മാപ്പിംഗ് ഡെന്റൽ വിദ്യാർത്ഥികളുടെ ഇഷ്ടപ്പെട്ട പഠന ശൈലികൾ തീരുമാന ട്രീ മെഷീൻ ലേണിംഗ് മോഡലുകൾ ബിഎംസി മെഡിക്കൽ വിദ്യാഭ്യാസം |

ദന്തചികിത്സയുൾപ്പെടെ ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ വിദ്യാർത്ഥി കേന്ദ്രീകൃതമായ പഠനത്തിന് (എസ്സിഎൽ) വർദ്ധിച്ചുവരുന്ന ആവശ്യമാണ്. എന്നിരുന്നാലും, ഡെന്റൽ വിദ്യാഭ്യാസത്തിൽ എസ്സിഎല്ലിന് പരിമിതമായ ആപ്ലിക്കേഷൻ ഉണ്ട്. അതിനാൽ, താൽപ്പര്യമുള്ള പഠന ശൈലിയിലുള്ള (എൽ) സാങ്കേതികവിദ്യ മാപ്പ് ചെയ്യുന്നതിലൂടെ ഡെന്റൽ വിദ്യാർത്ഥികളുടെ (എൽഇഎസ്) സാങ്കേതികവിദ്യ (എംഎൽ) സാങ്കേതികവിദ്യ (എംഎൽ) സാങ്കേതികവിദ്യ (എംഎൽ) സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് ഡെന്റൽ വിദ്യാർത്ഥികളുടെ (എ.എൽ) സാങ്കേതികവിദ്യ പ്രോത്സാഹിപ്പിക്കുകയാണ് ഈ പഠനം ലക്ഷ്യമിടുന്നത് . ദന്ത വിദ്യാർത്ഥികൾക്കുള്ള വാഗ്ദാനങ്ങൾ.
മലായ സർവകലാശാലയിൽ നിന്നുള്ള 255 ഡെന്റൽ വിദ്യാർത്ഥികൾ (എം-ഐൽസ്) ചോദ്യാവലിയുടെ പരിഷ്ക്കരിച്ച സൂചിക പൂർത്തിയാക്കി, അതിൽ അവയെ അതാത് lss വരെ തരംതിരിക്കേണ്ട 44 ഇനങ്ങൾ അടങ്ങിയിട്ടുണ്ട്. ശേഖരിച്ച ഡാറ്റ (ഒരു ഡാറ്റാസെറ്റ് എന്ന് വിളിക്കുന്നു) ഏറ്റവും അനുയോജ്യമായ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികൾ സ്വപ്രേരിതമായി പൊരുത്തപ്പെടുന്നതിന് സൂപ്പർവൈസുചെയ്ത തീരുമാന ട്രീ പഠനത്തിൽ ഉപയോഗിക്കുന്നു. ശുപാർശ ഉപകരണത്തിന്റെ കൃത്യത ശുപാർശ ടൂളിന്റെ കൃത്യത വിലയിരുത്തുന്നു.
എഎസ്ഇഎസ് (ഇൻപുട്ട്) തമ്മിലുള്ള യാന്ത്രിക മാപ്പിംഗ് പ്രക്രിയയിൽ തീരുമാന ട്രീ മോഡലുകളുടെ പ്രയോഗം, കൂടാതെ ഓരോ ഡെന്റൽ വിദ്യാർത്ഥിക്കും ഉചിതമായ പഠന തന്ത്രങ്ങളുടെ ഒരു പട്ടിക അനുവദിക്കുന്നു. ബിസിനസുമായി പൊരുത്തപ്പെടുന്നതും പ്രത്യേകതയുള്ളതുമായ ആണെന്ന് സൂചിപ്പിക്കുന്ന തികഞ്ഞ കൃത്യതയെ ശുപാർശ ഉപകരണം തികഞ്ഞ കൃത്യത പ്രകടമാക്കിയിട്ടുണ്ട്, മൊത്തത്തിലുള്ള മോഡൽ കൃത്യത തിരിച്ചുവിളിക്കുക.
ഒരു എംഎൽ തീരുമാനമരീതി അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശ ഉപകരണം ഉചിതമായ പഠന തന്ത്രങ്ങളുള്ള ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികൾ കൃത്യമായി പൊരുത്തപ്പെടാനുള്ള കഴിവ് തെളിയിച്ചിട്ടുണ്ട്. വിദ്യാർത്ഥികളുടെ പഠന അനുഭവം വർദ്ധിപ്പിക്കാൻ കഴിയുന്ന പഠികഷണ കേന്ദ്രീകൃത കോഴ്സുകൾ അല്ലെങ്കിൽ മൊഡ്യൂളുകൾ ആസൂത്രണം ചെയ്യുന്നതിന് ഈ ഉപകരണം ശക്തമായ ഓപ്ഷനുകൾ നൽകുന്നു.
അധ്യാപനവും പഠനവും വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിലെ അടിസ്ഥാന പ്രവർത്തനങ്ങളാണ്. ഉയർന്ന നിലവാരമുള്ള തൊഴിൽ വിദ്യാഭ്യാസ സമ്പ്രദായം വികസിപ്പിക്കുമ്പോൾ, വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടത് പ്രധാനമാണ്. വിദ്യാർത്ഥികൾ തമ്മിലുള്ള ഇടപെടലും അവരുടെ പഠന അന്തരീക്ഷവും അവരുടെ ls വഴി നിർണ്ണയിക്കാൻ കഴിയും. വിദ്യാർത്ഥികളുടെ ls നും തമ്മിലുള്ള അധ്യാപക-ഉദ്ദേശിച്ച പൊരുത്തക്കേടുകൾ വിദ്യാർത്ഥി പഠനത്തിനും പ്രചോദനത്തിനും നെഗറ്റീവ് പ്രത്യാഘാതങ്ങൾ നടത്താമെന്ന് ഗവേഷണങ്ങൾ സൂചിപ്പിക്കുന്നു. ഇത് വിദ്യാർത്ഥികളുടെ പ്രകടനത്തെ പരോക്ഷമായി ബാധിക്കും [1,2].
വിദ്യാർത്ഥികളെ സഹായിക്കുന്ന വിദ്യാർത്ഥികൾക്ക് അറിവും നൈപുണ്യവും നൽകാനുള്ള അധ്യാപകർ ഉപയോഗിക്കുന്ന ഒരു രീതിയാണ് [3]. പൊതുവേ പറയൽ, നല്ല അധ്യാപകൻ അദ്ധ്യാപന തന്ത്രങ്ങൾ അല്ലെങ്കിൽ അവരുടെ വിദ്യാർത്ഥികളുടെ അറിവിന്റെ നിലവാരം നന്നായി പൊരുത്തപ്പെടുന്നു, അവർ പഠിക്കുന്ന ആശയങ്ങളും പഠന ഘട്ടവും. സൈദ്ധാന്തികമായി, ls, ls എന്നിവ പൊരുത്തപ്പെടുമ്പോൾ, ഫലപ്രദമായി പഠിക്കാൻ വിദ്യാർത്ഥികൾക്ക് ഒരു പ്രത്യേക കഴിവുകൾ സംഘടിപ്പിക്കാനും ഉപയോഗിക്കാനും കഴിയും. സാധാരണഗതിയിൽ, ഒരു പാഠ പദ്ധതിയിൽ, പഠിപ്പിക്കൽ മുതൽ ഗൈഡഡ് പ്രാക്ടീസ് വരെ അല്ലെങ്കിൽ ഗൈഡഡ് സമ്പ്രദായത്തിൽ നിന്ന് സ്വതന്ത്ര പരിശീലനം മുതൽ സ്വതന്ത്ര പരിശീലനം വരെ. ഇതുപയോഗിച്ച്, ഫലപ്രദമായ അധ്യാപകർ പലപ്പോഴും വിദ്യാർത്ഥികളുടെ അറിവും കഴിവുകളും വളർത്തുക എന്ന ലക്ഷ്യത്തോടെയാണ് നിർദ്ദേശങ്ങൾ പദ്ധതിയിടുന്നത് [4].
