दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में छात्र-केंद्रित अधिगम (एससीएल) की आवश्यकता बढ़ती जा रही है। हालांकि, दंत चिकित्सा में एससीएल का अनुप्रयोग सीमित है। इसलिए, इस अध्ययन का उद्देश्य निर्णय वृक्ष मशीन लर्निंग (एमएल) तकनीक का उपयोग करके दंत छात्रों की पसंदीदा अधिगम शैली (एलएस) और संबंधित अधिगम रणनीतियों (आईएस) का मानचित्रण करके दंत चिकित्सा में एससीएल के अनुप्रयोग को बढ़ावा देना है, ताकि आईएस दिशानिर्देश विकसित करने में यह एक उपयोगी उपकरण साबित हो सके। यह अध्ययन दंत छात्रों के लिए आशाजनक विधियों का सुझाव देता है।
मलाया विश्वविद्यालय के कुल 255 दंत चिकित्सा छात्रों ने संशोधित अधिगम शैली सूचकांक (एम-आईएलएस) प्रश्नावली पूरी की, जिसमें छात्रों को उनकी संबंधित अधिगम शैलियों में वर्गीकृत करने के लिए 44 मद शामिल थे। एकत्रित डेटा (जिसे डेटासेट कहा जाता है) का उपयोग पर्यवेक्षित निर्णय वृक्ष अधिगम में छात्रों की अधिगम शैलियों को सबसे उपयुक्त अधिगम शैली से स्वचालित रूप से मिलाने के लिए किया जाता है। इसके बाद मशीन अधिगम आधारित अधिगम शैली अनुशंसा उपकरण की सटीकता का मूल्यांकन किया जाता है।
एलएस (इनपुट) और आईएस (लक्ष्य आउटपुट) के बीच स्वचालित मैपिंग प्रक्रिया में निर्णय वृक्ष मॉडल के अनुप्रयोग से प्रत्येक दंत छात्र के लिए उपयुक्त शिक्षण रणनीतियों की तत्काल सूची प्राप्त होती है। आईएस अनुशंसा उपकरण ने समग्र मॉडल सटीकता में पूर्ण परिशुद्धता और रिकॉल प्रदर्शित किया, जो दर्शाता है कि एलएस को आईएस से मिलाने में अच्छी संवेदनशीलता और विशिष्टता है।
मशीन लर्निंग डिसीजन ट्री पर आधारित एक आईएस रिकमेंडेशन टूल ने दंत चिकित्सा छात्रों की सीखने की शैलियों को उपयुक्त शिक्षण रणनीतियों से सटीक रूप से मिलाने की अपनी क्षमता साबित कर दी है। यह टूल शिक्षार्थी-केंद्रित पाठ्यक्रम या मॉड्यूल की योजना बनाने के लिए शक्तिशाली विकल्प प्रदान करता है जो छात्रों के सीखने के अनुभव को बेहतर बना सकते हैं।
शिक्षण और अधिगम शैक्षणिक संस्थानों की मूलभूत गतिविधियाँ हैं। उच्च गुणवत्ता वाली व्यावसायिक शिक्षा प्रणाली विकसित करते समय, छात्रों की अधिगम आवश्यकताओं पर ध्यान केंद्रित करना महत्वपूर्ण है। छात्रों और उनके अधिगम वातावरण के बीच की परस्पर क्रिया का निर्धारण उनके अधिगम संबंधी दृष्टिकोण (LS) के माध्यम से किया जा सकता है। शोध से पता चलता है कि छात्रों के अधिगम संबंधी दृष्टिकोण (LS) और अधिगम संबंधी दृष्टिकोण (IS) के बीच शिक्षकों द्वारा जानबूझकर किए गए असंगतता से छात्रों के अधिगम पर नकारात्मक प्रभाव पड़ सकता है, जैसे कि ध्यान और प्रेरणा में कमी। इससे अप्रत्यक्ष रूप से छात्रों के प्रदर्शन पर प्रभाव पड़ेगा [1,2]।
शिक्षण रणनीतियाँ (IS) शिक्षकों द्वारा छात्रों को ज्ञान और कौशल प्रदान करने की एक विधि है, जिसमें छात्रों को सीखने में सहायता करना भी शामिल है [3]। सामान्यतः, अच्छे शिक्षक ऐसी शिक्षण रणनीतियाँ (IS) बनाते हैं जो छात्रों के ज्ञान के स्तर, उनके द्वारा सीखे जा रहे विषयों और सीखने के चरण के अनुरूप हों। सैद्धांतिक रूप से, जब पाठ योजना (LS) और शिक्षण रणनीतियाँ (IS) मेल खाती हैं, तो छात्र प्रभावी ढंग से सीखने के लिए विशिष्ट कौशलों का उपयोग कर सकेंगे। आमतौर पर, पाठ योजना में विभिन्न चरणों के बीच कई बदलाव शामिल होते हैं, जैसे कि शिक्षण से निर्देशित अभ्यास या निर्देशित अभ्यास से स्वतंत्र अभ्यास। इसे ध्यान में रखते हुए, प्रभावी शिक्षक अक्सर छात्रों के ज्ञान और कौशल के निर्माण के लक्ष्य के साथ शिक्षण योजना बनाते हैं [4]।
