दंत विद्यार्थ्यांच्या पसंतीच्या शिकण्याच्या शैलीचे मॅपिंग ट्री मशीन लर्निंग मॉडेल्स बीएमसी वैद्यकीय शिक्षण वापरून संबंधित शिक्षण धोरणांना |

दंतचिकित्सासह उच्च शिक्षण संस्थांमध्ये विद्यार्थी-केंद्रित शिक्षण (एससीएल) ची वाढती गरज आहे. तथापि, एससीएलकडे दंत शिक्षणात मर्यादित अनुप्रयोग आहे. म्हणूनच, या अभ्यासाचे उद्दीष्ट आहे की पसंतीच्या शिक्षण शैली (एलएस) नकाशे आणि दंत विद्यार्थ्यांची संबंधित शिक्षण रणनीती (आयएस) चा वापर करून दंतचिकित्सा मध्ये एससीएलच्या अनुप्रयोगास प्रोत्साहन देणे आणि दंत विद्यार्थ्यांची संबंधित शिक्षण रणनीती (आयएस) विकसित करणे हे मार्गदर्शक तत्त्वे आहे. ? दंत विद्यार्थ्यांसाठी आशादायक पद्धती.
मलाया विद्यापीठाच्या एकूण 255 दंत विद्यार्थ्यांनी सुधारित निर्देशांक लर्निंग स्टाईल (एम-आयएलएस) प्रश्नावली पूर्ण केली, ज्यात त्यांचे संबंधित एलएसएसमध्ये वर्गीकृत करण्यासाठी 44 वस्तू आहेत. एकत्रित डेटा (ज्याला डेटासेट म्हटले जाते) पर्यवेक्षी निर्णय वृक्ष शिक्षणात विद्यार्थ्यांच्या शिकण्याच्या शैली सर्वात योग्य आयएसशी स्वयंचलितपणे जुळण्यासाठी वापरली जाते. मशीन लर्निंग-बेस्ड आयएस शिफारस साधनाची अचूकता नंतर मूल्यांकन केली जाते.
एलएस (इनपुट) आणि आयएस (लक्ष्य आउटपुट) दरम्यान स्वयंचलित मॅपिंग प्रक्रियेमध्ये निर्णय वृक्ष मॉडेलचा अनुप्रयोग प्रत्येक दंत विद्यार्थ्यांसाठी योग्य शिक्षण धोरणांची त्वरित यादी करण्यास अनुमती देते. आयएस शिफारस साधन परिपूर्ण अचूकता आणि एकूणच मॉडेल अचूकतेची आठवण दर्शविते, हे दर्शविते की एलएसशी जुळणारे आयएस आयएसमध्ये चांगली संवेदनशीलता आणि विशिष्टता आहे.
एमएल निर्णयाच्या आधारावर एक आयएस शिफारस साधन ट्रीने दंत विद्यार्थ्यांच्या योग्य शिक्षणाच्या धोरणासह अचूकपणे जुळण्याची क्षमता सिद्ध केली आहे. हे साधन शिकणार्‍या-केंद्रित अभ्यासक्रम किंवा मॉड्यूल्सचे नियोजन करण्यासाठी शक्तिशाली पर्याय प्रदान करते जे विद्यार्थ्यांचा शिकण्याचा अनुभव वाढवू शकतात.
शिक्षण आणि शिक्षण हे शैक्षणिक संस्थांमध्ये मूलभूत क्रियाकलाप आहेत. उच्च-गुणवत्तेची व्यावसायिक शिक्षण प्रणाली विकसित करताना, विद्यार्थ्यांच्या शिक्षणाच्या गरजेवर लक्ष केंद्रित करणे महत्वाचे आहे. विद्यार्थी आणि त्यांचे शिक्षण वातावरण यांच्यातील संवाद त्यांच्या एलएसद्वारे निश्चित केले जाऊ शकते. संशोधनात असे सूचित केले गेले आहे की विद्यार्थ्यांच्या एलएस आणि आयएस यांच्यात शिक्षक-हेतू नसलेली जुळणी विद्यार्थ्यांच्या शिक्षणावर नकारात्मक परिणाम होऊ शकते, जसे की लक्ष कमी होणे आणि प्रेरणा. हे अप्रत्यक्षपणे विद्यार्थ्यांच्या कामगिरीवर [1,2] वर परिणाम करेल.
विद्यार्थ्यांना विद्यार्थ्यांना शिकण्यास मदत करणे यासह विद्यार्थ्यांना ज्ञान आणि कौशल्ये देण्यासाठी शिक्षकांकडून वापरली जाणारी एक पद्धत आहे []]. सर्वसाधारणपणे सांगायचे तर, चांगले शिक्षक अध्यापन धोरणांची योजना आखतात किंवा ते त्यांच्या विद्यार्थ्यांच्या ज्ञानाच्या पातळीशी, ते शिकत असलेल्या संकल्पना आणि त्यांच्या शिकण्याच्या टप्प्यात सर्वोत्तम जुळतात. सैद्धांतिकदृष्ट्या, जेव्हा एलएस आणि जुळतात तेव्हा विद्यार्थी प्रभावीपणे शिकण्यासाठी विशिष्ट कौशल्यांचा संच आयोजित करण्यास आणि वापरण्यास सक्षम असतील. थोडक्यात, धडा योजनेत शिकवण्यापासून मार्गदर्शित सराव पर्यंत किंवा मार्गदर्शित सराव पासून स्वतंत्र सराव पर्यंतच्या टप्प्यांमधील अनेक संक्रमण समाविष्ट असतात. हे लक्षात घेऊन, प्रभावी शिक्षक विद्यार्थ्यांचे ज्ञान आणि कौशल्ये वाढवण्याच्या उद्दीष्टाने अनेकदा सूचनांची योजना आखतात []].