ഡെന്റിസ്ട്രി ഉൾപ്പെടെ ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ എസ്സിഎൽ ആവശ്യപ്പെടുന്നതാണ്. വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിനാണ് എസ്സിഎൽ തന്ത്രങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഇത് നേടാൻ കഴിയും, ഉദാഹരണത്തിന്, പഠന പ്രവർത്തനങ്ങളിലും അധ്യാപകരും സജീവമായി പങ്കെടുക്കുകയാണെങ്കിൽ, അധ്യാപകരെ ഫെസിലിറ്റേറ്റർമാരായി പ്രവർത്തിക്കുകയും വിലയേറിയ ഫീഡ്ബാക്ക് നൽകുകയും ചെയ്താൽ. പഠന സാമഗ്രികളും വിദ്യാർത്ഥികളുടെ വിദ്യാഭ്യാസ നിലവാരത്തിനോ മുൻഗണനകൾക്കോ ​​ഉചിതമായ വിദ്യാർത്ഥികളുടെ പഠന പരിതസ്ഥിതി മെച്ചപ്പെടുത്താനും പോസിറ്റീവ് പഠന അനുഭവങ്ങൾ പ്രോത്സാഹിപ്പിക്കാനും കഴിയും [5].
പൊതുവേ പറയലിൽ, ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയയെ സ്വാധീനിക്കുന്നു, അവ നിർവഹിക്കാൻ ആവശ്യമായ വിവിധ ക്ലിനിക്കൽ നടപടിക്രമങ്ങൾ സ്വാധീനിക്കുന്നു, അതിൽ അവർ ഫലപ്രദമായ പരസ്പര കഴിവുകൾ വികസിപ്പിച്ചെടുക്കുന്ന ക്ലിനിക്കൽ അന്തരീക്ഷം. ഡെന്റൽ ക്ലിനിക്കൽ കഴിവുകളുള്ള ദന്ത ക്ലിനിക്കൽ കഴിവുകളുമായി സംയോജിപ്പിക്കാൻ വിദ്യാർത്ഥികളെ പ്രാപ്തമാക്കുക എന്നതാണ് പരിശീലനത്തിന്റെ ലക്ഷ്യം, നേടിയ അറിവ് പുതിയ ക്ലിനിക്കൽ സാഹചര്യങ്ങളിൽ പ്രയോഗിക്കുക [6, 7]. എൽഎസ് എൽഎസ് തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചുള്ള ആദ്യ ഗവേഷണത്തിൽ, ഇഷ്ടപ്പെട്ട എൽഎസ്യിലേക്ക് മാപ്പുചെയ്ത പഠന തന്ത്രങ്ങൾ വിദ്യാഭ്യാസ പ്രക്രിയ മെച്ചപ്പെടുത്താൻ സഹായിക്കുമെന്ന് കണ്ടെത്തും [8]. വിദ്യാർത്ഥികളുടെ പഠനവും ആവശ്യങ്ങളും സ്വീകരിക്കുന്നതിന് വിവിധതരം അധ്യാപനവും വിലയിരുത്തലും ഉപയോഗിക്കാൻ രചയിതാക്കൾ ശുപാർശ ചെയ്യുന്നു.
വിദ്യാർത്ഥികളുടെ ആഴത്തിലുള്ള അറിവും ധാരണയും വർദ്ധിപ്പിക്കും കോൾബ് സ്പിരിറ്റൽ ലേണിംഗ് മോഡൽ, ഫെൽഡർ-സിൽവർമാൻ ലേണിംഗ് രീതിയിലുള്ള (എഫ്എസ്എൽഎസ്എം), ഫ്ലെമിംഗ് വാക്ക് / വർക്ക് മോഡൽ (എഫ്എസ്എൽഎസ്എം) എന്നിവ ഗവേഷകർ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട് [5, 9, 10]. സാഹിത്യം അനുസരിച്ച്, ഈ പഠന മോഡലുകൾ ഏറ്റവും സാധാരണമായും പഠിച്ചതും പഠിച്ചതുമായ പഠന മോഡലുകളാണ്. നിലവിലെ ഗവേഷണ പ്രവർത്തനങ്ങളിൽ ഡെന്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ എൽഎസ് വിൽക്കാൻ എഫ്എസ്എൽഎസ്എം ഉപയോഗിക്കുന്നു.
എഞ്ചിനീയറിംഗിൽ അഡാപ്റ്റീവ് പഠനത്തിനായി വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു മോഡലാണ് എഫ്എസ്എൽഎസ്എം. ആരോഗ്യ സയൻസസിൽ (മെഡിസിൻ, നഴ്സിംഗ്, ഫാർമസി, ഡെന്റിസ്ട്രി) എന്നിവയിൽ നിരവധി പ്രസിദ്ധീകരിച്ചു (5, 11, 12, 13] ഉപയോഗിച്ച് കണ്ടെത്താനാകും. LS- ലെ LS- ലെ LS- യുടെ അളവുകൾ അളക്കാൻ ഉപയോഗിക്കുന്ന ഉപകരണം ls: പ്രോസസ്സിംഗ് (സജീവമായ / പ്രതിഫലിപ്പിക്കൽ), ഗർഭധാരണം (പെർസെപ്റ്റർ / അവബോധം), ഇൻപുട്ട് (വിഷ്വൽ). / വാക്കാലുള്ളത്) വിവേകം (തുടർച്ച / ആഗോള) [14].
ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഓരോ FSLSM അളവും ഒരു പ്രധാന മുൻഗണനയുണ്ട്. ഉദാഹരണത്തിന്, പ്രോസസ്സിംഗ് പരിഹാരത്തിൽ, "സജീവ" ls ഉള്ള വിദ്യാർത്ഥികൾ പഠന സാമഗ്രികളുമായി നേരിട്ട് സംവദിക്കുന്നതിലൂടെ വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യാൻ താൽപ്പര്യപ്പെടുന്നു, ചെയ്യുന്നതിലൂടെ പഠിക്കുക, ഗ്രൂപ്പുകളിൽ പഠിക്കുക. "റിഫ്ലെക്റ്റീവ്" ls ചിന്താഗതിയിലൂടെയും ഒറ്റയ്ക്ക് പ്രവർത്തിക്കാൻ ഇഷ്ടപ്പെടുന്നവരെയും സൂചിപ്പിക്കുന്നു. Ls ന്റെ "മനസ്സിലാക്കാൻ" മാൻ "തോന്നുന്നു" കൂടാതെ "അല്ലെങ്കിൽ" അവബോധം "എന്നതിലേക്ക് തിരിക്കാം. "വിദ്യാർത്ഥികൾ" വിദ്യാർത്ഥികൾ കൂടുതൽ ദൃ concrete ്യമുള്ള വിവരങ്ങളും പ്രായോഗിക നടപടിക്രമങ്ങളും ഇഷ്ടപ്പെടുന്നു, അമൂർത്ത മെറ്റീരിയൽ ഇഷ്ടപ്പെടുന്ന "അവബോധജന്യമായ" വിദ്യാർത്ഥികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വസ്തുതയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, മാത്രമല്ല അവയെ അമൂർത്ത മെറ്റീരിയലുമായി കൂടുതൽ നൂതനവും സൃഷ്ടിപരവുമാണ്. LS- കളുടെ "ഇൻപുട്ട്" മാൻ, "വിഷ്വൽ", "വാക്കാലുള്ള" പഠിതാക്കൾ എന്നിവ അടങ്ങിയിരിക്കുന്നു. "വിഷ്വൽ" ഉള്ള ആളുകൾ വിഷ്വൽ "ls ഉള്ള ആളുകൾ വിഷ്വൽ പ്രകടനങ്ങളിലൂടെ പഠിക്കാൻ താൽപ്പര്യപ്പെടുന്നു (ഡയഗ്രമുകൾ, വീഡിയോകൾ, അല്ലെങ്കിൽ തത്സമയ പ്രകടനങ്ങൾ എന്നിവയിലൂടെ), അതേസമയം" വാക്കാലുള്ള "ls" വാക്കാലുള്ള "ls എഴുതിയ അല്ലെങ്കിൽ വാക്കാലുള്ള വിശദീകരണങ്ങളിലൂടെ അറിയാൻ താൽപ്പര്യപ്പെടുന്നു. എൽഎസ് അളവുകൾ "മനസിലാക്കാൻ" അത്തരം പഠിതാക്കളെ "തുടർച്ചയായ", "ഗ്ലോബൽ" എന്നിവയിലേക്ക് തിരിക്കാം. "തുടർച്ചയായ പഠിതാക്കൾ ഒരു രേഖീയ ചിന്താ പ്രക്രിയയാണ്, ആഗോള പഠിതാക്കൾക്ക് ഒരു സമഗ്രമായ ചിന്താ പ്രക്രിയയ്ക്ക് കാരണമാകുമ്പോൾ, അവർ പഠിക്കുന്ന കാര്യങ്ങളെക്കുറിച്ച് എല്ലായ്പ്പോഴും മികച്ച ധാരണയുണ്ട്.
