நூல் ஆசிரியர் : P.ஜைனுல் ஆபிதீன்
பி.ஜே. அவர்களின் புத்தகங்கள் மற்றும் திருக்குர்ஆன் தமிழாக்கம் வாங்க பின் வரும் முகவரியைத் தொடர்பு கொள்ளவும்.
Moon Publication
83,மூர் தெரு, மண்ணடி,
சென்னை-6,00,001
Phone No: 004 65690810, Mobile No: 9444276341, 9976223885
The document analyzes Tamil literature output in the National Bibliography of Indian Languages (NBIL) database using bibliometric techniques. It finds that Tamil literature growth was tremendous from 1946 to 1953. The authorship pattern shows that three authors contributed the most publications at 4.36% of the total. Tamil is the dominant language represented at 90.23%. Most documents (77.50%) are microfilmed. Philosophy and religion receive the most coverage, followed by history, biography, and travel.
The document summarizes several e-governance projects and services implemented in Tamil Nadu, India. It describes initiatives to provide online services for transportation licenses and registrations, commercial tax filings, scholarships, government procurement, social welfare programs, pregnancy monitoring, and technical education information. Many services allow citizens to apply, check status, and pay taxes online through a single window. Usage has increased significantly with over 1 million applications and registrations processed monthly in some programs.
This document discusses a proposed architecture for detecting emotions from Tamil news text using a neural network. The key inputs to the neural network are outputs from a domain classifier, two sentiment analyzers (one that detects negation and one that detects polarity), and three affect taggers. The neural network is trained to assign weights to these features to determine the overall emotion expressed in the text. A two-dimensional animated face generator would then display the detected emotion visually. The document reviews related work on emotion detection from text and discusses why this proposed neural network approach may be better suited for a morphologically rich language like Tamil compared to other methods.
The document discusses analyzing Tamil lyrics to determine word frequency, rhyme patterns, and concept co-occurrence. It presents an analysis of over 2,000 Tamil songs to identify the top 10 most commonly used words, rhyme pairs, and co-occurring concepts. The analysis found that the lyrics most commonly expressed emotions of happiness and love. Future work could examine identifying emotions by genre and genre-specific rhyming patterns and concept relationships.
நூல் ஆசிரியர் : P.ஜைனுல் ஆபிதீன்
பி.ஜே. அவர்களின் புத்தகங்கள் மற்றும் திருக்குர்ஆன் தமிழாக்கம் வாங்க பின் வரும் முகவரியைத் தொடர்பு கொள்ளவும்.
Moon Publication
83,மூர் தெரு, மண்ணடி,
சென்னை-6,00,001
Phone No: 004 65690810, Mobile No: 9444276341, 9976223885
The document analyzes Tamil literature output in the National Bibliography of Indian Languages (NBIL) database using bibliometric techniques. It finds that Tamil literature growth was tremendous from 1946 to 1953. The authorship pattern shows that three authors contributed the most publications at 4.36% of the total. Tamil is the dominant language represented at 90.23%. Most documents (77.50%) are microfilmed. Philosophy and religion receive the most coverage, followed by history, biography, and travel.
The document summarizes several e-governance projects and services implemented in Tamil Nadu, India. It describes initiatives to provide online services for transportation licenses and registrations, commercial tax filings, scholarships, government procurement, social welfare programs, pregnancy monitoring, and technical education information. Many services allow citizens to apply, check status, and pay taxes online through a single window. Usage has increased significantly with over 1 million applications and registrations processed monthly in some programs.
This document discusses a proposed architecture for detecting emotions from Tamil news text using a neural network. The key inputs to the neural network are outputs from a domain classifier, two sentiment analyzers (one that detects negation and one that detects polarity), and three affect taggers. The neural network is trained to assign weights to these features to determine the overall emotion expressed in the text. A two-dimensional animated face generator would then display the detected emotion visually. The document reviews related work on emotion detection from text and discusses why this proposed neural network approach may be better suited for a morphologically rich language like Tamil compared to other methods.
The document discusses analyzing Tamil lyrics to determine word frequency, rhyme patterns, and concept co-occurrence. It presents an analysis of over 2,000 Tamil songs to identify the top 10 most commonly used words, rhyme pairs, and co-occurring concepts. The analysis found that the lyrics most commonly expressed emotions of happiness and love. Future work could examine identifying emotions by genre and genre-specific rhyming patterns and concept relationships.
