සහසම්බන්ධය ප්රදර්ශනය කරන්නේ නම් සහ තීරණ ගස් ආකෘතිය නිසි ලෙස පුහුණු කර ඇගයීමට ලක් කරන්නේ නම්, මෙම ප්රවේශය LS සහ IS ගැලපීමේ ක්රියාවලිය ස්වයංක්රීය කිරීමට ඵලදායී ක්රමයක් විය හැකිය.
සංවර්ධනයේ දෙවන අදියරේදී, නිර්දේශ මෙවලමෙහි නිරවද්යතාවය වැඩි දියුණු කිරීම සඳහා දත්ත කට්ටලය 255 දක්වා වැඩි කරන ලදී. දත්ත කට්ටලය 1:4 අනුපාතයකින් බෙදා ඇත. දත්ත කට්ටලයෙන් 25% (64) පරීක්ෂණ කට්ටලය සඳහා භාවිතා කරන ලද අතර, ඉතිරි 75% (191) පුහුණු කට්ටලය ලෙස භාවිතා කරන ලදී (රූපය 2). ආකෘතිය එකම දත්ත කට්ටලය මත පුහුණු කිරීම සහ පරීක්ෂා කිරීම වැළැක්වීම සඳහා දත්ත කට්ටලය බෙදිය යුතුය, එමඟින් ආකෘතිය ඉගෙන ගැනීමට වඩා මතක තබා ගැනීමට හේතු විය හැක. ආකෘතිය පුහුණු කට්ටලය මත පුහුණු කර ඇති අතර පරීක්ෂණ කට්ටලය මත එහි ක්රියාකාරිත්වය ඇගයීමට ලක් කරයි - ආකෘතිය මීට පෙර කවදාවත් දැක නැති දත්ත.
IS මෙවලම සංවර්ධනය කළ පසු, වෙබ් අතුරු මුහුණතක් හරහා දන්ත වෛද්ය සිසුන්ගේ ප්රතිචාර මත පදනම්ව LS වර්ගීකරණය කිරීමට යෙදුමට හැකි වනු ඇත. වෙබ් පාදක තොරතුරු ආරක්ෂණ නිර්දේශ මෙවලම් පද්ධතිය ගොඩනගා ඇත්තේ Django රාමුව පසුබිම ලෙස භාවිතා කරමින් Python ක්රමලේඛන භාෂාව භාවිතා කරමිනි. වගුව 2 මෙම පද්ධතියේ සංවර්ධනය සඳහා භාවිතා කරන පුස්තකාල ලැයිස්තුගත කරයි.
ශිෂ්ය LS මිනුම් ස්වයංක්රීයව වර්ගීකරණය කිරීම සඳහා ශිෂ්ය ප්රතිචාර ගණනය කර උපුටා ගැනීම සඳහා දත්ත කට්ටලය තීරණ ගස් ආකෘතියකට පෝෂණය කෙරේ.
දී ඇති දත්ත කට්ටලයක් මත තීරණ ගස් යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමයක නිරවද්යතාවය ඇගයීමට ව්යාකූල අනුකෘතිය භාවිතා කරයි. ඒ සමඟම, එය වර්ගීකරණ ආකෘතියේ ක්රියාකාරිත්වය ඇගයීමට ලක් කරයි. එය ආකෘතියේ අනාවැකි සාරාංශ කර ඒවා සැබෑ දත්ත ලේබල සමඟ සංසන්දනය කරයි. ඇගයීමේ ප්රතිඵල විවිධ අගයන් හතරක් මත පදනම් වේ: සත්ය ධනාත්මක (TP) - ආකෘතිය ධනාත්මක කාණ්ඩය නිවැරදිව පුරෝකථනය කළේය, ව්යාජ ධනාත්මක (FP) - ආකෘතිය ධනාත්මක කාණ්ඩය පුරෝකථනය කළේය, නමුත් සත්ය ලේබලය සෘණ විය, සත්ය සෘණ (TN) - ආකෘතිය සෘණ පන්තිය නිවැරදිව පුරෝකථනය කළේය, සහ ව්යාජ සෘණ (FN) - ආකෘතිය සෘණ පන්තියක් පුරෝකථනය කරයි, නමුත් සත්ය ලේබලය ධනාත්මක වේ.
