ഡെന്റൽ വിദ്യാർത്ഥികളുടെ ഇഷ്ടപ്പെട്ട പഠന ശൈലികൾ ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് മോഡലുകൾ ഉപയോഗിച്ചുള്ള പഠന തന്ത്രങ്ങളുമായി മാപ്പ് ചെയ്യൽ ബിഎംസി മെഡിക്കൽ വിദ്യാഭ്യാസം |

ദന്തചികിത്സ ഉൾപ്പെടെയുള്ള ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ വിദ്യാർത്ഥി കേന്ദ്രീകൃത പഠനത്തിന്റെ (SCL) ആവശ്യകത വർദ്ധിച്ചുവരികയാണ്. എന്നിരുന്നാലും, ദന്ത വിദ്യാഭ്യാസത്തിൽ SCL-ന് പരിമിതമായ പ്രയോഗമേ ഉള്ളൂ. അതിനാൽ, IS മാർഗ്ഗനിർദ്ദേശങ്ങൾ വികസിപ്പിക്കുന്നതിനുള്ള ഉപയോഗപ്രദമായ ഉപകരണമായി ഡെന്റൽ വിദ്യാർത്ഥികളുടെ ഇഷ്ടപ്പെട്ട പഠന ശൈലി (LS) ഉം അനുബന്ധ പഠന തന്ത്രങ്ങളും (IS) മാപ്പ് ചെയ്യുന്നതിന് ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് (ML) സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് ദന്തചികിത്സയിൽ SCL-ന്റെ പ്രയോഗം പ്രോത്സാഹിപ്പിക്കുക എന്നതാണ് ഈ പഠനം ലക്ഷ്യമിടുന്നത്. ഡെന്റൽ വിദ്യാർത്ഥികൾക്കുള്ള വാഗ്ദാന രീതികൾ.
മലയ സർവകലാശാലയിലെ ആകെ 255 ഡെന്റൽ വിദ്യാർത്ഥികൾ പരിഷ്കരിച്ച പഠന ശൈലികളുടെ സൂചിക (m-ILS) ചോദ്യാവലി പൂർത്തിയാക്കി, അതിൽ 44 ഇനങ്ങൾ അതാത് എൽ‌എസുകളായി തരംതിരിച്ചു. ശേഖരിച്ച ഡാറ്റ (ഡാറ്റാസെറ്റ് എന്ന് വിളിക്കുന്നു) സൂപ്പർവൈസുചെയ്‌ത തീരുമാന വൃക്ഷ പഠനത്തിൽ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികളെ ഏറ്റവും അനുയോജ്യമായ ഐ‌എസുമായി യാന്ത്രികമായി പൊരുത്തപ്പെടുത്തുന്നതിന് ഉപയോഗിക്കുന്നു. മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ഐ‌എസ് ശുപാർശ ഉപകരണത്തിന്റെ കൃത്യത പിന്നീട് വിലയിരുത്തപ്പെടുന്നു.
LS (ഇൻപുട്ട്) നും IS (ടാർഗെറ്റ് ഔട്ട്പുട്ട്) നും ഇടയിലുള്ള ഒരു ഓട്ടോമേറ്റഡ് മാപ്പിംഗ് പ്രക്രിയയിൽ ഡിസിഷൻ ട്രീ മോഡലുകൾ പ്രയോഗിക്കുന്നത് ഓരോ ഡെന്റൽ വിദ്യാർത്ഥിക്കും ഉചിതമായ പഠന തന്ത്രങ്ങളുടെ ഒരു ഉടനടി പട്ടിക നൽകാൻ അനുവദിക്കുന്നു. IS ശുപാർശ ഉപകരണം മൊത്തത്തിലുള്ള മോഡൽ കൃത്യതയുടെ തികഞ്ഞ കൃത്യതയും ഓർമ്മപ്പെടുത്തലും പ്രകടമാക്കി, LS-നെ IS-മായി പൊരുത്തപ്പെടുത്തുന്നതിന് നല്ല സംവേദനക്ഷമതയും പ്രത്യേകതയും ഉണ്ടെന്ന് സൂചിപ്പിക്കുന്നു.
ഒരു ML ഡിസിഷൻ ട്രീ അടിസ്ഥാനമാക്കിയുള്ള ഒരു IS ശുപാർശ ഉപകരണം, ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പഠന ശൈലികളെ ഉചിതമായ പഠന തന്ത്രങ്ങളുമായി കൃത്യമായി പൊരുത്തപ്പെടുത്താനുള്ള കഴിവ് തെളിയിച്ചിട്ടുണ്ട്. വിദ്യാർത്ഥികളുടെ പഠനാനുഭവം മെച്ചപ്പെടുത്താൻ കഴിയുന്ന പഠിതാക്കളെ കേന്ദ്രീകരിച്ചുള്ള കോഴ്സുകളോ മൊഡ്യൂളുകളോ ആസൂത്രണം ചെയ്യുന്നതിനുള്ള ശക്തമായ ഓപ്ഷനുകൾ ഈ ഉപകരണം നൽകുന്നു.
വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിലെ അടിസ്ഥാന പ്രവർത്തനങ്ങളാണ് അധ്യാപനവും പഠനവും. ഉയർന്ന നിലവാരമുള്ള ഒരു തൊഴിലധിഷ്ഠിത വിദ്യാഭ്യാസ സമ്പ്രദായം വികസിപ്പിക്കുമ്പോൾ, വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടത് പ്രധാനമാണ്. വിദ്യാർത്ഥികളും അവരുടെ പഠന അന്തരീക്ഷവും തമ്മിലുള്ള ഇടപെടൽ അവരുടെ LS വഴി നിർണ്ണയിക്കാൻ കഴിയും. വിദ്യാർത്ഥികളുടെ LS ഉം IS ഉം തമ്മിലുള്ള അധ്യാപകൻ ഉദ്ദേശിച്ച പൊരുത്തക്കേടുകൾ ശ്രദ്ധ കുറയുന്നതും പ്രചോദനം കുറയുന്നതും പോലുള്ള വിദ്യാർത്ഥികളുടെ പഠനത്തിന് പ്രതികൂലമായ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കുമെന്ന് ഗവേഷണങ്ങൾ സൂചിപ്പിക്കുന്നു. ഇത് വിദ്യാർത്ഥികളുടെ പ്രകടനത്തെ പരോക്ഷമായി ബാധിക്കും [1,2].
വിദ്യാർത്ഥികൾക്ക് അറിവും വൈദഗ്ധ്യവും പകർന്നു നൽകുന്നതിന് അധ്യാപകർ ഉപയോഗിക്കുന്ന ഒരു രീതിയാണ് IS, വിദ്യാർത്ഥികളെ പഠിക്കാൻ സഹായിക്കുന്നത് ഉൾപ്പെടെ [3]. പൊതുവായി പറഞ്ഞാൽ, നല്ല അധ്യാപകർ അധ്യാപന തന്ത്രങ്ങൾ അല്ലെങ്കിൽ അവരുടെ വിദ്യാർത്ഥികളുടെ അറിവിന്റെ നിലവാരം, അവർ പഠിക്കുന്ന ആശയങ്ങൾ, പഠന ഘട്ടം എന്നിവയുമായി ഏറ്റവും നന്നായി പൊരുത്തപ്പെടുന്ന IS ആസൂത്രണം ചെയ്യുന്നു. സൈദ്ധാന്തികമായി, LS ഉം IS ഉം പൊരുത്തപ്പെടുമ്പോൾ, ഫലപ്രദമായി പഠിക്കുന്നതിന് വിദ്യാർത്ഥികൾക്ക് ഒരു പ്രത്യേക കഴിവുകൾ സംഘടിപ്പിക്കാനും ഉപയോഗിക്കാനും കഴിയും. സാധാരണയായി, ഒരു പാഠ പദ്ധതിയിൽ അധ്യാപനത്തിൽ നിന്ന് ഗൈഡഡ് പരിശീലനത്തിലേക്കോ ഗൈഡഡ് പരിശീലനത്തിൽ നിന്ന് സ്വതന്ത്ര പരിശീലനത്തിലേക്കോ പോലുള്ള ഘട്ടങ്ങൾക്കിടയിലുള്ള നിരവധി പരിവർത്തനങ്ങൾ ഉൾപ്പെടുന്നു. ഇത് മനസ്സിൽ വെച്ചുകൊണ്ട്, ഫലപ്രദമായ അധ്യാപകർ പലപ്പോഴും വിദ്യാർത്ഥികളുടെ അറിവും വൈദഗ്ധ്യവും വളർത്തിയെടുക്കുക എന്ന ലക്ഷ്യത്തോടെ നിർദ്ദേശങ്ങൾ ആസൂത്രണം ചെയ്യുന്നു [4].
