डेंटल स्टूडेंट्स को मैपिंग डेंटिंग ट्री मशीन लर्निंग मॉडल बीएमसी मेडिकल एजुकेशन का उपयोग करके इसी सीखने की रणनीतियों के लिए सीखने की शैलियों को मैपिंग करें।

दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में छात्र-केंद्रित शिक्षण (SCL) की बढ़ती आवश्यकता है। हालांकि, SCL का दंत चिकित्सा शिक्षा में सीमित आवेदन है। इसलिए, इस अध्ययन का उद्देश्य निर्णय ट्री मशीन लर्निंग (एमएल) तकनीक का उपयोग करके डेंटिस्ट्री में एससीएल के आवेदन को बढ़ावा देना है, जो कि डेंटल स्टूडेंट्स (आईएस) को मैप करने के लिए डेंटल स्टूडेंट्स (आईएस) को विकसित करने के लिए एक उपयोगी उपकरण है। । दंत छात्रों के लिए होनहार तरीके।
मलाया विश्वविद्यालय के कुल 255 दंत चिकित्सा छात्रों ने लर्निंग स्टाइल्स (एम-आईएलएस) प्रश्नावली के संशोधित सूचकांक को पूरा किया, जिसमें 44 आइटम शामिल थे ताकि उन्हें अपने संबंधित एलएसएस में वर्गीकृत किया जा सके। एकत्रित डेटा (जिसे डेटासेट कहा जाता है) का उपयोग पर्यवेक्षित निर्णय ट्री लर्निंग में किया जाता है, जो छात्रों की सीखने की शैलियों को स्वचालित रूप से सबसे उपयुक्त IS से मेल खाने के लिए सीखता है। मशीन लर्निंग-आधारित है सिफारिश उपकरण की सटीकता का मूल्यांकन किया जाता है।
एलएस (इनपुट) और आईएस (लक्ष्य आउटपुट) के बीच एक स्वचालित मानचित्रण प्रक्रिया में निर्णय ट्री मॉडल का अनुप्रयोग प्रत्येक दंत छात्र के लिए उपयुक्त शिक्षण रणनीतियों की तत्काल सूची के लिए अनुमति देता है। आईएस सिफारिश उपकरण ने सही सटीकता का प्रदर्शन किया और समग्र मॉडल सटीकता को याद किया, यह दर्शाता है कि एलएस से मिलान करने से अच्छी संवेदनशीलता और विशिष्टता है।
एक एमएल निर्णय ट्री पर आधारित आईएस सिफारिश उपकरण ने उचित सीखने की रणनीतियों के साथ दंत चिकित्सा छात्रों की सीखने की शैलियों को सटीक रूप से मिलान करने की अपनी क्षमता साबित कर दी है। यह उपकरण शिक्षार्थी-केंद्रित पाठ्यक्रमों या मॉड्यूल की योजना बनाने के लिए शक्तिशाली विकल्प प्रदान करता है जो छात्रों के सीखने के अनुभव को बढ़ा सकते हैं।
शिक्षण और शिक्षण शैक्षणिक संस्थानों में मौलिक गतिविधियाँ हैं। उच्च गुणवत्ता वाली व्यावसायिक शिक्षा प्रणाली विकसित करते समय, छात्रों की सीखने की जरूरतों पर ध्यान केंद्रित करना महत्वपूर्ण है। छात्रों और उनके सीखने के माहौल के बीच बातचीत को उनके एलएस के माध्यम से निर्धारित किया जा सकता है। शोध बताते हैं कि छात्रों के एलएस के बीच शिक्षक-इच्छुक बेमेल और छात्र सीखने के लिए नकारात्मक परिणाम हो सकते हैं, जैसे कि ध्यान और प्रेरणा में कमी। यह अप्रत्यक्ष रूप से छात्र के प्रदर्शन को प्रभावित करेगा [1,2]।
शिक्षकों द्वारा छात्रों को ज्ञान और कौशल प्रदान करने के लिए उपयोग की जाने वाली एक विधि है, जिसमें छात्रों को सीखने में मदद करना शामिल है [3]। सामान्यतया, अच्छे शिक्षक शिक्षण रणनीतियों की योजना बनाते हैं या यह सबसे अच्छा उनके छात्रों के ज्ञान के स्तर से मेल खाता है, वे अवधारणाएं जो वे सीख रहे हैं, और उनके सीखने का चरण। सैद्धांतिक रूप से, जब एलएस और मैच है, तो छात्र प्रभावी ढंग से सीखने के लिए कौशल के एक विशिष्ट सेट को व्यवस्थित और उपयोग करने में सक्षम होंगे। आमतौर पर, एक पाठ योजना में चरणों के बीच कई संक्रमण शामिल हैं, जैसे कि शिक्षण से निर्देशित अभ्यास या निर्देशित अभ्यास से स्वतंत्र अभ्यास तक। इसे ध्यान में रखते हुए, प्रभावी शिक्षक अक्सर छात्रों के ज्ञान और कौशल के निर्माण के लक्ष्य के साथ निर्देश की योजना बनाते हैं [4]।
