त्यहाँ दन्त्राईलगायत उच्च शिक्षाका संस्थाहरूमा उच्च शिक्षा संस्थाहरूमा उच्च शिक्षा संस्थाहरूमा बढ्दो आवश्यकता छ। यद्यपि स्क्रूलाई दन्त शिक्षामा सीमित अनुप्रयोग छ। त्यसकारण, यस अध्ययनले दन्तचिकित्सामा स्क्विजिस्टेरीको आवेदन प्रचार गर्ने निर्णय गर्दछ जुन निर्णय रूख मेशिन सिक्ने (LS) र दन्त्रायक शिक्षाहरू (एलएस) र दन्त विद्यार्थीहरूको विकास गर्न को लागी उपयोगी उपकरण हो । दन्त विद्यार्थीहरूको लागि प्रोमोसिंग विधिहरू।
म्यालिया विश्वविद्यालयका कुल 2 255 दन्त विद्यार्थीहरूले स्टाइल (एम-इल्स) प्रश्नावलीको परिमार्जित सूचकांकमा सम्मिलित गरे, जसमा तिनीहरूलाई उनीहरूको सम्बन्धित lss मा वर्गीकरण गर्न 44 आईटमहरू थिए। स collected ्कलन गरिएको डाटा (डाटासेन्ट भनिन्छ) रेखदेखिक निर्णय नगरिएको परिमाणमा स्वचालित रूपमा विद्यार्थीहरू 'अध्ययन गर्न को लागी विद्यार्थीहरू "लाई सबै भन्दा उपयुक्तमा मिलाउन। मेशिनको शिक्षाको शुद्धता सिफारिस उपकरण त्यसपछि मूल्या ise ्कन गरिएको छ।
LS (इनपुट) मा एक स्वचालित म्यापिंग प्रक्रियामा एक स्वचालित म्यापिंग प्रक्रियाको अनुप्रयोग (लक्ष्य आउटपुट) (लक्षित आउटपुट) प्रत्येक दन्त विद्यार्थीको लागि उपयुक्त शिक्षण रणनीतिहरूको लागि अनुमति दिन्छ। सिफारिस उपकरण भनेको पूर्ण शुद्धता र समग्र मोडेल सटीकताको सम्झना छ, एलबीएससँग सम्बन्धित छ भन्ने संकेत गर्दछ।
एक ML निर्णय रूखमा आधारित सिफारिस उपकरणले दन्त विद्यार्थीहरूलाई 'सही शिक्षा रणनीतिहरूको साथ सार्नका लागि यसको सही तरिकाले मिलाउनको क्षमता प्रमाणित गर्यो। यस उपकरणले सिक्ने केन्द्रित पाठ्यक्रम वा मोड्युलहरू योजनाको लागि शक्तिशाली विकल्पहरू प्रदान गर्दछ जुन विद्यार्थीहरूको सिक्ने अनुभव बढाउन सक्छ।
शिक्षण र सिकाई शैक्षिक संस्थामा मौलिक गतिविधि हो। एक उच्च-गुणवत्ता व्यावसायिक शिक्षा प्रणाली विकास जब, विद्यार्थीको सिक्ने आवश्यकता मा केन्द्रित यो महत्त्वपूर्ण छ। विद्यार्थीहरू बीचको अन्तर्क्रिया र उनीहरूको शिक्षा वातावरण तिनीहरूको LS मार्फत निर्धारण गर्न सकिन्छ। अनुसन्धानले सुझाव दिन्छ कि शिक्षक 'एलबीको बिचमा शिष्टताहरू छन् र सँग विद्यार्थीको शिक्षाको लागि नकारात्मक परिणामहरू हुन सक्छन्, जस्तै ध्यान र प्रेरणा घट्छ। यसले अप्रत्यक्ष रूपमा विद्यार्थीको प्रदर्शनलाई असर गर्दछ [1,2]।
विद्यार्थीहरूले विद्यार्थीहरूलाई ज्ञान र सीपहरू प्रदान गर्न प्रयोग गरिएको एक विधि हो जसमा विद्यार्थीहरूलाई सिकाउने काममा []] सिक्दै। सामान्यतया भन्ने हो भने, राम्रो शिक्षकहरूले शिक्षण रणनीतिहरू योजना गर्छन् कि उनीहरूका विद्यार्थीहरूको ज्ञानको स्तर, उनीहरूले सिकिरहेका छन्, र उनीहरूको शिक्षाको चरण। सैद्धान्तिक रूपमा, जब ls र मेल खान्छ, विद्यार्थीहरू व्यवस्थित गर्न र दक्षताका साथ सिसमा एक विशिष्ट सेट प्रयोग गर्न सक्षम हुनेछन्। सामान्यतया, एउटा पाठ योजनामा चरणहरू बीचको संक्रमणहरू समावेश गर्दछ, जस्तै निर्देशित अभ्यास वा निर्देशित अभ्यासमा निर्देशित अभ्यासमा। दिमागमा, प्रभावकारी शिक्षकहरू प्रायः विद्यार्थीहरूको ज्ञान र सीप []] बनाउनको लागि निर्देशनको रूपमा निर्देशन गर्नुहोस्।
