दंतचिकित्सासह उच्च शिक्षण संस्थांमध्ये विद्यार्थी-केंद्रित शिक्षणाची (एससीएल) वाढती गरज आहे.तथापि, दंत शिक्षणामध्ये SCL कडे मर्यादित अर्ज आहेत.म्हणून, IS मार्गदर्शक तत्त्वे विकसित करण्यासाठी उपयुक्त साधन म्हणून दंतवैद्यकीय विद्यार्थ्यांची प्राधान्यकृत शिक्षण शैली (LS) आणि संबंधित शिक्षण धोरणे (IS) मॅप करण्यासाठी निर्णय वृक्ष मशीन लर्निंग (ML) तंत्रज्ञानाचा वापर करून दंतचिकित्सामध्ये SCL च्या अनुप्रयोगास प्रोत्साहन देण्याचे या अभ्यासाचे उद्दिष्ट आहे. .दंत विद्यार्थ्यांसाठी आशादायक पद्धती.
मलाया विद्यापीठातील एकूण 255 दंत विद्यार्थ्यांनी सुधारित इंडेक्स ऑफ लर्निंग स्टाइल्स (m-ILS) प्रश्नावली पूर्ण केली, ज्यामध्ये 44 बाबी त्यांच्या संबंधित LSs मध्ये वर्गीकृत केल्या होत्या.संकलित केलेला डेटा (डेटासेट म्हटला जातो) पर्यवेक्षित निर्णय वृक्ष शिक्षणामध्ये वापरला जातो ज्यामुळे विद्यार्थ्यांच्या शिकण्याच्या शैली सर्वात योग्य IS शी आपोआप जुळतात.त्यानंतर मशीन लर्निंग-आधारित IS शिफारस साधनाच्या अचूकतेचे मूल्यांकन केले जाते.
LS (इनपुट) आणि IS (लक्ष्य आउटपुट) मधील स्वयंचलित मॅपिंग प्रक्रियेमध्ये निर्णय वृक्ष मॉडेल्सचा वापर प्रत्येक दंत विद्यार्थ्यासाठी योग्य शिक्षण धोरणांची त्वरित यादी करण्यास अनुमती देते.IS शिफारस साधनाने परिपूर्ण अचूकता आणि संपूर्ण मॉडेल अचूकतेची आठवण दाखवली, जे IS शी LS शी जुळणारी संवेदनशीलता आणि विशिष्टता दर्शवते.
ML निर्णयाच्या झाडावर आधारित IS शिफारस साधनाने योग्य शिक्षण धोरणांसह दंत विद्यार्थ्यांच्या शिकण्याच्या शैलीशी अचूक जुळण्याची क्षमता सिद्ध केली आहे.हे साधन विद्यार्थी-केंद्रित अभ्यासक्रम किंवा मॉड्युलचे नियोजन करण्यासाठी शक्तिशाली पर्याय प्रदान करते जे विद्यार्थ्यांचा शिकण्याचा अनुभव वाढवू शकतात.
शैक्षणिक संस्थांमध्ये शिकवणे आणि शिकणे हे मूलभूत क्रियाकलाप आहेत.उच्च-गुणवत्तेची व्यावसायिक शिक्षण प्रणाली विकसित करताना, विद्यार्थ्यांच्या शिकण्याच्या गरजांवर लक्ष केंद्रित करणे महत्त्वाचे आहे.विद्यार्थी आणि त्यांचे शैक्षणिक वातावरण यांच्यातील परस्परसंवाद त्यांच्या LS द्वारे निर्धारित केला जाऊ शकतो.संशोधन असे सूचित करते की विद्यार्थ्यांच्या LS आणि IS मधील शिक्षक-उद्देशित विसंगतीमुळे विद्यार्थ्यांच्या शिक्षणावर नकारात्मक परिणाम होऊ शकतात, जसे की कमी लक्ष आणि प्रेरणा.हे अप्रत्यक्षपणे विद्यार्थ्यांच्या कामगिरीवर परिणाम करेल [1,2].
IS ही विद्यार्थ्यांना शिकण्यास मदत करण्यासह, विद्यार्थ्यांना ज्ञान आणि कौशल्ये देण्यासाठी शिक्षकांद्वारे वापरली जाणारी एक पद्धत आहे [३].सर्वसाधारणपणे, चांगले शिक्षक त्यांच्या विद्यार्थ्यांच्या ज्ञानाची पातळी, ते शिकत असलेल्या संकल्पना आणि त्यांच्या शिकण्याच्या टप्प्याशी उत्तम प्रकारे जुळणारे अध्यापन धोरण किंवा IS योजना आखतात.सैद्धांतिकदृष्ट्या, जेव्हा LS आणि IS जुळतात, तेव्हा विद्यार्थी प्रभावीपणे शिकण्यासाठी कौशल्यांचा विशिष्ट संच आयोजित करण्यास आणि वापरण्यास सक्षम असतील.सामान्यतः, धड्याच्या योजनेमध्ये टप्प्यांमधील अनेक संक्रमणांचा समावेश असतो, जसे की शिकवण्यापासून मार्गदर्शित सरावापर्यंत किंवा मार्गदर्शित सरावापासून स्वतंत्र सरावापर्यंत.हे लक्षात घेऊन, प्रभावी शिक्षक अनेकदा विद्यार्थ्यांचे ज्ञान आणि कौशल्ये निर्माण करण्याच्या उद्देशाने सूचनांचे नियोजन करतात [४].