ദന്തചികിത്സ ഉൾപ്പെടെയുള്ള ഉന്നത വിദ്യാഭ്യാസ സ്ഥാപനങ്ങളിൽ SCL-നുള്ള ആവശ്യം വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്. വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങൾ നിറവേറ്റുന്നതിനാണ് SCL തന്ത്രങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഉദാഹരണത്തിന്, വിദ്യാർത്ഥികൾ പഠന പ്രവർത്തനങ്ങളിൽ സജീവമായി പങ്കെടുക്കുകയും അധ്യാപകർ സഹായകരായി പ്രവർത്തിക്കുകയും വിലപ്പെട്ട ഫീഡ്‌ബാക്ക് നൽകുന്നതിന് ഉത്തരവാദികളായിരിക്കുകയും ചെയ്താൽ ഇത് നേടാനാകും. വിദ്യാർത്ഥികളുടെ വിദ്യാഭ്യാസ നിലവാരത്തിനോ മുൻഗണനകൾക്കോ ​​അനുയോജ്യമായ പഠന സാമഗ്രികളും പ്രവർത്തനങ്ങളും നൽകുന്നത് വിദ്യാർത്ഥികളുടെ പഠന അന്തരീക്ഷം മെച്ചപ്പെടുത്താനും പോസിറ്റീവ് പഠനാനുഭവങ്ങൾ പ്രോത്സാഹിപ്പിക്കാനും സഹായിക്കുമെന്ന് പറയപ്പെടുന്നു [5].
സാധാരണയായി പറഞ്ഞാൽ, ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയയെ അവർ നിർവഹിക്കേണ്ട വിവിധ ക്ലിനിക്കൽ നടപടിക്രമങ്ങളും ഫലപ്രദമായ വ്യക്തിപര കഴിവുകൾ വികസിപ്പിക്കുന്ന ക്ലിനിക്കൽ അന്തരീക്ഷവും സ്വാധീനിക്കുന്നു. ഡെന്റൽ ക്ലിനിക്കൽ കഴിവുകളുമായി ദന്തചികിത്സയെക്കുറിച്ചുള്ള അടിസ്ഥാന അറിവ് സംയോജിപ്പിക്കാനും നേടിയെടുത്ത അറിവ് പുതിയ ക്ലിനിക്കൽ സാഹചര്യങ്ങളിൽ പ്രയോഗിക്കാനും വിദ്യാർത്ഥികളെ പ്രാപ്തരാക്കുക എന്നതാണ് പരിശീലനത്തിന്റെ ലക്ഷ്യം [6, 7]. എൽ‌എസും ഐ‌എസും തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചുള്ള ആദ്യകാല ഗവേഷണങ്ങൾ, ഇഷ്ടപ്പെട്ട എൽ‌എസിലേക്ക് മാപ്പ് ചെയ്ത പഠന തന്ത്രങ്ങൾ ക്രമീകരിക്കുന്നത് വിദ്യാഭ്യാസ പ്രക്രിയ മെച്ചപ്പെടുത്താൻ സഹായിക്കുമെന്ന് കണ്ടെത്തി [8]. വിദ്യാർത്ഥികളുടെ പഠനത്തിനും ആവശ്യങ്ങൾക്കും അനുസൃതമായി വൈവിധ്യമാർന്ന അധ്യാപന, വിലയിരുത്തൽ രീതികൾ ഉപയോഗിക്കാനും രചയിതാക്കൾ ശുപാർശ ചെയ്യുന്നു.
വിഷയത്തെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള അറിവും ഗ്രാഹ്യവും വർദ്ധിപ്പിക്കുന്നതിന് നിർദ്ദേശങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും വികസിപ്പിക്കാനും നടപ്പിലാക്കാനും സഹായിക്കുന്നതിന് എൽ‌എസ് പരിജ്ഞാനം പ്രയോഗിക്കുന്നതിലൂടെ അധ്യാപകർക്ക് പ്രയോജനം ലഭിക്കും. കോൾബ് എക്സ്പീരിയൻഷ്യൽ ലേണിംഗ് മോഡൽ, ഫെൽഡർ-സിൽവർമാൻ ലേണിംഗ് സ്റ്റൈൽ മോഡൽ (FSLSM), ഫ്ലെമിംഗ് VAK/VARK മോഡൽ [5, 9, 10] തുടങ്ങിയ നിരവധി എൽ‌എസ് വിലയിരുത്തൽ ഉപകരണങ്ങൾ ഗവേഷകർ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. സാഹിത്യമനുസരിച്ച്, ഈ പഠന മാതൃകകളാണ് ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്നതും ഏറ്റവും കൂടുതൽ പഠിക്കപ്പെടുന്നതുമായ പഠന മാതൃകകൾ. നിലവിലെ ഗവേഷണ പ്രവർത്തനങ്ങളിൽ, ഡെന്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ എൽ‌എസ് വിലയിരുത്തുന്നതിന് FSLSM ഉപയോഗിക്കുന്നു.
എഞ്ചിനീയറിംഗിലെ അഡാപ്റ്റീവ് ലേണിംഗ് വിലയിരുത്തുന്നതിന് വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു മാതൃകയാണ് FSLSM. FSLSM മോഡലുകൾ [5, 11, 12, 13] ഉപയോഗിച്ച് ആരോഗ്യ ശാസ്ത്രങ്ങളിൽ (മെഡിസിൻ, നഴ്സിംഗ്, ഫാർമസി, ഡെന്റിസ്ട്രി എന്നിവയുൾപ്പെടെ) പ്രസിദ്ധീകരിച്ച നിരവധി കൃതികൾ കണ്ടെത്താൻ കഴിയും. FLSM-ൽ LS-ന്റെ അളവുകൾ അളക്കാൻ ഉപയോഗിക്കുന്ന ഉപകരണത്തെ പഠന ശൈലികളുടെ സൂചിക (ILS) [8] എന്ന് വിളിക്കുന്നു, അതിൽ LS-ന്റെ നാല് അളവുകൾ വിലയിരുത്തുന്ന 44 ഇനങ്ങൾ അടങ്ങിയിരിക്കുന്നു: പ്രോസസ്സിംഗ് (സജീവ/പ്രതിഫലനം), ധാരണ (പെർസെപ്ച്വൽ/അവബോധജന്യ), ഇൻപുട്ട് (ദൃശ്യം). /വാക്കാലുള്ള) മനസ്സിലാക്കൽ (സീക്വൻഷ്യൽ/ഗ്ലോബൽ) [14].
ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ഓരോ FSLSM മാനത്തിനും ഒരു പ്രബലമായ മുൻഗണനയുണ്ട്. ഉദാഹരണത്തിന്, പ്രോസസ്സിംഗ് മാനത്തിൽ, "സജീവ" LS ഉള്ള വിദ്യാർത്ഥികൾ പഠന സാമഗ്രികളുമായി നേരിട്ട് ഇടപഴകുന്നതിലൂടെ വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യാനും, ചെയ്തുകൊണ്ട് പഠിക്കാനും, ഗ്രൂപ്പുകളായി പഠിക്കാനും ഇഷ്ടപ്പെടുന്നു. "പ്രതിഫലന" LS എന്നത് ചിന്തയിലൂടെയുള്ള പഠനത്തെ സൂചിപ്പിക്കുന്നു, ഒറ്റയ്ക്ക് പ്രവർത്തിക്കാൻ ഇഷ്ടപ്പെടുന്നു. LS-ന്റെ "ഗ്രഹിക്കുന്ന" മാനത്തെ "വികാരം",/അല്ലെങ്കിൽ "അവബോധം" എന്നിങ്ങനെ വിഭജിക്കാം. "തോന്നുന്ന" വിദ്യാർത്ഥികൾ കൂടുതൽ മൂർത്തമായ വിവരങ്ങളും പ്രായോഗിക നടപടിക്രമങ്ങളും ഇഷ്ടപ്പെടുന്നു, അമൂർത്തമായ മെറ്റീരിയൽ ഇഷ്ടപ്പെടുന്നവരും കൂടുതൽ നൂതനവും സൃഷ്ടിപരവുമായ സ്വഭാവമുള്ളവരുമായ "അവബോധജന്യ" വിദ്യാർത്ഥികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വസ്തുതാധിഷ്ഠിതരാണ്. LS-ന്റെ "ഇൻപുട്ട്" മാനത്തിൽ "ദൃശ്യ", "വാക്കാലുള്ള" പഠിതാക്കൾ ഉൾപ്പെടുന്നു. "ദൃശ്യ" LS ഉള്ള ആളുകൾ ദൃശ്യ പ്രകടനങ്ങളിലൂടെ (ഡയഗ്രമുകൾ, വീഡിയോകൾ അല്ലെങ്കിൽ തത്സമയ പ്രകടനങ്ങൾ പോലുള്ളവ) പഠിക്കാൻ ഇഷ്ടപ്പെടുന്നു, അതേസമയം "വാക്കാലുള്ള" LS ഉള്ള ആളുകൾ എഴുതിയതോ വാക്കാലുള്ളതോ ആയ വിശദീകരണങ്ങളിലൂടെ വാക്കുകളിലൂടെ പഠിക്കാൻ ഇഷ്ടപ്പെടുന്നു. LS-ന്റെ അളവുകൾ "മനസ്സിലാക്കാൻ", അത്തരം പഠിതാക്കളെ "തുടർച്ച", "ആഗോള" എന്നിങ്ങനെ തിരിക്കാം. “സീക്വൻഷ്യൽ പഠിതാക്കൾ ഒരു രേഖീയ ചിന്താ പ്രക്രിയയാണ് ഇഷ്ടപ്പെടുന്നത്, ഘട്ടം ഘട്ടമായി പഠിക്കുന്നു, അതേസമയം ആഗോള പഠിതാക്കൾക്ക് സമഗ്രമായ ഒരു ചിന്താ പ്രക്രിയ ഉണ്ടായിരിക്കുകയും അവർ എന്താണ് പഠിക്കുന്നതെന്ന് എല്ലായ്പ്പോഴും നന്നായി മനസ്സിലാക്കുകയും ചെയ്യും.
