ദന്തചികിത്സ ഉൾപ്പെടെയുള്ള ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ വിദ്യാർത്ഥി കേന്ദ്രീകൃത പഠനത്തിൻ്റെ (എസ്‌സിഎൽ) ആവശ്യകത വർദ്ധിച്ചുവരികയാണ്.എന്നിരുന്നാലും, ദന്ത വിദ്യാഭ്യാസത്തിൽ എസ്‌സിഎല്ലിന് പരിമിതമായ ആപ്ലിക്കേഷനുണ്ട്.അതിനാൽ, IS മാർഗ്ഗനിർദ്ദേശങ്ങൾ വികസിപ്പിക്കുന്നതിനുള്ള ഉപയോഗപ്രദമായ ഉപകരണമായി ഡെൻ്റൽ വിദ്യാർത്ഥികളുടെ ഇഷ്ടപ്പെട്ട പഠന ശൈലിയും (LS) അനുബന്ധ പഠന തന്ത്രങ്ങളും (IS) മാപ്പ് ചെയ്യുന്നതിനായി ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് (ML) സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് ദന്തചികിത്സയിൽ SCL-ൻ്റെ പ്രയോഗം പ്രോത്സാഹിപ്പിക്കാനാണ് ഈ പഠനം ലക്ഷ്യമിടുന്നത്. .ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്ക് വാഗ്ദാന രീതികൾ.
മലയ സർവ്വകലാശാലയിലെ മൊത്തം 255 ഡെൻ്റൽ വിദ്യാർത്ഥികൾ പരിഷ്കരിച്ച പഠന ശൈലികളുടെ (m-ILS) ചോദ്യാവലി പൂർത്തീകരിച്ചു, അതിൽ 44 ഇനങ്ങൾ അടങ്ങിയിട്ടുണ്ട്.ശേഖരിച്ച ഡാറ്റ (ഒരു ഡാറ്റാസെറ്റ് എന്ന് വിളിക്കുന്നു) മേൽനോട്ടത്തിലുള്ള ഡിസിഷൻ ട്രീ ലേണിംഗിൽ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികൾ ഏറ്റവും അനുയോജ്യമായ IS-ലേക്ക് സ്വയമേവ പൊരുത്തപ്പെടുത്തുന്നതിന് ഉപയോഗിക്കുന്നു.മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള IS ശുപാർശ ഉപകരണത്തിൻ്റെ കൃത്യത പിന്നീട് വിലയിരുത്തപ്പെടുന്നു.
LS (ഇൻപുട്ട്), IS (ടാർഗെറ്റ് ഔട്ട്പുട്ട്) എന്നിവയ്ക്കിടയിലുള്ള ഒരു ഓട്ടോമേറ്റഡ് മാപ്പിംഗ് പ്രക്രിയയിൽ ഡിസിഷൻ ട്രീ മോഡലുകളുടെ പ്രയോഗം ഓരോ ഡെൻ്റൽ വിദ്യാർത്ഥിക്കും ഉചിതമായ പഠന തന്ത്രങ്ങളുടെ ഒരു ഉടനടി ലിസ്റ്റ് അനുവദിക്കുന്നു.IS ശുപാർശ ടൂൾ തികഞ്ഞ കൃത്യതയും മൊത്തത്തിലുള്ള മോഡൽ കൃത്യതയുടെ തിരിച്ചുവിളിയും പ്രകടമാക്കി, LS- മായി IS പൊരുത്തപ്പെടുന്നത് നല്ല സെൻസിറ്റിവിറ്റിയും പ്രത്യേകതയും ഉണ്ടെന്ന് സൂചിപ്പിക്കുന്നു.
ഒരു എംഎൽ ഡിസിഷൻ ട്രീയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഐഎസ് ശുപാർശ ടൂൾ, ഡെൻ്റൽ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികൾ ഉചിതമായ പഠന തന്ത്രങ്ങളുമായി കൃത്യമായി പൊരുത്തപ്പെടുത്താനുള്ള കഴിവ് തെളിയിച്ചിട്ടുണ്ട്.വിദ്യാർത്ഥികളുടെ പഠനാനുഭവം മെച്ചപ്പെടുത്താൻ കഴിയുന്ന പഠിതാക്കളെ കേന്ദ്രീകരിച്ചുള്ള കോഴ്സുകളോ മൊഡ്യൂളുകളോ ആസൂത്രണം ചെയ്യുന്നതിനുള്ള ശക്തമായ ഓപ്ഷനുകൾ ഈ ടൂൾ നൽകുന്നു.
വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിലെ അടിസ്ഥാന പ്രവർത്തനങ്ങളാണ് അധ്യാപനവും പഠനവും.ഉയർന്ന നിലവാരമുള്ള തൊഴിലധിഷ്ഠിത വിദ്യാഭ്യാസ സമ്പ്രദായം വികസിപ്പിക്കുമ്പോൾ, വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടത് പ്രധാനമാണ്.വിദ്യാർത്ഥികളും അവരുടെ പഠന അന്തരീക്ഷവും തമ്മിലുള്ള ആശയവിനിമയം അവരുടെ LS വഴി നിർണ്ണയിക്കാനാകും.വിദ്യാർത്ഥികളുടെ LS ഉം IS ഉം തമ്മിലുള്ള അധ്യാപകർ ഉദ്ദേശിച്ച പൊരുത്തക്കേടുകൾ വിദ്യാർത്ഥികളുടെ പഠനത്തിൽ ശ്രദ്ധയും പ്രചോദനവും കുറയുന്നത് പോലെയുള്ള നെഗറ്റീവ് പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കുമെന്ന് ഗവേഷണങ്ങൾ സൂചിപ്പിക്കുന്നു.ഇത് വിദ്യാർത്ഥികളുടെ പ്രകടനത്തെ പരോക്ഷമായി ബാധിക്കും [1,2].
വിദ്യാർത്ഥികളെ പഠിക്കാൻ സഹായിക്കുന്നതുൾപ്പെടെ വിദ്യാർത്ഥികൾക്ക് അറിവും നൈപുണ്യവും നൽകുന്നതിന് അധ്യാപകർ ഉപയോഗിക്കുന്ന ഒരു രീതിയാണ് IS [3].പൊതുവായി പറഞ്ഞാൽ, നല്ല അധ്യാപകർ അദ്ധ്യാപന തന്ത്രങ്ങൾ ആസൂത്രണം ചെയ്യുന്നു അല്ലെങ്കിൽ അവരുടെ വിദ്യാർത്ഥികളുടെ അറിവിൻ്റെ നിലവാരം, അവർ പഠിക്കുന്ന ആശയങ്ങൾ, അവരുടെ പഠന ഘട്ടം എന്നിവയുമായി നന്നായി പൊരുത്തപ്പെടുന്നു.സൈദ്ധാന്തികമായി, LS ഉം IS ഉം പൊരുത്തപ്പെടുമ്പോൾ, ഫലപ്രദമായി പഠിക്കാൻ വിദ്യാർത്ഥികൾക്ക് ഒരു പ്രത്യേക കഴിവുകൾ സംഘടിപ്പിക്കാനും ഉപയോഗിക്കാനും കഴിയും.സാധാരണഗതിയിൽ, പാഠ്യപദ്ധതിയിൽ അദ്ധ്യാപനത്തിൽ നിന്ന് ഗൈഡഡ് പ്രാക്ടീസിലേക്കോ ഗൈഡഡ് പ്രാക്ടീസിൽ നിന്ന് സ്വതന്ത്ര പരിശീലനത്തിലേക്കോ പോലുള്ള ഘട്ടങ്ങൾക്കിടയിലുള്ള നിരവധി പരിവർത്തനങ്ങൾ ഉൾപ്പെടുന്നു.ഇത് മനസ്സിൽ വെച്ചുകൊണ്ട്, വിദ്യാർത്ഥികളുടെ അറിവും നൈപുണ്യവും വളർത്തിയെടുക്കുക എന്ന ലക്ഷ്യത്തോടെ ഫലപ്രദമായ അധ്യാപകർ പലപ്പോഴും നിർദ്ദേശങ്ങൾ ആസൂത്രണം ചെയ്യുന്നു [4].
ദന്തചികിത്സ ഉൾപ്പെടെയുള്ള ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ SCL-ൻ്റെ ആവശ്യം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്.വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിനാണ് SCL തന്ത്രങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.ഉദാഹരണത്തിന്, വിദ്യാർത്ഥികൾ പഠന പ്രവർത്തനങ്ങളിൽ സജീവമായി പങ്കെടുക്കുകയും അധ്യാപകർ ഫെസിലിറ്റേറ്റർമാരായി പ്രവർത്തിക്കുകയും വിലപ്പെട്ട ഫീഡ്‌ബാക്ക് നൽകുന്നതിന് ഉത്തരവാദികളായിരിക്കുകയും ചെയ്താൽ ഇത് നേടാനാകും.വിദ്യാർത്ഥികളുടെ വിദ്യാഭ്യാസ നിലവാരത്തിനോ മുൻഗണനകൾക്കോ അനുയോജ്യമായ പഠന സാമഗ്രികളും പ്രവർത്തനങ്ങളും നൽകുന്നത് വിദ്യാർത്ഥികളുടെ പഠന അന്തരീക്ഷം മെച്ചപ്പെടുത്താനും നല്ല പഠനാനുഭവങ്ങൾ പ്രോത്സാഹിപ്പിക്കാനും കഴിയുമെന്ന് പറയപ്പെടുന്നു [5].
