निर्णय वृक्ष मशीन लर्निंग मॉडल का उपयोग करके डेंटल छात्रों की पसंदीदा सीखने की शैलियों को संबंधित सीखने की रणनीतियों के साथ मैप करना बीएमसी मेडिकल एजुकेशन |

दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में छात्र-केंद्रित शिक्षा (एससीएल) की आवश्यकता बढ़ रही है।हालाँकि, एससीएल का दंत चिकित्सा शिक्षा में सीमित अनुप्रयोग है।इसलिए, इस अध्ययन का उद्देश्य आईएस दिशानिर्देशों को विकसित करने के लिए एक उपयोगी उपकरण के रूप में दंत चिकित्सा छात्रों की पसंदीदा सीखने की शैली (एलएस) और संबंधित सीखने की रणनीतियों (आईएस) को मैप करने के लिए निर्णय ट्री मशीन लर्निंग (एमएल) तकनीक का उपयोग करके दंत चिकित्सा में एससीएल के अनुप्रयोग को बढ़ावा देना है। .डेंटल छात्रों के लिए आशाजनक तरीके।
मलाया विश्वविद्यालय के कुल 255 डेंटल छात्रों ने सीखने की शैलियों के संशोधित सूचकांक (एम-आईएलएस) प्रश्नावली को पूरा किया, जिसमें उन्हें उनके संबंधित एलएस में वर्गीकृत करने के लिए 44 आइटम शामिल थे।एकत्र किए गए डेटा (जिसे डेटासेट कहा जाता है) का उपयोग पर्यवेक्षित निर्णय ट्री लर्निंग में छात्रों की सीखने की शैलियों को सबसे उपयुक्त आईएस से स्वचालित रूप से मिलान करने के लिए किया जाता है।इसके बाद मशीन लर्निंग-आधारित आईएस अनुशंसा उपकरण की सटीकता का मूल्यांकन किया जाता है।
एलएस (इनपुट) और आईएस (लक्ष्य आउटपुट) के बीच एक स्वचालित मैपिंग प्रक्रिया में निर्णय वृक्ष मॉडल का अनुप्रयोग प्रत्येक डेंटल छात्र के लिए उपयुक्त शिक्षण रणनीतियों की तत्काल सूची की अनुमति देता है।आईएस अनुशंसा उपकरण ने संपूर्ण मॉडल सटीकता की पूर्ण सटीकता और रिकॉल का प्रदर्शन किया, जो दर्शाता है कि एलएस से आईएस के मिलान में अच्छी संवेदनशीलता और विशिष्टता है।
एमएल निर्णय वृक्ष पर आधारित एक आईएस अनुशंसा उपकरण ने उचित शिक्षण रणनीतियों के साथ डेंटल छात्रों की सीखने की शैलियों का सटीक मिलान करने की अपनी क्षमता साबित की 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 सकता है।
शिक्षण संस्थानों में शिक्षण और सीखना मौलिक गतिविधियाँ हैं।उच्च गुणवत्ता वाली व्यावसायिक शिक्षा प्रणाली विकसित करते समय, छात्रों की सीखने की जरूरतों पर ध्यान देना महत्वपूर्ण है।छात्रों और उनके सीखने के माहौल के बीच बातचीत को उनके एलएस के माध्यम से निर्धारित किया जा सकता है।शोध से पता चलता है कि छात्रों के एलएस और आईएस के बीच शिक्षक-इरादे के बेमेल होने से छात्रों के सीखने पर नकारात्मक परिणाम हो सकते हैं, जैसे कि ध्यान और प्रेरणा में कमी।यह अप्रत्यक्ष रूप से छात्र के प्रदर्शन को प्रभावित करेगा [1,2]।
आईएस 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 भी शामिल है [3]।सामान्यतया, अच्छे शिक्षक शिक्षण रणनीतियों या आईएस की योजना बनाते हैं जो उनके छात्रों के ज्ञान के स्तर, उनके द्वारा सीखी जा रही अवधारणाओं और उनके सीखने के चरण से सबसे अच्छी तरह मेल खाते हैं।सैद्धांतिक रूप से, जब एलएस और आईएस मेल खाते हैं, 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 बदलाव शामिल होते हैं, जैसे शिक्षण से निर्देशित अभ्यास तक 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]।
दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में एससीएल की मांग बढ़ रही है।एससीएल रणनीतियाँ छात्रों की सीखने की जरूरतों को पूरा करने के लिए डिज़ाइन की गई हैं।इसे प्राप्त किया जा सकता है, उदाहरण के लिए, यदि छात्र सीखने की गतिविधियों में सक्रिय रूप से भाग लेते हैं और शिक्षक सुविधाप्रदाता के रूप में कार्य करते हैं और मूल्यवान प्रतिक्रिया प्रदान करने के लिए जिम्मेदार हैं।ऐसा कहा जाता है कि छात्रों के शैक्षिक स्तर या प्राथमिकताओं के लिए उपयुक्त शिक्षण सामग्री और गतिविधियाँ प्रदान करने से छात्रों के सीखने के माहौल में सुधार हो सकता है और सकारात्मक सीखने के अनुभवों को बढ़ावा मिल सकता है [5]।
सामान्यतया, दंत चिकित्सा छात्रों की सीखने की प्रक्रिया उन विभिन्न नैदानिक ​​प्रक्रियाओं से प्रभावित होती है जिन्हें उन्हें करने की आवश्यकता होती है और नैदानिक ​​वातावरण जिसमें वे प्रभावी पारस्परिक कौशल विकसित करते हैं।प्रशिक्षण का उद्देश्य छात्रों को दंत चिकित्सा के बुनियादी ज्ञान को दंत नैदानिक ​​कौशल के साथ संयोजित करने और अर्जित ज्ञान को नई नैदानिक ​​स्थितियों में लागू करने में सक्षम बनाना है [6, 7]।एलएस और आईएस के बीच संबंधों पर प्रारंभिक शोध में पाया गया कि पसंदीदा एलएस में मैप की गई सीखने की रणनीतियों को समायोजित करने से शैक्षिक प्रक्रिया को बेहतर बनाने में मदद मिलेगी [8]।लेखक छात्रों की शिक्षा और आवश्यकताओं के अनुकूल विभिन्न 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 निर्देश को डिजाइन करने, विकसित करने और लागू करने में मदद मिल सके जो छात्रों के गहन ज्ञान और विषय वस्तु की समझ को बढ़ाएगा।शोधकर्ताओं ने कई एलएस मूल्यांकन उपकरण विकसित किए हैं, जैसे कोल्ब एक्सपेरिमेंटल लर्निंग मॉडल, फेल्डर-सिल्वरमैन लर्निंग स्टाइल मॉडल (एफएसएलएसएम), और फ्लेमिंग वीएके/वीएआरके मॉडल [5, 9, 10]।साहित्य के अनुसार, ये शिक्षण मॉडल सबसे अधिक उपयोग किए जाने वाले और सबसे अधिक अध्ययन किए जाने वाले शिक्षण मॉडल हैं।वर्तमान शोध कार्य में, दंत चिकित्सा छात्रों के बीच एलएस का आकलन करने के लिए एफएसएलएसएम का उपयोग किया जाता है।
इंजीनियरिंग में अनुकूली शिक्षा के मूल्यांकन के लिए एफएसएलएसएम एक व्यापक रूप से इस्तेमाल किया जाने वाला मॉडल है।स्वास्थ्य विज्ञान (चिकित्सा, नर्सिंग, फार्मेसी और दंत चिकित्सा सहित) में कई प्रकाशित कार्य हैं जिन्हें 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 सीखने की शैलियों का सूचकांक (आईएलएस) कहा जाता है [8], जिसमें एलएस के चार आयामों का आकलन करने वाले 44 आइटम शामिल हैं: प्रसंस्करण (सक्रिय/चिंतनशील), धारणा (अवधारणात्मक/सहज ज्ञान), इनपुट (दृश्य)।/मौखिक) और समझ (अनुक्रमिक/वैश्विक) [14]।
जैसा कि चित्र 1 में दिखाया गया है, प्रत्येक एफएसएलएसएम आयाम की एक प्रमुख प्राथमिकता होती है।उदाहरण के लिए, प्रसंस्करण आयाम में, "सक्रिय" एलएस वाले छात्र सीखने की सामग्री के साथ सीधे बातचीत करके जानकारी संसाधित करना पसंद करते हैं, करके सीखते हैं और समूहों में सीखते हैं।"चिंतनशील" एलएस सोच के माध्यम से सीखने को संदर्भित करता है और अकेले काम करना पसंद करता है।एलएस के "धारणा" आयाम को "भावना" और/या "अंतर्ज्ञान" में विभाजित किया जा सकता है।"भावना" वाले छात्र अधिक ठोस जानकारी और व्यावहारिक प्रक्रियाओं को पसंद करते हैं, "सहज" छात्रों की तुलना में तथ्य-उन्मुख होते हैं जो अमूर्त सामग्री को पसंद करते हैं और प्रकृति में अधिक नवीन और रचनात्मक होते हैं।एलएस के "इनपुट" आयाम में "दृश्य" और "मौखिक" शिक्षार्थी शामिल हैं।"दृश्य" एलएस वाले लोग दृश्य प्रदर्शनों (जैसे आरेख, वीडियो या लाइव प्रदर्शन) 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 को पसंद करते हैं और चरण दर चरण सीखते हैं, जबकि वैश्विक शिक्षार्थी एक समग्र विचार प्रक्रिया रखते हैं और वे जो सीख रहे हैं उसकी उन्हें हमेशा बेहतर समझ होती है।