මෙම අගයන් පසුව Python හි scikit-learn වර්ගීකරණ ආකෘතියේ විවිධ කාර්ය සාධන මිනුම් ගණනය කිරීමට භාවිතා කරයි, එනම් නිරවද්යතාවය, නිරවද්යතාවය, නැවත කැඳවීම සහ F1 ලකුණු. මෙන්න උදාහරණ:
මතකය (හෝ සංවේදීතාව) මගින් m-ILS ප්රශ්නාවලියට පිළිතුරු දීමෙන් පසු ශිෂ්යයෙකුගේ LS නිවැරදිව වර්ගීකරණය කිරීමට ආකෘතියට ඇති හැකියාව මනිනු ලැබේ.
නිශ්චිතතාව සත්ය සෘණ අනුපාතයක් ලෙස හැඳින්වේ. ඉහත සූත්රයෙන් ඔබට පෙනෙන පරිදි, මෙය සත්ය සෘණ (TN) සහ සත්ය සෘණ සහ ව්යාජ ධනාත්මක (FP) අනුපාතය විය යුතුය. ශිෂ්ය ඖෂධ වර්ගීකරණය සඳහා නිර්දේශිත මෙවලමෙහි කොටසක් ලෙස, එය නිවැරදිව හඳුනා ගැනීමට හැකියාව තිබිය යුතුය.
තීරණ ගස ML ආකෘතිය පුහුණු කිරීම සඳහා භාවිතා කරන ලද සිසුන් 50 දෙනෙකුගෙන් යුත් මුල් දත්ත කට්ටලය, විවරණවල මානව දෝෂ හේතුවෙන් සාපේක්ෂව අඩු නිරවද්යතාවයක් පෙන්නුම් කළේය (වගුව 3). LS ලකුණු සහ ශිෂ්ය විවරණ ස්වයංක්රීයව ගණනය කිරීම සඳහා සරල රීති-පාදක වැඩසටහනක් නිර්මාණය කිරීමෙන් පසු, නිර්දේශක පද්ධතිය පුහුණු කිරීම සහ පරීක්ෂා කිරීම සඳහා වැඩිවන දත්ත කට්ටල සංඛ්යාවක් (255) භාවිතා කරන ලදී.
බහු පන්ති ව්යාකූල අනුකෘතියේ, විකර්ණ මූලද්රව්ය එක් එක් LS වර්ගය සඳහා නිවැරදි අනාවැකි ගණන නියෝජනය කරයි (රූපය 4). තීරණ ගස් ආකෘතිය භාවිතා කරමින්, සාම්පල 64 ක් නිවැරදිව පුරෝකථනය කරන ලදී. මේ අනුව, මෙම අධ්යයනයේ දී, විකර්ණ මූලද්රව්ය අපේක්ෂිත ප්රතිඵල පෙන්වන අතර, ආකෘතිය හොඳින් ක්රියා කරන බවත්, එක් එක් LS වර්ගීකරණය සඳහා පන්ති ලේබලය නිවැරදිව පුරෝකථනය කරන බවත් පෙන්නුම් කරයි. මේ අනුව, නිර්දේශ මෙවලමෙහි සමස්ත නිරවද්යතාවය 100% කි.
නිරවද්යතාවය, නිරවද්යතාවය, නැවත කැඳවීම සහ F1 ලකුණු වල අගයන් රූප සටහන 5 හි දක්වා ඇත. තීරණ ගස් ආකෘතිය භාවිතා කරන නිර්දේශ පද්ධතිය සඳහා, එහි F1 ලකුණු 1.0 "පරිපූර්ණ" වන අතර, එය පරිපූර්ණ නිරවද්යතාවය සහ නැවත කැඳවීම පෙන්නුම් කරයි, සැලකිය යුතු සංවේදීතාව සහ නිශ්චිතතා අගයන් පිළිබිඹු කරයි.
පුහුණුව සහ පරීක්ෂණ අවසන් වූ පසු තීරණ ගස් ආකෘතියේ දෘශ්යකරණයක් රූප සටහන 6 හි දැක්වේ. පැත්තෙන් පැත්තෙන් සංසන්දනය කිරීමේදී, අඩු විශේෂාංග සහිතව පුහුණු කරන ලද තීරණ ගස් ආකෘතිය ඉහළ නිරවද්යතාවයක් සහ පහසු ආකෘති දෘශ්යකරණයක් පෙන්නුම් කළේය. මෙයින් පෙනී යන්නේ විශේෂාංග අඩු කිරීමට මඟ පෙන්වන විශේෂාංග ඉංජිනේරු විද්යාව ආකෘති කාර්ය සාධනය වැඩි දියුණු කිරීමේ වැදගත් පියවරක් බවයි.