പൊതുവായി പറഞ്ഞാൽ, ഡെൻ്റൽ വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയയെ അവർ ചെയ്യേണ്ട വിവിധ ക്ലിനിക്കൽ നടപടിക്രമങ്ങളും അവർ ഫലപ്രദമായ വ്യക്തിഗത കഴിവുകൾ വികസിപ്പിക്കുന്ന ക്ലിനിക്കൽ അന്തരീക്ഷവും സ്വാധീനിക്കുന്നു.ദന്തചികിത്സയെക്കുറിച്ചുള്ള അടിസ്ഥാന അറിവും ഡെൻ്റൽ ക്ലിനിക്കൽ നൈപുണ്യവും സംയോജിപ്പിക്കാനും നേടിയ അറിവ് പുതിയ ക്ലിനിക്കൽ സാഹചര്യങ്ങളിൽ പ്രയോഗിക്കാനും വിദ്യാർത്ഥികളെ പ്രാപ്തരാക്കുക എന്നതാണ് പരിശീലനത്തിൻ്റെ ലക്ഷ്യം [6, 7].LS ഉം IS ഉം തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചുള്ള ആദ്യകാല ഗവേഷണം, തിരഞ്ഞെടുത്ത LS-ലേക്ക് മാപ്പ് ചെയ്‌തിരിക്കുന്ന പഠന തന്ത്രങ്ങൾ ക്രമീകരിക്കുന്നത് വിദ്യാഭ്യാസ പ്രക്രിയ മെച്ചപ്പെടുത്താൻ സഹായിക്കുമെന്ന് കണ്ടെത്തി [8].വിദ്യാർത്ഥികളുടെ പഠനത്തിനും ആവശ്യങ്ങൾക്കും അനുസൃതമായി വ്യത്യസ്തമായ അധ്യാപന, വിലയിരുത്തൽ രീതികൾ ഉപയോഗിക്കാനും രചയിതാക്കൾ ശുപാർശ ചെയ്യുന്നു.
വിദ്യാർത്ഥികളുടെ ആഴത്തിലുള്ള അറിവും വിഷയത്തെക്കുറിച്ചുള്ള ഗ്രാഹ്യവും വർദ്ധിപ്പിക്കുന്ന നിർദ്ദേശങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും വികസിപ്പിക്കാനും നടപ്പിലാക്കാനും സഹായിക്കുന്നതിന് LS വിജ്ഞാനം പ്രയോഗിക്കുന്നതിൽ നിന്ന് അധ്യാപകർക്ക് പ്രയോജനം ലഭിക്കും.കോൾബ് എക്സ്പീരിയൻഷ്യൽ ലേണിംഗ് മോഡൽ, ഫെൽഡർ-സിൽവർമാൻ ലേണിംഗ് സ്റ്റൈൽ മോഡൽ (FSLSM), ഫ്ലെമിംഗ് VAK/VARK മോഡൽ [5, 9, 10] എന്നിങ്ങനെ നിരവധി LS മൂല്യനിർണ്ണയ ഉപകരണങ്ങൾ ഗവേഷകർ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.സാഹിത്യം അനുസരിച്ച്, ഈ പഠന മാതൃകകൾ ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്നതും ഏറ്റവും കൂടുതൽ പഠിച്ചതുമായ പഠന മാതൃകകളാണ്.നിലവിലെ ഗവേഷണ പ്രവർത്തനങ്ങളിൽ, ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ LS വിലയിരുത്തുന്നതിന് FSLSM ഉപയോഗിക്കുന്നു.
എഞ്ചിനീയറിംഗിലെ അഡാപ്റ്റീവ് ലേണിംഗ് വിലയിരുത്തുന്നതിന് വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു മാതൃകയാണ് FSLSM.ആരോഗ്യ ശാസ്ത്രത്തിൽ (മെഡിസിൻ, നഴ്‌സിംഗ്, ഫാർമസി, ദന്തചികിത്സ ഉൾപ്പെടെ) പ്രസിദ്ധീകരിച്ച നിരവധി കൃതികൾ FSLSM മോഡലുകൾ ഉപയോഗിച്ച് കണ്ടെത്താനാകും [5, 11, 12, 13].FLSM-ൽ LS ൻ്റെ അളവുകൾ അളക്കാൻ ഉപയോഗിക്കുന്ന ഉപകരണത്തെ ഇൻഡെക്സ് ഓഫ് ലേണിംഗ് സ്റ്റൈൽസ് (ILS) [8] എന്ന് വിളിക്കുന്നു, അതിൽ LS ൻ്റെ നാല് അളവുകൾ വിലയിരുത്തുന്ന 44 ഇനങ്ങൾ അടങ്ങിയിരിക്കുന്നു: പ്രോസസ്സിംഗ് (സജീവമായ / പ്രതിഫലിപ്പിക്കുന്നത്), ധാരണ (പെർസെപ്ച്വൽ / അവബോധജന്യമായ), ഇൻപുട്ട് (വിഷ്വൽ)./ വാക്കാലുള്ള) ഒപ്പം മനസ്സിലാക്കൽ (ക്രമം/ആഗോള) [14].
ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഓരോ FSLSM അളവിനും ഒരു പ്രധാന മുൻഗണനയുണ്ട്.ഉദാഹരണത്തിന്, പ്രോസസ്സിംഗ് മാനത്തിൽ, "സജീവ" LS ഉള്ള വിദ്യാർത്ഥികൾ, പഠന സാമഗ്രികളുമായി നേരിട്ട് ഇടപഴകിക്കൊണ്ട് വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യാനും, ചെയ്തുകൊണ്ട് പഠിക്കാനും, ഗ്രൂപ്പുകളായി പഠിക്കാനും ഇഷ്ടപ്പെടുന്നു."റിഫ്ലെക്റ്റീവ്" LS എന്നത് ചിന്തയിലൂടെയുള്ള പഠനത്തെ സൂചിപ്പിക്കുന്നു കൂടാതെ ഒറ്റയ്ക്ക് പ്രവർത്തിക്കാൻ ഇഷ്ടപ്പെടുന്നു.LS ൻ്റെ "ഗ്രഹിക്കുന്ന" മാനത്തെ "വികാരങ്ങൾ" കൂടാതെ/അല്ലെങ്കിൽ "അവബോധം" എന്നിങ്ങനെ വിഭജിക്കാം."ഫീലിംഗ്" വിദ്യാർത്ഥികൾ കൂടുതൽ മൂർത്തമായ വിവരങ്ങളും പ്രായോഗിക നടപടിക്രമങ്ങളും ഇഷ്ടപ്പെടുന്നു, അമൂർത്തമായ മെറ്റീരിയൽ ഇഷ്ടപ്പെടുന്നതും കൂടുതൽ നൂതനവും സർഗ്ഗാത്മകവുമായ സ്വഭാവമുള്ള "അവബോധജന്യമായ" വിദ്യാർത്ഥികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വസ്തുതാധിഷ്ഠിതമാണ്.LS-ൻ്റെ "ഇൻപുട്ട്" മാനം "വിഷ്വൽ", "വെർബൽ" പഠിതാക്കളെ ഉൾക്കൊള്ളുന്നു."വിഷ്വൽ" LS ഉള്ള ആളുകൾ വിഷ്വൽ ഡെമോൺസ്‌ട്രേഷനുകളിലൂടെ (ഡയഗ്രമുകൾ, വീഡിയോകൾ അല്ലെങ്കിൽ ലൈവ് ഡെമോൺസ്‌ട്രേഷനുകൾ പോലുള്ളവ) പഠിക്കാൻ താൽപ്പര്യപ്പെടുന്നു, അതേസമയം "വാക്കാലുള്ള" LS ഉള്ള ആളുകൾ രേഖാമൂലമോ വാക്കാലുള്ളതോ ആയ വിശദീകരണങ്ങളിലൂടെ പഠിക്കാൻ ഇഷ്ടപ്പെടുന്നു.LS അളവുകൾ "മനസ്സിലാക്കാൻ", അത്തരം പഠിതാക്കളെ "സീക്വൻഷ്യൽ", "ഗ്ലോബൽ" എന്നിങ്ങനെ വിഭജിക്കാം.“തുടർച്ചയായ പഠിതാക്കൾ ഒരു രേഖീയ ചിന്താ പ്രക്രിയയാണ് ഇഷ്ടപ്പെടുന്നത്, ഒപ്പം ഘട്ടം ഘട്ടമായി പഠിക്കുകയും ചെയ്യുന്നു, അതേസമയം ആഗോള പഠിതാക്കൾക്ക് സമഗ്രമായ ഒരു ചിന്താ പ്രക്രിയ ഉണ്ടായിരിക്കുകയും അവർ പഠിക്കുന്നതിനെക്കുറിച്ച് എല്ലായ്പ്പോഴും നന്നായി മനസ്സിലാക്കുകയും ചെയ്യുന്നു.
