दन्तचिकित्सा लगायत उच्च शिक्षा संस्थाहरूमा विद्यार्थी-केन्द्रित सिकाइ (SCL) को आवश्यकता बढ्दो छ। यद्यपि, दन्त शिक्षामा SCL को सीमित प्रयोग छ। त्यसकारण, यस अध्ययनले IS दिशानिर्देशहरू विकास गर्न उपयोगी उपकरणको रूपमा दन्त विद्यार्थीहरूको मनपर्ने सिकाइ शैली (LS) र सम्बन्धित सिकाइ रणनीतिहरू (IS) लाई नक्सा गर्न निर्णय रूख मेसिन लर्निङ (ML) प्रविधि प्रयोग गरेर दन्तचिकित्सामा SCL को प्रयोगलाई प्रवर्द्धन गर्ने लक्ष्य राखेको छ। दन्त विद्यार्थीहरूको लागि आशाजनक विधिहरू।
मलाया विश्वविद्यालयका कुल २५५ दन्त विद्यार्थीहरूले परिमार्जित सिकाइ शैलीहरूको सूचकांक (m-ILS) प्रश्नावली पूरा गरे, जसमा ४४ वस्तुहरू थिए जसलाई तिनीहरूको सम्बन्धित LS मा वर्गीकृत गरिएको थियो। सङ्कलन गरिएको डेटा (जसलाई डेटासेट भनिन्छ) पर्यवेक्षित निर्णय रूख सिकाइमा प्रयोग गरिन्छ ताकि विद्यार्थीहरूको सिकाइ शैलीहरू स्वचालित रूपमा सबैभन्दा उपयुक्त IS मा मिलाउन सकियोस्। त्यसपछि मेसिन लर्निङ-आधारित IS सिफारिस उपकरणको शुद्धता 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 समग्र मोडेल शुद्धताको पूर्ण शुद्धता र सम्झना प्रदर्शन गर्यो, जसले LS लाई IS सँग मिलाउँदा राम्रो संवेदनशीलता र विशिष्टता रहेको संकेत गर्दछ।
ML निर्णय रूखमा आधारित IS सिफारिस उपकरणले दन्त विद्यार्थीहरूको सिकाइ शैलीहरूलाई उपयुक्त सिकाइ रणनीतिहरूसँग सही रूपमा मिलाउने क्षमता प्रमाणित गरेको छ। यो उपकरणले विद्यार्थीहरूको सिकाइ अनुभव बढाउन सक्ने सिकारु-केन्द्रित पाठ्यक्रमहरू वा मोड्युलहरू योजना बनाउन शक्तिशाली विकल्पहरू प्रदान गर्दछ।
शैक्षिक संस्थाहरूमा शिक्षण र सिकाइ आधारभूत गतिविधिहरू हुन्। उच्च-गुणस्तरको व्यावसायिक शिक्षा प्रणाली विकास गर्दा, विद्यार्थीहरूको सिकाइ आवश्यकताहरूमा ध्यान केन्द्रित गर्नु महत्त्वपूर्ण छ। विद्यार्थीहरू र उनीहरूको सिकाइ वातावरण बीचको अन्तरक्रिया उनीहरूको LS मार्फत निर्धारण गर्न सकिन्छ। अनुसन्धानले सुझाव दिन्छ कि विद्यार्थीहरूको LS र IS बीच शिक्षक-उद्देश्य बेमेलले विद्यार्थीको सिकाइमा नकारात्मक परिणामहरू निम्त्याउन सक्छ, जस्तै ध्यान र प्रेरणामा कमी। यसले अप्रत्यक्ष रूपमा विद्यार्थीको प्रदर्शनलाई असर गर्नेछ [1,2]।
IS भनेको शिक्षकहरूले विद्यार्थीहरूलाई ज्ञान र सीपहरू प्रदान गर्न प्रयोग गर्ने एक विधि हो, जसमा विद्यार्थीहरूलाई सिक्न मद्दत गर्नु पनि समावेश छ [3]। सामान्यतया, असल शिक्षकहरूले शिक्षण रणनीतिहरू वा IS योजना गर्छन् जुन उनीहरूका विद्यार्थीहरूको ज्ञानको स्तर, उनीहरूले सिकिरहेका अवधारणाहरू र उनीहरूको सिकाइको चरणसँग राम्रोसँग मेल खान्छ। सैद्धान्तिक रूपमा, जब LS र IS मेल खान्छ, विद्यार्थीहरूले प्रभावकारी रूपमा सिक्नको लागि सीपहरूको एक विशेष सेट व्यवस्थित गर्न र प्रयोग गर्न सक्षम हुनेछन्। सामान्यतया, पाठ योजनामा चरणहरू बीच धेरै संक्रमणहरू समावेश हुन्छन्, जस्तै शिक्षणबाट निर्देशित अभ्यासमा वा निर्देशित अभ्यासबाट स्वतन्त्र अभ्यासमा। यो कुरालाई ध्यानमा राख्दै, प्रभावकारी शिक्षकहरूले प्रायः विद्यार्थीहरूको ज्ञान र सीपहरू निर्माण गर्ने लक्ष्यका साथ निर्देशन योजना गर्छन् [4]।
दन्तचिकित्सा लगायत उच्च शिक्षा संस्थाहरूमा SCL को माग बढ्दै गएको छ। SCL रणनीतिहरू विद्यार्थीहरूको सिकाइ आवश्यकताहरू पूरा गर्न डिजाइन गरिएका छन्। उदाहरणका लागि, यदि विद्यार्थीहरूले सिकाइ गतिविधिहरूमा सक्रिय रूपमा भाग लिन्छन् र शिक्षकहरू सहजकर्ताको रूपमा काम गर्छन् र बहुमूल्य प्रतिक्रिया प्रदान गर्न जिम्मेवार हुन्छन् भने यो प्राप्त गर्न सकिन्छ। विद्यार्थीहरूको शैक्षिक स्तर वा प्राथमिकताहरू अनुरूप सिकाइ सामग्री र गतिविधिहरू प्रदान गर्नाले विद्यार्थीहरूको सिकाइ वातावरणमा सुधार आउन सक्छ र सकारात्मक सिकाइ अनुभवहरूलाई प्रवर्द्धन गर्न सकिन्छ [5]।