තීරණ ගස අධීක්ෂණය කරන ලද ඉගෙනීම යෙදීමෙන්, LS (ආදානය) සහ IS (ඉලක්ක ප්රතිදානය) අතර සිතියම්ගත කිරීම ස්වයංක්රීයව ජනනය වන අතර එක් එක් LS සඳහා සවිස්තර තොරතුරු අඩංගු වේ.
ප්රතිඵලවලින් පෙනී ගියේ සිසුන් 255 දෙනාගෙන් 34.9% ක් එක් (1) LS විකල්පයකට කැමති බවයි. බහුතරයකට (54.3%) LS මනාප දෙකක් හෝ වැඩි ගණනක් තිබුණි. සිසුන්ගෙන් 12.2% ක් LS තරමක් සමබර බව සඳහන් කළහ (වගුව 4). ප්රධාන LS අටට අමතරව, මලයා විශ්ව විද්යාලයේ දන්ත වෛද්ය සිසුන් සඳහා LS වර්ගීකරණයන්හි සංයෝජන 34 ක් ඇත. ඒවා අතර, සංජානනය, දැක්ම සහ සංජානනය සහ දැක්ම සංයෝජනය සිසුන් විසින් වාර්තා කරන ලද ප්රධාන LS වේ (රූපය 7).
වගුව 4 හි දැකිය හැකි පරිදි, සිසුන්ගෙන් බහුතරයකට ප්රමුඛ සංවේදක (13.7%) හෝ දෘශ්ය (8.6%) LS තිබුණි. සිසුන්ගෙන් 12.2% ක් සංජානනය දර්ශනය සමඟ ඒකාබද්ධ කළ බව වාර්තා විය (ප්රත්යක්ෂ-දෘශ්ය LS). මෙම සොයාගැනීම්වලින් පෙනී යන්නේ සිසුන් ස්ථාපිත ක්රම හරහා ඉගෙනීමට සහ මතක තබා ගැනීමට කැමැත්තක් දක්වන බවත්, නිශ්චිත හා සවිස්තරාත්මක ක්රියා පටිපාටි අනුගමනය කරන බවත්, ස්වභාවයෙන්ම අවධානයෙන් සිටින බවත්ය. ඒ සමඟම, ඔවුන් බැලීමෙන් (රූප සටහන් ආදිය භාවිතා කරමින්) ඉගෙනීමට කැමති වන අතර කණ්ඩායම් වශයෙන් හෝ තනිවම තොරතුරු සාකච්ඡා කර අදාළ කර ගැනීමට නැඹුරු වෙති.
මෙම අධ්යයනය දත්ත කැණීමේදී භාවිතා කරන යන්ත්ර ඉගෙනුම් ශිල්පීය ක්රම පිළිබඳ දළ විශ්ලේෂණයක් සපයන අතර, සිසුන්ගේ LS ක්ෂණිකව සහ නිවැරදිව පුරෝකථනය කිරීම සහ සුදුසු IS නිර්දේශ කිරීම කෙරෙහි අවධානය යොමු කරයි. තීරණ ගස් ආකෘතියක් යෙදීමෙන් ඔවුන්ගේ ජීවිතයට සහ අධ්යාපනික අත්දැකීම්වලට වඩාත් සමීපව සම්බන්ධ සාධක හඳුනා ගන්නා ලදී. එය ඇතැම් නිර්ණායක මත පදනම්ව දත්ත සමූහයක් උපප්රවර්ගවලට බෙදීමෙන් දත්ත වර්ගීකරණය කිරීම සඳහා ගස් ව්යුහයක් භාවිතා කරන අධීක්ෂණය කරන ලද යන්ත්ර ඉගෙනුම් ඇල්ගොරිතමයකි. පත්ර නෝඩයේ තීරණයක් ගන්නා තෙක් එක් එක් අභ්යන්තර නෝඩයේ එක් ආදාන ලක්ෂණයක අගය මත පදනම්ව ආදාන දත්ත උප කුලකවලට පුනරාවර්තන ලෙස බෙදීමෙන් එය ක්රියා කරයි.