അടുത്തിടെ, പല ഗവേഷകരും യാന്ത്രിക ഡാറ്റ-നയിക്കാനുള്ള രീതികൾ പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങി, ഇത് വലിയ അളവിൽ ഡാറ്റ വ്യാഖ്യാനിക്കാൻ കഴിവുള്ള പുതിയ ആൽഗോരിതം വികസിപ്പിക്കാൻ കഴിവുള്ള മോഡലുകളുടെ വികസനം ഉൾപ്പെടെ [15, 16]. നൽകിയ ഡാറ്റയെ അടിസ്ഥാനമാക്കി, ആൽഗോരിതംസിന്റെ നിർമ്മാണത്തെ അടിസ്ഥാനമാക്കി ഭാവിയിലെ ഫലങ്ങൾ പ്രവചിക്കുന്ന പാറ്റേണുകളും അനുമാനങ്ങളും സൃഷ്ടിക്കാൻ സൂപ്പർവൈസുചെയ്ത എംഎൽ (മെഷീൻ ലേണിംഗ്) കഴിയും. ലളിതമായി പറഞ്ഞാൽ, സൂപ്പർവൈസുചെയ്ത മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഇൻപുട്ട് ഡാറ്റയും ട്രെയിൻ അൽഗോരിതംസും കൈകാര്യം ചെയ്യുന്നു. നൽകിയിരിക്കുന്ന ഇൻപുട്ട് ഡാറ്റയുടെ സമാനമായ സാഹചര്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ശ്രേണി ഇത് സൃഷ്ടിക്കുകയോ പ്രവചിക്കുകയോ ചെയ്യുന്നു. ആദർശവും ആവശ്യമുള്ളതുമായ ഫലങ്ങൾ സ്ഥാപിക്കാനുള്ള കഴിവാണ് സൂപ്പർവൈസുചെയ്ത മെഷീൻ ഭാഷയുടെ പ്രധാന ഗുണം [17].
ഡാറ്റ-ഡ്രൈവ് ചെയ്ത രീതികളും തീരുമാന ട്രീ നിയന്ത്രണ മോഡലുകളും ഉപയോഗിച്ച്, ls- ന്റെ യാന്ത്രിക കണ്ടെത്തൽ സാധ്യമാണ്. ആരോഗ്യ സയൻസുകൾ ഉൾപ്പെടെ വിവിധ മേഖലകളിലെ പരിശീലന പരിപാടികളിൽ തീരുമാനമ മരങ്ങൾ വ്യാപകമായി ഉപയോഗിക്കാറുണ്ടെന്ന് റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട് [18, 19]. ഈ പഠനത്തിൽ, വിദ്യാർത്ഥികളുടെ ls തിരിച്ചറിയുന്നതിനും മികച്ചത് ശുപാർശ ചെയ്യുന്നതിനും സിസ്റ്റം ഡവലപ്പർമാർ മാതൃക പരിശീലിപ്പിച്ചിരുന്നു.
വികസിക്കുക എന്നതാണ് ഈ പഠനത്തിന്റെ ഉദ്ദേശ്യം വികസിപ്പിക്കുക എന്നതാണ് വിദ്യാർത്ഥികളുടെ ls അടിസ്ഥാനമാക്കിയുള്ള ഡെലിവറി തന്ത്രങ്ങൾ, ls- ലേക്ക് മാപ്പുചെയ്തത് വികസിപ്പിക്കുന്നതിലൂടെ SCL സമീപനം പ്രയോഗിക്കുക എന്നതാണ്. ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്ന ഒരു തന്ത്രമാകുമ്പോൾ, ബിസി 1 ൽ കാണിച്ചിരിക്കുന്നതുപോലെയാണ് ശുപാർശ ഉപകരണത്തിന്റെ ഡിസൈൻ ഫ്ലോ. ശുപാർശ ഉപകരണം രണ്ട് ഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു.
പ്രത്യേകിച്ചും, വിവരങ്ങളുടെ സവിശേഷതകൾ വെബ് ടെക്നോളജീസിന്റെ ഉപയോഗവും തീരുമാന ട്രീ മെഷീൻ പഠനത്തിന്റെ ഉപയോഗവും ഉൾപ്പെടുന്നു. സിസ്റ്റം ഡവലപ്പർമാർ ഉപയോക്തൃ അനുഭവവും മൊബൈൽ ഫോണുകളും ടാബ്ലെറ്റുകളും പോലുള്ള മൊബൈൽ ഉപകരണങ്ങളുമായി പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് ഉപയോക്തൃ അനുഭവവും മൊബിലിറ്റിയും മെച്ചപ്പെടുത്തുന്നു.
മലായ സർവകലാശാലയിലെ ദന്തത്തെ സർവകലാശാലയിലെ ദന്തത്തെ ഫാക്കൽറ്റിയിൽ നിന്നുള്ള വിദ്യാർത്ഥികൾ സ്വമേധയാ പങ്കെടുത്തു. പങ്കെടുക്കുന്നവർ ഒരു ഡെന്റൽ വിദ്യാർത്ഥിയുടെ ഓൺലൈൻ എം-ഐഎൽഎസിനോട് ഇംഗ്ലീഷിൽ പ്രതികരിച്ചു. പ്രാരംഭ ഘട്ടത്തിൽ, തീരുമാന ട്രീ മെഷീൻ ഭാഷയെ അൽഗോരിതം പരിശീലിപ്പിക്കാൻ 50 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു. വികസന പ്രക്രിയയുടെ രണ്ടാം ഘട്ടത്തിൽ, വികസിത ഉപകരണത്തിന്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് 255 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു.
മൈക്രോസോഫ്റ്റ് ടീമുകൾ വഴി അധ്യയന വർഷത്തെ ആശ്രയിച്ച് പങ്കെടുക്കുന്ന എല്ലാവർക്കും ഓരോ ഘട്ടത്തിന്റെയും തുടക്കത്തിൽ ഒരു ഓൺലൈൻ ബ്രീഫിംഗ് ലഭിക്കും. പഠനത്തിന്റെ ഉദ്ദേശ്യം വിശദീകരിക്കുകയും അറിയിച്ച സമ്മതം നേടുകയും ചെയ്തു. പങ്കെടുക്കുന്ന എല്ലാവർക്കും എം-ഐഎൽഎസ് ആക്സസ് ചെയ്യുന്നതിന് ഒരു ലിങ്ക് നൽകി. ചോദ്യാവലിയിലെ 44 ഇനങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഓരോ വിദ്യാർത്ഥിക്കും നിർദ്ദേശം നൽകി. സെമസ്റ്റർ ആരംഭിക്കുന്നതിന് മുമ്പ് സെമസ്റ്റർ ഇടവേളയിൽ ഒരു സമയത്തും ലൊക്കേഷൻ അവർക്ക് സൗകര്യപ്രദമായ ils പൂർത്തിയാക്കാൻ ഒരു ആഴ്ച നൽകി. ഒറിജിനൽ ഐഎൽഎസ് ഉപകരണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് എം-ഐഎൽഎസ്, ഡെന്റൽ വിദ്യാർത്ഥികൾക്കായി പരിഷ്ക്കരിച്ചു. ഒറിജിനൽ ഐഎൽഎസിന് സമാനമായത്, 11 ഇനങ്ങൾ വീതമുള്ള 44 പേരുള്ള ഇനങ്ങൾ (എ, ബി) അതിൽ അടങ്ങിയിട്ടുണ്ട്, ഇത് ഓരോ FSLSM അളവിന്റെ വശങ്ങളുടെ വശങ്ങളും വിലയിരുത്താൻ ഉപയോഗിക്കുന്നു.