सामान्यतया, दन्त विद्यार्थीहरूको सिकाइ प्रक्रिया उनीहरूले गर्नुपर्ने विभिन्न क्लिनिकल प्रक्रियाहरू र उनीहरूले प्रभावकारी पारस्परिक सीपहरू विकास गर्ने क्लिनिकल वातावरणबाट प्रभावित हुन्छ। तालिमको उद्देश्य विद्यार्थीहरूलाई दन्त क्लिनिकल सीपहरूसँग दन्त चिकित्साको आधारभूत ज्ञान संयोजन गर्न र प्राप्त ज्ञानलाई नयाँ क्लिनिकल परिस्थितिहरूमा लागू गर्न सक्षम बनाउनु हो [6, 7]। LS र IS बीचको सम्बन्धमा प्रारम्भिक अनुसन्धानले पत्ता लगायो कि रुचाइएको LS मा म्याप गरिएको सिकाइ रणनीतिहरू समायोजन गर्नाले शैक्षिक प्रक्रियामा सुधार गर्न मद्दत गर्नेछ [8]। लेखकहरूले विद्यार्थीहरूको सिकाइ र आवश्यकताहरू अनुरूप विभिन्न शिक्षण र मूल्याङ्कन विधिहरू प्रयोग गर्न पनि सिफारिस गर्छन्।
शिक्षकहरूले LS ज्ञान प्रयोग गरेर विद्यार्थीहरूलाई विषयवस्तुको गहिरो ज्ञान र बुझाइ प्राप्त गर्न मद्दत गर्ने निर्देशनहरू डिजाइन, विकास र कार्यान्वयन गर्न लाभ उठाउँछन्। अनुसन्धानकर्ताहरूले धेरै LS मूल्याङ्कन उपकरणहरू विकास गरेका छन्, जस्तै कोल्ब अनुभवात्मक सिकाइ मोडेल, फेल्डर-सिल्भरम्यान लर्निङ स्टाइल मोडेल (FSLSM), र फ्लेमिङ VAK/VARK मोडेल [5, 9, 10]। साहित्यका अनुसार, यी सिकाइ मोडेलहरू सबैभन्दा बढी प्रयोग हुने र सबैभन्दा धेरै अध्ययन गरिएका सिकाइ मोडेलहरू हुन्। हालको अनुसन्धान कार्यमा, दन्त चिकित्सक विद्यार्थीहरूमा LS मूल्याङ्कन गर्न FSLSM प्रयोग गरिन्छ।
FSLSM इन्जिनियरिङमा अनुकूली सिकाइको मूल्याङ्कन गर्न व्यापक रूपमा प्रयोग हुने मोडेल हो। स्वास्थ्य विज्ञान (चिकित्सा, नर्सिङ, फार्मेसी र दन्तचिकित्सा सहित) मा धेरै प्रकाशित कृतिहरू छन् जुन FSLSM मोडेलहरू [5, 11, 12, 13] प्रयोग गरेर फेला पार्न सकिन्छ। FLSM मा LS को आयामहरू मापन गर्न प्रयोग गरिने उपकरणलाई सिकाइ शैलीहरूको सूचकांक (ILS) [8] भनिन्छ, जसमा LS को चार आयामहरूको मूल्याङ्कन गर्ने ४४ वस्तुहरू छन्: प्रशोधन (सक्रिय/प्रतिबिम्बित), धारणा (अनुभवी/सहज), इनपुट (दृश्य)। /मौखिक) र बुझाइ (क्रमिक/विश्वव्यापी) [14]।
चित्र १ मा देखाइए अनुसार, प्रत्येक FSLSM आयामको प्रमुख प्राथमिकता हुन्छ। उदाहरणका लागि, प्रशोधन आयाममा, "सक्रिय" LS भएका विद्यार्थीहरूले सिकाइ सामग्रीहरूसँग प्रत्यक्ष अन्तरक्रिया गरेर जानकारी प्रशोधन गर्न रुचाउँछन्, गरेर सिक्छन्, र समूहहरूमा सिक्ने प्रवृत्ति राख्छन्। "चिन्तनशील" LS ले सोचाइ मार्फत सिक्नेलाई जनाउँछ र एक्लै काम गर्न रुचाउँछ। LS को "बोध" आयामलाई "भावना" र/वा "अन्तर्ज्ञान" मा विभाजन गर्न सकिन्छ। "भावना" भएका विद्यार्थीहरूले बढी ठोस जानकारी र व्यावहारिक प्रक्रियाहरू रुचाउँछन्, "सहज" विद्यार्थीहरूको तुलनामा तथ्य-उन्मुख हुन्छन् जो अमूर्त सामग्री मन पराउँछन् र प्रकृतिमा बढी नवीन र रचनात्मक हुन्छन्। LS को "इनपुट" आयाममा "दृश्य" र "मौखिक" शिक्षार्थीहरू हुन्छन्। "दृश्य" LS भएका व्यक्तिहरू दृश्य प्रदर्शनहरू (जस्तै रेखाचित्र, भिडियोहरू, वा प्रत्यक्ष प्रदर्शनहरू) मार्फत सिक्न रुचाउँछन्, जबकि "मौखिक" LS भएका व्यक्तिहरू लिखित वा मौखिक व्याख्याहरूमा शब्दहरू मार्फत सिक्न रुचाउँछन्। LS आयामहरू "बुझ्न" को लागि, त्यस्ता शिक्षार्थीहरूलाई "क्रमिक" र "विश्वव्यापी" मा विभाजन गर्न सकिन्छ। “क्रमिक सिकारुहरू रेखीय सोच प्रक्रिया रुचाउँछन् र चरणबद्ध रूपमा सिक्छन्, जबकि विश्वव्यापी सिकारुहरू समग्र सोच प्रक्रिया राख्छन् र उनीहरूले के सिकिरहेका छन् भन्ने कुराको राम्रो बुझाइ सधैं राख्छन्।