അടുത്തിടെ, നിരവധി ഗവേഷകർ ഓട്ടോമാറ്റിക് ഡാറ്റാധിഷ്ഠിത കണ്ടെത്തലിനുള്ള രീതികൾ പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങിയിട്ടുണ്ട്, അതിൽ വലിയ അളവിലുള്ള ഡാറ്റ വ്യാഖ്യാനിക്കാൻ കഴിവുള്ള പുതിയ അൽഗോരിതങ്ങളുടെയും മോഡലുകളുടെയും വികസനം ഉൾപ്പെടുന്നു [15, 16]. നൽകിയിരിക്കുന്ന ഡാറ്റയെ അടിസ്ഥാനമാക്കി, സൂപ്പർവൈസ് ചെയ്ത ML (മെഷീൻ ലേണിംഗ്) അൽഗോരിതങ്ങളുടെ നിർമ്മാണത്തെ അടിസ്ഥാനമാക്കി ഭാവി ഫലങ്ങൾ പ്രവചിക്കുന്ന പാറ്റേണുകളും അനുമാനങ്ങളും സൃഷ്ടിക്കാൻ കഴിയും [17]. ലളിതമായി പറഞ്ഞാൽ, സൂപ്പർവൈസ് ചെയ്ത മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഇൻപുട്ട് ഡാറ്റ കൈകാര്യം ചെയ്യുകയും അൽഗോരിതങ്ങൾ പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു. തുടർന്ന് നൽകിയിരിക്കുന്ന ഇൻപുട്ട് ഡാറ്റയ്ക്ക് സമാനമായ സാഹചര്യങ്ങളെ അടിസ്ഥാനമാക്കി ഫലം തരംതിരിക്കുന്നതോ പ്രവചിക്കുന്നതോ ആയ ഒരു ശ്രേണി ഇത് സൃഷ്ടിക്കുന്നു. സൂപ്പർവൈസ് ചെയ്ത മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ പ്രധാന നേട്ടം അനുയോജ്യമായതും ആവശ്യമുള്ളതുമായ ഫലങ്ങൾ സ്ഥാപിക്കാനുള്ള കഴിവാണ് [17].
ഡാറ്റാധിഷ്ഠിത രീതികളുടെയും ഡിസിഷൻ ട്രീ കൺട്രോൾ മോഡലുകളുടെയും ഉപയോഗത്തിലൂടെ, എൽ.എസ്സിന്റെ യാന്ത്രിക കണ്ടെത്തൽ സാധ്യമാണ്. ആരോഗ്യ ശാസ്ത്രങ്ങൾ ഉൾപ്പെടെ വിവിധ മേഖലകളിലെ പരിശീലന പരിപാടികളിൽ ഡിസിഷൻ ട്രീകൾ വ്യാപകമായി ഉപയോഗിക്കുന്നതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട് [18, 19]. ഈ പഠനത്തിൽ, വിദ്യാർത്ഥികളുടെ എൽ.എസ് തിരിച്ചറിയുന്നതിനും അവർക്ക് ഏറ്റവും മികച്ച ഐ.എസ് ശുപാർശ ചെയ്യുന്നതിനും സിസ്റ്റം ഡെവലപ്പർമാർ ഈ മോഡലിന് പ്രത്യേക പരിശീലനം നൽകി.
വിദ്യാർത്ഥികളുടെ LS അടിസ്ഥാനമാക്കി IS ഡെലിവറി തന്ത്രങ്ങൾ വികസിപ്പിക്കുകയും LS-ലേക്ക് മാപ്പ് ചെയ്ത ഒരു IS ശുപാർശ ഉപകരണം വികസിപ്പിച്ചുകൊണ്ട് SCL സമീപനം പ്രയോഗിക്കുകയും ചെയ്യുക എന്നതാണ് ഈ പഠനത്തിന്റെ ലക്ഷ്യം. SCL രീതിയുടെ ഒരു തന്ത്രമായി IS ശുപാർശ ഉപകരണത്തിന്റെ ഡിസൈൻ ഫ്ലോ ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നു. ILS ഉപയോഗിക്കുന്ന LS വർഗ്ഗീകരണ സംവിധാനവും വിദ്യാർത്ഥികൾക്ക് ഏറ്റവും അനുയോജ്യമായ IS ഡിസ്പ്ലേയും ഉൾപ്പെടെ IS ശുപാർശ ഉപകരണത്തെ രണ്ട് ഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു.
പ്രത്യേകിച്ച്, വിവര സുരക്ഷാ ശുപാർശ ഉപകരണങ്ങളുടെ സവിശേഷതകളിൽ വെബ് സാങ്കേതികവിദ്യകളുടെ ഉപയോഗവും ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗിന്റെ ഉപയോഗവും ഉൾപ്പെടുന്നു. സിസ്റ്റം ഡെവലപ്പർമാർ മൊബൈൽ ഫോണുകൾ, ടാബ്‌ലെറ്റുകൾ പോലുള്ള മൊബൈൽ ഉപകരണങ്ങളുമായി അവയെ പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് ഉപയോക്തൃ അനുഭവവും ചലനാത്മകതയും മെച്ചപ്പെടുത്തുന്നു.
രണ്ട് ഘട്ടങ്ങളിലായാണ് പരീക്ഷണം നടത്തിയത്, മലയ സർവകലാശാലയിലെ ദന്തചികിത്സ ഫാക്കൽറ്റിയിലെ വിദ്യാർത്ഥികൾ സ്വമേധയാ പങ്കെടുത്തു. ഒരു ഡെന്റൽ വിദ്യാർത്ഥിയുടെ ഇംഗ്ലീഷിലുള്ള ഓൺലൈൻ m-ILS-ന് പങ്കെടുക്കുന്നവർ മറുപടി നൽകി. പ്രാരംഭ ഘട്ടത്തിൽ, ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് അൽഗോരിതം പരിശീലിപ്പിക്കാൻ 50 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു. വികസന പ്രക്രിയയുടെ രണ്ടാം ഘട്ടത്തിൽ, വികസിപ്പിച്ച ഉപകരണത്തിന്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് 255 വിദ്യാർത്ഥികളുടെ ഒരു ഡാറ്റാസെറ്റ് ഉപയോഗിച്ചു.
ഓരോ ഘട്ടത്തിന്റെയും തുടക്കത്തിൽ, അധ്യയന വർഷത്തിനനുസരിച്ച്, എല്ലാ പങ്കാളികൾക്കും മൈക്രോസോഫ്റ്റ് ടീമുകൾ വഴി ഒരു ഓൺലൈൻ ബ്രീഫിംഗ് ലഭിക്കും. പഠനത്തിന്റെ ഉദ്ദേശ്യം വിശദീകരിക്കുകയും വിവരമറിഞ്ഞുള്ള സമ്മതം നേടുകയും ചെയ്തു. എല്ലാ പങ്കാളികൾക്കും m-ILS ആക്‌സസ് ചെയ്യുന്നതിനുള്ള ഒരു ലിങ്ക് നൽകി. ചോദ്യാവലിയിലെ 44 ഇനങ്ങൾക്കും ഉത്തരം നൽകാൻ ഓരോ വിദ്യാർത്ഥിക്കും നിർദ്ദേശം നൽകി. സെമസ്റ്റർ ആരംഭിക്കുന്നതിന് മുമ്പുള്ള സെമസ്റ്റർ ഇടവേളയിൽ അവർക്ക് സൗകര്യപ്രദമായ സമയത്തും സ്ഥലത്തും പരിഷ്‌ക്കരിച്ച ILS പൂർത്തിയാക്കാൻ അവർക്ക് ഒരു ആഴ്ച സമയം നൽകി. m-ILS യഥാർത്ഥ ILS ഉപകരണത്തെ അടിസ്ഥാനമാക്കിയുള്ളതും ഡെന്റൽ വിദ്യാർത്ഥികൾക്കായി പരിഷ്‌ക്കരിച്ചതുമാണ്. യഥാർത്ഥ ILS പോലെ, ഇതിൽ 44 തുല്യമായി വിതരണം ചെയ്ത ഇനങ്ങൾ (a, b) അടങ്ങിയിരിക്കുന്നു, ഓരോ FSLSM മാനത്തിന്റെയും വശങ്ങൾ വിലയിരുത്താൻ ഇവ ഉപയോഗിക്കുന്നു.