दंत चिकित्सा सहित उच्च शिक्षा संस्थानों में एससीएल की मांग बढ़ रही है। एससीएल रणनीतियाँ छात्रों की सीखने की आवश्यकताओं को पूरा करने के लिए बनाई गई हैं। उदाहरण के लिए, यह तब संभव है जब छात्र सीखने की गतिविधियों में सक्रिय रूप से भाग लें और शिक्षक सुविधादाता के रूप में कार्य करें तथा मूल्यवान प्रतिक्रिया प्रदान करने के लिए जिम्मेदार हों। ऐसा कहा जाता है कि छात्रों के शैक्षिक स्तर या प्राथमिकताओं के अनुरूप 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]।
सामान्यतः, दंत चिकित्सा छात्रों की अधिगम प्रक्रिया उन विभिन्न नैदानिक प्रक्रियाओं से प्रभावित होती है जिन्हें उन्हें करना आवश्यक होता है और उस नैदानिक वातावरण से भी जिसमें वे प्रभावी पारस्परिक कौशल विकसित करते हैं। प्रशिक्षण का उद्देश्य छात्रों को दंत चिकित्सा के बुनियादी ज्ञान को दंत चिकित्सा नैदानिक कौशल के साथ संयोजित करने और अर्जित ज्ञान को नई नैदानिक स्थितियों में लागू करने में सक्षम बनाना है [6, 7]। अधिगम रणनीति और अभिधारणा के बीच संबंध पर प्रारंभिक शोध में पाया गया कि अधिगम रणनीति के अनुरूप अधिगम रणनीतियों को समायोजित करने से शैक्षिक प्रक्रिया में सुधार लाने में मदद मिलेगी [8]। लेखक छात्रों के अधिगम और आवश्यकताओं के अनुरूप विभिन्न प्रकार की शिक्षण और मूल्यांकन विधियों का उपयोग करने की भी अनुशंसा करते हैं।
शिक्षक शिक्षण शैली (LS) के ज्ञान को लागू करके छात्रों को विषयवस्तु का गहन ज्ञान और समझ प्राप्त करने में सहायता प्राप्त कर सकते हैं। शोधकर्ताओं ने कई LS मूल्यांकन उपकरण विकसित किए हैं, जैसे कोल्ब अनुभवात्मक अधिगम मॉडल, फेल्डर-सिल्वरमैन अधिगम शैली मॉडल (FSLSM) और फ्लेमिंग VAK/VARK मॉडल [5, 9, 10]। साहित्य के अनुसार, ये अधिगम मॉडल सबसे अधिक उपयोग किए जाने वाले और सबसे अधिक अध्ययन किए गए अधिगम मॉडल हैं। वर्तमान शोध कार्य में, दंत चिकित्सा छात्रों के बीच LS का आकलन करने के लिए FSLSM का उपयोग किया गया है।
इंजीनियरिंग में अनुकूली अधिगम के मूल्यांकन के लिए FSLSM एक व्यापक रूप से उपयोग किया जाने वाला मॉडल है। स्वास्थ्य विज्ञान (चिकित्सा, नर्सिंग, फार्मेसी और दंत चिकित्सा सहित) में कई प्रकाशित कार्य हैं जिनमें FSLSM मॉडल का उपयोग किया गया है [5, 11, 12, 13]। FLSM में LS के आयामों को मापने के लिए उपयोग किए जाने वाले उपकरण को लर्निंग स्टाइल इंडेक्स (ILS) [8] कहा जाता है, जिसमें LS के चार आयामों का आकलन करने वाले 44 आइटम होते हैं: प्रसंस्करण (सक्रिय/चिंतनशील), धारणा (संवेदी/सहज), इनपुट (दृश्य/मौखिक) और समझ (अनुक्रमिक/वैश्विक) [14]।
चित्र 1 में दर्शाए अनुसार, प्रत्येक FSLSM आयाम की एक प्रमुख प्राथमिकता होती है। उदाहरण के लिए, प्रसंस्करण आयाम में, "सक्रिय" शिक्षण क्षमता वाले छात्र सीखने की सामग्री के साथ सीधे संवाद करके जानकारी संसाधित करना, करके सीखना और समूहों में सीखना पसंद करते हैं। "चिंतनशील" शिक्षण क्षमता वाले छात्र सोच-विचार करके सीखना पसंद करते हैं और अकेले काम करना पसंद करते हैं। शिक्षण क्षमता के "बोध" 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 और तथ्यों पर अधिक ध्यान केंद्रित करते हैं, जबकि "अंतर्ज्ञान" वाले छात्र अमूर्त सामग्री को पसंद करते हैं और स्वभाव से अधिक नवीन और रचनात्मक होते हैं। शिक्षण क्षमता के "इनपुट" आयाम में "दृश्य" और "मौखिक" शिक्षार्थी शामिल हैं। "दृश्य" शिक्षण क्षमता वाले लोग दृश्य प्रदर्शनों (जैसे आरेख, वीडियो या लाइव प्रदर्शन) के माध्यम से सीखना पसंद करते हैं, जबकि "मौखिक" शिक्षण क्षमता वाले लोग लिखित या मौखिक स्पष्टीकरण में शब्दों के माध्यम से सीखना पसंद करते हैं। शिक्षण क्षमता के आयामों को "समझने" के लिए, ऐसे शिक्षार्थियों को "अनुक्रमिक" और "वैश्विक" में विभाजित किया जा सकता है। "क्रमिक शिक्षार्थी एक रेखीय विचार प्रक्रिया को पसंद करते हैं और चरण दर चरण सीखते हैं, जबकि वैश्विक शिक्षार्थी एक समग्र विचार प्रक्रिया अपनाते हैं और जो कुछ भी सीख रहे होते हैं उसे हमेशा बेहतर ढंग से समझते हैं।"
