Et gëtt eng wuessend Bedierfnes fir Studentet-zentréiert Léieren (Scl) a Bänn Institutiounen, ënnersträichen d'Zännjäreg. Wéi och ëmmer, scl huet limitéiert Uwendung an Zännstalung. Dofir zielen dës Etude fir d'Uwendung vum SLA an der Zännmammen ze promoten andeems dës Entscheedung vum Entscheedung Maschinn léiert (ML) Technologie fir ze klasséieren An. Verspriechen Methoden fir Zännstudenten.
Am ganzen 255 Zännstänneg vun der Uni vun Malaya huet den modaya de modayende Index vu Léierstiler ofgeschloss (M-ilen) Questionnaire ze klasséieren Déi gesidd Donnéeën liesen déi eertaset) genannt ginn? D'Genauegkeet vun der Maschinning-baséiert baséiert ass Empfehlungstool ass dann bewäert.
D'Applikatioun vun der Entscheedung Baum Modeller an engem automatiséierte Kartéierungsprozess tëscht LS (Input) an ass (Zil Output) erlaabt eng direkt Lëscht vun de passenden Léierstrategien fir all Zännstudien fir all Zännstudien fir all Zännstudien fir all Zännstudien ze maachen. De Fallung vun der ACURACITIOUN D'Ascheid bedeit Perfekt Datementéierung an de Réckgang vun der zBAIllimaterial, déi uginn datt déi passender Gesellschafteritéit an Spezifizitéit an Spezifizitéit an Spezifizitéit an Spezifizitéit an Spezifizitéit ugewisen ass.
En ass recommandéieren op Basis vun engem ml Entscheedung Bam huet seng Fäegkeet viraussiichtlech ze korrekten Studenten ze korrigéieren d'Léierstiler mat passenden Léierstrategien. Dëse Tool bitt mächteg Optiounen fir de Planungscoursen oder Moduler oder Moduler fir d'Léiererfarung vun de Studenten ze verbesseren.
LOSENSEN AN LOSEN LOSEN GUNGALEEN Aktivitéiten op Bildungsinstitutiounen. Wann Dir enormlemesche Beruffsbildsch Schouldeg entwéckelt ass, ass et wichteg op de Léierhëllef vun de Studenten. D'Interieur tëscht de Studenten an hir Léierëmfeld kënnen duerch hir LS bestëmmt ginn. Fuerschung seet datt d'Léierpersonal-virgesinn Mësshandlung tëscht Studenten 'ss an ass negativ Konsequenze fir Studentegense vun der Opmierksamkeet ze hunn. Dëst wäert indirekten Zoustand beaflossen [1,2].
Ass eng Method vu Schoulmeeschtere benotzt fir d'Wësse fir d'Wëssen a Fäegkeeten ze verdeelen, fir Studenten ze hëllefen, déi Studente léieren d'Schüler ze léieren [3]. Allgemenger ze schwätzen, huet gudden Enseignanten Strategien oder ass dee Beschte Standpunkt vum Wëssen, d'Konzepter, an hir Bühn vun der Léieren. Den Designlaneschen wann SS an erschräicht, Studenten kënnen e spezifesche Sënn vu Fäegkeeten integréiereneren ze benotzen, lokal ze fannen. Typy, eng Lektioun Plang beinhalt méi Iwwerbegrunnung tëscht Lagenden, wéi d'Lieweszüdegkeet zu enger onofhängeger Praxis zu onofhängegt Praxis zu onofhängege Praxis ze greditéiert ze ginn. Dat wat dass effektive Enseignanten owesplang op d'Zil vum Gebai-Ludsten u Kennt d'Wëssen a Kapéiere [4].