ഉപകരണ വികസനത്തിന്റെ പ്രാരംഭ ഘട്ടത്തിൽ, ഗവേഷകർ 50 ഡെന്റൽ വിദ്യാർത്ഥികളുടെ ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് മാപ്പുകൾ സ്വമേധയാ വ്യാഖ്യാനിച്ചു. FSLM അനുസരിച്ച്, സിസ്റ്റം “a”, “b” എന്നീ ഉത്തരങ്ങളുടെ ആകെത്തുക നൽകുന്നു. ഓരോ മാനത്തിനും, വിദ്യാർത്ഥി “a” ഒരു ഉത്തരമായി തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, LS-നെ സജീവ/ഗ്രഹണശേഷി/ദൃശ്യ/അനുക്രമം എന്നിങ്ങനെ തരംതിരിക്കുന്നു, കൂടാതെ വിദ്യാർത്ഥി “b” ഒരു ഉത്തരമായി തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, വിദ്യാർത്ഥിയെ പ്രതിഫലന/അവബോധജന്യ/ഭാഷാശാസ്ത്രം/ആഗോള പഠിതാവ് എന്നിങ്ങനെ തരംതിരിക്കുന്നു.
ഡെന്റൽ വിദ്യാഭ്യാസ ഗവേഷകരും സിസ്റ്റം ഡെവലപ്പർമാരും തമ്മിലുള്ള വർക്ക്ഫ്ലോ കാലിബ്രേറ്റ് ചെയ്ത ശേഷം, FLSSM ഡൊമെയ്ൻ അടിസ്ഥാനമാക്കി ചോദ്യങ്ങൾ തിരഞ്ഞെടുത്ത് ഓരോ വിദ്യാർത്ഥിയുടെയും LS പ്രവചിക്കുന്നതിനായി ML മോഡലിലേക്ക് ഫീഡ് ചെയ്തു. "ഗാർബേജ് ഇൻ, ഗാർബേജ് ഔട്ട്" എന്നത് മെഷീൻ ലേണിംഗ് മേഖലയിലെ ഒരു ജനപ്രിയ ചൊല്ലാണ്, ഡാറ്റ ഗുണനിലവാരത്തിൽ ഊന്നൽ നൽകുന്നു. ഇൻപുട്ട് ഡാറ്റയുടെ ഗുണനിലവാരം മെഷീൻ ലേണിംഗ് മോഡലിന്റെ കൃത്യതയും കൃത്യതയും നിർണ്ണയിക്കുന്നു. ഫീച്ചർ എഞ്ചിനീയറിംഗ് ഘട്ടത്തിൽ, FLSSM അടിസ്ഥാനമാക്കിയുള്ള "a", "b" എന്നീ ഉത്തരങ്ങളുടെ ആകെത്തുകയായ ഒരു പുതിയ ഫീച്ചർ സെറ്റ് സൃഷ്ടിക്കപ്പെടുന്നു. മയക്കുമരുന്ന് സ്ഥാനങ്ങളുടെ തിരിച്ചറിയൽ നമ്പറുകൾ പട്ടിക 1 ൽ നൽകിയിരിക്കുന്നു.
ഉത്തരങ്ങളെ അടിസ്ഥാനമാക്കി സ്കോർ കണക്കാക്കുകയും വിദ്യാർത്ഥിയുടെ എൽഎസ് നിർണ്ണയിക്കുകയും ചെയ്യുക. ഓരോ വിദ്യാർത്ഥിക്കും, സ്കോർ ശ്രേണി 1 മുതൽ 11 വരെയാണ്. 1 മുതൽ 3 വരെയുള്ള സ്കോറുകൾ ഒരേ മാനത്തിനുള്ളിൽ പഠന മുൻഗണനകളുടെ സന്തുലിതാവസ്ഥയെ സൂചിപ്പിക്കുന്നു, 5 മുതൽ 7 വരെയുള്ള സ്കോറുകൾ മിതമായ മുൻഗണനയെ സൂചിപ്പിക്കുന്നു, ഇത് വിദ്യാർത്ഥികൾ മറ്റുള്ളവരെ പഠിപ്പിക്കുന്ന ഒരു പരിസ്ഥിതിയെ ഇഷ്ടപ്പെടുന്നു എന്ന് സൂചിപ്പിക്കുന്നു. അതേ മാനത്തിലുള്ള മറ്റൊരു വ്യതിയാനം, 9 മുതൽ 11 വരെയുള്ള സ്കോറുകൾ ഒരു അറ്റത്തേക്കോ മറ്റേ അറ്റത്തേക്കോ ഉള്ള ശക്തമായ മുൻഗണനയെ പ്രതിഫലിപ്പിക്കുന്നു എന്നതാണ് [8].
ഓരോ മാനത്തിനും, മരുന്നുകളെ "സജീവ", "പ്രതിഫലക", "സന്തുലിത" എന്നിങ്ങനെ തരംതിരിച്ചു. ഉദാഹരണത്തിന്, ഒരു നിയുക്ത ഇനത്തിൽ ഒരു വിദ്യാർത്ഥി "b" യെക്കാൾ കൂടുതൽ തവണ "a" എന്ന് ഉത്തരം നൽകുകയും പ്രോസസ്സിംഗ് LS മാനത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരു പ്രത്യേക ഇനത്തിന് അവന്റെ/അവളുടെ സ്കോർ 5 എന്ന പരിധി കവിയുകയും ചെയ്യുമ്പോൾ, അവൻ/അവൾ "സജീവ" LS ഡൊമെയ്‌നിൽ ഉൾപ്പെടുന്നു. . എന്നിരുന്നാലും, നിർദ്ദിഷ്ട 11 ചോദ്യങ്ങളിൽ (പട്ടിക 1) "a" യെക്കാൾ കൂടുതൽ "b" തിരഞ്ഞെടുത്ത് 5 പോയിന്റിൽ കൂടുതൽ നേടിയപ്പോൾ വിദ്യാർത്ഥികളെ "പ്രതിഫലക" LS ആയി തരംതിരിച്ചു. ഒടുവിൽ, വിദ്യാർത്ഥി "സന്തുലിതാവസ്ഥ" അവസ്ഥയിലാണ്. സ്കോർ 5 പോയിന്റിൽ കവിയുന്നില്ലെങ്കിൽ, ഇത് ഒരു "പ്രക്രിയ" LS ആണ്. പെർസെപ്ഷൻ (സജീവ/പ്രതിഫലക), ഇൻപുട്ട് (ദൃശ്യ/വാക്കാലുള്ള), മനസ്സിലാക്കൽ (തുടർച്ച/ആഗോള) എന്നീ മറ്റ് LS മാനങ്ങൾക്കായി വർഗ്ഗീകരണ പ്രക്രിയ ആവർത്തിച്ചു.
വർഗ്ഗീകരണ പ്രക്രിയയുടെ വ്യത്യസ്ത ഘട്ടങ്ങളിൽ ഡിസിഷൻ ട്രീ മോഡലുകൾക്ക് വ്യത്യസ്ത സവിശേഷതകളുടെയും തീരുമാന നിയമങ്ങളുടെയും ഉപവിഭാഗങ്ങൾ ഉപയോഗിക്കാൻ കഴിയും. ഇത് ഒരു ജനപ്രിയ വർഗ്ഗീകരണ, പ്രവചന ഉപകരണമായി കണക്കാക്കപ്പെടുന്നു. ഫ്ലോചാർട്ട് [20] പോലുള്ള ഒരു ട്രീ ഘടന ഉപയോഗിച്ച് ഇത് പ്രതിനിധീകരിക്കാം, അതിൽ ആട്രിബ്യൂട്ട് അനുസരിച്ച് ടെസ്റ്റുകളെ പ്രതിനിധീകരിക്കുന്ന ആന്തരിക നോഡുകൾ, ടെസ്റ്റ് ഫലങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഓരോ ബ്രാഞ്ചും, ക്ലാസ് ലേബൽ അടങ്ങിയിരിക്കുന്ന ഓരോ ലീഫ് നോഡും (ലീഫ് നോഡ്) ഉണ്ട്.
ഓരോ വിദ്യാർത്ഥിയുടെയും പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി അവരുടെ LS സ്വയമേവ സ്കോർ ചെയ്യുന്നതിനും വ്യാഖ്യാനിക്കുന്നതിനുമായി ഒരു ലളിതമായ റൂൾ-അധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്ടിച്ചു. റൂൾ-അധിഷ്ഠിതം ഒരു IF സ്റ്റേറ്റ്മെന്റിന്റെ രൂപമെടുക്കുന്നു, അവിടെ “IF” ട്രിഗറിനെ വിവരിക്കുകയും “THEN” നടപ്പിലാക്കേണ്ട പ്രവർത്തനം വ്യക്തമാക്കുകയും ചെയ്യുന്നു, ഉദാഹരണത്തിന്: “X സംഭവിച്ചാൽ, Y ചെയ്യുക” (Liu et al., 2014). ഡാറ്റാ സെറ്റ് പരസ്പരബന്ധം പ്രദർശിപ്പിക്കുകയും തീരുമാന ട്രീ മോഡൽ ശരിയായി പരിശീലിപ്പിക്കുകയും വിലയിരുത്തുകയും ചെയ്താൽ, LS, IS എന്നിവ പൊരുത്തപ്പെടുത്തുന്ന പ്രക്രിയ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനുള്ള ഒരു ഫലപ്രദമായ മാർഗമാണിത്.
