डिसिजन ट्री मशीन लर्निंग मॉडेल्सचा वापर करून दंतवैद्यकीय विद्यार्थ्यांच्या पसंतीच्या शिक्षण शैलींचे संबंधित शिक्षण धोरणांशी मॅपिंग करणे | बीएमसी मेडिकल एज्युकेशन

दंतवैद्यकशास्त्रासह उच्च शिक्षण संस्थांमध्ये विद्यार्थी-केंद्रित शिक्षणाची (SCL) गरज वाढत आहे. तथापि, दंत शिक्षणामध्ये SCL चा वापर मर्यादित आहे. म्हणून, या अभ्यासाचा उद्देश दंतवैद्यकशास्त्रातील विद्यार्थ्यांची पसंतीची शिकण्याची शैली (LS) आणि संबंधित शिकण्याच्या पद्धती (IS) यांचे मॅपिंग करण्यासाठी डिसिजन ट्री मशीन लर्निंग (ML) तंत्रज्ञानाचा वापर करून दंतवैद्यकशास्त्रामध्ये SCL च्या वापराला प्रोत्साहन देणे आहे, जेणेकरून माहिती प्रणाली मार्गदर्शक तत्त्वे (IS guidelines) विकसित करण्यासाठी एक उपयुक्त साधन उपलब्ध होईल.
मलाया विद्यापीठातील एकूण २५५ दंतवैद्यक विद्यार्थ्यांनी सुधारित अध्ययन शैली निर्देशांक (m-ILS) प्रश्नावली पूर्ण केली, ज्यामध्ये त्यांना त्यांच्या संबंधित अध्ययन शैलींमध्ये (LSs) वर्गीकृत करण्यासाठी ४४ प्रश्न होते. गोळा केलेला डेटा (ज्याला डेटासेट म्हणतात) पर्यवेक्षित निर्णय वृक्ष शिक्षणामध्ये (supervised decision tree learning) वापरला जातो, जेणेकरून विद्यार्थ्यांच्या अध्ययन शैलींना सर्वात योग्य आंतर-शैलीशी (IS) आपोआप जुळवता येईल. त्यानंतर मशीन लर्निंग-आधारित आंतर-शैली शिफारस साधनाची अचूकता तपासली जाते.
LS (इनपुट) आणि IS (लक्ष्य आउटपुट) यांच्यातील स्वयंचलित मॅपिंग प्रक्रियेमध्ये डिसिजन ट्री मॉडेल्सच्या वापरामुळे प्रत्येक दंतवैद्यकीय विद्यार्थ्यासाठी योग्य शिक्षण धोरणांची तात्काळ यादी उपलब्ध होते. IS शिफारस साधनाने एकूण मॉडेल अचूकतेची परिपूर्ण अचूकता आणि रिकॉल दर्शवला, ज्यामुळे असे सूचित होते की LS ला IS शी जुळवण्यामध्ये चांगली संवेदनशीलता आणि विशिष्टता आहे.
मशीन लर्निंग डिसिजन ट्रीवर आधारित एका आयएस शिफारस साधनाने, दंतवैद्यकीय विद्यार्थ्यांच्या शिकण्याच्या पद्धतींना योग्य शिक्षण धोरणांशी अचूकपणे जुळवण्याची आपली क्षमता सिद्ध केली आहे. हे साधन विद्यार्थी-केंद्रित अभ्यासक्रम किंवा मॉड्यूलच्या नियोजनासाठी प्रभावी पर्याय पुरवते, जे विद्यार्थ्यांचा शिकण्याचा अनुभव अधिक समृद्ध करू शकतात.
शैक्षणिक संस्थांमध्ये शिकवणे आणि शिकणे या मूलभूत क्रिया आहेत. उच्च-गुणवत्तेची व्यावसायिक शिक्षण प्रणाली विकसित करताना, विद्यार्थ्यांच्या शिकण्याच्या गरजांवर लक्ष केंद्रित करणे महत्त्वाचे आहे. विद्यार्थी आणि त्यांचे शिकण्याचे वातावरण यांच्यातील आंतरक्रिया त्यांच्या अध्ययन समाधानाद्वारे (LS) निश्चित केली जाऊ शकते. संशोधनातून असे दिसून येते की, विद्यार्थ्यांच्या अध्ययन समाधान (LS) आणि अध्ययन समाधान (IS) यांच्यात शिक्षकांनी हेतुपुरस्सर जुळवलेल्या विसंगतीमुळे विद्यार्थ्यांच्या शिकण्यावर नकारात्मक परिणाम होऊ शकतात, जसे की लक्ष आणि प्रेरणा कमी होणे. याचा अप्रत्यक्षपणे विद्यार्थ्यांच्या कामगिरीवर परिणाम होईल [1,2].
IS ही शिक्षकांनी विद्यार्थ्यांना ज्ञान आणि कौशल्ये देण्यासाठी वापरलेली एक पद्धत आहे, ज्यामध्ये विद्यार्थ्यांना शिकण्यास मदत करणे समाविष्ट आहे [3]. सर्वसाधारणपणे, चांगले शिक्षक त्यांच्या विद्यार्थ्यांच्या ज्ञानाची पातळी, ते शिकत असलेल्या संकल्पना आणि त्यांच्या शिकण्याच्या टप्प्याशी जुळणाऱ्या अध्यापन धोरणांची किंवा IS ची योजना आखतात. सैद्धांतिकदृष्ट्या, जेव्हा LS आणि IS जुळतात, तेव्हा विद्यार्थी प्रभावीपणे शिकण्यासाठी विशिष्ट कौशल्यांचा संच संघटित करून वापरण्यास सक्षम होतील. सामान्यतः, पाठ योजनेत टप्प्यांदरम्यान अनेक संक्रमणे समाविष्ट असतात, जसे की शिकवण्यापासून मार्गदर्शित सरावाकडे किंवा मार्गदर्शित सरावापासून स्वतंत्र सरावाकडे. हे लक्षात घेऊन, प्रभावी शिक्षक अनेकदा विद्यार्थ्यांचे ज्ञान आणि कौशल्ये वाढवण्याच्या ध्येयाने अध्यापनाची योजना आखतात [4].