स्क्रूको माग उच्च शिक्षा संस्थाहरूमा दन्तचिकित्साहितमा बढ्दै गइरहेको छ। स्क्ल रणनीतिहरू विद्यार्थीको सिकाई आवश्यकताहरू पूरा गर्न डिजाइन गरिएको हो। उदाहरणका लागि, यदि विद्यार्थीहरूले सक्रियतापूर्वक गतिविधिहरू सिक्न र शिक्षकहरूलाई सहज क्रियाकलापमा कार्य गर्न भाग लिन्छन् र बहुमूल्य प्रतिक्रिया प्रदान गर्न जिम्मेवार छन्। भनिन्छ कि विद्यार्थीको शैक्षिक स्तर वा प्राथमिकताहरू उचित छन् कि उचित शिक्षाहरू र गतिविधिहरू प्रदान गर्ने विद्यार्थीहरूको शिक्षा वातावरणलाई सुधार गर्न र सकारात्मक शिक्षाको अनुभव बढाउन सक्छ।
सामान्यतया बोल्दै, दन्त विद्यार्थीहरूको सिकाई प्रक्रियालाई उनीहरू प्रदर्शन गर्न आवश्यक पर्ने बिभिन्न क्लिनिकल प्रक्रियाहरू द्वारा प्रभावित हुन्छ र क्लिनिकल वातावरणको विकास जुन उनीहरूले प्रभावकारी पारस्परिक कौशल विकास गर्दछन्। तालिमको उद्देश्य विद्यार्थीहरूलाई दन्त क्लिनिकल सीपहरूको साथ उल्लेखनीय ज्ञानको संयोजन गर्न र नयाँ क्लिनिकल परिस्थितिमा प्राप्त ज्ञान लागू गर्नुहोस् [,,]]]। LS बीचको सम्बन्धमा प्रारम्भिक अनुसन्धान फेला पर्यो कि रुचाइएको एलएसमा म्यानिजन रणनीतिहरूले शैक्षिक प्रक्रिया सुधार गर्न मद्दत गर्दछ []]। लेखकहरूले पनि विद्यार्थीहरूको शिक्षा र आवश्यकताहरू अनुकूल गर्न विभिन्न शिक्षा र मूल्यांकन विधिहरू प्रयोग गर्न सुझाव दिन्छ।
शिक्षकहरूलाई आवेदन गर्नबाट फाइदा उठाउन लायकको रूपमा तिनीहरूलाई डिजाइन, विकास, र शरदुरहरू जसले विद्यार्थीहरूको विवादको अधिग्रहण र विषयको अधिग्रहणको अधिग्रहणलाई बढावा दिन्छ। अन्वेषकहरूले धेरै ls मूल्यांकन उपकरणहरू विकास गरेका छन् जस्तै KOLB प्रख्यात शिक्षण मोडल, फेल्डर-लेनम्यान शिक्षण शैली मोडेल (FSLSEM), र फ्लेमिंग भक / 10, !, 10! साहित्यका अनुसार यी सिक्ने मोडेलहरू प्राय: प्रयोग र सबैभन्दा अध्ययन गर्ने मोडेलहरू हुन्। हालको अनुसन्धान कार्यमा, FSLSM दन्त विद्यार्थीहरू बीच ls आकलन गर्न प्रयोग गरिन्छ।
एफएसएल्स ईन्जिनियरिंगमा अनुकूलन शिक्षण मिल्दोताको लागि एक व्यापक रूपमा प्रयोग गरिएको मोडेल हो। स्वास्थ्य विज्ञानमा धेरै प्रकाशित कार्यहरू छन् जुन औषधि, नर्सिंग, फार्मेसीविद् र दन्त चिकित्सा) सहित जुन fslsm मोडेलहरू [,, 12, 12, 1]] सहित फेला पार्न सकिन्छ। एफओएसएचएममा एफएसएलमा एलएसएसको आयाम मापन गर्न प्रयोग गरिएको छ (इल्स) []] []], जसमा l 44 आईटमहरू समावेश गर्दछ (प्रशोधन), विचारहरू (ज्ञात / सहज), इनपुट (दृश्य)। / मौखिक) र समझ (अनुक्रमिक / विश्वव्यापी) [1]]।
चित्र 1 मा देखाईएको रूपमा प्रत्येक fslsm आयाम प्रमुख प्राथमिकता छ। उदाहरण को लागी, प्रसंस्करण आयाम मा, "सक्रिय" l को साथ विद्यार्थीहरूले सिक्ने सामग्रीहरु संग सीधा कुराकानी गरेर जानकारी प्रक्रिया गर्न रुचाउँछन्, गरेर, र समूह मा सिक्न को लागी। "परावर्तनशील" LS ले सोच्दै सिक्नको लागि बुझ्दछ र एक्लै काम गर्न रुचाउँदछ। LS को "उदास" आयाम "भावना" र / वा "अन्तर्निहित" मा विभाजन गर्न सकिन्छ। "अनुभूति" विद्यार्थीहरूलाई अधिक कंक्रीट जानकारी र व्यावहारिक प्रक्रियाहरू मनपर्दछ, "सहज" विद्यार्थीहरू जुन अमूर्त सामग्रीलाई प्राथमिकता दिन्छन् र प्रकृतिमा बढी नवीन र रचनात्मक हुन्छन्। "दृश्य" र "मौखिक" शिक्षाहरूको "इनपुट" इनपुट "आयाम। "दृश्य" का साथ व्यक्ति भिजुअल प्रदर्शनहरू मार्फत सिक्न हैन (जस्तै रेखाचित्रहरू, भिडियोहरू, वा मौखिक "एल्सिएटका शब्दहरू लेख्न रुचाउँछन्। LS आयामहरू "बुझ्नुहोस्" गर्न, त्यस्ता सिनिकहरूलाई "अनुभल" र "ग्लोबल" मा विभाजन गर्न सकिन्छ। "अनुक्रमिक शिल्पकारहरूले एक लाइनर विचार प्रक्रिया रुचाउँछन् र कदम चाल्न सक्छन्, जबकि विश्वव्यापी शिक्षार्थीहरूले सिकिरहेका समझदार समझका प्रक्रियाहरू हुन्छन्।