दंतचिकित्सासह उच्च शिक्षण संस्थांमध्ये एससीएलची मागणी वाढत आहे. एससीएलची रणनीती विद्यार्थ्यांच्या शिक्षणाच्या गरजा भागविण्यासाठी डिझाइन केली गेली आहे. हे साध्य केले जाऊ शकते, उदाहरणार्थ, जर विद्यार्थी शिकण्याच्या क्रियाकलापांमध्ये सक्रियपणे सहभागी झाले आणि शिक्षक सुविधा देणारे म्हणून काम करतात आणि मौल्यवान अभिप्राय प्रदान करण्यासाठी जबाबदार असतील तर. असे म्हटले जाते की विद्यार्थ्यांच्या शैक्षणिक पातळी किंवा प्राधान्यांसाठी योग्य असलेल्या शिक्षण सामग्री आणि क्रियाकलाप प्रदान करणे विद्यार्थ्यांचे शिक्षण वातावरण सुधारू शकते आणि सकारात्मक शिक्षणाच्या अनुभवांना प्रोत्साहन देऊ शकते []].
सर्वसाधारणपणे सांगायचे तर, दंत विद्यार्थ्यांच्या शिक्षण प्रक्रियेवर त्यांना आवश्यक असलेल्या विविध क्लिनिकल प्रक्रियेचा आणि क्लिनिकल वातावरणाचा प्रभाव आहे ज्यामध्ये ते प्रभावी परस्पर कौशल्ये विकसित करतात. प्रशिक्षणाचा उद्देश विद्यार्थ्यांना दंत क्लिनिकल कौशल्यांसह दंतचिकित्साचे मूलभूत ज्ञान एकत्रित करणे आणि अधिग्रहित ज्ञान नवीन क्लिनिकल परिस्थितीत [6, 7] लागू करणे आहे. एलएस यांच्यातील संबंधांबद्दलचे प्रारंभिक संशोधन आणि असे आढळले आहे की पसंतीच्या एलएसमध्ये मॅप केलेल्या शिक्षणाची रणनीती समायोजित केल्याने शैक्षणिक प्रक्रिया सुधारण्यास मदत होईल []]. विद्यार्थ्यांच्या शिक्षण आणि गरजा भागविण्यासाठी लेखक विविध प्रकारच्या अध्यापन आणि मूल्यांकन पद्धती वापरण्याची शिफारस करतात.
शिक्षकांना एल.एस. ज्ञान लागू केल्याचा फायदा त्यांना डिझाइन करणे, विकसित करण्यात आणि अशा सूचना लागू करण्यात मदत करण्यासाठी ज्यामुळे विद्यार्थ्यांचे सखोल ज्ञान आणि विषयाचे सखोल ज्ञान आणि समजूतदारपणाचे अधिग्रहण वाढेल. संशोधकांनी अनेक एलएस मूल्यांकन साधने विकसित केली आहेत, जसे की केओएलबी अनुभवात्मक शिक्षण मॉडेल, फेल्डर-सिल्व्हरमन लर्निंग स्टाईल मॉडेल (एफएसएलएसएम) आणि फ्लेमिंग व्हीएके/वर्क मॉडेल [5, 9, 10]. साहित्यानुसार, ही शिकण्याची मॉडेल्स सर्वात सामान्यपणे वापरली जाणारी आणि सर्वाधिक अभ्यासलेली शिकणारी मॉडेल्स आहेत. सध्याच्या संशोधन कार्यात, एफएसएलएसएमचा उपयोग दंत विद्यार्थ्यांमध्ये एलएसचे मूल्यांकन करण्यासाठी केला जातो.
अभियांत्रिकीमधील अनुकूलक शिक्षणाचे मूल्यांकन करण्यासाठी एफएसएलएसएम एक व्यापकपणे वापरलेले मॉडेल आहे. आरोग्य विज्ञानात (औषध, नर्सिंग, फार्मसी आणि दंतचिकित्सा यासह) अनेक प्रकाशित कामे आहेत जी एफएसएलएसएम मॉडेल [5, 11, 12, 13] वापरून आढळू शकतात. एफएलएसएममधील एलएसच्या परिमाणांचे मोजमाप करण्यासाठी वापरल्या जाणार्‍या इन्स्ट्रुमेंटला इंडेक्स ऑफ लर्निंग स्टाईल (आयएलएस) []] म्हणतात, ज्यात एलएसच्या चार परिमाणांचे मूल्यांकन करणारे 44 आयटम आहेत: प्रक्रिया (सक्रिय/प्रतिबिंबित), समज (समजूतदार/अंतर्ज्ञानी), इनपुट (व्हिज्युअल). /तोंडी) आणि समजून घेणे (अनुक्रमिक/ग्लोबल) [१]].
आकृती 1 मध्ये दर्शविल्याप्रमाणे, प्रत्येक एफएसएलएसएम परिमाणांना प्रबळ प्राधान्य आहे. उदाहरणार्थ, प्रक्रियेच्या परिमाणात, “सक्रिय” एलएस असलेले विद्यार्थी थेट शिक्षण सामग्रीशी थेट संवाद साधून माहितीवर प्रक्रिया करण्यास प्राधान्य देतात, करून शिकतात आणि गटांमध्ये शिकण्याचा कल करतात. “प्रतिबिंबित” एलएस विचारातून शिकण्याचा संदर्भ देते आणि एकटे काम करण्यास प्राधान्य देते. एलएसचे “समजणारे” परिमाण “भावना” आणि/किंवा “अंतर्ज्ञान” मध्ये विभागले जाऊ शकते. "भावना" विद्यार्थी अधिक ठोस माहिती आणि व्यावहारिक प्रक्रियेस प्राधान्य देतात, "अंतर्ज्ञानी" विद्यार्थ्यांच्या तुलनेत वास्तविक आहेत जे अमूर्त सामग्रीला प्राधान्य देतात आणि अधिक नाविन्यपूर्ण आणि सर्जनशील आहेत. एलएसच्या “इनपुट” परिमाणात “व्हिज्युअल” आणि “तोंडी” शिकणारे असतात. “व्हिज्युअल” असलेले लोक व्हिज्युअल प्रात्यक्षिकेद्वारे (जसे की आकृत्या, व्हिडिओ किंवा थेट प्रात्यक्षिके) शिकण्यास प्राधान्य देतात, तर “शाब्दिक” एलएस असलेले लोक लेखी किंवा तोंडी स्पष्टीकरणात शब्दांद्वारे शिकण्यास प्राधान्य देतात. एलएस परिमाणांना “समजून घेण्यासाठी”, अशा विद्यार्थ्यांना “अनुक्रमिक” आणि “ग्लोबल” मध्ये विभागले जाऊ शकते. “अनुक्रमिक शिकणारे एक रेखीय विचार प्रक्रिया पसंत करतात आणि चरण -दर -चरण शिकतात, तर जागतिक विद्यार्थ्यांकडे एक समग्र विचार प्रक्रिया असते आणि ते काय शिकत आहेत याची नेहमीच चांगली माहिती असते.