വികസനത്തിന്റെ രണ്ടാം ഘട്ടത്തിൽ, ശുപാർശ ഉപകരണത്തിന്റെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനായി ഡാറ്റാസെറ്റ് 255 ആയി വർദ്ധിപ്പിച്ചു. ഡാറ്റാ സെറ്റ് 1:4 അനുപാതത്തിലാണ് വിഭജിച്ചിരിക്കുന്നത്. ഡാറ്റാ സെറ്റിന്റെ 25% (64) ടെസ്റ്റ് സെറ്റിനായി ഉപയോഗിച്ചു, ബാക്കി 75% (191) പരിശീലന സെറ്റായി ഉപയോഗിച്ചു (ചിത്രം 2). മോഡലിനെ ഒരേ ഡാറ്റ സെറ്റിൽ പരിശീലിപ്പിച്ച് പരീക്ഷിക്കുന്നത് തടയാൻ ഡാറ്റാ സെറ്റ് വിഭജിക്കേണ്ടതുണ്ട്, ഇത് മോഡലിനെ പഠിക്കുന്നതിനുപകരം ഓർമ്മിക്കാൻ ഇടയാക്കും. പരിശീലന സെറ്റിൽ മോഡലിനെ പരിശീലിപ്പിക്കുകയും ടെസ്റ്റ് സെറ്റിൽ അതിന്റെ പ്രകടനം വിലയിരുത്തുകയും ചെയ്യുന്നു - മോഡൽ മുമ്പ് കണ്ടിട്ടില്ലാത്ത ഡാറ്റ.
ഐഎസ് ടൂൾ വികസിപ്പിച്ചുകഴിഞ്ഞാൽ, ഒരു വെബ് ഇന്റർഫേസ് വഴി ഡെന്റൽ വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി എൽഎസിനെ തരംതിരിക്കാൻ ആപ്ലിക്കേഷന് കഴിയും. ജാങ്കോ ഫ്രെയിംവർക്കിനെ ബാക്കെൻഡായി ഉപയോഗിച്ച് പൈത്തൺ പ്രോഗ്രാമിംഗ് ഭാഷ ഉപയോഗിച്ചാണ് വെബ് അധിഷ്ഠിത വിവര സുരക്ഷാ ശുപാർശ ഉപകരണ സംവിധാനം നിർമ്മിച്ചിരിക്കുന്നത്. ഈ സിസ്റ്റത്തിന്റെ വികസനത്തിൽ ഉപയോഗിക്കുന്ന ലൈബ്രറികളെ പട്ടിക 2 പട്ടികപ്പെടുത്തുന്നു.
വിദ്യാർത്ഥികളുടെ എൽഎസ് അളവുകൾ സ്വയമേവ തരംതിരിക്കുന്നതിന് വിദ്യാർത്ഥികളുടെ പ്രതികരണങ്ങൾ കണക്കാക്കാനും വേർതിരിച്ചെടുക്കാനും ഡാറ്റാസെറ്റ് ഒരു ഡിസിഷൻ ട്രീ മോഡലിലേക്ക് നൽകുന്നു.
ഒരു നിശ്ചിത ഡാറ്റാ സെറ്റിലെ ഡിസിഷൻ ട്രീ മെഷീൻ ലേണിംഗ് അൽഗോരിതത്തിന്റെ കൃത്യത വിലയിരുത്താൻ കൺഫ്യൂഷൻ മാട്രിക്സ് ഉപയോഗിക്കുന്നു. അതേ സമയം, ഇത് വർഗ്ഗീകരണ മോഡലിന്റെ പ്രകടനത്തെ വിലയിരുത്തുന്നു. ഇത് മോഡലിന്റെ പ്രവചനങ്ങളെ സംഗ്രഹിക്കുകയും അവയെ യഥാർത്ഥ ഡാറ്റ ലേബലുകളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു. മൂല്യനിർണ്ണയ ഫലങ്ങൾ നാല് വ്യത്യസ്ത മൂല്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: ട്രൂ പോസിറ്റീവ് (TP) - മോഡൽ പോസിറ്റീവ് വിഭാഗത്തെ ശരിയായി പ്രവചിച്ചു, ഫാൾസ് പോസിറ്റീവ് (FP) - മോഡൽ പോസിറ്റീവ് വിഭാഗത്തെ പ്രവചിച്ചു, പക്ഷേ യഥാർത്ഥ ലേബൽ നെഗറ്റീവ് ആയിരുന്നു, ട്രൂ നെഗറ്റീവ് (TN) - മോഡൽ നെഗറ്റീവ് ക്ലാസ് ശരിയായി പ്രവചിച്ചു, കൂടാതെ ഫാൾസ് നെഗറ്റീവ് (FN) - മോഡൽ ഒരു നെഗറ്റീവ് ക്ലാസ് പ്രവചിക്കുന്നു, പക്ഷേ യഥാർത്ഥ ലേബൽ പോസിറ്റീവ് ആണ്.
ഈ മൂല്യങ്ങൾ പിന്നീട് പൈത്തണിലെ സ്കൈകിറ്റ്-ലേൺ ക്ലാസിഫിക്കേഷൻ മോഡലിന്റെ വിവിധ പ്രകടന മെട്രിക്കുകൾ കണക്കാക്കാൻ ഉപയോഗിക്കുന്നു, അതായത് കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ, F1 സ്കോർ. ഉദാഹരണങ്ങൾ ഇതാ:
m-ILS ചോദ്യാവലിക്ക് ഉത്തരം നൽകിയതിനുശേഷം ഒരു വിദ്യാർത്ഥിയുടെ LS കൃത്യമായി തരംതിരിക്കാനുള്ള മോഡലിന്റെ കഴിവ് റീകോൾ (അല്ലെങ്കിൽ സെൻസിറ്റിവിറ്റി) അളക്കുന്നു.
സവിശേഷതയെ ഒരു യഥാർത്ഥ നെഗറ്റീവ് നിരക്ക് എന്ന് വിളിക്കുന്നു. മുകളിലുള്ള ഫോർമുലയിൽ നിന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയുന്നതുപോലെ, ഇത് യഥാർത്ഥ നെഗറ്റീവ് (TN) യും യഥാർത്ഥ നെഗറ്റീവ് (False Positives) യും തമ്മിലുള്ള അനുപാതമായിരിക്കണം. വിദ്യാർത്ഥി മരുന്നുകളെ തരംതിരിക്കുന്നതിനുള്ള ശുപാർശ ചെയ്യുന്ന ഉപകരണത്തിന്റെ ഭാഗമായി, ഇത് കൃത്യമായ തിരിച്ചറിയൽ പ്രാപ്തമായിരിക്കണം.
ഡിസിഷൻ ട്രീ എംഎൽ മോഡലിനെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിച്ച 50 വിദ്യാർത്ഥികളുടെ യഥാർത്ഥ ഡാറ്റാസെറ്റ്, അനോട്ടേഷനുകളിലെ മനുഷ്യ പിശക് കാരണം താരതമ്യേന കുറഞ്ഞ കൃത്യത കാണിച്ചു (പട്ടിക 3). എൽഎസ് സ്കോറുകളും വിദ്യാർത്ഥി അനോട്ടേഷനുകളും സ്വയമേവ കണക്കാക്കുന്നതിനുള്ള ഒരു ലളിതമായ റൂൾ-അധിഷ്ഠിത പ്രോഗ്രാം സൃഷ്ടിച്ചതിനുശേഷം, ശുപാർശ ചെയ്യുന്ന സിസ്റ്റത്തെ പരിശീലിപ്പിക്കുന്നതിനും പരിശോധിക്കുന്നതിനും വർദ്ധിച്ചുവരുന്ന ഡാറ്റാസെറ്റുകൾ (255) ഉപയോഗിച്ചു.
മൾട്ടിക്ലാസ് കൺഫ്യൂഷൻ മാട്രിക്സിൽ, ഓരോ LS തരത്തിനും വേണ്ടിയുള്ള ശരിയായ പ്രവചനങ്ങളുടെ എണ്ണത്തെ ഡയഗണൽ ഘടകങ്ങൾ പ്രതിനിധീകരിക്കുന്നു (ചിത്രം 4). ഡിസിഷൻ ട്രീ മോഡൽ ഉപയോഗിച്ച്, ആകെ 64 സാമ്പിളുകൾ ശരിയായി പ്രവചിച്ചു. അങ്ങനെ, ഈ പഠനത്തിൽ, ഡയഗണൽ ഘടകങ്ങൾ പ്രതീക്ഷിച്ച ഫലങ്ങൾ കാണിക്കുന്നു, ഇത് മോഡൽ നന്നായി പ്രവർത്തിക്കുന്നുവെന്നും ഓരോ LS വർഗ്ഗീകരണത്തിനും ക്ലാസ് ലേബൽ കൃത്യമായി പ്രവചിക്കുന്നുവെന്നും സൂചിപ്പിക്കുന്നു. അങ്ങനെ, ശുപാർശ ഉപകരണത്തിന്റെ മൊത്തത്തിലുള്ള കൃത്യത 100% ആണ്.
