ડેન્ટલ સ્ટુડન્ટ્સના પસંદીદા શીખવાની શૈલીઓ મેપિંગ નિર્ણય ટ્રી મશીન લર્નિંગ મોડેલોનો ઉપયોગ કરીને અનુરૂપ શિક્ષણ વ્યૂહરચનામાં બીએમસી મેડિકલ એજ્યુકેશન |

દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં વિદ્યાર્થી-કેન્દ્રિત શિક્ષણ (એસસીએલ) ની વધતી જરૂરિયાત છે. જો કે, એસસીએલની દંત શિક્ષણમાં મર્યાદિત એપ્લિકેશન છે. તેથી, આ અધ્યયનનો હેતુ ડેન્ટિસ્ટ્રીમાં એસસીએલની અરજીને પ્રોત્સાહન આપવાનો છે કે ડેન્ટલ લર્નિંગ સ્ટાઇલ (એલએસ) અને ડેન્ટલ વિદ્યાર્થીઓની અનુરૂપ લર્નિંગ સ્ટ્રેટેજીસ (આઇએસ) ને નકશા બનાવવા માટે નિર્ણય ટ્રી મશીન લર્નિંગ (એમએલ) તકનીકનો ઉપયોગ કરીને વિકાસ માટે ઉપયોગી સાધન તરીકેનો ઉપયોગ કરીને માર્ગદર્શિકા છે. . ડેન્ટલ વિદ્યાર્થીઓ માટે આશાસ્પદ પદ્ધતિઓ.
મલય યુનિવર્સિટીના કુલ 255 ડેન્ટલ વિદ્યાર્થીઓએ મોડિફાઇડ ઇન્ડેક્સ L ફ લર્નિંગ સ્ટાઇલ (એમ-આઇએલએસ) પ્રશ્નાવલિ પૂર્ણ કરી, જેમાં તેમને સંબંધિત એલએસએસમાં વર્ગીકૃત કરવા માટે 44 વસ્તુઓ શામેલ છે. એકત્રિત ડેટા (જેને ડેટાસેટ કહેવામાં આવે છે) નો ઉપયોગ નિરીક્ષણ નિર્ણય વૃક્ષ શીખવા માટે કરવામાં આવે છે, જે વિદ્યાર્થીઓની શીખવાની શૈલીઓને આપમેળે મેચ કરવા માટે સૌથી યોગ્ય છે. મશીન લર્નિંગ-આધારિતની ચોકસાઈ પછી ભલામણ ટૂલનું મૂલ્યાંકન કરવામાં આવે છે.
એલએસ (ઇનપુટ) અને આઇએસ (લક્ષ્ય આઉટપુટ) વચ્ચે સ્વચાલિત મેપિંગ પ્રક્રિયામાં નિર્ણય ટ્રી મોડેલોની એપ્લિકેશન, દરેક દંત વિદ્યાર્થી માટે યોગ્ય શિક્ષણ વ્યૂહરચનાની તાત્કાલિક સૂચિ માટે પરવાનગી આપે છે. આઇએસ ભલામણ ટૂલમાં સંપૂર્ણ ચોકસાઈ અને એકંદર મોડેલની ચોકસાઈને યાદ કરવામાં આવે છે, જે સૂચવે છે કે એલએસ સાથે મેળ ખાતી સારી સંવેદનશીલતા અને વિશિષ્ટતા છે.
એમ.એલ. નિર્ણય વૃક્ષ પર આધારિત ભલામણ સાધન એ યોગ્ય શિક્ષણ વ્યૂહરચના સાથે ડેન્ટલ વિદ્યાર્થીઓની શીખવાની શૈલીઓ સાથે સચોટ રીતે મેચ કરવાની ક્ષમતા સાબિત કરી છે. આ સાધન શીખનાર-કેન્દ્રિત અભ્યાસક્રમો અથવા મોડ્યુલોના આયોજન માટે શક્તિશાળી વિકલ્પો પ્રદાન કરે છે જે વિદ્યાર્થીઓના શીખવાના અનુભવને વધારી શકે છે.