दंतवैद्यकासह उच्च शिक्षण संस्थांमध्ये SCL ची मागणी वाढत आहे. SCL धोरणे विद्यार्थ्यांच्या शिकण्याच्या गरजा पूर्ण करण्यासाठी तयार केली जातात. हे साध्य केले जाऊ शकते, उदाहरणार्थ, जर विद्यार्थी शिकण्याच्या उपक्रमांमध्ये सक्रियपणे सहभागी झाले आणि शिक्षक सुलभक म्हणून काम करत असतील आणि मौल्यवान अभिप्राय देण्यासाठी जबाबदार असतील. असे म्हटले जाते की विद्यार्थ्यांच्या शैक्षणिक पातळी किंवा पसंतीनुसार योग्य असलेले शिकण्याचे साहित्य आणि उपक्रम प्रदान केल्याने विद्यार्थ्यांचे शिकण्याचे वातावरण सुधारू शकते आणि सकारात्मक शिकण्याच्या अनुभवांना प्रोत्साहन मिळू शकते [5].
सर्वसाधारणपणे, दंतवैद्यकीय विद्यार्थ्यांची शिकण्याची प्रक्रिया त्यांना कराव्या लागणाऱ्या विविध क्लिनिकल प्रक्रिया आणि ज्या क्लिनिकल वातावरणात ते प्रभावी आंतरवैयक्तिक कौशल्ये विकसित करतात, यांमुळे प्रभावित होते. प्रशिक्षणाचा उद्देश विद्यार्थ्यांना दंतचिकित्सेचे मूलभूत ज्ञान दंत क्लिनिकल कौशल्यांशी जोडण्यास आणि मिळवलेले ज्ञान नवीन क्लिनिकल परिस्थितींमध्ये लागू करण्यास सक्षम करणे हा आहे [6, 7]. LS आणि IS यांच्यातील संबंधावरील सुरुवातीच्या संशोधनात असे आढळून आले की, पसंतीच्या LS नुसार शिकण्याच्या धोरणांमध्ये बदल केल्यास शैक्षणिक प्रक्रिया सुधारण्यास मदत होईल [8]. लेखक विद्यार्थ्यांच्या शिकण्याच्या पद्धती आणि गरजांनुसार जुळवून घेण्यासाठी विविध प्रकारच्या अध्यापन आणि मूल्यांकन पद्धती वापरण्याची शिफारस देखील करतात.
शिक्षकांना अध्ययन शैलीच्या (LS) ज्ञानाचा उपयोग करून अशा सूचनांची रचना, विकास आणि अंमलबजावणी करण्यास मदत होते, ज्यामुळे विद्यार्थ्यांना विषयाचे सखोल ज्ञान आणि आकलन वाढण्यास मदत होईल. संशोधकांनी कोल्ब अनुभवात्मक शिक्षण मॉडेल, फेल्डर-सिल्व्हरमन शिक्षण शैली मॉडेल (FSLSM), आणि फ्लेमिंग VAK/VARK मॉडेल [5, 9, 10] यांसारखी अनेक अध्ययन शैली मूल्यांकन साधने विकसित केली आहेत. साहित्यानुसार, ही शिक्षण मॉडेल्स सर्वात जास्त वापरली जाणारी आणि सर्वाधिक अभ्यासलेली शिक्षण मॉडेल्स आहेत. सध्याच्या संशोधन कार्यात, दंतवैद्यक विद्यार्थ्यांमधील अध्ययन शैलीचे मूल्यांकन करण्यासाठी FSLSM चा वापर केला आहे.
अभियांत्रिकीमध्ये अनुकूलनशील शिक्षणाचे मूल्यांकन करण्यासाठी FSLSM हे एक मोठ्या प्रमाणावर वापरले जाणारे मॉडेल आहे. आरोग्य विज्ञानामध्ये (वैद्यकशास्त्र, नर्सिंग, फार्मसी आणि दंतवैद्यकशास्त्र यासह) FSLSM मॉडेल्स वापरणारी अनेक प्रकाशित कामे आढळतात [5, 11, 12, 13]. FLSM मध्ये LS चे आयाम मोजण्यासाठी वापरल्या जाणाऱ्या साधनास इंडेक्स ऑफ लर्निंग स्टाईल्स (ILS) [8] म्हणतात, ज्यामध्ये LS च्या चार आयामांचे मूल्यांकन करणारे 44 आयटम आहेत: प्रक्रिया (सक्रिय/चिंतनात्मक), आकलन (संवेदी/अंतर्ज्ञानी), इनपुट (दृश्य/शाब्दिक) आणि समज (अनुक्रमिक/जागतिक) [14].
आकृती १ मध्ये दाखवल्याप्रमाणे, प्रत्येक FSLSM आयामाची एक प्रमुख पसंती असते. उदाहरणार्थ, प्रक्रिया आयामामध्ये, “सक्रिय” शिक्षण प्रवृत्ती असलेले विद्यार्थी शिकण्याच्या साहित्याशी थेट संवाद साधून माहितीवर प्रक्रिया करणे, कृतीतून शिकणे आणि गटांमध्ये शिकण्याकडे कल ठेवतात. “चिंतनशील” शिक्षण प्रवृत्ती म्हणजे विचारातून शिकणे आणि एकट्याने काम करण्यास प्राधान्य देणे. शिक्षण प्रवृत्तीच्या “जाणणे” आयामाचे “भावना” आणि/किंवा “अंतर्ज्ञान” मध्ये विभाजन केले जाऊ शकते. “भावना” प्रवृत्तीचे विद्यार्थी अधिक ठोस माहिती आणि व्यावहारिक प्रक्रियांना प्राधान्य देतात, ते तथ्य-केंद्रित असतात, तर “अंतर्ज्ञानी” प्रवृत्तीचे विद्यार्थी अमूर्त सामग्रीला प्राधान्य देतात आणि स्वभावाने अधिक नाविन्यपूर्ण व सर्जनशील असतात. शिक्षण प्रवृत्तीच्या “आदान” आयामामध्ये “दृश्य” आणि “मौखिक” शिकणाऱ्यांचा समावेश होतो. “दृश्य” शिक्षण प्रवृत्ती असलेले लोक दृश्यात्मक सादरीकरणाद्वारे (जसे की आकृत्या, व्हिडिओ किंवा थेट प्रात्यक्षिके) शिकण्यास प्राधान्य देतात, तर “मौखिक” शिक्षण प्रवृत्ती असलेले लोक लिखित किंवा तोंडी स्पष्टीकरणातील शब्दांद्वारे शिकण्यास प्राधान्य देतात. शिक्षण प्रवृत्तीचे आयाम “समजून घेण्यासाठी”, अशा शिकणाऱ्यांचे “अनुक्रमिक” आणि “जागतिक” मध्ये विभाजन केले जाऊ शकते. अनुक्रमिक शिक्षण घेणारे विद्यार्थी रेषीय विचारप्रक्रियेला प्राधान्य देतात आणि टप्प्याटप्प्याने शिकतात, तर जागतिक शिक्षण घेणाऱ्या विद्यार्थ्यांची विचारप्रक्रिया समग्र असते आणि ते जे काही शिकत असतात ते त्यांना नेहमीच अधिक चांगल्या प्रकारे समजते.