D'Demande fir d'SLL eng Héichugendnéierungsinstitutiounen wuessen, installéiert d'Zännjäreg. Scl Strategien sinn entwéckelt fir d'Bedierfnes ze treffen. Dëst kann zum Beispill ginn, fir d'Schüpolitik an den Enseigengrens hunn, enzou fir op d'Commerbipellen ze léieren. Et gëtt gesot, déi Léierprodukter an Aktivitéite léiere kënnen, déi fir Studentenstännegkeetsstéierungsniveau oder Ariichten léiere kënnen, déi de Studenten "Promotiounserfarung verbesseren a positiv Léierungserfarunge [5] sinn.
Allgemeng schwätzen, Zännstalt Studenten vum spendenprogrammanten beaflosst, déi se bestëmmen an déi klinesch Ëmfeld an déi si effektiv interpersonal Fäegkeeten beaflossen. De prëtt vum Training ass zou ze obligéiere vun de Grondspusrei vun de Fall vun dealizikesche Kompetenzen anzefannen d'gewinnt Wëssenschaftikatik ze gëllen [6, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7. Fréi Fuerschung an d'Relatioun tëscht LS a gëtt fonnt datt d'Léierstrategien op de léifste Ls kritt, géife hëllefen den edukativen Prozess ze verbesseren [8]. D'Autoriséierunge recommandéieren eng Requiden vun de Léier a Bewäertung Methoden ze adäptelen fir un Studenten ze adaptéieren an ze verstoen.
D'Leider vum Stainemenneur vun Iech ze hëllefen deen ze Design ze hëllefen, z'ënnerst, an Aféierung, déi de Konditiounen vun de ganzer Wëssen ofhuele kann. Fuerscher mussen e puer LS Bewäertung Tools entwéckelt, sou wéi de Kolb-Zeeche Modell, de Felder-Sëlwermodesser Modell / VIPS / VOOLSSCHREIWEN HUNTs entwéckelt goufen, wéi de kolb-Zeeche Modell ass, de Feilermody Modell / Volem Modys (5, 10]. Geméiss der Literatur, dës Léiermodeller sinn déi meescht benotzt déi meescht benotzt an déi meescht studéiert Léiermodeller. An der aktueller Fuerschung Aarbecht, fslsm gëtt benotzt fir d'LSen ënner Zännstudenten ze bewäerten.
FSSLSM ass e breet benotzte Modell fir ze bewäerten Adaptive Léieren an der Ingenieur. Et gi vill verëffentlecht Wierker an der Gesondheetswëssenschaften (inklusiv Medizin, déi an der Praxitéitstécker an der Zännjähge sinn, dat ka mat FSLSM Modeller [5, 13, 13, 13, 13, 13, 13, 13, 13] ... D'Instrument benotzt fir d'Dimensioune vun den LS an der FLM ze moossen ass den Index vu Léierstiler genannt (uils) [8], wat enthält 44 Artikelen, déi véier Dimensatioun (aktiv / intuitiv / intuitiv / intuitiv / inspection Input (visuell). / verbal) a Verständnis (sequenziell / global) [14].
Wéi an der Figur 1 gewisen, all FSSLSM Dimensioun huet eng dominant Präferenz. Zum Beispill an der Veraarbechtungsdrirement, Studenten mat "aktive" LS léieren Dir direkt internéieren mat lëschten a Gruppen ze veraarden. De "reflektiven" ls bezitt sech op ze léieren duerch Gedanken anzeginn eleng ze schaffen. De "Ersatz" Dimensioun vun den LS kann an "Gefill" an / oder "Intuition opgedeelt ginn." "D'Gefill" Studenteure léiwer méi konkret Informatioun a praktesch Prozedure, sinn tatsächlech orientéiert am Verglach mat "intuitive", déi abstraktmaterial a kreativen an der Natur léiwer an der Natur. Den "Input" Dimensioun vun den LS besteet aus "visuell" an "verbal" Schüler. Leit mat "Visual" Ls léiwer duerch visuell Manifestatiounen (wéi Diagrammer, Videogruppen, oder liewege Virsätz), wou d'Leit mat "verbale" l l len a schrëftlech Erklärungen ze léieren. Fir "d'LS Dimensioune ze" verstoen ", kënnen esou d'Läscht an" Sequential "an" weltwäit "opgedeelt". "Squequentines Lipers léiwer eng linear Gedankenprozess a léiert Schrëtt fir Schrëtt, während global Schüler tendéieren en holistesche Gedankenprozess an ëmmer e besseren Verständnis vun deem wat se léieren.