കൃത്യത, കൃത്യത, തിരിച്ചുവിളിക്കൽ, F1 സ്കോർ എന്നിവയുടെ മൂല്യങ്ങൾ ചിത്രം 5-ൽ കാണിച്ചിരിക്കുന്നു. ഡിസിഷൻ ട്രീ മോഡൽ ഉപയോഗിക്കുന്ന ശുപാർശ സംവിധാനത്തിന്, അതിന്റെ F1 സ്കോർ 1.0 "തികഞ്ഞത്" ആണ്, ഇത് തികഞ്ഞ കൃത്യതയും തിരിച്ചുവിളിക്കലും സൂചിപ്പിക്കുന്നു, ഇത് കാര്യമായ സംവേദനക്ഷമതയും പ്രത്യേകത മൂല്യങ്ങളും പ്രതിഫലിപ്പിക്കുന്നു.
പരിശീലനവും പരിശോധനയും പൂർത്തിയാക്കിയ ശേഷം ഡിസിഷൻ ട്രീ മോഡലിന്റെ ദൃശ്യവൽക്കരണം ചിത്രം 6 കാണിക്കുന്നു. ഒരു വശങ്ങളിലായി താരതമ്യം ചെയ്യുമ്പോൾ, കുറച്ച് സവിശേഷതകളോടെ പരിശീലിപ്പിച്ച ഡിസിഷൻ ട്രീ മോഡൽ ഉയർന്ന കൃത്യതയും എളുപ്പമുള്ള മോഡൽ ദൃശ്യവൽക്കരണവും കാണിച്ചു. ഫീച്ചർ റിഡക്ഷനിലേക്ക് നയിക്കുന്ന ഫീച്ചർ എഞ്ചിനീയറിംഗ് മോഡൽ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിൽ ഒരു പ്രധാന ഘട്ടമാണെന്ന് ഇത് കാണിക്കുന്നു.
ഡിസിഷൻ ട്രീ സൂപ്പർവൈസഡ് ലേണിംഗ് പ്രയോഗിക്കുന്നതിലൂടെ, LS (ഇൻപുട്ട്) നും IS (ടാർഗെറ്റ് ഔട്ട്പുട്ട്) നും ഇടയിലുള്ള മാപ്പിംഗ് സ്വയമേവ സൃഷ്ടിക്കപ്പെടുകയും ഓരോ LS-നുമുള്ള വിശദമായ വിവരങ്ങൾ ഉൾക്കൊള്ളുകയും ചെയ്യുന്നു.
255 വിദ്യാർത്ഥികളിൽ 34.9% പേർ ഒരു (1) എൽഎസ് ഓപ്ഷൻ തിരഞ്ഞെടുത്തതായി ഫലങ്ങൾ കാണിച്ചു. ഭൂരിപക്ഷത്തിനും (54.3%) രണ്ടോ അതിലധികമോ എൽഎസ് മുൻഗണനകളുണ്ടായിരുന്നു. 12.2% വിദ്യാർത്ഥികൾ എൽഎസ് തികച്ചും സന്തുലിതമാണെന്ന് അഭിപ്രായപ്പെട്ടു (പട്ടിക 4). എട്ട് പ്രധാന എൽഎസ്സിനു പുറമേ, മലയ സർവകലാശാലയിലെ ഡെന്റൽ വിദ്യാർത്ഥികൾക്കായി എൽഎസ് വർഗ്ഗീകരണങ്ങളുടെ 34 കോമ്പിനേഷനുകളുണ്ട്. അവയിൽ, പെർസെപ്ഷൻ, വിഷൻ, പെർസെപ്ഷൻ, വിഷൻ എന്നിവയുടെ സംയോജനം എന്നിവയാണ് വിദ്യാർത്ഥികൾ റിപ്പോർട്ട് ചെയ്ത പ്രധാന എൽഎസ് (ചിത്രം 7).
പട്ടിക 4-ൽ നിന്ന് കാണാൻ കഴിയുന്നതുപോലെ, ഭൂരിഭാഗം വിദ്യാർത്ഥികൾക്കും പ്രബലമായ സെൻസറി (13.7%) അല്ലെങ്കിൽ വിഷ്വൽ (8.6%) എൽ.എസ്. ഉണ്ടായിരുന്നു. 12.2% വിദ്യാർത്ഥികൾ ഗർഭധാരണവും കാഴ്ചയും (പെർസെപ്ച്വൽ-വിഷ്വൽ എൽ.എസ്) സംയോജിപ്പിച്ചതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ടു. ഈ കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നത് വിദ്യാർത്ഥികൾ സ്ഥാപിത രീതികളിലൂടെ പഠിക്കാനും ഓർമ്മിക്കാനും ഇഷ്ടപ്പെടുന്നുവെന്നും നിർദ്ദിഷ്ടവും വിശദവുമായ നടപടിക്രമങ്ങൾ പിന്തുടരുന്നുവെന്നും സ്വഭാവത്തിൽ ശ്രദ്ധാലുക്കളാണെന്നും ആണ്. അതേസമയം, അവർ നോക്കി പഠനം ആസ്വദിക്കുന്നു (ഡയഗ്രമുകൾ മുതലായവ ഉപയോഗിച്ച്) കൂടാതെ ഗ്രൂപ്പുകളിലോ സ്വന്തമായി വിവരങ്ങൾ ചർച്ച ചെയ്യാനും പ്രയോഗിക്കാനും പ്രവണത കാണിക്കുന്നു.
ഡാറ്റാ മൈനിംഗിൽ ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകളുടെ ഒരു അവലോകനം ഈ പഠനം നൽകുന്നു, വിദ്യാർത്ഥികളുടെ എൽ‌എസ് തൽക്ഷണമായും കൃത്യമായും പ്രവചിക്കുന്നതിലും അനുയോജ്യമായ ഐ‌എസ് ശുപാർശ ചെയ്യുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഒരു ഡിസിഷൻ ട്രീ മോഡലിന്റെ പ്രയോഗം അവരുടെ ജീവിതവുമായും വിദ്യാഭ്യാസ അനുഭവങ്ങളുമായും ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഘടകങ്ങളെ തിരിച്ചറിഞ്ഞു. ചില മാനദണ്ഡങ്ങൾക്കനുസരിച്ച് ഒരു കൂട്ടം ഡാറ്റയെ ഉപവിഭാഗങ്ങളായി വിഭജിച്ച് ഡാറ്റയെ തരംതിരിക്കുന്നതിന് ഒരു ട്രീ ഘടന ഉപയോഗിക്കുന്ന ഒരു സൂപ്പർവൈസുചെയ്‌ത മെഷീൻ ലേണിംഗ് അൽഗോരിതമാണിത്. ലീഫ് നോഡിൽ ഒരു തീരുമാനം എടുക്കുന്നതുവരെ ഓരോ ഇന്റേണൽ നോഡിന്റെയും ഇൻപുട്ട് സവിശേഷതകളിലൊന്നിന്റെ മൂല്യത്തെ അടിസ്ഥാനമാക്കി ഇൻപുട്ട് ഡാറ്റയെ ഉപവിഭാഗങ്ങളായി ആവർത്തിച്ച് വിഭജിച്ചാണ് ഇത് പ്രവർത്തിക്കുന്നത്.
m-ILS പ്രശ്നത്തിന്റെ ഇൻപുട്ട് സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരത്തെ ഡിസിഷൻ ട്രീയുടെ ആന്തരിക നോഡുകൾ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ ലീഫ് നോഡുകൾ അന്തിമ എൽഎസ് വർഗ്ഗീകരണ പ്രവചനത്തെ പ്രതിനിധീകരിക്കുന്നു. പഠനത്തിലുടനീളം, ഇൻപുട്ട് സവിശേഷതകളും ഔട്ട്പുട്ട് പ്രവചനങ്ങളും തമ്മിലുള്ള ബന്ധം നോക്കി തീരുമാന പ്രക്രിയയെ വിശദീകരിക്കുകയും ദൃശ്യവൽക്കരിക്കുകയും ചെയ്യുന്ന ഡിസിഷൻ ട്രീകളുടെ ശ്രേണി മനസ്സിലാക്കാൻ എളുപ്പമാണ്.
കമ്പ്യൂട്ടർ സയൻസ്, എഞ്ചിനീയറിംഗ് മേഖലകളിൽ, വിദ്യാർത്ഥികളുടെ പ്രവേശന പരീക്ഷയിലെ സ്കോറുകൾ [21], ജനസംഖ്യാ വിവരങ്ങൾ, പഠന സ്വഭാവം [22] എന്നിവയെ അടിസ്ഥാനമാക്കി പ്രകടനം പ്രവചിക്കാൻ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ വ്യാപകമായി ഉപയോഗിക്കുന്നു. അൽഗോരിതം വിദ്യാർത്ഥികളുടെ പ്രകടനം കൃത്യമായി പ്രവചിക്കുകയും അക്കാദമിക് ബുദ്ധിമുട്ടുകൾക്ക് സാധ്യതയുള്ള വിദ്യാർത്ഥികളെ തിരിച്ചറിയാൻ അവരെ സഹായിക്കുകയും ചെയ്തുവെന്ന് ഗവേഷണങ്ങൾ തെളിയിച്ചു.