अलीकडे, अनेक संशोधकांनी स्वयंचलित डेटा-चालित शोधाच्या पद्धतींचा शोध घेण्यास सुरुवात केली आहे, ज्यामध्ये मोठ्या प्रमाणात डेटाचे विश्लेषण करण्यास सक्षम नवीन अल्गोरिदम आणि मॉडेल्सचा विकास समाविष्ट आहे [15, 16]. प्रदान केलेल्या डेटाच्या आधारावर, सुपरवाइज्ड एमएल (मशीन लर्निंग) अल्गोरिदमच्या रचनेवर आधारित भविष्यातील परिणामांचा अंदाज लावणारे नमुने आणि गृहितके तयार करण्यास सक्षम आहे [17]. सोप्या भाषेत सांगायचे तर, सुपरवाइज्ड मशीन लर्निंग तंत्रज्ञान इनपुट डेटा हाताळते आणि अल्गोरिदमना प्रशिक्षित करते. त्यानंतर ते प्रदान केलेल्या इनपुट डेटासाठी समान परिस्थितींच्या आधारावर परिणामांचे वर्गीकरण किंवा अंदाज लावणारी एक श्रेणी तयार करते. सुपरवाइज्ड मशीन लर्निंग अल्गोरिदमचा मुख्य फायदा म्हणजे आदर्श आणि इच्छित परिणाम स्थापित करण्याची त्याची क्षमता [17].
डेटा-चालित पद्धती आणि डिसिजन ट्री कंट्रोल मॉडेल्सच्या वापराद्वारे, LS चे स्वयंचलितपणे ओळखणे शक्य आहे. आरोग्य विज्ञानासह [18, 19] विविध क्षेत्रांतील प्रशिक्षण कार्यक्रमांमध्ये डिसिजन ट्रीचा मोठ्या प्रमाणावर वापर केला जातो असे नोंदवले गेले आहे. या अभ्यासात, विद्यार्थ्यांचे LS ओळखण्यासाठी आणि त्यांच्यासाठी सर्वोत्तम IS ची शिफारस करण्यासाठी सिस्टम डेव्हलपर्सद्वारे मॉडेलला विशेषतः प्रशिक्षित केले गेले.
या अभ्यासाचा उद्देश विद्यार्थ्यांच्या LS (लाइफ सपोर्ट) वर आधारित आयएस (माहिती प्रणाली) वितरण धोरणे विकसित करणे आणि LS शी जुळणारे आयएस शिफारस साधन विकसित करून SCL (स्ट्रक्चरल क्लासिफिकेशन) दृष्टिकोन लागू करणे हा आहे. SCL पद्धतीचे एक धोरण म्हणून आयएस शिफारस साधनाच्या डिझाइनची प्रक्रिया आकृती १ मध्ये दर्शविली आहे. आयएस शिफारस साधन दोन भागांमध्ये विभागलेले आहे, ज्यामध्ये ILS (इंटिग्रेटेड लाइफ सपोर्ट) वापरून LS वर्गीकरण यंत्रणा आणि विद्यार्थ्यांसाठी सर्वात योग्य आयएस प्रदर्शन यांचा समावेश आहे.
विशेषतः, माहिती सुरक्षा शिफारस साधनांच्या वैशिष्ट्यांमध्ये वेब तंत्रज्ञानाचा वापर आणि डिसिजन ट्री मशीन लर्निंगचा वापर यांचा समावेश होतो. सिस्टीम डेव्हलपर्स त्यांना मोबाईल फोन आणि टॅब्लेटसारख्या मोबाईल उपकरणांशी जुळवून घेऊन वापरकर्त्याचा अनुभव आणि गतिशीलता सुधारतात.
हा प्रयोग दोन टप्प्यांत पार पडला आणि मलाया विद्यापीठाच्या दंतवैद्यक विद्याशाखेतील विद्यार्थ्यांनी त्यात स्वेच्छेने सहभाग घेतला. सहभागींनी दंतवैद्यक विद्यार्थ्यांच्या इंग्रजीतील ऑनलाइन एम-आयएलएस (m-ILS) ला प्रतिसाद दिला. पहिल्या टप्प्यात, डिसिजन ट्री मशीन लर्निंग अल्गोरिदमला प्रशिक्षित करण्यासाठी ५० विद्यार्थ्यांचा डेटासेट वापरण्यात आला. विकास प्रक्रियेच्या दुसऱ्या टप्प्यात, विकसित केलेल्या साधनाची अचूकता सुधारण्यासाठी २५५ विद्यार्थ्यांचा डेटासेट वापरण्यात आला.
शैक्षणिक वर्षानुसार, प्रत्येक टप्प्याच्या सुरुवातीला सर्व सहभागींना मायक्रोसॉफ्ट टीम्सद्वारे एक ऑनलाइन माहिती सत्र दिले जाते. अभ्यासाचा उद्देश समजावून सांगितला गेला आणि माहितीपूर्ण संमती मिळवली गेली. सर्व सहभागींना एम-आयएलएस (m-ILS) वापरण्यासाठी एक लिंक देण्यात आली. प्रत्येक विद्यार्थ्याला प्रश्नावलीतील सर्व ४४ प्रश्नांची उत्तरे देण्याची सूचना देण्यात आली. सत्र सुरू होण्यापूर्वीच्या सुट्टीत, त्यांना त्यांच्या सोयीच्या वेळी आणि ठिकाणी सुधारित आयएलएस (modified ILS) पूर्ण करण्यासाठी एक आठवड्याचा कालावधी देण्यात आला. एम-आयएलएस हे मूळ आयएलएस साधनावर आधारित असून दंतवैद्यक विद्यार्थ्यांसाठी सुधारित केले आहे. मूळ आयएलएसप्रमाणेच, यात समान अंतरावर विभागलेले ४४ प्रश्न (अ, ब) आहेत, ज्यात प्रत्येकी ११ प्रश्न आहेत, आणि त्यांचा उपयोग प्रत्येक एफएसएलएसएम (FSLSM) आयामाच्या पैलूंचे मूल्यांकन करण्यासाठी केला जातो.