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]। दिए गए डेटा के आधार पर, पर्यवेक्षित मशीन लर्निंग (एमएल) एल्गोरिदम के निर्माण के आधार पर भविष्य के परिणामों की भविष्यवाणी करने वाले पैटर्न और परिकल्पनाएँ उत्पन्न करने में सक्षम है [17]। सरल शब्दों में, पर्यवेक्षित मशीन लर्निंग तकनीकें इनपुट डेटा में हेरफेर करती हैं और एल्गोरिदम को प्रशिक्षित करती हैं। फिर यह एक ऐसी श्रेणी उत्पन्न करती है जो दिए गए इनपुट डेटा के लिए समान स्थितियों के आधार पर परिणाम को वर्गीकृत या भविष्यवाणी करती है। पर्यवेक्षित मशीन लर्निंग एल्गोरिदम का मुख्य लाभ आदर्श और वांछित परिणाम स्थापित करने की इसकी क्षमता है [17]।
डेटा-संचालित विधियों और निर्णय वृक्ष नियंत्रण मॉडलों के उपयोग से, एलएस का स्वचालित पता लगाना संभव है। निर्णय वृक्षों का उपयोग स्वास्थ्य विज्ञान सहित विभिन्न क्षेत्रों में प्रशिक्षण कार्यक्रमों में व्यापक रूप से किया जाता रहा है [18, 19]। इस अध्ययन में, सिस्टम डेवलपर्स द्वारा मॉडल को विशेष रूप से छात्रों के एलएस की पहचान करने और उनके लिए सर्वोत्तम आईएस की अनुशंसा करने के लिए प्रशिक्षित किया गया था।
इस अध्ययन का उद्देश्य छात्रों के जीवन ज्ञान (LS) पर आधारित सूचना प्रौद्योगिकी वितरण रणनीतियों को विकसित करना और LS से मेल खाने वाले सूचना प्रौद्योगिकी अनुशंसा उपकरण को विकसित करके एससीएल दृष्टिकोण को लागू करना है। एससीएल पद्धति की रणनीति के रूप में सूचना प्रौद्योगिकी अनुशंसा उपकरण का डिज़ाइन प्रवाह चित्र 1 में दर्शाया गया है। सूचना प्रौद्योगिकी अनुशंसा उपकरण को दो भागों में विभाजित किया गया है, जिसमें आईएलएस का उपयोग करके एलएस वर्गीकरण तंत्र और छात्रों के लिए सबसे उपयुक्त सूचना प्रौद्योगिकी प्रदर्शन शामिल है।
विशेष रूप से, सूचना सुरक्षा संबंधी सुझाव उपकरणों की विशेषताओं में वेब तकनीकों का उपयोग और निर्णय वृक्ष मशीन लर्निंग का उपयोग शामिल है। सिस्टम डेवलपर मोबाइल फोन और टैबलेट जैसे मोबाइल उपकरणों के अनुकूल बनाकर उपयोगकर्ता अनुभव और गतिशीलता में सुधार करते हैं।
यह प्रयोग दो चरणों में किया गया और मलाया विश्वविद्यालय के दंत चिकित्सा संकाय के छात्रों ने स्वेच्छा से इसमें भाग लिया। प्रतिभागियों ने एक दंत छात्र द्वारा अंग्रेजी में तैयार किए गए ऑनलाइन एम-आईएलएस का जवाब दिया। पहले चरण में, निर्णय वृक्ष मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने के लिए 50 छात्रों के डेटासेट का उपयोग किया गया। विकास प्रक्रिया के दूसरे चरण में, विकसित उपकरण की सटीकता में सुधार करने के लिए 255 छात्रों के डेटासेट का उपयोग किया गया।
सभी प्रतिभागियों को शैक्षणिक वर्ष के अनुसार, प्रत्येक चरण की शुरुआत में माइक्रोसॉफ्ट टीम्स के माध्यम से ऑनलाइन ब्रीफिंग दी जाती है। अध्ययन का उद्देश्य समझाया गया और सहमति प्राप्त की गई। सभी प्रतिभागियों को एम-आईएलएस तक पहुंचने के लिए एक लिंक प्रदान किया गया। प्रत्येक छात्र को प्रश्नावली के सभी 44 प्रश्नों के उत्तर देने के लिए कहा गया। उन्हें सेमेस्टर शुरू होने से पहले सेमेस्टर ब्रेक के दौरान अपनी सुविधानुसार एक सप्ताह का समय और स्थान दिया गया ताकि वे संशोधित आईएलएस को पूरा कर सकें। एम-आईएलएस मूल आईएलएस उपकरण पर आधारित है और दंत चिकित्सा छात्रों के लिए संशोधित किया गया है। मूल आईएलएस के समान, इसमें 44 समान रूप से वितरित प्रश्न (ए, बी) हैं, जिनमें से प्रत्येक में 11 प्रश्न हैं, जिनका उपयोग प्रत्येक एफएसएलएसएम आयाम के पहलुओं का आकलन करने के लिए किया जाता है।