ദന്ത പരിശീലനത്തിനായുള്ള വെർച്വൽ പേഷ്യന്റ് സിമുലേറ്ററുകളുടെ വികസനത്തിൽ ML അൽഗോരിതങ്ങളുടെ പ്രയോഗം റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട്. യഥാർത്ഥ രോഗികളുടെ ശാരീരിക പ്രതികരണങ്ങൾ കൃത്യമായി പുനർനിർമ്മിക്കാൻ സിമുലേറ്ററിന് കഴിയും, കൂടാതെ സുരക്ഷിതവും നിയന്ത്രിതവുമായ അന്തരീക്ഷത്തിൽ ദന്ത വിദ്യാർത്ഥികളെ പരിശീലിപ്പിക്കാൻ ഇത് ഉപയോഗിക്കാം [23]. മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾക്ക് ദന്ത, മെഡിക്കൽ വിദ്യാഭ്യാസത്തിന്റെയും രോഗി പരിചരണത്തിന്റെയും ഗുണനിലവാരവും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് മറ്റ് നിരവധി പഠനങ്ങൾ കാണിക്കുന്നു. ലക്ഷണങ്ങൾ, രോഗിയുടെ സവിശേഷതകൾ എന്നിവ പോലുള്ള ഡാറ്റാ സെറ്റുകളെ അടിസ്ഥാനമാക്കി ദന്ത രോഗങ്ങളുടെ രോഗനിർണയത്തിൽ സഹായിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ചിട്ടുണ്ട് [24, 25]. രോഗിയുടെ ഫലങ്ങൾ പ്രവചിക്കുക, ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ തിരിച്ചറിയുക, വ്യക്തിഗതമാക്കിയ ചികിത്സാ പദ്ധതികൾ വികസിപ്പിക്കുക [26], പീരിയോണ്ടൽ ചികിത്സ [27], ക്ഷയരോഗ ചികിത്സ [25] തുടങ്ങിയ ജോലികൾ ചെയ്യുന്നതിന് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ ഉപയോഗം മറ്റ് പഠനങ്ങൾ പര്യവേക്ഷണം ചെയ്തിട്ടുണ്ട്.
ദന്തചികിത്സയിൽ മെഷീൻ ലേണിംഗിന്റെ പ്രയോഗത്തെക്കുറിച്ചുള്ള റിപ്പോർട്ടുകൾ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ടെങ്കിലും, ദന്ത വിദ്യാഭ്യാസത്തിൽ അതിന്റെ പ്രയോഗം പരിമിതമായി തുടരുന്നു. അതിനാൽ, ഡെന്റൽ വിദ്യാർത്ഥികളിൽ LS, IS എന്നിവയുമായി ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഘടകങ്ങളെ തിരിച്ചറിയാൻ ഒരു ഡിസിഷൻ ട്രീ മോഡൽ ഉപയോഗിക്കുന്നതിനാണ് ഈ പഠനം ലക്ഷ്യമിടുന്നത്.
ഈ പഠനത്തിന്റെ ഫലങ്ങൾ കാണിക്കുന്നത് വികസിപ്പിച്ച ശുപാർശ ഉപകരണത്തിന് ഉയർന്ന കൃത്യതയും പൂർണ്ണ കൃത്യതയും ഉണ്ടെന്നാണ്, ഇത് അധ്യാപകർക്ക് ഈ ഉപകരണത്തിൽ നിന്ന് പ്രയോജനം നേടാനാകുമെന്ന് സൂചിപ്പിക്കുന്നു. ഡാറ്റാധിഷ്ഠിത വർഗ്ഗീകരണ പ്രക്രിയ ഉപയോഗിച്ച്, ഇത് വ്യക്തിഗതമാക്കിയ ശുപാർശകൾ നൽകാനും അധ്യാപകർക്കും വിദ്യാർത്ഥികൾക്കും വിദ്യാഭ്യാസ അനുഭവങ്ങളും ഫലങ്ങളും മെച്ചപ്പെടുത്താനും കഴിയും. അവയിൽ, ശുപാർശ ഉപകരണങ്ങളിലൂടെ ലഭിക്കുന്ന വിവരങ്ങൾക്ക് അധ്യാപകരുടെ ഇഷ്ടപ്പെട്ട അധ്യാപന രീതികളും വിദ്യാർത്ഥികളുടെ പഠന ആവശ്യങ്ങളും തമ്മിലുള്ള വൈരുദ്ധ്യങ്ങൾ പരിഹരിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, ശുപാർശ ഉപകരണങ്ങളുടെ ഓട്ടോമേറ്റഡ് ഔട്ട്പുട്ട് കാരണം, ഒരു വിദ്യാർത്ഥിയുടെ ഐ.പി. തിരിച്ചറിയാനും അനുബന്ധ ഐ.പി.യുമായി പൊരുത്തപ്പെടുത്താനും ആവശ്യമായ സമയം ഗണ്യമായി കുറയും. ഈ രീതിയിൽ, അനുയോജ്യമായ പരിശീലന പ്രവർത്തനങ്ങളും പരിശീലന സാമഗ്രികളും സംഘടിപ്പിക്കാൻ കഴിയും. ഇത് വിദ്യാർത്ഥികളുടെ പോസിറ്റീവ് പഠന സ്വഭാവവും ശ്രദ്ധ കേന്ദ്രീകരിക്കാനുള്ള കഴിവും വികസിപ്പിക്കാൻ സഹായിക്കുന്നു. ഒരു പഠനം റിപ്പോർട്ട് ചെയ്തത്, വിദ്യാർത്ഥികൾക്ക് അവരുടെ ഇഷ്ടപ്പെട്ട എൽ.എസുമായി പൊരുത്തപ്പെടുന്ന പഠന സാമഗ്രികളും പഠന പ്രവർത്തനങ്ങളും നൽകുന്നത് കൂടുതൽ സാധ്യതകൾ നേടുന്നതിന് ഒന്നിലധികം വഴികളിൽ പഠനം സംയോജിപ്പിക്കാനും പ്രോസസ്സ് ചെയ്യാനും ആസ്വദിക്കാനും സഹായിക്കുമെന്ന് [12]. ക്ലാസ് മുറിയിൽ വിദ്യാർത്ഥികളുടെ പങ്കാളിത്തം മെച്ചപ്പെടുത്തുന്നതിനൊപ്പം, വിദ്യാർത്ഥികളുടെ പഠന പ്രക്രിയ മനസ്സിലാക്കുന്നത് അധ്യാപന രീതികളും വിദ്യാർത്ഥികളുമായുള്ള ആശയവിനിമയവും മെച്ചപ്പെടുത്തുന്നതിൽ നിർണായക പങ്ക് വഹിക്കുന്നുവെന്നും ഗവേഷണം കാണിക്കുന്നു [28, 29].
എന്നിരുന്നാലും, ഏതൊരു ആധുനിക സാങ്കേതികവിദ്യയെയും പോലെ, ഇവിടെയും പ്രശ്നങ്ങളും പരിമിതികളും ഉണ്ട്. ഡാറ്റ സ്വകാര്യത, പക്ഷപാതം, നീതി എന്നിവയുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ, ദന്ത വിദ്യാഭ്യാസത്തിൽ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ വികസിപ്പിക്കുന്നതിനും നടപ്പിലാക്കുന്നതിനും ആവശ്യമായ പ്രൊഫഷണൽ കഴിവുകളും വിഭവങ്ങളും ഇതിൽ ഉൾപ്പെടുന്നു; എന്നിരുന്നാലും, ഈ മേഖലയിലെ വർദ്ധിച്ചുവരുന്ന താൽപ്പര്യവും ഗവേഷണവും മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾക്ക് ദന്ത വിദ്യാഭ്യാസത്തിലും ദന്ത സേവനങ്ങളിലും നല്ല സ്വാധീനം ചെലുത്താൻ കഴിയുമെന്ന് സൂചിപ്പിക്കുന്നു.