साधनाच्या विकासाच्या सुरुवातीच्या टप्प्यात, संशोधकांनी ५० दंतवैद्यकीय विद्यार्थ्यांच्या डेटासेटचा वापर करून नकाशांवर स्वतः खुणा केल्या. एफएसएलएमनुसार, ही प्रणाली “अ” आणि “ब” या उत्तरांची बेरीज देते. प्रत्येक आयामासाठी, जर विद्यार्थ्याने उत्तर म्हणून “अ” निवडले, तर एलएसचे वर्गीकरण सक्रिय/संवेदी/दृश्य/अनुक्रमिक असे केले जाते, आणि जर विद्यार्थ्याने उत्तर म्हणून “ब” निवडले, तर विद्यार्थ्याचे वर्गीकरण चिंतनशील/अंतर्ज्ञानी/भाषिक / जागतिक शिकणारा असे केले जाते.
दंत शिक्षण संशोधक आणि प्रणाली विकसक यांच्यातील कार्यप्रवाहाचे समायोजन केल्यानंतर, FLSSM डोमेनवर आधारित प्रश्न निवडले गेले आणि प्रत्येक विद्यार्थ्याच्या LS चा अंदाज लावण्यासाठी ते ML मॉडेलमध्ये समाविष्ट केले गेले. मशीन लर्निंगच्या क्षेत्रात, डेटाच्या गुणवत्तेवर भर देत, "चुकीचा इनपुट, चुकीचा आउटपुट" (Garbage in, garbage out) ही एक लोकप्रिय म्हण आहे. इनपुट डेटाची गुणवत्ता मशीन लर्निंग मॉडेलची अचूकता आणि सुस्पष्टता ठरवते. फीचर इंजिनिअरिंगच्या टप्प्यादरम्यान, FLSSM वर आधारित "a" आणि "b" या उत्तरांची बेरीज करून एक नवीन फीचर सेट तयार केला जातो. औषधांच्या स्थानांचे ओळख क्रमांक तक्ता १ मध्ये दिले आहेत.
उत्तरांवर आधारित गुणांची गणना करा आणि विद्यार्थ्याचे LS निश्चित करा. प्रत्येक विद्यार्थ्यासाठी, गुणांची श्रेणी 1 ते 11 आहे. 1 ते 3 पर्यंतचे गुण एकाच आयामामध्ये शिकण्याच्या पसंतींचा समतोल दर्शवतात, आणि 5 ते 7 पर्यंतचे गुण मध्यम पसंती दर्शवतात, जे सूचित करते की विद्यार्थी एका वातावरणात इतरांना शिकवण्यास प्राधान्य देतात. त्याच आयामावरील आणखी एक भिन्नता म्हणजे 9 ते 11 पर्यंतचे गुण एका टोकासाठी किंवा दुसऱ्या टोकासाठी तीव्र पसंती दर्शवतात [8].
प्रत्येक आयामासाठी, औषधांचे “सक्रिय”, “चिंतनशील” आणि “संतुलित” असे गट पाडण्यात आले. उदाहरणार्थ, जेव्हा एखादा विद्यार्थी एका विशिष्ट प्रश्नावर “b” पेक्षा “a” ला जास्त वेळा उत्तर देतो आणि प्रोसेसिंग एलएस आयामाचे प्रतिनिधित्व करणाऱ्या एका विशिष्ट प्रश्नासाठी त्याचा/तिचा स्कोअर ५ च्या मर्यादेपेक्षा जास्त असतो, तेव्हा तो/ती “सक्रिय” एलएस डोमेनमध्ये येतो/येते. तथापि, जेव्हा विद्यार्थ्यांनी विशिष्ट ११ प्रश्नांमध्ये (तक्ता १) “a” पेक्षा “b” ला जास्त वेळा निवडले आणि ५ पेक्षा जास्त गुण मिळवले, तेव्हा त्यांना “चिंतनशील” एलएस म्हणून वर्गीकृत केले गेले. शेवटी, विद्यार्थी “संतुलन” अवस्थेत असतो. जर स्कोअर ५ गुणांपेक्षा जास्त नसेल, तर हे “प्रक्रिया” एलएस आहे. वर्गीकरणाची प्रक्रिया इतर एलएस आयामांसाठी, म्हणजेच संवेदन (सक्रिय/चिंतनशील), इनपुट (दृश्य/मौखिक), आणि आकलन (अनुक्रमिक/जागतिक) यासाठी पुन्हा करण्यात आली.
निर्णय वृक्ष मॉडेल वर्गीकरण प्रक्रियेच्या वेगवेगळ्या टप्प्यांवर वैशिष्ट्यांचे आणि निर्णय नियमांचे वेगवेगळे उपसंच वापरू शकतात. हे एक लोकप्रिय वर्गीकरण आणि अंदाज साधन मानले जाते. हे फ्लोचार्ट [20] सारख्या वृक्ष संरचनेचा वापर करून दर्शविले जाऊ शकते, ज्यामध्ये गुणधर्मानुसार चाचण्या दर्शवणारे अंतर्गत नोड्स, चाचणी परिणाम दर्शवणारी प्रत्येक शाखा आणि वर्ग लेबल असलेली प्रत्येक पर्ण नोड (लीफ नोड) असते.
प्रत्येक विद्यार्थ्याच्या प्रतिसादांवर आधारित त्यांच्या LS ला स्वयंचलितपणे गुण देण्यासाठी आणि त्यावर भाष्य करण्यासाठी एक साधा नियम-आधारित प्रोग्राम तयार करण्यात आला. नियम-आधारित पद्धत ही 'IF' विधानाच्या स्वरूपात असते, जिथे “IF” ट्रिगरचे वर्णन करते आणि “THEN” करावयाची कृती निर्दिष्ट करते, उदाहरणार्थ: “जर X घडले, तर Y करा” (Liu et al., 2014). जर डेटा सेटमध्ये सहसंबंध दिसून येत असेल आणि डिसिजन ट्री मॉडेल योग्यरित्या प्रशिक्षित व मूल्यमापन केलेले असेल, तर LS आणि IS जुळवण्याची प्रक्रिया स्वयंचलित करण्यासाठी हा दृष्टिकोन एक प्रभावी मार्ग ठरू शकतो.