हालै, धेरै अनुसन्धानकर्ताहरूले स्वचालित डेटा-संचालित खोजका लागि विधिहरू अन्वेषण गर्न थालेका छन्, जसमा नयाँ एल्गोरिदमहरू र मोडेलहरूको विकास समावेश छ जसले ठूलो मात्रामा डेटाको व्याख्या गर्न सक्षम छ [15, 16]। प्रदान गरिएको डेटाको आधारमा, पर्यवेक्षित ML (मेसिन लर्निङ) ले एल्गोरिदमहरूको निर्माणको आधारमा भविष्यका परिणामहरूको भविष्यवाणी गर्ने ढाँचाहरू र परिकल्पनाहरू उत्पन्न गर्न सक्षम छ [17]। सरल भाषामा भन्नुपर्दा, पर्यवेक्षित मेसिन लर्निङ प्रविधिहरूले इनपुट डेटा हेरफेर गर्छन् र एल्गोरिदमहरूलाई तालिम दिन्छन्। त्यसपछि यसले प्रदान गरिएको इनपुट डेटाको लागि समान परिस्थितिहरूको आधारमा परिणामलाई वर्गीकृत वा भविष्यवाणी गर्ने दायरा उत्पन्न गर्दछ। पर्यवेक्षित मेसिन लर्निङ एल्गोरिदमहरूको मुख्य फाइदा भनेको आदर्श र इच्छित परिणामहरू स्थापित गर्ने क्षमता हो [17]।
डेटा-संचालित विधिहरू र निर्णय रूख नियन्त्रण मोडेलहरूको प्रयोग मार्फत, LS को स्वचालित पत्ता लगाउन सम्भव छ। स्वास्थ्य विज्ञान [18, 19] सहित विभिन्न क्षेत्रहरूमा प्रशिक्षण कार्यक्रमहरूमा निर्णय रूखहरू व्यापक रूपमा प्रयोग भएको रिपोर्ट गरिएको छ। यस अध्ययनमा, विद्यार्थीहरूको LS पहिचान गर्न र तिनीहरूको लागि उत्तम IS सिफारिस गर्न प्रणाली विकासकर्ताहरूद्वारा मोडेललाई विशेष रूपमा प्रशिक्षित गरिएको 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 १ मा देखाइएको छ। IS सिफारिस उपकरणलाई दुई भागमा विभाजन गरिएको छ, जसमा ILS प्रयोग गर्ने LS वर्गीकरण संयन्त्र र विद्यार्थीहरूको लागि सबैभन्दा उपयुक्त IS प्रदर्शन समावेश छ।
विशेष गरी, सूचना सुरक्षा सिफारिस उपकरणहरूको विशेषताहरूमा वेब प्रविधिहरूको प्रयोग र निर्णय रूख मेसिन लर्निङको प्रयोग समावेश छ। प्रणाली विकासकर्ताहरूले मोबाइल फोन र ट्याब्लेट जस्ता मोबाइल उपकरणहरूमा अनुकूलन गरेर प्रयोगकर्ता अनुभव र गतिशीलता सुधार गर्छन्।
यो प्रयोग दुई चरणमा गरिएको थियो र मलाया विश्वविद्यालयको दन्तचिकित्सा संकायका विद्यार्थीहरूले स्वैच्छिक रूपमा भाग लिएका थिए। सहभागीहरूले दन्त विद्यार्थीको अनलाइन m-ILS लाई अंग्रेजीमा प्रतिक्रिया दिए। प्रारम्भिक चरणमा, निर्णय रूख मेसिन लर्निङ एल्गोरिथ्मलाई तालिम दिन ५० विद्यार्थीहरूको डेटासेट प्रयोग गरिएको थियो। विकास प्रक्रियाको दोस्रो चरणमा, विकसित उपकरणको शुद्धता सुधार गर्न २५५ विद्यार्थीहरूको डेटासेट प्रयोग गरिएको थियो।
सबै सहभागीहरूलाई शैक्षिक वर्षको आधारमा प्रत्येक चरणको सुरुमा माइक्रोसफ्ट टिम्स मार्फत अनलाइन ब्रीफिंग प्राप्त हुन्छ। 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 हुनुभन्दा अघि सेमेस्टर ब्रेकको समयमा उनीहरूलाई सुविधाजनक समय र स्थानमा परिमार्जित ILS पूरा गर्न उनीहरूलाई एक हप्ता दिइएको थियो। m-ILS मूल ILS उपकरणमा आधारित छ र दन्त विद्यार्थीहरूको लागि परिमार्जित गरिएको छ। मूल ILS जस्तै, यसमा ४४ समान रूपमा वितरित वस्तुहरू (a, b) छन्, प्रत्येकमा ११ वस्तुहरू छन्, जुन प्रत्येक FSLSM आयामको पक्षहरूको मूल्याङ्कन गर्न प्रयोग गरिन्छ।
उपकरण विकासको प्रारम्भिक चरणहरूमा, अनुसन्धानकर्ताहरूले ५० जना दन्त विद्यार्थीहरूको डेटासेट प्रयोग गरेर नक्साहरूलाई म्यानुअल रूपमा एनोटेट गरे। FSLM अनुसार, प्रणालीले "a" र "b" उत्तरहरूको योग प्रदान गर्दछ। प्रत्येक आयामको लागि, यदि विद्यार्थीले "a" लाई उत्तरको रूपमा चयन गर्छ भने, LS लाई सक्रिय/अनुभूतिशील/दृश्य/क्रमिक रूपमा वर्गीकृत गरिन्छ, र यदि विद्यार्थीले "b" लाई उत्तरको रूपमा चयन गर्छ भने, विद्यार्थीलाई प्रतिबिम्बित/सहज/भाषिक रूपमा वर्गीकृत गरिन्छ। / विश्वव्यापी शिक्षार्थी।