हालसालै धेरै अन्वेषकहरू स्वचालित डाटा-संचालित खोजीको लागि विधिहरू पत्ता लगाउन थालेका छन्, नयाँ एल्गोरिदम र मोडेलको विकास [1 ,, 1)]। एल्गोर्नोशिप (1]] को आधारमा भविष्यका नतीजाहरू [1 17] को भविष्यवाणी ढाँचा र मेसिन शिक्षाको आधारमा सक्षम छ। सरल रूपमा राखिएको, रेडर्डेड मेसिन शिक्षण टेक्निकहरूले इनपुट डाटा र ट्रेन एल्गोरिदमहरू हेरइब्रिए। यसले त्यसपछि एक दायरा उत्पन्न गर्दछ कि वर्गीकरण डाटाको लागि समान परिस्थितिहरूमा आधारित नतिजाको परिणामस्वरूप परिणामहरू। सुपरिवेय मेसिन सिक्ने एल्गोरिथ्महरूको मुख्य फाइदा भनेको आदर्श र इच्छित परिणामहरू स्थापना गर्ने क्षमता हो [1]]।
डाटा-सञ्चालित विधिहरू र निर्णय रूखको नियन्त्रण मोडेलहरू, एलएसको स्वचालित पत्ता लगाउन सम्भव छ। स्वास्थ्य विज्ञान (1 18] सहित विभिन्न क्षेत्रमा विभिन्न क्षेत्रहरूमा निर्णय लिनेहरू तालिम कार्यक्रमहरूमा व्यापक रूपमा प्रयोग गरिएको छ। यस अध्ययनमा, मोडेलहरू विशेष रूपमा विद्यार्थीहरूको एलएस पहिचान गर्न प्रणाली विकासकर्ताहरूले प्रशिक्षण दिएका थिए र उनीहरूको लागि सबै भन्दा राम्रो हो सिफारिस गर्नुहोस्।
यस अध्ययनको उद्देश्य विद्यार्थीहरूको एलबीमा आधारित छ र सिफारिस उपकरण विकास गरेर एलएस गर्न सिफारिस उपकरण विकास गरेर स्क्ल दृष्टिकोण लागू गर्नु हो। एसएचएच 1 को रणनीतिको रूपमा सिफारिस उपकरण हो। सिफारिस उपकरण चित्र उपकरण हो जुन IS र सबै भन्दा उपयुक्त विद्यार्थीहरूको लागि प्रदर्शन सहित।
विशेष गरी सूचना सुरक्षा सिफारिस उपकरणहरूको विशेषताहरूमा वेब टेक्नोलोजीको प्रयोग समावेश छ र निर्णय रूखको मेसिनको शिक्षाको प्रयोग समावेश छ। प्रणाली विकासकर्ताहरूले उनीहरूलाई मोबाइल उपकरणहरू र ट्याब्लेटहरू जस्तै मोबाइल उपकरणहरूमा अनुकूलन गरेर प्रयोगकर्ता अनुभव र गतिशीलता सुधार गर्दछ।
मलावी विश्वविद्यालयमा दन्तचिकित्साको संकायबाट बृद्धि भएको स्थान र विद्यार्थीहरूले स्वैच्छिक आधारमा भाग लिएका थिए। सहभागीहरूले डिटेल विद्यार्थीको अनलाइन M-Ils लाई अंग्रेजीमा जवाफ दिए। प्रारम्भिक चरणमा, 500 विद्यार्थीहरूको डाटासेन्ट्सको निर्णय रूख मेसिनको शिक्षा एल्गोरिथ्मलाई तालिम दिन प्रयोग गरिएको थियो। विकास प्रक्रियाको दोस्रो चरणमा, 255 विद्यार्थीहरूको डाटासेटको लागि विकसित उपकरणको शुद्धता सुधार गर्न प्रयोग गरियो।
सबै सहभागीहरूले प्रत्येक चरणको सुरूमा एक अनलाइन बम्बई प्राप्त गर्छन्, माईक्रोसफ्ट टोलीका माध्यमबाट शैक्षिक वर्षको सुरूमा। अध्ययनको उद्देश्य वर्णन गरिएको छ र सूचित सहमति प्राप्त भयो। सबै सहभागीहरू M-Ils पहुँच गर्न लिंकमा प्रदान गरिएको थियो। प्रत्येक विद्यार्थीलाई प्रश्नावलीमा सबै peach 44 आईटमहरूको उत्तर दिन निर्देशन दिइयो। तिनीहरूलाई एक हप्तामा एक पटक र स्थानमा परिमार्जित ILS पूरा गर्न सेमेस्टरको सुरू अघि सेमेस्टर ब्रेकको बखत उनीहरूको लागि सुविधाजनक बनाइएको थियो। एम-इल्स मूल इंडा उपकरणमा आधारित छ र दन्त विद्यार्थीहरूको लागि परिमार्जन गरिएको छ। मूल ILS जस्तै, यसमा 44 44 समानताका साथ 11 वटा आईटमहरू, 11 आईटमहरूको साथ प्रयोग गरिएको वस्तुहरू (a, B) समावेश गर्दछ, जुन प्रत्येक एफएसएल्म आयामहरूको पक्षहरूको मूल्या assess ्कन गर्न प्रयोग गरिन्छ।