അടുത്തിടെ, പല ഗവേഷകരും ഓട്ടോമാറ്റിക് ഡാറ്റ-ഡ്രൈവ് കണ്ടെത്തലിനുള്ള രീതികൾ പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങി, പുതിയ അൽഗോരിതങ്ങളും വലിയ അളവിലുള്ള ഡാറ്റയെ വ്യാഖ്യാനിക്കാൻ കഴിവുള്ള മോഡലുകളും വികസിപ്പിക്കുന്നത് ഉൾപ്പെടെ [15, 16].നൽകിയിരിക്കുന്ന ഡാറ്റയെ അടിസ്ഥാനമാക്കി, മേൽനോട്ടത്തിലുള്ള ML-ന് (മെഷീൻ ലേണിംഗ്) അൽഗോരിതങ്ങളുടെ നിർമ്മാണത്തെ അടിസ്ഥാനമാക്കി ഭാവി ഫലങ്ങൾ പ്രവചിക്കുന്ന പാറ്റേണുകളും അനുമാനങ്ങളും സൃഷ്ടിക്കാൻ കഴിയും [17].ലളിതമായി പറഞ്ഞാൽ, സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഇൻപുട്ട് ഡാറ്റയും ട്രെയിൻ അൽഗോരിതങ്ങളും കൈകാര്യം ചെയ്യുന്നു.നൽകിയ ഇൻപുട്ട് ഡാറ്റയ്‌ക്ക് സമാനമായ സാഹചര്യങ്ങളെ അടിസ്ഥാനമാക്കി ഫലത്തെ വർഗ്ഗീകരിക്കുന്നതോ പ്രവചിക്കുന്നതോ ആയ ഒരു ശ്രേണി അത് പിന്നീട് സൃഷ്ടിക്കുന്നു.മേൽനോട്ടത്തിലുള്ള മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ പ്രധാന നേട്ടം അനുയോജ്യമായതും ആവശ്യമുള്ളതുമായ ഫലങ്ങൾ സ്ഥാപിക്കാനുള്ള അതിൻ്റെ കഴിവാണ് [17].
ഡാറ്റാധിഷ്ഠിത രീതികളും ഡിസിഷൻ ട്രീ കൺട്രോൾ മോഡലുകളും ഉപയോഗിക്കുന്നതിലൂടെ, LS യാന്ത്രികമായി കണ്ടെത്തുന്നത് സാധ്യമാണ്.ആരോഗ്യ ശാസ്ത്രം ഉൾപ്പെടെ വിവിധ മേഖലകളിലെ പരിശീലന പരിപാടികളിൽ ഡിസിഷൻ ട്രീകൾ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട് [18, 19].ഈ പഠനത്തിൽ, വിദ്യാർത്ഥികളുടെ LS തിരിച്ചറിയുന്നതിനും അവർക്ക് ഏറ്റവും മികച്ച IS ശുപാർശ ചെയ്യുന്നതിനുമായി സിസ്റ്റം ഡെവലപ്പർമാർ മോഡൽ പ്രത്യേകം പരിശീലിപ്പിച്ചിട്ടുണ്ട്.
ഈ പഠനത്തിൻ്റെ ഉദ്ദേശ്യം വിദ്യാർത്ഥികളുടെ LS അടിസ്ഥാനമാക്കിയുള്ള IS ഡെലിവറി തന്ത്രങ്ങൾ വികസിപ്പിക്കുകയും LS-ലേക്ക് മാപ്പ് ചെയ്ത ഒരു IS ശുപാർശ ടൂൾ വികസിപ്പിച്ചുകൊണ്ട് SCL സമീപനം പ്രയോഗിക്കുകയും ചെയ്യുക എന്നതാണ്.SCL രീതിയുടെ ഒരു തന്ത്രമെന്ന നിലയിൽ IS ശുപാർശ ടൂളിൻ്റെ ഡിസൈൻ ഫ്ലോ ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്നു. IS ശുപാർശ ടൂൾ രണ്ട് ഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു, ILS ഉപയോഗിച്ചുള്ള LS ക്ലാസിഫിക്കേഷൻ മെക്കാനിസവും വിദ്യാർത്ഥികൾക്ക് ഏറ്റവും അനുയോജ്യമായ IS ഡിസ്പ്ലേയും ഉൾപ്പെടെ.
പ്രത്യേകിച്ചും, വിവര സുരക്ഷാ ശുപാർശ ടൂളുകളുടെ സവിശേഷതകളിൽ വെബ് സാങ്കേതികവിദ്യകളുടെ ഉപയോഗവും ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗിൻ്റെ ഉപയോഗവും ഉൾപ്പെടുന്നു.മൊബൈൽ ഫോണുകളും ടാബ്‌ലെറ്റുകളും പോലുള്ള മൊബൈൽ ഉപകരണങ്ങളിലേക്ക് അവരെ പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് സിസ്റ്റം ഡെവലപ്പർമാർ ഉപയോക്തൃ അനുഭവവും മൊബിലിറ്റിയും മെച്ചപ്പെടുത്തുന്നു.
രണ്ട് ഘട്ടങ്ങളിലായാണ് പരീക്ഷണം നടത്തിയത്, മലയ സർവകലാശാലയിലെ ഡെൻ്റിസ്ട്രി ഫാക്കൽറ്റിയിലെ വിദ്യാർത്ഥികൾ സ്വമേധയാ പങ്കെടുത്തു.പങ്കെടുക്കുന്നവർ ഒരു ഡെൻ്റൽ വിദ്യാർത്ഥിയുടെ ഓൺലൈൻ m-ILS-നോട് ഇംഗ്ലീഷിൽ പ്രതികരിച്ചു.പ്രാരംഭ ഘട്ടത്തിൽ, ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് അൽഗോരിതം പരിശീലിപ്പിക്കാൻ 50 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു.വികസന പ്രക്രിയയുടെ രണ്ടാം ഘട്ടത്തിൽ, വികസിപ്പിച്ച ഉപകരണത്തിൻ്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് 255 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു.
എല്ലാ പങ്കാളികൾക്കും ഓരോ ഘട്ടത്തിൻ്റെയും തുടക്കത്തിൽ, അധ്യയന വർഷത്തെ ആശ്രയിച്ച്, Microsoft ടീമുകൾ വഴി ഒരു ഓൺലൈൻ ബ്രീഫിംഗ് ലഭിക്കും.പഠനത്തിൻ്റെ ഉദ്ദേശ്യം വിശദീകരിക്കുകയും വിവരമുള്ള സമ്മതം നേടുകയും ചെയ്തു.പങ്കെടുക്കുന്ന എല്ലാവർക്കും m-ILS ആക്‌സസ് ചെയ്യുന്നതിനുള്ള ഒരു ലിങ്ക് നൽകിയിട്ടുണ്ട്.ചോദ്യാവലിയിലെ 44 ഇനങ്ങൾക്കും ഉത്തരം നൽകാൻ ഓരോ വിദ്യാർത്ഥിക്കും നിർദ്ദേശം നൽകി.സെമസ്റ്റർ ആരംഭിക്കുന്നതിന് മുമ്പുള്ള സെമസ്റ്റർ ഇടവേളയിൽ അവർക്ക് സൗകര്യപ്രദമായ സമയത്തും സ്ഥലത്തും പരിഷ്കരിച്ച ILS പൂർത്തിയാക്കാൻ അവർക്ക് ഒരാഴ്ച സമയം നൽകി.എം-ഐഎൽഎസ് യഥാർത്ഥ ഐഎൽഎസ് ഉപകരണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതും ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്കായി പരിഷ്കരിച്ചതുമാണ്.യഥാർത്ഥ ILS-ന് സമാനമായി, ഓരോ FSLSM അളവുകളുടെയും വശങ്ങൾ വിലയിരുത്താൻ ഉപയോഗിക്കുന്ന 11 ഇനങ്ങൾ വീതമുള്ള 44 തുല്യമായി വിതരണം ചെയ്ത ഇനങ്ങൾ (a, b) ഇതിൽ അടങ്ങിയിരിക്കുന്നു.