दंतचिकित्सासह उच्च शिक्षण संस्थांमध्ये SCL ची मागणी वाढत आहे.विद्यार्थ्यांच्या शिकण्याच्या गरजा पूर्ण करण्यासाठी SCL धोरणे तयार केली आहेत.हे साध्य केले जाऊ शकते, उदाहरणार्थ, जर विद्यार्थी सक्रियपणे शिकण्याच्या क्रियाकलापांमध्ये भाग घेतात आणि शिक्षक सुविधा देणारे म्हणून काम करतात आणि मौल्यवान अभिप्राय देण्यासाठी जबाबदार असतात.असे म्हटले जाते की विद्यार्थ्यांच्या शैक्षणिक स्तरावर किंवा प्राधान्यांना योग्य असे शैक्षणिक साहित्य आणि क्रियाकलाप प्रदान केल्याने विद्यार्थ्यांचे शैक्षणिक वातावरण सुधारू शकते आणि सकारात्मक शिकण्याच्या अनुभवांना चालना मिळते [५].
सर्वसाधारणपणे बोलायचे झाल्यास, दंत विद्यार्थ्यांची शिकण्याची प्रक्रिया त्यांना पार पाडण्यासाठी आवश्यक असलेल्या विविध नैदानिक प्रक्रिया आणि क्लिनिकल वातावरण ज्यामध्ये ते प्रभावी परस्पर कौशल्ये विकसित करतात याचा प्रभाव पडतो.प्रशिक्षणाचा उद्देश विद्यार्थ्यांना दंतवैद्यकीय कौशल्यांसह दंतचिकित्सेचे मूलभूत ज्ञान एकत्र करणे आणि नवीन नैदानिक परिस्थितीत प्राप्त ज्ञान लागू करणे [६, ७] आहे.LS आणि IS मधील संबंधांवरील सुरुवातीच्या संशोधनात असे आढळून आले आहे की प्राधान्यकृत LS मध्ये मॅप केलेल्या शिक्षण धोरणांचे समायोजन शैक्षणिक प्रक्रिया सुधारण्यास मदत करेल [8].लेखक विद्यार्थ्यांच्या शिक्षण आणि गरजांशी जुळवून घेण्यासाठी विविध अध्यापन आणि मूल्यांकन पद्धती वापरण्याची शिफारस करतात.
शिक्षकांना LS ज्ञानाचा उपयोग करून त्यांना अशा सूचनांची रचना, विकास आणि अंमलबजावणी करण्यात मदत होते ज्यामुळे विद्यार्थ्यांचे सखोल ज्ञान आणि विषयाचे आकलन वाढेल.संशोधकांनी कोल्ब एक्सपेरिअन्शिअल लर्निंग मॉडेल, फेल्डर-सिल्व्हरमॅन लर्निंग स्टाइल मॉडेल (FSLSM), आणि फ्लेमिंग VAK/VARK मॉडेल [5, 9, 10] सारखी अनेक LS मूल्यांकन साधने विकसित केली आहेत.साहित्यानुसार, हे शिक्षण मॉडेल सर्वात सामान्यपणे वापरलेले आणि सर्वाधिक अभ्यासलेले शिकण्याचे मॉडेल आहेत.सध्याच्या संशोधन कार्यामध्ये, FSLSM चा वापर दंत विद्यार्थ्यांमधील LS चे मूल्यांकन करण्यासाठी केला जातो.
FSLSM हे अभियांत्रिकीमध्ये अनुकूली शिक्षणाचे मूल्यांकन करण्यासाठी मोठ्या प्रमाणावर वापरले जाणारे मॉडेल आहे.आरोग्य विज्ञान (औषध, नर्सिंग, फार्मसी आणि दंतचिकित्सा यासह) मध्ये अनेक प्रकाशित कामे आहेत जी FSLSM मॉडेल्स [5, 11, 12, 13] वापरून आढळू शकतात.FLSM मध्ये LS ची परिमाणे मोजण्यासाठी वापरल्या जाणाऱ्या उपकरणाला इंडेक्स ऑफ लर्निंग स्टाइल्स (ILS) [८] असे म्हणतात, ज्यामध्ये LS च्या चार आयामांचे मूल्यांकन करणाऱ्या 44 आयटम आहेत: प्रक्रिया (सक्रिय/प्रतिबिंबित), धारणा (अनुभूती/अंतर्ज्ञानी), इनपुट (दृश्य)./मौखिक) आणि समज (अनुक्रमिक/जागतिक) [१४].
आकृती 1 मध्ये दर्शविल्याप्रमाणे, प्रत्येक FSLSM परिमाणाला एक प्रमुख प्राधान्य असते.उदाहरणार्थ, प्रक्रियेच्या परिमाणात, "सक्रिय" LS असलेले विद्यार्थी थेट शिक्षण सामग्रीशी संवाद साधून माहितीवर प्रक्रिया करण्यास प्राधान्य देतात, करून शिकतात आणि गटांमध्ये शिकण्याची प्रवृत्ती असते."प्रतिबिंबित" LS म्हणजे विचार करून शिकणे आणि एकट्याने काम करणे पसंत करते.LS चे "अनुभव" परिमाण "भावना" आणि/किंवा "अंतर्ज्ञान" मध्ये विभागले जाऊ शकते."भावना" विद्यार्थी अधिक ठोस माहिती आणि व्यावहारिक प्रक्रियांना प्राधान्य देतात, "अंतर्ज्ञानी" विद्यार्थ्यांच्या तुलनेत तथ्याभिमुख असतात जे अमूर्त साहित्याला प्राधान्य देतात आणि निसर्गात अधिक नाविन्यपूर्ण आणि सर्जनशील असतात.LS च्या "इनपुट" परिमाणात "दृश्य" आणि "मौखिक" शिकणारे असतात."दृश्य" LS असलेले लोक व्हिज्युअल प्रात्यक्षिके (जसे की आकृती, व्हिडिओ किंवा थेट प्रात्यक्षिके) द्वारे शिकणे पसंत करतात, तर "मौखिक" LS असलेले लोक लेखी किंवा तोंडी स्पष्टीकरणातील शब्दांद्वारे शिकणे पसंत करतात.LS परिमाणे "समजून घेण्यासाठी" अशा विद्यार्थ्यांना "अनुक्रमिक" आणि "जागतिक" मध्ये विभागले जाऊ शकते.“अनुक्रमित शिकणारे एक रेखीय विचार प्रक्रियेला प्राधान्य देतात आणि टप्प्याटप्प्याने शिकतात, तर जागतिक शिकणाऱ्यांचा कल सर्वांगीण विचार प्रक्रिया असतो आणि ते काय शिकत आहेत याची त्यांना नेहमीच चांगली समज असते.