શિક્ષણ અને શિક્ષણ એ શૈક્ષણિક સંસ્થાઓમાં મૂળભૂત પ્રવૃત્તિઓ છે. જ્યારે ઉચ્ચ ગુણવત્તાવાળી વ્યાવસાયિક શિક્ષણ પ્રણાલીનો વિકાસ થાય છે, ત્યારે વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો પર ધ્યાન કેન્દ્રિત કરવું મહત્વપૂર્ણ છે. વિદ્યાર્થીઓ અને તેમના ભણતર વાતાવરણ વચ્ચેની ક્રિયાપ્રતિક્રિયા તેમના એલએસ દ્વારા નક્કી કરી શકાય છે. સંશોધન સૂચવે છે કે વિદ્યાર્થીઓના એલએસ અને આઇએસ વચ્ચે શિક્ષક-હેતુપૂર્ણ મેળ ખાતા વિદ્યાર્થી શિક્ષણ માટે નકારાત્મક પરિણામો લાવી શકે છે, જેમ કે ધ્યાન અને પ્રેરણા ઓછી થાય છે. આ પરોક્ષ રીતે વિદ્યાર્થીઓની કામગીરીને અસર કરશે [1,2].
વિદ્યાર્થીઓને જ્ knowledge ાન અને કુશળતા પ્રદાન કરવા માટે શિક્ષકો દ્વારા ઉપયોગમાં લેવામાં આવતી એક પદ્ધતિ છે, જેમાં વિદ્યાર્થીઓને શીખવામાં મદદ કરવામાં આવે છે []]. સામાન્ય રીતે કહીએ તો, સારા શિક્ષકો શિક્ષણની વ્યૂહરચનાની યોજના કરે છે અથવા તે છે કે તેઓ તેમના વિદ્યાર્થીઓના જ્ knowledge ાનના સ્તર, તેઓ શીખી રહ્યાં છે અને તેમના ભણતરના તબક્કાને શ્રેષ્ઠ રીતે મેળ ખાય છે. સૈદ્ધાંતિક રીતે, જ્યારે એલએસ અને મેચ હોય, ત્યારે વિદ્યાર્થીઓ અસરકારક રીતે શીખવા માટે કુશળતાના ચોક્કસ સમૂહને ગોઠવી અને ઉપયોગ કરી શકશે. લાક્ષણિક રીતે, પાઠ યોજનામાં તબક્કાઓ વચ્ચેના ઘણા સંક્રમણો શામેલ છે, જેમ કે શિક્ષણથી લઈને માર્ગદર્શિત પ્રથા સુધી અથવા માર્ગદર્શિત પ્રથાથી સ્વતંત્ર અભ્યાસ સુધી. આને ધ્યાનમાં રાખીને, અસરકારક શિક્ષકો ઘણીવાર વિદ્યાર્થીઓના જ્ knowledge ાન અને કુશળતાના નિર્માણના લક્ષ્ય સાથે સૂચનાની યોજના કરે છે []].
દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં એસસીએલની માંગ વધી રહી છે. એસસીએલ વ્યૂહરચનાઓ વિદ્યાર્થીઓની શીખવાની જરૂરિયાતોને પહોંચી વળવા માટે બનાવવામાં આવી છે. આ પ્રાપ્ત કરી શકાય છે, ઉદાહરણ તરીકે, જો વિદ્યાર્થીઓ શીખવાની પ્રવૃત્તિઓમાં સક્રિયપણે ભાગ લે છે અને શિક્ષકો સગવડતા તરીકે કાર્ય કરે છે અને મૂલ્યવાન પ્રતિસાદ આપવા માટે જવાબદાર છે. એવું કહેવામાં આવે છે કે શીખવાની સામગ્રી અને પ્રવૃત્તિઓ કે જે વિદ્યાર્થીઓના શૈક્ષણિક સ્તર અથવા પસંદગીઓ માટે યોગ્ય છે તે વિદ્યાર્થીઓના ભણતરના વાતાવરણમાં સુધારો કરી શકે છે અને સકારાત્મક શિક્ષણના અનુભવોને પ્રોત્સાહન આપી શકે છે []].