ടൂൾ വികസനത്തിൻ്റെ പ്രാരംഭ ഘട്ടത്തിൽ, 50 ഡെൻ്റൽ വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് ഗവേഷകർ മാപ്പുകൾ സ്വമേധയാ വ്യാഖ്യാനിച്ചു.FSLM അനുസരിച്ച്, സിസ്റ്റം "a", "b" എന്നീ ഉത്തരങ്ങളുടെ ആകെത്തുക നൽകുന്നു.ഓരോ അളവുകൾക്കും, വിദ്യാർത്ഥി ഒരു ഉത്തരമായി "a" തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, LS-നെ Active/perceptual/Visual/Sequential എന്നിങ്ങനെ തരംതിരിച്ചിരിക്കുന്നു, കൂടാതെ വിദ്യാർത്ഥി "b" ഒരു ഉത്തരമായി തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, വിദ്യാർത്ഥിയെ പ്രതിഫലിപ്പിക്കുന്ന/അവബോധജന്യമായ/ഭാഷാശാസ്ത്രമായി തരംതിരിച്ചിരിക്കുന്നു. ./ ആഗോള പഠിതാവ്.
ഡെൻ്റൽ എജ്യുക്കേഷൻ ഗവേഷകരും സിസ്റ്റം ഡെവലപ്പർമാരും തമ്മിലുള്ള വർക്ക്ഫ്ലോ കാലിബ്രേറ്റ് ചെയ്ത ശേഷം, FLSSM ഡൊമെയ്‌നിനെ അടിസ്ഥാനമാക്കി ചോദ്യങ്ങൾ തിരഞ്ഞെടുത്ത് ഓരോ വിദ്യാർത്ഥിയുടെയും LS പ്രവചിക്കാൻ ML മോഡലിലേക്ക് നൽകുകയും ചെയ്തു."ഗാർബേജ് ഇൻ, ഗാർബേജ് ഔട്ട്" എന്നത് ഡാറ്റാ ഗുണനിലവാരത്തിൽ ഊന്നൽ നൽകുന്ന മെഷീൻ ലേണിംഗ് മേഖലയിലെ ഒരു ജനപ്രിയ ചൊല്ലാണ്.ഇൻപുട്ട് ഡാറ്റയുടെ ഗുണനിലവാരം മെഷീൻ ലേണിംഗ് മോഡലിൻ്റെ കൃത്യതയും കൃത്യതയും നിർണ്ണയിക്കുന്നു.ഫീച്ചർ എഞ്ചിനീയറിംഗ് ഘട്ടത്തിൽ, FLSSM അടിസ്ഥാനമാക്കിയുള്ള "a", "b" എന്നീ ഉത്തരങ്ങളുടെ ആകെത്തുകയായ ഒരു പുതിയ ഫീച്ചർ സെറ്റ് സൃഷ്ടിക്കപ്പെടുന്നു.മരുന്നുകളുടെ സ്ഥാനങ്ങളുടെ തിരിച്ചറിയൽ നമ്പറുകൾ പട്ടിക 1 ൽ നൽകിയിരിക്കുന്നു.
ഉത്തരങ്ങളെ അടിസ്ഥാനമാക്കി സ്കോർ കണക്കാക്കുകയും വിദ്യാർത്ഥിയുടെ LS നിർണ്ണയിക്കുകയും ചെയ്യുക.ഓരോ വിദ്യാർത്ഥിയുടെയും സ്കോർ ശ്രേണി 1 മുതൽ 11 വരെയാണ്. 1 മുതൽ 3 വരെയുള്ള സ്കോറുകൾ ഒരേ അളവിലുള്ള പഠന മുൻഗണനകളുടെ സന്തുലിതാവസ്ഥയെ സൂചിപ്പിക്കുന്നു, കൂടാതെ 5 മുതൽ 7 വരെയുള്ള സ്കോറുകൾ മിതമായ മുൻഗണനയെ സൂചിപ്പിക്കുന്നു, ഇത് വിദ്യാർത്ഥികൾ മറ്റുള്ളവരെ പഠിപ്പിക്കുന്ന ഒരു അന്തരീക്ഷമാണ് ഇഷ്ടപ്പെടുന്നതെന്ന് സൂചിപ്പിക്കുന്നു. .അതേ അളവിലുള്ള മറ്റൊരു വ്യതിയാനം, 9 മുതൽ 11 വരെയുള്ള സ്കോറുകൾ ഒരു അറ്റത്തോ മറ്റേതെങ്കിലോ ഉള്ള ശക്തമായ മുൻഗണനയെ പ്രതിഫലിപ്പിക്കുന്നു എന്നതാണ് [8].
ഓരോ അളവുകൾക്കും, മരുന്നുകൾ "ആക്റ്റീവ്", "റിഫ്ലെക്റ്റീവ്", "ബാലൻസ്ഡ്" എന്നിങ്ങനെ തരം തിരിച്ചിരിക്കുന്നു.ഉദാഹരണത്തിന്, ഒരു വിദ്യാർത്ഥി നിയുക്ത ഇനത്തിൽ "b" എന്നതിനേക്കാൾ കൂടുതൽ തവണ "a" എന്ന് ഉത്തരം നൽകുകയും അവൻ്റെ/അവളുടെ സ്കോർ പ്രോസസ്സിംഗ് LS മാനത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരു പ്രത്യേക ഇനത്തിന് 5 എന്ന പരിധി കവിയുകയും ചെയ്യുമ്പോൾ, അവൻ/അവൾ "സജീവ" LS-ൽ പെടുന്നു. ഡൊമെയ്ൻ..എന്നിരുന്നാലും, നിർദ്ദിഷ്ട 11 ചോദ്യങ്ങളിൽ (പട്ടിക 1) "എ" എന്നതിനേക്കാൾ "ബി" തിരഞ്ഞെടുത്ത് 5 പോയിൻ്റിൽ കൂടുതൽ സ്കോർ ചെയ്തപ്പോൾ വിദ്യാർത്ഥികളെ "റിഫ്ലെക്റ്റീവ്" എൽഎസ് ആയി തരംതിരിച്ചു.അവസാനമായി, വിദ്യാർത്ഥി "സന്തുലിതാവസ്ഥ"യിലാണ്.സ്കോർ 5 പോയിൻ്റിൽ കവിയുന്നില്ലെങ്കിൽ, ഇത് ഒരു "പ്രോസസ്" എൽഎസ് ആണ്.മറ്റ് LS അളവുകൾക്കായി വർഗ്ഗീകരണ പ്രക്രിയ ആവർത്തിച്ചു, അതായത് പെർസെപ്ഷൻ (സജീവ/പ്രതിഫലനം), ഇൻപുട്ട് (വിഷ്വൽ/വെർബൽ), കോംപ്രഹെൻഷൻ (സീക്വൻഷ്യൽ/ഗ്ലോബൽ).
വർഗ്ഗീകരണ പ്രക്രിയയുടെ വിവിധ ഘട്ടങ്ങളിൽ ഡിസിഷൻ ട്രീ മോഡലുകൾക്ക് വ്യത്യസ്ത സവിശേഷതകളും തീരുമാന നിയമങ്ങളും ഉപയോഗിക്കാൻ കഴിയും.ഇത് ഒരു ജനപ്രിയ വർഗ്ഗീകരണവും പ്രവചന ഉപകരണമായി കണക്കാക്കപ്പെടുന്നു.ഫ്ലോചാർട്ട് [20] പോലെയുള്ള ഒരു ട്രീ ഘടന ഉപയോഗിച്ച് ഇതിനെ പ്രതിനിധീകരിക്കാം, അതിൽ ആട്രിബ്യൂട്ട് പ്രകാരം ടെസ്റ്റുകളെ പ്രതിനിധീകരിക്കുന്ന ആന്തരിക നോഡുകൾ, ഓരോ ശാഖയും ടെസ്റ്റ് ഫലങ്ങളെ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ ഓരോ ലീഫ് നോഡും (ലീഫ് നോഡും) ഒരു ക്ലാസ് ലേബൽ അടങ്ങിയിരിക്കുന്നു.
ഓരോ വിദ്യാർത്ഥിയുടെയും പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി സ്വയമേവ സ്കോർ ചെയ്യുന്നതിനും വ്യാഖ്യാനിക്കുന്നതിനുമായി ഒരു ലളിതമായ നിയമാധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്ടിച്ചു.റൂൾ അധിഷ്‌ഠിതം ഒരു IF സ്റ്റേറ്റ്‌മെൻ്റിൻ്റെ രൂപമെടുക്കുന്നു, അവിടെ “IF” ട്രിഗറിനെ വിവരിക്കുകയും “അപ്പോൾ” നടപ്പിലാക്കേണ്ട പ്രവർത്തനത്തെ വ്യക്തമാക്കുന്നു, ഉദാഹരണത്തിന്: “X സംഭവിക്കുകയാണെങ്കിൽ, Y ചെയ്യുക” (Liu et al., 2014).ഡാറ്റാ സെറ്റ് പരസ്പരബന്ധം പ്രകടിപ്പിക്കുകയും ഡിസിഷൻ ട്രീ മോഡൽ ശരിയായി പരിശീലിപ്പിക്കുകയും വിലയിരുത്തുകയും ചെയ്താൽ, ഈ സമീപനം LS ഉം IS ഉം പൊരുത്തപ്പെടുത്തുന്ന പ്രക്രിയ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനുള്ള ഫലപ്രദമായ മാർഗമാണ്.