SCL की मांग दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में बढ़ रही है। SCL रणनीतियों को छात्रों की सीखने की जरूरतों को पूरा करने के लिए डिज़ाइन किया गया है। यह प्राप्त किया जा सकता है, उदाहरण के लिए, यदि छात्र सक्रिय रूप से सीखने की गतिविधियों में भाग लेते हैं और शिक्षक सुविधा के रूप में कार्य करते हैं और मूल्यवान प्रतिक्रिया प्रदान करने के लिए जिम्मेदार हैं। यह कहा जाता है कि सीखने की सामग्री और गतिविधियाँ प्रदान करना जो छात्रों के शैक्षिक स्तर या वरीयताओं के लिए उपयुक्त हैं, छात्रों के सीखने के माहौल में सुधार कर सकते हैं और सकारात्मक सीखने के अनुभवों को बढ़ावा दे सकते हैं [5]।
सामान्यतया, दंत चिकित्सा छात्रों की सीखने की प्रक्रिया विभिन्न नैदानिक ​​प्रक्रियाओं से प्रभावित होती है जो उन्हें प्रदर्शन करने के लिए आवश्यक होते हैं और नैदानिक ​​वातावरण जिसमें वे प्रभावी पारस्परिक कौशल विकसित करते हैं। प्रशिक्षण का उद्देश्य छात्रों को दंत नैदानिक ​​कौशल के साथ दंत चिकित्सा के बुनियादी ज्ञान को संयोजित करने और नई नैदानिक ​​स्थितियों [6, 7] के लिए अधिग्रहीत ज्ञान को लागू करने में सक्षम बनाना है। एलएस के बीच संबंधों में प्रारंभिक शोध और पाया गया कि पसंदीदा एलएस में मैप किए गए सीखने की रणनीतियों को समायोजित करने से शैक्षिक प्रक्रिया को बेहतर बनाने में मदद मिलेगी [8]। लेखक छात्रों के सीखने और जरूरतों के अनुकूल होने के लिए विभिन्न प्रकार के शिक्षण और मूल्यांकन विधियों का उपयोग करने की भी सलाह देते हैं।
शिक्षकों को एलएस ज्ञान को लागू करने से लाभ होता है ताकि उन्हें डिजाइन, विकसित करने और निर्देश को लागू करने में मदद मिल सके जो छात्रों के गहन ज्ञान और विषय की समझ के अधिग्रहण को बढ़ाएगा। शोधकर्ताओं ने कई एलएस मूल्यांकन उपकरण विकसित किए हैं, जैसे कि कोलब एक्सपीरिएंटल लर्निंग मॉडल, फेल्डर-सिल्वरमैन लर्निंग स्टाइल मॉडल (FSLSM), और फ्लेमिंग VAK/VARK मॉडल [5, 9, 10]। साहित्य के अनुसार, ये लर्निंग मॉडल सबसे अधिक उपयोग किए जाने वाले और सबसे अधिक अध्ययन किए गए सीखने वाले मॉडल हैं। वर्तमान शोध कार्य में, FSLSM का उपयोग दंत छात्रों के बीच LS का आकलन करने के लिए किया जाता है।
FSLSM इंजीनियरिंग में अनुकूली सीखने का मूल्यांकन करने के लिए एक व्यापक रूप से इस्तेमाल किया जाने वाला मॉडल है। स्वास्थ्य विज्ञान (दवा, नर्सिंग, फार्मेसी और दंत चिकित्सा सहित) में कई प्रकाशित कार्य हैं जो एफएसएलएसएम मॉडल [5, 11, 12, 13] का उपयोग करके पाया जा सकता है। एफएलएसएम में एलएस के आयामों को मापने के लिए उपयोग किए जाने वाले उपकरण को लर्निंग स्टाइल्स (आईएलएस) [8] का सूचकांक कहा जाता है, जिसमें एलएस के चार आयामों का आकलन करने वाले 44 आइटम शामिल हैं: प्रसंस्करण (सक्रिय/चिंतनशील), धारणा (अवधारणात्मक/सहज ज्ञान युक्त), इनपुट (दृश्य)। /मौखिक) और समझ (अनुक्रमिक/वैश्विक) [14]।
जैसा कि चित्र 1 में दिखाया गया है, प्रत्येक FSLSM आयाम में एक प्रमुख वरीयता है। उदाहरण के लिए, प्रसंस्करण आयाम में, "सक्रिय" एलएस वाले छात्र सीधे सीखने की सामग्री के साथ बातचीत करके जानकारी को संसाधित करना पसंद करते हैं, करके सीखते हैं, और समूहों में सीखते हैं। "चिंतनशील" एलएस सोच के माध्यम से सीखने और अकेले काम करने के लिए पसंद करता है। एलएस के "विचार" आयाम को "भावना" और/या "अंतर्ज्ञान" में विभाजित किया जा सकता है। "फीलिंग" छात्र अधिक ठोस जानकारी और व्यावहारिक प्रक्रियाओं को पसंद करते हैं, "सहज ज्ञान युक्त" छात्रों की तुलना में तथ्य-उन्मुख होते हैं जो अमूर्त सामग्री पसंद करते हैं और प्रकृति में अधिक अभिनव और रचनात्मक होते हैं। एलएस के "इनपुट" आयाम में "दृश्य" और "मौखिक" शिक्षार्थी शामिल हैं। "विज़ुअल" एलएस वाले लोग दृश्य प्रदर्शनों (जैसे आरेख, वीडियो, या लाइव प्रदर्शनों) के माध्यम से सीखना पसंद करते हैं, जबकि "मौखिक" एलएस वाले लोग लिखित या मौखिक स्पष्टीकरण में शब्दों के माध्यम से सीखना पसंद करते हैं। एलएस आयामों को "समझने" के लिए, ऐसे शिक्षार्थियों को "अनुक्रमिक" और "वैश्विक" में विभाजित किया जा सकता है। “अनुक्रमिक शिक्षार्थी एक रैखिक विचार प्रक्रिया पसंद करते हैं और कदम से कदम सीखते हैं, जबकि वैश्विक शिक्षार्थियों के पास एक समग्र विचार प्रक्रिया होती है और हमेशा वे जो सीख रहे हैं उसकी बेहतर समझ रखते हैं।