अलीकडे, बर्‍याच संशोधकांनी स्वयंचलित डेटा-चालित शोधासाठी पद्धती शोधण्यास सुरवात केली आहे, ज्यात नवीन अल्गोरिदम आणि मोठ्या प्रमाणात डेटाचे स्पष्टीकरण करण्यास सक्षम असलेल्या मॉडेल्सच्या विकासासह [15, 16]. प्रदान केलेल्या डेटाच्या आधारे, पर्यवेक्षी एमएल (मशीन लर्निंग) अल्गोरिदमच्या बांधकामावर आधारित भविष्यातील निकालांचा अंदाज लावणारे नमुने आणि गृहीतक तयार करण्यास सक्षम आहे [१]]. सोप्या भाषेत सांगायचे तर, पर्यवेक्षी मशीन लर्निंग तंत्र इनपुट डेटा आणि ट्रेन अल्गोरिदम हाताळतात. त्यानंतर प्रदान केलेल्या इनपुट डेटासाठी समान परिस्थितीच्या आधारे निकालाचे वर्गीकरण किंवा अंदाज लावणारी एक श्रेणी तयार करते. पर्यवेक्षी मशीन लर्निंग अल्गोरिदमचा मुख्य फायदा म्हणजे आदर्श आणि इच्छित परिणाम स्थापित करण्याची क्षमता [17].
डेटा-चालित पद्धती आणि निर्णय वृक्ष नियंत्रण मॉडेल्सच्या वापराद्वारे, एलएस स्वयंचलित शोधणे शक्य आहे. आरोग्य विज्ञान [१ 18, १]] यासह विविध क्षेत्रात प्रशिक्षण कार्यक्रमांमध्ये निर्णय वृक्षांचा मोठ्या प्रमाणात वापर केला जात आहे. या अभ्यासामध्ये, मॉडेलला विशेषत: सिस्टम विकसकांनी विद्यार्थ्यांची एलएस ओळखण्यासाठी आणि त्यांच्यासाठी सर्वोत्कृष्ट असल्याची शिफारस करण्यासाठी प्रशिक्षण दिले होते.
या अभ्यासाचा उद्देश विद्यार्थ्यांच्या एलएसवर आधारित वितरण रणनीती विकसित करणे आणि एलएसमध्ये मॅप केलेले आयएस शिफारस साधन विकसित करून एससीएल दृष्टिकोन लागू करणे हा आहे. एससीएल पद्धतीची रणनीती म्हणून आयएस शिफारस साधनाचा डिझाइन प्रवाह आकृती 1 मध्ये दर्शविला गेला आहे. आयएस शिफारस साधन दोन भागांमध्ये विभागले गेले आहे, आयएलएस वापरुन एलएस वर्गीकरण यंत्रणा आणि सर्वात योग्य म्हणजे विद्यार्थ्यांसाठी प्रदर्शन.
विशेषतः, माहिती सुरक्षा शिफारसी साधनांच्या वैशिष्ट्यांमध्ये वेब तंत्रज्ञानाचा वापर आणि निर्णय वृक्ष मशीन लर्निंगचा वापर समाविष्ट आहे. सिस्टम विकसक मोबाइल फोन आणि टॅब्लेटसारख्या मोबाइल डिव्हाइसवर रुपांतर करून वापरकर्त्याचा अनुभव आणि गतिशीलता सुधारित करतात.
हा प्रयोग दोन टप्प्यात करण्यात आला आणि मलाय विद्यापीठातील दंतचिकित्सा विद्याशाखेतील विद्यार्थ्यांनी ऐच्छिक आधारावर भाग घेतला. सहभागींनी इंग्रजीमध्ये दंत विद्यार्थ्याच्या ऑनलाइन एम-आयएलला प्रतिसाद दिला. सुरुवातीच्या टप्प्यात, निर्णय ट्री मशीन लर्निंग अल्गोरिदमला प्रशिक्षण देण्यासाठी 50 विद्यार्थ्यांचा डेटासेट वापरला गेला. विकास प्रक्रियेच्या दुसर्‍या टप्प्यात, विकसित इन्स्ट्रुमेंटची अचूकता सुधारण्यासाठी 255 विद्यार्थ्यांचा डेटासेट वापरला गेला.
मायक्रोसॉफ्ट टीमद्वारे शैक्षणिक वर्षाच्या आधारावर प्रत्येक टप्प्याच्या सुरूवातीस सर्व सहभागींना ऑनलाइन ब्रीफिंग प्राप्त होते. अभ्यासाचा हेतू स्पष्ट केला गेला आणि संमती दिली गेली. सर्व सहभागींना एम-आयएलमध्ये प्रवेश करण्यासाठी दुवा प्रदान केला गेला. प्रत्येक विद्यार्थ्याला प्रश्नावलीवरील सर्व 44 वस्तूंचे उत्तर देण्याची सूचना देण्यात आली. सेमेस्टर सुरू होण्यापूर्वी सेमेस्टर ब्रेक दरम्यान त्यांना सोयीस्कर वेळ आणि ठिकाणी सुधारित आयएल पूर्ण करण्यासाठी त्यांना एक आठवडा देण्यात आला. एम-आयएलएस मूळ आयएलएस इन्स्ट्रुमेंटवर आधारित आहे आणि दंत विद्यार्थ्यांसाठी सुधारित आहे. मूळ आयएल प्रमाणेच, यात 44 समान रीतीने वितरित आयटम (ए, बी) आहेत, ज्यात प्रत्येकी 11 आयटम आहेत, जे प्रत्येक एफएसएलएसएम परिमाणांच्या पैलूंचे मूल्यांकन करण्यासाठी वापरले जातात.