સામાન્ય રીતે કહીએ તો, ડેન્ટલ વિદ્યાર્થીઓની શીખવાની પ્રક્રિયા વિવિધ ક્લિનિકલ પ્રક્રિયાઓ દ્વારા પ્રભાવિત થાય છે જે તેઓ કરવા માટે જરૂરી છે અને ક્લિનિકલ વાતાવરણ જેમાં તેઓ અસરકારક આંતરવ્યક્તિત્વ કુશળતા વિકસાવે છે. તાલીમનો હેતુ વિદ્યાર્થીઓને ડેન્ટલ ક્લિનિકલ કુશળતા સાથે દંત ચિકિત્સાના મૂળભૂત જ્ knowledge ાનને જોડવા અને હસ્તગત જ્ knowledge ાનને નવી ક્લિનિકલ પરિસ્થિતિઓમાં લાગુ કરવા માટે સક્ષમ બનાવવાનો છે [,,]]. એલએસ વચ્ચેના સંબંધ વિશે પ્રારંભિક સંશોધન અને જાણવા મળ્યું છે કે પસંદગીના એલએસમાં મેપ કરેલી શિક્ષણ વ્યૂહરચનાને સમાયોજિત કરવાથી શૈક્ષણિક પ્રક્રિયામાં સુધારો કરવામાં મદદ મળશે []]. લેખકો વિદ્યાર્થીઓના શિક્ષણ અને જરૂરિયાતોને અનુરૂપ બનાવવા માટે વિવિધ શિક્ષણ અને આકારણી પદ્ધતિઓનો ઉપયોગ કરવાની પણ ભલામણ કરે છે.
શિક્ષકોને એલએસ જ્ knowledge ાન લાગુ કરવાથી ફાયદો થાય છે જેથી તેઓને સૂચનાની રચના, વિકાસ અને અમલીકરણ કરવામાં મદદ મળે કે જે વિદ્યાર્થીઓના વિષયના er ંડા જ્ knowledge ાન અને સમજના સંપાદનને વધારશે. સંશોધનકારોએ ઘણા એલએસ આકારણી સાધનો વિકસિત કર્યા છે, જેમ કે કોલ્બ એક્સપિરિયન્સલ લર્નિંગ મોડેલ, ફેડર-સિલ્વરમેન લર્નિંગ સ્ટાઇલ મોડેલ (એફએસએલએસએમ), અને ફ્લેમિંગ વક/વર્ક મોડેલ [5, 9, 10]. સાહિત્ય અનુસાર, આ શીખવાની મ models ડેલ્સ સૌથી સામાન્ય રીતે ઉપયોગમાં લેવાય છે અને સૌથી વધુ અભ્યાસ કરેલા લર્નિંગ મોડેલો છે. વર્તમાન સંશોધન કાર્યમાં, એફએસએલએસએમનો ઉપયોગ ડેન્ટલ વિદ્યાર્થીઓમાં એલએસનું મૂલ્યાંકન કરવા માટે થાય છે.
એફએસએલએસએમ એ એન્જિનિયરિંગમાં અનુકૂલનશીલ શિક્ષણનું મૂલ્યાંકન કરવા માટે વ્યાપકપણે ઉપયોગમાં લેવાતું મોડેલ છે. આરોગ્ય વિજ્ in ાનમાં (દવા, નર્સિંગ, ફાર્મસી અને ડેન્ટિસ્ટ્રી સહિત) ઘણા પ્રકાશિત કાર્યો છે જે એફએસએલએસએમ મોડેલો [5, 11, 12, 13] નો ઉપયોગ કરીને મળી શકે છે. એફએલએસએમમાં ​​એલએસના પરિમાણોને માપવા માટે ઉપયોગમાં લેવામાં આવતા ઇન્સ્ટ્રુમેન્ટને લર્નિંગ સ્ટાઇલ (આઇએલ) []] ના અનુક્રમણિકા કહેવામાં આવે છે, જેમાં એલએસના ચાર પરિમાણોનું મૂલ્યાંકન કરતી 44 વસ્તુઓ શામેલ છે: પ્રોસેસિંગ (સક્રિય/પ્રતિબિંબીત), પર્સેપ્શન (પર્સેપ્ચ્યુઅલ/સાહજિક), ઇનપુટ (વિઝ્યુઅલ). /મૌખિક) અને સમજણ (ક્રમિક/વૈશ્વિક) [૧]].