ടൂൾ വികസനത്തിന്റെ പ്രാരംഭ ഘട്ടത്തിൽ, 50 ഡെന്റൽ വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് ഗവേഷകർ മാപ്പുകൾ സ്വമേധയാ വ്യാഖ്യാനിച്ചു. എഫ്എസ്എൽഎം അനുസരിച്ച്, "എ", "ബി" എന്നീ ഉത്തരങ്ങൾക്കുള്ള തുക സിസ്റ്റം നൽകുന്നു. ഓരോ അളവിനും, വിദ്യാർത്ഥി ഒരു ഉത്തരമായി "എ" തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, വിദ്യാർത്ഥികളെ സജീവ / പെർസെപ്റ്റീവ് / വിഷ്വൽ / തുടർച്ചയായി തിരഞ്ഞെടുക്കുന്നു, കൂടാതെ വിദ്യാർത്ഥിയെ ഒരു ഉത്തരമായി തിരഞ്ഞെടുക്കുന്നു, വിദ്യാർത്ഥിയെ പ്രതിഫലിപ്പിക്കുന്ന / അവബോധജന്യമായി തിരഞ്ഞെടുക്കുന്നു . / ആഗോള പഠിതാവ്.
ഡെന്റൽ വിദ്യാഭ്യാസ ഗവേഷകർക്കും സിസ്റ്റം ഡവലപ്പർമാരെയും തമ്മിലുള്ള വർക്ക്ഫ്ലോ കാലിബ്ലോയ്ക്ക്, ഫ്ലൂസ് എം ഡൊമെയ്നിനെ അടിസ്ഥാനമാക്കിയുള്ള ചോദ്യങ്ങൾ തിരഞ്ഞെടുക്കുകയും ഓരോ വിദ്യാർത്ഥിയുടെയും ls പ്രവചിക്കാൻ ML മോഡലിലേക്ക് നൽകുകയും ചെയ്തു. ഡാറ്റ ഗുണനിലവാരത്തിന് പ്രാധാന്യം നൽകി "മാലിന്യങ്ങൾ, മാലിന്യങ്ങൾ" ഒരു പ്രശസ്തമായ ഒരുഗാണ്. ഇൻപുട്ട് ഡാറ്റയുടെ ഗുണനിലവാരം മെഷീൻ ലേണിംഗ് മോഡലിന്റെ കൃത്യതയും കൃത്യതയും നിർണ്ണയിക്കുന്നു. ഫീച്ചർ എഞ്ചിനീയറിംഗ് ഘട്ടത്തിൽ, ഫ്ലൂസ് എംഎമ്മിനെ അടിസ്ഥാനമാക്കിയുള്ള "എ" എന്നും "ബി" എന്ന ചിത്രങ്ങളുടെ ആകെത്തുകയാണ് ഒരു പുതിയ സവിശേഷത സെറ്റ് സൃഷ്ടിക്കുന്നത്. മയക്കുമരുന്ന് സ്ഥാനങ്ങളുടെ തിരിച്ചറിയൽ നമ്പറുകൾ പട്ടിക 1 ൽ നൽകിയിരിക്കുന്നു.
ഉത്തരങ്ങൾ അടിസ്ഥാനമാക്കി സ്കോർ കണക്കാക്കി വിദ്യാർത്ഥിയുടെ ls നിർണ്ണയിക്കുക. ഓരോ വിദ്യാർത്ഥിക്കും 1 മുതൽ 11 വരെ സ്കോർ ശ്രേണി ഒരേ അളവിനുള്ളിലെ സ്കോറുകൾ ഒരേ അളവിലുള്ള സ്കോറുകൾ സൂചിപ്പിക്കുന്നു, കൂടാതെ 5 മുതൽ 7 വരെയുള്ള സ്കോറുകൾക്ക് മിതമായ മുൻഗണന സൂചിപ്പിക്കുന്നു, വിദ്യാർത്ഥികൾക്ക് മറ്റുള്ളവരെ പഠിപ്പിക്കുന്ന ഒരു പരിതസ്ഥിതിയെ തിരഞ്ഞെടുക്കുന്നുവെന്ന് സൂചിപ്പിക്കുന്നു . ഒരേ അളവിലെ മറ്റൊരു വ്യതിയാനം 9 മുതൽ 11 വരെ സ്കോറുകൾ ഒരു അറ്റത്തേക്കോ മറ്റൊന്നിനോ ശക്തമായ മുൻഗണന പ്രതിഫലിപ്പിക്കുന്നു എന്നതാണ്.
ഓരോ അളവിലും മയക്കുമരുന്ന് "സജീവ", "പ്രതിഫലിപ്പിക്കൽ", "സമതുലിത" എന്നിങ്ങനെ തരം തിരിച്ചിരുന്നു. ഉദാഹരണത്തിന്, ഒരു വിദ്യാർത്ഥി "ബി" എന്നതിനേക്കാൾ "ബി" എന്നതിനേക്കാൾ കൂടുതൽ ആളുകൾക്ക് ഉത്തരം നൽകുമ്പോൾ, പ്രോസസ്സിംഗ് എൽഎസ് അളവിനെ പ്രതിനിധീകരിക്കുന്ന ഒരു പ്രത്യേക ഇനത്തിന് 5 ന്റെ പരിധി കവിയുമ്പോൾ, അവൻ / അവൾ "സജീവ" ls ഡൊമെയ്ൻ. . എന്നിരുന്നാലും, നിർദ്ദിഷ്ട 11 ചോദ്യങ്ങളിൽ (പട്ടിക 1) ൽ "എ" എന്നതിനേക്കാൾ കൂടുതൽ "ബി" എന്ന് വിദ്യാർത്ഥികളെ "ബി" എന്ന് തരംതിരിച്ചു, 5 പോയിന്റിൽ കൂടുതൽ. അവസാനമായി, വിദ്യാർത്ഥി ഒരു സംസ്ഥാനത്തിലാണ് "സന്തുലിതാവസ്ഥ". സ്കോർ 5 പോയിന്റുകൾ കവിയരുത്െങ്കിൽ, ഇത് ഒരു "പ്രോസസ്" ls ആണ്. വർഗ്ഗീകരണ പ്രക്രിയ മറ്റ് എൽഎസ് അളവുകൾക്കായി ആവർത്തിച്ചു, അതായത് ധാരണ (സജീവ / പ്രതിഫലിപ്പിച്ചത്), ഇൻപുട്ട് (വിഷ്വൽ / വാക്കാലുള്ളത്), മനസ്സിലാക്കൽ (തുടർച്ചയായ / ഗ്ലോബൽ).
വർഗ്ഗീകരണ പ്രക്രിയയുടെ വിവിധ ഘട്ടങ്ങളിൽ സവിശേഷതകളുടെയും തീരുമാന നിയമങ്ങളുടെയും വ്യത്യസ്ത ഉപസെറ്റുകൾ ഉപയോഗിക്കാം. പ്രശസ്ത വർഗ്ഗീകരണത്തെയും പ്രവചന ഉപകരണമായും ഇത് കണക്കാക്കപ്പെടുന്നു. ആട്രിബ്യൂട്ട് പ്രതിനിധീകരിക്കുന്ന ഓരോ ശാഖയും, ഓരോ ശാഖകളും ഒരു ക്ലാസ് ലേബൽ അടങ്ങിയ ഓരോ ശാഖകളും (ഇല നോഡ്) ഒരു ഫ്ലോചാർട്ട് പോലുള്ള ഒരു വൃക്ഷ ഘടന ഉപയോഗിച്ച് ഇത് പ്രതിനിധീകരിക്കാം.
ഓരോ വിദ്യാർത്ഥിയുടെയും ls അവരുടെ പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു ലളിതമായ നിയമ അധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്ടിച്ചു. റൂൾ അടിസ്ഥാനമാക്കിയുള്ള ഒരു if സ്റ്റേറ്റ്മെന്റിന്റെ രൂപമെടുക്കുന്നു, ഇവിടെ "" "" "" "" എങ്കിൽ "ചെയ്യേണ്ട നടപടികൾ വ്യക്തമാക്കുന്നു, തുടർന്ന് x അത് സംഭവിക്കുകയാണെങ്കിൽ, y al., 2014). ഡാറ്റാ സെറ്റ് പരസ്പരബന്ധം പ്രദർശിപ്പിക്കുകയും തീരുമാനമരീതി ശരിയായി പരിശീലിപ്പിക്കുകയും വിലയിരുത്തുകയും ചെയ്താൽ, എൽഎസ് പൊരുത്തപ്പെടുന്ന പ്രക്രിയ യാന്ത്രികമാക്കുന്നതിനുള്ള ഫലപ്രദമായ മാർഗമാണ് ഈ സമീപനം.