साधन विकासाच्या सुरुवातीच्या टप्प्यात, संशोधकांनी 50 दंत विद्यार्थ्यांचा डेटासेट वापरुन नकाशे व्यक्तिचलितपणे भाष्य केले. एफएसएलएमनुसार, सिस्टम "ए" आणि "बी" उत्तरांची बेरीज प्रदान करते. प्रत्येक परिमाणांसाठी, जर विद्यार्थी उत्तर म्हणून “ए” निवडत असेल तर, एलएसला सक्रिय/समजूतदार/व्हिज्युअल/अनुक्रमिक म्हणून वर्गीकृत केले जाते आणि जर विद्यार्थी उत्तर म्हणून “बी” निवडत असेल तर विद्यार्थ्याला प्रतिबिंबित/अंतर्ज्ञानी/भाषिक म्हणून वर्गीकृत केले जाते ? / ग्लोबल लर्नर.
दंत शिक्षण संशोधक आणि सिस्टम विकसकांमधील कार्यप्रवाह कॅलिब्रेट केल्यानंतर, एफएलएसएसएम डोमेनच्या आधारे प्रश्नांची निवड केली गेली आणि प्रत्येक विद्यार्थ्याच्या एलएसचा अंदाज लावण्यासाठी एमएल मॉडेलमध्ये दिले गेले. “कचरा इन, कचरा आउट” ही मशीन लर्निंगच्या क्षेत्रात एक लोकप्रिय म्हण आहे, ज्यात डेटा गुणवत्तेवर जोर देण्यात आला आहे. इनपुट डेटाची गुणवत्ता मशीन लर्निंग मॉडेलची अचूकता आणि अचूकता निर्धारित करते. वैशिष्ट्य अभियांत्रिकी टप्प्यात, एक नवीन वैशिष्ट्य संच तयार केला जातो जो एफएलएसएसएमवर आधारित "ए" आणि "बी" उत्तरांची बेरीज आहे. तक्ता 1 मध्ये औषधांच्या पदांची ओळख क्रमांक दिली आहेत.
उत्तरांवर आधारित स्कोअरची गणना करा आणि विद्यार्थ्याचे एलएस निश्चित करा. प्रत्येक विद्यार्थ्यासाठी, स्कोअर श्रेणी 1 ते 11 पर्यंत आहे. 1 ते 3 पर्यंतची स्कोअर समान परिमाणात शिकण्याच्या प्राधान्यांचे शिल्लक दर्शवितात आणि 5 ते 7 पर्यंतचे स्कोअर मध्यम पसंती दर्शवितात, हे दर्शविते की विद्यार्थी इतरांना शिकवण्यास प्राधान्य देतात हे दर्शविते ? त्याच परिमाणातील आणखी एक भिन्नता म्हणजे 9 ते 11 पर्यंतच्या स्कोअरमध्ये एका टोकासाठी किंवा दुसर्‍या टप्प्यासाठी जोरदार पसंती दर्शविली जाते []].
प्रत्येक परिमाणांसाठी, औषधे "सक्रिय", "प्रतिबिंबित" आणि "संतुलित" मध्ये गटबद्ध केली गेली. उदाहरणार्थ, जेव्हा एखादा विद्यार्थी नियुक्त केलेल्या आयटमवर “बी” पेक्षा अधिक वेळा “ए” ला उत्तर देतो आणि प्रोसेसिंग एलएस परिमाण दर्शविणार्‍या विशिष्ट वस्तूसाठी त्याचा स्कोअर 5 च्या उंबरठ्यापेक्षा जास्त असतो, तेव्हा तो/ती “सक्रिय” एलएसचा आहे डोमेन. ? तथापि, विद्यार्थ्यांना विशिष्ट 11 प्रश्नांमध्ये “ए” पेक्षा “बी” निवडले तेव्हा विद्यार्थ्यांना “प्रतिबिंबित” म्हणून वर्गीकृत केले गेले आणि 5 गुणांपेक्षा जास्त गुण मिळवले. शेवटी, विद्यार्थी “समतोल” स्थितीत आहे. जर स्कोअर 5 गुणांपेक्षा जास्त नसेल तर ही “प्रक्रिया” एलएस आहे. वर्गीकरण प्रक्रिया इतर एलएस परिमाण, म्हणजे समज (सक्रिय/प्रतिबिंबित), इनपुट (व्हिज्युअल/शाब्दिक) आणि आकलन (अनुक्रमिक/ग्लोबल) साठी पुनरावृत्ती केली गेली.
निर्णय वृक्ष मॉडेल वर्गीकरण प्रक्रियेच्या वेगवेगळ्या टप्प्यावर वैशिष्ट्यांचे भिन्न उपसमूह आणि निर्णय नियम वापरू शकतात. हे एक लोकप्रिय वर्गीकरण आणि भविष्यवाणी साधन मानले जाते. हे फ्लोचार्ट [२०] सारख्या झाडाच्या संरचनेचा वापर करून प्रतिनिधित्व केले जाऊ शकते, ज्यामध्ये विशेषताद्वारे चाचण्या दर्शविणारे अंतर्गत नोड्स आहेत, प्रत्येक शाखा चाचणी निकालांचे प्रतिनिधित्व करते आणि प्रत्येक लीफ नोड (लीफ नोड) ज्यामध्ये वर्ग लेबल आहे.
प्रत्येक विद्यार्थ्याच्या प्रतिसादाच्या आधारे स्वयंचलितपणे स्कोअर आणि भाष्य करण्यासाठी एक सोपा नियम-आधारित प्रोग्राम तयार केला गेला. नियम-आधारित एखाद्या आयएफ स्टेटमेंटचे रूप घेते, जेथे “जर” ट्रिगरचे वर्णन करते आणि “नंतर” कृती करणे निर्दिष्ट करते, उदाहरणार्थ: “जर एक्स झाला तर Y Y Y” (लिऊ एट अल., २०१)). जर डेटा सेट परस्परसंबंध दर्शवितो आणि निर्णय वृक्ष मॉडेल योग्यरित्या प्रशिक्षित आणि मूल्यांकन केले गेले तर एलएस जुळवण्याची प्रक्रिया स्वयंचलित करण्याचा हा दृष्टिकोन एक प्रभावी मार्ग असू शकतो आणि आयएस.
