दन्तचिकित्सा सहित उच्च शिक्षा संस्थाहरूमा विद्यार्थी-केन्द्रित शिक्षा (SCL) को लागि बढ्दो आवश्यकता छ।यद्यपि, SCL सँग दन्त शिक्षामा सीमित आवेदन छ।तसर्थ, यस अध्ययनले दन्तचिकित्सामा एससीएलको प्रयोगलाई प्रवर्द्धन गर्ने लक्ष्य राखेको छ डिसिसन ट्री मेसिन लर्निङ (ML) प्रविधिको प्रयोग गरेर दन्त विद्यार्थीहरूको मनपर्ने सिकाइ शैली (LS) र सम्बन्धित सिकाइ रणनीतिहरू (IS) लाई IS दिशानिर्देशहरू विकास गर्नका लागि उपयोगी उपकरणको रूपमा। ।दन्त विद्यार्थीहरूको लागि आशाजनक विधिहरू।
मलाया विश्वविद्यालयका कुल 255 डेन्टल विद्यार्थीहरूले परिमार्जित इन्डेक्स अफ लर्निंग स्टाइल्स (m-ILS) प्रश्नावली पूरा गरे, जसमा 44 वस्तुहरू समावेश थिए तिनीहरूलाई उनीहरूको सम्बन्धित LS मा वर्गीकृत गर्न।सङ्कलन गरिएको डाटा (डेटासेट भनिन्छ) विद्यार्थीहरूको सिकाइ शैलीहरूलाई स्वचालित रूपमा सबैभन्दा उपयुक्त IS सँग मिलाउनको लागि पर्यवेक्षित निर्णय रूख शिक्षामा प्रयोग गरिन्छ।मेसिन लर्निङमा आधारित IS सिफारिस उपकरणको शुद्धता त्यसपछि मूल्याङ्कन गरिन्छ।
LS (इनपुट) र IS (लक्ष्य आउटपुट) बीचको स्वचालित म्यापिङ प्रक्रियामा निर्णय रूख मोडेलहरूको प्रयोगले प्रत्येक दन्त विद्यार्थीको लागि उपयुक्त सिकाइ रणनीतिहरूको तत्काल सूचीको लागि अनुमति दिन्छ।IS सिफारिस उपकरणले पूर्ण सटीकता प्रदर्शन गर्यो र समग्र मोडेल शुद्धताको सम्झना गर्यो, जसले LS सँग IS सँग मिल्दो संवेदनशीलता र विशिष्टता रहेको संकेत गर्छ।
ML निर्णय रूखमा आधारित IS सिफारिस उपकरणले उपयुक्त सिकाइ रणनीतिहरूसँग डेन्टल विद्यार्थीहरूको सिकाइ शैलीहरूलाई सही रूपमा मेल खाने क्षमता प्रमाणित गरेको छ।यो उपकरणले विद्यार्थीहरूको सिकाइ अनुभव बढाउने विद्यार्थी-केन्द्रित पाठ्यक्रमहरू वा मोड्युलहरू योजना बनाउनका लागि शक्तिशाली विकल्पहरू प्रदान गर्दछ।
शिक्षण संस्थाहरूमा शिक्षण र सिकाइ आधारभूत गतिविधिहरू हुन्।उच्च गुणस्तरको व्यावसायिक शिक्षा प्रणाली विकास गर्दा, विद्यार्थीहरूको सिकाइ आवश्यकताहरूमा ध्यान केन्द्रित गर्न महत्त्वपूर्ण छ।विद्यार्थीहरू र तिनीहरूको सिकाइ वातावरण बीचको अन्तरक्रिया तिनीहरूको LS मार्फत निर्धारण गर्न सकिन्छ।अनुसन्धानले सुझाव दिन्छ कि विद्यार्थीहरूको LS र IS बीचको शिक्षक-उद्देश्यपूर्ण बेमेलले विद्यार्थीको सिकाइमा नकारात्मक परिणामहरू ल्याउन सक्छ, जस्तै ध्यान र प्रेरणामा कमी।यसले अप्रत्यक्ष रूपमा विद्यार्थी प्रदर्शनलाई असर गर्नेछ [१,२]।
IS विद्यार्थीहरूलाई ज्ञान र सीपहरू प्रदान गर्न शिक्षकहरूले प्रयोग गर्ने विधि हो, जसमा विद्यार्थीहरूलाई सिक्न मद्दत गर्दछ [3]।सामान्यतया भन्नुपर्दा, असल शिक्षकहरूले आफ्ना विद्यार्थीहरूको ज्ञानको स्तर, उनीहरूले सिकिरहेका अवधारणाहरू, र उनीहरूको सिकाइको चरणसँग मिल्ने सिकाउने रणनीतिहरू वा IS योजना बनाउँछन्।सैद्धान्तिक रूपमा, जब LS र IS मेल खान्छ, विद्यार्थीहरूले प्रभावकारी रूपमा सिक्नको लागि सीपहरूको एक निश्चित सेटलाई व्यवस्थित गर्न र प्रयोग गर्न सक्षम हुनेछन्।सामान्यतया, पाठ योजनाले चरणहरू बीचको धेरै संक्रमणहरू समावेश गर्दछ, जस्तै शिक्षणदेखि निर्देशित अभ्याससम्म वा निर्देशित अभ्यासबाट स्वतन्त्र अभ्याससम्म।यसलाई ध्यानमा राखेर, प्रभावकारी शिक्षकहरूले विद्यार्थीहरूको ज्ञान र सीपहरू निर्माण गर्ने लक्ष्यका साथ प्राय: निर्देशन योजना बनाउँछन् [४]।