Virtruent ass vill Researcher ugefaang, déi automatesch Datenfëllung entdecken entdecken Entdeckung entdecken, dorënner d'Entwécklung vun neien Algorithms fir grouss Quantitéite vu Donnéeën [15] 16] 16]. Baséierend op déi ugebuede Donnéeën, iwwerweist ml (Maschinnebesëtzer) fäeg Muster an Hypothesen ze generéieren, déi zukünfteg Resultater op der Entwécklung vun Algorithms [17]. Leet einfach, iwwerwaacht Maschinn Léierplazen Techniksinforméieren Input Daten an Zuch Algorithmen. Et generéiert dann eng Rei, déi d'Ausgaben klasséiert oder d'Resultat op Basis vun ähnlechen Situatiounen fir déi ugebuede Input Daten. De Haaptvirdeel vun der iwwerdriwwener Maschinn Like Algorithmen ass seng Fäegkeet fir ideal a gewënschte Resultater ze fettelen [17].
Duerch d'Benotzung vun der Dater-gedriwwen Methoden an Entscheedung Baumkontod Modeller, automatesch Detektioun vun den LS ass méiglech. D'Ännerunge goufen berechent ginn an der Verletzungsprogrammer a verschiddene Felder a Gesondheetswierker benotzt, inklusiv Aartiener [18, 19, 19, 19] 19]. An dëser Etude war de Modell war deen duerch d'Systempersonal trainéiert fir d'Kleedung vun de Studenten z'identifizéieren an dat Beschtim ze z'identifizéieren.
Den Zweck vun dëser Etude ass z'entwéckelen ass Liwwergraties op Basis vun de Schüler 'ls a gëllen d'Scl Approche andeems Dir en Empfehlungsinstrument ëmkëmmt fir ze läschen. Den Designfloss vum ass Empfeelungsinstrument als Strategie vun der Scl Method gëtt op Figur 1 ugewisen. De recommandéiert an zwee Deeler, déi an zwee Deeler opgedeelt gëtt.
Besonnesch nopréift d'Charakteristike vun Ärem Sécherheetsversécherung vun engem Ofsazbolger. D'Benotzung vun Webenclogien an d'Notzung vun de Entscheedungsrouer hu verdéngt. Etance, d'Instituter verbesseren, d'Benotzer Erfahrung an Mobilitéit andeems se etabléieren ze adaptéieren wéi Handyen an Tabië.
Den Experiment gouf an zwou Studien aus a Studenten aus der Fakultéit vun der Fakultisatioun duerch d'Uni vun Malaya deelgeholl op enger fräiwëlleger Basis. D'Participanten hunn op en Zännstudenten online m-ils op Englesch geäntwert. An der initialer Phas, en Datatet vu 50 Studenten goufe benotzt fir d'Entscheedung Bammaschinn ze trainéieren am Algorithmus. An der zweeter Phâtit vum Concert vun der Entwéckler vum Concert war et benotzt fir d'Amitatioun vum entwéckelt Instrument ze verbesseren.
All Aktivitéite kréien elo um Ufank vun all den Amitalorium déi am Agencetical Joer ugeet, via Microsoftce Teams. Den Zweck vun der Studie gouf erkläert an informéiert Zoustëmmung kritt. All Participanten goufen mat engem Link zur Verfügung gestallt fir Zougang zu de M-il. All Student gouf instruéiert fir all 44 Artikelen am Questionnaire ze beäntweren. Si kruten eng Woch fir déi geännert ULS gläichzäiteg ze kompletéieren an d'Location praktesch fir si während der Semesterbuch virum Ufank vum Semester ze kompletéieren. D'M-ile baséiert op dem originelle Ulsinstrument an geännert fir Zänngeschäft. Äer all Original UIL, à déféiert, et ass 44. och 44 verdeelt Artikelen (a ,sbraten), mat 11 op Aspekter vun all fs selektem Dimensioun.