उपकरण विकासको प्रारम्भिक चरणको अवधिमा, अन्वेषकहरूले 500 दन्त विद्यार्थीहरूको डाटासेट प्रयोग गरेर नक्शालाई म्यानसूअरेकी छिन र्ने काम गरे। FSLM अनुसार प्रणालीले "A" र "B" उत्तरहरूको योग प्रदान गर्दछ। प्रत्येक आयामका लागि, यदि विद्यार्थीले जवाफको रूपमा "" चयन गर्दछ भने, ls सक्रिय / अव्यवत्ता / दृश्य / अनुक्रमित रूपमा वर्गीकृत गरिएको छ, र यदि विद्यार्थीले "B" चयन गर्दछ भने, विद्यार्थीले परावर्तनशील / भाषिकको रूपमा वर्गीकृत गरिएको छ । / वैश्विक सिक्ने
दन्त शिक्षा अनुसन्धानकर्ताहरू र प्रणाली विकासकर्ताहरू बीचको कार्यप्रवाह पछि, प्रश्नहरू फ्लसम डोमेनमा आधारित थिए र प्रत्येक विद्यार्थीको एलएसएसको पूर्वानुमान गर्न एमएलएल मोडेलमा खुवाए। "फोहोर भित्र, फोहोर बाहिर" एक लोकप्रिय भनाइ एक लोकप्रिय भनाइ हो, डाटा गुणवत्ता मा जोड दिएर। इनपुट डाटाको गुणवत्ताले मेसिन शिक्षा मोडेलको सटीक र शुद्धता निर्धारण गर्दछ। सुविधा ईन्जिनियरिंग चरणको क्रममा, नयाँ सुविधा सेट सिर्जना गरिएको छ जुन "A" र "B" FLSM मा आधारित "A" को योगफल हो। ड्रग 1 मा लागूऔषधको स्थितिहरूको पहिचान नम्बरहरू दिइन्छ।
उत्तरहरूको आधारमा स्कोर गणना गर्नुहोस् र विद्यार्थीको LS निर्धारण गर्नुहोस्। प्रत्येक विद्यार्थीको लागि, स्कोर दायरा 1 देखि 11 बाट हो। 1 देखि 3 बाट स्कोरले समान आयाम भित्रको सन्तुलनलाई दर्साउँछ, र विद्यार्थीहरूले अरूलाई सिक्ने वातावरणलाई प्राथमिकता दिन्छन्। । यस्तै आयाममा अर्को भिन्नता भनेको to देखि 11 सम्मका स्कोरहरू एक अन्त वा अन्य []] को लागि एक मजबूत प्राथमिकता प्रतिबिम्बित गर्दछ।
प्रत्येक आयामको लागि, ड्रग्सलाई "सक्रिय", परावर्तनशील "र" सन्तुलित "समूहमा समूहबद्ध गरिएको थियो। उदाहरण को लागी, जब एक विद्यार्थीले उत्तर दिन्छन् "A" एक निर्दिष्ट वस्तुमा "B" भन्दा "एक निर्दिष्ट आईटममा" B "भन्दा" एक विशेष आइटमको लागि एक विशेष वस्तुको थ्रेसोल्ड भन्दा बढी, उनी / उनी "सक्रिय" ls मा छन् डोमेन। । यद्यपि, विद्यार्थीहरूलाई "परावर्तनशील" एलएस "" विशेष गरी "B" को रूपमा वर्गीकृत गरिएको थियो (B "भन्दा बढी" 1 Take 1 points पोइन्ट भन्दा बढी स्कोर। अन्तमा, विद्यार्थी "सन्तुलियम" को राज्यमा छ। यदि स्कोर points पोइन्ट भन्दा बढी हुँदैन भने, त्यसो भए यो "प्रक्रिया" ls हो। वर्गीकरण प्रक्रिया अन्य ls आयामहरूको लागि दोहोर्याइएको थियो, अर्थात् उल्लेखित (सक्रिय / विविध), इनपुट (दृश्य / मौखिक), र समझ (अनुक्रमिक / ग्लोबल)।
निर्णयको रूख मोड मोडेलले वर्गीकरण प्रक्रियाको विभिन्न चरणहरूमा सुविधाहरू र निर्णय गर्ने नियमहरूको बिभिन्न उपसेटहरू प्रयोग गर्न सक्दछन्। यो एक लोकप्रिय वर्गीकरण र भविष्यवाणी उपकरण मानिन्छ। It can be represented using a tree structure such as a flowchart [20], in which there are internal nodes representing tests by attribute, each branch representing test results, and each leaf node (leaf node) containing a class label.