තීරණ ගසෙහි අභ්යන්තර නෝඩ් m-ILS ගැටලුවේ ආදාන ලක්ෂණ මත පදනම් වූ විසඳුම නියෝජනය කරන අතර, පත්ර නෝඩ් අවසාන LS වර්ගීකරණ පුරෝකථනය නියෝජනය කරයි. අධ්යයනය පුරාවටම, ආදාන විශේෂාංග සහ ප්රතිදාන අනාවැකි අතර සම්බන්ධතාවය දෙස බැලීමෙන් තීරණ ක්රියාවලිය පැහැදිලි කරන සහ දෘශ්යමාන කරන තීරණ ගස්වල ධූරාවලිය තේරුම් ගැනීම පහසුය.
පරිගණක විද්යාව සහ ඉංජිනේරු ක්ෂේත්රවල, ප්රවේශ විභාග ලකුණු [21], ජනවිකාස තොරතුරු සහ ඉගෙනුම් හැසිරීම [22] මත පදනම්ව සිසුන්ගේ කාර්ය සාධනය පුරෝකථනය කිරීමට යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම බහුලව භාවිතා වේ. ඇල්ගොරිතම සිසුන්ගේ කාර්ය සාධනය නිවැරදිව පුරෝකථනය කළ බවත් අධ්යයන දුෂ්කරතා සඳහා අවදානමක් ඇති සිසුන් හඳුනා ගැනීමට ඔවුන්ට උපකාර කළ බවත් පර්යේෂණවලින් පෙනී ගියේය.
දන්ත පුහුණුව සඳහා අතථ්ය රෝගී සිමියුලේටර් සංවර්ධනය කිරීමේදී ML ඇල්ගොරිතම යෙදීම වාර්තා වේ. සිමියුලේටරය සැබෑ රෝගීන්ගේ භෞතික විද්යාත්මක ප්රතිචාර නිවැරදිව ප්රතිනිෂ්පාදනය කිරීමට සමත් වන අතර ආරක්ෂිත සහ පාලිත පරිසරයක දන්ත සිසුන් පුහුණු කිරීමට භාවිතා කළ හැකිය [23]. තවත් අධ්යයන කිහිපයකින් පෙන්නුම් කරන්නේ යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම මගින් දන්ත හා වෛද්ය අධ්යාපනයේ සහ රෝගී සත්කාරයේ ගුණාත්මකභාවය සහ කාර්යක්ෂමතාව වැඩි දියුණු කළ හැකි බවයි. රෝග ලක්ෂණ සහ රෝගී ලක්ෂණ වැනි දත්ත කට්ටල මත පදනම්ව දන්ත රෝග විනිශ්චය සඳහා සහාය වීමට යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම භාවිතා කර ඇත [24, 25]. රෝගීන්ගේ ප්රතිඵල පුරෝකථනය කිරීම, අධි අවදානම් සහිත රෝගීන් හඳුනා ගැනීම, පුද්ගලාරෝපිත ප්රතිකාර සැලසුම් සංවර්ධනය කිරීම [26], කාලාන්තර ප්රතිකාර [27] සහ දිරායාමේ ප්රතිකාර [25] වැනි කාර්යයන් ඉටු කිරීම සඳහා යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම භාවිතය වෙනත් අධ්යයනයන් විසින් ගවේෂණය කර ඇත.
දන්ත වෛද්ය විද්යාවේ යන්ත්ර ඉගෙනීමේ යෙදීම් පිළිබඳ වාර්තා ප්රකාශයට පත් කර ඇතත්, දන්ත අධ්යාපනයේ එහි යෙදීම් සීමිතයි. එබැවින්, දන්ත වෛද්ය සිසුන් අතර LS සහ IS සමඟ වඩාත් සමීපව සම්බන්ධ වන සාධක හඳුනා ගැනීම සඳහා තීරණ ගස් ආකෘතියක් භාවිතා කිරීම මෙම අධ්යයනයේ අරමුණ විය.