हाल ही में, कई शोधकर्ताओं ने स्वचालित डेटा-संचालित खोज के तरीकों का पता लगाना शुरू कर दिया है, जिसमें बड़ी मात्रा में डेटा की व्याख्या करने में सक्षम नए एल्गोरिदम और मॉडल का विकास शामिल है [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 करता है [17]।सीधे शब्दों में कहें तो पर्यवेक्षित मशीन लर्निंग तकनीक इनपुट डेटा और ट्रेन एल्गोरिदम में हेरफेर करती है।इसके बाद यह एक श्रेणी 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 विधियों और निर्णय वृक्ष नियंत्रण मॉडल के उपयोग के माध्यम से, एलएस का स्वचालित पता लगाना संभव है।स्वास्थ्य विज्ञान [18, 19] सहित विभिन्न क्षेत्रों में प्रशिक्षण कार्यक्रमों में निर्णय वृक्षों का व्यापक रूप से उपयोग किए जाने की सूचना मिली है।इस अध्ययन में, मॉडल को छात्रों के एलएस की पहचान करने और उनके लिए सर्वोत्तम आईएस की सिफारिश करने के लिए सिस्टम डेवलपर्स द्वारा विशेष रूप से प्रशिक्षित किया गया था।
इस अध्ययन का उद्देश्य छात्रों के एलएस के आधार पर आईएस वितरण रणनीतियों को विकसित करना और एलएस के लिए मैप किए गए आईएस अनुशंसा उपकरण को विकसित करके एससीएल दृष्टिकोण को लागू करना है।एससीएल विधि की रणनीति के रूप में आईएस अनुशंसा उपकरण का डिज़ाइन प्रवाह चित्र 1 में दिखाया गया है। आईएस अनुशंसा उपकरण को दो भागों में विभाजित किया गया है, जिसमें आईएलएस का उपयोग करके एलएस वर्गीकरण तंत्र और छात्रों के लिए सबसे उपयुक्त आईएस डिस्प्ले शामिल है।
विशेष रूप से, सूचना सुरक्षा अनुशंसा टूल की विशेषताओं में वेब प्रौद्योगिकियों का उपयोग और निर्णय वृक्ष मशीन लर्निंग का उपयोग शामिल है।सिस्टम डेवलपर्स मोबाइल फोन और टैबलेट जैसे मोबाइल उपकरणों को अनुकूलित करके उपयोगकर्ता अनुभव और गतिशीलता में सुधार करते हैं।
प्रयोग दो चरणों में किया गया और मलाया विश्वविद्यालय में दंत चिकित्सा संकाय के छात्रों ने स्वैच्छिक आधार पर भाग लिया।प्रतिभागियों ने एक डेंटल छात्र के ऑनलाइन एम-आईएलएस का अंग्रेजी में जवाब दिया।प्रारंभिक चरण में, निर्णय वृक्ष मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने के लिए 50 छात्रों के डेटासेट का उपयोग किया गया था।विकास प्रक्रिया के दूसरे चरण में, विकसित उपकरण की सटीकता में सुधार के लिए 255 छात्रों के डेटासेट का उपयोग किया गया था।
सभी प्रतिभागियों को Microsoft Teams के माध्यम से, शैक्षणिक वर्ष के आधार पर, प्रत्येक चरण की शुरुआत में एक ऑनलाइन ब्रीफिंग प्राप्त होती है।अध्ययन का उद्देश्य 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 में सभी 44 वस्तुओं का उत्तर देने का निर्देश दिया गया था।सेमेस्टर शुरू होने से पहले सेमेस्टर ब्रेक के दौरान उनके लिए सुविधाजनक समय और स्थान पर संशोधित आईएलएस को पूरा करने के लिए उन्हें एक सप्ताह का समय दिया गया था।एम-आईएलएस मूल आईएलएस उपकरण पर आधारित है और दंत चिकित्सा छात्रों के लिए संशोधित है।मूल आईएलएस के समान, इसमें 44 समान रूप से वितरित आइटम (ए, बी) शामिल हैं, जिनमें से प्रत्येक में 11 आइटम हैं, जिनका उपयोग प्रत्येक एफएसएलएसएम आयाम के पहलुओं का आकलन करने के लिए किया जाता है।