विकासाच्या दुसर्‍या टप्प्यात, शिफारस साधनाची अचूकता सुधारण्यासाठी डेटासेट 255 पर्यंत वाढविला गेला. डेटा सेट 1: 4 गुणोत्तरात विभागला गेला आहे. डेटा सेटपैकी 25% (64) चाचणी सेटसाठी वापरला गेला आणि उर्वरित 75% (191) प्रशिक्षण संच (आकृती 2) म्हणून वापरला गेला. मॉडेलला समान डेटा सेटवर प्रशिक्षित आणि चाचणी घेण्यापासून रोखण्यासाठी डेटा सेटचे विभाजन करणे आवश्यक आहे, ज्यामुळे मॉडेल शिकण्याऐवजी मॉडेल लक्षात ठेवू शकते. मॉडेलला प्रशिक्षण संचावर प्रशिक्षण दिले जाते आणि चाचणी सेटवरील त्याच्या कामगिरीचे मूल्यांकन केले जाते - मॉडेलने यापूर्वी कधीही न पाहिलेले डेटा.
एकदा आयएस साधन विकसित झाल्यानंतर, अनुप्रयोग वेब इंटरफेसद्वारे दंत विद्यार्थ्यांच्या प्रतिसादाच्या आधारे एलएसचे वर्गीकरण करण्यास सक्षम असेल. वेब-आधारित माहिती सुरक्षा शिफारस साधन प्रणाली पायथन प्रोग्रामिंग भाषेचा वापर करून जॅंगो फ्रेमवर्क बॅकएंड म्हणून वापरून तयार केली गेली आहे. सारणी 2 या प्रणालीच्या विकासात वापरल्या जाणार्‍या लायब्ररीची यादी करते.
विद्यार्थ्यांच्या एलएस मोजमापांचे स्वयंचलितपणे वर्गीकरण करण्यासाठी विद्यार्थ्यांच्या प्रतिसादांची गणना करण्यासाठी आणि काढण्यासाठी डेटासेटला निर्णय वृक्ष मॉडेलला दिले जाते.
गोंधळ मॅट्रिक्सचा उपयोग दिलेल्या डेटा सेटवर निर्णय ट्री मशीन लर्निंग अल्गोरिदमच्या अचूकतेचे मूल्यांकन करण्यासाठी केला जातो. त्याच वेळी, ते वर्गीकरण मॉडेलच्या कामगिरीचे मूल्यांकन करते. हे मॉडेलच्या अंदाजांचे सारांश देते आणि त्यांची तुलना वास्तविक डेटा लेबलांशी करते. मूल्यांकन परिणाम चार भिन्न मूल्यांवर आधारित आहेत: ट्रू पॉझिटिव्ह (टीपी) - मॉडेलने सकारात्मक श्रेणीचा योग्य अंदाज लावला, खोटा पॉझिटिव्ह (एफपी) - मॉडेलने सकारात्मक श्रेणीचा अंदाज लावला, परंतु खरे लेबल नकारात्मक, खरे नकारात्मक (टीएन) होते - मॉडेलने नकारात्मक वर्गाचा योग्य अंदाज लावला आणि खोटा नकारात्मक (एफएन) - मॉडेल नकारात्मक वर्गाचा अंदाज लावतो, परंतु खरे लेबल सकारात्मक आहे.
नंतर ही मूल्ये पायथनमधील स्किकिट-लर्निंग वर्गीकरण मॉडेलच्या विविध कामगिरी मेट्रिक्सची गणना करण्यासाठी वापरली जातात, म्हणजे अचूकता, सुस्पष्टता, रिकॉल आणि एफ 1 स्कोअर. येथे उदाहरणे आहेतः
एम-आयएलएस प्रश्नावलीचे उत्तर दिल्यानंतर विद्यार्थ्यांच्या एलएसचे अचूक वर्गीकरण करण्याची मॉडेलची क्षमता पुन्हा लक्षात ठेवा (किंवा संवेदनशीलता).
विशिष्टतेस खरा नकारात्मक दर म्हणतात. आपण वरील सूत्रातून पाहू शकता की हे खरे नकारात्मक (टीएन) चे खरे नकारात्मक आणि खोटे पॉझिटिव्ह (एफपी) चे प्रमाण असावे. विद्यार्थ्यांच्या औषधांचे वर्गीकरण करण्यासाठी शिफारस केलेल्या साधनाचा एक भाग म्हणून, ते अचूक ओळखण्यास सक्षम असावे.
निर्णय वृक्ष एमएल मॉडेलला प्रशिक्षण देण्यासाठी वापरल्या जाणार्‍या 50 विद्यार्थ्यांच्या मूळ डेटासेटमध्ये भाष्य (तक्ता 3) मध्ये मानवी त्रुटीमुळे तुलनेने कमी अचूकता दिसून आली. स्वयंचलितपणे एलएस स्कोअर आणि विद्यार्थ्यांच्या भाष्यांची गणना करण्यासाठी एक सोपा नियम-आधारित प्रोग्राम तयार केल्यानंतर, डेटासेटची वाढती संख्या (255) प्रशिक्षक प्रणाली प्रशिक्षित करण्यासाठी आणि चाचणी घेण्यासाठी वापरली गेली.
मल्टीक्लास गोंधळ मॅट्रिक्समध्ये, कर्ण घटक प्रत्येक एलएस प्रकारासाठी योग्य अंदाजांची संख्या दर्शवितात (आकृती 4). निर्णय वृक्ष मॉडेलचा वापर करून, एकूण 64 नमुन्यांचा योग्य अंदाज लावला गेला. अशाप्रकारे, या अभ्यासामध्ये, कर्ण घटक अपेक्षित परिणाम दर्शवितात, हे दर्शविते की मॉडेल चांगले कार्य करते आणि प्रत्येक एलएस वर्गीकरणासाठी वर्ग लेबलचा अचूक अंदाज लावते. अशा प्रकारे, शिफारस साधनाची एकूण अचूकता 100%आहे.