दन्तचिकित्सा सहित उच्च शिक्षा संस्थाहरूमा SCL को माग बढ्दै गएको छ।SCL रणनीतिहरू विद्यार्थीहरूको सिकाइ आवश्यकताहरू पूरा गर्न डिजाइन गरिएको हो।यो प्राप्त गर्न सकिन्छ, उदाहरणका लागि, यदि विद्यार्थीहरू सक्रिय रूपमा सिकाइ गतिविधिहरूमा भाग लिन्छन् र शिक्षकहरूले सहजकर्ताको रूपमा काम गर्छन् र बहुमूल्य प्रतिक्रिया प्रदान गर्न जिम्मेवार हुन्छन्।यो भनिएको छ कि विद्यार्थीहरूको शैक्षिक स्तर वा प्राथमिकताहरूमा उपयुक्त हुने सिकाइ सामग्री र गतिविधिहरू प्रदान गर्नाले विद्यार्थीहरूको सिकाइ वातावरण सुधार गर्न र सकारात्मक सिकाइ अनुभवहरूलाई बढावा दिन सक्छ [५]।
सामान्यतया, दन्त विद्यार्थीहरूको सिकाइ प्रक्रिया उनीहरूलाई गर्न आवश्यक पर्ने विभिन्न क्लिनिकल प्रक्रियाहरू र उनीहरूले प्रभावकारी पारस्परिक सीपहरू विकास गर्ने क्लिनिकल वातावरणबाट प्रभावित हुन्छन्।तालिमको उद्देश्य विद्यार्थीहरूलाई दन्त चिकित्साको आधारभूत ज्ञानलाई दन्त चिकित्सकीय सीपहरूसँग जोड्न र प्राप्त ज्ञानलाई नयाँ क्लिनिकल अवस्थाहरूमा लागू गर्न सक्षम पार्नु हो [6, 7]।LS र IS बीचको सम्बन्धमा प्रारम्भिक अनुसन्धानले पत्ता लगायो कि मनपर्ने LS मा म्याप गरिएको सिकाउने रणनीतिहरू समायोजनले शैक्षिक प्रक्रियालाई सुधार गर्न मद्दत गर्नेछ [8]।लेखकहरूले विद्यार्थीहरूको सिकाइ र आवश्यकताहरू अनुरूप अनुकूलन गर्न विभिन्न शिक्षण र मूल्याङ्कन विधिहरू प्रयोग गर्न पनि सिफारिस गर्छन्।
शिक्षकहरूले विद्यार्थीहरूलाई विषयवस्तुको गहिरो ज्ञानको प्राप्ति र बुझाइलाई अभिवृद्धि गर्ने निर्देशनहरू डिजाइन, विकास र कार्यान्वयन गर्न मद्दत गर्न LS ज्ञान लागू गरेर लाभ उठाउँछन्।अन्वेषकहरूले धेरै एलएस मूल्याङ्कन उपकरणहरू विकास गरेका छन्, जस्तै कोल्ब एक्सपेरिअन्टियल लर्निङ मोडेल, फेल्डर-सिल्भरम्यान लर्निङ स्टाइल मोडेल (FSLSM), र फ्लेमिङ VAK/VARK मोडेल [5, 9, 10]।साहित्यका अनुसार, यी सिकाइ मोडेलहरू प्रायः प्रयोग गरिएका र सबैभन्दा बढी अध्ययन गरिएका सिकाइ मोडेलहरू हुन्।हालको अनुसन्धान कार्यमा, FSLSM दन्त विद्यार्थीहरू बीच LS मूल्याङ्कन गर्न प्रयोग गरिन्छ।
FSLSM ईन्जिनियरिङ् मा अनुकूली शिक्षा को मूल्याङ्कन को लागी एक व्यापक रूपमा प्रयोग गरिएको मोडेल हो।स्वास्थ्य विज्ञान (औषधि, नर्सिङ, फार्मेसी र दन्तचिकित्सा सहित) मा धेरै प्रकाशित कार्यहरू छन् जुन FSLSM मोडेलहरू प्रयोग गरेर फेला पार्न सकिन्छ [5, 11, 12, 13]।FLSM मा LS को आयामहरू मापन गर्न प्रयोग गरिने उपकरणलाई इन्डेक्स अफ लर्निङ स्टाइल्स (ILS) [८] भनिन्छ, जसमा LS का चार आयामहरू मूल्याङ्कन गर्ने ४४ वस्तुहरू समावेश छन्: प्रशोधन (सक्रिय/प्रतिबिंबित), धारणा (अनुभूति/अनुभूतिशील), इनपुट (दृश्य)।/मौखिक) र समझ (क्रमिक/वैश्विक) [१४]।
चित्र 1 मा देखाइए अनुसार, प्रत्येक FSLSM आयामको एक प्रमुख प्राथमिकता छ।उदाहरणका लागि, प्रशोधन आयाममा, "सक्रिय" LS भएका विद्यार्थीहरूले सीधै सिकाइ सामग्रीसँग अन्तरक्रिया गरेर जानकारी प्रशोधन गर्न रुचाउँछन्, गरेर सिक्नुहोस्, र समूहहरूमा सिक्ने झुकाव राख्छन्।"प्रतिबिम्बित" LS ले सोचाइ मार्फत सिकाइलाई बुझाउँछ र एक्लै काम गर्न रुचाउँछ।LS को "अनुभव" आयाम "भावना" र/वा "अन्तर्ज्ञान" मा विभाजित गर्न सकिन्छ।"अनुभूति" विद्यार्थीहरूले अधिक ठोस जानकारी र व्यावहारिक प्रक्रियाहरू मन पराउँछन्, "सहज" विद्यार्थीहरूको तुलनामा तथ्य-उन्मुख हुन्छन् जसले सार सामग्री मन पराउँछन् र प्रकृतिमा अधिक नवीन र रचनात्मक हुन्छन्।LS को "इनपुट" आयाम "दृश्य" र "मौखिक" शिक्षार्थीहरू समावेश गर्दछ।"दृश्य" LS भएका मानिसहरू दृश्य प्रदर्शनहरू (जस्तै रेखाचित्र, भिडियोहरू, वा प्रत्यक्ष प्रदर्शनहरू) मार्फत सिक्न रुचाउँछन्, जबकि "मौखिक" LS भएका मानिसहरूले लिखित वा मौखिक व्याख्याहरूमा शब्दहरू मार्फत सिक्न रुचाउँछन्।LS आयामहरू "बुझ्न" को लागी, त्यस्ता शिक्षार्थीहरूलाई "क्रमिक" र "वैश्विक" मा विभाजन गर्न सकिन्छ।"क्रमिक शिक्षार्थीहरू एक रैखिक विचार प्रक्रियालाई प्राथमिकता दिन्छन् र चरण-दर-चरण सिक्न्छन्, जबकि विश्वव्यापी शिक्षार्थीहरू समग्र विचार प्रक्रियामा हुन्छन् र तिनीहरूले के सिकिरहेका छन् भनेर सधैं राम्रोसँग बुझ्छन्।