अलीकडे, बऱ्याच संशोधकांनी स्वयंचलित डेटा-चालित शोधासाठी पद्धती शोधण्यास सुरुवात केली आहे, ज्यात नवीन अल्गोरिदम आणि मोठ्या प्रमाणात डेटाचा अर्थ लावण्यास सक्षम मॉडेल्सचा समावेश आहे [15, 16].प्रदान केलेल्या डेटाच्या आधारे, पर्यवेक्षित एमएल (मशीन लर्निंग) नमुने आणि गृहीतके निर्माण करण्यास सक्षम आहे जे अल्गोरिदमच्या बांधकामावर आधारित भविष्यातील परिणामांचा अंदाज लावतात [१७].सोप्या भाषेत सांगायचे तर, पर्यवेक्षित मशीन लर्निंग तंत्र इनपुट डेटा आणि ट्रेन अल्गोरिदम हाताळतात.ते नंतर प्रदान केलेल्या इनपुट डेटासाठी समान परिस्थितींवर आधारित परिणामाचे वर्गीकरण किंवा अंदाज लावणारी श्रेणी व्युत्पन्न करते.पर्यवेक्षित मशीन लर्निंग अल्गोरिदमचा मुख्य फायदा म्हणजे आदर्श आणि इच्छित परिणाम स्थापित करण्याची क्षमता [१७].
डेटा-चालित पद्धती आणि निर्णय वृक्ष नियंत्रण मॉडेल्सच्या वापराद्वारे, LS चे स्वयंचलित शोध शक्य आहे.आरोग्य विज्ञान [18, 19] सह विविध क्षेत्रातील प्रशिक्षण कार्यक्रमांमध्ये निर्णय वृक्ष मोठ्या प्रमाणावर वापरले जात असल्याचे नोंदवले गेले आहे.या अभ्यासात, मॉडेलला विशेषत: सिस्टीम डेव्हलपरद्वारे विद्यार्थ्यांचे एलएस ओळखण्यासाठी आणि त्यांच्यासाठी सर्वोत्तम IS ची शिफारस करण्यासाठी प्रशिक्षित केले गेले.
विद्यार्थ्यांच्या LS वर आधारित IS वितरण धोरणे विकसित करणे आणि LS वर मॅप केलेले IS शिफारस साधन विकसित करून SCL दृष्टिकोन लागू करणे हा या अभ्यासाचा उद्देश आहे.SCL पद्धतीची रणनीती म्हणून IS शिफारस साधनाचा डिझाईन प्रवाह आकृती 1 मध्ये दर्शविला आहे. IS शिफारस साधन दोन भागांमध्ये विभागले गेले आहे, ज्यात ILS वापरून LS वर्गीकरण यंत्रणा आणि विद्यार्थ्यांसाठी सर्वात योग्य IS प्रदर्शन समाविष्ट आहे.
विशेषतः, माहिती सुरक्षा शिफारस साधनांच्या वैशिष्ट्यांमध्ये वेब तंत्रज्ञानाचा वापर आणि निर्णय वृक्ष मशीन शिक्षणाचा वापर समाविष्ट आहे.सिस्टीम डेव्हलपर वापरकर्त्याचा अनुभव आणि गतिशीलता त्यांना मोबाइल फोन आणि टॅब्लेट सारख्या मोबाइल डिव्हाइसवर अनुकूल करून सुधारतात.
हा प्रयोग दोन टप्प्यात पार पडला आणि मलाया विद्यापीठातील दंतचिकित्सा विद्याशाखेतील विद्यार्थ्यांनी स्वेच्छेने भाग घेतला.सहभागींनी दंत विद्यार्थ्याच्या ऑनलाइन m-ILS ला इंग्रजीमध्ये प्रतिसाद दिला.सुरुवातीच्या टप्प्यात, निर्णय वृक्ष मशीन लर्निंग अल्गोरिदम प्रशिक्षण देण्यासाठी 50 विद्यार्थ्यांचा डेटासेट वापरला गेला.विकास प्रक्रियेच्या दुसऱ्या टप्प्यात, विकसित साधनाची अचूकता सुधारण्यासाठी 255 विद्यार्थ्यांचा डेटासेट वापरण्यात आला.
सर्व सहभागींना Microsoft Teams द्वारे शैक्षणिक वर्षाच्या आधारावर प्रत्येक टप्प्याच्या सुरुवातीला ऑनलाइन ब्रीफिंग मिळते.अभ्यासाचा उद्देश स्पष्ट करण्यात आला आणि सूचित संमती प्राप्त झाली.सर्व सहभागींना m-ILS मध्ये प्रवेश करण्यासाठी लिंक प्रदान करण्यात आली होती.प्रत्येक विद्यार्थ्याला प्रश्नावलीतील सर्व ४४ बाबींची उत्तरे देण्याचे निर्देश देण्यात आले.सेमिस्टर सुरू होण्यापूर्वी सेमिस्टर ब्रेक दरम्यान त्यांना सोयीस्कर वेळी आणि स्थानावर सुधारित ILS पूर्ण करण्यासाठी त्यांना एक आठवडा देण्यात आला.m-ILS मूळ ILS साधनावर आधारित आहे आणि दंत विद्यार्थ्यांसाठी सुधारित केले आहे.मूळ ILS प्रमाणेच, यात प्रत्येकी 11 आयटमसह 44 समान रीतीने वितरीत केलेल्या वस्तू (a, b) आहेत, ज्याचा उपयोग प्रत्येक FSLSM परिमाणाच्या पैलूंचे मूल्यांकन करण्यासाठी केला जातो.