ഡെന്റൽ വിദ്യാർത്ഥികളിൽ പകുതി പേർക്കും മയക്കുമരുന്ന് "ഗ്രഹിക്കുന്ന" പ്രവണതയുണ്ടെന്ന് ഈ പഠനത്തിന്റെ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. ഈ തരത്തിലുള്ള പഠിതാക്കൾ വസ്തുതകൾക്കും മൂർത്തമായ ഉദാഹരണങ്ങൾക്കും മുൻഗണന നൽകുന്നു, പ്രായോഗിക ഓറിയന്റേഷൻ, വിശദാംശങ്ങൾക്കുള്ള ക്ഷമ, ആശയങ്ങളും ചിന്തകളും അറിയിക്കാൻ ചിത്രങ്ങൾ, ഗ്രാഫിക്സ്, നിറങ്ങൾ, മാപ്പുകൾ എന്നിവ ഉപയോഗിക്കാൻ പഠിതാക്കൾ ഇഷ്ടപ്പെടുന്ന "ദൃശ്യ" എൽഎസ് മുൻഗണന എന്നിവയുണ്ട്. ഡെന്റൽ, മെഡിക്കൽ വിദ്യാർത്ഥികളിൽ എൽഎസ് വിലയിരുത്തുന്നതിന് ഐഎൽഎസ് ഉപയോഗിക്കുന്ന മറ്റ് പഠനങ്ങളുമായി നിലവിലെ ഫലങ്ങൾ പൊരുത്തപ്പെടുന്നു, അവരിൽ മിക്കവർക്കും പെർസെപ്ച്വൽ, വിഷ്വൽ എൽഎസ് എന്നിവയുടെ സവിശേഷതകളുണ്ട് [12, 30]. വിദ്യാർത്ഥികളെ അവരുടെ എൽഎസിനെക്കുറിച്ച് അറിയിക്കുന്നത് അവരുടെ പഠന ശേഷിയിലെത്താൻ അനുവദിക്കുമെന്ന് ഡാൽമോളിൻ തുടങ്ങിയവർ 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 എൽഎസ് ക്രമീകരിക്കുന്നത് അവരുടെ സ്വന്തം എൽഎസിന് അനുയോജ്യമായ രീതിയിൽ പഠന ശൈലികൾ മാറ്റിയതിനുശേഷം വിദ്യാർത്ഥികളുടെ പഠനാനുഭവത്തിലും പ്രകടനത്തിലും പുരോഗതി കാണിക്കുന്നു എന്നാണ് [13, 33].
വിദ്യാർത്ഥികളുടെ പഠന ശേഷിയെ അടിസ്ഥാനമാക്കിയുള്ള അധ്യാപന തന്ത്രങ്ങൾ നടപ്പിലാക്കുന്നതിനെക്കുറിച്ചുള്ള അധ്യാപകരുടെ അഭിപ്രായങ്ങൾ വ്യത്യസ്തമായിരിക്കാം. പ്രൊഫഷണൽ വികസന അവസരങ്ങൾ, മെന്റർഷിപ്പ്, കമ്മ്യൂണിറ്റി പിന്തുണ എന്നിവയുൾപ്പെടെ ഈ സമീപനത്തിന്റെ പ്രയോജനങ്ങൾ ചിലർ കാണുമ്പോൾ, മറ്റുള്ളവർ സമയത്തെയും സ്ഥാപനപരമായ പിന്തുണയെയും കുറിച്ച് ആശങ്കാകുലരായിരിക്കാം. വിദ്യാർത്ഥി കേന്ദ്രീകൃത മനോഭാവം സൃഷ്ടിക്കുന്നതിന് സന്തുലിതാവസ്ഥയ്ക്കായി പരിശ്രമിക്കുന്നത് പ്രധാനമാണ്. നൂതന രീതികൾ അവതരിപ്പിച്ചും ഫാക്കൽറ്റി വികസനത്തെ പിന്തുണച്ചും പോസിറ്റീവ് മാറ്റം കൊണ്ടുവരുന്നതിൽ സർവകലാശാല അഡ്മിനിസ്ട്രേറ്റർമാർ പോലുള്ള ഉന്നത വിദ്യാഭ്യാസ അധികാരികൾക്ക് ഒരു പ്രധാന പങ്ക് വഹിക്കാൻ കഴിയും [34]. യഥാർത്ഥത്തിൽ ചലനാത്മകവും പ്രതികരണശേഷിയുള്ളതുമായ ഒരു ഉന്നത വിദ്യാഭ്യാസ സംവിധാനം സൃഷ്ടിക്കുന്നതിന്, നയരൂപീകരണക്കാർ നയ മാറ്റങ്ങൾ വരുത്തുക, സാങ്കേതിക സംയോജനത്തിനായി വിഭവങ്ങൾ നീക്കിവയ്ക്കുക, വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനങ്ങളെ പ്രോത്സാഹിപ്പിക്കുന്ന ചട്ടക്കൂടുകൾ സൃഷ്ടിക്കുക തുടങ്ങിയ ധീരമായ നടപടികൾ സ്വീകരിക്കണം. ആവശ്യമുള്ള ഫലങ്ങൾ നേടുന്നതിന് ഈ നടപടികൾ നിർണായകമാണ്. വ്യത്യസ്ത നിർദ്ദേശങ്ങളെക്കുറിച്ചുള്ള സമീപകാല ഗവേഷണങ്ങൾ വ്യക്തമായി കാണിച്ചിരിക്കുന്നത് വ്യത്യസ്ത നിർദ്ദേശങ്ങളുടെ വിജയകരമായ നടപ്പാക്കലിന് അധ്യാപകർക്ക് തുടർച്ചയായ പരിശീലനവും വികസന അവസരങ്ങളും ആവശ്യമാണെന്ന് [35].
വിദ്യാർത്ഥി-സൗഹൃദ പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യുന്നതിന് വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനം സ്വീകരിക്കാൻ ആഗ്രഹിക്കുന്ന ഡെന്റൽ അധ്യാപകർക്ക് ഈ ഉപകരണം വിലപ്പെട്ട പിന്തുണ നൽകുന്നു. എന്നിരുന്നാലും, ഈ പഠനം ഡിസിഷൻ ട്രീ ML മോഡലുകളുടെ ഉപയോഗത്തിലേക്ക് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ഭാവിയിൽ, ശുപാർശ ഉപകരണങ്ങളുടെ കൃത്യത, വിശ്വാസ്യത, കൃത്യത എന്നിവ താരതമ്യം ചെയ്യുന്നതിന് വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ പ്രകടനം താരതമ്യം ചെയ്യുന്നതിന് കൂടുതൽ ഡാറ്റ ശേഖരിക്കണം. കൂടാതെ, ഒരു പ്രത്യേക ജോലിക്ക് ഏറ്റവും അനുയോജ്യമായ മെഷീൻ ലേണിംഗ് രീതി തിരഞ്ഞെടുക്കുമ്പോൾ, മോഡൽ സങ്കീർണ്ണത, വ്യാഖ്യാനം തുടങ്ങിയ മറ്റ് ഘടകങ്ങൾ പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്.
ഈ പഠനത്തിന്റെ ഒരു പരിമിതി, ഡെന്റൽ വിദ്യാർത്ഥികൾക്കിടയിൽ എൽ.എസ്, ഐ.എസ് എന്നിവ മാപ്പിംഗ് ചെയ്യുന്നതിൽ മാത്രമാണ് ശ്രദ്ധ കേന്ദ്രീകരിച്ചത് എന്നതാണ്. അതിനാൽ, വികസിപ്പിച്ച ശുപാർശ സംവിധാനം ഡെന്റൽ വിദ്യാർത്ഥികൾക്ക് അനുയോജ്യമായവ മാത്രമേ ശുപാർശ ചെയ്യൂ. പൊതു ഉന്നത വിദ്യാഭ്യാസ വിദ്യാർത്ഥികളുടെ ഉപയോഗത്തിന് മാറ്റങ്ങൾ ആവശ്യമാണ്.
പുതുതായി വികസിപ്പിച്ചെടുത്ത മെഷീൻ ലേണിംഗ് അധിഷ്ഠിത ശുപാർശ ഉപകരണം, വിദ്യാർത്ഥികളുടെ എൽ‌എസിനെ അനുബന്ധ ഐ‌എസുമായി തൽക്ഷണം തരംതിരിക്കാനും പൊരുത്തപ്പെടുത്താനും പ്രാപ്തമാണ്, ഇത് ഡെന്റൽ അധ്യാപകരെ പ്രസക്തമായ അധ്യാപന, പഠന പ്രവർത്തനങ്ങൾ ആസൂത്രണം ചെയ്യാൻ സഹായിക്കുന്ന ആദ്യത്തെ ഡെന്റൽ വിദ്യാഭ്യാസ പരിപാടിയാക്കി മാറ്റുന്നു. ഡാറ്റാധിഷ്ഠിത ട്രയേജ് പ്രക്രിയ ഉപയോഗിച്ച്, ഇത് വ്യക്തിഗതമാക്കിയ ശുപാർശകൾ നൽകാനും സമയം ലാഭിക്കാനും അധ്യാപന തന്ത്രങ്ങൾ മെച്ചപ്പെടുത്താനും ലക്ഷ്യബോധമുള്ള ഇടപെടലുകളെ പിന്തുണയ്ക്കാനും നിലവിലുള്ള പ്രൊഫഷണൽ വികസനം പ്രോത്സാഹിപ്പിക്കാനും കഴിയും. ഇതിന്റെ പ്രയോഗം ഡെന്റൽ വിദ്യാഭ്യാസത്തിലേക്കുള്ള വിദ്യാർത്ഥി കേന്ദ്രീകൃത സമീപനങ്ങളെ പ്രോത്സാഹിപ്പിക്കും.
ഗിലാക് ജാനി അസോസിയേറ്റഡ് പ്രസ്സ്. വിദ്യാർത്ഥിയുടെ പഠന ശൈലിയും അധ്യാപകന്റെ അധ്യാപന ശൈലിയും തമ്മിലുള്ള പൊരുത്തമോ പൊരുത്തക്കേടോ. ഇന്റ് ജെ മോഡ് എഡ്യൂക്ക് കമ്പ്യൂട്ടർ സയൻസ്. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05