विकासाच्या दुसऱ्या टप्प्यात, शिफारस साधनाची (recommendation tool) अचूकता सुधारण्यासाठी डेटासेट २५५ पर्यंत वाढवण्यात आला. डेटासेट १:४ या प्रमाणात विभागलेला आहे. डेटासेटचा २५% (६४) भाग चाचणी संचासाठी (test set) आणि उर्वरित ७५% (१९१) भाग प्रशिक्षण संचासाठी (training set) वापरण्यात आला (आकृती २). मॉडेलला एकाच डेटासेटवर प्रशिक्षित आणि तपासले जाण्यापासून रोखण्यासाठी डेटासेट विभागणे आवश्यक आहे, कारण यामुळे मॉडेल शिकण्याऐवजी लक्षात ठेवू शकते. मॉडेलला प्रशिक्षण संचावर प्रशिक्षित केले जाते आणि चाचणी संचावर त्याच्या कामगिरीचे मूल्यांकन केले जाते—हा तो डेटा आहे जो मॉडेलने यापूर्वी कधीही पाहिलेला नाही.
एकदा आयएस टूल विकसित झाल्यावर, हे ॲप्लिकेशन वेब इंटरफेसद्वारे दंतवैद्यकीय विद्यार्थ्यांच्या प्रतिसादांच्या आधारे एलएसचे वर्गीकरण करू शकेल. ही वेब-आधारित माहिती सुरक्षा शिफारस प्रणाली पायथॉन प्रोग्रामिंग भाषेत तयार केली असून, बॅकएंड म्हणून जँगो फ्रेमवर्कचा वापर केला आहे. या प्रणालीच्या विकासात वापरलेल्या लायब्ररींची यादी तक्ता २ मध्ये दिली आहे.
विद्यार्थ्यांच्या LS मापनांचे स्वयंचलितपणे वर्गीकरण करण्यासाठी, विद्यार्थ्यांच्या प्रतिसादांची गणना करून ते काढण्याकरिता डेटासेट डिसिजन ट्री मॉडेलमध्ये दिला जातो.
कन्फ्युजन मॅट्रिक्सचा उपयोग दिलेल्या डेटा सेटवर डिसिजन ट्री मशीन लर्निंग अल्गोरिदमच्या अचूकतेचे मूल्यांकन करण्यासाठी केला जातो. त्याच वेळी, ते वर्गीकरण मॉडेलच्या कामगिरीचेही मूल्यांकन करते. ते मॉडेलच्या अंदाजांचा सारांश देते आणि त्यांची वास्तविक डेटा लेबल्सशी तुलना करते. मूल्यांकनाचे निकाल चार वेगवेगळ्या मूल्यांवर आधारित असतात: ट्रू पॉझिटिव्ह (TP) – मॉडेलने पॉझिटिव्ह श्रेणीचा अचूक अंदाज लावला, फॉल्स पॉझिटिव्ह (FP) – मॉडेलने पॉझिटिव्ह श्रेणीचा अंदाज लावला, परंतु खरे लेबल निगेटिव्ह होते, ट्रू निगेटिव्ह (TN) – मॉडेलने निगेटिव्ह श्रेणीचा अचूक अंदाज लावला, आणि फॉल्स निगेटिव्ह (FN) – मॉडेल निगेटिव्ह श्रेणीचा अंदाज लावतो, परंतु खरे लेबल पॉझिटिव्ह असते.
नंतर या मूल्यांचा वापर पायथॉनमधील scikit-learn वर्गीकरण मॉडेलच्या विविध कार्यप्रदर्शन मेट्रिक्सची, म्हणजेच प्रिसिजन, रिकॉल आणि F1 स्कोअरची गणना करण्यासाठी केला जातो. येथे उदाहरणे दिली आहेत:
रिकॉल (किंवा सेन्सिटिव्हिटी) हे m-ILS प्रश्नावलीला उत्तर दिल्यानंतर विद्यार्थ्याच्या LS चे अचूकपणे वर्गीकरण करण्याच्या मॉडेलच्या क्षमतेचे मापन करते.
विशिष्टतेला 'ट्रू निगेटिव्ह रेट' (खरा नकारात्मक दर) म्हणतात. वरील सूत्रावरून तुम्ही पाहू शकता की, हे 'ट्रू निगेटिव्ह' (TN) आणि 'ट्रू निगेटिव्ह' व 'फॉल्स पॉझिटिव्ह' (FP) यांचे गुणोत्तर असले पाहिजे. विद्यार्थ्यांच्या अमली पदार्थांचे वर्गीकरण करण्यासाठी शिफारस केलेल्या साधनाचा एक भाग म्हणून, ते अचूक ओळख करण्यास सक्षम असले पाहिजे.
डिसिजन ट्री एमएल मॉडेलला प्रशिक्षित करण्यासाठी वापरलेल्या ५० विद्यार्थ्यांच्या मूळ डेटासेटमध्ये, एनोटेशन्समधील मानवी चुकांमुळे तुलनेने कमी अचूकता दिसून आली (तक्ता ३). एलएस स्कोअर आणि विद्यार्थ्यांच्या एनोटेशन्सची स्वयंचलितपणे गणना करण्यासाठी एक साधा नियम-आधारित प्रोग्राम तयार केल्यानंतर, रेकमेंडर सिस्टीमला प्रशिक्षित आणि तपासण्यासाठी वाढत्या संख्येने डेटासेट (२५५) वापरण्यात आले.
मल्टिक्लास कन्फ्युजन मॅट्रिक्समध्ये, कर्णावरील घटक प्रत्येक LS प्रकारासाठी अचूक अंदाजांची संख्या दर्शवतात (आकृती ४). डिसिजन ट्री मॉडेल वापरून, एकूण ६४ नमुन्यांचा अचूक अंदाज वर्तवण्यात आला. अशाप्रकारे, या अभ्यासात, कर्णावरील घटक अपेक्षित परिणाम दर्शवतात, जे सूचित करते की मॉडेल चांगली कामगिरी करते आणि प्रत्येक LS वर्गीकरणासाठी क्लास लेबलचा अचूक अंदाज वर्तवते. त्यामुळे, शिफारस साधनाची एकूण अचूकता १००% आहे.