दन्त शिक्षा अनुसन्धानकर्ताहरू र प्रणाली विकासकर्ताहरू बीच कार्यप्रवाह क्यालिब्रेट गरेपछि, FLSSM डोमेनको आधारमा प्रश्नहरू छनोट गरियो र प्रत्येक विद्यार्थीको LS भविष्यवाणी गर्न ML मोडेलमा फिड गरियो। "फोहोर भित्र, फोहोर बाहिर" मेसिन लर्निङको क्षेत्रमा एक लोकप्रिय भनाइ हो, डेटा गुणस्तरमा जोड दिँदै। इनपुट डेटाको गुणस्तरले मेसिन लर्निङ मोडेलको शुद्धता र शुद्धता निर्धारण गर्दछ। सुविधा इन्जिनियरिङ चरणको समयमा, FLSSM मा आधारित "a" र "b" उत्तरहरूको योगफल भएको नयाँ सुविधा सेट सिर्जना गरिन्छ। औषधि स्थितिहरूको पहिचान संख्या तालिका १ मा दिइएको छ।
उत्तरहरूको आधारमा अङ्क गणना गर्नुहोस् र विद्यार्थीको LS निर्धारण गर्नुहोस्। प्रत्येक विद्यार्थीको लागि, अङ्क दायरा १ देखि ११ सम्म हुन्छ। १ देखि ३ सम्मको अङ्कले एउटै आयाम भित्र सिकाइ प्राथमिकताहरूको सन्तुलनलाई जनाउँछ, र ५ देखि ७ सम्मको अङ्कले मध्यम प्राथमिकतालाई जनाउँछ, जसले विद्यार्थीहरूले अरूलाई सिकाउने एउटा वातावरणलाई प्राथमिकता दिने प्रवृत्ति देखाउँछ। एउटै आयाममा अर्को भिन्नता भनेको ९ देखि ११ सम्मको अङ्कले एउटा छेउ वा अर्कोको लागि बलियो प्राथमिकतालाई प्रतिबिम्बित गर्दछ [8]।
प्रत्येक आयामको लागि, औषधिहरूलाई "सक्रिय", "प्रतिबिम्बित" र "सन्तुलित" मा समूहबद्ध गरिएको थियो। उदाहरणका लागि, जब कुनै विद्यार्थीले तोकिएको वस्तुमा "b" भन्दा "a" लाई धेरै पटक उत्तर दिन्छ र उसको/उनको स्कोर प्रशोधन LS आयाम प्रतिनिधित्व गर्ने विशेष वस्तुको लागि ५ को थ्रेसहोल्ड भन्दा बढी हुन्छ, ऊ/उनी "सक्रिय" LS डोमेनमा पर्छ। । यद्यपि, विद्यार्थीहरूले विशिष्ट ११ प्रश्नहरू (तालिका १) मा "a" भन्दा "b" बढी छनौट गर्दा र ५ भन्दा बढी अंक प्राप्त गर्दा तिनीहरूलाई "प्रतिबिम्बित" LS को रूपमा वर्गीकृत गरिएको थियो। अन्तमा, विद्यार्थी "सन्तुलनको अवस्थामा" हुन्छ। यदि स्कोर ५ अंक भन्दा बढी छैन भने, यो "प्रक्रिया" LS हो। वर्गीकरण प्रक्रिया अन्य LS आयामहरूको लागि दोहोर्याइएको थियो, अर्थात् धारणा (सक्रिय/प्रतिबिम्बित), इनपुट (दृश्य/मौखिक), र समझ (क्रमिक/विश्वव्यापी)।
निर्णय रूख मोडेलहरूले वर्गीकरण प्रक्रियाको विभिन्न चरणहरूमा सुविधाहरू र निर्णय नियमहरूको विभिन्न उपसमूहहरू प्रयोग गर्न सक्छन्। यसलाई एक लोकप्रिय वर्गीकरण र भविष्यवाणी उपकरण मानिन्छ। यसलाई फ्लोचार्ट [20] जस्ता रूख संरचना प्रयोग गरेर प्रतिनिधित्व गर्न सकिन्छ, जसमा विशेषताद्वारा परीक्षणहरू प्रतिनिधित्व गर्ने आन्तरिक नोडहरू, परीक्षण परिणामहरू प्रतिनिधित्व गर्ने प्रत्येक शाखा, र वर्ग लेबल भएको प्रत्येक पात नोड (पात नोड) हुन्छ।
प्रत्येक विद्यार्थीको प्रतिक्रियाको आधारमा स्वचालित रूपमा स्कोर गर्न र एनोटेट गर्नको लागि एउटा साधारण नियम-आधारित कार्यक्रम सिर्जना गरिएको थियो। नियम-आधारितले IF कथनको रूप लिन्छ, जहाँ "IF" ले ट्रिगरको वर्णन गर्दछ र "THEN" ले गर्नुपर्ने कार्य निर्दिष्ट गर्दछ, उदाहरणका लागि: "यदि X हुन्छ भने, Y गर्नुहोस्" (Liu et al., 2014)। यदि डेटा सेटले सहसम्बन्ध प्रदर्शन गर्दछ र निर्णय रूख मोडेललाई राम्ररी प्रशिक्षित र मूल्याङ्कन गरिएको छ भने, यो दृष्टिकोण LS र IS मिलाउने प्रक्रियालाई स्वचालित गर्ने प्रभावकारी तरिका हुन सक्छ।