टूल डेव्हलपमेंटच्या सुरुवातीच्या टप्प्यात, संशोधकांनी मॅन्युअली 50 डेंटल विद्यार्थ्यांचा डेटासेट वापरून नकाशे भाष्य केले.FSLM नुसार, प्रणाली "a" आणि "b" उत्तरांची बेरीज प्रदान करते.प्रत्येक परिमाणासाठी, विद्यार्थ्याने उत्तर म्हणून “a” निवडल्यास, LS चे वर्गीकरण सक्रिय/अनुभूती/दृश्य/अनुक्रमिक म्हणून केले जाते आणि विद्यार्थ्याने उत्तर म्हणून “b” निवडल्यास, विद्यार्थ्याचे प्रतिबिंबित/अंतर्ज्ञानी/भाषिक म्हणून वर्गीकरण केले जाते. ./ जागतिक शिकाऊ.
दंत शिक्षण संशोधक आणि सिस्टम डेव्हलपर यांच्यातील कार्यप्रवाह कॅलिब्रेट केल्यानंतर, FLSSM डोमेनवर आधारित प्रश्न निवडले गेले आणि प्रत्येक विद्यार्थ्याच्या LS चे अंदाज घेण्यासाठी ML मॉडेलमध्ये दिले गेले.डेटा गुणवत्तेवर भर देणारी मशीन लर्निंगच्या क्षेत्रात “गार्बेज इन, गार्बेज आउट” ही लोकप्रिय म्हण आहे.इनपुट डेटाची गुणवत्ता मशीन लर्निंग मॉडेलची अचूकता आणि अचूकता निर्धारित करते.वैशिष्ट्य अभियांत्रिकी टप्प्यात, एक नवीन वैशिष्ट्य संच तयार केला जातो जो FLSSM वर आधारित "a" आणि "b" उत्तरांची बेरीज आहे.औषध स्थानांची ओळख क्रमांक तक्ता 1 मध्ये दिले आहेत.
उत्तरांच्या आधारे गुणांची गणना करा आणि विद्यार्थ्याचे LS निश्चित करा.प्रत्येक विद्यार्थ्यासाठी, गुणांची श्रेणी 1 ते 11 पर्यंत असते. 1 ते 3 मधील स्कोअर समान परिमाणात शिकण्याच्या प्राधान्यांचा समतोल दर्शवतात आणि 5 ते 7 पर्यंतचे स्कोअर मध्यम प्राधान्य दर्शवतात, हे दर्शविते की विद्यार्थी इतरांना शिकवणाऱ्या वातावरणाला प्राधान्य देतात. .समान परिमाणातील आणखी एक फरक म्हणजे 9 ते 11 मधील स्कोअर एका टोकाला किंवा दुसऱ्या टोकासाठी मजबूत प्राधान्य दर्शवतात [8].
प्रत्येक परिमाणासाठी, औषधे "सक्रिय", "प्रतिबिंबित" आणि "संतुलित" मध्ये गटबद्ध केली गेली.उदाहरणार्थ, जेव्हा एखादा विद्यार्थी नियुक्त केलेल्या आयटमवर "b" पेक्षा जास्त वेळा "a" उत्तर देतो आणि प्रक्रिया LS परिमाण दर्शविणाऱ्या विशिष्ट आयटमसाठी त्याचा/तिचा गुण 5 च्या उंबरठ्यापेक्षा जास्त असतो, तेव्हा तो/ती "सक्रिय" LS चा असतो. डोमेन.तथापि, जेव्हा विद्यार्थ्यांनी विशिष्ट 11 प्रश्नांमध्ये (तक्ता 1) “a” पेक्षा “b” अधिक निवडला आणि 5 पेक्षा जास्त गुण मिळवले तेव्हा “प्रतिबिंबित” LS म्हणून वर्गीकृत केले गेले.शेवटी, विद्यार्थी "समतोल" स्थितीत आहे.जर स्कोअर 5 गुणांपेक्षा जास्त नसेल, तर ही एक "प्रक्रिया" LS आहे.इतर LS परिमाणांसाठी वर्गीकरण प्रक्रिया पुनरावृत्ती झाली, म्हणजे धारणा (सक्रिय/प्रतिबिंबित), इनपुट (दृश्य/मौखिक), आणि आकलन (अनुक्रमिक/जागतिक).
डिसिजन ट्री मॉडेल्स वर्गीकरण प्रक्रियेच्या वेगवेगळ्या टप्प्यांवर वैशिष्ट्ये आणि निर्णय नियमांचे भिन्न उपसंच वापरू शकतात.हे एक लोकप्रिय वर्गीकरण आणि अंदाज साधन मानले जाते.फ्लोचार्ट [२०] सारख्या झाडाच्या संरचनेचा वापर करून त्याचे प्रतिनिधित्व केले जाऊ शकते, ज्यामध्ये गुणधर्मांनुसार चाचण्यांचे प्रतिनिधित्व करणारे अंतर्गत नोड्स आहेत, प्रत्येक शाखा चाचणी परिणामांचे प्रतिनिधित्व करतात आणि प्रत्येक लीफ नोड (लीफ नोड) ज्यामध्ये वर्ग लेबल आहे.
प्रत्येक विद्यार्थ्याच्या प्रतिसादांवर आधारित LS आपोआप स्कोअर करण्यासाठी आणि भाष्य करण्यासाठी एक साधा नियम-आधारित प्रोग्राम तयार केला गेला.नियम-आधारित हे IF स्टेटमेंटचे रूप घेते, जिथे “IF” ट्रिगरचे वर्णन करते आणि “THEN” करावयाची क्रिया निर्दिष्ट करते, उदाहरणार्थ: “X झाले तर Y करा” (Liu et al., 2014).जर डेटा संच सहसंबंध दर्शवित असेल आणि निर्णय वृक्ष मॉडेल योग्यरित्या प्रशिक्षित आणि मूल्यमापन केले असेल, तर हा दृष्टीकोन LS आणि IS जुळण्याची प्रक्रिया स्वयंचलित करण्याचा एक प्रभावी मार्ग असू शकतो.