මෙම අධ්යයනයේ ප්රතිඵලවලින් පෙනී යන්නේ සංවර්ධනය කරන ලද නිර්දේශ මෙවලම ඉහළ නිරවද්යතාවයක් සහ පරිපූර්ණ නිරවද්යතාවයක් ඇති බවයි, එයින් පෙන්නුම් කරන්නේ ගුරුවරුන්ට මෙම මෙවලමෙන් ප්රයෝජන ගත හැකි බවයි. දත්ත මත පදනම් වූ වර්ගීකරණ ක්රියාවලියක් භාවිතා කිරීමෙන්, එය පුද්ගලාරෝපිත නිර්දේශ ලබා දිය හැකි අතර අධ්යාපනඥයින් සහ සිසුන් සඳහා අධ්යාපනික අත්දැකීම් සහ ප්රතිඵල වැඩිදියුණු කළ හැකිය. ඒ අතර, නිර්දේශ මෙවලම් හරහා ලබා ගන්නා තොරතුරු ගුරුවරුන්ගේ කැමති ඉගැන්වීමේ ක්රම සහ සිසුන්ගේ ඉගෙනුම් අවශ්යතා අතර ගැටුම් විසඳා ගත හැකිය. උදාහරණයක් ලෙස, නිර්දේශ මෙවලම්වල ස්වයංක්රීය ප්රතිදානය හේතුවෙන්, ශිෂ්යයෙකුගේ IP හඳුනාගෙන එය අනුරූප IP සමඟ ගැලපීමට අවශ්ය කාලය සැලකිය යුතු ලෙස අඩු වේ. මේ ආකාරයෙන්, සුදුසු පුහුණු ක්රියාකාරකම් සහ පුහුණු ද්රව්ය සංවිධානය කළ හැකිය. මෙය සිසුන්ගේ ධනාත්මක ඉගෙනුම් හැසිරීම සහ අවධානය යොමු කිරීමේ හැකියාව වර්ධනය කිරීමට උපකාරී වේ. එක් අධ්යයනයක් වාර්තා කළේ සිසුන්ට ඔවුන්ගේ කැමති LS වලට ගැලපෙන ඉගෙනුම් ද්රව්ය සහ ඉගෙනුම් ක්රියාකාරකම් ලබා දීමෙන් සිසුන්ට වැඩි විභවයක් ලබා ගැනීම සඳහා බහුවිධ ආකාරවලින් ඉගෙනීම ඒකාබද්ධ කිරීමට, සැකසීමට සහ භුක්ති විඳීමට උපකාරී වන බවයි [12]. පන්ති කාමරයේ සිසුන්ගේ සහභාගීත්වය වැඩිදියුණු කිරීමට අමතරව, සිසුන්ගේ ඉගෙනුම් ක්රියාවලිය අවබෝධ කර ගැනීම ඉගැන්වීමේ පිළිවෙත් සහ සිසුන් සමඟ සන්නිවේදනය වැඩිදියුණු කිරීමේදී ද තීරණාත්මක කාර්යභාරයක් ඉටු කරන බව පර්යේෂණවලින් පෙනී යයි [28, 29].
කෙසේ වෙතත්, ඕනෑම නවීන තාක්ෂණයක මෙන්, ගැටළු සහ සීමාවන් තිබේ. මේවාට දත්ත රහස්යතාව, පක්ෂග්රාහීත්වය සහ සාධාරණත්වය සම්බන්ධ ගැටළු සහ දන්ත අධ්යාපනයේ යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම සංවර්ධනය කිරීමට සහ ක්රියාත්මක කිරීමට අවශ්ය වෘත්තීය කුසලතා සහ සම්පත් ඇතුළත් වේ; කෙසේ වෙතත්, මෙම ක්ෂේත්රයේ වර්ධනය වන උනන්දුව සහ පර්යේෂණවලින් පෙනී යන්නේ යන්ත්ර ඉගෙනුම් තාක්ෂණයන් දන්ත අධ්යාපනය සහ දන්ත සේවාවන් කෙරෙහි ධනාත්මක බලපෑමක් ඇති කළ හැකි බවයි.