A POS Tagger for Tamil Language”, Proceedings of the IJCNLP-2009, Suntec,
Singapore.
Dhanalakshmi V, Anand Kumar M, Soman K P and Rajendran S (2011), “Dependency
Parsing for Tamil using Malt Parser”, Proceedings of the International Conference on
Asian Language Processing (IALP), Bali, Indonesia.
Gimenez J and Marquez L (2004), “SVMTool: A general POS tagger generator based on
Support Vector Machines”, Proceedings of the 4th International Conference on Language
Resources and Evaluation (LREC 2004), Lisbon, Portugal.
Joakim Nivre and Johan Hall (
This document discusses enriching Tamil and English Wikipedia entries about Classical Tamil literary works. It finds that currently, Wikipedia entries on these topics are often skeletal, lacking citations and coherent information. The document analyzes problems with presenting information on Classical Tamil literature in online encyclopedias. It provides an example of an existing brief English Wikipedia entry on a minor Tamil work and a proposed expanded Tamil Wikipedia entry on the same work to demonstrate how entries could be improved by making them more comprehensive with additional details, references and context. The goal is to help non-Tamil readers and scholars better understand important aspects of Tamil literature and culture through improved online encyclopedia entries.
Do we complain when a sewer stinks? In the same manner people who are disagreeable and negative are like the sewers. Whatever smells unpleasant, we call it a sewer and whatever smells pleasant we call it a flower. Adjust to both. Both situations are telling you, 'Become Vitraag (beyond attachment and abhorrence or detached) with us.' We all have adjusted to disagreeable circumstances many times in our lives. For instance, we use an umbrella when it rains. We do not question, argue or resist rain. Likewise, whether we enjoy studying or not, we have to adjust and study. However, when it comes to disagreeable people, we somehow tend not to just question, argue and resist, often we end up in a conflict. Why is this so? Param Pujya Dadashri (master of spiritual science) has revealed 'ADJUST EVERYWHERE' as the ultimate understanding to help cope with constantly changing circumstances and preventing conflicts resulting to peace and happiness. This simple yet powerful phrase has the power to change your life,… read on to learn how.
நூல் ஆசிரியர் : P.ஜைனுல் ஆபிதீன்
பி.ஜே. அவர்களின் புத்தகங்கள் மற்றும் திருக்குர்ஆன் தமிழாக்கம் வாங்க பின் வரும் முகவரியைத் தொடர்பு கொள்ளவும்.
Moon Publication
83,மூர் தெரு, மண்ணடி,
சென்னை-6,00,001
Phone No: 004 65690810, Mobile No: 9444276341, 9976223885
நூல் ஆசிரியர் : P.ஜைனுல் ஆபிதீன்
பி.ஜே. அவர்களின் புத்தகங்கள் மற்றும் திருக்குர்ஆன் தமிழாக்கம் வாங்க பின் வரும் முகவரியைத் தொடர்பு கொள்ளவும்.
Moon Publication
83,மூர் தெரு, மண்ணடி,
சென்னை-6,00,001
Phone No: 004 65690810, Mobile No: 9444276341, 9976223885
நூல் ஆசிரியர் : P.ஜைனுல் ஆபிதீன்
பி.ஜே. அவர்களின் புத்தகங்கள் மற்றும் திருக்குர்ஆன் தமிழாக்கம் வாங்க பின் வரும் முகவரியைத் தொடர்பு கொள்ளவும்.
Moon Publication
83,மூர் தெரு, மண்ணடி,
சென்னை-6,00,001
Phone No: 004 65690810, Mobile No: 9444276341, 9976223885
(Tamil) Explain the advantages of term insurance! HappyNation1
ஆயுள் காப்பீடு குறித்து நீங்கள் ஆர்வமாக இருக்கிறீர்களா அல்லது குழப்பமடைகிறீர்களா? இந்த எளிய கட்டுரையைப் படித்து உங்கள் கேள்விகளுக்கான பதில்களைக் கண்டறியவும்!