उपकरण विकास के प्रारंभिक चरणों के दौरान, शोधकर्ताओं ने 50 दंत छात्रों के डेटासेट का उपयोग करके मानचित्रों पर मैन्युअल रूप से टिप्पणियाँ अंकित कीं। FSLM के अनुसार, यह प्रणाली "a" और "b" उत्तरों का योग प्रदान करती है। प्रत्येक आयाम के लिए, यदि छात्र "a" को उत्तर के रूप में चुनता है, तो LS को सक्रिय/संवेदी/दृश्य/अनुक्रमिक के रूप में वर्गीकृत किया जाता है, और यदि छात्र "b" को उत्तर के रूप में चुनता है, तो छात्र को चिंतनशील/सहज/भाषाई/वैश्विक शिक्षार्थी के रूप में वर्गीकृत किया जाता है।
दंत चिकित्सा शिक्षा शोधकर्ताओं और सिस्टम डेवलपर्स के बीच कार्यप्रवाह को कैलिब्रेट करने के बाद, FLSSM डोमेन के आधार पर प्रश्नों का चयन किया गया और प्रत्येक छात्र के LS का अनुमान लगाने के लिए उन्हें ML मॉडल में डाला गया। मशीन लर्निंग के क्षेत्र में "जैसा इनपुट वैसा आउटपुट" एक लोकप्रिय कहावत है, जिसमें डेटा की गुणवत्ता पर विशेष बल दिया जाता है। इनपुट डेटा की गुणवत्ता मशीन लर्निंग मॉडल की परिशुद्धता और सटीकता निर्धारित करती है। फ़ीचर इंजीनियरिंग चरण के दौरान, FLSSM के आधार पर उत्तर "a" और "b" का योग करके एक नया फ़ीचर सेट बनाया जाता है। दवा की स्थिति के पहचान क्रमांक तालिका 1 में दिए गए हैं।
उत्तरों के आधार पर स्कोर की गणना करें और छात्र के सीखने की प्राथमिकता (LS) का निर्धारण करें। प्रत्येक छात्र के लिए, स्कोर सीमा 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 मध्यम प्राथमिकता को दर्शाते हैं, जिसका अर्थ है कि छात्र एक वातावरण को दूसरों की तुलना में अधिक पसंद करते हैं। एक ही आयाम पर एक अन्य भिन्नता यह है कि 9 से 11 तक के स्कोर एक छोर या दूसरे छोर के लिए प्रबल प्राथमिकता को दर्शाते हैं [8]।
प्रत्येक आयाम के लिए, दवाओं को “सक्रिय”, “चिंतनशील” और “संतुलित” समूहों में बाँटा गया। उदाहरण के लिए, जब कोई छात्र किसी निर्धारित प्रश्न में “b” की तुलना में “a” का उत्तर अधिक बार देता है और प्रोसेसिंग LS आयाम का प्रतिनिधित्व करने वाले किसी विशेष प्रश्न के लिए उसका स्कोर 5 की सीमा से अधिक हो जाता है, तो वह “सक्रिय” LS श्रेणी में आता है। हालाँकि, छात्रों को “चिंतनशील” LS श्रेणी में तब रखा गया जब उन्होंने 11 विशिष्ट प्रश्नों (तालिका 1) में “a” की तुलना में “b” का उत्तर अधिक बार दिया और 5 से अधिक अंक प्राप्त किए। अंततः, छात्र “संतुलन” की स्थिति में होता है। यदि स्कोर 5 से अधिक नहीं होता है, तो यह एक “प्रक्रियाशील” LS श्रेणी है। वर्गीकरण प्रक्रिया को अन्य LS आयामों, अर्थात् बोध (सक्रिय/चिंतनशील), इनपुट (दृश्य/मौखिक) और बोध (अनुक्रमिक/वैश्विक) के लिए दोहराया गया।
निर्णय वृक्ष मॉडल वर्गीकरण प्रक्रिया के विभिन्न चरणों में विशेषताओं और निर्णय नियमों के विभिन्न उपसमूहों का उपयोग कर सकते हैं। इसे एक लोकप्रिय वर्गीकरण और भविष्यवाणी उपकरण माना जाता है। इसे एक वृक्ष संरचना जैसे कि फ़्लोचार्ट [20] का उपयोग करके दर्शाया जा सकता है, जिसमें आंतरिक नोड विशेषता द्वारा परीक्षणों का प्रतिनिधित्व करते हैं, प्रत्येक शाखा परीक्षण परिणामों का प्रतिनिधित्व करती है, और प्रत्येक लीफ़ नोड (पत्ती नोड) में एक वर्ग लेबल होता है।