මෙම අධ්යයනයේ ප්රතිඵලවලින් පෙනී යන්නේ දන්ත වෛද්ය සිසුන්ගෙන් අඩකටම ඖෂධ "දැන ගැනීමේ" ප්රවණතාවක් ඇති බවයි. මෙම වර්ගයේ ඉගෙන ගන්නන් කරුණු සහ සංයුක්ත උදාහරණ, ප්රායෝගික දිශානතියක්, විස්තර සඳහා ඉවසීමක් සහ "දෘශ්ය" LS මනාපයක් ඇති අතර, එහිදී ඉගෙන ගන්නන් අදහස් සහ සිතුවිලි ප්රකාශ කිරීම සඳහා පින්තූර, ග්රැෆික්ස්, වර්ණ සහ සිතියම් භාවිතා කිරීමට කැමැත්තක් දක්වයි. වර්තමාන ප්රතිඵල දන්ත හා වෛද්ය සිසුන් තුළ LS තක්සේරු කිරීම සඳහා ILS භාවිතා කරන අනෙකුත් අධ්යයනයන් සමඟ අනුකූල වන අතර, ඔවුන්ගෙන් බොහෝ දෙනෙකුට සංජානන සහ දෘශ්ය LS ලක්ෂණ ඇත [12, 30]. ඩල්මොලින් සහ තවත් අය යෝජනා කරන්නේ ඔවුන්ගේ LS පිළිබඳව සිසුන්ට දැනුම් දීමෙන් ඔවුන්ගේ ඉගෙනුම් විභවය කරා ළඟා වීමට ඉඩ සලසන බවයි. පර්යේෂකයන් තර්ක කරන්නේ ගුරුවරුන් සිසුන්ගේ අධ්යාපන ක්රියාවලිය සම්පූර්ණයෙන්ම තේරුම් ගත් විට, සිසුන්ගේ කාර්ය සාධනය සහ ඉගෙනුම් අත්දැකීම් වැඩිදියුණු කරන විවිධ ඉගැන්වීමේ ක්රම සහ ක්රියාකාරකම් ක්රියාත්මක කළ හැකි බවයි [12, 31, 32]. වෙනත් අධ්යයනවලින් පෙන්වා දී ඇත්තේ සිසුන්ගේ LS සකස් කිරීම ඔවුන්ගේම LS වලට ගැලපෙන පරිදි ඔවුන්ගේ ඉගෙනුම් විලාසයන් වෙනස් කිරීමෙන් පසු සිසුන්ගේ ඉගෙනුම් අත්දැකීම් සහ කාර්ය සාධනයේ වැඩිදියුණු කිරීම් ද පෙන්නුම් කරන බවයි [13, 33].
සිසුන්ගේ ඉගෙනුම් හැකියාවන් මත පදනම්ව ඉගැන්වීමේ උපාය මාර්ග ක්රියාත්මක කිරීම සම්බන්ධයෙන් ගුරුවරුන්ගේ අදහස් වෙනස් විය හැකිය. වෘත්තීය සංවර්ධන අවස්ථා, උපදේශකත්වය සහ ප්රජා සහයෝගය ඇතුළුව මෙම ප්රවේශයේ ප්රතිලාභ සමහරු දකින අතර, තවත් සමහරු කාලය සහ ආයතනික සහයෝගය ගැන සැලකිලිමත් විය හැකිය. ශිෂ්ය කේන්ද්රීය ආකල්පයක් නිර්මාණය කිරීම සඳහා සමතුලිතතාවය සඳහා උත්සාහ කිරීම යතුරයි. විශ්ව විද්යාල පරිපාලකයින් වැනි උසස් අධ්යාපන බලධාරීන්ට නව්ය භාවිතයන් හඳුන්වා දීමෙන් සහ පීඨ සංවර්ධනයට සහාය වීමෙන් ධනාත්මක වෙනසක් ඇති කිරීමේදී වැදගත් කාර්යභාරයක් ඉටු කළ හැකිය [34]. සැබවින්ම ගතික සහ ප්රතිචාරාත්මක උසස් අධ්යාපන පද්ධතියක් නිර්මාණය කිරීම සඳහා, ප්රතිපත්ති සම්පාදකයින් ප්රතිපත්ති වෙනස්කම් සිදු කිරීම, තාක්ෂණ ඒකාබද්ධතාවය සඳහා සම්පත් කැප කිරීම සහ ශිෂ්ය කේන්ද්රීය ප්රවේශයන් ප්රවර්ධනය කරන රාමු නිර්මාණය කිරීම වැනි නිර්භීත පියවර ගත යුතුය. අපේක්ෂිත ප්රතිඵල ලබා ගැනීම සඳහා මෙම පියවර ඉතා වැදගත් වේ. වෙනස් කළ උපදෙස් පිළිබඳ මෑත කාලීන පර්යේෂණ පැහැදිලිව පෙන්වා දී ඇත්තේ වෙනස් කළ උපදෙස් සාර්ථකව ක්රියාත්මක කිරීම සඳහා ගුරුවරුන් සඳහා අඛණ්ඩ පුහුණුව සහ සංවර්ධන අවස්ථා අවශ්ය බවයි [35].