उपकरण विकास के शुरुआती चरणों के दौरान, शोधकर्ताओं ने 50 दंत चिकित्सा छात्रों के डेटासेट का उपयोग करके मानचित्रों को मैन्युअल रूप से एनोटेट किया।एफएसएलएम के अनुसार, सिस्टम "ए" और "बी" उत्तरों का योग प्रदान करता है।प्रत्येक आयाम के लिए, यदि छात्र उत्तर के रूप में "ए" चुनता है, तो एलएस को सक्रिय/अवधारणात्मक/दृश्य/अनुक्रमिक के रूप में वर्गीकृत किया जाता है, और यदि छात्र उत्तर के रूप में "बी" चुनता है, तो छात्र को चिंतनशील/सहज/भाषाई के रूप में वर्गीकृत किया जाता है। ./ वैश्विक शिक्षार्थी।
दंत चिकित्सा शिक्षा शोधकर्ताओं और सिस्टम डेवलपर्स के बीच वर्कफ़्लो को कैलिब्रेट करने के बाद, एफएलएसएसएम डोमेन के आधार पर प्रश्नों का चयन किया गया और प्रत्येक छात्र के एलएस की भविष्यवाणी करने के लिए एमएल मॉडल में फीड किया गया।मशीन लर्निंग के क्षेत्र में डेटा गुणवत्ता पर जोर देने के साथ "कचरा अंदर, कचरा बाहर" एक लोकप्रिय कहावत है।इनपुट डेटा की गुणवत्ता मशीन लर्निंग मॉडल की सटीकता और सटीकता निर्धारित करती है।फ़ीचर इंजीनियरिंग चरण के दौरान, एक नया फ़ीचर सेट बनाया जाता है जो FLSSM पर आधारित उत्तर "ए" और "बी" का योग होता है।दवा की स्थिति की पहचान संख्या तालिका 1 में दी गई है।
उत्तरों के आधार पर स्कोर की गणना करें और छात्र का एलएस निर्धारित करें।प्रत्येक छात्र के लिए, स्कोर रेंज 1 से 11 तक है। 1 से 3 तक के स्कोर एक ही आयाम के भीतर सीखने की प्राथमिकताओं के संतुलन को दर्शाते हैं, और 5 से 7 तक के स्कोर एक मध्यम प्राथमिकता को दर्शाते हैं, जो दर्शाता है कि छात्र दूसरों को पढ़ाने वाले एक वातावरण को पसंद करते हैं। .उसी आयाम पर एक और भिन्नता यह है कि 9 से 11 तक के स्कोर एक छोर या दूसरे के लिए एक मजबूत प्राथमिकता दर्शाते हैं [8]।
प्रत्येक आयाम के लिए, दवाओं को "सक्रिय", "चिंतनशील" और "संतुलित" में वर्गीकृत किया गया था।उदाहरण के लिए, जब कोई छात्र किसी निर्दिष्ट आइटम पर "बी" से अधिक बार "ए" का उत्तर देता है और प्रोसेसिंग एलएस आयाम का प्रतिनिधित्व करने वाले किसी विशेष आइटम के लिए उसका स्कोर 5 की सीमा से अधिक हो जाता है, तो वह "सक्रिय" एलएस से संबंधित होता है। कार्यक्षेत्र।.हालाँकि, छात्रों को "चिंतनशील" एलएस के रूप में वर्गीकृत किया गया था जब उन्होंने विशिष्ट 11 प्रश्नों (तालिका 1) में "ए" से अधिक "बी" चुना और 5 से अधिक अंक प्राप्त किए।अंततः, 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 वृक्ष मॉडल वर्गीकरण प्रक्रिया के विभिन्न चरणों में सुविधाओं और निर्णय नियमों के विभिन्न उपसमूहों का उपयोग कर सकते हैं।इसे एक लोकप्रिय वर्गीकरण और भविष्यवाणी उपकरण माना जाता है।इसे फ़्लोचार्ट [20] जैसी वृक्ष संरचना 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 लीफ नोड (पत्ती नोड) में एक क्लास लेबल होता है।
प्रत्येक छात्र की प्रतिक्रियाओं के आधार पर उनके एलएस को स्वचालित रूप से स्कोर करने और एनोटेट करने के लिए एक सरल नियम-आधारित कार्यक्रम बनाया गया था।नियम-आधारित एक IF कथन का रूप लेता है, जहां "IF" ट्रिगर का वर्णन करता है और "THEN" निष्पादित की जाने वाली कार्रवाई 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 वृक्ष 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, अनुशंसा उपकरण की सटीकता में सुधार के लिए डेटासेट को 255 तक बढ़ाया गया था।डेटा सेट को 1:4 अनुपात में विभाजित किया गया है।डेटा सेट का 25% (64) परीक्षण सेट के लिए उपयोग किया गया था, और शेष 75% (191) का उपयोग प्रशिक्षण सेट (चित्र 2) के रूप में किया गया था।मॉडल को एक ही 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 रखना पड़ सकता है।मॉडल को प्रशिक्षण सेट पर प्रशिक्षित किया जाता है और परीक्षण सेट पर उसके प्रदर्शन का मूल्यांकन किया जाता है - डेटा जो मॉडल ने पहले कभी नहीं देखा है।