આકૃતિ 1 માં બતાવ્યા પ્રમાણે, દરેક એફએસએલએસએમ પરિમાણમાં પ્રબળ પસંદગી છે. ઉદાહરણ તરીકે, પ્રક્રિયાના પરિમાણમાં, "સક્રિય" એલએસવાળા વિદ્યાર્થીઓ શીખવાની સામગ્રી સાથે સીધી વાતચીત કરીને, કરવાથી શીખો, અને જૂથોમાં શીખવાનું પસંદ કરીને માહિતી પર પ્રક્રિયા કરવાનું પસંદ કરે છે. "પ્રતિબિંબીત" એલએસ વિચારસરણી દ્વારા શીખવાનો સંદર્ભ આપે છે અને એકલા કામ કરવાનું પસંદ કરે છે. એલએસના "સમજતા" પરિમાણોને "લાગણી" અને/અથવા "અંતર્જ્ .ાન" માં વહેંચી શકાય છે. "લાગણી" વિદ્યાર્થીઓ વધુ નક્કર માહિતી અને વ્યવહારિક પ્રક્રિયાઓને પસંદ કરે છે, "સાહજિક" વિદ્યાર્થીઓની તુલનામાં તથ્યલક્ષી હોય છે જે અમૂર્ત સામગ્રીને પસંદ કરે છે અને પ્રકૃતિમાં વધુ નવીન અને સર્જનાત્મક હોય છે. એલએસના "ઇનપુટ" પરિમાણમાં "વિઝ્યુઅલ" અને "મૌખિક" શીખનારાઓનો સમાવેશ થાય છે. "વિઝ્યુઅલ" એલએસવાળા લોકો દ્રશ્ય પ્રદર્શન (જેમ કે આકૃતિઓ, વિડિઓઝ અથવા જીવંત પ્રદર્શન) દ્વારા શીખવાનું પસંદ કરે છે, જ્યારે "મૌખિક" એલએસવાળા લોકો લેખિત અથવા મૌખિક ખુલાસામાં શબ્દો દ્વારા શીખવાનું પસંદ કરે છે. એલએસ પરિમાણોને "સમજવા" માટે, આવા શીખનારાઓને "ક્રમિક" અને "વૈશ્વિક" માં વહેંચી શકાય છે. “ક્રમિક શીખનારાઓ એક રેખીય વિચાર પ્રક્રિયાને પસંદ કરે છે અને પગલું દ્વારા પગલું શીખે છે, જ્યારે વૈશ્વિક શીખનારાઓ સાકલ્યવાદી વિચાર પ્રક્રિયા કરે છે અને તેઓ જે શીખી રહ્યાં છે તેની હંમેશાં સારી સમજ હોય ​​છે.
તાજેતરમાં, ઘણા સંશોધકોએ સ્વચાલિત ડેટા આધારિત શોધ માટેની પદ્ધતિઓનું અન્વેષણ કરવાનું શરૂ કર્યું છે, જેમાં નવા અલ્ગોરિધમ્સ અને મોટા પ્રમાણમાં ડેટાના અર્થઘટન માટે સક્ષમ મોડેલોનો સમાવેશ થાય છે [15, 16]. પ્રદાન કરેલા ડેટાના આધારે, નિરીક્ષણ કરેલ એમએલ (મશીન લર્નિંગ) એલ્ગોરિધમ્સના નિર્માણના આધારે ભાવિ પરિણામોની આગાહી કરનારા દાખલાઓ અને પૂર્વધારણાઓ ઉત્પન્ન કરવામાં સક્ષમ છે [૧]]. સરળ શબ્દોમાં કહીએ તો, નિરીક્ષણ કરેલ મશીન લર્નિંગ તકનીકો ઇનપુટ ડેટા અને ટ્રેન એલ્ગોરિધમ્સની ચાલાકી કરે છે. તે પછી તે શ્રેણી ઉત્પન્ન કરે છે જે પ્રદાન કરે છે અથવા પૂરા પાડવામાં આવેલા ઇનપુટ ડેટા માટે સમાન પરિસ્થિતિઓના આધારે પરિણામની આગાહી કરે છે. નિરીક્ષણ કરેલ મશીન લર્નિંગ એલ્ગોરિધમ્સનો મુખ્ય ફાયદો એ આદર્શ અને ઇચ્છિત પરિણામો સ્થાપિત કરવાની ક્ષમતા છે [૧]].