මෙම මෙවලම ශිෂ්ය-හිතකාමී ඉගෙනුම් ක්රියාකාරකම් සැලසුම් කිරීම සඳහා ශිෂ්ය කේන්ද්රීය ප්රවේශයක් ගැනීමට කැමති දන්ත අධ්යාපනඥයින්ට වටිනා සහායක් සපයයි. කෙසේ වෙතත්, මෙම අධ්යයනය තීරණ ගස් ML ආකෘති භාවිතයට සීමා වේ. අනාගතයේදී, නිර්දේශ මෙවලම්වල නිරවද්යතාවය, විශ්වසනීයත්වය සහ නිරවද්යතාවය සංසන්දනය කිරීම සඳහා විවිධ යන්ත්ර ඉගෙනුම් ආකෘතිවල කාර්ය සාධනය සංසන්දනය කිරීම සඳහා තවත් දත්ත රැස් කළ යුතුය. අතිරේකව, විශේෂිත කාර්යයක් සඳහා වඩාත් සුදුසු යන්ත්ර ඉගෙනුම් ක්රමය තෝරාගැනීමේදී, ආකෘති සංකීර්ණතාව සහ අර්ථ නිරූපණය වැනි වෙනත් සාධක සලකා බැලීම වැදගත් වේ.
මෙම අධ්යයනයේ සීමාවක් නම්, එය දන්ත වෛද්ය සිසුන් අතර LS සහ IS සිතියම්ගත කිරීම කෙරෙහි පමණක් අවධානය යොමු කිරීමයි. එබැවින්, සංවර්ධිත නිර්දේශ පද්ධතිය නිර්දේශ කරනු ලබන්නේ දන්ත වෛද්ය සිසුන්ට සුදුසු ඒවා පමණි. සාමාන්ය උසස් අධ්යාපන සිසුන්ගේ භාවිතය සඳහා වෙනස්කම් අවශ්ය වේ.
අලුතින් සංවර්ධනය කරන ලද යන්ත්ර ඉගෙනුම් පාදක නිර්දේශ මෙවලම, සිසුන්ගේ LS අනුරූප IS වලට ක්ෂණිකව වර්ගීකරණය කර ගැලපීමට සමත් වන අතර, එය දන්ත අධ්යාපනඥයින්ට අදාළ ඉගැන්වීම් සහ ඉගෙනුම් ක්රියාකාරකම් සැලසුම් කිරීමට උපකාර කරන පළමු දන්ත අධ්යාපන වැඩසටහන බවට පත් කරයි. දත්ත මත පදනම් වූ ත්රිත්ව ක්රියාවලියක් භාවිතා කරමින්, එයට පුද්ගලාරෝපිත නිර්දේශ සැපයීමට, කාලය ඉතිරි කර ගැනීමට, ඉගැන්වීමේ උපාය මාර්ග වැඩිදියුණු කිරීමට, ඉලක්කගත මැදිහත්වීම් සඳහා සහාය වීමට සහ අඛණ්ඩ වෘත්තීය සංවර්ධනය ප්රවර්ධනය කිරීමට හැකිය. එහි යෙදුම දන්ත අධ්යාපනය සඳහා ශිෂ්ය කේන්ද්රීය ප්රවේශයන් ප්රවර්ධනය කරනු ඇත.
ගිලක් ජානි ඇසෝසියේටඩ් ප්රෙස්. ශිෂ්යයාගේ ඉගෙනුම් විලාසය සහ ගුරුවරයාගේ ඉගැන්වීමේ විලාසය අතර ගැළපීම හෝ නොගැලපීම. Int J Mod Educ පරිගණක විද්යාව. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
පළ කිරීමේ කාලය: 2024 අප්රේල්-29