വികസനത്തിൻ്റെ രണ്ടാം ഘട്ടത്തിൽ, ശുപാർശ ഉപകരണത്തിൻ്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനായി ഡാറ്റാസെറ്റ് 255 ആയി ഉയർത്തി.ഡാറ്റാ സെറ്റ് 1:4 അനുപാതത്തിൽ വിഭജിച്ചിരിക്കുന്നു.ഡാറ്റാ സെറ്റിൻ്റെ 25% (64) ടെസ്റ്റ് സെറ്റിനായി ഉപയോഗിച്ചു, ശേഷിക്കുന്ന 75% (191) പരിശീലന സെറ്റായി ഉപയോഗിച്ചു (ചിത്രം 2).ഒരേ ഡാറ്റാ സെറ്റിൽ മോഡൽ പരിശീലിപ്പിക്കപ്പെടുന്നതും പരീക്ഷിക്കപ്പെടുന്നതും തടയാൻ ഡാറ്റാ സെറ്റ് വിഭജിക്കേണ്ടതുണ്ട്, ഇത് മോഡലിനെ പഠിക്കുന്നതിനുപകരം ഓർമ്മിക്കാൻ ഇടയാക്കും.മോഡൽ പരിശീലന സെറ്റിൽ പരിശീലിപ്പിക്കുകയും ടെസ്റ്റ് സെറ്റിൽ അതിൻ്റെ പ്രകടനം വിലയിരുത്തുകയും ചെയ്യുന്നു - മോഡൽ മുമ്പ് കണ്ടിട്ടില്ലാത്ത ഡാറ്റ.
IS ടൂൾ വികസിപ്പിച്ച ശേഷം, ഒരു വെബ് ഇൻ്റർഫേസ് വഴി ഡെൻ്റൽ വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി എൽഎസ് തരംതിരിക്കാൻ അപ്ലിക്കേഷന് കഴിയും.പൈത്തൺ പ്രോഗ്രാമിംഗ് ഭാഷ ഉപയോഗിച്ച് ജാംഗോ ഫ്രെയിംവർക്ക് ബാക്കെൻഡായി ഉപയോഗിച്ചാണ് വെബ് അധിഷ്ഠിത വിവര സുരക്ഷാ ശുപാർശ ടൂൾ സിസ്റ്റം നിർമ്മിച്ചിരിക്കുന്നത്.ഈ സിസ്റ്റത്തിൻ്റെ വികസനത്തിൽ ഉപയോഗിക്കുന്ന ലൈബ്രറികൾ പട്ടിക 2 പട്ടികപ്പെടുത്തുന്നു.
വിദ്യാർത്ഥികളുടെ എൽഎസ് അളവുകൾ സ്വയമേവ തരംതിരിക്കുന്നതിന് വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങൾ കണക്കാക്കാനും എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാനുമുള്ള ഒരു ഡിസിഷൻ ട്രീ മോഡലിലേക്ക് ഡാറ്റാസെറ്റ് നൽകുന്നു.
തന്നിരിക്കുന്ന ഡാറ്റാ സെറ്റിൽ ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് അൽഗോരിതം കൃത്യത വിലയിരുത്താൻ കൺഫ്യൂഷൻ മാട്രിക്സ് ഉപയോഗിക്കുന്നു.അതേ സമയം, ഇത് ക്ലാസിഫിക്കേഷൻ മോഡലിൻ്റെ പ്രകടനത്തെ വിലയിരുത്തുന്നു.ഇത് മോഡലിൻ്റെ പ്രവചനങ്ങളെ സംഗ്രഹിക്കുകയും യഥാർത്ഥ ഡാറ്റ ലേബലുകളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു.മൂല്യനിർണ്ണയ ഫലങ്ങൾ നാല് വ്യത്യസ്ത മൂല്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: ട്രൂ പോസിറ്റീവ് (ടിപി) - മോഡൽ പോസിറ്റീവ് വിഭാഗം, ഫാൾസ് പോസിറ്റീവ് (എഫ്പി) - മോഡൽ പോസിറ്റീവ് വിഭാഗം പ്രവചിച്ചു, എന്നാൽ യഥാർത്ഥ ലേബൽ നെഗറ്റീവ് ആയിരുന്നു, ട്രൂ നെഗറ്റീവ് (ടിഎൻ) - മോഡൽ നെഗറ്റീവ് ക്ലാസ് ശരിയായി പ്രവചിച്ചു, തെറ്റായ നെഗറ്റീവ് (FN) - മോഡൽ നെഗറ്റീവ് ക്ലാസ് പ്രവചിക്കുന്നു, എന്നാൽ യഥാർത്ഥ ലേബൽ പോസിറ്റീവ് ആണ്.
ഈ മൂല്യങ്ങൾ പൈത്തണിലെ സ്കിറ്റ്-ലേൺ ക്ലാസിഫിക്കേഷൻ മോഡലിൻ്റെ വിവിധ പ്രകടന അളവുകൾ കണക്കാക്കാൻ ഉപയോഗിക്കുന്നു, അതായത് പ്രിസിഷൻ, പ്രിസിഷൻ, റീകോൾ, എഫ്1 സ്കോർ.ഉദാഹരണങ്ങൾ ഇതാ:
recall (അല്ലെങ്കിൽ സെൻസിറ്റിവിറ്റി) m-ILS ചോദ്യാവലിക്ക് ഉത്തരം നൽകിയ ശേഷം ഒരു വിദ്യാർത്ഥിയുടെ LS കൃത്യമായി വർഗ്ഗീകരിക്കാനുള്ള മോഡലിൻ്റെ കഴിവ് അളക്കുന്നു.
പ്രത്യേകതയെ യഥാർത്ഥ നെഗറ്റീവ് നിരക്ക് എന്ന് വിളിക്കുന്നു.മുകളിലുള്ള ഫോർമുലയിൽ നിന്ന് നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ഇത് ട്രൂ നെഗറ്റീവുകളുടെയും (TN) ട്രൂ നെഗറ്റീവുകളുടെയും തെറ്റായ പോസിറ്റീവുകളുടെയും (FP) അനുപാതമായിരിക്കണം.വിദ്യാർത്ഥികളുടെ മയക്കുമരുന്ന് തരംതിരിക്കുന്നതിനുള്ള ശുപാർശിത ഉപകരണത്തിൻ്റെ ഭാഗമായി, അത് കൃത്യമായി തിരിച്ചറിയാൻ പ്രാപ്തമായിരിക്കണം.
ഡിസിഷൻ ട്രീ ML മോഡൽ പരിശീലിപ്പിക്കാൻ ഉപയോഗിച്ച 50 വിദ്യാർത്ഥികളുടെ യഥാർത്ഥ ഡാറ്റാസെറ്റ് വ്യാഖ്യാനങ്ങളിലെ മനുഷ്യ പിശക് കാരണം താരതമ്യേന കുറഞ്ഞ കൃത്യതയാണ് കാണിക്കുന്നത് (പട്ടിക 3).എൽഎസ് സ്‌കോറുകളും വിദ്യാർത്ഥി വ്യാഖ്യാനങ്ങളും സ്വയമേവ കണക്കുകൂട്ടാൻ ലളിതമായ ഒരു റൂൾ അധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്‌ടിച്ച ശേഷം, ശുപാർശ ചെയ്യുന്ന സംവിധാനത്തെ പരിശീലിപ്പിക്കുന്നതിനും പരീക്ഷിക്കുന്നതിനും വർദ്ധിച്ചുവരുന്ന ഡാറ്റാസെറ്റുകൾ (255) ഉപയോഗിച്ചു.
മൾട്ടിക്ലാസ് കൺഫ്യൂഷൻ മാട്രിക്സിൽ, ഡയഗണൽ ഘടകങ്ങൾ ഓരോ എൽഎസ് തരത്തിനും കൃത്യമായ പ്രവചനങ്ങളുടെ എണ്ണത്തെ പ്രതിനിധീകരിക്കുന്നു (ചിത്രം 4).ഡിസിഷൻ ട്രീ മോഡൽ ഉപയോഗിച്ച്, മൊത്തം 64 സാമ്പിളുകൾ ശരിയായി പ്രവചിച്ചു.അതിനാൽ, ഈ പഠനത്തിൽ, ഡയഗണൽ ഘടകങ്ങൾ പ്രതീക്ഷിക്കുന്ന ഫലങ്ങൾ കാണിക്കുന്നു, ഇത് മോഡൽ നന്നായി പ്രവർത്തിക്കുന്നുവെന്നും ഓരോ എൽഎസ് വർഗ്ഗീകരണത്തിനും ക്ലാസ് ലേബൽ കൃത്യമായി പ്രവചിക്കുന്നുവെന്നും സൂചിപ്പിക്കുന്നു.അതിനാൽ, ശുപാർശ ഉപകരണത്തിൻ്റെ മൊത്തത്തിലുള്ള കൃത്യത 100% ആണ്.
കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ, എഫ്1 സ്കോർ എന്നിവയുടെ മൂല്യങ്ങൾ ചിത്രം 5-ൽ കാണിച്ചിരിക്കുന്നു. ഡിസിഷൻ ട്രീ മോഡൽ ഉപയോഗിക്കുന്ന ശുപാർശ സംവിധാനത്തിന്, അതിൻ്റെ എഫ്1 സ്കോർ 1.0 "തികഞ്ഞത്" ആണ്, ഇത് മികച്ച കൃത്യതയും തിരിച്ചുവിളിയും സൂചിപ്പിക്കുന്നു, ഇത് കാര്യമായ സെൻസിറ്റിവിറ്റിയും പ്രത്യേകതയും പ്രതിഫലിപ്പിക്കുന്നു. മൂല്യങ്ങൾ.
പരിശീലനവും പരിശോധനയും പൂർത്തിയാക്കിയ ശേഷം ഡിസിഷൻ ട്രീ മാതൃകയുടെ ദൃശ്യവൽക്കരണം ചിത്രം 6 കാണിക്കുന്നു.ഒരു വശത്തുള്ള താരതമ്യത്തിൽ, കുറച്ച് ഫീച്ചറുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഡിസിഷൻ ട്രീ മോഡൽ ഉയർന്ന കൃത്യതയും എളുപ്പമുള്ള മോഡൽ ദൃശ്യവൽക്കരണവും കാണിച്ചു.ഫീച്ചർ കുറയ്ക്കുന്നതിലേക്ക് നയിക്കുന്ന ഫീച്ചർ എഞ്ചിനീയറിംഗ് മോഡൽ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രധാന ഘട്ടമാണെന്ന് ഇത് കാണിക്കുന്നു.
ഡിസിഷൻ ട്രീ മേൽനോട്ടത്തിലുള്ള പഠനം പ്രയോഗിക്കുന്നതിലൂടെ, LS (ഇൻപുട്ട്), IS (ടാർഗെറ്റ് ഔട്ട്പുട്ട്) എന്നിവയ്ക്കിടയിലുള്ള മാപ്പിംഗ് സ്വയമേവ സൃഷ്‌ടിക്കപ്പെടുകയും ഓരോ LS-നും വിശദമായ വിവരങ്ങൾ ഉൾക്കൊള്ളുകയും ചെയ്യുന്നു.
255 വിദ്യാർത്ഥികളിൽ 34.9% പേർ ഒരു (1) LS ഓപ്ഷനാണ് ഇഷ്ടപ്പെടുന്നതെന്ന് ഫലങ്ങൾ കാണിക്കുന്നു.ഭൂരിപക്ഷത്തിന് (54.3%) രണ്ടോ അതിലധികമോ LS മുൻഗണനകൾ ഉണ്ടായിരുന്നു.12.2% വിദ്യാർത്ഥികൾ LS തികച്ചും സന്തുലിതമാണെന്ന് അഭിപ്രായപ്പെട്ടു (പട്ടിക 4).എട്ട് പ്രധാന എൽഎസ് കൂടാതെ, മലയ യൂണിവേഴ്സിറ്റി ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്കായി എൽഎസ് ക്ലാസിഫിക്കേഷനുകളുടെ 34 കോമ്പിനേഷനുകളും ഉണ്ട്.അവയിൽ, ധാരണ, ദർശനം, ധാരണയുടെയും കാഴ്ചയുടെയും സംയോജനമാണ് വിദ്യാർത്ഥികൾ റിപ്പോർട്ട് ചെയ്യുന്ന പ്രധാന LS (ചിത്രം 7).
പട്ടിക 4-ൽ നിന്ന് കാണാൻ കഴിയുന്നത് പോലെ, ഭൂരിഭാഗം വിദ്യാർത്ഥികൾക്കും പ്രബലമായ സെൻസറി (13.7%) അല്ലെങ്കിൽ വിഷ്വൽ (8.6%) LS ഉണ്ടായിരുന്നു.12.2% വിദ്യാർത്ഥികൾ ദർശനവും (പെർസെപ്ച്വൽ-വിഷ്വൽ എൽഎസ്) ധാരണയും സംയോജിപ്പിച്ചതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ടു.ഈ കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നത് വിദ്യാർത്ഥികൾ സ്ഥാപിത രീതികളിലൂടെ പഠിക്കാനും ഓർമ്മിക്കാനും പ്രത്യേകവും വിശദവുമായ നടപടിക്രമങ്ങൾ പിന്തുടരാനും സ്വഭാവത്തിൽ ശ്രദ്ധാലുക്കളാണ്.അതേ സമയം, അവർ നോക്കി (ഡയഗ്രമുകൾ മുതലായവ ഉപയോഗിച്ച്) പഠിക്കുന്നത് ആസ്വദിക്കുകയും ഗ്രൂപ്പുകളിലോ സ്വന്തമായി വിവരങ്ങൾ ചർച്ച ചെയ്യുകയും പ്രയോഗിക്കുകയും ചെയ്യുന്നു.
ഈ പഠനം ഡാറ്റാ മൈനിംഗിൽ ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളുടെ ഒരു അവലോകനം നൽകുന്നു, വിദ്യാർത്ഥികളുടെ LS തൽക്ഷണമായും കൃത്യമായും പ്രവചിക്കുന്നതിലും അനുയോജ്യമായ IS ശുപാർശ ചെയ്യുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.ഡിസിഷൻ ട്രീ മാതൃകയുടെ പ്രയോഗം അവരുടെ ജീവിതവും വിദ്യാഭ്യാസ അനുഭവങ്ങളുമായി ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഘടകങ്ങളെ തിരിച്ചറിഞ്ഞു.ചില മാനദണ്ഡങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു കൂട്ടം ഡാറ്റയെ ഉപവിഭാഗങ്ങളായി വിഭജിച്ച് ഡാറ്റയെ തരംതിരിക്കുന്നതിന് ഒരു ട്രീ ഘടന ഉപയോഗിക്കുന്ന സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗ് അൽഗോരിതം ആണ് ഇത്.ലീഫ് നോഡിൽ ഒരു തീരുമാനം എടുക്കുന്നത് വരെ ഓരോ ആന്തരിക നോഡിൻ്റെയും ഇൻപുട്ട് സവിശേഷതകളിലൊന്നിൻ്റെ മൂല്യത്തെ അടിസ്ഥാനമാക്കി ഇൻപുട്ട് ഡാറ്റയെ ഉപസെറ്റുകളായി വിഭജിച്ച് ഇത് പ്രവർത്തിക്കുന്നു.
ഡിസിഷൻ ട്രീയുടെ ആന്തരിക നോഡുകൾ m-ILS പ്രശ്നത്തിൻ്റെ ഇൻപുട്ട് സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരത്തെ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ ലീഫ് നോഡുകൾ അന്തിമ LS വർഗ്ഗീകരണ പ്രവചനത്തെയും പ്രതിനിധീകരിക്കുന്നു.പഠനത്തിലുടനീളം, ഇൻപുട്ട് സവിശേഷതകളും ഔട്ട്പുട്ട് പ്രവചനങ്ങളും തമ്മിലുള്ള ബന്ധം നോക്കി തീരുമാന പ്രക്രിയയെ വിശദീകരിക്കുകയും ദൃശ്യവൽക്കരിക്കുകയും ചെയ്യുന്ന ഡിസിഷൻ ട്രീകളുടെ ശ്രേണി മനസ്സിലാക്കാൻ എളുപ്പമാണ്.
കമ്പ്യൂട്ടർ സയൻസ്, എഞ്ചിനീയറിംഗ് എന്നീ മേഖലകളിൽ, വിദ്യാർത്ഥികളുടെ പ്രവേശന പരീക്ഷയുടെ സ്കോറുകൾ [21], ജനസംഖ്യാപരമായ വിവരങ്ങൾ, പഠന സ്വഭാവം [22] എന്നിവയെ അടിസ്ഥാനമാക്കി വിദ്യാർത്ഥികളുടെ പ്രകടനം പ്രവചിക്കാൻ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ വ്യാപകമായി ഉപയോഗിക്കുന്നു.അൽഗോരിതം വിദ്യാർത്ഥികളുടെ പ്രകടനം കൃത്യമായി പ്രവചിക്കുകയും അക്കാദമിക് ബുദ്ധിമുട്ടുകൾക്ക് സാധ്യതയുള്ള വിദ്യാർത്ഥികളെ തിരിച്ചറിയാൻ അവരെ സഹായിക്കുകയും ചെയ്തതായി ഗവേഷണം കാണിക്കുന്നു.