രണ്ടാം ഘട്ടത്തിൽ, ശുപാർശ ഉപകരണത്തിന്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് ഡാറ്റാസെറ്റ് 255 ആയി ഉയർന്നു. 1: 4 അനുപാതത്തിൽ ഡാറ്റാ സെറ്റ് വിഭജിക്കപ്പെടുന്നു. ടെസ്റ്റ് സെറ്റിനായി ഉപയോഗിക്കുന്ന ഡാറ്റാ സെറ്റിന്റെ 25% (64), ബാക്കി 75% (191) പരിശീലന സെറ്റായി ഉപയോഗിച്ചു (ചിത്രം 2). മെപ്പാട് പരിശീലിപ്പിക്കുന്നതിൽ നിന്നും ഒരേ ഡാറ്റ സെറ്റിൽ പരീക്ഷിക്കുന്നതിനും മോഡൽ തടയുന്നതിനായി ഡാറ്റാ സെറ്റ് വിഭജിക്കേണ്ടതുണ്ട്, അത് പഠിക്കുന്നതിനേക്കാൾ മോഡലിന് ഓർമ്മിക്കാൻ കാരണമാകും. പരിശീലനത്തെ പരിശീലിപ്പിക്കുന്നതിലൂടെ മോഡൽ പരിശീലനം നേടിയിട്ടുണ്ട്, കൂടാതെ ടെസ്റ്റ് സെറ്റ് ഡാറ്റയിലെ പ്രകടനം വിലയിരുത്തുന്നു.
ഉപകരണം വികസിപ്പിച്ചുകഴിഞ്ഞാൽ, ഒരു വെബ് ഇന്റർഫേസ് വഴി ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി അപ്ലിക്കേഷനിന് ls- ന് തരംതിരിക്കേണ്ടതുണ്ട്. വെം അധിഷ്ഠിത വിവര സുരക്ഷാ ശുപാർശ ടൂൾ സിസ്റ്റം നിർമ്മിച്ചിരിക്കുന്നത് ഫാങ്കോ ഫ്രെയിംവർക്ക് ബാക്കെൻഡിനായി പൈത്തൺ പ്രോഗ്രാമിംഗ് ഭാഷ ഉപയോഗിക്കുന്നു. ഈ സിസ്റ്റത്തിന്റെ വികസനത്തിൽ ഉപയോഗിക്കുന്ന ലൈബ്രറികൾ പട്ടിക 2 പട്ടികപ്പെടുത്തുന്നു.
വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങൾ കണക്കാക്കാൻ ഡാറ്റാസെറ്റ് ഒരു തീരുമാന ട്രീ മോഡലിന് നൽകണം, വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങൾ സ്വപ്രേരിതമായി തരംതിരിക്കേണ്ടതുണ്ട്.
തന്നിരിക്കുന്ന ഡാറ്റ സെറ്റിലെ ഒരു തീരുമാന ട്രീ മെഷീൻ ലേണിംഗ് പഠനത്തിന്റെ കൃത്യത വിലയിരുത്തുന്നതിന് ആശയക്കുഴപ്പം ഉപയോഗിക്കുന്നു. അതേസമയം, ഇത് വർഗ്ഗീകരണ മോഡലിന്റെ പ്രകടനത്തെ വിലയിരുത്തുന്നു. ഇത് മോഡലിന്റെ പ്രവചനങ്ങൾ സംഗ്രഹിക്കുകയും അവയെ യഥാർത്ഥ ഡാറ്റ ലേബലുകളിലേക്ക് താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു. മൂല്യനിർണ്ണയ ഫലങ്ങൾ നാല് വ്യത്യസ്ത മൂല്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: യഥാർത്ഥ പോസിറ്റീവ് (ടിപി), മോശം പോസിറ്റീവ് (എഫ്പി) - മോഡൽ ക്രിയാത്മക പോസിറ്റീവ് (എഫ്പി) പ്രവചിച്ചു, പക്ഷേ യഥാർത്ഥ ലേബൽ നെഗറ്റീവ്, യഥാർത്ഥ നെഗറ്റീവ് (ടിഎൻ) - മാതൃകാപരമായ ക്ലാസ്, തെറ്റായ നെഗറ്റീവ് (എഫ്എൻ) എന്നിവ ശരിയായി പ്രവചിച്ചു - തെറ്റായ നെഗറ്റീവ് (എഫ്എൻ) - മോഡൽ ഒരു നെഗറ്റീവ് ക്ലാസ് പ്രവചിക്കുന്നു, പക്ഷേ യഥാർത്ഥ ലേബൽ പോസിറ്റീവ് ആണ്.
കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ, എഫ് 1 സ്കോർ എന്നിവയിലെ സ്കൈറ്റിറ്റ് പഠിക്കാനുള്ള വിവിധ പ്രകടനത്തിന്റെ വിവിധ പ്രകടന അളവുകൾ കണക്കാക്കാൻ ഈ മൂല്യങ്ങൾ ഉപയോഗിക്കുന്നു. ഉദാഹരണങ്ങൾ ഇതാ:
എം-ഐഎൽഎസ് ചോദ്യാവലിക്ക് ഉത്തരം നൽകിയ ശേഷം ഒരു വിദ്യാർത്ഥിയുടെ ls ന് കൃത്യമായി തരംതിരിക്കാനുള്ള മോഡലിന്റെ കഴിവ് തിരിച്ചുവിളിക്കുക (അല്ലെങ്കിൽ സംവേദനക്ഷമത) അളക്കുന്നു.
പ്രത്യേകതയെ യഥാർത്ഥ നെഗറ്റീവ് നിരക്ക് എന്ന് വിളിക്കുന്നു. മേൽപ്പറഞ്ഞ സൂത്രവാക്യത്തിൽ നിന്ന് നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ഇത് യഥാർത്ഥ നിർദേശങ്ങളുടെ (ടിഎൻ) അനുപാതമായും യഥാർത്ഥ നിർദേശങ്ങൾക്കും തെറ്റായ പോസിറ്റീവുകളിലേക്കും (എഫ്പി) അനുപാതമായിരിക്കണം. വിദ്യാർത്ഥി മയക്കുമരുന്ന് തരംതിരിക്കുന്നതിന് ശുപാർശ ചെയ്യുന്ന ഉപകരണത്തിന്റെ ഭാഗമായി, അത് കൃത്യമായ തിരിച്ചറിയലിന് പ്രാപ്തിയുള്ളതായിരിക്കണം.
50 വിദ്യാർത്ഥികളുടെ യഥാർത്ഥ ഡാറ്റാസെറ്റ് തീരുമാന ട്രീ മോഡലിന് വ്യാഖ്യാനങ്ങളിൽ (പട്ടിക 3) കാരണം താരതമ്യേന കുറഞ്ഞ കൃത്യത കാണിക്കുന്നു. എൽഎസ് സ്കോറുകളും വിദ്യാർത്ഥി വ്യാഖ്യാനങ്ങളും യാന്ത്രികമായി കണക്കാക്കാൻ ഒരു ലളിതമായ നിയമ അധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്ടിച്ച ശേഷം, ശുപാർശ ചെയ്യാനും പരീക്ഷിക്കാനും കൂടുതൽ ഡാറ്റാസറ്റുകളുടെ (255) പതിവായി.
മൾട്ടിക്ലാസ് ആശയക്കുഴപ്പം മാട്രിക്സ്, ഡയഗണൽ ഘടകങ്ങൾ ഓരോ എൽഎസ് തരത്തിനുമുള്ള ശരിയായ പ്രവചനങ്ങളുടെ എണ്ണത്തെ പ്രതിനിധീകരിക്കുന്നു (ചിത്രം 4). തീരുമാന ട്രീ മോഡൽ ഉപയോഗിച്ച് മൊത്തം 64 സാമ്പിളുകൾ ശരിയായി പ്രവചിച്ചു. അതിനാൽ, ഈ പഠനത്തിൽ, ഡയഗണൽ ഘടകങ്ങൾ പ്രതീക്ഷിക്കുന്ന ഫലങ്ങൾ കാണിക്കുന്നു, മോഡൽ നന്നായി അവതരിപ്പിക്കുകയും ഓരോ എൽഎസ് വർഗ്ഗീകരണത്തിനും ക്ലാസ് ലേബൽ കൃത്യമായി പ്രവചിക്കുകയും ചെയ്യുന്നു. അങ്ങനെ, ശുപാർശ ഉപകരണത്തിന്റെ മൊത്തത്തിലുള്ള കൃത്യത 100% ആണ്.
കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ എന്നിവയുടെ മൂല്യങ്ങൾ ചിത്രം 5 ൽ കാണിച്ചിരിക്കുന്നു. തീരുമാന ട്രീ മോഡൽ ഉപയോഗിക്കുന്ന ശുപാർശ സംവിധാനം 1.0 "0 "0 "0 "0" ആണ് മൂല്യങ്ങൾ.
പരിശീലനത്തിനും പരിശോധനയ്ക്കും ശേഷം തീരുമാന ട്രീ മോഡലിന്റെ ഒരു വിഷ്വലൈസേഷൻ ചിത്രം 6 കാണിക്കുന്നു. ഒരു വശത്തുള്ള താരതമ്യത്തിൽ, കുറച്ച് സവിശേഷതകളുള്ള തീരുമാന ട്രീ മോഡലിന് ഉയർന്ന കൃത്യതയും എളുപ്പത്തിലുള്ള മോഡൽ ദൃശ്യവൽക്കരണവും കാണിച്ചു. സ്പെയ്ലൈസ് റിഡക്ഷൻ നയിക്കുന്ന ഫീച്ചർ എഞ്ചിനീയറിംഗ് മോഡൽ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രധാന ഘട്ടമാണെന്ന് ഇത് കാണിക്കുന്നു.
തീരുമാന മരം സൂപ്പർവൈസുചെയ്ത പഠനം പ്രയോഗിക്കുന്നതിലൂടെ, ls (ഇൻപുട്ട്) തമ്മിലുള്ള മാപ്പിംഗ് (ഇൻപുട്ട്), (ടാർഗെറ്റ് output ട്ട്പുട്ട്) യാന്ത്രികമായി സൃഷ്ടിക്കുകയും ഓരോ LS നും വിശദമായ വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു.
255 വിദ്യാർത്ഥികളിൽ 34.9% പേർ (1) ls ഓപ്ഷൻ തിരഞ്ഞെടുത്തുവെന്ന് ഫലങ്ങൾ കാണിച്ചു. ഭൂരിപക്ഷം (54.3%) രണ്ടോ അതിലധികമോ എൽഎസ് മുൻഗണനകൾ ഉണ്ടായിരുന്നു. 12.2% വിദ്യാർത്ഥികൾ തമാശയായി തമാശയായിരിക്കുന്നു (പട്ടിക 4). എട്ട് പ്രധാന എൽഎസ്ക്ക് പുറമേ, മലായ ഡെന്റൽ വിദ്യാർത്ഥികളെ സർവകലാശാലയ്ക്കായി 34 ക്ലാസ് കോമ്പിനേഷനുകളുടെ 34 സംയോജനങ്ങളുണ്ട്. അവയിൽ, ഗർഭധാരണം, കാഴ്ചപ്പാട്, ഗർഭധാരണത്തിന്റെയും കാഴ്ചയുടെയും സംയോജനമാണ് വിദ്യാർത്ഥികൾ റിപ്പോർട്ട് ചെയ്യുന്ന പ്രധാന ls (ചിത്രം 7).
പട്ടിക 4 ൽ നിന്ന് കാണാൻ കഴിയുന്നത് പോലെ, ഭൂരിഭാഗം വിദ്യാർത്ഥികൾക്കും ഒരു പ്രധാന സെൻസറി (13.7%) അല്ലെങ്കിൽ വിഷ്വൽ (8.6%) ls. 12.2% വിദ്യാർത്ഥികൾ കാഴ്ചയുമായി ധാരണയെ സംയോജിപ്പിച്ചതായി റിപ്പോർട്ടുണ്ട് (പെർസെപ്വൽ-വിഷ്വൽ എൽഎസ്). സ്ഥാപിത രീതികളിലൂടെ പഠിക്കാനും നിർദ്ദിഷ്ടവും വിശദവുമായ നടപടിക്രമങ്ങളിലൂടെ പഠിക്കാനും ഓർമ്മിക്കാനും ഈ കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നു, മാത്രമല്ല പ്രകൃതിയിൽ ശ്രദ്ധാലുവാണ്. അതേസമയം, അവർ നോക്കി (ഡയഗ്രാമുകൾ മുതലായവയും മുതലായവയും ഉപയോഗിച്ച് പഠനം ആസ്വദിക്കുകയും ഗ്രൂപ്പുകളായി അല്ലെങ്കിൽ സ്വന്തമായി വിവരങ്ങൾ പ്രയോഗിക്കുകയും ചെയ്യുക.
ഡാറ്റ ഖനനത്തിൽ ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളുടെ ഒരു അവലോകനം ഈ പഠനം നൽകുന്നു, തൽക്ഷണം ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും വിദ്യാർത്ഥികളുടെ ls പ്രവചിക്കുകയും അനുയോജ്യമാക്കുകയും ചെയ്യുന്നു. ഒരു തീരുമാന ട്രീ മോഡലിന്റെ പ്രയോഗിച്ചത് അവരുടെ ജീവിതവും വിദ്യാഭ്യാസ അനുഭവങ്ങളുമായും ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഘടകങ്ങൾ തിരിച്ചറിഞ്ഞു. ചില മാനദണ്ഡങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു സെറ്റ് ഡാറ്റയെ ഉപവിഭാഗമായി വിഭജിച്ച് ഒരു സെറ്റ് ഡാറ്റയെ ഉപവിഭാഗത്തേക്ക് വിഭജിച്ച് ഒരു വൃക്ഷ ഘടന ഉപയോഗിക്കുന്ന ഒരു മരം പഠിക്കുന്ന ഒരു ആൽഗോരിതം ഇത് ഉപയോഗിക്കുന്നു. ഇല നോഡിൽ തീരുമാനമെടുക്കുന്നതുവരെ ഓരോ ആന്തരിക നോഡിന്റെയും ഇൻപുട്ട് സവിശേഷതകളിലെ ഇൻപുട്ട് സവിശേഷതകളിലെ ഒരു ഇൻപുട്ട് സവിശേഷതകളിലെ ചുരുക്കമായി വിഭജിച്ചുകൊണ്ട് ഇത് പ്രവർത്തിക്കുന്നു.
എ ഡി തീരുമാനമരീതിയുടെ ആന്തരിക നോഡുകൾ എം-ഐൽസ് പ്രശ്നത്തിന്റെ ഇൻപുട്ട് സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരത്തെ പ്രതിനിധീകരിക്കുന്നു, ഇല നോഡുകൾ അവസാന എൽഎസ് വർഗ്ഗീകരണ പ്രവചനത്തെ പ്രതിനിധീകരിക്കുന്നു. പഠനത്തിലുടനീളം, ഇൻപുട്ട് സവിശേഷതകളും output ട്ട്പുട്ട് പ്രവചനങ്ങളും തമ്മിലുള്ള ബന്ധം നോക്കി തീരുമാന പ്രക്രിയ വിശദീകരിച്ച് ദൃശ്യവൽക്കരിക്കപ്പെടുന്ന തീരുമാനമശങ്ങളുടെ ശ്രേണിയെ മനസ്സിലാക്കാൻ എളുപ്പമാണ്.
കമ്പ്യൂട്ടർ സയൻസ്, എഞ്ചിനീയറിംഗ് മേഖലകളിൽ, അവരുടെ പ്രവേശന പരീക്ഷ സ്കോറുകൾ [21], ജനസംഖ്യാപരമായ വിവരങ്ങൾ, പഠന സ്വഭാവം എന്നിവ അടിസ്ഥാനമാക്കി വിദ്യാർത്ഥികളുടെ പ്രകടനം പ്രവചിക്കാൻ മെഷീൻ പഠന അൽഗോരിതംസ് വ്യാപകമായി ഉപയോഗിക്കുന്നു [22]. വിദ്യാർത്ഥികളുടെ പ്രകടനത്തെ അൽഗോരിതം കൃത്യമായി പ്രവചിച്ചതായും അക്കാദമിക് പ്രതിസന്ധികൾക്ക് അപകടസാധ്യതകൾ തിരിച്ചറിയാൻ സഹായിച്ചതായി ഗവേഷണങ്ങൾ വ്യക്തമാക്കുന്നു.