एक साधारण नियम-आधारित कार्यक्रम स्वचालित रूपमा स्कोर गर्न सिर्जना गरिएको थियो र उनीहरूको प्रतिक्रियाहरूमा आधारित प्रत्येक विद्यार्थीको एलएस एनोटेटेड। नियम-आधारित कथनको फारम लिन्छ यदि ट्रिगरको वर्णन गर्दछ र "यदि" "तब" यदि "भयो भने, उदाहरणका लागि, त्यसो भए (liu एट अल। यदि डाटा सेट गरिएको छ किनलेसन प्रदर्शन गर्दछ र निर्णय रूख मोडल राम्रोसँग तालिम र मूल्यांकन गरिन्छ, यो दृष्टिकोण मिल्दो प्रक्रिया स्वचालित प्रक्रिया स्वचालित तरीका हुन सक्छ।
विकासको दोस्रो चरणमा सिफारिस उपकरणको शुद्धता सुधार गर्न डाटासेट 2 255 पुगेको थियो। डाटा सेट 1: at अनुपातमा विभाजित हुन्छ। 2 %% () 64) को डाटा सेटको परीक्षण सेटको लागि प्रयोग गरिएको थियो, र बाँकी% 75% (1 1 1) प्रशिक्षण सेटको रूपमा प्रयोग गरिएको थियो (चित्र 2)। डेटा सेट मोडेललाई तालिम दिने र उही डाटा सेटमा परीक्षण गर्न रोक्नको लागि विभाजन हुनु पर्छ, जसले मोडेललाई सिक्नुको सट्टा सम्झन सक्छ। मोडेल प्रशिक्षण सेटमा प्रशिक्षित छ र परीक्षण सेट सेट-डाटामा यसको प्रदर्शन मूल्या even ्कन गर्दछ।
एक पटक एक पटक उपकरण विकास भएको छ भने, अनुप्रयोग वेब ईन्टरफेसको माध्यमबाट दन्त विद्यार्थीहरूको प्रतिक्रियामा आधारित ls वर्गीकृत हुनेछ। वेब-आधारित सूचना सुरक्षा सिफारिस उपकरण प्रणाली प्रणाली पाथीन प्रोग्रामर भाषा प्रयोग गरेर ब्याकइन्डको रूपमा jjango रूपरेखा प्रयोग गरेर निर्माण गरिएको छ। तालिका 2 यस प्रणालीको विकासमा प्रयोग भएका लाइब्रेरीहरू सूचीबद्ध गर्दछ।
डाटासेट एक निर्णय रूख मोडेलमा खुवाइन्छ र स्वचालित रूपमा विद्यार्थी ls मापन गर्न विद्यार्थी प्रतिक्रियाहरू निकाल्न र निकाल्छन्।
भ्रम म्याट्रिक्स एक निर्णय रूखको स्किन को सटीकता को शुद्धता को शुद्धता को शुद्धता को शुद्धता दिइएको डाटा सेट मा सेट। उही समयमा, यसले वर्गीकरण मोडेलको प्रदर्शन मूल्या .्कन गर्दछ। यसले मोडेलको भविष्यवाणीलाई सारांश दिन्छ र तिनीहरूलाई वास्तविक डाटा लेबलहरूमा तुलना गर्दछ। मूल्यांकन परिणामहरू चार बिभिन्न मानहरूमा आधारित छन्: सत्य सकारात्मक (TP) - मोडेल सही वर्ग (एफपी) ले। मोडेल सही रूपमा नकारात्मक वर्ग, र गलत नकारात्मक पूर्वानुमान गरिएको (FN) - मोडेलले नकारात्मक वर्गको भविष्यवाणी गर्दछ, तर सत्य लेबल सकारात्मक छ।
यी मानहरू ताजाको विभिन्न प्रदर्शन मेट्रिक्स गणना गर्न प्रयोग गरिन्छ - puthon को वर्गीकरण मोडेल सिक्नुहोस्, प्लमनिष्ट, पूर्ण चिकृष्कार, सम्झना, र F1 स्कोर। यहाँ उदाहरणहरू छन्:
सम्झनुहोस् (वा संवेदनशीलता) ले मोडलको एलएसएचलाई सही रूपमा एक विद्यार्थीको ls सही रूपमा मिल्दो प्रश्नावलीलाई जवाफ दिएर सही रूपमा वर्गीकृत गर्दछ।
विशिष्टतालाई एक साँचो नकारात्मक दर भनिन्छ। तपाईं माथिको सूत्रबाट देख्न सक्नुहुनेछ, यो साँचो नकारात्मक (TN) को अनुपात हुनुपर्दछ (TN) को अनुपात हुनुपर्दछ र गलत सकारात्मक (FP)। विद्यार्थी ड्रग्स वर्गका लागि सिफारिश गरिएको उपकरणको अंशको रूपमा, यो सहि पहिचानको लागि सक्षम हुनुपर्दछ।
निर्णय रूखलाई तालिम दिन प्रयोग गरिएको 500 विद्यार्थीहरूको मूल डाटासेट एलएस स्कोर र विद्यार्थी एनोटेसनहरू, डाटासेट (255) को बढ्दो संख्यालाई तालिम दिन र सिफारिस गर्न प्रयोग गरिन्थ्यो।