हाल ही में, कई शोधकर्ताओं ने स्वचालित डेटा-चालित खोज के लिए तरीकों का पता लगाना शुरू कर दिया है, जिसमें नई एल्गोरिदम और बड़ी मात्रा में डेटा की व्याख्या करने में सक्षम मॉडल शामिल हैं [15, 16]। प्रदान किए गए डेटा के आधार पर, पर्यवेक्षित एमएल (मशीन लर्निंग) पैटर्न और परिकल्पना उत्पन्न करने में सक्षम है जो एल्गोरिदम के निर्माण के आधार पर भविष्य के परिणामों की भविष्यवाणी करते हैं [17]। सीधे शब्दों में कहें, पर्यवेक्षित मशीन लर्निंग तकनीक इनपुट डेटा और ट्रेन एल्गोरिदम में हेरफेर करती है। यह तब एक सीमा उत्पन्न करता है जो प्रदान किए गए इनपुट डेटा के लिए समान स्थितियों के आधार पर परिणाम को वर्गीकृत या भविष्यवाणी करता है। पर्यवेक्षित मशीन लर्निंग एल्गोरिदम का मुख्य लाभ आदर्श और वांछित परिणाम स्थापित करने की क्षमता है [17]।
डेटा-संचालित तरीकों और निर्णय ट्री नियंत्रण मॉडल के उपयोग के माध्यम से, एलएस का स्वचालित पता लगाना संभव है। निर्णय के पेड़ों को विभिन्न क्षेत्रों में प्रशिक्षण कार्यक्रमों में व्यापक रूप से उपयोग किया गया है, जिसमें स्वास्थ्य विज्ञान [18, 19] शामिल हैं। इस अध्ययन में, मॉडल को विशेष रूप से सिस्टम डेवलपर्स द्वारा छात्रों के एलएस की पहचान करने के लिए प्रशिक्षित किया गया था और उनके लिए सबसे अच्छा है।
इस अध्ययन का उद्देश्य छात्रों के एलएस के आधार पर डिलीवरी रणनीतियों को विकसित करना है और एलएस को मैप किए गए आईएस सिफारिश उपकरण को विकसित करके एससीएल दृष्टिकोण को लागू करना है। एससीएल विधि की एक रणनीति के रूप में आईएस सिफारिश उपकरण का डिज़ाइन प्रवाह चित्र 1 में दिखाया गया है। आईएस सिफारिश उपकरण को दो भागों में विभाजित किया गया है, जिसमें एलएस वर्गीकरण तंत्र शामिल हैं जो आईएलएस का उपयोग कर और सबसे उपयुक्त छात्रों के लिए प्रदर्शन है।
विशेष रूप से, सूचना सुरक्षा सिफारिश उपकरणों की विशेषताओं में वेब प्रौद्योगिकियों का उपयोग और निर्णय ट्री मशीन सीखने का उपयोग शामिल है। सिस्टम डेवलपर्स मोबाइल फोन और टैबलेट जैसे मोबाइल उपकरणों के लिए उन्हें अनुकूलित करके उपयोगकर्ता अनुभव और गतिशीलता में सुधार करते हैं।
प्रयोग दो चरणों में किया गया था और मलाया विश्वविद्यालय में दंत चिकित्सा संकाय के छात्रों ने स्वैच्छिक आधार पर भाग लिया। प्रतिभागियों ने अंग्रेजी में एक दंत छात्र के ऑनलाइन एम-आईएलएस का जवाब दिया। प्रारंभिक चरण में, निर्णय ट्री मशीन लर्निंग एल्गोरिथ्म को प्रशिक्षित करने के लिए 50 छात्रों के एक डेटासेट का उपयोग किया गया था। विकास प्रक्रिया के दूसरे चरण में, विकसित उपकरण की सटीकता में सुधार के लिए 255 छात्रों के एक डेटासेट का उपयोग किया गया था।
सभी प्रतिभागियों को Microsoft टीमों के माध्यम से शैक्षणिक वर्ष के आधार पर, प्रत्येक चरण की शुरुआत में एक ऑनलाइन ब्रीफिंग प्राप्त होती है। अध्ययन के उद्देश्य को समझाया गया और सूचित सहमति प्राप्त की गई। सभी प्रतिभागियों को एम-आईएलएस तक पहुंचने के लिए एक लिंक प्रदान किया गया था। प्रत्येक छात्र को प्रश्नावली पर सभी 44 वस्तुओं का जवाब देने का निर्देश दिया गया था। सेमेस्टर की शुरुआत से पहले सेमेस्टर ब्रेक के दौरान उन्हें एक समय और स्थान पर संशोधित IL को पूरा करने के लिए उन्हें एक सप्ताह दिया गया था। M-ILS मूल ILS इंस्ट्रूमेंट पर आधारित है और दंत छात्रों के लिए संशोधित है। मूल ILs के समान, इसमें 44 समान रूप से वितरित आइटम (ए, बी) शामिल हैं, जिनमें से प्रत्येक में 11 आइटम हैं, जो प्रत्येक एफएसएलएसएम आयाम के पहलुओं का आकलन करने के लिए उपयोग किए जाते हैं।