विकासको दोस्रो चरणमा, सिफारिस उपकरणको शुद्धता सुधार गर्न डेटासेटलाई २५५ मा बढाइएको थियो। डेटा सेट १:४ अनुपातमा विभाजित गरिएको छ। डेटा सेटको २५% (६४) परीक्षण सेटको लागि प्रयोग गरिएको थियो, र बाँकी ७५% (१९१) प्रशिक्षण सेटको रूपमा प्रयोग गरिएको थियो (चित्र २)। मोडेललाई एउटै डेटा सेटमा प्रशिक्षित र परीक्षण हुनबाट रोक्नको लागि डेटा सेटलाई विभाजन गर्न आवश्यक छ, जसले गर्दा मोडेलले सिक्नुको सट्टा सम्झन सक्छ। मोडेललाई प्रशिक्षण सेटमा प्रशिक्षित गरिन्छ र परीक्षण सेटमा यसको कार्यसम्पादनको मूल्याङ्कन गर्दछ - डेटा जुन मोडेलले पहिले कहिल्यै देखेको छैन।
एक पटक IS उपकरण विकास भएपछि, अनुप्रयोगले वेब इन्टरफेस मार्फत दन्त विद्यार्थीहरूको प्रतिक्रियाको आधारमा LS वर्गीकृत गर्न सक्षम हुनेछ। वेब-आधारित सूचना सुरक्षा सिफारिस उपकरण प्रणाली पाइथन प्रोग्रामिङ भाषा प्रयोग गरेर Django फ्रेमवर्कलाई ब्याकएन्डको रूपमा प्रयोग गरेर निर्माण गरिएको हो। तालिका २ ले यस प्रणालीको विकासमा प्रयोग गरिएका पुस्तकालयहरू सूचीबद्ध गर्दछ।
विद्यार्थी LS मापनहरू स्वचालित रूपमा वर्गीकृत गर्न विद्यार्थी प्रतिक्रियाहरू गणना गर्न र निकाल्न डेटासेटलाई निर्णय रूख मोडेलमा फिड गरिन्छ।
दिइएको डेटा सेटमा निर्णय रूख मेसिन लर्निङ एल्गोरिथ्मको शुद्धता मूल्याङ्कन गर्न कन्फ्युजन म्याट्रिक्स प्रयोग गरिन्छ। साथै, यसले वर्गीकरण मोडेलको कार्यसम्पादनको मूल्याङ्कन गर्दछ। यसले मोडेलको भविष्यवाणीहरूको सारांश दिन्छ र तिनीहरूलाई वास्तविक डेटा लेबलहरूसँग तुलना गर्दछ। मूल्याङ्कन परिणामहरू चार फरक मानहरूमा आधारित छन्: True Positive (TP) - मोडेलले सकारात्मक श्रेणीको सही भविष्यवाणी गर्यो, False Positive (FP) - मोडेलले सकारात्मक श्रेणीको भविष्यवाणी गर्यो, तर साँचो लेबल नकारात्मक थियो, True Negative (TN) - मोडेलले नकारात्मक वर्गको सही भविष्यवाणी गर्यो, र False Negative (FN) - मोडेलले नकारात्मक वर्गको भविष्यवाणी गर्यो, तर साँचो लेबल सकारात्मक छ।
यी मानहरू त्यसपछि पाइथनमा scikit-learn वर्गीकरण मोडेलका विभिन्न कार्यसम्पादन मेट्रिक्स गणना गर्न प्रयोग गरिन्छ, जस्तै प्रेसिजन, प्रेसिजन, रिकल, र F1 स्कोर। यहाँ उदाहरणहरू छन्:
रिकल (वा संवेदनशीलता) ले m-ILS प्रश्नावलीको उत्तर दिएपछि विद्यार्थीको LS लाई सही रूपमा वर्गीकृत गर्ने मोडेलको क्षमता मापन गर्दछ।
विशिष्टतालाई साँचो नकारात्मक दर भनिन्छ। माथिको सूत्रबाट तपाईंले देख्न सक्नुहुन्छ, यो साँचो नकारात्मक (TN) र साँचो नकारात्मक र गलत सकारात्मक (FP) को अनुपात हुनुपर्छ। विद्यार्थी औषधि वर्गीकरणको लागि सिफारिस गरिएको उपकरणको भागको रूपमा, यो सही पहिचान गर्न सक्षम हुनुपर्छ।
निर्णय रूख ML मोडेललाई तालिम दिन प्रयोग गरिएका ५० विद्यार्थीहरूको मूल डेटासेटले एनोटेसनमा मानवीय त्रुटिका कारण तुलनात्मक रूपमा कम शुद्धता देखायो (तालिका ३)। LS स्कोर र विद्यार्थी एनोटेसनहरू स्वचालित रूपमा गणना गर्न एक सरल नियम-आधारित कार्यक्रम सिर्जना गरेपछि, सिफारिसकर्ता प्रणालीलाई तालिम दिन र परीक्षण गर्न डेटासेटहरूको बढ्दो संख्या (२५५) प्रयोग गरियो।
बहुवर्गीय भ्रम म्याट्रिक्समा, विकर्ण तत्वहरूले प्रत्येक LS प्रकारको लागि सही भविष्यवाणीहरूको संख्या प्रतिनिधित्व गर्दछ (चित्र ४)। निर्णय रूख मोडेल प्रयोग गरेर, कुल ६४ नमूनाहरूको सही भविष्यवाणी गरिएको थियो। यसरी, यस अध्ययनमा, विकर्ण तत्वहरूले अपेक्षित परिणामहरू देखाउँछन्, जसले मोडेलले राम्रो प्रदर्शन गर्दछ र प्रत्येक LS वर्गीकरणको लागि वर्ग लेबलको सही भविष्यवाणी गर्दछ भनेर संकेत गर्दछ। यसरी, सिफारिस उपकरणको समग्र शुद्धता १००% छ।
शुद्धता, परिशुद्धता, सम्झना, र F1 स्कोरको मानहरू चित्र ५ मा देखाइएको छ। निर्णय रूख मोडेल प्रयोग गर्ने सिफारिस प्रणालीको लागि, यसको F1 स्कोर १.० "उत्तम" छ, जसले उत्तम परिशुद्धता र सम्झनालाई जनाउँछ, जसले महत्त्वपूर्ण संवेदनशीलता र विशिष्टता मानहरू प्रतिबिम्बित गर्दछ।