अचूकता, प्रिसीजन, रिकॉल आणि F1 स्कोअरची मूल्ये आकृती ५ मध्ये दर्शविली आहेत. डिसिजन ट्री मॉडेल वापरणाऱ्या शिफारस प्रणालीसाठी, तिचा F1 स्कोअर १.० “उत्तम” आहे, जो उत्तम प्रिसीजन आणि रिकॉल दर्शवतो, तसेच लक्षणीय सेन्सिटिव्हिटी आणि स्पेसिफिसिटी मूल्ये प्रतिबिंबित करतो.
आकृती ६ मध्ये प्रशिक्षण आणि चाचणी पूर्ण झाल्यानंतरच्या डिसिजन ट्री मॉडेलचे व्हिज्युअलायझेशन दाखवले आहे. समोरासमोर केलेल्या तुलनेत, कमी फीचर्ससह प्रशिक्षित केलेल्या डिसिजन ट्री मॉडेलने अधिक अचूकता आणि सुलभ मॉडेल व्हिज्युअलायझेशन दाखवले. यावरून हे दिसून येते की, फीचर रिडक्शनकडे नेणारे फीचर इंजिनिअरिंग हे मॉडेलची कार्यक्षमता सुधारण्यासाठी एक महत्त्वाचे पाऊल आहे.
डिसिजन ट्री सुपरवाइज्ड लर्निंग लागू करून, LS (इनपुट) आणि IS (टार्गेट आउटपुट) यांच्यातील मॅपिंग स्वयंचलितपणे तयार केले जाते आणि त्यात प्रत्येक LS साठी तपशीलवार माहिती असते.
निकालांवरून असे दिसून आले की २५५ विद्यार्थ्यांपैकी ३४.९% विद्यार्थ्यांनी एक (१) एलएस पर्याय निवडला. बहुसंख्य (५४.३%) विद्यार्थ्यांनी दोन किंवा अधिक एलएस पर्यायांना पसंती दिली. १२.२% विद्यार्थ्यांनी नमूद केले की एलएस बऱ्यापैकी संतुलित आहे (तक्ता ४). आठ मुख्य एलएस व्यतिरिक्त, मलाया विद्यापीठाच्या दंतवैद्यक विद्यार्थ्यांसाठी एलएस वर्गीकरणाचे ३४ संयोग आहेत. त्यापैकी, आकलन, दृष्टी आणि आकलन व दृष्टी यांचा संयोग हे विद्यार्थ्यांनी सांगितलेले मुख्य एलएस आहेत (आकृती ७).
तक्ता ४ वरून दिसून येते की, बहुसंख्य विद्यार्थ्यांमध्ये प्रामुख्याने संवेदी (१३.७%) किंवा दृष्य (८.६%) शिक्षण पद्धती होती. असे नोंदवले गेले की १२.२% विद्यार्थी दृष्टी आणि अवलोकन यांचा एकत्रित वापर करतात (अवलोकनात्मक-दृष्य शिक्षण पद्धती). या निष्कर्षांवरून असे सूचित होते की, विद्यार्थ्यांना प्रस्थापित पद्धतींद्वारे शिकणे आणि लक्षात ठेवणे, विशिष्ट व तपशीलवार कार्यपद्धतींचे पालन करणे पसंत असते आणि ते स्वभावतःच दक्ष असतात. त्याच वेळी, त्यांना पाहून (आकृत्या इत्यादी वापरून) शिकायला आवडते आणि ते गटांमध्ये किंवा स्वतःहून माहितीवर चर्चा करून ती लागू करण्याकडे झुकतात.
या अभ्यासात डेटा मायनिंगमध्ये वापरल्या जाणाऱ्या मशीन लर्निंग तंत्रांचा आढावा दिला आहे, ज्यामध्ये विद्यार्थ्यांच्या जीवन कौशल्यांचा (LS) त्वरित आणि अचूक अंदाज लावण्यावर आणि योग्य शैक्षणिक कौशल्यांची (IS) शिफारस करण्यावर लक्ष केंद्रित केले आहे. डिसिजन ट्री मॉडेलच्या वापरामुळे त्यांच्या जीवन आणि शैक्षणिक अनुभवांशी सर्वात जवळून संबंधित असलेले घटक ओळखले गेले. हा एक सुपरवाइज्ड मशीन लर्निंग अल्गोरिदम आहे, जो विशिष्ट निकषांवर आधारित डेटाच्या संचाला उपश्रेण्यांमध्ये विभागून डेटाचे वर्गीकरण करण्यासाठी ट्री संरचनेचा वापर करतो. लीफ नोडवर निर्णय घेतला जाईपर्यंत, प्रत्येक अंतर्गत नोडच्या इनपुट फीचर्सपैकी एकाच्या मूल्यावर आधारित इनपुट डेटाला उपसमूहांमध्ये पुनरावर्ती पद्धतीने विभागून हे कार्य करते.
निर्णय वृक्षाचे अंतर्गत नोड्स m-ILS समस्येच्या इनपुट वैशिष्ट्यांवर आधारित उपाय दर्शवतात, आणि लीफ नोड्स अंतिम LS वर्गीकरण अंदाज दर्शवतात. संपूर्ण अभ्यासादरम्यान, इनपुट वैशिष्ट्ये आणि आउटपुट अंदाजांमधील संबंध पाहून, निर्णय प्रक्रियेचे स्पष्टीकरण आणि दृश्यांकन करणाऱ्या निर्णय वृक्षांची पदानुक्रम रचना समजणे सोपे जाते.
संगणक विज्ञान आणि अभियांत्रिकीच्या क्षेत्रात, विद्यार्थ्यांच्या प्रवेश परीक्षेतील गुण [21], लोकसंख्याशास्त्रीय माहिती आणि शिकण्याच्या वर्तनाच्या [22] आधारावर त्यांच्या कामगिरीचा अंदाज लावण्यासाठी मशीन लर्निंग अल्गोरिदमचा मोठ्या प्रमाणावर वापर केला जातो. संशोधनातून असे दिसून आले की अल्गोरिदमने विद्यार्थ्यांच्या कामगिरीचा अचूक अंदाज लावला आणि शैक्षणिक अडचणींचा धोका असलेल्या विद्यार्थ्यांना ओळखण्यास मदत केली.