उपकरण विकास के प्रारंभिक चरणों के दौरान, शोधकर्ताओं ने 50 दंत चिकित्सा छात्रों के डेटासेट का उपयोग करके मानचित्रों को मैन्युअल रूप से एनोटेट किया। FSLM के अनुसार, सिस्टम उत्तर "A" और "B" का योग प्रदान करता है। प्रत्येक आयाम के लिए, यदि छात्र एक उत्तर के रूप में "ए" का चयन करता है, तो एलएस को सक्रिय/अवधारणात्मक/दृश्य/अनुक्रमिक के रूप में वर्गीकृत किया जाता है, और यदि छात्र उत्तर के रूप में "बी" का चयन करता है, तो छात्र को चिंतनशील/सहज/भाषाई के रूप में वर्गीकृत किया जाता है। । / वैश्विक शिक्षार्थी।
डेंटल एजुकेशन शोधकर्ताओं और सिस्टम डेवलपर्स के बीच वर्कफ़्लो को कैलिब्रेट करने के बाद, प्रत्येक छात्र के एलएस की भविष्यवाणी करने के लिए एफएलएसएसएम डोमेन के आधार पर प्रश्नों का चयन किया गया और एमएल मॉडल में खिलाया गया। "कचरा, कचरा बाहर" मशीन सीखने के क्षेत्र में एक लोकप्रिय कहावत है, जिसमें डेटा गुणवत्ता पर जोर दिया गया है। इनपुट डेटा की गुणवत्ता मशीन लर्निंग मॉडल की सटीकता और सटीकता को निर्धारित करती है। फ़ीचर इंजीनियरिंग चरण के दौरान, एक नया फीचर सेट बनाया जाता है जो FLSSM पर आधारित उत्तर "A" और "B" का योग है। दवा के पदों की पहचान संख्या तालिका 1 में दी गई है।
उत्तर के आधार पर स्कोर की गणना करें और छात्र के एलएस का निर्धारण करें। प्रत्येक छात्र के लिए, स्कोर रेंज 1 से 11 तक होती है। 1 से 3 तक स्कोर एक ही आयाम के भीतर सीखने की वरीयताओं के संतुलन का संकेत देते हैं, और 5 से 7 तक के स्कोर एक मध्यम वरीयता का संकेत देते हैं, यह दर्शाता है कि छात्र दूसरों को पढ़ाने वाले एक वातावरण को पसंद करते हैं जो दूसरों को पढ़ाना चाहते हैं। । एक ही आयाम पर एक और भिन्नता यह है कि 9 से 11 तक के स्कोर एक छोर या दूसरे [8] के लिए एक मजबूत वरीयता को दर्शाते हैं।
प्रत्येक आयाम के लिए, दवाओं को "सक्रिय", "चिंतनशील" और "संतुलित" में बांटा गया था। उदाहरण के लिए, जब एक छात्र एक निर्दिष्ट आइटम पर "बी" की तुलना में अधिक बार "ए" का जवाब देता है और उसका/उसका स्कोर प्रसंस्करण एलएस आयाम का प्रतिनिधित्व करने वाले एक विशेष आइटम के लिए 5 की दहलीज से अधिक है, तो वह "सक्रिय" एलएस से संबंधित है कार्यक्षेत्र। । हालांकि, छात्रों को "चिंतनशील" एलएस के रूप में वर्गीकृत किया गया था जब उन्होंने विशिष्ट 11 प्रश्नों (तालिका 1) में "ए" से अधिक "बी" को चुना और 5 से अधिक अंक बनाए। अंत में, छात्र "संतुलन" की स्थिति में है। यदि स्कोर 5 अंक से अधिक नहीं है, तो यह एक "प्रक्रिया" एलएस है। वर्गीकरण प्रक्रिया को अन्य एलएस आयामों, अर्थात् धारणा (सक्रिय/चिंतनशील), इनपुट (दृश्य/मौखिक), और समझ (अनुक्रमिक/वैश्विक) के लिए दोहराया गया था।
निर्णय ट्री मॉडल वर्गीकरण प्रक्रिया के विभिन्न चरणों में सुविधाओं और निर्णय नियमों के विभिन्न सबसेट का उपयोग कर सकते हैं। इसे एक लोकप्रिय वर्गीकरण और भविष्यवाणी उपकरण माना जाता है। यह एक पेड़ की संरचना जैसे कि एक फ्लोचार्ट [20] का उपयोग करके दर्शाया जा सकता है, जिसमें विशेषता द्वारा परीक्षणों का प्रतिनिधित्व करने वाले आंतरिक नोड्स होते हैं, प्रत्येक शाखा परीक्षण परिणामों का प्रतिनिधित्व करती है, और प्रत्येक पत्ती नोड (पत्ती नोड) एक वर्ग लेबल युक्त होती है।
एक सरल नियम-आधारित कार्यक्रम उनकी प्रतिक्रियाओं के आधार पर प्रत्येक छात्र के एलएस को स्वचालित रूप से स्कोर और एनोटेट करने के लिए बनाया गया था। नियम-आधारित एक IF स्टेटमेंट का रूप लेता है, जहां "IF" ट्रिगर का वर्णन करता है और "फिर" प्रदर्शन को निर्दिष्ट करता है, उदाहरण के लिए: "यदि x होता है, तो y करें" (लियू एट अल।, 2014)। यदि डेटा सेट सहसंबंध प्रदर्शित करता है और निर्णय ट्री मॉडल को ठीक से प्रशिक्षित और मूल्यांकन किया जाता है, तो यह दृष्टिकोण एलएस और आईएस के मिलान की प्रक्रिया को स्वचालित करने का एक प्रभावी तरीका हो सकता है।