एक बार आईएस टूल विकसित हो जाने के बाद, एप्लिकेशन वेब इंटरफेस के माध्यम से डेंटल छात्रों की प्रतिक्रियाओं के आधार पर एलएस को वर्गीकृत करने में सक्षम होगा।वेब-आधारित सूचना सुरक्षा अनुशंसा उपकरण प्रणाली 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 प्रयुक्त पुस्तकालयों को सूचीबद्ध करती है।
छात्र एलएस मापों को स्वचालित रूप से वर्गीकृत करने के लिए छात्र प्रतिक्रियाओं की गणना और निकालने के लिए डेटासेट को निर्णय ट्री मॉडल में फीड किया जाता है।
कन्फ्यूजन मैट्रिक्स का उपयोग किसी दिए गए डेटा सेट पर निर्णय ट्री मशीन लर्निंग एल्गोरिदम की सटीकता का मूल्यांकन करने के लिए किया जाता है।साथ ही, यह वर्गीकरण मॉडल के प्रदर्शन का मूल्यांकन करता है।यह मॉडल की भविष्यवाणियों का सारांश देता है और उनकी तुलना वास्तविक डेटा लेबल से करता है।मूल्यांकन परिणाम चार अलग-अलग मूल्यों पर आधारित हैं: ट्रू पॉजिटिव (टीपी) - मॉडल ने सकारात्मक श्रेणी की सही भविष्यवाणी की, गलत पॉजिटिव (एफपी) - मॉडल ने सकारात्मक श्रेणी की भविष्यवाणी की, लेकिन सच्चा लेबल नकारात्मक था, ट्रू नेगेटिव (टीएन) - मॉडल ने नकारात्मक वर्ग और गलत नकारात्मक (एफएन) की सही भविष्यवाणी की है - मॉडल एक नकारात्मक वर्ग की भविष्यवाणी करता है, लेकिन सही लेबल सकारात्मक है।
फिर इन मानों का उपयोग पायथन में स्किकिट-लर्न वर्गीकरण मॉडल के विभिन्न प्रदर्शन मेट्रिक्स, अर्थात् सटीकता, सटीकता, रिकॉल और एफ 1 स्कोर की गणना करने के लिए किया जाता है।यहाँ उदाहरण हैं:
रिकॉल (या संवेदनशीलता) एम-आईएलएस प्रश्नावली का उत्तर देने के बाद किसी छात्र के एलएस को सटीक रूप से वर्गीकृत करने की मॉडल की क्षमता को मापता है।
विशिष्टता को वास्तविक ऋणात्मक दर कहा जाता है।जैसा कि आप उपरोक्त सूत्र से देख सकते हैं, यह वास्तविक नकारात्मक (टीएन) से वास्तविक नकारात्मक और गलत सकारात्मक (एफपी) का अनुपात होना चाहिए।छात्र दवाओं को वर्गीकृत करने के लिए अनुशंसित उपकरण के हिस्से के रूप में, यह सटीक पहचान करने में सक्षम होना चाहिए।
निर्णय वृक्ष एमएल मॉडल को प्रशिक्षित करने के लिए उपयोग किए गए 50 छात्रों के मूल डेटासेट ने एनोटेशन में मानवीय त्रुटि के कारण अपेक्षाकृत कम सटीकता दिखाई (तालिका 3)।एलएस स्कोर और छात्र एनोटेशन की स्वचालित रूप से गणना करने के लिए एक सरल नियम-आधारित प्रोग्राम बनाने के बाद, अनुशंसा प्रणाली को प्रशिक्षित और परीक्षण करने के लिए डेटासेट (255) की बढ़ती संख्या का उपयोग किया गया था।
मल्टीक्लास कन्फ्यूजन मैट्रिक्स में, विकर्ण तत्व प्रत्येक एलएस प्रकार के लिए सही भविष्यवाणियों की संख्या का प्रतिनिधित्व करते हैं (चित्र 4)।निर्णय वृक्ष 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 वर्ग लेबल की सटीक भविष्यवाणी करता है।इस प्रकार, अनुशंसा उपकरण की समग्र सटीकता 100% है।
सटीकता, परिशुद्धता, रिकॉल और एफ1 स्कोर के मान चित्र 5 में दिखाए गए हैं। निर्णय वृक्ष मॉडल का उपयोग करने वाली अनुशंसा प्रणाली के लिए, इसका एफ1 स्कोर 1.0 "परफेक्ट" है, जो महत्वपूर्ण संवेदनशीलता और विशिष्टता को दर्शाते हुए सही परिशुद्धता और रिकॉल को दर्शाता है। मूल्य.