छात्रों की प्रतिक्रियाओं के आधार पर उनके लर्निंग स्केल (LS) को स्वचालित रूप से स्कोर करने और उस पर टिप्पणी करने के लिए एक सरल नियम-आधारित प्रोग्राम बनाया गया था। नियम-आधारित प्रोग्राम में "IF" स्टेटमेंट का उपयोग किया जाता है, जहाँ "IF" ट्रिगर को दर्शाता है और "THEN" किए जाने वाले कार्य को निर्दिष्ट करता है, उदाहरण के लिए: "यदि X घटित होता है, तो Y करें" (लियू एट अल., 2014)। यदि डेटा सेट में सहसंबंध पाया जाता है और निर्णय ट्री मॉडल को ठीक से प्रशिक्षित और मूल्यांकित किया जाता है, तो यह दृष्टिकोण LS और IS 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 करने के लिए डेटासेट को बढ़ाकर 255 कर दिया गया। डेटासेट को 1:4 के अनुपात में विभाजित किया गया। डेटासेट का 25% (64) भाग परीक्षण सेट के लिए और शेष 75% (191) भाग प्रशिक्षण सेट के लिए उपयोग किया गया (चित्र 2)। डेटासेट को विभाजित करना इसलिए आवश्यक है ताकि मॉडल को एक ही डेटासेट पर प्रशिक्षित और परीक्षण करने से रोका जा सके, जिससे मॉडल सीखने के बजाय याद रखने लगे। मॉडल को प्रशिक्षण सेट पर प्रशिक्षित किया जाता है और परीक्षण सेट पर इसके प्रदर्शन का मूल्यांकन किया जाता है—वह डेटा जिसे मॉडल ने पहले कभी नहीं देखा है।
एक बार सूचना सुरक्षा उपकरण विकसित हो जाने के बाद, यह एप्लिकेशन वेब इंटरफ़ेस के माध्यम से दंत चिकित्सा छात्रों की प्रतिक्रियाओं के आधार पर सूचना सुरक्षा अनुशंसा प्रणाली (एलएस) का वर्गीकरण करने में सक्षम होगा। वेब-आधारित सूचना सुरक्षा अनुशंसा उपकरण प्रणाली को पायथन प्रोग्रामिंग भाषा का उपयोग करके और बैकएंड के रूप में जैंगो फ्रेमवर्क का उपयोग करके बनाया गया है। तालिका 2 में इस प्रणाली के विकास में उपयोग की गई लाइब्रेरीज़ की सूची दी गई है।
छात्रों के एलएस मापों को स्वचालित रूप से वर्गीकृत करने के लिए छात्रों की प्रतिक्रियाओं की गणना और निष्कर्षण हेतु डेटासेट को एक निर्णय वृक्ष मॉडल में डाला जाता है।
किसी दिए गए डेटा सेट पर डिसीजन ट्री मशीन लर्निंग एल्गोरिदम की सटीकता का मूल्यांकन करने के लिए कन्फ्यूजन मैट्रिक्स का उपयोग किया जाता है। साथ ही, यह क्लासिफिकेशन मॉडल के प्रदर्शन का भी मूल्यांकन करता है। यह मॉडल की भविष्यवाणियों का सारांश प्रस्तुत करता है और उनकी तुलना वास्तविक डेटा लेबल से करता है। मूल्यांकन परिणाम चार अलग-अलग मानों पर आधारित होते हैं: ट्रू पॉजिटिव (टीपी) - मॉडल ने सकारात्मक श्रेणी की सही भविष्यवाणी की, फॉल्स पॉजिटिव (एफपी) - मॉडल ने सकारात्मक श्रेणी की भविष्यवाणी की, लेकिन सही लेबल नकारात्मक था, ट्रू नेगेटिव (टीएन) - मॉडल ने नकारात्मक श्रेणी की सही भविष्यवाणी की, और फॉल्स नेगेटिव (एफएन) - मॉडल ने नकारात्मक श्रेणी की भविष्यवाणी की, लेकिन सही लेबल सकारात्मक था।
फिर इन मानों का उपयोग पायथन में scikit-learn वर्गीकरण मॉडल के विभिन्न प्रदर्शन मापदंडों, जैसे कि परिशुद्धता, रिकॉल और F1 स्कोर की गणना करने के लिए किया जाता है। उदाहरण इस प्रकार हैं:
रिकॉल (या संवेदनशीलता) मॉडल की उस क्षमता को मापता है जिससे वह एम-आईएलएस प्रश्नावली का उत्तर देने के बाद छात्र के एलएस को सटीक रूप से वर्गीकृत कर सके।
विशिष्टता को ट्रू नेगेटिव रेट कहा जाता है। जैसा कि आप ऊपर दिए गए सूत्र से देख सकते हैं, यह ट्रू नेगेटिव (TN) और ट्रू नेगेटिव एवं फॉल्स पॉजिटिव (FP) का अनुपात होना चाहिए। छात्रों द्वारा इस्तेमाल की जाने वाली दवाओं के वर्गीकरण के लिए अनुशंसित उपकरण के रूप में, यह सटीक पहचान करने में सक्षम होना चाहिए।
निर्णय ट्री एमएल मॉडल को प्रशिक्षित करने के लिए उपयोग किए गए 50 छात्रों के मूल डेटासेट में एनोटेशन में मानवीय त्रुटि के कारण अपेक्षाकृत कम सटीकता पाई गई (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 की बढ़ती संख्या (255) का उपयोग किया गया।