(Tamil) Help your clients get better at financial planningHappyNation1
ஆயுள் காப்பீடு குறித்து நீங்கள் ஆர்வமாக இருக்கிறீர்களா அல்லது குழப்பமடைகிறீர்களா? இந்த எளிய கட்டுரையைப் படித்து உங்கள் கேள்விகளுக்கான பதில்களைக் கண்டறியவும்!
This paper proposes a Tamil document summarization system that utilizes statistical, semantic, and heuristic methods to generate a coherent multi-document summary based on a given query. The system performs Latent Dirichlet Allocation (LDA) topic modeling on document clusters to identify important topics and words. Sentences are then scored based on topic modeling results and redundancy is removed using Maximal Marginal Relevance. The summary is generated from the highest scoring sentences in different perspectives based on the query topic or entities. Evaluation results show the system effectively summarizes multiple documents according to the query.
The document describes an indexing approach for faster retrieval of words from a database to generate Tamil lyrics based on part of speech, meter pattern, and rhyme scheme. It discusses the three rhyme schemes in Tamil (monai, edhugai, iyaibu) and meter patterns based on syllable length. The approach builds separate hash tables indexed by meter pattern and rhyming letters for each part of speech and rhyme scheme. Evaluating retrieval times shows the indexed approach takes on average 1.9 milliseconds compared to 875.47 milliseconds for an unindexed word-based approach, providing much faster retrieval with constant time complexity.
The document describes a template-based approach for generating multilingual summaries from documents in different languages. Templates are designed for tourism-related information like attractions, food, transportation. Information is extracted from documents represented in the Universal Networking Language (UNL) and used to generate summaries in both the source and target languages. Evaluation shows the approach achieves 90% accuracy in summary generation, though overall performance depends on factors like enconversion accuracy and dictionary coverage. The method can be extended to generate summaries for additional languages.
The document proposes an automated framework for generating Tamil summaries of cricket matches from statistical scorecard data. The framework performs data analytics on scorecards, determines interesting aspects of matches, extracts key events, and generates customized summaries in Tamil. It evaluates summaries based on their similarity to human-written ones. The implementation summarizes 90 cricket matches between various countries. Results found many hidden patterns and determined factors influencing match interestingness. Summaries were 70-85% similar to human ones, showing the framework can effectively analyze matches and automatically generate concise Tamil summaries.
1) The paper proposes an efficient Tamil text compaction system that reduces Tamil text to around 40% of the original by identifying word categories and mapping words to compact forms while maintaining meaning.
2) The system handles common Tamil words, abbreviations/acronyms, and numbers by using a morphological analyzer to identify word roots and a generator to re-add suffixes. Compact forms are retrieved from mappings stored in data structures like trees and hashmaps.
3) Testing on over 10,000 words showed the final text was reduced to 40% of the original size, providing a more efficient way to communicate in Tamil on platforms with character limits like social media and text messages.
The document appears to contain excerpts from multiple poems or writings discussing themes of love, tyranny, oppression, and resistance. It references kissing one's beloved, mountains kissing the sky, the sun and moon, and love being forsaken at death. It also mentions tyrants riding among the people, slashing and stabbing until their rage dies away, with the spilled blood speaking of their shame. Overall it touches on natural imagery, the fleeting nature of love, and standing up against oppression through nonviolent means.
Electronic commerce, commonly known as e-commerce, consists of buying and selling products or services over electronic systems like the Internet. It has grown significantly with widespread Internet usage and innovations in areas like online payment processing and supply chain management. There are two main types: business-to-business (B2B) commerce between companies, and business-to-consumer (B2C) commerce between companies and individuals. In the late 1990s, many Internet-based companies emerged but then failed in the "dot-com bubble," demonstrating the risks of online businesses. Successful e-commerce companies now take a long-term, relationship-building approach with customers to encourage loyalty.
The document discusses ways to popularize classical Tamil literature (Sangam literature) among common people in the age of blogs and social media. It notes that while Sangam literature is praised internationally, it is not well known within Tamil Nadu due to its archaic language and themes. It proposes using blogs and social media to present Sangam poems with explanations, illustrations, audio/video, and relating them to popular culture to make them more accessible. Experimental approaches like comic books and online databases of flora/fauna referenced could increase understanding. Sharing on social networks could spread the reach of such literature more widely. New approaches are needed to revitalize interest in Sangam works for modern audiences.