ദന്തക്ഷമത പരിശീലനത്തിനുള്ള വെർച്വൽ രോഗി സിമുലേറ്ററുകൾ വികസിപ്പിക്കുന്നതിൽ എംഎൽ അൽഗോരിതംസിന്റെ പ്രയോഗം റിപ്പോർട്ട് ചെയ്യപ്പെടുന്നു. യഥാർത്ഥ രോഗികളുടെ ഫിസിയോളജിക്കൽ പ്രതികരണങ്ങൾ കൃത്യമായി പുനർനിർമ്മിക്കാൻ സിമുലേറ്ററിന് കഴിവുണ്ട്, കൂടാതെ ഡെന്റൽ വിദ്യാർത്ഥികളെ സുരക്ഷിതവും നിയന്ത്രിതവുമായ അന്തരീക്ഷത്തിൽ ട്രെയിൻ ചെയ്യാൻ ഉപയോഗിക്കാം [23]. നിരവധി പഠനങ്ങൾ കാണിക്കുന്നത് ഡെന്റൽ, മെഡിക്കൽ വിദ്യാഭ്യാസ, രോഗിയുടെ പരിചരണം എന്നിവയുടെ ഗുണനിലവാരവും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് നിരവധി പഠനങ്ങൾ കാണിക്കുന്നു. ലക്ഷണങ്ങളും രോഗികളും പോലുള്ള ഡാറ്റ സെറ്റുകൾ അടിസ്ഥാനമാക്കിയുള്ള ഡെന്റൽ രോഗങ്ങൾ രോഗനിർണയം നടത്താൻ മെഷീൻ പഠന അൽഗോരിതംസ് ഉപയോഗിച്ചു. [24, 25]. രോഗികളുടെ ഫലങ്ങൾ പ്രവചിക്കുന്നതിനായി മെഷീൻ പഠിക്കുന്ന അൽഗോരിതംസ്, വ്യക്തിഗത അപകടസാധ്യതയുള്ള വിദ്യാർത്ഥികൾ എന്നിവ പരിശോധിക്കുന്നതിനായി മറ്റ് പഠനങ്ങൾ നടത്തിയപ്പോൾ, വ്യക്തിഗത അപകടസാധ്യതയുള്ള വിദ്യാർത്ഥികൾ വികസിപ്പിക്കുക [26], ആനുകാലിക ചികിത്സ [27], കരുതരണം [25].
ദന്തചിന്തയിലെ യന്ത്ര പഠനം പ്രസിദ്ധീകരിച്ച റിപ്പോർട്ടുകൾ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ടെങ്കിലും, ഡെന്റൽ വിദ്യാഭ്യാസത്തിലെ അപേക്ഷ പരിമിതമായി തുടരുന്നു. അതിനാൽ, ഈ പഠനം ലക്ഷ്യമിട്ടാണ് ഘടകങ്ങളെ തിരിച്ചറിയാൻ ഒരു തീരുമാന ട്രീ മോഡൽ ഉപയോഗിക്കുന്നത് ലക്ഷ്യമിട്ട് ദന്ത വിദ്യാർത്ഥികളാണ്.
ഈ പഠന ഫലങ്ങൾ കാണിക്കുന്നത് വികസിത ശുപാർശ ഉപകരണത്തിന് ഉയർന്ന കൃത്യതയും തികഞ്ഞ കൃത്യതയുമാണെന്ന് സൂചിപ്പിക്കുന്നു, അധ്യാപകർക്ക് ഈ ഉപകരണത്തിൽ നിന്ന് പ്രയോജനം നേടാനാകുമെന്ന് സൂചിപ്പിക്കുന്നു. ഒരു ഡാറ്റ നയിക്കുന്ന വർഗ്ഗീകരണ പ്രക്രിയ ഉപയോഗിച്ച്, ഇതിന് വ്യക്തിഗത ശുപാർശകൾ നൽകാനും വിദ്യാഭ്യാസപരമായ അനുഭവങ്ങളും വിദ്യാഭ്യാസ അനുഭവങ്ങളും ഫലങ്ങളും മെച്ചപ്പെടുത്താനും അധ്യാപകർക്കും വിദ്യാർത്ഥികൾക്കും ഫലങ്ങൾ മെച്ചപ്പെടുത്താനും കഴിയും. അവയിൽ, ശുപാർശ ഉപകരണങ്ങളിലൂടെ ലഭിക്കുന്ന വിവരങ്ങൾക്ക് അധ്യാപകരുടെ ഇഷ്ടപ്പെടുന്ന അധ്യാപന രീതികളും വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളും തമ്മിലുള്ള പൊരുത്തക്കേടുകൾ പരിഹരിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, ശുപാർശ ഉപകരണങ്ങളുടെ യാന്ത്രിക output ട്ട്പുട്ട് കാരണം, ഒരു വിദ്യാർത്ഥിയുടെ ഐപി തിരിച്ചറിയാനും അനുബന്ധ ഐപിയുമായി പൊരുത്തപ്പെടുന്നതിനും ആവശ്യമായ സമയം ഗണ്യമായി കുറയ്ക്കും. ഈ രീതിയിൽ, അനുയോജ്യമായ പരിശീലന പ്രവർത്തനങ്ങളും പരിശീലന സാമഗ്രികളും സംഘടിപ്പിക്കാം. ഇത് വിദ്യാർത്ഥികളുടെ പോസിറ്റീവ് പഠന സ്വഭാവവും ശ്രദ്ധ കേന്ദ്രീകരിക്കാനുള്ള കഴിവും വികസിപ്പിക്കാൻ സഹായിക്കുന്നു. കൂടുതൽ കഴിവ് നേടുന്നതിനുള്ള ഒന്നിലധികം വഴികളിലൂടെ പഠിക്കാൻ വിദ്യാർത്ഥികളെ പഠനവും പ്രക്രിയയും പഠിക്കാൻ സഹായിക്കുന്ന പഠന സാമഗ്രികളും പഠന പ്രവർത്തനങ്ങളും വിദ്യാർത്ഥികളെ നൽകുന്ന ഒരു പഠനം റിപ്പോർട്ട് ചെയ്തു. ക്ലാസ് മുറിയിൽ വിദ്യാർത്ഥികളുടെ പങ്കാളിത്തം മെച്ചപ്പെടുത്തുന്നതിനു പുറമേ, വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയയെ മനസിലാക്കുന്നതിനും വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയയെ മനസിലാക്കുന്നുവെന്നും ഗവേഷണം കാണിക്കുന്നു.
എന്നിരുന്നാലും, ഏതെങ്കിലും ആധുനിക സാങ്കേതികവിദ്യയെപ്പോലെ, പ്രശ്നങ്ങളും പരിമിതികളും ഉണ്ട്. ഡാറ്റ സ്വകാര്യത, പക്ഷപാതം, ന്യായബോധം, ദന്ത വിദ്യാഭ്യാസത്തിൽ മെഷീൻ പഠനം വികസിപ്പിക്കുന്നതിനും നടപ്പിലാക്കുന്നതിനും ആവശ്യമായ പ്രൊഫഷണൽ കഴിവുകളും വിഭവങ്ങളും ഇവ ഉൾപ്പെടുന്നു. എന്നിരുന്നാലും, ഈ പ്രദേശത്തെ പലിശയും ഗവേഷണവും സൂചിപ്പിക്കുന്നത് മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾക്ക് ഡെന്റൽ വിദ്യാഭ്യാസ, ദന്ത സേവനങ്ങൾ എന്നിവയിൽ നല്ല സ്വാധീനം ചെലുത്താമെന്നാണ് സൂചിപ്പിക്കുന്നത്.