ഡെൻ്റൽ പരിശീലനത്തിനായി വെർച്വൽ പേഷ്യൻ്റ് സിമുലേറ്ററുകൾ വികസിപ്പിക്കുന്നതിൽ ML അൽഗോരിതങ്ങളുടെ പ്രയോഗം റിപ്പോർട്ട് ചെയ്യപ്പെടുന്നു.യഥാർത്ഥ രോഗികളുടെ ശാരീരിക പ്രതികരണങ്ങൾ കൃത്യമായി പുനർനിർമ്മിക്കാൻ സിമുലേറ്ററിന് കഴിയും കൂടാതെ സുരക്ഷിതവും നിയന്ത്രിതവുമായ അന്തരീക്ഷത്തിൽ ദന്ത വിദ്യാർത്ഥികളെ പരിശീലിപ്പിക്കാൻ ഇത് ഉപയോഗിക്കാം [23].മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾക്ക് ഡെൻ്റൽ, മെഡിക്കൽ വിദ്യാഭ്യാസത്തിൻ്റെയും രോഗി പരിചരണത്തിൻ്റെയും ഗുണനിലവാരവും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് മറ്റ് നിരവധി പഠനങ്ങൾ കാണിക്കുന്നു.രോഗലക്ഷണങ്ങളും രോഗിയുടെ സ്വഭാവസവിശേഷതകളും [24, 25] പോലുള്ള ഡാറ്റാ സെറ്റുകളെ അടിസ്ഥാനമാക്കി ദന്തരോഗങ്ങൾ കണ്ടെത്തുന്നതിന് സഹായിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ചു.മറ്റ് പഠനങ്ങൾ രോഗികളുടെ ഫലങ്ങൾ പ്രവചിക്കുക, ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ തിരിച്ചറിയുക, വ്യക്തിഗത ചികിത്സാ പദ്ധതികൾ വികസിപ്പിക്കുക [26], ആനുകാലിക ചികിത്സ [27], ക്ഷയരോഗ ചികിത്സ [25] തുടങ്ങിയ ചുമതലകൾ നിർവഹിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിക്കുന്നത് പര്യവേക്ഷണം ചെയ്തിട്ടുണ്ട്.
ദന്തചികിത്സയിൽ മെഷീൻ ലേണിംഗ് പ്രയോഗത്തെക്കുറിച്ചുള്ള റിപ്പോർട്ടുകൾ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ടെങ്കിലും, ഡെൻ്റൽ വിദ്യാഭ്യാസത്തിൽ അതിൻ്റെ പ്രയോഗം പരിമിതമാണ്.അതിനാൽ, ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ LS, IS എന്നിവയുമായി ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഘടകങ്ങളെ തിരിച്ചറിയാൻ ഒരു ഡിസിഷൻ ട്രീ മാതൃക ഉപയോഗിക്കാനാണ് ഈ പഠനം ലക്ഷ്യമിടുന്നത്.
വികസിപ്പിച്ച ശുപാർശ ഉപകരണത്തിന് ഉയർന്ന കൃത്യതയും തികഞ്ഞ കൃത്യതയുമുണ്ടെന്ന് ഈ പഠനത്തിൻ്റെ ഫലങ്ങൾ കാണിക്കുന്നു, ഇത് അധ്യാപകർക്ക് ഈ ടൂളിൽ നിന്ന് പ്രയോജനം നേടുമെന്ന് സൂചിപ്പിക്കുന്നു.ഡാറ്റാധിഷ്ഠിത വർഗ്ഗീകരണ പ്രക്രിയ ഉപയോഗിച്ച്, അത് വ്യക്തിഗതമാക്കിയ ശുപാർശകൾ നൽകാനും അധ്യാപകർക്കും വിദ്യാർത്ഥികൾക്കും വിദ്യാഭ്യാസ അനുഭവങ്ങളും ഫലങ്ങളും മെച്ചപ്പെടുത്താനും കഴിയും.അവയിൽ, ശുപാർശ ടൂളുകൾ വഴി ലഭിക്കുന്ന വിവരങ്ങൾ അധ്യാപകരുടെ ഇഷ്ടപ്പെട്ട അധ്യാപന രീതികളും വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളും തമ്മിലുള്ള വൈരുദ്ധ്യങ്ങൾ പരിഹരിക്കും.ഉദാഹരണത്തിന്, ശുപാർശ ടൂളുകളുടെ സ്വയമേവയുള്ള ഔട്ട്പുട്ട് കാരണം, ഒരു വിദ്യാർത്ഥിയുടെ ഐപി തിരിച്ചറിയുന്നതിനും അനുബന്ധ ഐപിയുമായി പൊരുത്തപ്പെടുത്തുന്നതിനും ആവശ്യമായ സമയം ഗണ്യമായി കുറയും.ഈ രീതിയിൽ, അനുയോജ്യമായ പരിശീലന പ്രവർത്തനങ്ങളും പരിശീലന സാമഗ്രികളും സംഘടിപ്പിക്കാൻ കഴിയും.ഇത് വിദ്യാർത്ഥികളുടെ നല്ല പഠന സ്വഭാവവും ശ്രദ്ധ കേന്ദ്രീകരിക്കാനുള്ള കഴിവും വികസിപ്പിക്കാൻ സഹായിക്കുന്നു.വിദ്യാർത്ഥികൾക്ക് പഠന സാമഗ്രികളും അവരുടെ ഇഷ്ടപ്പെട്ട LS യുമായി പൊരുത്തപ്പെടുന്ന പഠന പ്രവർത്തനങ്ങളും നൽകുന്നത് വിദ്യാർത്ഥികളെ കൂടുതൽ സാധ്യതകൾ നേടുന്നതിന് ഒന്നിലധികം മാർഗ്ഗങ്ങളിലൂടെ സമന്വയിപ്പിക്കാനും പ്രോസസ്സ് ചെയ്യാനും ആസ്വദിക്കാനും സഹായിക്കുമെന്ന് ഒരു പഠനം റിപ്പോർട്ട് ചെയ്തു [12].ക്ലാസ്റൂമിലെ വിദ്യാർത്ഥികളുടെ പങ്കാളിത്തം മെച്ചപ്പെടുത്തുന്നതിനൊപ്പം, വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയ മനസ്സിലാക്കുന്നതും അധ്യാപന രീതികളും വിദ്യാർത്ഥികളുമായുള്ള ആശയവിനിമയവും മെച്ചപ്പെടുത്തുന്നതിൽ നിർണായക പങ്ക് വഹിക്കുന്നുണ്ടെന്ന് ഗവേഷണങ്ങൾ കാണിക്കുന്നു [28, 29].
എന്നിരുന്നാലും, ഏതൊരു ആധുനിക സാങ്കേതികവിദ്യയിലും എന്നപോലെ, പ്രശ്നങ്ങളും പരിമിതികളും ഉണ്ട്.ഡാറ്റാ സ്വകാര്യത, പക്ഷപാതം, നീതി എന്നിവയുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ, ഡെൻ്റൽ വിദ്യാഭ്യാസത്തിൽ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ വികസിപ്പിക്കുന്നതിനും നടപ്പിലാക്കുന്നതിനും ആവശ്യമായ പ്രൊഫഷണൽ കഴിവുകളും വിഭവങ്ങളും ഇതിൽ ഉൾപ്പെടുന്നു;എന്നിരുന്നാലും, ഈ മേഖലയിലെ വർദ്ധിച്ചുവരുന്ന താൽപ്പര്യവും ഗവേഷണവും സൂചിപ്പിക്കുന്നത് മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾ ഡെൻ്റൽ വിദ്യാഭ്യാസത്തിലും ഡെൻ്റൽ സേവനങ്ങളിലും നല്ല സ്വാധീനം ചെലുത്തുമെന്നാണ്.
ഈ പഠനത്തിൻ്റെ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നത് ഡെൻ്റൽ വിദ്യാർത്ഥികളിൽ പകുതിയും മയക്കുമരുന്ന് "ഗ്രഹിക്കുന്ന" പ്രവണതയാണ്.ഇത്തരത്തിലുള്ള പഠിതാക്കൾക്ക് വസ്‌തുതകൾക്കും മൂർത്തമായ ഉദാഹരണങ്ങൾക്കും മുൻഗണനയുണ്ട്, ഒരു പ്രായോഗിക ഓറിയൻ്റേഷൻ, വിശദാംശത്തിനായുള്ള ക്ഷമ, കൂടാതെ "വിഷ്വൽ" എൽഎസ് മുൻഗണന, ഇവിടെ പഠിതാക്കൾ ആശയങ്ങളും ചിന്തകളും അറിയിക്കുന്നതിന് ചിത്രങ്ങൾ, ഗ്രാഫിക്സ്, നിറങ്ങൾ, മാപ്പുകൾ എന്നിവ ഉപയോഗിക്കാൻ ഇഷ്ടപ്പെടുന്നു.ഡെൻ്റൽ, മെഡിക്കൽ വിദ്യാർത്ഥികളിലെ എൽഎസ് വിലയിരുത്താൻ ഐഎൽഎസ് ഉപയോഗിക്കുന്ന മറ്റ് പഠനങ്ങളുമായി നിലവിലെ ഫലങ്ങൾ പൊരുത്തപ്പെടുന്നു, അവരിൽ ഭൂരിഭാഗവും പെർസെപ്ച്വൽ, വിഷ്വൽ LS [12, 30] സവിശേഷതകളുള്ളവരാണ്.Dalmolin et al, വിദ്യാർത്ഥികളെ അവരുടെ LS-നെ കുറിച്ച് അറിയിക്കുന്നത് അവരുടെ പഠന ശേഷിയിലെത്താൻ അവരെ അനുവദിക്കുമെന്ന് നിർദ്ദേശിക്കുന്നു.അധ്യാപകർ വിദ്യാർത്ഥികളുടെ വിദ്യാഭ്യാസ പ്രക്രിയയെ പൂർണ്ണമായി മനസ്സിലാക്കുമ്പോൾ, വിദ്യാർത്ഥികളുടെ പ്രകടനവും പഠനാനുഭവവും മെച്ചപ്പെടുത്തുന്ന വിവിധ അധ്യാപന രീതികളും പ്രവർത്തനങ്ങളും നടപ്പിലാക്കാൻ കഴിയുമെന്ന് ഗവേഷകർ വാദിക്കുന്നു [12, 31, 32].മറ്റ് പഠനങ്ങൾ കാണിക്കുന്നത് വിദ്യാർത്ഥികളുടെ LS ക്രമീകരിക്കുന്നത് വിദ്യാർത്ഥികളുടെ പഠനാനുഭവത്തിലും പ്രകടനത്തിലും അവരുടെ സ്വന്തം LS ന് അനുയോജ്യമായ രീതിയിൽ അവരുടെ പഠന ശൈലികൾ മാറ്റിയതിന് ശേഷമുള്ള മെച്ചപ്പെടുത്തലുകൾ കാണിക്കുന്നു എന്നാണ് [13, 33].