Wärend den initiale Stänn vun der Toolentwécklung, ass d'Fuerscher manuell annotéiert d'Maps mat engem Dataset vu 50 Zänngeschäfter. Geméiss dem FSLM gëtt de System d'Zomm vun Äntwerten "a" an "b". Fir all Dimensioun, wann de Student "an" als Äntwert wielt, de LS ass als aktiv / Percept / Percuctualiséierend An. / Global Léierpersonal.
Nodeems Dir d'Workflow tëscht Zännschaugenfuerscher an de System Entwéckler ausgewielt gouf, goufen op der Flssm Domain ausgestallt an huet an de ml Modell vun all Student. "Dreck an, Dreck aus" ass e populäre Spréchwuert am Feld vun der Maschinn, mat engem Wäert op Datenqualitéit. D'Qualitéit vun den Inputdaten bestëmmt d'Präzisioun an d'Genauegkeet vum Maschinnmodell. Wärend der Feature Ingenieurphase ass eng nei Feature Set erstallt wat d'Zomm vun Äntwerten "a" B "baséiert op Flssm. Identifikatiounsnummeren vun Drogenpositiounen ginn an der Tabell 1 uginn.
Berechent de Score baséiert op den Äntwerten a bestëmmen de Student seng LS. Fir all Student, d'Partitur An. Eng aner Variant op der selwechter Dimensioun ass datt Partituren vun 9 bis 11 eng staark Präferenz fir een Enn reflektéiert oder déi aner [8].
Fir all Zifferen, Medie sollen an "aktiv" opgreiicht ginn, "Reflexiv" an "Bilorde". Zum Beispill, wann e Student seng "méi dacks äntwert" 3 B "op engem designéierte Element a säi / hirem Score méi wéi d'Schwell vun 5 fir d'Veraarbechtung vun den" aktive LS Domain. An. Allerdéngs huet d'Studente klasséiert als "reflektiv" ls wa se "B" méi wéi "A" A "A" A spezifeschen 11 Froen (Tabell 1) hunn a méi wéi 5 Punkten geschoss. Schlussendlech ass de Student an engem Zoustand vum "Equilibrium." Wann de Score net méi wéi 5 Punkten ass, da ass dëst e "Prozess" ls. De Klassifikatiounsprozess gouf fir déi aner LS Dimensioune widderholl, nämlech Perceptioun (aktiv / reflektiv), Input (visual / verbal), an Verständnis (sequenzen / Global).
Decisioun Tree Modele kënne verschidde Subnets vun Featuren an Entscheedungsregelen, déi verschidde Stänn vum Klassifikatiounsprozess benotzen. Et gëtt als eng populär Klassifikatioun a Prognosenstrument ugesinn. Et kann mat enger Tree Struktur wéi e Flowchart [20], an där do intern Nuddelen duerch Erreeche sinn, an all Spigelresultat gëtt
En einfachen Regel-baséiert Programm gouf erstallt fir automatesch all Student vun all Student op hir Äntwerte ze läschen. 2014 baséiert der Form vun enger Wann Ausso wou "wann" wann "wann 2" d'Veralung duerchgefouert ze gi sinn, dann idealerweis virauszesoen, dann idealerweis auszeginn, dann zielt d'Aktioun) Wann d'Date Set auslännesch Kartéierstellbüro an den Entscheedungsberaum ass richteg trainéiert a bewäert ass, kann dës Approche eng effektiv Manéier sinn fir de Prozess vun der passender LS ze automatiséieren.