चित्र 6 प्रशिक्षण और परीक्षण पूरा होने के बाद निर्णय वृक्ष मॉडल का एक दृश्य दिखाता है।साथ-साथ तुलना में, कम सुविधाओं के साथ प्रशिक्षित निर्णय वृक्ष मॉडल ने उच्च सटीकता और आसान मॉडल विज़ुअलाइज़ेशन दिखाया।इससे पता चलता है कि फीचर इंजीनियरिंग से फीचर में कमी लाना मॉडल के प्रदर्शन को बेहतर बनाने की दिशा में एक महत्वपूर्ण कदम है।
निर्णय वृक्ष पर्यवेक्षित शिक्षण को लागू करने से, 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%) के पास दो या अधिक एलएस प्राथमिकताएँ थीं।12.2% छात्रों ने कहा कि एलएस काफी संतुलित है (तालिका 4)।आठ मुख्य एलएस के अलावा, मलाया विश्वविद्यालय के दंत चिकित्सा छात्रों 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 प्रमुख संवेदी (13.7%) या दृश्य (8.6%) एलएस था।यह बताया गया कि 12.2% छात्रों ने धारणा को दृष्टि (अवधारणात्मक-दृश्य एलएस) के साथ जोड़ा।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 स्वभाव से चौकस होते हैं।साथ ही, वे देखकर (आरेख आदि का उपयोग करके) सीखने का आनंद लेते हैं और समूहों में या अकेले ही जानकारी पर चर्चा करते हैं और उसे लागू करते हैं।
यह अध्ययन डेटा माइनिंग में उपयोग की जाने वाली मशीन लर्निंग तकनीकों का एक सिंहावलोकन प्रदान करता है, जिसमें छात्रों के एलएस की तुरंत और सटीक भविष्यवाणी करने और उपयुक्त आईएस की सिफारिश करने पर ध्यान केंद्रित किया गया है।निर्णय वृक्ष मॉडल के अनुप्रयोग ने उनके जीवन और शैक्षिक अनुभवों से सबसे अधिक निकटता से संबंधित कारकों की पहचान की।यह एक पर्यवेक्षित मशीन लर्निंग एल्गोरिदम है जो कुछ मानदंडों के आधार पर डेटा के एक सेट को उपश्रेणियों में विभाजित करके डेटा को वर्गीकृत करने के लिए एक पेड़ संरचना का उपयोग करता है।यह लीफ नोड पर निर्णय लेने तक प्रत्येक आंतरिक नोड की इनपुट सुविधाओं में से एक के मूल्य के आधार पर इनपुट डेटा को पुनरावर्ती रूप से उप-समूहों में विभाजित करके काम करता है।
निर्णय वृक्ष के आंतरिक नोड्स एम-आईएलएस समस्या की इनपुट विशेषताओं के आधार पर समाधान का प्रतिनिधित्व करते हैं, और लीफ नोड्स अंतिम एलएस वर्गीकरण भविष्यवाणी का प्रतिनिधित्व करते हैं।पूरे अध्ययन के दौरान, निर्णय पेड़ों के पदानुक्रम को समझना आसान है जो इनपुट सुविधाओं और आउटपुट भविष्यवाणियों के बीच संबंधों को देखकर निर्णय प्रक्रिया की व्याख्या और कल्पना करते हैं।
कंप्यूटर विज्ञान और इंजीनियरिंग के क्षेत्र में, प्रवेश परीक्षा के अंकों [21], जनसांख्यिकीय जानकारी और सीखने के व्यवहार [22] के आधार पर छात्रों के प्रदर्शन की भविष्यवाणी करने के लिए मशीन लर्निंग एल्गोरिदम का व्यापक रूप से उपयोग किया जाता है।शोध से पता चला कि एल्गोरिदम ने छात्रों के प्रदर्शन की सटीक भविष्यवाणी की और उन्हें शैक्षणिक कठिनाइयों के जोखिम वाले छात्रों की पहचान करने में मदद की।
दंत चिकित्सा प्रशिक्षण के लिए आभासी रोगी सिमुलेटर के विकास में एमएल एल्गोरिदम के अनुप्रयोग की सूचना दी गई है।सिम्युलेटर वास्तविक रोगियों की शारीरिक प्रतिक्रियाओं को सटीक रूप से पुन: प्रस्तुत करने में सक्षम है और इसका उपयोग दंत चिकित्सा 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 चिकित्सा और चिकित्सा शिक्षा और रोगी देखभाल की गुणवत्ता और दक्षता में सुधार कर सकते हैं।मशीन लर्निंग एल्गोरिदम का उपयोग लक्षणों और रोगी विशेषताओं जैसे डेटा सेट के आधार पर दंत रोगों के निदान में सहायता के लिए किया गया है [24, 25]।जबकि अन्य अध्ययनों ने रोगी के परिणामों की भविष्यवाणी करने, उच्च जोखिम वाले रोगियों की पहचान करने, व्यक्तिगत उपचार योजनाएं विकसित करने [26], पेरियोडोंटल उपचार [27] और क्षय उपचार [25] जैसे कार्यों को करने के लिए मशीन लर्निंग एल्गोरिदम के उपयोग का पता लगाया है।