दंत प्रशिक्षणासाठी व्हर्च्युअल पेशंट सिम्युलेटरच्या विकासात एमएल अल्गोरिदमच्या वापराचा अहवाल दिला आहे. हे सिम्युलेटर खऱ्या रुग्णांच्या शारीरिक प्रतिसादांचे अचूकपणे पुनरुत्पादन करण्यास सक्षम आहे आणि दंत विद्यार्थ्यांना सुरक्षित आणि नियंत्रित वातावरणात प्रशिक्षण देण्यासाठी वापरले जाऊ शकते [23]. इतर अनेक अभ्यास दर्शवतात की मशीन लर्निंग अल्गोरिदम दंत आणि वैद्यकीय शिक्षण आणि रुग्ण सेवेची गुणवत्ता आणि कार्यक्षमता संभाव्यतः सुधारू शकतात. लक्षणे आणि रुग्णाची वैशिष्ट्ये यांसारख्या डेटा सेटच्या आधारावर दंत रोगांच्या निदानात मदत करण्यासाठी मशीन लर्निंग अल्गोरिदमचा वापर केला गेला आहे [24, 25]. तर इतर अभ्यासांनी रुग्णाचे परिणाम वर्तवणे, उच्च-जोखीम असलेल्या रुग्णांना ओळखणे, वैयक्तिक उपचार योजना विकसित करणे [26], पेरियोडोंटल उपचार [27], आणि कॅरीज उपचार [25] यांसारखी कार्ये करण्यासाठी मशीन लर्निंग अल्गोरिदमच्या वापराचा शोध घेतला आहे.
दंतवैद्यकशास्त्रामध्ये मशीन लर्निंगच्या उपयोगावर अहवाल प्रकाशित झाले असले तरी, दंत शिक्षणामध्ये त्याचा वापर मर्यादित राहिला आहे. त्यामुळे, या अभ्यासाचा उद्देश डिसिजन ट्री मॉडेलचा वापर करून दंत विद्यार्थ्यांमधील LS (लाइफ सपोर्ट) आणि IS (इंटरनल सपोर्ट) यांच्याशी सर्वात जवळून संबंधित असलेले घटक ओळखणे हा होता.
या अभ्यासाचे निष्कर्ष दर्शवतात की विकसित शिफारस साधनामध्ये उच्च अचूकता आणि परिपूर्ण अचूकता आहे, जे सूचित करते की शिक्षक या साधनाचा लाभ घेऊ शकतात. डेटा-चालित वर्गीकरण प्रक्रियेचा वापर करून, ते वैयक्तिकृत शिफारसी देऊ शकते आणि शिक्षक व विद्यार्थ्यांसाठी शैक्षणिक अनुभव आणि परिणाम सुधारू शकते. त्यापैकी, शिफारस साधनांद्वारे प्राप्त केलेली माहिती शिक्षकांच्या पसंतीच्या अध्यापन पद्धती आणि विद्यार्थ्यांच्या शिकण्याच्या गरजा यांच्यातील संघर्ष सोडवू शकते. उदाहरणार्थ, शिफारस साधनांच्या स्वयंचलित आउटपुटमुळे, विद्यार्थ्याचा आयपी (IP) ओळखण्यासाठी आणि त्याला संबंधित आयपीशी जुळवण्यासाठी लागणारा वेळ लक्षणीयरीत्या कमी होईल. अशा प्रकारे, योग्य प्रशिक्षण उपक्रम आणि प्रशिक्षण साहित्य आयोजित केले जाऊ शकते. हे विद्यार्थ्यांमध्ये सकारात्मक शिकण्याची वर्तणूक आणि एकाग्रता क्षमता विकसित करण्यास मदत करते. एका अभ्यासात असे म्हटले आहे की विद्यार्थ्यांना त्यांच्या पसंतीच्या एलएस (LS) शी जुळणारे शिकण्याचे साहित्य आणि शिकण्याचे उपक्रम प्रदान केल्याने विद्यार्थ्यांना अधिक क्षमता प्राप्त करण्यासाठी अनेक मार्गांनी शिकण्याचे एकत्रीकरण, प्रक्रिया आणि आनंद घेण्यास मदत होऊ शकते [12]. संशोधन असेही दर्शवते की वर्गातील विद्यार्थ्यांचा सहभाग सुधारण्याव्यतिरिक्त, विद्यार्थ्यांची शिकण्याची प्रक्रिया समजून घेणे हे अध्यापन पद्धती आणि विद्यार्थ्यांशी संवाद सुधारण्यात देखील महत्त्वपूर्ण भूमिका बजावते [28, 29].
तथापि, कोणत्याही आधुनिक तंत्रज्ञानाप्रमाणे, यातही समस्या आणि मर्यादा आहेत. यामध्ये डेटा गोपनीयता, पक्षपात आणि निष्पक्षता, तसेच दंत शिक्षणामध्ये मशीन लर्निंग अल्गोरिदम विकसित करण्यासाठी आणि लागू करण्यासाठी आवश्यक असलेली व्यावसायिक कौशल्ये व संसाधने यांसारख्या समस्यांचा समावेश आहे; तथापि, या क्षेत्रातील वाढती आवड आणि संशोधन असे सूचित करते की मशीन लर्निंग तंत्रज्ञानाचा दंत शिक्षण आणि दंत सेवांवर सकारात्मक परिणाम होऊ शकतो.