Op der Partysgase vun der Entwécklung geseet, gouf den Thema wéinst 255 fir d'Genauegung vum Empfehlen ze verbesseren. D'Dateset gëtt an engem 1 gespléckt: 4 Verhältnis. 25% (64) vun den Datet gouf fir den Test gesat, an déi rescht 75% (191) benotzt als Trainingssett (Fig. 2). Den Datensrement muss opgedi sinn, fir de Modell ausgetrietéieren an op déiselwecht Donnéeën ze testen, wéi och de Modell ze erënneren ze erënneren an ze erënneren an ze erënneren De Modell ass op den Training gesat a bewaacht seng Leeschtung vum Testdement-Datent-Adressen a gouf ni virdrun.
Eemol ass den Tool entwéckelt, d'Applikatioun kaschten kënnen op d'Äntwerten op d'Äntwerten iwwer Zännstudente betruechten via e Web Interface. De Webbaséierte Informatiounssécherheets Empfehlungsmordsystem ass mat der Python Programméierungsprogramm mat dem Django Kader als Backend benotzt. Table 2 Lëschten vun de Biblioteren, déi an der Entwécklung vun dësem System benotzt ginn.
Den Datasett ass an engem Entscheedungsbam Modell geflunn fir d'Schüler Äntwerte ze berechnen fir de Student d'Miessungen automatesch ze klasséieren.
D'Duercherneen Matrix gëtt benotzt fir d'Genauegkeet vun enger Entscheedung Maschinn ze bewäerten, léieren Algorithmus op enger bestëmmter Dateset. Gläichzäiteg bewäerten et bewäert d'Leeschtung vum Klassifikatiounsmodell. Säin Propaktéen Reseiengegréiert a vergläicht mat den tatsächlech Dateatiks. D'Bewäertung Resultater baséieren op véier verschiddene Wäerter: richteg positiv (TP) - dat ass korrektst Kategorie positiv (FP) - De Model korrekt an d'negativer Klass virausgesot, a falsch negativ (FN) - FN Cala Prognosen eng negativ Klass, awer de richtege Label ass positiv.
Dës Wäerter ginn dann benotzt fir verschidden Zoustëmmung vum Scikit-Classifikation Modellum an Pythis, Zréck, vum F1kt, an F1 Scièratioun, an F1 Scrié, a F1 Scoris, an F1 Scrié, a F1 Scrié, a F1 Scrié. Hei sinn Beispiller:
Réckzuch (oder Empfindlechkeet) Mesuren d'Fäegkeet vum Model ze korrekt ze klassifizéieren d'LS, nodeems Dir de M-ilsunire beäntwert gëtt.
D'Spezifizitéit gëtt e richtege negativen Taux genannt. Wéi Dir vun der Ieweschte Formula gesi kënnt, sollt dëst de Verhältnis vun der richteger Negativer (TN) op richteg Negativer a falsch Positives (fp) gesinn. Als Deel vum recommandéierte Tool fir de Studenting Medikamenter ze klasséieren, soll et kapabel fir eng korrekt Identifikatioun ze sinn.
Den originelle Dataet vu 50 Studenten, déi benotzt goufen, trainéiert den Entscheedungsbaum ML Modell huet relativ niddereg Genauegkeet wéinst mënschleche Feeler an den Annotatiounen (Dësch 3). Nodeems Dir en einfachen Regel-baséiert Programm erstellt fir d'LS Partituren an de Student Annotatiounen ze berechnen, eng Erhéijung vun der Date vun Dateswahl (255) goufe benotzt fir den Empfänger ze trainéieren.
An der Multiclass-Verwirrungsperrix, déi diagonal Elementer vertrieden d'Zuel vun de korrekten Prognosen fir all LS Typ (Fig. 4). De Entscheedungsbam-Model benotze, insgesamt 64 Proben ware richteg virausgesot. Souverwier an dëser Etude weist déi erwationnel Resultater déi virauszesoen an den Model sech gutt auszesetzen a genau späitten de Klassiness fir all LS-Klassifikatioun. Dofir ass d'allgemeng Richtegkeet vum Empfehlen ausserhalb vun der Empféierer ass 100%.
D'Wäerter vu Genauegkeet, Präzisioun, erënneren, an F1 Score ginn op Figur 5 gewisen. Fir den Empfehlungssystem ass amgaang datt d'F1-Score an der Spezifizitéit ass Wäerter.