चित्र ६ ले प्रशिक्षण र परीक्षण पूरा भएपछि निर्णय रूख मोडेलको दृश्यावलोकन देखाउँछ। छेउछाउको तुलनामा, कम सुविधाहरूको साथ प्रशिक्षित निर्णय रूख मोडेलले उच्च शुद्धता र सजिलो मोडेल दृश्यावलोकन देखायो। यसले देखाउँछ कि सुविधा इन्जिनियरिङले सुविधा घटाउने दिशामा नेतृत्व गर्दछ मोडेल प्रदर्शन सुधार गर्न एक महत्त्वपूर्ण कदम हो।
निर्णय रूख पर्यवेक्षित सिकाइ लागू गरेर, LS (इनपुट) र IS (लक्ष्य आउटपुट) बीचको म्यापिङ स्वचालित रूपमा उत्पन्न हुन्छ र प्रत्येक LS को लागि विस्तृत जानकारी समावेश गर्दछ।
नतिजाले देखाएको छ कि २५५ विद्यार्थीहरूमध्ये ३४.९% ले एउटा (१) LS विकल्प रुचाए। बहुमत (५४.३%) को दुई वा बढी LS प्राथमिकताहरू थिए। १२.२% विद्यार्थीहरूले LS एकदम सन्तुलित भएको उल्लेख गरे (तालिका ४)। आठ मुख्य LS बाहेक, मलाया विश्वविद्यालयका दन्त विद्यार्थीहरूको लागि LS वर्गीकरणका ३४ संयोजनहरू छन्। ती मध्ये, धारणा, दृष्टि, र धारणा र दृष्टिको संयोजन विद्यार्थीहरूद्वारा रिपोर्ट गरिएको मुख्य LS हो (चित्र ७)।
तालिका ४ बाट देख्न सकिन्छ, धेरैजसो विद्यार्थीहरूमा प्रमुख संवेदी (१३.७%) वा दृश्य (८.६%) LS थियो। १२.२% विद्यार्थीहरूले दृष्टि (अनुभूति-दृश्य LS) सँग धारणालाई संयुक्त रूपमा प्रस्तुत गरेको रिपोर्ट गरिएको थियो। यी निष्कर्षहरूले विद्यार्थीहरू स्थापित विधिहरू मार्फत सिक्न र सम्झन रुचाउँछन्, विशिष्ट र विस्तृत प्रक्रियाहरू पालना गर्छन्, र ध्यान दिने स्वभावका हुन्छन् भन्ने सुझाव दिन्छन्। साथै, तिनीहरू हेरेर (चित्रहरू, आदि प्रयोग गरेर) सिक्न रमाइलो गर्छन् र समूहमा वा आफैंमा जानकारी छलफल र लागू गर्ने प्रवृत्ति राख्छन्।
यस अध्ययनले डेटा माइनिङमा प्रयोग हुने मेसिन लर्निङ प्रविधिहरूको सिंहावलोकन प्रदान गर्दछ, जसमा विद्यार्थीहरूको LS को तुरुन्तै र सही भविष्यवाणी गर्ने र उपयुक्त IS सिफारिस गर्ने कुरामा ध्यान केन्द्रित गरिएको छ। निर्णय रूख मोडेलको प्रयोगले उनीहरूको जीवन र शैक्षिक अनुभवहरूसँग सबैभन्दा नजिकबाट सम्बन्धित कारकहरू पहिचान गर्यो। यो एक पर्यवेक्षित मेसिन लर्निङ एल्गोरिथ्म हो जसले निश्चित मापदण्डको आधारमा डेटाको सेटलाई उपश्रेणीहरूमा विभाजन गरेर डेटा वर्गीकृत गर्न रूख संरचना प्रयोग गर्दछ। यसले लीफ नोडमा निर्णय नभएसम्म प्रत्येक आन्तरिक नोडको इनपुट सुविधाहरू मध्ये एकको मानको आधारमा इनपुट डेटालाई उपसमूहहरूमा पुनरावर्ती रूपमा विभाजन गरेर काम गर्दछ।
निर्णय रूखको आन्तरिक नोडहरूले m-ILS समस्याको इनपुट विशेषताहरूमा आधारित समाधानको प्रतिनिधित्व गर्दछ, र पात नोडहरूले अन्तिम LS वर्गीकरण भविष्यवाणीको प्रतिनिधित्व गर्दछ। अध्ययनभरि, इनपुट सुविधाहरू र आउटपुट भविष्यवाणीहरू बीचको सम्बन्ध हेरेर निर्णय प्रक्रियाको व्याख्या र कल्पना गर्ने निर्णय रूखहरूको पदानुक्रम बुझ्न सजिलो छ।
कम्प्युटर विज्ञान र इन्जिनियरिङका क्षेत्रमा, मेसिन लर्निङ एल्गोरिदमहरू विद्यार्थीहरूको प्रवेश परीक्षाको स्कोर [21], जनसांख्यिकीय जानकारी, र सिकाइ व्यवहार [22] को आधारमा प्रदर्शनको भविष्यवाणी गर्न व्यापक रूपमा प्रयोग गरिन्छ। अनुसन्धानले देखाएको छ कि एल्गोरिदमले विद्यार्थीको प्रदर्शनको सही भविष्यवाणी गरेको छ र शैक्षिक कठिनाइहरूको जोखिममा रहेका विद्यार्थीहरूलाई पहिचान गर्न मद्दत गरेको छ।