भर्खरै, धेरै शोधकर्ताहरूले स्वचालित डेटा-संचालित खोजका लागि विधिहरू अन्वेषण गर्न थालेका छन्, नयाँ एल्गोरिदमहरू र डेटाको ठूलो मात्राको व्याख्या गर्न सक्षम मोडेलहरूको विकास सहित [15, 16]।प्रदान गरिएको डाटाको आधारमा, पर्यवेक्षित ML (मेसिन लर्निङ) ले ढाँचा र परिकल्पनाहरू उत्पन्न गर्न सक्षम छ जसले एल्गोरिदम [१७] को निर्माणमा आधारित भविष्यका नतिजाहरूको भविष्यवाणी गर्दछ।सरल भाषामा भन्नुपर्दा, पर्यवेक्षित मेसिन लर्निङ प्रविधिहरूले इनपुट डाटा र ट्रेन एल्गोरिदमहरू हेरफेर गर्छ।यसले त्यसपछि प्रदान गरिएको इनपुट डेटाको लागि समान परिस्थितिहरूमा आधारित परिणामलाई वर्गीकृत वा भविष्यवाणी गर्ने दायरा उत्पन्न गर्दछ।पर्यवेक्षित मेसिन लर्निङ एल्गोरिदमको मुख्य फाइदा भनेको आदर्श र वांछित परिणामहरू स्थापना गर्ने क्षमता हो [१७]।
डाटा-संचालित विधिहरू र निर्णय रूख नियन्त्रण मोडेलहरूको प्रयोग मार्फत, LS को स्वचालित पत्ता लगाउन सम्भव छ।निर्णय रूखहरू स्वास्थ्य विज्ञान सहित विभिन्न क्षेत्रहरूमा प्रशिक्षण कार्यक्रमहरूमा व्यापक रूपमा प्रयोग भएको रिपोर्ट गरिएको छ [18, 19]।यस अध्ययनमा, मोडेललाई प्रणाली विकासकर्ताहरूद्वारा विद्यार्थीहरूको LS पहिचान गर्न र उनीहरूका लागि उत्तम IS सिफारिस गर्न विशेष रूपमा तालिम दिइएको थियो।
यस अध्ययनको उद्देश्य विद्यार्थीहरूको LS मा आधारित IS वितरण रणनीतिहरू विकास गर्नु र LS मा म्याप गरिएको IS सिफारिस उपकरण विकास गरेर SCL दृष्टिकोण लागू गर्नु हो।SCL विधिको रणनीतिको रूपमा IS सिफारिस उपकरणको डिजाइन प्रवाह चित्र 1 मा देखाइएको छ। IS सिफारिस उपकरणलाई ILS प्रयोग गरी LS वर्गीकरण संयन्त्र र विद्यार्थीहरूको लागि सबैभन्दा उपयुक्त IS प्रदर्शन सहित दुई भागमा विभाजन गरिएको छ।
विशेष गरी, सूचना सुरक्षा सिफारिस उपकरणहरूको विशेषताहरूमा वेब प्रविधिहरूको प्रयोग र निर्णय ट्री मेसिन लर्निङको प्रयोग समावेश छ।प्रणाली विकासकर्ताहरूले मोबाइल फोन र ट्याब्लेटहरू जस्ता मोबाइल उपकरणहरूमा अनुकूलन गरेर प्रयोगकर्ता अनुभव र गतिशीलता सुधार गर्छन्।
यो प्रयोग दुई चरणमा गरिएको थियो र मलाया विश्वविद्यालयको दन्तचिकित्सा संकायका विद्यार्थीहरूले स्वैच्छिक आधारमा भाग लिएका थिए।सहभागीहरूले दन्त विद्यार्थीको अनलाइन m-ILS लाई अंग्रेजीमा जवाफ दिए।प्रारम्भिक चरणमा, निर्णय ट्री मेसिन लर्निङ एल्गोरिदम तालिम दिन ५० विद्यार्थीहरूको डेटासेट प्रयोग गरिएको थियो।विकास प्रक्रियाको दोस्रो चरणमा, विकसित उपकरणको शुद्धता सुधार गर्न 255 विद्यार्थीहरूको डेटासेट प्रयोग गरिएको थियो।
सबै सहभागीहरूले Microsoft टोलीहरू मार्फत शैक्षिक वर्षको आधारमा प्रत्येक चरणको सुरुमा अनलाइन ब्रीफिङ प्राप्त गर्छन्।अध्ययनको उद्देश्य व्याख्या गरिएको थियो र सूचित सहमति प्राप्त गरिएको थियो।सबै सहभागीहरूलाई m-ILS पहुँच गर्न लिङ्क प्रदान गरिएको थियो।प्रत्येक विद्यार्थीलाई प्रश्नावलीमा रहेका सबै ४४ वस्तुहरूको जवाफ दिन निर्देशन दिइएको थियो।सेमेस्टर सुरु हुनु अघि सेमेस्टर ब्रेकको समयमा उनीहरूलाई उपयुक्त समय र स्थानमा परिमार्जित ILS पूरा गर्न एक हप्ता दिइएको थियो।m-ILS मूल ILS उपकरणमा आधारित छ र दन्त विद्यार्थीहरूको लागि परिमार्जन गरिएको छ।मूल ILS जस्तै, यसले 44 समान रूपमा वितरित वस्तुहरू (a, b) समावेश गर्दछ, प्रत्येकमा 11 वस्तुहरू छन्, जुन प्रत्येक FSLSM आयामका पक्षहरूको मूल्याङ्कन गर्न प्रयोग गरिन्छ।