हालाँकि दंत चिकित्सा में मशीन लर्निंग के अनुप्रयोग पर रिपोर्ट प्रकाशित हो चुकी हैं, लेकिन दंत चिकित्सा शिक्षा में इसका अनुप्रयोग सीमित है।इसलिए, इस अध्ययन का उद्देश्य डेंटल छात्रों के बीच एलएस और आईएस से सबसे अधिक निकटता से जुड़े कारकों की पहचान करने के लिए निर्णय वृक्ष मॉडल का उपयोग करना था।
इस अध्ययन के नतीजे बताते हैं कि विकसित अनुशंसा उपकरण में उच्च सटीकता और पूर्ण सटीकता है, जो दर्शाता है कि शिक्षक इस उपकरण से लाभ उठा सकते हैं।डेटा-संचालित वर्गीकरण प्रक्रिया का उपयोग करके, यह व्यक्तिगत सिफारिशें प्रदान कर सकता है और शिक्षकों और छात्रों के लिए शैक्षिक अनुभवों और परिणामों में सुधार कर सकता है।उनमें से, अनुशंसा टूल के माध्यम से प्राप्त जानकारी शिक्षकों की पसंदीदा शिक्षण विधियों और छात्रों की सीखने की जरूरतों के बीच संघर्ष को हल कर सकती है।उदाहरण के लिए, अनुशंसा टूल के स्वचालित आउटपुट के कारण, किसी छात्र के आईपी की पहचान करने और उसे संबंधित आईपी से मिलाने में लगने वाला समय काफी कम हो जाएगा।इस प्रकार, उपयुक्त प्रशिक्षण गतिविधियों और प्रशिक्षण सामग्रियों का आयोजन किया जा सकता है।इससे छात्रों के सकारात्मक सीखने के व्यवहार और ध्यान केंद्रित करने की क्षमता विकसित करने में मदद मिलती है।एक अध्ययन में बताया गया है कि छात्रों को उनके पसंदीदा एलएस से मेल खाने वाली शिक्षण सामग्री और सीखने की गतिविधियाँ प्रदान करने से छात्रों को अधिक क्षमता प्राप्त करने के लिए कई तरीकों से सीखने को एकीकृत करने, संसाधित करने और आनंद लेने में मदद मिल सकती है [12]।शोध से यह भी पता चलता है कि कक्षा में छात्रों की भागीदारी में सुधार के अलावा, छात्रों की सीखने की प्रक्रिया को समझना भी शिक्षण प्रथाओं और छात्रों के साथ संचार को बेहतर बनाने में महत्वपूर्ण भूमिका निभाता है [28, 29]।
हालाँकि, किसी भी आधुनिक तकनीक की तरह, इसमें भी समस्याएँ और सीमाएँ हैं।इनमें डेटा गोपनीयता, पूर्वाग्रह और निष्पक्षता से संबंधित मुद्दे और दंत चिकित्सा शिक्षा में मशीन लर्निंग एल्गोरिदम को विकसित और कार्यान्वित करने के लिए आवश्यक पेशेवर कौशल और संसाधन शामिल हैं;हालाँकि, इस क्षेत्र में बढ़ती रुचि और शोध से पता चलता है कि मशीन लर्निंग तकनीकों का दंत शिक्षा और दंत चिकित्सा सेवाओं पर सकारात्मक प्रभाव पड़ सकता है।
इस अध्ययन के नतीजे बताते हैं कि आधे दंत चिकित्सा छात्रों में दवाओं को "समझने" की प्रवृत्ति होती है।इस प्रकार के शिक्षार्थी में तथ्यों और ठोस उदाहरणों के लिए प्राथमिकता, व्यावहारिक अभिविन्यास, विवरण के लिए धैर्य और "दृश्य" एलएस प्राथमिकता होती है, जहां शिक्षार्थी विचारों और विचारों को व्यक्त करने के लिए चित्रों, ग्राफिक्स, रंगों और मानचित्रों का उपयोग करना पसंद करते हैं।वर्तमान परिणाम दंत चिकित्सा और मेडिकल छात्रों में एलएस का आकलन करने के लिए आईएलएस का उपयोग करने वाले अन्य अध्ययनों के अनुरूप हैं, जिनमें से अधिकांश में अवधारणात्मक और दृश्य एलएस की विशेषताएं हैं [12, 30]।डाल्मोलिन और अन्य का सुझाव है कि छात्रों को उनके एलएस के बारे में सूचित करने से उन्हें अपनी सीखने की क्षमता तक पहुंचने में मदद मिलती 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 करने से छात्रों की सीखने की शैली को उनके एलएस के अनुरूप बदलने के बाद उनके सीखने के अनुभव और प्रदर्शन में सुधार भी दिखता है [13, 33]।