दन्त प्रशिक्षणको लागि भर्चुअल बिरामी सिमुलेटरहरूको विकासमा ML एल्गोरिदमहरूको प्रयोग रिपोर्ट गरिएको छ। सिम्युलेटर वास्तविक बिरामीहरूको शारीरिक प्रतिक्रियाहरू सही रूपमा पुन: उत्पादन गर्न सक्षम छ र सुरक्षित र नियन्त्रित वातावरणमा दन्त विद्यार्थीहरूलाई तालिम दिन प्रयोग गर्न सकिन्छ [23]। धेरै अन्य अध्ययनहरूले देखाउँछन् कि मेसिन लर्निङ एल्गोरिदमहरूले सम्भावित रूपमा दन्त र चिकित्सा शिक्षा र बिरामी हेरचाहको गुणस्तर र दक्षता सुधार गर्न सक्छन्। लक्षणहरू र बिरामी विशेषताहरू जस्ता डेटा सेटहरूको आधारमा दन्त रोगहरूको निदानमा सहयोग गर्न मेसिन लर्निङ एल्गोरिदमहरू प्रयोग गरिएको छ [24, 25]। जबकि अन्य अध्ययनहरूले बिरामीको नतिजाहरूको भविष्यवाणी गर्ने, उच्च जोखिम भएका बिरामीहरूको पहिचान गर्ने, व्यक्तिगत उपचार योजनाहरू विकास गर्ने [26], पिरियडोन्टल उपचार [27], र क्षय उपचार [25] जस्ता कार्यहरू गर्न मेसिन लर्निङ एल्गोरिदमहरूको प्रयोगको अन्वेषण गरेका छन्।
दन्तचिकित्सामा मेसिन लर्निङको प्रयोगको बारेमा रिपोर्टहरू प्रकाशित भए तापनि, दन्त शिक्षामा यसको प्रयोग सीमित नै छ। त्यसकारण, यस अध्ययनले दन्तचिकित्साका विद्यार्थीहरूमा LS र IS सँग सबैभन्दा नजिकबाट सम्बन्धित कारकहरू पहिचान गर्न निर्णय रूख मोडेल प्रयोग गर्ने उद्देश्य राखेको थियो।
यस अध्ययनको नतिजाले देखाउँछ कि विकसित सिफारिस उपकरणमा उच्च शुद्धता र उत्तम शुद्धता छ, जसले शिक्षकहरूले यस उपकरणबाट लाभ उठाउन सक्छन् भन्ने संकेत गर्दछ। डेटा-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 द्वन्द्व समाधान गर्न सक्छ। उदाहरणका लागि, सिफारिस उपकरणहरूको स्वचालित आउटपुटको कारण, विद्यार्थीको IP पहिचान गर्न र सम्बन्धित IP सँग मिलाउन आवश्यक समय उल्लेखनीय रूपमा कम हुनेछ। यस तरिकाले, उपयुक्त प्रशिक्षण गतिविधिहरू र प्रशिक्षण सामग्रीहरू व्यवस्थित गर्न सकिन्छ। यसले विद्यार्थीहरूको सकारात्मक सिकाइ व्यवहार र ध्यान केन्द्रित गर्ने क्षमता विकास गर्न मद्दत गर्दछ। एउटा अध्ययनले रिपोर्ट गरेको छ कि विद्यार्थीहरूलाई उनीहरूको मनपर्ने LS सँग मेल खाने सिकाइ सामग्री र सिकाइ गतिविधिहरू प्रदान गर्नाले विद्यार्थीहरूलाई ठूलो क्षमता प्राप्त गर्न धेरै तरिकाहरूमा सिकाइलाई एकीकृत गर्न, प्रक्रिया गर्न र आनन्द लिन मद्दत गर्न सक्छ [12]। अनुसन्धानले यो पनि देखाउँछ कि कक्षाकोठामा विद्यार्थीको सहभागिता सुधार गर्नुको साथै, विद्यार्थीहरूको सिकाइ प्रक्रिया बुझ्नेले शिक्षण अभ्यासहरू र विद्यार्थीहरूसँग सञ्चार सुधार गर्न पनि महत्त्वपूर्ण भूमिका खेल्छ [28, 29]।
यद्यपि, कुनै पनि आधुनिक प्रविधि जस्तै, समस्या र सीमितताहरू छन्। यसमा डेटा गोपनीयता, पूर्वाग्रह र निष्पक्षता, र दन्त शिक्षामा मेसिन लर्निङ एल्गोरिदमहरू विकास र कार्यान्वयन गर्न आवश्यक व्यावसायिक सीप र स्रोतहरूसँग सम्बन्धित मुद्दाहरू समावेश छन्; यद्यपि, यस क्षेत्रमा बढ्दो चासो र अनुसन्धानले मेसिन लर्निङ प्रविधिहरूले दन्त शिक्षा र दन्त सेवाहरूमा सकारात्मक प्रभाव पार्न सक्छ भन्ने सुझाव दिन्छ।
यस अध्ययनको नतिजाले आधा दन्त विद्यार्थीहरूमा लागूपदार्थ "बुझ्ने" प्रवृत्ति रहेको देखाउँछ। यस प्रकारका सिकारुहरूमा तथ्य र ठोस उदाहरणहरू, व्यावहारिक अभिमुखीकरण, विवरणको लागि धैर्य, र "दृश्य" LS प्राथमिकता हुन्छ, जहाँ सिकारुहरू विचार र विचारहरू व्यक्त गर्न चित्र, ग्राफिक्स, रङ र नक्सा प्रयोग गर्न रुचाउँछन्। हालका नतिजाहरू दन्त र चिकित्सा विद्यार्थीहरूमा LS मूल्याङ्कन गर्न ILS प्रयोग गर्ने अन्य अध्ययनहरूसँग मिल्दोजुल्दो छन्, जसमध्ये धेरैजसोमा अवधारणात्मक र दृश्य LS [12, 30] को विशेषताहरू छन्। डालमोलिन एट अलले सुझाव दिन्छन् कि विद्यार्थीहरूलाई उनीहरूको LS बारे जानकारी दिनाले उनीहरूलाई उनीहरूको सिकाइ क्षमतामा पुग्न अनुमति दिन्छ। अनुसन्धानकर्ताहरूको तर्क छ कि जब शिक्षकहरूले विद्यार्थीहरूको शैक्षिक प्रक्रिया पूर्ण रूपमा बुझ्छन्, विभिन्न शिक्षण विधिहरू र गतिविधिहरू लागू गर्न सकिन्छ जसले विद्यार्थीहरूको प्रदर्शन र सिकाइ अनुभवमा सुधार गर्नेछ [12, 31, 32]। अन्य अध्ययनहरूले देखाएका छन् कि विद्यार्थीहरूको LS समायोजन गर्नाले उनीहरूको आफ्नै LS [13, 33] अनुरूप सिक्ने शैलीहरू परिवर्तन गरेपछि विद्यार्थीहरूको सिकाइ अनुभव र प्रदर्शनमा पनि सुधार देखाउँछ।