मल्टिस्ट गोल म्याट्रिक्समा, विकर्ण तत्वहरूले प्रत्येक LS प्रकार (चित्र 4) को लागि सही भविष्यवाणीको संख्या प्रतिनिधित्व गर्दछ। निर्णय रूख मोडेल प्रयोग गर्दै, कुल 64 64 नमूनाहरू सही तरीकाले भविष्यवाणी गरिएको थियो। तसर्थ, यस अध्ययनमा, विकर्ण तत्त्वहरूले अपेक्षित परिणामहरू देखाउँदछ, मोडेलले राम्रोसँग प्रदर्शन गर्दछ कि मोडेलले राम्रो प्रदर्शन गर्दछ र प्रत्येक ls वर्गीकरणको लागि कक्षा लेबल पूर्वानुमान गर्दछ। यसैले सिफारिश उपकरणको समग्र शुद्धता 100% हो।
सटीकता, परिशुद्ध, सम्झनुहोस्, र F1 स्कोर फिग in मा देखाइएको छ। निर्णय प्रणालीको लागि निर्णय प्रणालीको लागि, उत्तम संवेदनशीलता र विशेषता दर्शाउँछ। मानहरू।
चित्र 6 ले तालिम र परीक्षण पछि निर्णय रूख मोड मोडलनको दृश्य समाप्त देखाउँदछ। एक साइड-साइड-साइड तुलनामा, निर्णायक मोड मोडेल थोरै सुविधाहरूको साथ प्रशिक्षित छ कि थोरै सुविधाहरूको साथ प्रशिक्षित देखाइएको छ। यसले देखाउँदछ कि सुविधा कटौतीको लागि सुविधा ईन्जिनियरिंग मोडेल प्रदर्शन सुधार गर्न एक महत्त्वपूर्ण कदम हो।
निर्णय रूखमा लागू गरेर सिक्नाले सिक्ने सुपरिवेक्षण गर्यो, LS (इनपुट) र हो (लक्ष्य आउटपुट) स्वत: उत्पन्न हुन्छ र प्रत्येक Ls को लागि विस्तृत जानकारी समावेश गर्दछ।
परिणामले देखायो कि 25.9% 255 %%% विद्यार्थीहरूलाई (1) ls विकल्प मनपर्दछ। बहुमत (.4 54..3%) दुई वा अधिक ls प्राथमिकताहरू थिए। 12.2% विद्यार्थीले उल्लेख गरे कि ls एकदम सन्तुलन (तालिका)) हो। आठ मुख्य एलएसको अतिरिक्त, मल्टा दन्त विद्यार्थीहरूको विश्वविद्यालयका लागि ls 34 वर्गीकरणको 34 34 संयोजनहरू छन्। ती मध्ये, धारणा, दर्शन, दर्शन र दर्शनको संयोजनहरू विद्यार्थीहरू (चित्र)) द्वारा रिपोर्ट गरिएको मुख्य ls हो।
तालिका ke बाट देख्न सकिन्छ, अधिकांश विद्यार्थीहरूको प्रमुख संवेदी (1..7%) थियो वा दृश्य (8..6%) ls। यो रिपोर्ट गरिएको थियो कि 12.2% विद्यार्थीहरूको 12.2% दर्शनका बारे पूर्ण धारणा (ज्ञानी-दृश्य ls)। यी खोजहरूले सुझाव दिन्छ कि विद्यार्थीहरू स्थापना गर्न र स्थापित विधिहरू मार्फत सम्झन, विशिष्ट र विस्तृत प्रक्रियाहरू अनुसरण गर्न मन पराउँछन्, र प्रकृतिमा ध्यान दिन्छन्। एकै साथ, तिनीहरू हेरेर सिक्ने म रमाईलो गर्छन् (चित्रण गर्दै, आदि प्रयोग गरेर) र समूहमा जानकारी वा आफ्नै जानकारीमा जानकारी दिन र लागू गर्ने प्रयास गर्दछ।
यो अध्ययनले मेसिन शिक्षण प्रविधिहरूको एक सिंहावलोकन प्रदान गर्दछ, डाटा खानीमा प्रयोग गरिएको, तत्काल र सही विद्यार्थीको ls र उपयुक्त सिफारिश गर्दै ध्यान दिनुहोस्। एक निर्णय रूखको प्रयोगको प्रयोगले कारकहरूलाई सबैभन्दा नजिकबाट उनीहरूको जीवन र शैक्षिक अनुभवहरूसँग सम्बन्धित पहिचान गर्यो। यो एक सुपरिवेज मेसिन शिविर शिक्षा एल्गोरिथ्म हो जुन एक रूख संरचना प्रयोग गर्दछ जब एक रूख संरचना प्रयोग गरी निश्चित मापदण्डको सेट-पुष्कफाजीमा आधारित छ। यो एक निर्णय नभएसम्म प्रत्येक आन्तरिक नोडको मानको आधारमा सबसेटमा इनपुटमा इनपुट डाटा विभाजन गरेर कार्य गर्दछ।
निर्णय रूखका आन्तरिक नोडहरू एमले एम-इल्स समस्याको इनपुट विशेषताहरूको आधारमा समाधानको प्रतिनिधित्व गर्दछ, र पात नोडहरू अन्तिम ls वर्गीकरण भविष्यवाणी प्रतिनिधित्व गर्दछ। अध्ययन भर, यो निर्णय रूखहरूको पदानुक्रम बुझ्न सजिलो छ जुन वर्णन र इनपुट सुविधाहरू र आउटपुट भविष्यवाणी बीचको सम्बन्ध हेरेर निर्णय प्रक्रियालाई कल्पना गर्दछ।
कम्प्युटर विज्ञान र ईन्जिनियरिंग, मेशिन सिकाई एल्गोरिथ्स एल्गोरिदम [21] प्रवेशद्वारको पूर्वानुमान [21], डेमोग्राफिक जानकारी, र सिक्ने ब्यबहार गर्ने ब्यवस्था गरेको छ। अनुसन्धानले देखायो कि एल्गोरिथ्म सही रूपमा विद्यार्थी प्रदर्शनको पूर्वानुमान गरिएको पूर्वानुमान गरिएको छ र विद्यार्थीहरूलाई शैक्षिक कठिनाइहरूको जोखिममा विद्यार्थीहरू पहिचान गर्न मद्दत गर्यो।