अचूकता, अचूकता, रिकॉल आणि एफ 1 स्कोअरची मूल्ये आकृती 5 मध्ये दर्शविली आहेत. निर्णय वृक्ष मॉडेल वापरुन शिफारस प्रणालीसाठी, त्याचे एफ 1 स्कोअर 1.0 "परिपूर्ण" आहे, जे परिपूर्ण सुस्पष्टता आणि आठवते, महत्त्वपूर्ण संवेदनशीलता आणि विशिष्टता प्रतिबिंबित करते. मूल्ये.
आकृती 6 मध्ये प्रशिक्षण आणि चाचणी पूर्ण झाल्यानंतर निर्णय वृक्ष मॉडेलचे व्हिज्युअलायझेशन दर्शविले गेले आहे. साइड-बाय-साइड तुलनेत, कमी वैशिष्ट्यांसह प्रशिक्षित निर्णय वृक्ष मॉडेलने उच्च अचूकता आणि मॉडेल व्हिज्युअलायझेशन दर्शविले. हे दर्शविते की वैशिष्ट्य अभियांत्रिकीमुळे वैशिष्ट्य कमी होते हे मॉडेल कामगिरी सुधारण्यासाठी एक महत्त्वपूर्ण पायरी आहे.
निर्णय वृक्ष पर्यवेक्षी शिक्षण लागू करून, एलएस (इनपुट) आणि आयएस (लक्ष्य आउटपुट) दरम्यानचे मॅपिंग स्वयंचलितपणे व्युत्पन्न केले जाते आणि प्रत्येक एलएससाठी तपशीलवार माहिती असते.
निकालांनी हे सिद्ध केले की 255 विद्यार्थ्यांपैकी 34.9% विद्यार्थ्यांनी एक (1) एलएस पर्याय पसंत केला. बहुसंख्य (.3 54..3%) दोन किंवा अधिक एलएस प्राधान्ये होती. 12.2% विद्यार्थ्यांनी नमूद केले की एलएस बर्‍यापैकी संतुलित आहे (तक्ता 4). आठ मुख्य एलएस व्यतिरिक्त, मलाया दंत विद्यार्थ्यांसाठी एलएस वर्गीकरणाची 34 जोड्या आहेत. त्यापैकी, समज, दृष्टी आणि समज आणि दृष्टी यांचे संयोजन हे विद्यार्थ्यांद्वारे नोंदविलेले मुख्य एलएस आहेत (आकृती 7).
तक्ता 4 वरून पाहिल्याप्रमाणे, बहुतेक विद्यार्थ्यांकडे प्रबळ संवेदी (13.7%) किंवा व्हिज्युअल (8.6%) एलएस होते. असे नोंदवले गेले आहे की 12.2% विद्यार्थ्यांनी दृष्टी (समजूतदार-व्हिज्युअल एलएस) सह एकत्रित केले. हे निष्कर्ष सूचित करतात की विद्यार्थी प्रस्थापित पद्धतीद्वारे शिकणे आणि लक्षात ठेवणे पसंत करतात, विशिष्ट आणि तपशीलवार प्रक्रियेचे अनुसरण करतात आणि निसर्गात लक्ष देतात. त्याच वेळी, त्यांना (आकृत्या इ. वापरुन) शिकून शिकण्याचा आनंद आहे आणि गटांमध्ये किंवा स्वतःच माहितीवर चर्चा आणि लागू करण्याचा कल आहे.
हा अभ्यास डेटा खननात वापरल्या जाणार्‍या मशीन शिक्षण तंत्राचा आढावा प्रदान करतो, त्वरित आणि अचूकपणे विद्यार्थ्यांच्या एलएसचा अंदाज लावण्यावर आणि योग्य आयएसची शिफारस करतो. निर्णय वृक्ष मॉडेलच्या अनुप्रयोगाने त्यांच्या जीवनाशी आणि शैक्षणिक अनुभवांशी संबंधित घटक ओळखले. हे एक पर्यवेक्षी मशीन लर्निंग अल्गोरिदम आहे जे विशिष्ट निकषांवर आधारित डेटाचा संच उपश्रेणींमध्ये विभाजित करून डेटाचे वर्गीकरण करण्यासाठी वृक्ष संरचनेचा वापर करते. हे लीफ नोडवर निर्णय घेईपर्यंत प्रत्येक अंतर्गत नोडच्या इनपुट वैशिष्ट्यांपैकी एकाच्या मूल्याच्या आधारे इनपुट डेटा सबसेटमध्ये वारंवार विभाजित करून कार्य करते.
निर्णय वृक्षाचे अंतर्गत नोड एम-आयएलएस समस्येच्या इनपुट वैशिष्ट्यांवर आधारित समाधानाचे प्रतिनिधित्व करतात आणि लीफ नोड्स अंतिम एलएस वर्गीकरण अंदाज दर्शवितात. संपूर्ण अभ्यासानुसार, इनपुट वैशिष्ट्ये आणि आउटपुट अंदाज यांच्यातील संबंध पाहून निर्णय प्रक्रियेचे स्पष्टीकरण आणि दृश्यमान करणार्‍या निर्णयाच्या झाडाचे श्रेणीरचना समजणे सोपे आहे.
संगणक विज्ञान आणि अभियांत्रिकीच्या क्षेत्रात, मशीन लर्निंग अल्गोरिदम विद्यार्थ्यांच्या प्रवेश परीक्षेच्या स्कोअर [२१], लोकसंख्याशास्त्रीय माहिती आणि शिकण्याच्या वर्तन [२२] च्या आधारे विद्यार्थ्यांच्या कामगिरीचा अंदाज लावण्यासाठी मोठ्या प्रमाणात वापरल्या जातात. संशोधनात असे दिसून आले की अल्गोरिदमने विद्यार्थ्यांच्या कामगिरीचा अचूक अंदाज लावला आणि शैक्षणिक अडचणींचा धोका असलेल्या विद्यार्थ्यांना ओळखण्यास मदत केली.