मल्टीक्लास कन्फ्यूजन मैट्रिक्स में, विकर्ण तत्व प्रत्येक LS प्रकार के लिए सही भविष्यवाणियों की संख्या दर्शाते हैं (चित्र 4)। डिसीजन ट्री मॉडल का उपयोग करके, कुल 64 नमूनों की सही भविष्यवाणी की गई। इस प्रकार, इस अध्ययन में, विकर्ण तत्व अपेक्षित परिणाम दर्शाते हैं, जो इंगित करता है कि मॉडल अच्छा प्रदर्शन करता है और प्रत्येक LS वर्गीकरण के लिए क्लास लेबल की सटीक भविष्यवाणी करता है। अतः, अनुशंसा उपकरण की समग्र सटीकता 100% है।
चित्र 5 में सटीकता, परिशुद्धता, रिकॉल और F1 स्कोर के मान दर्शाए गए हैं। निर्णय वृक्ष मॉडल का उपयोग करने वाली अनुशंसा प्रणाली के लिए, इसका F1 स्कोर 1.0 "उत्तम" है, जो उत्तम परिशुद्धता और रिकॉल को दर्शाता है, और महत्वपूर्ण संवेदनशीलता और विशिष्टता मूल्यों को प्रतिबिंबित करता है।
चित्र 6 प्रशिक्षण और परीक्षण पूर्ण होने के बाद निर्णय वृक्ष मॉडल का दृश्य निरूपण दर्शाता है। तुलनात्मक अध्ययन में, कम विशेषताओं के साथ प्रशिक्षित निर्णय वृक्ष मॉडल ने उच्च सटीकता और आसान मॉडल दृश्यण दिखाया। इससे पता चलता है कि विशेषता इंजीनियरिंग के माध्यम से विशेषताओं को कम करना मॉडल के प्रदर्शन में सुधार का एक महत्वपूर्ण कदम है।
डिसीजन ट्री सुपरवाइज्ड लर्निंग को लागू करके, एलएस (इनपुट) और आईएस (टारगेट 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। अधिकांश (54.3%) छात्रों ने दो या अधिक एलएस विकल्पों को प्राथमिकता दी। 12.2% छात्रों ने बताया कि एलएस काफी संतुलित है (तालिका 4)। आठ मुख्य एलएस के अतिरिक्त, मलाया विश्वविद्यालय के दंत चिकित्सा छात्रों के लिए एलएस वर्गीकरण के 34 संयोजन हैं। इनमें से, धारणा, दृष्टि और धारणा एवं दृष्टि का संयोजन छात्रों द्वारा बताए गए मुख्य एलएस हैं (चित्र 7)।
तालिका 4 से देखा जा सकता है कि अधिकांश छात्रों में संवेदी (13.7%) या दृश्य (8.6%) सीखने की क्षमता प्रमुख थी। यह बताया गया कि 12.2% छात्रों ने दृष्टि के साथ-साथ बोध (बोधात्मक-दृश्य सीखने की क्षमता) का उपयोग किया। इन निष्कर्षों से पता चलता है कि छात्र स्थापित विधियों के माध्यम से सीखना और याद रखना पसंद करते हैं, विशिष्ट और विस्तृत प्रक्रियाओं का पालन करते हैं, और ध्यानपूर्वक सीखते हैं। साथ ही, वे देखकर (आरेखों आदि का उपयोग करके) सीखना पसंद करते हैं और समूहों में या अकेले जानकारी पर चर्चा करने और उसे लागू करने की प्रवृत्ति रखते हैं।
यह अध्ययन डेटा माइनिंग में प्रयुक्त मशीन लर्निंग तकनीकों का एक संक्षिप्त विवरण प्रस्तुत करता है, जिसमें छात्रों के जीवन और शैक्षिक अनुभवों का त्वरित और सटीक पूर्वानुमान लगाने तथा उपयुक्त शैक्षिक उद्देश्यों की अनुशंसा करने पर विशेष ध्यान दिया गया है। निर्णय वृक्ष मॉडल के अनुप्रयोग से उनके जीवन और शैक्षिक अनुभवों से सबसे निकट से संबंधित कारकों की पहचान की गई। यह एक पर्यवेक्षित मशीन लर्निंग एल्गोरिदम है जो डेटा को वर्गीकृत करने के लिए वृक्ष संरचना का उपयोग करता है, जिसमें डेटा के एक समूह को कुछ मानदंडों के आधार पर उपश्रेणियों में विभाजित किया जाता है। यह आंतरिक नोड की इनपुट विशेषताओं में से किसी एक के मान के आधार पर इनपुट डेटा को पुनरावर्ती रूप से उपसमूहों में विभाजित करके कार्य करता है, जब तक कि लीफ नोड पर कोई निर्णय नहीं लिया जाता।
निर्णय वृक्ष के आंतरिक नोड्स एम-आईएलएस समस्या की इनपुट विशेषताओं के आधार पर समाधान को दर्शाते हैं, और लीफ नोड्स अंतिम एलएस वर्गीकरण पूर्वानुमान को दर्शाते हैं। इस अध्ययन के दौरान, इनपुट विशेषताओं और आउटपुट पूर्वानुमानों के बीच संबंध को देखकर निर्णय वृक्षों के पदानुक्रम को आसानी से समझा जा सकता है, जो निर्णय प्रक्रिया को स्पष्ट और दृश्यमान बनाते हैं।