दन्त प्रशिक्षणका लागि भर्चुअल बिरामी सहमुक्तिमा ML एल्गोरिरिसहरूको प्रयोग रिपोर्ट गरिएको छ। सिमुलेटर वास्तविक बिरामीहरूको शारीरिक प्रतिक्रियाहरूको सही रूपमा पुनरुत्पान्तरण गर्न सक्षम छ र दन्त विद्यार्थीहरूलाई सुरक्षित र नियन्त्रणित वातावरणमा प्रशिक्षण दिन प्रयोग गर्न सकिन्छ [2 23]। धेरै अन्य अध्ययनहरूले देखाउँदछ कि मेशिन चाल एल्गोरिदमले सम्भावित दन्त र चिकित्सा शिक्षा र बिरामी हेरचाहको गुणस्तर र दक्षता सुधार गर्न सक्दछ। मेशिन सिकिने एल्गोर्मिथमहरू डाटामा आधारित लक्षणहरू र बिरामी सुविधाहरू जस्ता डेटा टर्मिल रोगहरूको निदानमा सहयोग पुर्याउने छन्। जबकि अन्य अध्ययनहरूले बिरामी परिणामहरूको पूर्वानुमान गरे जस्तै कार्यहरू गर्नका लागि मेशिन सिकिरहेका एल्गोरिदमहरू प्रयोग गरेका छन्।
यद्यपि दन्तचिकित्सामा मेशिनको शिक्षाको प्रयोगमा रिपोर्टहरू प्रकाशित भइसकेपछि रिपोर्ट गरिएको छ, यसको दन्त शिक्षामा यसको आवेदन सीमित छ। तसर्थ, यो अध्ययन लक्ष्य हो कि निर्णय रूख मोडल प्रयोग गर्ने उद्देश्यले कारकहरूको पहिचान गर्नको लागि धेरै नजिकबाट ls र दन्त विद्यार्थीहरू बीच हो।
यस अध्ययनको नतीजाले विकसित सिफारिस उपकरणको उच्च सटीकता र सिद्ध शुद्धता रहेको देखाउँदछ, उनले यो उपकरणबाट फाइदा लिन सक्छ भनेर संकेत गर्दछ। डाटा-संचालित वर्गीकरण प्रक्रियाको प्रयोग गरेर, यसले निजीकृत सिफारिसहरू प्रदान गर्न सक्दछ र शिक्षकहरू र विद्यार्थीहरूको लागि शैक्षिक अनुभवहरू र परिणामहरू सुधार गर्न सक्दछ। ती मध्ये चुन्य उपकरणहरू मार्फत प्राप्त जानकारी शिक्षकहरूको रुचाइएको शिक्षण विधिहरू र विद्यार्थीहरूको शिक्षा आवश्यकताहरू बीच द्वन्द्व समाधान गर्न सक्दछ। उदाहरण को लागी, सिफारिस उपकरण को स्वचालित आउटपुट को कारण, एक विद्यार्थी IP पहिचान गर्न आवश्यक छ र यसलाई सम्बन्धित आईपी कम गरी कम हुनेछ। यस तरिकाले, उपयुक्त प्रशिक्षण गतिविधिहरू र प्रशिक्षण सामग्री व्यवस्थित गर्न सकिन्छ। यसले विद्यार्थीहरूको सकारात्मक शिक्षा र ध्यान दिन सक्ने क्षमता विकास गर्न मद्दत गर्दछ। एउटा अध्ययनले रिपोर्ट गरेको छ कि विद्यार्थीहरूलाई सिक्ने सामग्रीहरू र साहित्यिक गतिविधिहरू मिल्दोजुल्दो छ जुन उनीहरूको मनपर्ने एलएससँग मिल्दोजुल्दो सम्भावना, प्रक्रियामा सिक्न र रमाईलो गर्न सक्छ। अनुसन्धानले कक्षाकोठामा विद्यार्थीको सहभागितालाई सुधार गर्नुको अलावा, विद्यार्थीहरूको सिकाई प्रक्रिया समझदारीमा विद्यार्थीहरूको सिकाई प्रशोधन गर्न पनि महत्वपूर्ण भूमिका खेल्छ [2 28, 2]]।
यद्यपि कुनै आधुनिक टेक्नोलोजीको रूपमा, त्यहाँ समस्या र सीमितताहरू छन्। यसमा डेटाल शिक्षामा मेसिन शिक्षण एल्गोरिदममा डाटा गोपनीयता, पूर्वाग्रह र लागू हुने वस्तुहरू समावेश छन्; यद्यपि यस क्षेत्रमा बढ्दो रुचि र अनुसन्धानले सुझाव दिन्छ कि मेशिन चार्ज प्रविधिले दन्त शिक्षा र दन्त सेवाहरूमा सकारात्मक प्रभाव पार्न सक्छ।