ડેટા આધારિત પદ્ધતિઓ અને નિર્ણય વૃક્ષ નિયંત્રણ મોડેલોના ઉપયોગ દ્વારા, એલએસની સ્વચાલિત તપાસ શક્ય છે. આરોગ્ય વિજ્ .ાન [18, 19] સહિત વિવિધ ક્ષેત્રોમાં તાલીમ કાર્યક્રમોમાં નિર્ણયના વૃક્ષોનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે. આ અધ્યયનમાં, મોડેલને ખાસ કરીને સિસ્ટમ વિકાસકર્તાઓ દ્વારા વિદ્યાર્થીઓના એલએસને ઓળખવા અને તેમના માટે શ્રેષ્ઠ છે તેની ભલામણ કરવા માટે તાલીમ આપવામાં આવી હતી.
આ અભ્યાસનો હેતુ એ છે કે વિદ્યાર્થીઓના એલએસના આધારે ડિલિવરી વ્યૂહરચનાઓ છે અને એલએસને મેપ કરેલા ભલામણ ટૂલને વિકસિત કરીને એસસીએલ અભિગમ લાગુ કરે છે. એસસીએલ પદ્ધતિની વ્યૂહરચના તરીકે આઇએસ ભલામણ ટૂલનો ડિઝાઇન પ્રવાહ આકૃતિ 1 માં બતાવવામાં આવ્યો છે. આઇએસ ભલામણ ટૂલને બે ભાગોમાં વહેંચવામાં આવે છે, જેમાં આઇએલનો ઉપયોગ કરીને એલએસ વર્ગીકરણ મિકેનિઝમનો સમાવેશ થાય છે અને વિદ્યાર્થીઓ માટે સૌથી યોગ્ય છે.
ખાસ કરીને, માહિતી સુરક્ષા ભલામણ સાધનોની લાક્ષણિકતાઓમાં વેબ તકનીકોનો ઉપયોગ અને નિર્ણય ટ્રી મશીન લર્નિંગનો ઉપયોગ શામેલ છે. સિસ્ટમ વિકાસકર્તાઓ મોબાઇલ ફોન્સ અને ટેબ્લેટ્સ જેવા મોબાઇલ ઉપકરણોને સ્વીકાર કરીને વપરાશકર્તા અનુભવ અને ગતિશીલતાને સુધારે છે.
આ પ્રયોગ બે તબક્કામાં હાથ ધરવામાં આવ્યો હતો અને મલય યુનિવર્સિટી યુનિવર્સિટીમાં ડેન્ટિસ્ટ્રી ફેકલ્ટીના વિદ્યાર્થીઓએ સ્વૈચ્છિક ધોરણે ભાગ લીધો હતો. સહભાગીઓએ અંગ્રેજીમાં ડેન્ટલ વિદ્યાર્થીની m નલાઇન એમ-આઇએલને જવાબ આપ્યો. પ્રારંભિક તબક્કામાં, 50 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ નિર્ણય ટ્રી મશીન લર્નિંગ એલ્ગોરિધમનો તાલીમ આપવા માટે કરવામાં આવ્યો હતો. વિકાસ પ્રક્રિયાના બીજા તબક્કામાં, વિકસિત સાધનની ચોકસાઈ સુધારવા માટે 255 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો હતો.