This document analyzes the impact of service-oriented architecture (SOA) and Web 2.0 on Tamil blogs and social networks. It discusses how SOA and Web 2.0 have enabled the growth of Tamil blogs and social media use among Tamils globally. The document evaluates several Tamil blogs and social networks to analyze how they discuss political and social issues in Tamil Nadu over the past year. However, it finds that the content on many of these sites lacks reliability and feeds readers incorrect information and opinions rather than facts. It concludes that content on Tamil online media requires auditing and certification to establish credibility and provide readers an accurate picture of issues.
This document summarizes an article about emerging technologies that enable autonomous language learning. It discusses how developments in mobile technology, social media, and online resources have increased opportunities for self-directed language learning. It provides examples of technologies that help develop learner autonomy, such as language learning diaries, e-portfolios, questionnaires, and personalized learning environments. It also emphasizes that autonomous learning works best when combined with teacher guidance and opportunities for peer interaction, such as through computer-mediated communication.
The document describes Agaraadhi, a novel online dictionary framework for the Tamil language. The framework indexes over 3 lakh Tamil words, providing morphological analysis, word usage statistics, translations to English, and more. It consists of online and offline components that together enable features like spelling correction, word suggestions, analyzing word usage in literature and social media, and games to support learning. The framework aims to provide more robust Tamil language reference than existing dictionaries.
This document describes a factored statistical machine translation system from English to Tamil that incorporates Tamil morphology. The system first reorders and factors the English text, then uses morphological analysis and generation tools for Tamil to further factorize the text. This addresses challenges of translating between languages with different morphological structures and word orders. The system was shown to improve over a baseline SMT system for English to Tamil translation by integrating linguistic information like lemmas and morphological features.
1. The document describes a study that investigated the effectiveness of a learning package for teaching negations in Tamil to 6th standard students.
2. The study found that conventional teaching methods were ineffective in teaching negations in Tamil and students faced problems learning it.
3. The learning package was more effective at teaching negations than conventional methods, as shown by significant improvements in test scores for the experimental groups that used the package compared to the control groups.
This document provides an overview of computational linguistics and natural language processing. It discusses the field's history and development over time. Additionally, it describes several current and prospective applications of computational linguistics, including spell checking, grammar checking, information retrieval, summarization, translation, and more. The document aims to introduce computational linguistics and provide context around its relationship to computer science and artificial intelligence. It also highlights the important role of fundamental linguistic research.
This document describes a study on improving Tamil-English cross-language information retrieval through transliteration generation and mining techniques. The study achieved a peak Mean Average Precision of 0.5133 for monolingual English retrieval and 0.4145 for Tamil-English cross-language retrieval, representing an improvement over baselines without handling out-of-vocabulary terms. Transliteration mining performed better than generation at resolving out-of-vocabulary terms and boosting retrieval performance.
This document summarizes a neuroscience-inspired approach to segmenting online handwritten Tamil words into constituent symbols. The approach first uses a simple overlap-based method to segment words into stroke groups. It then applies attention and feedback mechanisms, drawing from neuroscience research on visual perception, to detect and correct segmentation errors by splitting or merging stroke groups. The approach is tested on 10,000 handwritten Tamil words and achieves over 99% accuracy at the symbol level, demonstrating efficacy in segmentation and improving word recognition performance.
This document summarizes a method for recognizing online handwritten Tamil characters using fractal features. [1] A novel fractal coding technique is used that exploits redundancy to achieve better compression while requiring less memory and encoding time with minimal distortion. [2] Fractal codes are generated from preprocessed Tamil characters by partitioning them into ranges and finding the most similar transformed domain segments. [3] These fractal codes are then used to classify characters with 90% accuracy, outperforming a nearest neighbor classifier.
2. ப கிய
டக வழி அற இல கிய கைள க ற , க பி த
(Teaching and learning in ethical literature through multimedia)
வா. ேச
ேச.