विकासाच्या दुसऱ्या टप्प्यात, शिफारस साधनाची अचूकता सुधारण्यासाठी डेटासेट 255 पर्यंत वाढवला गेला.डेटा सेट 1:4 च्या प्रमाणात विभाजित केला जातो.चाचणी संचासाठी 25% (64) डेटा संच वापरला गेला आणि उर्वरित 75% (191) प्रशिक्षण संच (आकृती 2) म्हणून वापरला गेला.मॉडेलला त्याच डेटा सेटवर प्रशिक्षित आणि चाचणी होण्यापासून रोखण्यासाठी डेटा सेट विभाजित करणे आवश्यक आहे, ज्यामुळे मॉडेल शिकण्याऐवजी लक्षात ठेवू शकते.मॉडेलला ट्रेनिंग सेटवर प्रशिक्षित केले जाते आणि चाचणी सेटवर त्याच्या कार्यप्रदर्शनाचे मूल्यमापन केले जाते - मॉडेलने यापूर्वी कधीही न पाहिलेला डेटा.
एकदा IS टूल विकसित झाल्यानंतर, ऍप्लिकेशन वेब इंटरफेसद्वारे दंत विद्यार्थ्यांच्या प्रतिसादांवर आधारित LS चे वर्गीकरण करण्यास सक्षम असेल.वेब-आधारित माहिती सुरक्षा शिफारस साधन प्रणाली Django फ्रेमवर्क बॅकएंड म्हणून पायथन प्रोग्रामिंग भाषा वापरून तयार केली आहे.तक्ता 2 या प्रणालीच्या विकासासाठी वापरल्या जाणाऱ्या लायब्ररींची यादी देते.
विद्यार्थी LS मोजमापांचे स्वयंचलितपणे वर्गीकरण करण्यासाठी विद्यार्थ्यांच्या प्रतिसादांची गणना करण्यासाठी आणि काढण्यासाठी डेटासेट निर्णयाच्या झाडाच्या मॉडेलला दिला जातो.
दिलेल्या डेटा सेटवर निर्णय ट्री मशीन लर्निंग अल्गोरिदमच्या अचूकतेचे मूल्यांकन करण्यासाठी गोंधळ मॅट्रिक्सचा वापर केला जातो.त्याच वेळी, ते वर्गीकरण मॉडेलच्या कामगिरीचे मूल्यांकन करते.हे मॉडेलच्या अंदाजांचा सारांश देते आणि त्यांची वास्तविक डेटा लेबलशी तुलना करते.मूल्यमापन परिणाम चार भिन्न मूल्यांवर आधारित आहेत: खरे सकारात्मक (TP) – मॉडेलने सकारात्मक श्रेणीचा अचूक अंदाज लावला, फॉल्स पॉझिटिव्ह (FP) – मॉडेलने सकारात्मक श्रेणीचा अंदाज लावला, परंतु खरे लेबल नकारात्मक होते, खरे नकारात्मक (TN) – मॉडेलने नकारात्मक वर्गाचा अचूक अंदाज लावला आणि चुकीच्या नकारात्मक (FN) - मॉडेलने नकारात्मक वर्गाचा अंदाज लावला, परंतु खरे लेबल सकारात्मक आहे.
ही मूल्ये नंतर Python मधील स्किट-लर्न वर्गीकरण मॉडेलच्या विविध कार्यप्रदर्शन मेट्रिक्सची गणना करण्यासाठी वापरली जातात, म्हणजे अचूकता, अचूकता, रिकॉल आणि F1 स्कोअर.येथे उदाहरणे आहेत:
m-ILS प्रश्नावलीला उत्तर दिल्यानंतर रिकॉल (किंवा संवेदनशीलता) विद्यार्थ्याच्या LS चे अचूक वर्गीकरण करण्याच्या मॉडेलच्या क्षमतेचे मोजमाप करते.
विशिष्टतेला खरा ऋण दर म्हणतात.जसे तुम्ही वरील सूत्रावरून पाहू शकता, हे खरे नकारात्मक (TN) ते खरे ऋण आणि खोटे धन (FP) यांचे गुणोत्तर असावे.विद्यार्थ्यांच्या औषधांचे वर्गीकरण करण्यासाठी शिफारस केलेल्या साधनाचा भाग म्हणून, ते अचूक ओळखण्यास सक्षम असावे.
निर्णय वृक्ष एमएल मॉडेलचे प्रशिक्षण देण्यासाठी वापरलेल्या 50 विद्यार्थ्यांच्या मूळ डेटासेटने भाष्यांमध्ये मानवी चुकांमुळे (तक्ता 3) तुलनेने कमी अचूकता दर्शविली.LS स्कोअर आणि विद्यार्थ्यांच्या भाष्यांची आपोआप गणना करण्यासाठी एक साधा नियम-आधारित प्रोग्राम तयार केल्यानंतर, डेटासेटची वाढती संख्या (255) शिफारसकर्त्या प्रणालीला प्रशिक्षण देण्यासाठी आणि चाचणी करण्यासाठी वापरली गेली.
मल्टीक्लास कन्फ्युजन मॅट्रिक्समध्ये, कर्ण घटक प्रत्येक LS प्रकारासाठी योग्य अंदाजांची संख्या दर्शवतात (आकृती 4).निर्णय वृक्ष मॉडेल वापरून, एकूण 64 नमुन्यांचा अचूक अंदाज लावला गेला.अशा प्रकारे, या अभ्यासात, कर्ण घटक अपेक्षित परिणाम दर्शवतात, जे दर्शवितात की मॉडेल चांगली कामगिरी करते आणि प्रत्येक LS वर्गीकरणासाठी वर्ग लेबलचा अचूक अंदाज लावते.अशा प्रकारे, शिफारस साधनाची एकूण अचूकता 100% आहे.