या अभ्यासाचे निष्कर्ष असे दर्शवतात की अर्ध्या दंतवैद्यकीय विद्यार्थ्यांमध्ये औषधे 'समजून घेण्याची' प्रवृत्ती असते. या प्रकारच्या शिकणाऱ्यांना तथ्ये आणि ठोस उदाहरणे, व्यावहारिक दृष्टिकोन, तपशिलांसाठी संयम आणि 'दृश्य' शिक्षण शैलीची पसंती असते, जिथे शिकणारे कल्पना आणि विचार व्यक्त करण्यासाठी चित्रे, आलेख, रंग आणि नकाशे वापरण्यास प्राधान्य देतात. सध्याचे निष्कर्ष दंत आणि वैद्यकीय विद्यार्थ्यांमधील शिक्षण शैलीचे मूल्यांकन करण्यासाठी आयएलएस (ILS) वापरणाऱ्या इतर अभ्यासांशी सुसंगत आहेत, ज्यापैकी बहुतेकांमध्ये आकलनक्षम आणि दृश्य शिक्षण शैलीची वैशिष्ट्ये आहेत [12, 30]. डॅल्मोलिन आणि त्यांच्या सहकाऱ्यांनी असे सुचवले आहे की विद्यार्थ्यांना त्यांच्या शिक्षण शैलीबद्दल माहिती दिल्यास ते त्यांच्या शिकण्याच्या क्षमतेपर्यंत पोहोचू शकतात. संशोधकांचे म्हणणे आहे की जेव्हा शिक्षक विद्यार्थ्यांची शैक्षणिक प्रक्रिया पूर्णपणे समजून घेतात, तेव्हा विविध अध्यापन पद्धती आणि उपक्रम राबवले जाऊ शकतात ज्यामुळे विद्यार्थ्यांची कामगिरी आणि शिकण्याचा अनुभव सुधारेल [12, 31, 32]. इतर अभ्यासांनी असे दाखवले आहे की विद्यार्थ्यांच्या शिक्षण शैलीमध्ये बदल केल्याने त्यांच्या शिकण्याच्या अनुभवात आणि कामगिरीत सुधारणा दिसून येते [13, 33].
विद्यार्थ्यांच्या शिकण्याच्या क्षमतेवर आधारित अध्यापन धोरणांच्या अंमलबजावणीबाबत शिक्षकांची मते वेगवेगळी असू शकतात. काहींना या दृष्टिकोनाचे फायदे दिसतात, ज्यात व्यावसायिक विकासाच्या संधी, मार्गदर्शन आणि सामुदायिक पाठिंबा यांचा समावेश आहे, तर इतरांना वेळ आणि संस्थात्मक पाठिंब्याबद्दल चिंता वाटू शकते. विद्यार्थी-केंद्रित दृष्टिकोन निर्माण करण्यासाठी संतुलन साधण्याचा प्रयत्न करणे महत्त्वाचे आहे. विद्यापीठ प्रशासकांसारखे उच्च शिक्षण अधिकारी, नाविन्यपूर्ण पद्धती सादर करून आणि प्राध्यापक विकासाला पाठिंबा देऊन सकारात्मक बदल घडवून आणण्यात महत्त्वाची भूमिका बजावू शकतात [34]. खऱ्या अर्थाने गतिमान आणि प्रतिसाद देणारी उच्च शिक्षण प्रणाली तयार करण्यासाठी, धोरणकर्त्यांनी धोरणात्मक बदल करणे, तंत्रज्ञान एकात्मतेसाठी संसाधने समर्पित करणे आणि विद्यार्थी-केंद्रित दृष्टिकोनांना प्रोत्साहन देणाऱ्या चौकटी तयार करणे यासारखी धाडसी पावले उचलली पाहिजेत. अपेक्षित परिणाम साध्य करण्यासाठी हे उपाय महत्त्वपूर्ण आहेत. विभेदित निर्देशांवरील अलीकडील संशोधनाने हे स्पष्टपणे दाखवले आहे की विभेदित निर्देशांच्या यशस्वी अंमलबजावणीसाठी शिक्षकांना सतत प्रशिक्षण आणि विकासाच्या संधींची आवश्यकता असते [35].
हे साधन, विद्यार्थी-केंद्रित दृष्टिकोन स्वीकारून विद्यार्थी-अनुकूल शिक्षण उपक्रमांचे नियोजन करू इच्छिणाऱ्या दंतवैद्यकीय शिक्षकांना मोलाचे साहाय्य पुरवते. तथापि, हा अभ्यास केवळ डिसिजन ट्री एमएल मॉडेल्सच्या वापरापुरता मर्यादित आहे. भविष्यात, शिफारस साधनांची अचूकता, विश्वसनीयता आणि सुस्पष्टता यांची तुलना करण्यासाठी, विविध मशीन लर्निंग मॉडेल्सच्या कामगिरीची तुलना करण्याकरिता अधिक डेटा गोळा केला पाहिजे. याव्यतिरिक्त, एखाद्या विशिष्ट कार्यासाठी सर्वात योग्य मशीन लर्निंग पद्धत निवडताना, मॉडेलची गुंतागुंत आणि अर्थनिर्णय यांसारख्या इतर घटकांचा विचार करणे महत्त्वाचे आहे.
या अभ्यासाची एक मर्यादा ही आहे की, यात केवळ दंतवैद्यकीय विद्यार्थ्यांमधील LS आणि IS च्या मॅपिंगवर लक्ष केंद्रित केले आहे. त्यामुळे, विकसित केलेली शिफारस प्रणाली केवळ दंतवैद्यकीय विद्यार्थ्यांसाठी योग्य असलेल्यांचीच शिफारस करेल. सर्वसाधारण उच्च शिक्षण घेणाऱ्या विद्यार्थ्यांच्या वापरासाठी यात बदल करणे आवश्यक आहे.
नव्याने विकसित केलेले मशीन लर्निंग-आधारित शिफारस साधन विद्यार्थ्यांच्या LS चे संबंधित IS शी त्वरित वर्गीकरण आणि जुळणी करण्यास सक्षम आहे, ज्यामुळे दंत शिक्षकांना समर्पक अध्यापन आणि अध्ययन उपक्रमांचे नियोजन करण्यास मदत करणारा हा पहिला दंत शिक्षण कार्यक्रम ठरतो. डेटा-चालित वर्गीकरण प्रक्रियेचा वापर करून, ते वैयक्तिकृत शिफारसी देऊ शकते, वेळ वाचवू शकते, अध्यापन धोरणे सुधारू शकते, लक्ष्यित हस्तक्षेपांना समर्थन देऊ शकते आणि निरंतर व्यावसायिक विकासाला प्रोत्साहन देऊ शकते. त्याच्या वापरामुळे दंत शिक्षणामध्ये विद्यार्थी-केंद्रित दृष्टिकोनांना चालना मिळेल.
गिलक जानी, असोसिएटेड प्रेस. विद्यार्थ्याची शिकण्याची शैली आणि शिक्षकाची शिकवण्याची शैली यांमधील जुळणी किंवा विसंगती. आंतरराष्ट्रीय जर्नल ऑफ मॉडर्न एज्युकेशन अँड कॉम्प्युटर सायन्स. २०१२;४(११):५१–६०. https://doi.org/10.5815/ijmecs.2012.11.05