ைனவ வா .ேச ராம கஆ டவ ,
தமி இைண ேபராசிாிய , ப ைசய ப க ாி, ெச ைன
sethuandu@yahoo.co.in | sethuandavar@yahoo.co.in
தமி ெமாழி, ெச ெமாழியாக அறிவி க ப ட பிற , பய பா அ பைடயி பல ஆ க
நிக வ கி றன. கணினி தமி , ந ன இல கிய க எ த அளவி பய ப டேதா, அ த
அளவி ெதா ைமயான இல கிய ஆ வி பய ப கிற . இ த க ேணா ட தி கணினி
வழியாக ஆ ற ேவ ய ப பல பணிக , ந நி கி றன.
கணினியி ெமாழி, இல கிய ெசய பா கைள இர வைகயாக பிாி கலா .
1. கணினி ெசய ைக ெமாழி மா றாக, இய ைக ெமாழியிைன ஊ வத
ெச ய ப ஆரா சி ய சிக ெதாட பானைவ.
2. கணினி வழியாக, இல கண, இல கிய, ெமாழிசா பணிகைள ப டக அ பைடயி
எ வா ேம ெகா வ எ பைத தி டமி த .
பழ தமி இல கிய கைள ப டக வழி அறி க ப வத இ வைர ஆரா சியாள க
பல , த னா வ அ பைடயி ெசய ாி ளன . ெச ெமாழி தமிழா நி வன
ெதா கா பிய ைத ச க இல கிய ைத ர வழி அறி ஒ ேபைழகைள
உ வா கி ள . காெணா அ பைடயி அைச ட தி அ பைடயி சில ய சிக
ேம ெகா ள ப ளன.
ெதாைல கா சி வழியாக இைணய வழியாக ேநர யாக ெமாழி, இல கிய , இல கண
ஆகியவ ைற க - க பி பணிக நிக வ கி றன. தமி ச க தின தமி
ஆ வல க சில ய சிகளி ஈ ப ளன . அவ களி த னா வ ய சிகைள
தர ப வத ேம ப வத நா எ ன ெச ய ேவ எ இ க ைர
ஆரா கிற .
அறி சா ய சிகைள ெதாழி ப சா ய சிகைள ஒ கிைண க, நா எ ன
ெச யலா ? அற ெநறி இல கிய கைள வய ஏ றப எ வா அறி க ப தலா ?
எ கா டாக, ஆ தி , ெகா ைற ேவ த ஆகியவ ைற ெதாட க ப ளிக
ந ெனறி, ைர ேபா வ ைற உய நிைல ப ளிக தி ற ேபா ற நீதி
இல கிய கைள ேம நிைல ப ளிக ஏைனய பதிென கீ கண கி உ ள அற ெநறி
இல கிய கைள ெதாட க க வி, உய க வி, இள கைல, கைல ப ட ப க
ப டக வழி .
இ ைறய க விசா ழ அற ெநறி எ ப , றி ற கணி ப , வணிக சா த ைற
ைவ க ப கிற . இத மா றாக, ப பா ட , அற உண ட ய ச க க விைய
நா க பி க ய ேவா .
14
3. ப டக வழிேய பழ தமி ப வ கைள க ெபா க பி ெபா ஏ ப கி ற
சி க க பல. ச க இல கிய கைள ப டக வழி க பி ெபா அதிக ாிதைல
உ வா கலா . காத , ர , ெகாைட, க , வ ள த ைம ேபா ற பாட களி க கைள
அறி தலா . பட கா சி அ பைடயி பட வைரகைல விள க ட எளிைமயான
ெசா கைள கா சிவழி அறி க ப தலா .
மாணவ க ாி வைகயி , பழ தமி ெசா க இைணயான திய ெசா க
அறி க , வினா விைட, அ ெசா ெபா க , ர ெசா க , ெசா வள ேபா ற
அ பைடகளி ப டக வழி ச க இல கிய க ற பணியிைன ெதாட கலா .
இ ைறய ந ன ெமாழியிலாள க , தா ெமாழி க ற கான திய உ திகளி அ பைடயி
தி ட க அைமய ேவ . ச க ம விய கால அறெநறி இல கிய கைள மாணவ க
ப டக வழி க பி க, தனி த நைட ைறகைள தி டமிட ேவ . த ப டக வழி
அறெநறி இல கிய கைள க பி பத பாட தி ட கைள உ வா க ேவ .