दंत प्रशिक्षणासाठी आभासी रुग्ण सिम्युलेटरच्या विकासात एमएल अल्गोरिदमचा वापर नोंदविला गेला आहे. सिम्युलेटर वास्तविक रूग्णांच्या शारीरिक प्रतिक्रियांचे अचूक पुनरुत्पादन करण्यास सक्षम आहे आणि दंत विद्यार्थ्यांना सुरक्षित आणि नियंत्रित वातावरणात प्रशिक्षण देण्यासाठी वापरले जाऊ शकते [२]]. इतर अनेक अभ्यासांवरून असे दिसून येते की मशीन लर्निंग अल्गोरिदम दंत आणि वैद्यकीय शिक्षण आणि रुग्णांच्या काळजीची गुणवत्ता आणि कार्यक्षमता संभाव्यत: सुधारू शकतात. मशीन लर्निंग अल्गोरिदमचा वापर लक्षणे आणि रुग्णांच्या वैशिष्ट्यांसारख्या डेटा सेटवर आधारित दंत रोगांच्या निदानास मदत करण्यासाठी केला गेला आहे [२ ,, २]]. इतर अभ्यासानुसार रुग्णांच्या निकालांची भविष्यवाणी करणे, उच्च जोखमीच्या रूग्णांची ओळख पटविणे, वैयक्तिकृत उपचार योजना विकसित करणे [२]], पीरियडॉन्टल ट्रीटमेंट [२ 27] आणि कॅरीज ट्रीटमेंट [२]] यासारख्या कार्ये करण्यासाठी मशीन लर्निंग अल्गोरिदमच्या वापराचा शोध लावला आहे.
दंतचिकित्सामध्ये मशीन लर्निंगच्या अर्जावरील अहवाल प्रकाशित केले गेले असले तरी, दंत शिक्षणातील त्याचा अर्ज मर्यादित राहिला आहे. म्हणूनच, या अभ्यासाचे उद्दीष्ट एलएसशी संबंधित घटक ओळखण्यासाठी निर्णय वृक्ष मॉडेलचा वापर करणे आणि दंत विद्यार्थ्यांपैकी आहे.
या अभ्यासाच्या निकालांवरून असे दिसून येते की विकसित शिफारस साधनात उच्च अचूकता आणि परिपूर्ण अचूकता आहे, हे दर्शविते की शिक्षकांना या साधनाचा फायदा होऊ शकतो. डेटा-आधारित वर्गीकरण प्रक्रियेचा वापर करून, ते वैयक्तिकृत शिफारसी प्रदान करू शकते आणि शिक्षक आणि विद्यार्थ्यांसाठी शैक्षणिक अनुभव आणि परिणाम सुधारू शकते. त्यापैकी, शिफारस साधनांद्वारे प्राप्त केलेली माहिती शिक्षकांच्या पसंतीच्या अध्यापन पद्धती आणि विद्यार्थ्यांच्या शिक्षणाच्या गरजा यांच्यातील संघर्षांचे निराकरण करू शकते. उदाहरणार्थ, शिफारस साधनांच्या स्वयंचलित आउटपुटमुळे, विद्यार्थ्यांचा आयपी ओळखण्यासाठी आणि त्यास संबंधित आयपीशी जुळण्यासाठी आवश्यक वेळ लक्षणीय प्रमाणात कमी होईल. अशाप्रकारे, योग्य प्रशिक्षण उपक्रम आणि प्रशिक्षण साहित्य आयोजित केले जाऊ शकते. हे विद्यार्थ्यांचे सकारात्मक शिकण्याचे वर्तन आणि लक्ष केंद्रित करण्याची क्षमता विकसित करण्यास मदत करते. एका अभ्यासानुसार असे नोंदवले गेले आहे की विद्यार्थ्यांना त्यांच्या पसंतीच्या एलएसशी जुळणारे शिक्षण साहित्य आणि शिक्षण उपक्रम प्रदान करणे विद्यार्थ्यांना अधिक संभाव्य साध्य करण्यासाठी एकाधिक मार्गांनी शिकण्यास, प्रक्रिया करण्यास आणि शिकण्याचा आनंद घेऊ शकते [१२]. संशोधनात असेही दिसून आले आहे की वर्गात विद्यार्थ्यांचा सहभाग सुधारण्याव्यतिरिक्त, विद्यार्थ्यांची शिक्षण प्रक्रिया समजून घेणे देखील विद्यार्थ्यांशी अध्यापन पद्धती आणि संप्रेषण सुधारण्यात महत्त्वपूर्ण भूमिका बजावते [२ ,, २]].
तथापि, कोणत्याही आधुनिक तंत्रज्ञानाप्रमाणेच समस्या आणि मर्यादा आहेत. यामध्ये डेटा गोपनीयता, पूर्वाग्रह आणि निष्पक्षता आणि दंत शिक्षणात मशीन लर्निंग अल्गोरिदम विकसित आणि अंमलात आणण्यासाठी आवश्यक व्यावसायिक कौशल्ये आणि संसाधने संबंधित मुद्द्यांचा समावेश आहे; तथापि, या क्षेत्रातील वाढती स्वारस्य आणि संशोधन असे सूचित करते की मशीन लर्निंग तंत्रज्ञानाचा दंत शिक्षण आणि दंत सेवांवर सकारात्मक परिणाम होऊ शकतो.