विकास के दूसरे चरण में, सिफारिश उपकरण की सटीकता में सुधार के लिए डेटासेट को 255 तक बढ़ाया गया था। डेटा सेट 1: 4 अनुपात में विभाजित है। डेटा सेट का 25% (64) परीक्षण सेट के लिए उपयोग किया गया था, और शेष 75% (191) का उपयोग प्रशिक्षण सेट (चित्रा 2) के रूप में किया गया था। मॉडल को उसी डेटा सेट पर प्रशिक्षित और परीक्षण करने से रोकने के लिए डेटा सेट को विभाजित करने की आवश्यकता होती है, जिससे मॉडल को सीखने के बजाय याद रखने का कारण बन सकता है। मॉडल को प्रशिक्षण सेट पर प्रशिक्षित किया जाता है और परीक्षण सेट पर इसके प्रदर्शन का मूल्यांकन करता है - डेटा को मॉडल ने पहले कभी नहीं देखा है।
एक बार आईएस टूल विकसित होने के बाद, एप्लिकेशन एक वेब इंटरफ़ेस के माध्यम से दंत छात्रों की प्रतिक्रियाओं के आधार पर एलएस को वर्गीकृत करने में सक्षम होगा। वेब-आधारित सूचना सुरक्षा सिफारिश टूल सिस्टम को बैकएंड के रूप में Django फ्रेमवर्क का उपयोग करके पायथन प्रोग्रामिंग भाषा का उपयोग करके बनाया गया है। तालिका 2 इस प्रणाली के विकास में उपयोग किए गए पुस्तकालयों को सूचीबद्ध करती है।
डेटासेट को छात्र एलएस माप को स्वचालित रूप से वर्गीकृत करने के लिए छात्र प्रतिक्रियाओं की गणना और निकालने के लिए एक निर्णय ट्री मॉडल को खिलाया जाता है।
भ्रम मैट्रिक्स का उपयोग किसी दिए गए डेटा सेट पर एक निर्णय ट्री मशीन लर्निंग एल्गोरिथ्म की सटीकता का मूल्यांकन करने के लिए किया जाता है। इसी समय, यह वर्गीकरण मॉडल के प्रदर्शन का मूल्यांकन करता है। यह मॉडल की भविष्यवाणियों को सारांशित करता है और उनकी तुलना वास्तविक डेटा लेबल से करता है। मूल्यांकन के परिणाम चार अलग -अलग मूल्यों पर आधारित हैं: ट्रू पॉजिटिव (टीपी) - मॉडल ने सकारात्मक श्रेणी की सही भविष्यवाणी की, झूठी सकारात्मक (एफपी) - मॉडल ने सकारात्मक श्रेणी की भविष्यवाणी की, लेकिन सच्चा लेबल नकारात्मक, सच्चा नकारात्मक (टीएन) था - मॉडल ने नकारात्मक वर्ग की सही भविष्यवाणी की, और गलत नकारात्मक (एफएन) - मॉडल एक नकारात्मक वर्ग की भविष्यवाणी करता है, लेकिन सही लेबल सकारात्मक है।
इन मूल्यों का उपयोग तब पायथन में Scikit-Learn वर्गीकरण मॉडल के विभिन्न प्रदर्शन मैट्रिक्स की गणना करने के लिए किया जाता है, अर्थात् सटीक, सटीक, रिकॉल और F1 स्कोर। यहाँ उदाहरण हैं:
स्मरण (या संवेदनशीलता) एम-आईएलएस प्रश्नावली का जवाब देने के बाद एक छात्र के एलएस को सटीक रूप से वर्गीकृत करने की मॉडल की क्षमता को मापता है।
विशिष्टता को एक सच्ची नकारात्मक दर कहा जाता है। जैसा कि आप उपरोक्त सूत्र से देख सकते हैं, यह सच्चे नकारात्मक (टीएन) का अनुपात होना चाहिए, जो सच्चे नकारात्मक और झूठी सकारात्मकता (एफपी) के लिए हो। छात्र दवाओं को वर्गीकृत करने के लिए अनुशंसित उपकरण के हिस्से के रूप में, यह सटीक पहचान के लिए सक्षम होना चाहिए।
निर्णय ट्री एमएल मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले 50 छात्रों के मूल डेटासेट ने एनोटेशन (तालिका 3) में मानव त्रुटि के कारण अपेक्षाकृत कम सटीकता दिखाई। स्वचालित रूप से एलएस स्कोर और छात्र एनोटेशन की गणना करने के लिए एक सरल नियम-आधारित कार्यक्रम बनाने के बाद, सिफारिश प्रणाली को प्रशिक्षित करने और परीक्षण करने के लिए डेटासेट (255) की बढ़ती संख्या का उपयोग किया गया था।
मल्टीक्लास भ्रम मैट्रिक्स में, विकर्ण तत्व प्रत्येक एलएस प्रकार (चित्रा 4) के लिए सही भविष्यवाणियों की संख्या का प्रतिनिधित्व करते हैं। निर्णय ट्री मॉडल का उपयोग करते हुए, कुल 64 नमूनों की सही भविष्यवाणी की गई। इस प्रकार, इस अध्ययन में, विकर्ण तत्व अपेक्षित परिणाम दिखाते हैं, यह दर्शाता है कि मॉडल अच्छा प्रदर्शन करता है और प्रत्येक एलएस वर्गीकरण के लिए क्लास लेबल की सटीक भविष्यवाणी करता है। इस प्रकार, सिफारिश उपकरण की समग्र सटीकता 100%है।