தமிழக தி தமிைழ தா ெமாழியாக ெகா ட மாணவ க ஏ ற வைகயி பாட தி ட க
அைமய ேவ . இ பாட தி ட க , மாணவ க அறெநறி இல கிய களி ஆ வ ெகா ,
த னா வ அ பைடயி க ெகா மா அைமய ேவ . இ வைகயான தி டமிட
ப டக ைத ைண க விகளாக ெகா இ தி ட திைன ெச ைமயாக ெசய ப த
.
ெதாட க ய சியாக, தி ற எ ற அற இல கிய ைத ெதாட க ப ளி த அறி க
ெச அல கைள ஆராயலா . அறெநறி இல கிய க தமி நா அரசி பாட தி ட தி இட
ெப றி கி றன. ஆனா இ பாட தி ட கைள அலசி ஆரா , ேதைவயானவ ைற ஏ ,
கால தி ேக ற மா த க ட திய ைறயி உ வா க ேவ . ெதாட க ப ளி,
உய நிைல ப ளிகளி தி ற நால யா ெதாட அறி க ப த ப வ கி றன.
ெதாட க ப ளிகளி தி ற , ஐ தா வ வைர 10 ற க இட ெப ளன. 6 த
8ஆ வ வைர 20 தி ற க இட ெப ளன. 9 த 12ஆ வ வைர 50
தி ற க இட ெப ளன. இேத ேபாலேவ பழெமாழி நா எ ற அறெநறி இல கிய
நால யா ப ளிகளி வ நிைல ேக ப, பாட களி எ ணி ைக அைம தி . ஆனா
ப டக வழி, பாட கைள க ெபா க பி ெபா இைவ ைமயாக மா ற பட
ேவ .
8ஆ வ பிற தா , மாணவ க ேநர யான ெசய க விைய ெதாட க ேவ .
இ வைர அைம ள க வி ைற, மன பாட திறைன வள பதாக அைம , மாணவாி ஆ க
சி தைன எதிராக அைம ள . ெதாட க ப ளிகளி தி றைள ேநர யாக க பி காம ,
கைத வ வி க பி க ேவ . கைத வழி க பி பத ப டக வழி கா சி உ கைள அைச
உ கைள உ வா கி, கைத வழி மாணவ க அற சி தைனைய ாிய ைவ , தி றைள
இ தியாக றேவ .
ஒ த ேல கா , இ ெனா த ேல கனி, கா -ெக ட ெசா க கனி-ந ல ெசா க .
மாணவாிட விள ெபா ேத மாணவேர கனி-ந ல ெசா , கா -ெக ட ெசா க என ப
ெச , தி றைள விள கலா .
இனிய உளவாக இ னாத ற
கனியி ப கா கவ த 1 ( ற – 100)
15
4. தி றைள படவிள க அ பைடயி அைச உ கைள உ வா கி மாணவ க
க பி கலா . உதாரணமாக, சா றா ைமயி அதிகார தி சா களாக அ , நாண ,
ஒ ர ,க ேணா ட , வா ைம ஆகியவ ைற றி பி கிறா .
அ நா ஒ ர க ேணா ட வா ைமெயா
ஐ சா ஊ றிய 2 ( ற – 983)
ெதாி தைத ெகா , ெதாியாதைத க ப தா க ற (known to unknown). சா எ
ெசா ாிய ெபா ைள மாணவ க ாிய ைவ க, அைத மாளிைக ட ஒ பி ,
அ மாளிைக உ தியாக இ க பய ப கைள ேபால, மனித சா ேறானாக வாழ
ேதைவயான ப களாக அ , நாண , ஒ ர , க ேணா ட , வா ைம ஆகியவ ைற
றி பி விள கலா . இவ ைற ப டக வழி கா சி ப தி, வைரகைல அ பைடயி ,
மாணவ க அறெநறிைய விள க ைவ ப எளி . இ வா ப டக வழி
கா சி ப வத உாிய தி ற கைள க டறிய ேவ .
அ , ப , ஆைச, ந ைம, தீைம ேபா ற ப சா ெசா கைள மாணவ க விள க
ைவ ப அாி . அத மா றாக, தி றளி உ ள ெபய ெசா க , விைன ெசா க
அறி க த அைமய ேவ . ப டக வழி க பி த ெபய ெசா கேள ெபாி
பய ப . தி றளி இட ெப ள வில , பறைவ ெதாட பான ெபய ெசா கைள த
ப ய டலா . வில ைகேயா, பறைவையேயா த அறி க ப த ேவ . அத பிற ,
தி றளி எ த ழ பய ப கிறா எ பைத விள கி, ற வழி ெபற ப அற
உண விைன பிற விள க ேவ .