Figur 6 weist eng Visualiséierung vum Entscheedung vu Bamsodell nom Training an Testen sinn ofgeschloss. An engem Säit vum '-Säit erfaasst de éischte Bambam Model mat manner Froe ginn a méi einfach Modell Visualisatioun. Dëst weist op dës Feature
Andeems Dir de Chemenzbaum Canved Contained Léieren uwenden, d'Kartéierung tëscht LS (Input) an ass automatesch Ausgang) automatesch generéiert an enthält detailléiert Informatioun fir all LS.
D'Resultater hunn gewisen datt 34,9% vun de 255 Studente léiwer eng (1) LS Optioun am léifsten hunn. D'Majoritéit (54,3%) haten zwee oder méi LS Virléiften. 12.2% vun de Studenten, déi uginn datt d'LS ganz equilibréiert ass (Dësch 4). Zousätzlech zu den aacht Haaptschinne, et sinn 34 Kombinatioune vun der LS Klassifikatiounen fir d'Universitéit vun Malaya Delenth Studenten. Ënnert? D'Deeg an der Perceptioun an der Visioun sinn d'Haaptschürer gemellt vu Studenten (Fig. 7).
Wéi kann aus dem Dësch gesinn ginn 4, d'Majoritéit vun de Studente hunn e predominant sensoresch (13,7%) oder visuell (8,6%) ls. Et gouf gemellt datt 12,2% vun de Studenten kombinéiert Perceptioun mat Visioun (perceptuell Visual LS). Do datt d'Astellunge sollen schwätzen a weider duerchgoen duerch dinn Informatioun an ophëlt novollste Méiglechkeet, fuerderen; si verzielt an der Basis. Zur selwechter Zäit hu se léieren andeems se d'Dienmken u kengem Diagnikatiounen erausfannen, asw.) An inner dir ugiwwer an op Gruppenden ufroen a Informatiounen a Gruppe gären.
Dës Etude bitt eng Iwwersiicht vun der Maschinning Techniken, déi an der Datenbauere benotzt gëtt, mat engem Fokus op direkt an imagéiert d'Ls an recommandéieren. Uwendung vun engem Entscheedungsbau Modell identifizéiert d'Faktoren déi am meeschte mat hirem Liewen an edukativ Erfahrungen verbonne sinn. Et ass eng iwwerwaacht Maschinn Léiert Algorithmus, déi eng Bamstruktur benotze fir Daten ze klassifizéieren andeems Dir eng Rei vun Daten an Ënnerkategorien opgeet baséiert op verschiddene Critèren. Et funktionnéiert duerch repursiviven déi Input Daten an Ënnergang op de Wäert vun engem vun den Input Feature vun all interpen, bis eng Entscheedung am Blat ass.
Déi intern Wirbelen vum Entscheedungsbaum representéieren d'Léisung baséiert op der Input Charakteristiken vum M-ils Problem, an de Blat Noden déi lescht LS Klassifizéierungspräis virausgesot. Duerch déi Studie, et ass einfach d'Hierarchie vun der Entscheedungsbeem ze verstoen an d'Entscheedung vum Entscheedung ze visualiséieren a visualiséiere mat der Bezéiung tëscht Inputcourse an Ausgangsverëffentlechungen.
An de Computerwierklech an Ënnerbuerper, Lounge méi grouss, an hirer aslignéiert Virdeel op hir Entrée léieren déi engaggeschstausstellungen op hir Entrée léieren par raschterten op hirer Entrée Fuerschung huet gewisen datt den Algorithmus genau virausgesotem Studenteparatioun virausgesot an gehollef huet fir Studenten ze riskéieren fir d'akademesch Schwieregkeeten ze riskéieren.