सटीकता, सटीक, रिकॉल और एफ 1 स्कोर के मान चित्र 5 में दिखाए गए हैं। निर्णय ट्री मॉडल का उपयोग करके सिफारिश प्रणाली के लिए, इसका एफ 1 स्कोर 1.0 "सही है," सही सटीकता और याद करते हुए, महत्वपूर्ण संवेदनशीलता और विशिष्टता को दर्शाता है। मान।
चित्रा 6 प्रशिक्षण और परीक्षण पूरा होने के बाद निर्णय ट्री मॉडल का एक दृश्य दिखाता है। साइड-बाय-साइड तुलना में, कम सुविधाओं के साथ प्रशिक्षित निर्णय ट्री मॉडल ने उच्च सटीकता और आसान मॉडल विज़ुअलाइज़ेशन दिखाया। इससे पता चलता है कि फीचर इंजीनियरिंग में कमी के लिए अग्रणी इंजीनियरिंग मॉडल प्रदर्शन को बेहतर बनाने में एक महत्वपूर्ण कदम है।
निर्णय ट्री पर्यवेक्षित सीखने को लागू करके, एलएस (इनपुट) और आईएस (लक्ष्य आउटपुट) के बीच मैपिंग स्वचालित रूप से उत्पन्न होती है और इसमें प्रत्येक एलएस के लिए विस्तृत जानकारी होती है।
परिणामों से पता चला कि 255 छात्रों में से 34.9% ने एक (1) एलएस विकल्प को प्राथमिकता दी। बहुमत (54.3%) में दो या अधिक एलएस वरीयताएँ थीं। 12.2% छात्रों ने कहा कि एलएस काफी संतुलित है (तालिका 4)। आठ मुख्य एलएस के अलावा, मलाया डेंटल स्टूडेंट्स विश्वविद्यालय के लिए एलएस वर्गीकरण के 34 संयोजन हैं। उनमें से, धारणा, दृष्टि, और धारणा और दृष्टि का संयोजन छात्रों द्वारा रिपोर्ट किए गए मुख्य एलएस हैं (चित्र 7)।
जैसा कि तालिका 4 से देखा जा सकता है, अधिकांश छात्रों में एक प्रमुख संवेदी (13.7%) या दृश्य (8.6%) एलएस था। यह बताया गया कि 12.2% छात्रों ने विज़न (अवधारणात्मक-दृश्य एलएस) के साथ धारणा को संयुक्त किया। इन निष्कर्षों से पता चलता है कि छात्र स्थापित तरीकों के माध्यम से सीखना और याद रखना पसंद करते हैं, विशिष्ट और विस्तृत प्रक्रियाओं का पालन करते हैं, और प्रकृति में चौकस होते हैं। उसी समय, वे देखकर (आरेखों, आदि का उपयोग करके) सीखने का आनंद लेते हैं और समूहों में या अपने दम पर जानकारी पर चर्चा और लागू करते हैं।
यह अध्ययन डेटा खनन में उपयोग की जाने वाली मशीन लर्निंग तकनीकों का अवलोकन प्रदान करता है, जिसमें छात्रों के एलएस की तुरंत और सटीक भविष्यवाणी करने और उपयुक्त की सिफारिश करने पर ध्यान देने के साथ। एक निर्णय ट्री मॉडल के अनुप्रयोग ने उनके जीवन और शैक्षिक अनुभवों से संबंधित कारकों की पहचान की। यह एक पर्यवेक्षित मशीन लर्निंग एल्गोरिथ्म है जो कुछ मानदंडों के आधार पर डेटा के एक सेट को उपश्रेणियों में विभाजित करके डेटा को वर्गीकृत करने के लिए एक पेड़ की संरचना का उपयोग करता है। यह प्रत्येक आंतरिक नोड के इनपुट सुविधाओं में से एक के मूल्य के आधार पर इनपुट डेटा को सबसेट में विभाजित करने से काम करता है, जब तक कि लीफ नोड पर निर्णय नहीं किया जाता है।
निर्णय पेड़ के आंतरिक नोड्स एम-आईएलएस समस्या के इनपुट विशेषताओं के आधार पर समाधान का प्रतिनिधित्व करते हैं, और लीफ नोड्स अंतिम एलएस वर्गीकरण भविष्यवाणी का प्रतिनिधित्व करते हैं। अध्ययन के दौरान, निर्णय पेड़ों के पदानुक्रम को समझना आसान है जो इनपुट सुविधाओं और आउटपुट भविष्यवाणियों के बीच संबंध को देखकर निर्णय प्रक्रिया को समझाते हैं और कल्पना करते हैं।
कंप्यूटर विज्ञान और इंजीनियरिंग के क्षेत्रों में, मशीन लर्निंग एल्गोरिदम का उपयोग व्यापक रूप से उनके प्रवेश परीक्षा स्कोर [21], जनसांख्यिकीय जानकारी और सीखने के व्यवहार के आधार पर छात्र के प्रदर्शन की भविष्यवाणी करने के लिए किया जाता है [22]। अनुसंधान से पता चला कि एल्गोरिथ्म ने छात्र प्रदर्शन की सटीक भविष्यवाणी की और उन्हें शैक्षणिक कठिनाइयों के लिए जोखिम वाले छात्रों की पहचान करने में मदद की।