उपकरण विकासको प्रारम्भिक चरणहरूमा, अन्वेषकहरूले म्यानुअल रूपमा 50 दन्त विद्यार्थीहरूको डेटासेट प्रयोग गरेर नक्साहरू एनोटेट गरे।FSLM अनुसार, प्रणालीले "a" र "b" उत्तरहरूको योगफल प्रदान गर्दछ।प्रत्येक आयामको लागि, यदि विद्यार्थीले जवाफको रूपमा "a" चयन गर्छ भने, LS लाई सक्रिय/अवधारण/दृश्य/अनुक्रमिक रूपमा वर्गीकृत गरिन्छ, र यदि विद्यार्थीले उत्तरको रूपमा "b" चयन गर्दछ भने, विद्यार्थीलाई प्रतिबिम्बित/सहज/भाषिक रूपमा वर्गीकृत गरिन्छ। ।/ विश्वव्यापी शिक्षार्थी।
दन्त शिक्षा अनुसन्धानकर्ताहरू र प्रणाली विकासकर्ताहरू बीच कार्यप्रवाह क्यालिब्रेट गरेपछि, FLSSM डोमेनको आधारमा प्रश्नहरू चयन गरियो र प्रत्येक विद्यार्थीको LS भविष्यवाणी गर्न ML मोडेलमा फिड गरियो।"गार्बेज इन, गार्बेज आउट" मेसिन लर्निङको क्षेत्रमा डाटाको गुणस्तरमा जोड दिइएको एउटा लोकप्रिय भनाइ हो।इनपुट डेटाको गुणस्तरले मेसिन लर्निङ मोडेलको शुद्धता र शुद्धता निर्धारण गर्छ।सुविधा ईन्जिनियरिङ् चरणको बखत, एउटा नयाँ सुविधा सेट सिर्जना गरिएको छ जुन FLSSM मा आधारित "a" र "b" उत्तरहरूको योग हो।औषधि स्थानहरूको पहिचान नम्बरहरू तालिका 1 मा दिइएको छ।
उत्तरहरूको आधारमा अंक गणना गर्नुहोस् र विद्यार्थीको LS निर्धारण गर्नुहोस्।प्रत्येक विद्यार्थीको लागि, स्कोर दायरा 1 देखि 11 सम्म हुन्छ। 1 देखि 3 सम्मको स्कोरले समान आयाम भित्र सिकाइ प्राथमिकताहरूको सन्तुलनलाई जनाउँछ, र 5 देखि 7 सम्मको स्कोरले मध्यम प्राथमिकतालाई जनाउँछ, जसले विद्यार्थीहरूले अरूलाई सिकाउने वातावरणलाई प्राथमिकता दिन्छन् भन्ने सङ्केत गर्छ। ।एउटै आयाममा अर्को भिन्नता भनेको 9 देखि 11 सम्मका स्कोरहरूले एउटा छेउ वा अर्को [8] को लागि बलियो प्राथमिकतालाई प्रतिबिम्बित गर्दछ।
प्रत्येक आयामको लागि, औषधिहरूलाई "सक्रिय", "प्रतिबिंबित" र "सन्तुलित" मा समूहबद्ध गरिएको थियो।उदाहरणका लागि, जब एक विद्यार्थीले तोकिएको वस्तुमा "b" भन्दा धेरै पटक "a" को जवाफ दिन्छ र उसको/उनको स्कोरले प्रशोधन LS आयामलाई प्रतिनिधित्व गर्ने विशेष वस्तुको लागि 5 को थ्रेसहोल्ड नाघेको छ, ऊ/उनी "सक्रिय" LS मा पर्दछन्। डोमेन।।यद्यपि, विद्यार्थीहरूले विशिष्ट 11 प्रश्नहरू (तालिका 1) मा "a" भन्दा बढी "b" छनोट गर्दा र 5 अंक भन्दा बढी अंक प्राप्त गर्दा "प्रतिबिंबित" LS को रूपमा वर्गीकृत गरियो।अन्तमा, विद्यार्थी "संतुलन" को अवस्थामा छ।यदि स्कोर 5 अंक भन्दा बढी छैन भने, यो "प्रक्रिया" LS हो।वर्गीकरण प्रक्रिया अन्य LS आयामहरूको लागि दोहोर्याइएको थियो, अर्थात् धारणा (सक्रिय/प्रतिबिंबित), इनपुट (दृश्य/मौखिक), र समझ (क्रमिक/वैश्विक)।
निर्णय रूख मोडेलहरूले वर्गीकरण प्रक्रियाको विभिन्न चरणहरूमा सुविधाहरू र निर्णय नियमहरूको विभिन्न उपसमूहहरू प्रयोग गर्न सक्छन्।यो एक लोकप्रिय वर्गीकरण र भविष्यवाणी उपकरण मानिन्छ।यसलाई रूख संरचना जस्तै फ्लोचार्ट [२०] प्रयोग गरेर प्रतिनिधित्व गर्न सकिन्छ, जसमा विशेषताद्वारा परीक्षणहरू प्रतिनिधित्व गर्ने आन्तरिक नोडहरू छन्, प्रत्येक शाखाले परीक्षण परिणामहरू प्रतिनिधित्व गर्दछ, र प्रत्येक पात नोड (पत्ता नोड) वर्ग लेबल समावेश गर्दछ।
प्रत्येक विद्यार्थीको प्रतिक्रियाको आधारमा स्वचालित रूपमा स्कोर र एनोटेट गर्नको लागि एक साधारण नियम-आधारित कार्यक्रम सिर्जना गरिएको थियो।नियम-आधारित ले IF कथनको रूप लिन्छ, जहाँ "IF" ले ट्रिगरलाई वर्णन गर्दछ र "THEN" ले प्रदर्शन गर्नुपर्ने कार्य निर्दिष्ट गर्दछ, उदाहरणका लागि: "यदि X हुन्छ, त्यसपछि Y गर्नुहोस्" (Liu et al., 2014)।यदि डेटा सेटले सहसम्बन्ध प्रदर्शन गर्दछ र निर्णय रूख मोडेललाई उचित रूपमा प्रशिक्षित र मूल्याङ्कन गरिएको छ भने, यो दृष्टिकोण LS र IS मिल्ने प्रक्रियालाई स्वचालित गर्न प्रभावकारी तरिका हुन सक्छ।