छात्रों की सीखने की क्षमताओं के आधार पर शिक्षण रणनीतियों के कार्यान्वयन के संबंध में शिक्षकों की राय भिन्न हो सकती है।जबकि कुछ लोग इस दृष्टिकोण के लाभों को देखते हैं, जिसमें व्यावसायिक विकास के अवसर, परामर्श और सामुदायिक समर्थन शामिल हैं, अन्य लोग समय और संस्थागत समर्थन के बारे में चिंतित हो सकते हैं।संतुलन के लिए प्रयास करना छात्र-केंद्रित रवैया बनाने की कुंजी है।उच्च शिक्षा अधिकारी, जैसे कि विश्वविद्यालय प्रशासक, नवीन प्रथाओं को शुरू करने और संकाय विकास का समर्थन करके सकारात्मक बदलाव लाने में महत्वपूर्ण भूमिका निभा सकते हैं [34]।वास्तव में गतिशील और उत्तरदायी उच्च शिक्षा प्रणाली बनाने के लिए, नीति निर्माताओं को साहसिक कदम उठाने होंगे, जैसे नीति में बदलाव करना, प्रौद्योगिकी एकीकरण के लिए संसाधन समर्पित करना और छात्र-केंद्रित दृष्टिकोण को बढ़ावा देने वाले ढांचे का निर्माण करना।वांछित परिणाम प्राप्त करने के लिए ये उपाय महत्वपूर्ण हैं।विभेदित निर्देश पर हाल के शोध से स्पष्ट रूप से पता चला है कि विभेदित निर्देश के सफल कार्यान्वयन के लिए शिक्षकों के लिए निरंतर प्रशिक्षण और विकास के अवसरों की आवश्यकता होती है [35]।
यह उपकरण दंत चिकित्सा शिक्षकों को मूल्यवान सहायता प्रदान करता है जो छात्र-अनुकूल शिक्षण गतिविधियों की योजना बनाने के लिए छात्र-केंद्रित दृष्टिकोण अपनाना चाहते हैं।हालाँकि, यह अध्ययन निर्णय वृक्ष एमएल मॉडल के उपयोग तक सीमित है।भविष्य में, अनुशंसा उपकरणों की सटीकता, विश्वसनीयता और परिशुद्धता 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 पद्धति चुनते समय, मॉडल जटिलता और व्याख्या जैसे अन्य कारकों पर विचार करना महत्वपूर्ण है।
इस अध्ययन की एक सीमा यह है कि यह केवल दंत चिकित्सा छात्रों के बीच एलएस और आईएस के मानचित्रण पर केंद्रित है।इसलिए, विकसित अनुशंसा प्रणाली केवल उन्हीं की अनुशंसा करेगी जो दंत चिकित्सा छात्रों के लिए उपयुक्त हैं।सामान्य उच्च शिक्षा छात्र उपयोग के लिए परिवर्तन आवश्यक हैं।
नव विकसित मशीन लर्निंग-आधारित अनुशंसा उपकरण तुरंत छात्रों के एलएस को संबंधित आईएस के साथ वर्गीकृत और मिलान करने में सक्षम है, जिससे यह दंत चिकित्सा शिक्षकों को प्रासंगिक शिक्षण और सीखने की गतिविधियों की योजना बनाने में मदद करने वाला पहला दंत चिकित्सा शिक्षा कार्यक्रम बन गया है।डेटा-संचालित ट्राइएज प्रक्रिया का उपयोग करके, 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 व्यावसायिक विकास को बढ़ावा दे सकता है।इसका अनुप्रयोग दंत चिकित्सा शिक्षा के लिए छात्र-केंद्रित दृष्टिकोण को बढ़ावा देगा।
गिलक जानी एसोसिएटेड प्रेस।छात्र की सीखने की शैली और शिक्षक की शिक्षण शैली के बीच मेल या बेमेल।इंट जे मॉड एडुक कंप्यूटर साइंस।2012;4(11):51-60।https://doi.org/10.5815/ijmecs.2012.11.05