कंप्यूटर विज्ञान और इंजीनियरिंग के क्षेत्र में, मशीन लर्निंग एल्गोरिदम का व्यापक रूप से प्रवेश परीक्षा के अंकों [21], जनसांख्यिकीय जानकारी और सीखने के व्यवहार [22] के आधार पर छात्रों के प्रदर्शन की भविष्यवाणी करने के लिए उपयोग किया जाता है। शोध से पता चला है 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 मशीन लर्निंग एल्गोरिदम के अनुप्रयोग की जानकारी दी गई है। यह सिमुलेटर वास्तविक रोगियों की शारीरिक प्रतिक्रियाओं को सटीक रूप से पुन: उत्पन्न 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 दंत 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 योजना विकसित करने [26], पेरियोडोंटल उपचार [27] और कैरीज उपचार [25] जैसे कार्यों को करने के लिए मशीन लर्निंग एल्गोरिदम के उपयोग का पता लगाया है।
हालांकि दंत चिकित्सा में मशीन लर्निंग के अनुप्रयोग पर रिपोर्ट प्रकाशित हो चुकी हैं, लेकिन दंत शिक्षा में इसका अनुप्रयोग सीमित ही है। इसलिए, इस अध्ययन का उद्देश्य निर्णय वृक्ष मॉडल का उपयोग करके दंत छात्रों में LS और IS से सबसे निकट से जुड़े कारकों की पहचान करना था।
इस अध्ययन के परिणाम दर्शाते हैं कि विकसित अनुशंसा उपकरण में उच्च सटीकता और पूर्ण परिशुद्धता है, जो इंगित करता है कि शिक्षक इस उपकरण से लाभान्वित हो सकते हैं। डेटा-संचालित वर्गीकरण प्रक्रिया का उपयोग करके, यह व्यक्तिगत अनुशंसाएँ प्रदान कर सकता है और शिक्षकों और छात्रों के लिए शैक्षिक अनुभवों और परिणामों में सुधार कर सकता है। इनमें से, अनुशंसा उपकरणों के माध्यम से प्राप्त जानकारी शिक्षकों की पसंदीदा शिक्षण विधियों और छात्रों की सीखने की आवश्यकताओं के बीच के विरोधाभासों को हल कर सकती है। उदाहरण के लिए, अनुशंसा उपकरणों 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 तरह, उपयुक्त प्रशिक्षण गतिविधियाँ और प्रशिक्षण सामग्री आयोजित की जा सकती हैं। यह छात्रों के सकारात्मक सीखने के व्यवहार और एकाग्रता की क्षमता को विकसित करने में मदद करता है। एक अध्ययन में बताया गया है कि छात्रों को उनकी पसंदीदा सीखने की विधि (एलएस) से मेल खाने वाली शिक्षण सामग्री और सीखने की गतिविधियाँ प्रदान करने से छात्रों को सीखने को एकीकृत करने, संसाधित करने और कई तरीकों से इसका आनंद लेने में मदद मिल सकती है, जिससे वे अपनी अधिक क्षमता प्राप्त कर सकें [12]। शोध यह भी दर्शाता है कि कक्षा में छात्रों की भागीदारी में सुधार के अलावा, छात्रों की सीखने की प्रक्रिया को समझना भी शिक्षण पद्धतियों और छात्रों के साथ संचार में सुधार करने में महत्वपूर्ण भूमिका निभाता है [28, 29]।
हालांकि, किसी भी आधुनिक तकनीक की तरह, इसमें भी समस्याएं और सीमाएं हैं। इनमें डेटा गोपनीयता, पूर्वाग्रह और निष्पक्षता से संबंधित मुद्दे, और दंत चिकित्सा शिक्षा में मशीन लर्निंग एल्गोरिदम को विकसित और लागू करने के लिए आवश्यक पेशेवर कौशल और संसाधन शामिल हैं; हालांकि, इस क्षेत्र में बढ़ती रुचि और शोध से पता चलता है कि मशीन लर्निंग प्रौद्योगिकियां दंत चिकित्सा शिक्षा और दंत सेवाओं पर सकारात्मक प्रभाव डाल सकती हैं।
इस अध्ययन के परिणाम बताते हैं कि आधे दंत छात्रों में दवाओं को "समझने" की प्रवृत्ति होती है। इस प्रकार के शिक्षार्थी तथ्यों और ठोस उदाहरणों को प्राथमिकता देते हैं, व्यावहारिक दृष्टिकोण रखते हैं, बारीकियों पर ध्यान देते हैं और "दृश्य" अधिगम कौशल (एलएस) को प्राथमिकता देते हैं, जहाँ शिक्षार्थी विचारों और भावनाओं को व्यक्त करने के लिए चित्रों, ग्राफिक्स, रंगों और मानचित्रों का उपयोग करना पसंद करते हैं। वर्तमान परिणाम दंत और चिकित्सा छात्रों में अधिगम कौशल (एलएस) का आकलन करने के लिए आईएलएस का उपयोग करने वाले अन्य अध्ययनों के अनुरूप हैं, जिनमें