अचूकता, अचूकता, रिकॉल आणि F1 स्कोअरची मूल्ये आकृती 5 मध्ये दर्शविली आहेत. निर्णय ट्री मॉडेल वापरून शिफारस प्रणालीसाठी, त्याचा F1 स्कोअर 1.0 "परिपूर्ण", परिपूर्ण अचूकता आणि रिकॉल दर्शवितो, लक्षणीय संवेदनशीलता आणि विशिष्टता दर्शवितो. मूल्ये
आकृती 6 प्रशिक्षण आणि चाचणी पूर्ण झाल्यानंतर निर्णय वृक्ष मॉडेलचे दृश्य दाखवते.शेजारी-शेजारी तुलना करताना, कमी वैशिष्ट्यांसह प्रशिक्षित निर्णय वृक्ष मॉडेलने उच्च अचूकता आणि सोपे मॉडेल व्हिज्युअलायझेशन दर्शवले.हे दर्शवते की वैशिष्ट्य अभियांत्रिकी वैशिष्ट्य कमी करण्यासाठी नेतृत्त्व मॉडेल कामगिरी सुधारण्यासाठी एक महत्त्वाची पायरी आहे.
निर्णय वृक्ष पर्यवेक्षित शिक्षण लागू करून, LS (इनपुट) आणि IS (लक्ष्य आउटपुट) मधील मॅपिंग स्वयंचलितपणे व्युत्पन्न होते आणि प्रत्येक LS साठी तपशीलवार माहिती असते.
निकालांवरून असे दिसून आले की 255 पैकी 34.9% विद्यार्थ्यांनी एक (1) LS पर्यायाला प्राधान्य दिले.बहुसंख्य (54.3%) दोन किंवा अधिक LS प्राधान्ये होती.12.2% विद्यार्थ्यांनी नोंदवले की LS खूप संतुलित आहे (तक्ता 4).आठ मुख्य LS व्यतिरिक्त, युनिव्हर्सिटी ऑफ मलाया डेंटल विद्यार्थ्यांसाठी LS वर्गीकरणाचे 34 संयोजन आहेत.त्यापैकी, धारणा, दृष्टी आणि आकलन आणि दृष्टी यांचे संयोजन हे विद्यार्थ्यांनी नोंदवलेले मुख्य एलएस आहेत (आकृती 7).
तक्ता 4 वरून पाहिल्याप्रमाणे, बहुसंख्य विद्यार्थ्यांमध्ये मुख्य संवेदी (13.7%) किंवा दृश्य (8.6%) LS होते.असे नोंदवले गेले की 12.2% विद्यार्थ्यांनी दृष्टी (अध्यक्ष-दृश्य LS) सह धारणा एकत्रित केली.हे निष्कर्ष सूचित करतात की विद्यार्थी प्रस्थापित पद्धतींद्वारे शिकणे आणि लक्षात ठेवणे पसंत करतात, विशिष्ट आणि तपशीलवार प्रक्रियांचे अनुसरण करतात आणि स्वभावाने लक्ष देतात.त्याच वेळी, ते बघून (आकृती इ. वापरून) शिकण्याचा आनंद घेतात आणि गटांमध्ये किंवा स्वतःहून माहितीवर चर्चा करून ते लागू करतात.
हा अभ्यास डेटा मायनिंगमध्ये वापरल्या जाणाऱ्या मशीन लर्निंग तंत्रांचे विहंगावलोकन प्रदान करतो, ज्यामध्ये विद्यार्थ्यांच्या LS चे त्वरित आणि अचूक अंदाज लावणे आणि योग्य IS ची शिफारस करणे यावर लक्ष केंद्रित केले जाते.निर्णय वृक्ष मॉडेलच्या वापराने त्यांच्या जीवनाशी आणि शैक्षणिक अनुभवांशी सर्वात जवळून संबंधित घटक ओळखले.हे एक पर्यवेक्षित मशीन लर्निंग अल्गोरिदम आहे जे विशिष्ट निकषांवर आधारित डेटाच्या संचाला उपश्रेणींमध्ये विभागून डेटाचे वर्गीकरण करण्यासाठी वृक्ष रचना वापरते.लीफ नोडवर निर्णय होईपर्यंत प्रत्येक अंतर्गत नोडच्या इनपुट वैशिष्ट्यांपैकी एकाच्या मूल्यावर आधारित इनपुट डेटाला उपसंचांमध्ये विभाजित करून हे कार्य करते.
निर्णयाच्या झाडाच्या अंतर्गत नोड्स m-ILS समस्येच्या इनपुट वैशिष्ट्यांवर आधारित समाधानाचे प्रतिनिधित्व करतात आणि लीफ नोड्स अंतिम LS वर्गीकरण अंदाज दर्शवतात.संपूर्ण अभ्यासादरम्यान, इनपुट वैशिष्ट्ये आणि आउटपुट अंदाज यांच्यातील संबंध पाहून निर्णय प्रक्रियेचे स्पष्टीकरण आणि कल्पना देणारी निर्णय वृक्षांची श्रेणीक्रम समजून घेणे सोपे आहे.
संगणक विज्ञान आणि अभियांत्रिकी क्षेत्रात, मशीन लर्निंग अल्गोरिदमचा वापर विद्यार्थ्यांच्या प्रवेश परीक्षेतील गुणांवर आधारित कामगिरीचा अंदाज लावण्यासाठी मोठ्या प्रमाणावर केला जातो [२१], लोकसंख्याशास्त्रीय माहिती आणि शिकण्याची वर्तणूक [२२].संशोधनात असे दिसून आले की अल्गोरिदमने विद्यार्थ्यांच्या कामगिरीचा अचूक अंदाज लावला आणि त्यांना शैक्षणिक अडचणींना धोका असलेल्या विद्यार्थ्यांना ओळखण्यात मदत केली.