विकासको दोस्रो चरणमा, सिफारिस उपकरणको शुद्धता सुधार गर्न डेटासेटलाई 255 मा बढाइएको थियो।डेटा सेट 1:4 अनुपातमा विभाजित छ।डेटा सेटको 25% (64) परीक्षण सेटको लागि प्रयोग गरिएको थियो, र बाँकी 75% (191) प्रशिक्षण सेटको रूपमा प्रयोग गरिएको थियो (चित्र 2)।मोडेललाई एउटै डेटा सेटमा प्रशिक्षित र परीक्षण हुनबाट रोक्नको लागि डेटा सेट विभाजन गर्न आवश्यक छ, जसले मोडेललाई सिक्नुको सट्टा सम्झन दिन सक्छ।मोडेललाई प्रशिक्षण सेटमा प्रशिक्षित गरिएको छ र परीक्षण सेटमा यसको कार्यसम्पादन मूल्याङ्कन गर्छ—डेटा मोडेलले पहिले कहिल्यै देखेको छैन।
एक पटक IS उपकरण विकसित भएपछि, अनुप्रयोगले वेब इन्टरफेस मार्फत दन्त विद्यार्थीहरूको प्रतिक्रियाको आधारमा LS वर्गीकरण गर्न सक्षम हुनेछ।वेब-आधारित सूचना सुरक्षा सिफारिस उपकरण प्रणाली ब्याकइन्डको रूपमा Django फ्रेमवर्क प्रयोग गरेर पाइथन प्रोग्रामिङ भाषा प्रयोग गरी बनाइएको छ।तालिका २ ले यस प्रणालीको विकासमा प्रयोग गरिएका पुस्तकालयहरूको सूची दिन्छ।
विद्यार्थी LS मापन स्वचालित रूपमा वर्गीकृत गर्न विद्यार्थी प्रतिक्रियाहरू गणना गर्न र निकाल्नको लागि डेटासेटलाई निर्णय रूख मोडेलमा खुवाइन्छ।
कन्फ्युजन म्याट्रिक्स दिइएको डेटा सेटमा निर्णय ट्री मेसिन लर्निङ एल्गोरिदमको शुद्धता मूल्याङ्कन गर्न प्रयोग गरिन्छ।एकै समयमा, यसले वर्गीकरण मोडेलको प्रदर्शन मूल्याङ्कन गर्दछ।यसले मोडेलको भविष्यवाणीहरूको सारांश दिन्छ र तिनीहरूलाई वास्तविक डाटा लेबलहरूसँग तुलना गर्छ।मूल्याङ्कन नतिजाहरू चार फरक मानहरूमा आधारित छन्: ट्रु पोजिटिभ (TP) – मोडेलले सकारात्मक कोटीको सही भविष्यवाणी गर्यो, फल्स पोजिटिभ (FP) – मोडेलले सकारात्मक कोटीको भविष्यवाणी गर्यो, तर साँचो लेबल नकारात्मक थियो, ट्रु नेगेटिभ (TN) – मोडेलले नकारात्मक वर्गको सही भविष्यवाणी गरेको छ, र गलत नकारात्मक (FN) - मोडेलले नकारात्मक वर्गको भविष्यवाणी गर्छ, तर साँचो लेबल सकारात्मक छ।
यी मानहरू त्यसपछि पाइथनमा स्किट-लर्न वर्गीकरण मोडेलको विभिन्न कार्यसम्पादन मेट्रिक्स गणना गर्न प्रयोग गरिन्छ, अर्थात् सटीक, परिशुद्धता, सम्झना, र F1 स्कोर।यहाँ उदाहरणहरू छन्:
सम्झना (वा संवेदनशीलता) ले m-ILS प्रश्नावलीको जवाफ दिएपछि विद्यार्थीको LS लाई सही रूपमा वर्गीकरण गर्ने मोडेलको क्षमता नाप्छ।
विशिष्टतालाई साँचो नकारात्मक दर भनिन्छ।तपाईले माथिको सूत्रबाट देख्न सक्नुहुन्छ, यो साँचो नकारात्मक र गलत सकारात्मक (FP) मा साँचो नकारात्मक (TN) को अनुपात हुनुपर्छ।विद्यार्थी लागूऔषध वर्गीकरणको लागि सिफारिस गरिएको उपकरणको भागको रूपमा, यो सही पहिचान गर्न सक्षम हुनुपर्छ।
निर्णय ट्री एमएल मोडेललाई तालिम दिन प्रयोग गरिएको 50 विद्यार्थीहरूको मौलिक डेटासेटले एनोटेसनहरूमा मानव त्रुटिका कारण तुलनात्मक रूपमा कम सटीकता देखायो (तालिका 3)।स्वचालित रूपमा LS स्कोर र विद्यार्थी एनोटेसनहरू गणना गर्न एक साधारण नियम-आधारित कार्यक्रम सिर्जना गरेपछि, सिफारिसकर्ता प्रणालीलाई तालिम र परीक्षण गर्न डेटासेटहरूको बढ्दो संख्या (255) प्रयोग गरियो।
मल्टीक्लास कन्फ्युजन म्याट्रिक्समा, विकर्ण तत्वहरूले प्रत्येक LS प्रकारको लागि सही भविष्यवाणीहरूको संख्या प्रतिनिधित्व गर्दछ (चित्र 4)।निर्णय रूख मोडेल प्रयोग गरेर, कुल 64 नमूनाहरू सही रूपमा भविष्यवाणी गरिएको थियो।यसरी, यस अध्ययनमा, विकर्ण तत्वहरूले अपेक्षित नतिजाहरू देखाउँछन्, यसले संकेत गर्दछ कि मोडेलले राम्रो प्रदर्शन गर्दछ र प्रत्येक LS वर्गीकरणको लागि वर्ग लेबलको सही भविष्यवाणी गर्दछ।यसरी, सिफारिस उपकरणको समग्र शुद्धता 100% छ।