से अधिकांश में अवधारणात्मक और दृश्य अधिगम कौशल (एलएस) की विशेषताएं हैं [12, 30]। डलमोलिन एट अल का सुझाव है कि छात्रों को उनके अधिगम कौशल (एलएस) के बारे में सूचित करने से उन्हें अपनी अधिगम क्षमता तक पहुँचने 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 अधिगम अनुभव को बेहतर बनाएंगी [12, 31, 32]। अन्य अध्ययनों से पता चला है कि छात्रों के अधिगम कौशल (एलएस) को समायोजित करने से भी छात्रों के अधिगम अनुभव और प्रदर्शन में सुधार होता है, जब उनकी अधिगम शैली को उनके अपने अधिगम कौशल (एलएस) के अनुरूप बदला जाता है [13, 33]।
विद्यार्थियों की अधिगम क्षमताओं पर आधारित शिक्षण रणनीतियों के कार्यान्वयन के संबंध में शिक्षकों की राय भिन्न-भिन्न हो सकती है। कुछ शिक्षक इस दृष्टिकोण के लाभों को देखते हैं, जिनमें व्यावसायिक विकास के अवसर, मार्गदर्शन और सामुदायिक सहयोग शामिल हैं, जबकि अन्य समय और संस्थागत सहयोग को लेकर चिंतित हो सकते हैं। विद्यार्थी-केंद्रित दृष्टिकोण विकसित करने के लिए संतुलन बनाए रखना महत्वपूर्ण है। विश्वविद्यालय प्रशासकों जैसे उच्च शिक्षा अधिकारी, नवीन पद्धतियों को अपनाकर और संकाय विकास का समर्थन करके सकारात्मक परिवर्तन लाने में महत्वपूर्ण भूमिका निभा सकते हैं [34]। एक वास्तव में गतिशील और उत्तरदायी उच्च शिक्षा प्रणाली बनाने के लिए, नीति निर्माताओं को नीतिगत परिवर्तन करना, प्रौद्योगिकी एकीकरण के लिए संसाधन समर्पित करना और विद्यार्थी-केंद्रित दृष्टिकोण को बढ़ावा देने वाले ढांचे तैयार करना जैसे साहसिक कदम उठाने होंगे। वांछित परिणाम प्राप्त करने के लिए ये उपाय अत्यंत महत्वपूर्ण हैं। विभेदित शिक्षण पर हाल के शोध से स्पष्ट रूप से पता चला है कि विभेदित शिक्षण के सफल कार्यान्वयन के लिए शिक्षकों के लिए निरंतर प्रशिक्षण और विकास के अवसरों की आवश्यकता होती है [35]।
यह टूल दंत चिकित्सकों को छात्र-केंद्रित दृष्टिकोण अपनाकर छात्र-अनुकूल शिक्षण गतिविधियों की योजना बनाने में बहुमूल्य सहायता प्रदान करता है। हालांकि, यह अध्ययन केवल निर्णय वृक्ष मशीन लर्निंग मॉडल के उपयोग तक सीमित है। भविष्य में, विभिन्न मशीन लर्निंग मॉडलों के प्रदर्शन की तुलना करने और अनुशंसा उपकरणों की सटीकता, विश्वसनीयता और परिशुद्धता 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 की जटिलता और व्याख्या जैसे अन्य कारकों पर भी विचार करना महत्वपूर्ण है।
इस अध्ययन की एक सीमा यह है कि इसमें केवल दंत चिकित्सा छात्रों के बीच LS और IS के मानचित्रण पर ध्यान केंद्रित किया गया है। इसलिए, विकसित अनुशंसा प्रणाली केवल उन्हीं अनुशंसाओं को प्रस्तुत करेगी जो दंत चिकित्सा छात्रों के लिए उपयुक्त हैं। उच्च शिक्षा के सामान्य छात्रों के उपयोग के लिए इसमें बदलाव आवश्यक हैं।
मशीन लर्निंग पर आधारित यह नया विकसित अनुशंसा उपकरण छात्रों के लर्निंग लेवल (LS) को संबंधित आईएस से तुरंत वर्गीकृत और मिलान करने में सक्षम है, जिससे यह दंत चिकित्सा शिक्षकों को प्रासंगिक शिक्षण और अधिगम 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 अनुशंसाएँ प्रदान कर सकता है, समय बचा सकता है, शिक्षण रणनीतियों में सुधार कर सकता है, लक्षित हस्तक्षेपों का समर्थन कर सकता है और निरंतर व्यावसायिक विकास को बढ़ावा दे सकता है। इसका अनुप्रयोग दंत चिकित्सा शिक्षा में छात्र-केंद्रित दृष्टिकोण को बढ़ावा देगा।
गिलक जानी, एसोसिएटेड प्रेस। छात्र की अधिगम शैली और शिक्षक की शिक्षण शैली के बीच मेल या बेमेल। इंटरनेशनल जर्नल ऑफ मॉडर्न एजुकेशनल कंप्यूटर साइंस। 2012;4(11):51–60। https://doi.org/10.5815/ijmecs.2012.11.05
पोस्ट करने का समय: 29 अप्रैल 2024