दंत प्रशिक्षणासाठी व्हर्च्युअल रुग्ण सिम्युलेटरच्या विकासामध्ये एमएल अल्गोरिदमचा वापर नोंदवला जातो.सिम्युलेटर वास्तविक रुग्णांच्या शारीरिक प्रतिक्रियांचे अचूक पुनरुत्पादन करण्यास सक्षम आहे आणि दंत विद्यार्थ्यांना सुरक्षित आणि नियंत्रित वातावरणात प्रशिक्षित करण्यासाठी वापरला जाऊ शकतो [२३].इतर अनेक अभ्यास दर्शवतात की मशीन लर्निंग अल्गोरिदम दंत आणि वैद्यकीय शिक्षण आणि रुग्णांच्या काळजीची गुणवत्ता आणि कार्यक्षमता सुधारू शकतात.मशीन लर्निंग अल्गोरिदमचा वापर दंत रोगांच्या निदानामध्ये मदत करण्यासाठी केला गेला आहे जसे की लक्षणे आणि रुग्णाची वैशिष्ट्ये [२४, २५].इतर अभ्यासांनी मशीन लर्निंग अल्गोरिदमच्या वापराचा शोध लावला आहे जसे की रुग्णाच्या परिणामांचा अंदाज लावणे, उच्च-जोखीम असलेल्या रुग्णांची ओळख करणे, वैयक्तिक उपचार योजना विकसित करणे [२६], पीरियडॉन्टल उपचार [२७] आणि कॅरीज उपचार [२५].
दंतचिकित्सामधील मशीन लर्निंगच्या अनुप्रयोगावरील अहवाल प्रकाशित झाले असले तरी, दंत शिक्षणामध्ये त्याचा उपयोग मर्यादित आहे.म्हणून, या अभ्यासाचे उद्दिष्ट दंत विद्यार्थ्यांमध्ये LS आणि IS शी सर्वात जवळून संबंधित घटक ओळखण्यासाठी निर्णय वृक्ष मॉडेल वापरणे आहे.
या अभ्यासाचे परिणाम दर्शविते की विकसित शिफारस साधनामध्ये उच्च अचूकता आणि परिपूर्ण अचूकता आहे, हे दर्शविते की शिक्षकांना या साधनाचा फायदा होऊ शकतो.डेटा-चालित वर्गीकरण प्रक्रिया वापरून, ते वैयक्तिक शिफारसी प्रदान करू शकते आणि शिक्षक आणि विद्यार्थ्यांसाठी शैक्षणिक अनुभव आणि परिणाम सुधारू शकते.त्यापैकी, शिफारस साधनांद्वारे प्राप्त केलेली माहिती शिक्षकांच्या पसंतीच्या शिकवण्याच्या पद्धती आणि विद्यार्थ्यांच्या शिकण्याच्या गरजा यांच्यातील संघर्ष सोडवू शकते.उदाहरणार्थ, शिफारस साधनांच्या स्वयंचलित आउटपुटमुळे, विद्यार्थ्याचा IP ओळखण्यासाठी आणि संबंधित IP शी जुळण्यासाठी लागणारा वेळ लक्षणीयरीत्या कमी होईल.अशा प्रकारे, योग्य प्रशिक्षण उपक्रम आणि प्रशिक्षण साहित्य आयोजित केले जाऊ शकते.यामुळे विद्यार्थ्यांची सकारात्मक शिकण्याची वर्तणूक आणि लक्ष केंद्रित करण्याची क्षमता विकसित होण्यास मदत होते.एका अभ्यासात असे दिसून आले आहे की विद्यार्थ्यांना त्यांच्या पसंतीच्या एलएसशी जुळणारे शैक्षणिक साहित्य आणि शैक्षणिक क्रियाकलाप प्रदान केल्याने विद्यार्थ्यांना अधिक क्षमता [१२] साध्य करण्यासाठी अनेक मार्गांनी एकत्रित, प्रक्रिया आणि शिकण्याचा आनंद घेता येतो.संशोधन हे देखील दर्शविते की वर्गात विद्यार्थ्यांचा सहभाग सुधारण्याव्यतिरिक्त, विद्यार्थ्यांची शिकण्याची प्रक्रिया समजून घेणे देखील अध्यापन पद्धती आणि विद्यार्थ्यांशी संवाद सुधारण्यात महत्त्वपूर्ण भूमिका बजावते [28, 29].
तथापि, कोणत्याही आधुनिक तंत्रज्ञानाप्रमाणे, समस्या आणि मर्यादा आहेत.यामध्ये डेटा गोपनीयता, पूर्वाग्रह आणि निष्पक्षता आणि दंत शिक्षणामध्ये मशीन लर्निंग अल्गोरिदम विकसित आणि लागू करण्यासाठी आवश्यक व्यावसायिक कौशल्ये आणि संसाधने यांचा समावेश आहे;तथापि, या क्षेत्रातील वाढती स्वारस्य आणि संशोधन सूचित करते की मशीन लर्निंग तंत्रज्ञानाचा दंत शिक्षण आणि दंत सेवांवर सकारात्मक परिणाम होऊ शकतो.
या अभ्यासाचे परिणाम सूचित करतात की दंतवैद्यकातील अर्ध्या विद्यार्थ्यांमध्ये औषधे "समजून घेण्याची" प्रवृत्ती असते.या प्रकारच्या शिकणाऱ्याला तथ्ये आणि ठोस उदाहरणे, व्यावहारिक अभिमुखता, तपशिलासाठी संयम आणि “दृश्य” LS प्राधान्य असते, जेथे विद्यार्थी कल्पना आणि विचार व्यक्त करण्यासाठी चित्रे, ग्राफिक्स, रंग आणि नकाशे वापरण्यास प्राधान्य देतात.सध्याचे परिणाम दंत आणि वैद्यकीय विद्यार्थ्यांमध्ये एलएसचे मूल्यांकन करण्यासाठी आयएलएस वापरून इतर अभ्यासांशी सुसंगत आहेत, ज्यापैकी बहुतेकांना ग्रहणात्मक आणि व्हिज्युअल एलएसची वैशिष्ट्ये आहेत [12, 30].Dalmolin et al सुचविते की विद्यार्थ्यांना त्यांच्या LS बद्दल माहिती देणे त्यांना त्यांच्या शिकण्याच्या क्षमतेपर्यंत पोहोचू देते.संशोधकांचा असा युक्तिवाद आहे की जेव्हा शिक्षक विद्यार्थ्यांची शैक्षणिक प्रक्रिया पूर्णपणे समजून घेतात, तेव्हा विविध अध्यापन पद्धती आणि क्रियाकलाप लागू केले जाऊ शकतात ज्यामुळे विद्यार्थ्यांचे कार्यप्रदर्शन आणि शिकण्याचा अनुभव सुधारेल [१२, ३१, ३२].इतर अभ्यासातून असे दिसून आले आहे की विद्यार्थ्यांचे एलएस समायोजित केल्याने विद्यार्थ्यांच्या शिकण्याच्या अनुभवामध्ये आणि त्यांच्या स्वतःच्या एलएस [१३, ३३] नुसार त्यांच्या शिकण्याच्या शैली बदलल्यानंतर त्यांच्या कार्यक्षमतेत सुधारणा दिसून येते.