विद्यार्थीहरूको सिकाइ क्षमताको आधारमा शिक्षण रणनीतिहरूको कार्यान्वयनको बारेमा शिक्षकहरूको विचार फरक हुन सक्छ। कतिपयले यस दृष्टिकोणका फाइदाहरू देख्छन्, जसमा व्यावसायिक विकासका अवसरहरू, परामर्श र सामुदायिक सहयोग समावेश छ, भने कतिपयले समय र संस्थागत सहयोगको बारेमा चिन्तित हुन सक्छन्। सन्तुलनको लागि प्रयास गर्नु विद्यार्थी-केन्द्रित मनोवृत्ति सिर्जना गर्ने महत्वपूर्ण कुरा हो। विश्वविद्यालय प्रशासकहरू जस्ता उच्च शिक्षा अधिकारीहरूले नवीन अभ्यासहरू प्रस्तुत गरेर र संकाय विकासलाई समर्थन गरेर सकारात्मक परिवर्तन ल्याउन महत्त्वपूर्ण भूमिका खेल्न सक्छन् [34]। साँच्चै गतिशील र उत्तरदायी उच्च शिक्षा प्रणाली सिर्जना गर्न, नीति निर्माताहरूले नीति परिवर्तन गर्ने, प्रविधि एकीकरणमा स्रोतहरू समर्पित गर्ने, र विद्यार्थी-केन्द्रित दृष्टिकोणलाई प्रवर्द्धन गर्ने ढाँचाहरू सिर्जना गर्ने जस्ता साहसी कदमहरू चाल्नुपर्छ। यी उपायहरू इच्छित परिणामहरू प्राप्त गर्न महत्त्वपूर्ण छन्। विभेदित निर्देशनमा हालैको अनुसन्धानले स्पष्ट रूपमा देखाएको छ कि विभेदित निर्देशनको सफल कार्यान्वयनको लागि शिक्षकहरूको लागि निरन्तर प्रशिक्षण र विकास अवसरहरू आवश्यक पर्दछ [35]।
यो उपकरणले विद्यार्थी-मैत्री सिकाइ गतिविधिहरूको योजना बनाउन विद्यार्थी-केन्द्रित दृष्टिकोण अपनाउन चाहने दन्त शिक्षकहरूलाई बहुमूल्य सहयोग प्रदान गर्दछ। यद्यपि, यो अध्ययन निर्णय रूख ML मोडेलहरूको प्रयोगमा सीमित छ। भविष्यमा, सिफारिस उपकरणहरूको शुद्धता, विश्वसनीयता र शुद्धताको तुलना गर्न विभिन्न मेसिन लर्निङ मोडेलहरूको कार्यसम्पादन तुलना गर्न थप डेटा सङ्कलन गर्नुपर्छ। थप रूपमा, कुनै विशेष कार्यको लागि सबैभन्दा उपयुक्त मेसिन लर्निङ विधि छनौट गर्दा, मोडेल जटिलता र व्याख्या जस्ता अन्य कारकहरूलाई विचार गर्नु महत्त्वपूर्ण छ।
यस अध्ययनको एउटा सीमा यो हो कि यसले दन्त विद्यार्थीहरूमाझ LS र IS म्यापिङमा मात्र ध्यान केन्द्रित गरेको थियो। त्यसकारण, विकसित सिफारिस प्रणालीले दन्त विद्यार्थीहरूको लागि उपयुक्त हुनेहरूलाई मात्र सिफारिस गर्नेछ। सामान्य उच्च शिक्षा विद्यार्थीहरूको प्रयोगको लागि परिवर्तनहरू आवश्यक छन्।
नयाँ विकसित मेसिन लर्निङ-आधारित सिफारिस उपकरणले विद्यार्थीहरूको LS लाई तुरुन्तै वर्गीकृत गर्न र सम्बन्धित IS मा मिलाउन सक्षम छ, जसले गर्दा यो दन्त शिक्षकहरूलाई सान्दर्भिक शिक्षण र सिकाइ गतिविधिहरूको योजना बनाउन मद्दत गर्ने पहिलो दन्त शिक्षा कार्यक्रम हो। डेटा-संचालित ट्राइज प्रक्रिया प्रयोग गरेर, यसले व्यक्तिगत सिफारिसहरू प्रदान गर्न, समय बचत गर्न, शिक्षण रणनीतिहरू सुधार गर्न, लक्षित हस्तक्षेपहरूलाई समर्थन गर्न र निरन्तर व्यावसायिक विकासलाई प्रवर्द्धन गर्न सक्छ। यसको प्रयोगले दन्त शिक्षामा विद्यार्थी-केन्द्रित दृष्टिकोणहरूलाई प्रवर्द्धन गर्नेछ।
गिलक जानी एसोसिएटेड प्रेस। विद्यार्थीको सिकाइ शैली र शिक्षकको शिक्षण शैली बीचको मिलान वा बेमेल। इन्ट जे मोड एजुकेशन कम्प्युटर विज्ञान। २०१२;४(११):५१–६०। https://doi.org/10.5815/ijmecs.2012.11.05
पोस्ट समय: अप्रिल-२९-२०२४