വിദ്യാർത്ഥികളുടെ പഠന കഴിവുകളെ അടിസ്ഥാനമാക്കിയുള്ള അധ്യാപന തന്ത്രങ്ങൾ നടപ്പിലാക്കുന്നത് സംബന്ധിച്ച് അധ്യാപകരുടെ അഭിപ്രായങ്ങൾ വ്യത്യാസപ്പെടാം.പ്രൊഫഷണൽ വികസന അവസരങ്ങൾ, മാർഗനിർദേശം, കമ്മ്യൂണിറ്റി പിന്തുണ എന്നിവയുൾപ്പെടെ ഈ സമീപനത്തിൻ്റെ പ്രയോജനങ്ങൾ ചിലർ കാണുമ്പോൾ, മറ്റുള്ളവർ സമയത്തെയും സ്ഥാപന പിന്തുണയെയും കുറിച്ച് ആശങ്കാകുലരായിരിക്കാം.സന്തുലിതാവസ്ഥയ്ക്കായി പരിശ്രമിക്കുന്നത് വിദ്യാർത്ഥി കേന്ദ്രീകൃത മനോഭാവം സൃഷ്ടിക്കുന്നതിന് പ്രധാനമാണ്.യൂണിവേഴ്സിറ്റി അഡ്മിനിസ്ട്രേറ്റർമാരെപ്പോലുള്ള ഉന്നത വിദ്യാഭ്യാസ അധികാരികൾക്ക് നൂതനമായ സമ്പ്രദായങ്ങൾ അവതരിപ്പിക്കുന്നതിലൂടെയും ഫാക്കൽറ്റി വികസനത്തിന് പിന്തുണ നൽകുന്നതിലൂടെയും നല്ല മാറ്റങ്ങൾ വരുത്തുന്നതിൽ ഒരു പ്രധാന പങ്ക് വഹിക്കാനാകും [34].യഥാർത്ഥത്തിൽ ചലനാത്മകവും പ്രതികരണശേഷിയുള്ളതുമായ ഒരു ഉന്നത വിദ്യാഭ്യാസ സമ്പ്രദായം സൃഷ്ടിക്കുന്നതിന്, നയരൂപകർത്താക്കൾ നയപരമായ മാറ്റങ്ങൾ വരുത്തുക, സാങ്കേതിക സംയോജനത്തിനായി വിഭവങ്ങൾ വിനിയോഗിക്കുക, വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനങ്ങളെ പ്രോത്സാഹിപ്പിക്കുന്ന ചട്ടക്കൂടുകൾ സൃഷ്ടിക്കുക തുടങ്ങിയ ധീരമായ നടപടികൾ കൈക്കൊള്ളണം.ആഗ്രഹിച്ച ഫലങ്ങൾ കൈവരിക്കുന്നതിന് ഈ നടപടികൾ നിർണായകമാണ്.വ്യത്യസ്ത നിർദ്ദേശങ്ങളെക്കുറിച്ചുള്ള സമീപകാല ഗവേഷണങ്ങൾ, വ്യത്യസ്ത നിർദ്ദേശങ്ങൾ വിജയകരമായി നടപ്പിലാക്കുന്നതിന് അധ്യാപകർക്ക് തുടർച്ചയായ പരിശീലനവും വികസന അവസരങ്ങളും ആവശ്യമാണെന്ന് വ്യക്തമായി തെളിയിച്ചിട്ടുണ്ട് [35].
വിദ്യാർത്ഥി സൗഹൃദ പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യുന്നതിന് വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനം സ്വീകരിക്കാൻ ആഗ്രഹിക്കുന്ന ദന്ത അധ്യാപകർക്ക് ഈ ഉപകരണം വിലപ്പെട്ട പിന്തുണ നൽകുന്നു.എന്നിരുന്നാലും, ഈ പഠനം ഡിസിഷൻ ട്രീ ML മോഡലുകളുടെ ഉപയോഗത്തിൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു.ഭാവിയിൽ, ശുപാർശ ടൂളുകളുടെ കൃത്യത, വിശ്വാസ്യത, കൃത്യത എന്നിവ താരതമ്യം ചെയ്യാൻ വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ പ്രകടനം താരതമ്യം ചെയ്യാൻ കൂടുതൽ ഡാറ്റ ശേഖരിക്കണം.കൂടാതെ, ഒരു പ്രത്യേക ജോലിക്ക് ഏറ്റവും അനുയോജ്യമായ മെഷീൻ ലേണിംഗ് രീതി തിരഞ്ഞെടുക്കുമ്പോൾ, മോഡൽ സങ്കീർണ്ണതയും വ്യാഖ്യാനവും പോലുള്ള മറ്റ് ഘടകങ്ങൾ പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്.
ഈ പഠനത്തിൻ്റെ ഒരു പരിമിതി, ഇത് ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ LS, IS എന്നിവ മാപ്പുചെയ്യുന്നതിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചു എന്നതാണ്.അതിനാൽ, വികസിപ്പിച്ച ശുപാർശ സംവിധാനം ഡെൻ്റൽ വിദ്യാർത്ഥികൾക്ക് അനുയോജ്യമായവ മാത്രമേ ശുപാർശ ചെയ്യൂ.പൊതു ഉന്നതവിദ്യാഭ്യാസ വിദ്യാർത്ഥികളുടെ ഉപയോഗത്തിന് മാറ്റങ്ങൾ അനിവാര്യമാണ്.
പുതുതായി വികസിപ്പിച്ച മെഷീൻ ലേണിംഗ് അധിഷ്ഠിത ശുപാർശ ടൂൾ, വിദ്യാർത്ഥികളുടെ LS-നെ അനുബന്ധ IS-ലേക്ക് തൽക്ഷണം തരംതിരിക്കാനും പൊരുത്തപ്പെടുത്താനും പ്രാപ്തമാണ്, ഇത് ഡെൻ്റൽ അധ്യാപകരെ പ്രസക്തമായ അധ്യാപന, പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യാൻ സഹായിക്കുന്ന ആദ്യത്തെ ഡെൻ്റൽ വിദ്യാഭ്യാസ പരിപാടിയാക്കി മാറ്റുന്നു.ഡാറ്റാധിഷ്ഠിത ട്രയേജ് പ്രോസസ്സ് ഉപയോഗിച്ച്, ഇതിന് വ്യക്തിഗത ശുപാർശകൾ നൽകാനും സമയം ലാഭിക്കാനും അധ്യാപന തന്ത്രങ്ങൾ മെച്ചപ്പെടുത്താനും ടാർഗെറ്റുചെയ്‌ത ഇടപെടലുകളെ പിന്തുണയ്‌ക്കാനും നിലവിലുള്ള പ്രൊഫഷണൽ വികസനം പ്രോത്സാഹിപ്പിക്കാനും കഴിയും.ദന്ത വിദ്യാഭ്യാസത്തിലേക്കുള്ള വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനങ്ങളെ അതിൻ്റെ ആപ്ലിക്കേഷൻ പ്രോത്സാഹിപ്പിക്കും.
ഗിലക് ജാനി അസോസിയേറ്റഡ് പ്രസ്സ്.വിദ്യാർത്ഥിയുടെ പഠനരീതിയും അധ്യാപകൻ്റെ അധ്യാപന രീതിയും തമ്മിലുള്ള പൊരുത്തക്കേട് അല്ലെങ്കിൽ പൊരുത്തക്കേട്.ഇൻ്റർ ജെ മോഡ് എഡ്യൂക്ക് കമ്പ്യൂട്ടർ സയൻസ്.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
പോസ്റ്റ് സമയം: ഏപ്രിൽ-29-2024