विद्यार्थ्यांच्या शिकण्याच्या क्षमतेवर आधारित शिकवण्याच्या धोरणांच्या अंमलबजावणीबाबत शिक्षकांची मते भिन्न असू शकतात.काहींना व्यावसायिक विकासाच्या संधी, मार्गदर्शन आणि समुदाय समर्थन यासह या दृष्टिकोनाचे फायदे दिसत असले तरी, इतरांना वेळ आणि संस्थात्मक समर्थनाची चिंता असू शकते.विद्यार्थी-केंद्रित वृत्ती निर्माण करण्यासाठी संतुलनासाठी प्रयत्न करणे महत्त्वाचे आहे.उच्च शिक्षण अधिकारी, जसे की विद्यापीठ प्रशासक, नाविन्यपूर्ण पद्धतींचा परिचय करून आणि शिक्षकांच्या विकासास समर्थन देऊन सकारात्मक बदल घडवून आणण्यात महत्त्वाची भूमिका बजावू शकतात [३४].खरोखर गतिमान आणि प्रतिसाद देणारी उच्च शिक्षण प्रणाली तयार करण्यासाठी, धोरणकर्त्यांनी धोरणात्मक बदल करणे, तंत्रज्ञानाच्या एकत्रीकरणासाठी संसाधने समर्पित करणे आणि विद्यार्थी-केंद्रित दृष्टिकोनांना प्रोत्साहन देणारी फ्रेमवर्क तयार करणे यासारखी धाडसी पावले उचलली पाहिजेत.इच्छित परिणाम साध्य करण्यासाठी हे उपाय महत्त्वपूर्ण आहेत.विभेदित सूचनांवरील अलीकडील संशोधनाने स्पष्टपणे दर्शविले आहे की भिन्न निर्देशांच्या यशस्वी अंमलबजावणीसाठी शिक्षकांसाठी सतत प्रशिक्षण आणि विकासाच्या संधी आवश्यक आहेत [३५].
हे साधन दंत शिक्षकांना मौल्यवान समर्थन प्रदान करते जे विद्यार्थी-अनुकूल शैक्षणिक क्रियाकलापांचे नियोजन करण्यासाठी विद्यार्थी-केंद्रित दृष्टीकोन घेऊ इच्छितात.तथापि, हा अभ्यास निर्णय वृक्ष एमएल मॉडेल्सच्या वापरापुरता मर्यादित आहे.भविष्यात, शिफारस साधनांची अचूकता, विश्वासार्हता आणि अचूकता यांची तुलना करण्यासाठी वेगवेगळ्या मशीन लर्निंग मॉडेल्सच्या कामगिरीची तुलना करण्यासाठी अधिक डेटा गोळा केला जावा.याव्यतिरिक्त, एखाद्या विशिष्ट कार्यासाठी सर्वात योग्य मशीन शिक्षण पद्धत निवडताना, मॉडेलची जटिलता आणि व्याख्या यासारख्या इतर घटकांचा विचार करणे महत्वाचे आहे.
या अभ्यासाची मर्यादा अशी आहे की दंत विद्यार्थ्यांमध्ये केवळ LS आणि IS च्या मॅपिंगवर लक्ष केंद्रित केले आहे.म्हणून, विकसित शिफारस प्रणाली केवळ दंत विद्यार्थ्यांसाठी योग्य असलेल्यांची शिफारस करेल.सामान्य उच्च शिक्षण विद्यार्थ्यांच्या वापरासाठी बदल आवश्यक आहेत.
नव्याने विकसित केलेले मशीन लर्निंग-आधारित शिफारस साधन विद्यार्थ्यांच्या LS चे तत्काळ वर्गीकरण आणि संबंधित IS शी जुळवून घेण्यास सक्षम आहे, ज्यामुळे दंत शिक्षकांना संबंधित अध्यापन आणि शिकण्याच्या क्रियाकलापांची योजना करण्यात मदत करणारा हा पहिला दंत शिक्षण कार्यक्रम आहे.डेटा-चालित ट्रायज प्रक्रियेचा वापर करून, ते वैयक्तिकृत शिफारसी देऊ शकते, वेळेची बचत करू शकते, शिकवण्याच्या धोरणांमध्ये सुधारणा करू शकते, लक्ष्यित हस्तक्षेपांना समर्थन देऊ शकते आणि चालू असलेल्या व्यावसायिक विकासास प्रोत्साहन देऊ शकते.त्याचा अनुप्रयोग दंत शिक्षणासाठी विद्यार्थी-केंद्रित दृष्टिकोनांना प्रोत्साहन देईल.
गिलक जानी असोसिएटेड प्रेस.विद्यार्थ्याची शिकण्याची शैली आणि शिक्षकाची शिकवण्याची शैली यांच्यात जुळणे किंवा जुळणे.इंट जे मॉड एज्युक कॉम्प्युटर सायन्स.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
पोस्ट वेळ: एप्रिल-२९-२०२४