D'Applikatioun vum ml Algorithmen an der Entwécklung vu virtuelle Patientimulatur fir Zännstraining gëtt gemellt. De Smulateur kakomplizéiert eng modumentéieren d'Erwäertunge vu richtege Patienten a kënne benotzt ginn op eng sécher anologesch Schüler op eng sécher a kontrolléiert Ëmwelt [23]. E puer aner Studien weisen déi Maschinn Algorithmen ënnerschreiwen kann d'Qualitéit an d'Effizienz vun Zänn- a medizinesch Ausbildung a Patientesprooch verbesseren. Maschinn Lagerung vum Algorhitmen goufen agefouert fir an der Diagnosis vun Zetontiounensabassitéit baséiert op Datenänner wéi Synéit an Patienträren déi 25, 25, 25, 25, 25 erreecht gëtt well d'Symptomer a Patientaktere hun. Wärend aner Studien hunn d'Benotzung vun Maschinn vun der Maschinn an Algorithmen erlieft fir Aufgaben ze maachen wéi Patienten Patientestänn z'ënnerscheeden, héichbestëmmt Behandlungspläng plangen [25], a Caries Behandlung [25]
Obwuel den Appliewen iwwer d'Applikatioun vu Maschinnals Louns ag Versetze gëtt, gouf hien d'Applikatioun an d'Ofstalung vun den Uschleideg verkaf. Dofir ass dës Etude zielt fir e Entscheedungsbau Modell ze benotzen fir d'Facteuren déi am meeschte vun der DSen z'identifizéieren an ass tëscht Zännstudenten.
D'Resultater vun dëser Institutioun vun dëser Zäit vun dëser Institutioun ass de bedeckt nom ugewisen UNOER Omhategkeet an dem Gravieuatioun. Benotzt eng Datebesaz-gedriwwen Klassifizéierungsprozess, kann et personaliséiert personaliséiert Ersorders fir educatoresch Erfarungen an aus Studenten ubidden. Regeätescht gesicht, vun Empfehlung Feinde kënnen d'Konflimitie tëscht Enseignemente vun der Enseignement vun der Enseignementer erméiglecht. Zum Beispill wéinst dem automateschen Optragnäppchen am Spill ass et fir en InterP säin IP ze identifizéieren a et mat der Direktioun finanzielle. Op Kéier gëtt wei passiegabel Trainingsaktivitéite-Substatiouns- oder Trainingsmederelluellef kënnen organiséiert ginn. Dëst hëlleft de Schüler säi positiven Léierverhalen an d'Fäegkeet ze entwéckelen. Déi Etude gemellt, déi de Studenten mat leschter Léiereméissungen kennen, déi behënnerte LS hëllefen, stëmmen d'Lëtzebuerger fir méi e Leit ze léieren, a super fir méi z'erméiglechen [12] ze léieren. Fuerschung weist och nach zousätzlech fir Student Participatioun am Klassesall ze verbesseren, mécht d'Verständnissstudentprozess mat enger kritescher Roll an d'Verbesserungspropraten a Kommunikatiounspropraten an d'Kommunikatioun [28, 28].
Wéi awer mat all modern Technologie gëtt et Problemer a Breitatiounen. Doze Ginneur hunn d'Spiller mat Datenspiller verbonnen, Broa Feeën, an déi professionnell Fäegkeeten a Ressourcen asbréift d'Iddithgeschmauslungs am Veralentwéckelen an der Zachtermausperreschter an der Zachlänner un Wéi och ëmmer, wuessen d'Zënse a Fuerschung an dësem Beräich seet datt Technologien e positiven Impakt op Zännbildung an Zänn Servicer hunn.