या अभ्यासाच्या निकालांवरून असे दिसून येते की दंत विद्यार्थ्यांपैकी निम्म्या विद्यार्थ्यांकडे औषधे "समजण्याची" प्रवृत्ती असते. या प्रकारच्या शिकणार्‍यास तथ्ये आणि ठोस उदाहरणे, व्यावहारिक अभिमुखता, तपशीलांसाठी संयम आणि "व्हिज्युअल" एलएस प्राधान्य आहे, जिथे शिकणारे कल्पना आणि विचार व्यक्त करण्यासाठी चित्रे, ग्राफिक्स, रंग आणि नकाशे वापरण्यास प्राधान्य देतात. सध्याचे परिणाम दंत आणि वैद्यकीय विद्यार्थ्यांमधील एलएसचे मूल्यांकन करण्यासाठी आयएलचा वापर करून इतर अभ्यासाशी सुसंगत आहेत, ज्यांपैकी बहुतेकांमध्ये समजूतदार आणि व्हिज्युअल एलएस [12, 30] ची वैशिष्ट्ये आहेत. डॅलमोलिन एट अल सूचित करते की विद्यार्थ्यांना त्यांच्या एलएसबद्दल माहिती देणे त्यांना त्यांच्या शिकण्याच्या संभाव्यतेपर्यंत पोहोचू देते. संशोधकांचा असा युक्तिवाद आहे की जेव्हा शिक्षक विद्यार्थ्यांची शैक्षणिक प्रक्रिया पूर्णपणे समजतात तेव्हा विविध अध्यापन पद्धती आणि क्रियाकलाप अंमलात आणल्या जाऊ शकतात ज्यामुळे विद्यार्थ्यांचा कामगिरी आणि शिकण्याचा अनुभव सुधारेल [१२,, १,] २]. इतर अभ्यासानुसार असे दिसून आले आहे की विद्यार्थ्यांचे एलएस समायोजित केल्याने विद्यार्थ्यांच्या शिकण्याच्या शैली बदलल्यानंतर त्यांच्या स्वत: च्या एलएस [१ ,,] 33] अनुरुप त्यांच्या शिकण्याच्या शैली बदलल्यानंतरही सुधारणा दिसून येतात.
विद्यार्थ्यांच्या शिकण्याच्या क्षमतेवर आधारित अध्यापन धोरणांच्या अंमलबजावणीबाबत शिक्षकांची मते बदलू शकतात. व्यावसायिक विकासाच्या संधी, मार्गदर्शन आणि समुदाय समर्थन यासह या दृष्टिकोनाचे फायदे काहीजण पाहतात, तर काहींना वेळ आणि संस्थात्मक पाठिंब्याबद्दल चिंता असू शकते. संतुलनासाठी प्रयत्न करणे ही विद्यार्थी-केंद्रित वृत्ती निर्माण करण्यासाठी महत्त्वाची आहे. नाविन्यपूर्ण पद्धतींचा परिचय करून आणि प्राध्यापकांच्या विकासास पाठिंबा देऊन उच्च शिक्षण अधिकारी, जसे की विद्यापीठ प्रशासक, सकारात्मक बदल घडवून आणण्यात महत्त्वपूर्ण भूमिका बजावू शकतात [] 34]. खरोखर गतिशील आणि प्रतिसाद देणारी उच्च शिक्षण प्रणाली तयार करण्यासाठी, धोरणकर्त्यांनी धोरणात बदल करणे, तंत्रज्ञानाच्या एकत्रीकरणासाठी संसाधने समर्पित करणे आणि विद्यार्थी-केंद्रित दृष्टिकोनांना प्रोत्साहन देणारी फ्रेमवर्क तयार करणे यासारखे धाडसी पावले उचलली पाहिजेत. इच्छित परिणाम साध्य करण्यासाठी हे उपाय गंभीर आहेत. विभेदित सूचनांवरील अलीकडील संशोधनात स्पष्टपणे दिसून आले आहे की विभेदित सूचनांच्या यशस्वी अंमलबजावणीसाठी शिक्षकांसाठी चालू प्रशिक्षण आणि विकासाच्या संधी आवश्यक आहेत [] 35].
हे साधन दंत शिक्षकांना मौल्यवान समर्थन प्रदान करते ज्यांना विद्यार्थी-अनुकूल शिक्षण उपक्रमांचे नियोजन करण्यासाठी विद्यार्थी-केंद्रित दृष्टिकोन घ्यायचा आहे. तथापि, हा अभ्यास निर्णय ट्री एमएल मॉडेल्सच्या वापरापुरता मर्यादित आहे. भविष्यात, अचूकता, विश्वासार्हता आणि शिफारस साधनांच्या अचूकतेची तुलना करण्यासाठी भिन्न मशीन लर्निंग मॉडेल्सच्या कामगिरीची तुलना करण्यासाठी अधिक डेटा गोळा केला पाहिजे. याव्यतिरिक्त, एखाद्या विशिष्ट कार्यासाठी सर्वात योग्य मशीन शिक्षण पद्धत निवडताना, मॉडेल जटिलता आणि स्पष्टीकरण यासारख्या इतर घटकांचा विचार करणे आवश्यक आहे.
या अभ्यासाची मर्यादा अशी आहे की ती केवळ एलएस मॅपिंगवर केंद्रित आहे आणि दंत विद्यार्थ्यांपैकी आहे. म्हणूनच, विकसित शिफारस प्रणाली केवळ दंत विद्यार्थ्यांसाठी योग्य असलेल्यांची शिफारस करेल. सामान्य उच्च शिक्षण विद्यार्थ्यांच्या वापरासाठी बदल आवश्यक आहेत.
नवीन विकसित मशीन लर्निंग-आधारित शिफारस साधन संबंधित विद्यार्थ्यांच्या एलएसला त्वरित वर्गीकरण करण्यास आणि जुळवून घेण्यास सक्षम आहे, जे दंत शिक्षकांना संबंधित अध्यापन आणि शिकण्याच्या क्रियाकलापांची योजना आखण्यात मदत करणारा दंत शिक्षण कार्यक्रम बनला आहे. डेटा-चालित ट्रायएज प्रक्रियेचा वापर करून, ते वैयक्तिकृत शिफारसी प्रदान करू शकते, वेळ वाचवू शकते, अध्यापनाची रणनीती सुधारू शकते, लक्ष्यित हस्तक्षेपांना समर्थन देऊ शकते आणि चालू असलेल्या व्यावसायिक विकासास प्रोत्साहित करू शकते. त्याचा अनुप्रयोग दंत शिक्षणाकडे विद्यार्थी-केंद्रित दृष्टिकोनांना प्रोत्साहन देईल.
गिलाक जानी असोसिएटेड प्रेस. विद्यार्थ्यांची शिकण्याची शैली आणि शिक्षकांच्या अध्यापन शैली दरम्यान जुळत किंवा जुळत नाही. इंट जे मोड एज्युक संगणक विज्ञान. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05