दंत प्रशिक्षण के लिए आभासी रोगी सिमुलेटर के विकास में एमएल एल्गोरिदम का अनुप्रयोग बताया गया है। सिम्युलेटर वास्तविक रोगियों की शारीरिक प्रतिक्रियाओं को सटीक रूप से पुन: पेश करने में सक्षम है और इसका उपयोग दंत छात्रों को सुरक्षित और नियंत्रित वातावरण में प्रशिक्षित करने के लिए किया जा सकता है [23]। कई अन्य अध्ययनों से पता चलता है कि मशीन लर्निंग एल्गोरिदम संभावित रूप से दंत और चिकित्सा शिक्षा और रोगी देखभाल की गुणवत्ता और दक्षता में सुधार कर सकते हैं। मशीन लर्निंग एल्गोरिदम का उपयोग डेटा सेट जैसे लक्षणों और रोगी विशेषताओं [24, 25] के आधार पर दंत रोगों के निदान में सहायता के लिए किया गया है। जबकि अन्य अध्ययनों ने रोगी परिणामों की भविष्यवाणी करने, उच्च जोखिम वाले रोगियों की पहचान करने, व्यक्तिगत उपचार योजनाओं को विकसित करने [26], पीरियडोंटल उपचार [27], और देखभाल उपचार [25] जैसे कार्यों को करने के लिए मशीन लर्निंग एल्गोरिदम के उपयोग का पता लगाया है।
यद्यपि दंत चिकित्सा में मशीन लर्निंग के आवेदन पर रिपोर्ट प्रकाशित की गई है, लेकिन दंत चिकित्सा शिक्षा में इसका आवेदन सीमित है। इसलिए, इस अध्ययन का उद्देश्य एलएस के साथ जुड़े कारकों की पहचान करने के लिए एक निर्णय ट्री मॉडल का उपयोग करना है और दंत चिकित्सा छात्रों के बीच है।
इस अध्ययन के परिणाम बताते हैं कि विकसित सिफारिश उपकरण में उच्च सटीकता और सही सटीकता है, यह दर्शाता है कि शिक्षक इस उपकरण से लाभ उठा सकते हैं। डेटा-संचालित वर्गीकरण प्रक्रिया का उपयोग करते हुए, यह व्यक्तिगत सिफारिशें प्रदान कर सकता है और शिक्षकों और छात्रों के लिए शैक्षिक अनुभवों और परिणामों में सुधार कर सकता है। उनमें से, सिफारिश उपकरणों के माध्यम से प्राप्त जानकारी शिक्षकों के पसंदीदा शिक्षण विधियों और छात्रों की सीखने की जरूरतों के बीच संघर्षों को हल कर सकती है। उदाहरण के लिए, सिफारिश उपकरणों के स्वचालित आउटपुट के कारण, किसी छात्र के आईपी की पहचान करने और संबंधित आईपी के साथ मिलान करने के लिए आवश्यक समय काफी कम हो जाएगा। इस तरह, उपयुक्त प्रशिक्षण गतिविधियों और प्रशिक्षण सामग्री का आयोजन किया जा सकता है। यह छात्रों के सकारात्मक सीखने के व्यवहार और ध्यान केंद्रित करने की क्षमता को विकसित करने में मदद करता है। एक अध्ययन ने बताया कि छात्रों को सीखने की सामग्री और सीखने की गतिविधियों के साथ प्रदान करना जो उनके पसंदीदा एलएस से मेल खाते हैं, छात्रों को एकीकृत करने, प्रक्रिया करने और अधिक क्षमता प्राप्त करने के लिए कई तरीकों से सीखने का आनंद लेने में मदद कर सकते हैं [12]। अनुसंधान से यह भी पता चलता है कि कक्षा में छात्र की भागीदारी में सुधार करने के अलावा, छात्रों की सीखने की प्रक्रिया को समझना भी छात्रों के साथ शिक्षण प्रथाओं और संचार में सुधार करने में महत्वपूर्ण भूमिका निभाता है [28, 29]।
हालांकि, किसी भी आधुनिक तकनीक के साथ, समस्याएं और सीमाएँ हैं। इनमें डेटा गोपनीयता, पूर्वाग्रह और निष्पक्षता से संबंधित मुद्दे और दंत शिक्षा में मशीन लर्निंग एल्गोरिदम को विकसित करने और कार्यान्वित करने के लिए आवश्यक पेशेवर कौशल और संसाधनों से संबंधित मुद्दे शामिल हैं; हालांकि, इस क्षेत्र में बढ़ती रुचि और अनुसंधान से पता चलता है कि मशीन लर्निंग टेक्नोलॉजीज का दंत शिक्षा और दंत सेवाओं पर सकारात्मक प्रभाव पड़ सकता है।
इस अध्ययन के परिणामों से संकेत मिलता है कि दंत चिकित्सा छात्रों के आधे हिस्से में "अनुभव" दवाओं की प्रवृत्ति होती है। इस प्रकार के शिक्षार्थी के पास तथ्यों और ठोस उदाहरणों, एक व्यावहारिक अभिविन्यास, विस्तार के लिए धैर्य और एक "दृश्य" एलएस वरीयता के लिए एक प्राथमिकता है, जहां शिक्षार्थी विचारों और विचारों को व्यक्त करने के लिए चित्रों, ग्राफिक्स, रंग और नक्शे का उपयोग करना पसंद करते हैं। वर्तमान परिणाम डेंटल और मेडिकल छात्रों में एलएस का आकलन करने के लिए आईएलएस का उपयोग करके अन्य अध्ययनों