यस अध्ययनको नतीजाले संकेत गर्दछ कि आधा दन्त विद्यार्थीहरूको "ड्रग्स" लागूपदार्थको प्रवृत्ति छ। यस प्रकारको सिनेसर तथ्यहरू र ठोस दिशाहरू, विस्तृतका लागि धैर्यता, ध्यानाकर्षणको लागि र "दृश्यहरू, र colors हरू प्रयोग गर्न रुचाउँछन्। वर्तमान परिणामहरू अन्य अध्ययनहरूसँग मिल्दो छन् दन्त र चिकित्सा विद्यार्थीहरूमा एलएस प्रयोग गरेर एलएस प्रयोग गरेर, जसमध्ये जसमध्ये जसमध्ये मानिसहरू छन् [12,] 0]। Dumoline एट अल सुझाव दिन्छ कि उनीहरूको ls को बारेमा विद्यार्थीहरुलाई सूचित गर्न तिनीहरूलाई अनुमति दिन्छ। अन्वेषकहरू तर्क गर्छन् कि जब शिक्षकहरूले विद्यार्थीहरूलाई पूर्ण रूपमा विद्यार्थीहरू बुझ्दछन्, विभिन्न शिक्षण विधिहरू र गतिविधिहरू लागू गर्न सकिन्छ जसले विद्यार्थीहरूको प्रदर्शन र शिक्षाको अनुभवलाई सुधार गर्दछ। अन्य अध्ययनहरूले देखाए कि विद्यार्थीको समायोजन गर्ने विद्यार्थीहरूले आफ्नो LS [13,] 33] उनीहरूको आफ्नै ls [1 13, 33] अनुरूप विद्यार्थीहरूको शिक्षा अनुभव र प्रदर्शनका लागि सुधारहरू पनि देखाउँदछ।
शिक्षकहरूको धारणा विद्यार्थीहरूको सिक्ने क्षमताका क्षमताहरूमा आधारित शिक्षण रणनीतिहरूको कार्यान्वयनको कार्यान्वयन गर्न सकिन्छ। जबकि केहि यस दृष्टिकोणका लाभहरू हेर्नुहोस्, व्यावसायिक विकास अवसर, सल्लाहकार, र समुदाय समर्थन, अन्य समय र संस्थागत समर्थन को बारे मा चिन्तित हुन सक्छ। ब्यालेन्सका लागि प्रयास गर्नु विद्यार्थी केन्द्रित मनोवृत्ति सिर्जना गर्न कुञ्जी हो। उच्च शिक्षा अधिकारीहरू, जस्तै विश्वविद्यालय प्रशासकहरूले, नवीन अभ्यास र संकाय विकासको माध्यमबाट सकारात्मक परिवर्तन गरीरहेकोमा महत्वपूर्ण भूमिका खेल्न सक्दछन्। वास्तवमै गतिशील र उत्तरदायी उच्च शिक्षा प्रणाली सिर्जना गर्न नीति निर्माताहरूले प्रत्यक्ष चरणहरू लिनुपर्दछ, जस्तै नीति परिवर्तनहरू, र फ्रेंडललवर्कहरू जसले विद्यार्थी-केन्द्रित दृष्टिकोणलाई बढावा दिन्छ। यी उपायहरू इच्छित परिणामहरू प्राप्त गर्न महत्वपूर्ण छन्। बिभिन्न निर्देशनमा हालसालै अनुसन्धान स्पष्ट रूपमा देखाइएको छ कि विविध निर्देशनको सफल कार्यान्वयन शिक्षकहरूको निरन्तर प्रशिक्षण र विकास अवसरहरू आवश्यक छ [] 35]।
यो उपकरण डेन्टल शिक्षकहरुलाई बहुमूल्य समर्थन प्रदान गर्दछ विद्यार्थी-मैत्री शिक्षा गतिविधिहरु को लागी एक विद्यार्थी केन्द्रित दृष्टिकोण लिन चाहान्छन्। यद्यपि यो अध्ययन निर्णयको रूखको रूखको एमएल मोडेलको प्रयोगमा सीमित छ। भविष्यमा, अधिक डाटालाई अझ बढी मेसिन सञ्चार मोडेलहरूको प्रदर्शनलाई स collected ्कलन गर्न स collected ्कलन गर्नुपर्नेछ शुद्धता, विश्वसनीयता, र सिफारिश उपकरणहरूको सटीकता तुलना गर्न। थप रूपमा, कुनै खास कार्यको लागि सबैभन्दा उपयुक्त मेसिन शिक्षा विधि छनौट गर्दा, यो अन्य कारकहरूलाई मोडेल जटिलता र व्याख्या जस्ता अन्य कारकहरू विचार गर्नु महत्त्वपूर्ण छ।
यस अध्ययनको सीमितता भनेको यो हो कि यसले केवल ls मा m केन्द्रित गर्दछ र दन्त विद्यार्थीहरू बीच हो। तसर्थ विकसित सिफारिश गरिएको सिफारिश प्रणालीले मात्र दन्त विद्यार्थीहरूको लागि उपयुक्त सिफारिश गर्दछ। सामान्य उच्च शिक्षा विद्यार्थी प्रयोगको लागि परिवर्तनहरू आवश्यक छन्।
भर्खरै विकसित मेशिन सिक्ने-आधारित सिफारिश उपकरण तुरून्तै वर्गीकरण र मिल्दो विद्यार्थीको एलएचलाई अनुमानित र मिलाउन सक्षम छ, यसलाई दन्त शिक्षा कार्यक्रमलाई प्रासंगिक शिक्षा र सिक्ने गतिविधिहरू प्रदान गर्न। डाटा-संचालित ट्राइज प्रक्रिया प्रयोग गर्दै, यसले निजीकृत सिफारिशहरू प्रदान गर्न सक्दछ, समय बचत गर्न सक्दछ, शिक्षण रणनीतिहरू सुधार गर्दछ, र जारी पेशेवर विकासलाई समर्थन गर्दछ। यसको अनुप्रयोगले दन्त शिक्षामा विद्यार्थी-केन्द्रित दृष्टिकोण प्रमोट गर्नेछ।
Galkk Jani Aid प्रेस। विद्यार्थीको शिक्षण शैली र शिक्षकको शिक्षण शैली बीच खेल वा बेमेल। IND J मोडले कम्प्युटर विज्ञान। 2012; ((11): 511-600। https:5//di.org1.4158151581151515.1112.11.05
पोष्ट समय: APR-2 -2-20224