सटीकता, परिशुद्धता, सम्झना, र F1 स्कोरका मानहरू चित्र 5 मा देखाइएको छ। निर्णय रूख मोडेल प्रयोग गरी सिफारिस प्रणालीको लागि, यसको F1 स्कोर 1.0 "सही" हो, यसले महत्त्वपूर्ण संवेदनशीलता र विशिष्टतालाई प्रतिबिम्बित गर्दै पूर्ण सटीक र सम्झना जनाउँछ। मानहरू।
चित्र 6 ले प्रशिक्षण र परीक्षण पूरा भएपछि निर्णय रूख मोडेलको दृश्य देखाउँछ।छेउ-छेउको तुलनामा, कम विशेषताहरूसँग प्रशिक्षित निर्णय रूख मोडेलले उच्च सटीकता र सजिलो मोडेल दृश्यावलोकन देखायो।यसले देखाउँछ कि सुविधा ईन्जिनियरिङ् मोडेल प्रदर्शन सुधार गर्न को लागी फीचर कटौती को लागी एक महत्वपूर्ण कदम हो।
निर्णय ट्री पर्यवेक्षित शिक्षा लागू गरेर, LS (इनपुट) र IS (लक्ष्य आउटपुट) बीचको म्यापिङ स्वतः उत्पन्न हुन्छ र प्रत्येक LS को लागि विस्तृत जानकारी समावेश गर्दछ।
नतिजाले देखाएको छ कि 255 विद्यार्थी मध्ये 34.9% ले एउटा (1) LS विकल्प रोजे।बहुमत (54.3%) सँग दुई वा बढी LS प्राथमिकताहरू थिए।12.2% विद्यार्थीहरूले LS एकदम सन्तुलित रहेको टिप्पणी गरे (तालिका 4)।आठ मुख्य LS बाहेक, मलाया विश्वविद्यालय दन्त विद्यार्थीहरूको लागि LS वर्गीकरणका 34 संयोजनहरू छन्।ती मध्ये, धारणा, दृष्टि, र धारणा र दृष्टिको संयोजन विद्यार्थीहरूले रिपोर्ट गरेको मुख्य LS हो (चित्र 7)।
तालिका 4 बाट देख्न सकिन्छ, अधिकांश विद्यार्थीहरूमा प्रमुख संवेदी (13.7%) वा दृश्य (8.6%) LS थियो।यो रिपोर्ट गरिएको थियो कि 12.2% विद्यार्थीहरूले दृष्टि (सेप्चुअल-दृश्य LS) सँग धारणालाई जोडेका थिए।यी निष्कर्षहरूले सुझाव दिन्छ कि विद्यार्थीहरू स्थापित विधिहरू मार्फत सिक्न र सम्झन रुचाउँछन्, विशिष्ट र विस्तृत प्रक्रियाहरू पालना गर्छन्, र प्रकृतिमा ध्यान दिन्छन्।एकै समयमा, तिनीहरूले हेरेर (चित्रहरू, आदि प्रयोग गरेर) सिक्न रमाईलो गर्छन् र समूहहरूमा वा आफ्नै रूपमा जानकारी छलफल र लागू गर्न झुकाव गर्छन्।
यो अध्ययनले डाटा माइनिङमा प्रयोग हुने मेसिन लर्निङ प्रविधिहरूको एक सिंहावलोकन प्रदान गर्दछ, जसमा विद्यार्थीहरूको एलएसको तुरुन्तै र सही भविष्यवाणी गर्ने र उपयुक्त IS सिफारिस गर्ने कुरामा केन्द्रित छ।निर्णय रूख मोडेलको प्रयोगले उनीहरूको जीवन र शैक्षिक अनुभवहरूसँग सबैभन्दा नजिकका कारकहरू पहिचान गर्यो।यो एक पर्यवेक्षित मेसिन लर्निङ एल्गोरिदम हो जसले डेटाको सेटलाई निश्चित मापदण्डको आधारमा उपश्रेणीहरूमा विभाजन गरेर डेटा वर्गीकरण गर्न रूख संरचना प्रयोग गर्दछ।लेफ नोडमा निर्णय नभएसम्म प्रत्येक आन्तरिक नोडको इनपुट सुविधाहरू मध्ये एउटाको मानको आधारमा इनपुट डेटालाई पुनरावर्ती रूपमा विभाजन गरेर काम गर्दछ।
निर्णय रूखको आन्तरिक नोडहरूले m-ILS समस्याको इनपुट विशेषताहरूमा आधारित समाधान प्रतिनिधित्व गर्दछ, र पात नोडहरूले अन्तिम LS वर्गीकरण भविष्यवाणी प्रतिनिधित्व गर्दछ।अध्ययनको क्रममा, इनपुट सुविधाहरू र आउटपुट भविष्यवाणीहरू बीचको सम्बन्धलाई हेरेर निर्णय प्रक्रियाको व्याख्या र कल्पना गर्ने निर्णय रूखहरूको पदानुक्रम बुझ्न सजिलो छ।
कम्प्युटर विज्ञान र ईन्जिनियरिङ्को क्षेत्रमा, मेसिन लर्निङ एल्गोरिदमहरू व्यापक रूपमा विद्यार्थीहरूको प्रदर्शनको तिनीहरूको प्रवेश परीक्षा स्कोर [२१], जनसांख्यिकीय जानकारी, र सिकाइ व्यवहार [२२] को आधारमा भविष्यवाणी गर्न प्रयोग गरिन्छ।अनुसन्धानले देखाएको छ कि एल्गोरिदमले विद्यार्थीको कार्यसम्पादनको सही भविष्यवाणी गरेको छ र उनीहरूलाई शैक्षिक कठिनाइहरूको लागि जोखिममा रहेका विद्यार्थीहरूलाई पहिचान गर्न मद्दत गरेको छ।