के अनुरूप हैं, जिनमें से अधिकांश में अवधारणात्मक और दृश्य एलएस [12, 30] की विशेषताएं हैं। डालमोलिन एट अल का सुझाव है कि छात्रों को उनके एलएस के बारे में सूचित करना उन्हें अपनी सीखने की क्षमता तक पहुंचने की अनुमति देता है। शोधकर्ताओं का तर्क है कि जब शिक्षक छात्रों की शैक्षिक प्रक्रिया को पूरी तरह से समझते हैं, तो विभिन्न शिक्षण विधियों और गतिविधियों को लागू किया जा सकता है जो छात्रों के प्रदर्शन और सीखने के अनुभव में सुधार करेगा [12, 31, 32]। अन्य अध्ययनों से पता चला है कि छात्रों के एलएस को समायोजित करना भी छात्रों के सीखने के अनुभव और प्रदर्शन में सुधार दिखाता है, जो अपने स्वयं के एलएस [13, 33] के अनुरूप अपनी सीखने की शैलियों को बदलने के बाद है।
शिक्षकों की राय छात्रों की सीखने की क्षमताओं के आधार पर शिक्षण रणनीतियों के कार्यान्वयन के बारे में भिन्न हो सकती है। जबकि कुछ इस दृष्टिकोण के लाभों को देखते हैं, जिसमें पेशेवर विकास के अवसर, मेंटरशिप और सामुदायिक समर्थन शामिल हैं, अन्य समय और संस्थागत समर्थन के बारे में चिंतित हो सकते हैं। संतुलन के लिए प्रयास छात्र-केंद्रित रवैया बनाने के लिए महत्वपूर्ण है। उच्च शिक्षा प्राधिकरण, जैसे विश्वविद्यालय प्रशासक, अभिनव प्रथाओं और संकाय विकास का समर्थन करके सकारात्मक बदलाव को चलाने में महत्वपूर्ण भूमिका निभा सकते हैं [34]। वास्तव में गतिशील और उत्तरदायी उच्च शिक्षा प्रणाली बनाने के लिए, नीति निर्माताओं को साहसिक कदम उठाने चाहिए, जैसे कि नीति परिवर्तन करना, प्रौद्योगिकी एकीकरण के लिए संसाधन समर्पित करना, और छात्र-केंद्रित दृष्टिकोणों को बढ़ावा देने वाले रूपरेखा बनाना। वांछित परिणामों को प्राप्त करने के लिए ये उपाय महत्वपूर्ण हैं। विभेदित निर्देश पर हाल के शोध ने स्पष्ट रूप से दिखाया है कि विभेदित निर्देश के सफल कार्यान्वयन के लिए शिक्षकों के लिए चल रहे प्रशिक्षण और विकास के अवसरों की आवश्यकता होती है [35]।
यह उपकरण दंत शिक्षकों को मूल्यवान सहायता प्रदान करता है जो छात्र-अनुकूल सीखने की गतिविधियों की योजना बनाने के लिए एक छात्र-केंद्रित दृष्टिकोण लेना चाहते हैं। हालांकि, यह अध्ययन निर्णय ट्री एमएल मॉडल के उपयोग तक सीमित है। भविष्य में, सिफारिश उपकरणों की सटीकता, विश्वसनीयता और सटीकता की तुलना करने के लिए विभिन्न मशीन लर्निंग मॉडल के प्रदर्शन की तुलना करने के लिए अधिक डेटा एकत्र किया जाना चाहिए। इसके अतिरिक्त, किसी विशेष कार्य के लिए सबसे उपयुक्त मशीन लर्निंग विधि का चयन करते समय, मॉडल जटिलता और व्याख्या जैसे अन्य कारकों पर विचार करना महत्वपूर्ण है।
इस अध्ययन की एक सीमा यह है कि यह केवल एलएस की मैपिंग पर केंद्रित है और दंत छात्रों के बीच है। इसलिए, विकसित सिफारिश प्रणाली केवल उन लोगों की सिफारिश करेगी जो दंत चिकित्सा छात्रों के लिए उपयुक्त हैं। सामान्य उच्च शिक्षा छात्र उपयोग के लिए परिवर्तन आवश्यक हैं।
नव विकसित मशीन लर्निंग-आधारित सिफारिश उपकरण छात्रों के एलएस को इसी रूप से वर्गीकृत करने और मिलान करने में सक्षम है, जिससे यह दंत चिकित्सा शिक्षकों को प्रासंगिक शिक्षण और सीखने की गतिविधियों की योजना बनाने में मदद करने के लिए पहला दंत शिक्षा कार्यक्रम बन जाता है। डेटा-संचालित ट्राइएज प्रक्रिया का उपयोग करते हुए, यह व्यक्तिगत सिफारिशें प्रदान कर सकता है, समय बचा सकता है, शिक्षण रणनीतियों में सुधार कर सकता है, लक्षित हस्तक्षेपों का समर्थन कर सकता है और चल रहे पेशेवर विकास को बढ़ावा दे सकता है। इसका आवेदन दंत शिक्षा के लिए छात्र-केंद्रित दृष्टिकोणों को बढ़ावा देगा।
गिलक जानी एसोसिएटेड प्रेस। छात्र की सीखने की शैली और शिक्षक की शिक्षण शैली के बीच मैच या बेमेल। Int j mod शिक्षा कंप्यूटर विज्ञान। 2012; 4 (11): 51-60। https://doi.org/10.5815/ijmecs.2012.11.05