ഈ പഠനത്തിന്റെ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നത് സൂചിപ്പിക്കുന്ന ഡെന്റൽ വിദ്യാർത്ഥികൾക്ക് മയക്കുമരുന്ന് "മനസ്സിലാക്കാൻ" പ്രവണതയുണ്ട്. ഇത്തരത്തിലുള്ള പഠിതാവിന് വസ്തുതകൾക്കും കോൺക്രീറ്റ് ഉദാഹരണങ്ങൾക്കും ഒരു പ്രായോഗിക ഓറിയന്റേഷൻ, വിശദാംശങ്ങൾക്കായുള്ള ഒരു പ്രായോഗിക ഓറിയന്റേഷൻ, വീഡിയോകൾ, ഇവിടെ ആശയങ്ങൾ, ചിന്തകൾ എന്നിവയും മാപ്പുകൾയും ഉപയോഗിക്കാൻ താൽപ്പര്യപ്പെടുന്നു. ദന്ത, മെഡിക്കൽ വിദ്യാർത്ഥികളിൽ എൽഎസ്എസിനെ വിലയിരുത്താൻ ഇ.എൽ.എസ് ഉപയോഗിച്ച മറ്റ് പഠനങ്ങളുമായി ബന്ധപ്പെട്ടതാണ് നിലവിലെ ഫലങ്ങൾ ഡാൽമോലിൻ മറ്റുള്ളവരും വിദ്യാർത്ഥികളെ അവരുടെ LS നെക്കുറിച്ച് അവരുടെ പഠന സാധ്യതകളെക്കുറിച്ച് അവരെ അനുവദിക്കുന്നു. വിദ്യാർത്ഥികളുടെ വിദ്യാഭ്യാസ പ്രക്രിയയും വിവിധ അധ്യാപന രീതികളും പ്രവർത്തനങ്ങളും നിറവേറ്റാൻ അധ്യാപകർ വാദിക്കുന്നു, അത് വിദ്യാർത്ഥികളുടെ പ്രകടനവും പഠന അനുഭവവും മെച്ചപ്പെടും [12, 32, 32]. വിദ്യാർത്ഥികളുടെ എൽഎസ് ക്രമീകരിക്കുന്നത് വിദ്യാർത്ഥികളുടെ പഠന അനുഭവത്തിലെ മെച്ചപ്പെടുത്തലുകളും പ്രകടനവും സ്വന്തമായി മാറ്റുന്നതിനുശേഷം മെച്ചപ്പെടുത്തലുകളും കാണിക്കുന്നു [13, 33].
വിദ്യാർത്ഥികളുടെ പഠന കഴിവുകളെ അടിസ്ഥാനമാക്കി അധ്യാപന തന്ത്രങ്ങൾ നടപ്പിലാക്കുന്നതിനെക്കുറിച്ച് അധ്യാപകരുടെ അഭിപ്രായങ്ങൾ വ്യത്യാസപ്പെടാം. പ്രൊഫഷണൽ വികസന അവസരങ്ങൾ, മെന്റർഷിപ്പ്, കമ്മ്യൂണിറ്റി പിന്തുണ എന്നിവ ഉൾപ്പെടെയുള്ള ഈ സമീപനത്തിന്റെ നേട്ടങ്ങൾ ചിലത് കാണുമ്പോൾ, മറ്റുള്ളവയെക്കുറിച്ചും സ്ഥാപന പിന്തുണയെക്കുറിച്ചും ആശങ്കയുണ്ടാകാം. വിദ്യാർത്ഥി കേന്ദ്രീകരിച്ച മനോഭാവം സൃഷ്ടിക്കുന്നതിനാണ് ബാലൻസിനായി പരിശ്രമിക്കുന്നത്. യൂണിവേഴ്സിറ്റി അഡ്മിനിസ്ട്രേറ്റർസ് പോലുള്ള ഉന്നത വിദ്യാഭ്യാസ അധികാരികളിൽ, നൂതന രീതികൾ അവതരിപ്പിക്കുന്നതിലൂടെയും ഫാക്കൽറ്റി വികസനത്തെ പിന്തുണയ്ക്കുന്നതിലൂടെയും നല്ലൊരു പങ്ക് വഹിക്കാൻ കഴിയും [34]. ഒരു യഥാർത്ഥ ചലനാത്മകവും പ്രതികരിക്കുന്നതുമായ ഉന്നത വിദ്യാഭ്യാസ സമ്പ്രദായം സൃഷ്ടിക്കുന്നതിന്, നയപരമായ മാറ്റങ്ങൾ വരുത്തുന്നത്, സാങ്കേതിക സംയോജനത്തിനുള്ള വിഭവങ്ങൾ ഉണ്ടാക്കുന്ന ധീരരായ നടപടികൾ, വിദ്യാർത്ഥി കേന്ദ്രകർക്കങ്ങൾ എന്നിവ എടുത്ത് വിദ്യാർത്ഥി കേന്ദ്രകർക്കങ്ങൾ സൃഷ്ടിക്കുകയും വേണം, അത് വിദ്യാർത്ഥി കേന്ദ്രകാരികളെ സൃഷ്ടിക്കുകയും വേണം. ആവശ്യമുള്ള ഫലങ്ങൾ നേടുന്നതിന് ഈ നടപടികൾ നിർണ്ണായകമാണ്. വ്യത്യസ്ത നിർദ്ദേശത്തെക്കുറിച്ചുള്ള സമീപകാല ഗവേഷണങ്ങൾ വ്യക്തമായി കാണിക്കുന്നത് വ്യത്യസ്ത പ്രയോജനത്തിന്റെ വിജയകരമായ നടപ്പാക്കൽ അധ്യാപകർക്ക് നിലവിലുള്ള പരിശീലനവും വികസന അവസരങ്ങളും ആവശ്യമാണ് [35].
വിദ്യാർത്ഥി സൗഹാർദ്ദപരമായ പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യുന്നതിനായി വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനം നടത്താൻ ആഗ്രഹിക്കുന്ന ഡെന്റൽ അധ്യാപകർക്ക് ഈ ഉപകരണം വിലയേറിയ പിന്തുണ നൽകുന്നു. എന്നിരുന്നാലും, ഈ പഠനം തീരുമാന ട്രീ എംഎൽ മോഡലുകളുടെ ഉപയോഗത്തിന് മാത്രമായി പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ഭാവിയിൽ, ശുപാർശ ഉപകരണങ്ങളുടെ കൃത്യത, വിശ്വാസ്യത, കൃത്യത എന്നിവ താരതമ്യം ചെയ്യാൻ വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ പ്രകടനം താരതമ്യം ചെയ്യാൻ കൂടുതൽ ഡാറ്റ ശേഖരിക്കണം. കൂടാതെ, ഒരു പ്രത്യേക ദൗത്യത്തിനായി ഏറ്റവും അനുയോജ്യമായ മെഷീൻ പഠന രീതി തിരഞ്ഞെടുക്കുമ്പോൾ, മാതൃകാ സങ്കീർണ്ണതയും വ്യാഖ്യാനവും പോലുള്ള മറ്റ് ഘടകങ്ങൾ പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്.
ഈ പഠനത്തിന്റെ പരിമിതിയാണ്, അത് എസ്എഎപ്പിംഗ് മാപ്പുചെയ്യുന്നതിലും ദന്ത വിദ്യാർത്ഥികളുമാണ്. അതിനാൽ, വികസിത ശുപാർശ സംവിധാനം ദന്ത വിദ്യാർത്ഥികൾക്ക് അനുയോജ്യമായവരെ മാത്രമേ ശുപാർശ ചെയ്യുകയുള്ളൂ. പൊതുവായ വിദ്യാഭ്യാസ വിദ്യാർത്ഥി ഉപയോഗത്തിന് മാറ്റങ്ങൾ ആവശ്യമാണ്.
പ്രസക്തമായ അധ്യാപന, പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യാൻ ദന്ത അധ്യാപകർക്ക് സഹായിക്കുന്നതിനുള്ള ആദ്യത്തെ ദന്ത വിദ്യാഭ്യാസ പരിപാടിയാണ് പുതുതായി വികസിപ്പിച്ച മെഷീൻ പഠന അധിഷ്ഠിത ശുപാർശ ഉപകരണം. ഒരു ഡാറ്റ നയിക്കുന്ന ട്രിയേജ് പ്രക്രിയ ഉപയോഗിച്ച്, ഇതിന് വ്യക്തിഗത ശുപാർശകൾ നൽകാനും സമയം ലാഭിക്കാനും അധ്യാപന തന്ത്രങ്ങൾ മെച്ചപ്പെടുത്താനും ടാർഗെറ്റുചെയ്ത ഇടപെടലുകൾ മെച്ചപ്പെടുത്തുന്നതിനും പ്രൊഫഷണൽ വികസനം പ്രോത്സാഹിപ്പിക്കുന്നതിനും ഇത് നൽകാം. അതിന്റെ അപേക്ഷ ഡെന്റൽ വിദ്യാഭ്യാസത്തിലേക്ക് വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനങ്ങളെ പ്രോത്സാഹിപ്പിക്കും.
ഗിലാക് ജാനി അസോസിയേറ്റഡ് പ്രസ്സ്. വിദ്യാർത്ഥിയുടെ പഠന ശൈലിയും ടീച്ചറുടെ അധ്യാപന ശൈലിയും തമ്മിലുള്ള പൊരുത്തക്കേട് നടത്തുക. INT J മോഡ് എഡ്യൂക്കേഷൻ കമ്പ്യൂട്ടർ സയൻസ്. 2012; 4 (11): 51-60. https://doi.org/10.5815/IJMES.2012.11.05