दन्त प्रशिक्षणको लागि भर्चुअल रोगी सिमुलेटरहरूको विकासमा एमएल एल्गोरिदमको आवेदन रिपोर्ट गरिएको छ।सिम्युलेटरले वास्तविक बिरामीहरूको शारीरिक प्रतिक्रियाहरू सही रूपमा पुन: उत्पादन गर्न सक्षम छ र दन्त विद्यार्थीहरूलाई सुरक्षित र नियन्त्रित वातावरणमा तालिम दिन प्रयोग गर्न सकिन्छ [२३]।धेरै अन्य अध्ययनहरूले देखाउँछन् कि मेसिन लर्निङ एल्गोरिदमहरूले सम्भावित रूपमा दन्त र चिकित्सा शिक्षा र बिरामी हेरचाहको गुणस्तर र दक्षता सुधार गर्न सक्छ।मेशिन लर्निंग एल्गोरिदमहरू डेटा सेटहरूमा आधारित दन्त रोगहरूको निदानमा मद्दत गर्न प्रयोग गरिएको छ जस्तै लक्षणहरू र बिरामी विशेषताहरू [24, 25]।जबकि अन्य अध्ययनहरूले मेसिन लर्निङ एल्गोरिदमको प्रयोग पत्ता लगाएका छन् जस्तै बिरामीको नतिजाको भविष्यवाणी गर्ने, उच्च जोखिममा रहेका बिरामीहरूको पहिचान गर्ने, व्यक्तिगत उपचार योजनाहरू विकास गर्ने [२६], पिरियडोन्टल उपचार [२७], र क्षय उपचार [२५]।
दन्तचिकित्सामा मेसिन लर्निङको प्रयोगसम्बन्धी रिपोर्टहरू प्रकाशित भए तापनि दन्त शिक्षामा यसको प्रयोग सीमित छ।तसर्थ, यस अध्ययनले दन्त विद्यार्थीहरू बीच LS र IS सँग नजिकबाट सम्बन्धित कारकहरू पहिचान गर्न निर्णय रूख मोडेल प्रयोग गर्ने लक्ष्य राखेको छ।
यस अध्ययनका नतिजाहरूले देखाउँछन् कि विकसित सिफारिस उपकरणमा उच्च शुद्धता र पूर्ण शुद्धता छ, जसले शिक्षकहरूले यस उपकरणबाट लाभ उठाउन सक्छन् भन्ने संकेत गर्दछ।डाटा-संचालित वर्गीकरण प्रक्रिया प्रयोग गरेर, यसले व्यक्तिगत सिफारिसहरू प्रदान गर्न र शिक्षकहरू र विद्यार्थीहरूको लागि शैक्षिक अनुभव र परिणामहरू सुधार गर्न सक्छ।ती मध्ये, सिफारिस उपकरणहरू मार्फत प्राप्त जानकारीले शिक्षकहरूको मनपर्ने शिक्षण विधिहरू र विद्यार्थीहरूको सिकाइ आवश्यकताहरू बीचको विवाद समाधान गर्न सक्छ।उदाहरणका लागि, सिफारिस उपकरणहरूको स्वचालित आउटपुटको कारणले, विद्यार्थीको आईपी पहिचान गर्न र सम्बन्धित आईपीसँग मिलाउन आवश्यक समय उल्लेखनीय रूपमा घटाइनेछ।यसरी उपयुक्त तालिम गतिविधि र तालिम सामग्रीको आयोजना गर्न सकिन्छ ।यसले विद्यार्थीहरूको सकारात्मक सिकाइ व्यवहार र ध्यान केन्द्रित गर्ने क्षमता विकास गर्न मद्दत गर्छ।एउटा अध्ययनले विद्यार्थीहरूलाई उनीहरूको मनपर्ने एलएससँग मिल्ने सिकाइ सामग्री र सिकाइ गतिविधिहरू प्रदान गर्नाले विद्यार्थीहरूलाई थप क्षमता हासिल गर्न बहुविध तरिकामा सिकाइलाई एकीकृत गर्न, प्रशोधन गर्न र रमाइलो गर्न मद्दत गर्न सक्छ [१२]।अनुसन्धानले यो पनि देखाउँछ कि कक्षाकोठामा विद्यार्थीको सहभागितामा सुधार गर्नुको अलावा, विद्यार्थीहरूको सिकाइ प्रक्रियालाई बुझ्नले पनि शिक्षण अभ्यासहरू र विद्यार्थीहरूसँग सञ्चारमा सुधार गर्न महत्त्वपूर्ण भूमिका खेल्छ [28, 29]।
यद्यपि, कुनै पनि आधुनिक प्रविधिको रूपमा, त्यहाँ समस्या र सीमितताहरू छन्।यसमा डेटा गोपनीयता, पूर्वाग्रह र निष्पक्षता, र दन्त शिक्षामा मेसिन लर्निङ एल्गोरिदमहरू विकास र कार्यान्वयन गर्न आवश्यक पर्ने व्यावसायिक सीप र स्रोतहरू समावेश छन्;यद्यपि, यस क्षेत्रमा बढ्दो चासो र अनुसन्धानले सुझाव दिन्छ कि मेसिन लर्निङ प्रविधिहरूले दन्त शिक्षा र दन्त सेवाहरूमा सकारात्मक प्रभाव पार्न सक्छ।
यस अध्ययनको नतिजाले दन्त चिकित्साका आधा विद्यार्थीहरूमा लागुऔषध "बुझ्ने" प्रवृत्ति रहेको देखाउँछ।यस प्रकारका शिक्षार्थीहरूसँग तथ्य र ठोस उदाहरणहरू, व्यावहारिक अभिमुखीकरण, विवरणको लागि धैर्यता, र "दृश्य" LS प्राथमिकताहरू छन्, जहाँ विद्यार्थीहरूले विचार र विचारहरू व्यक्त गर्न चित्र, ग्राफिक्स, रङ र नक्सा प्रयोग गर्न रुचाउँछन्।हालको नतिजाहरू दन्त र मेडिकल विद्यार्थीहरूमा LS मूल्याङ्कन गर्न ILS प्रयोग गरेर अन्य अध्ययनहरूसँग मिल्दोजुल्दो छन्, जसमध्ये धेरै जसो अवधारणात्मक र दृश्य LS [12, 30] को विशेषताहरू छन्।Dalmolin et al ले सुझाव दिन्छ कि विद्यार्थीहरूलाई उनीहरूको LS बारे जानकारी दिँदा उनीहरूलाई उनीहरूको सिकाइ क्षमतामा पुग्न अनुमति दिन्छ।