உதாரண தி , ( – ப ) ப ேதா ேபா திய எ ற இ ெபா அணியிைன
விள வத ப டக வழி க பி த , ெபாி உத .
வ யி நிைலைமயா வ வ ெப ற
யி ேதா ேபா ேம த 3 ( ற – 273)
16
5. ெபய ெசா களி பறைவக ெதாட பாக, (ெகா – மீ ) ெகா , மீைன எ வா
ெகா கிறேதா, அ ேபா , வா வ ேபா அைத பய ப த ேவ . ெகா , மீைன
ெகா வ ேபா , வைரபட வைர , அைத கா சி வழியி அறி க ப தினா ,
மாணவ க இ றளி ெபா எளிைமயாக ாி .
ெகா ெகா க ப வ ம றத
ெதா க சீ தஇ 4 ( ற – 490)
ப டக வழி ெமாழி க ற ெதாட பான ஆரா சிக நிைறய நிக ளன. ஆனா அ த
ஆரா சியி அ பைடயி த கால த நிைல ஏ ப, ப டக வழி இல கிய
க பி த கான நிைல உ வா க பட ேவ . இ வ பைடயிேலேய ப டக வழி ச க
இல கியேமா, அறெநறி இல கியேமா க பி க படேவ .
இ வைர தி ற ெதாட பான ப டக வழி க பி த உாிய சில அ ைறக
ட ெப றன.
ைனவ எ . இராம தி அவ க , ப டக க தாட , பி வ ஐ நிைலகைள
உ ளட கியதாக அைம என றி பி கிறா .5
• க பாிமா ற (interaction)
• உடன விள க (immediate feedback)
• தவ ப றிய விள க (error analysis)
• தாேன தி த (self correction)
• பாரா க (reinforcement)
ேம ப ட க தாட வழி ஆசிாிய விள க (tutorial )
அ பைடயி தி றைள க பி பத தி ட கைள வைரய க ைனயலா . ேம ச.
இராேச திர அவ க , ப ேநா ஊடக ப றி றி பி ெபா , பி வ மா றி பி
கிறா .6
ஒ கிைண த கணினிவழி க ற , இ கியமான ெதாழி ப ேன ற கைள
அ பைடயாக ெகா அைம த .
1. ப ேனா ஊடக கணினிக (Multimedia computers)
2. இைணய (Internet)
ப ேனா ெதாழி் ப ,ஒ இய திர திேலேய ப வ , வைரபட , ஒ , உயிாிய க , க ல
கா சி ேபா ற பல ஊடக க ட ெதாட ெகா ள வசதி ெச த . ப ேனா ஊடக , உய
ஊடக ைத உ ளட கிய காரண தா மிக ச தி வா ததா அைம த . ப ேனா ஊடக
திற க / வழி ைறக எ லா ஒ ேச க ப , றி பாைன க பவ க த க
வழியி மித க / பவனி வர வைக ெச ய ப ட .
இ க , றி பிட த த .
ஒ இல கிய தி தகவ கைள ம ேம த வ ப டக வழி க பி தலாகா . இல கிய தி
தகவ களி அ பைடயி மாணவ களி சி தைன திறைன ேம ப த, ேகாலாக
அைமவேத சாியான க பி த ைறயா . இத ெக லா ெமாழி ப றிய அறி ழ அறி
இல கிய ைத பய பா ெபா ெசய பா அறி அவசியமானைவ. ெமாழி திறைன
17
6. ப டக வழி ேம ப தி, அத வழி இல கிய திற கைள ேம ப த ேவ .
அ ெபா தா ப டக வழி அறெநறி இல கிய க க ற , க பி த சிற பாக அைம .
ைண நி ற க :
1. தி ற 100
2. தி ற 983
3. தி ற 273
4. தி ற 490
5. ெமாழி அதிகார , எ .இராம தி, 1999
6. தமிழிய ஆ – இ ைறய ேபா க , இைணயவழி அய நா களி தமி க ற ,
க பி த , 2002
18