D'Resultater vun dëser Etude uginn datt d'Halschent vun Zännstänneg d'Tendenz eng Tendenz hunn "Drogen ze gesinn. Dës Zort vu Schüler huet eng Präferenz a konkretsten Beispiller, eng praktesch Orientéierung, Gedrénks, an eng "visuell" LS Prioritéit, a Kaarten fir d'Krampf wéi Kaarten ze léieren a Kaarten ze kréie wéi d'Krampfungen a Kaf a Kaarten ze léieren. Gläichgewiicht a Kaarten. Déi aktuell Resultater si konsequent mat anere Studien, déi Iech konsekt maache konsequent zu Uils an de ments a medezestlech Studenten an der Ergezéisseg a visueller Sch Studenten [12, 30]. Dalmolin et al proposéiere Studenten iwwer hir LS erlaabt hinnen z'erméiglechen hir Léierpotenzial z'erreechen. Fuerscher streiden datt wann d'Enseignanten vollstänneg bezeechent gëtt, e pflichte Studentenmethod Methoden an Aktivitéite kënne ginn, déi ëmgesat ginn, d'Leeschtungen a 61, 31.1] 36]. Aner Studien hunn gewisen, datt d'LSS'S d'LS upassen, weist och d'Verbesserungen an de Studenten hir Léierfarung an d'Performance, nodeems se hir Léierstiler änneren fir hir eege LS [13, 33, 33] ze passen.
Léierpersonal 'Entscheedungen kënnen d'Ëmsetzung vu Léierstrategien variéieren baséiert op Studenten' Léiersfäegkeeten. Während e puer jidderee sech d'Virdeeler vun dëser Approosse gesetzend gesetzlechen, déi berufflech Konventiounsséiglechkeeten, Kategorie, an ass haut et méiglech an den in in in in in in in in in in in in in in in inaktiveberen. Striewen fir d'Gläichgewiicht ass Schlëssel fir eng Studententransfer Haltung ze kreéieren. Fir eng méiftte Fraduktoren, wéi d'Unitéitszuelen, kann eng wichteg Roll opreegend änneren. Fir e wiktlechen an upsechech Bekannten ze beiellen, musse d'Politike vun Technologepransparenz foënzen, a Schrëftschaftsfäll matdennt. Dës Moossname liewen kritivéieren déi gewënschen Resultater z'evitéieren. En am leschte Fuerschung ërale Verbreedung huet kloer ugewisen datt et erfollegräich Ëmsetzung vun den Training fir Enseigenfuerderunge laang ass [35].
Dëse Tool gëtt wäertvoll Ënnerstëtzung fir Zännflägen déi eng steierlech Approche wëllen huelen fir Studentekräftegungsaktivitéiten ze plangen. Wéi och ëmmer, ass dës Etude bei d'Benotzung vum Decisioun Mal Modellen. An der Zukunft méikommen méi, méi ze realiséieren, déi aner Maschrëfte vun anere Maschrëftmlingsverhalen huet, fir d'Inspizatioun z'er- Andeelkeetsberoschummen. Zousätzlech wielt wann Dir déi passendste Maschinnmethod fir eng bestëmmt Aufgab gewielt hutt, ass et wichteg aner Faktore wéi Modelung wéi Modelung an Interpretatioun an Interpretatioun.
Eng Aschränkung vun dëser Etude ass datt et nëmme fokusséiert huet LS an ass tëscht Zännstudenten. Dofir, de entwéckelte Empfehlungssystem, déi nëmmen déi nei empfeelen, déi nëmmen déi gëeegent Studenten gëeegent sinn. Ännerunge sinn néideg fir allgemeng Héichschoulstudenten.
Déi nei entwéckelt Maschinning-baséiert Empfehlungsinstrument ass fäeg fir direkt ze klasséieren an de Studenten op déi entspriechend LESCHT ze maachen, ass et den éischte Dontentoragementsprogramméierungsprogrammer. Promidienë benotze en Datentdrinkentament Prozess Prozess, fir déi personaliséiert Empfehlungen, Späicheren Spigelstattung, respektéieren Dir am Strateurs-Entwécklungen? Seng Applikatioun förderen Student-zentrale Approche zu Diction Ausbildung.
Gilak Jani assoziéiert Press. Match oder Mësshandlung tëscht dem Student säi Léierstil an de Léierinstilstil. Int J mod educéiert Computerwëssenschaften. 2012; 4 (11): 51-60. https://doi.org/10,5815/iijoms.2012.11.05
Postzäit: Apr-29-2024