शोधकर्ताहरूले तर्क गर्छन् कि जब शिक्षकहरूले विद्यार्थीहरूको शैक्षिक प्रक्रियालाई पूर्ण रूपमा बुझ्छन्, विभिन्न शिक्षण विधिहरू र गतिविधिहरू लागू गर्न सकिन्छ जसले विद्यार्थीहरूको प्रदर्शन र सिकाइ अनुभवलाई सुधार गर्नेछ [12, 31, 32]।अन्य अध्ययनहरूले देखाएको छ कि विद्यार्थीहरूको एलएस समायोजनले विद्यार्थीहरूको सिकाइ अनुभव र कार्यसम्पादनमा उनीहरूको आफ्नै एलएस अनुरूप उनीहरूको सिकाउने शैलीहरू परिवर्तन गरेपछि सुधारहरू देखाउँदछ [13, 33]।
विद्यार्थीहरूको सिकाइ क्षमतामा आधारित शिक्षण रणनीतिहरूको कार्यान्वयनको सन्दर्भमा शिक्षकहरूको विचार फरक हुन सक्छ।जबकि कसै-कसैले यस दृष्टिकोणका फाइदाहरू देख्छन्, जसमा व्यावसायिक विकासका अवसरहरू, सल्लाहकारहरू, र सामुदायिक समर्थन समावेश छन्, अरूहरू समय र संस्थागत समर्थनको बारेमा चिन्तित हुन सक्छन्।सन्तुलनको लागि प्रयास गर्नु विद्यार्थी-केन्द्रित मनोवृत्ति सिर्जना गर्न महत्वपूर्ण छ।उच्च शिक्षा अधिकारीहरू, जस्तै विश्वविद्यालय प्रशासकहरूले, नवीन अभ्यासहरू र संकाय विकासलाई समर्थन गरेर सकारात्मक परिवर्तन ड्राइभ गर्न महत्त्वपूर्ण भूमिका खेल्न सक्छन् [३४]।एक साँच्चै गतिशील र उत्तरदायी उच्च शिक्षा प्रणाली सिर्जना गर्न, नीति निर्माताहरूले साहसी कदमहरू चाल्नु पर्छ, जस्तै नीति परिवर्तनहरू, प्रविधि एकीकरणमा स्रोतहरू समर्पित गर्ने, र विद्यार्थी-केन्द्रित दृष्टिकोणलाई बढावा दिने फ्रेमवर्कहरू सिर्जना गर्ने।यी उपायहरू इच्छित परिणामहरू प्राप्त गर्न महत्त्वपूर्ण छन्।विभेदित निर्देशनमा भर्खरैको अनुसन्धानले स्पष्ट रूपमा देखाएको छ कि भिन्न निर्देशनहरूको सफल कार्यान्वयनको लागि शिक्षकहरूको लागि निरन्तर प्रशिक्षण र विकास अवसरहरू आवश्यक पर्दछ [35]।
यो उपकरणले विद्यार्थी-मैत्री सिकाइ गतिविधिहरूको योजना बनाउन विद्यार्थी-केन्द्रित दृष्टिकोण लिन चाहने दन्त शिक्षाविद्हरूलाई बहुमूल्य समर्थन प्रदान गर्दछ।यद्यपि, यो अध्ययन निर्णय रूख एमएल मोडेलहरूको प्रयोगमा सीमित छ।भविष्यमा, सिफारिस उपकरणहरूको शुद्धता, विश्वसनीयता, र शुद्धता तुलना गर्न विभिन्न मेसिन लर्निङ मोडेलहरूको कार्यसम्पादन तुलना गर्न थप डाटा सङ्कलन गरिनुपर्छ।थप रूपमा, कुनै विशेष कार्यको लागि सबैभन्दा उपयुक्त मेसिन लर्निङ विधि छनौट गर्दा, मोडेलको जटिलता र व्याख्या जस्ता अन्य कारकहरूलाई विचार गर्न महत्त्वपूर्ण छ।
यस अध्ययनको सीमितता यो हो कि यसले दन्त चिकित्सा विद्यार्थीहरू बीच LS र IS म्यापिङमा मात्र केन्द्रित छ।त्यसकारण, विकसित सिफारिस प्रणालीले दन्त विद्यार्थीहरूको लागि उपयुक्त हुनेहरूलाई मात्र सिफारिस गर्नेछ।सामान्य उच्च शिक्षा विद्यार्थी प्रयोगको लागि परिवर्तन आवश्यक छ।
भर्खरै विकसित मेसिन लर्निङ-आधारित सिफारिस उपकरणले विद्यार्थीहरूको LS लाई सम्बन्धित IS मा तुरुन्त वर्गीकरण गर्न र मिलाउन सक्षम छ, यसले दन्त शिक्षाका शिक्षकहरूलाई सान्दर्भिक शिक्षण र सिकाइ गतिविधिहरूको योजना बनाउन मद्दत गर्ने पहिलो दन्त शिक्षा कार्यक्रम बनाउँछ।डेटा-संचालित ट्राइएज प्रक्रिया प्रयोग गरेर, यसले व्यक्तिगत सिफारिसहरू प्रदान गर्न, समय बचत गर्न, शिक्षण रणनीतिहरू सुधार गर्न, लक्षित हस्तक्षेपहरूलाई समर्थन गर्न, र निरन्तर व्यावसायिक विकासलाई बढावा दिन सक्छ।यसको अनुप्रयोगले दन्त शिक्षामा विद्यार्थी-केन्द्रित दृष्टिकोणलाई बढावा दिनेछ।
गिलक जानी एसोसिएटेड प्रेस।विद्यार्थीको सिकाउने शैली र शिक्षकको सिकाउने शैली बीचको मेल वा बेमेल।इंट जे मोड एजुक कम्प्यूटर विज्ञान।२०१२;४(११):५१–६०।https://doi.org/10.5815/ijmecs.2012.11.05
पोस्ट समय: अप्रिल-29-2024