બધા સહભાગીઓ માઇક્રોસ .ફ્ટ ટીમો દ્વારા શૈક્ષણિક વર્ષના આધારે, દરેક તબક્કાની શરૂઆતમાં brit નલાઇન બ્રીફિંગ મેળવે છે. અભ્યાસનો હેતુ સમજાવવામાં આવ્યો હતો અને જાણકાર સંમતિ પ્રાપ્ત થઈ હતી. બધા સહભાગીઓને એમ-આઇએલને to ક્સેસ કરવા માટે એક લિંક પ્રદાન કરવામાં આવી હતી. દરેક વિદ્યાર્થીને પ્રશ્નાવલી પરની બધી 44 વસ્તુઓનો જવાબ આપવા સૂચના આપવામાં આવી હતી. સેમેસ્ટરની શરૂઆત પહેલાં સેમેસ્ટર બ્રેક દરમિયાન તેમને એક સમયે અને સ્થાન પર એક સમયે સંશોધિત આઇએલ પૂર્ણ કરવા માટે તેમને એક અઠવાડિયા આપવામાં આવ્યા હતા. એમ-આઇએલ મૂળ આઇએલએસ ઇન્સ્ટ્રુમેન્ટ પર આધારિત છે અને ડેન્ટલ વિદ્યાર્થીઓ માટે સંશોધિત છે. મૂળ આઇએલની જેમ, તેમાં 44 સમાનરૂપે વિતરિત વસ્તુઓ (એ, બી) શામેલ છે, જેમાં પ્રત્યેક 11 વસ્તુઓ છે, જેનો ઉપયોગ દરેક એફએસએલએસએમ પરિમાણના પાસાઓનું મૂલ્યાંકન કરવા માટે થાય છે.
ટૂલ ડેવલપમેન્ટના પ્રારંભિક તબક્કા દરમિયાન, સંશોધનકારોએ 50 ડેન્ટલ વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરીને જાતે નકશાની નોંધ લીધી. એફએસએલએમ અનુસાર, સિસ્ટમ જવાબોનો સરવાળો “એ” અને “બી” પ્રદાન કરે છે. દરેક પરિમાણ માટે, જો વિદ્યાર્થી જવાબ તરીકે "એ" પસંદ કરે છે, તો એલએસને સક્રિય/પર્સેપ્ચ્યુઅલ/વિઝ્યુઅલ/ક્રમિક તરીકે વર્ગીકૃત કરવામાં આવે છે, અને જો વિદ્યાર્થી જવાબ તરીકે "બી" પસંદ કરે છે, તો વિદ્યાર્થીને પ્રતિબિંબીત/સાહજિક/ભાષાકીય તરીકે વર્ગીકૃત કરવામાં આવે છે . / વૈશ્વિક શીખનાર.
ડેન્ટલ એજ્યુકેશન સંશોધનકારો અને સિસ્ટમ ડેવલપર્સ વચ્ચેના વર્કફ્લોને કેલિબ્રેટ કર્યા પછી, દરેક વિદ્યાર્થીની એલએસની આગાહી કરવા માટે FLSSM ડોમેનના આધારે પ્રશ્નોની પસંદગી કરવામાં આવી હતી અને એમ.એલ. મોડેલમાં ખવડાવવામાં આવી હતી. "કચરો, કચરો" એ મશીન લર્નિંગના ક્ષેત્રમાં એક લોકપ્રિય કહેવત છે, જેમાં ડેટાની ગુણવત્તા પર ભાર મૂકવામાં આવ્યો છે. ઇનપુટ ડેટાની ગુણવત્તા મશીન લર્નિંગ મોડેલની ચોકસાઇ અને ચોકસાઈ નક્કી કરે છે. ફીચર એન્જિનિયરિંગના તબક્કા દરમિયાન, એક નવું લક્ષણ સેટ બનાવવામાં આવ્યું છે જે એફએલએસએસએમ પર આધારિત જવાબો "એ" અને "બી" નો સરવાળો છે. ડ્રગની સ્થિતિની ઓળખ નંબરો કોષ્ટક 1 માં આપવામાં આવી છે.
જવાબોના આધારે સ્કોરની ગણતરી કરો અને વિદ્યાર્થીની એલએસ નક્કી કરો. દરેક વિદ્યાર્થી માટે, સ્કોર રેન્જ 1 થી 11 સુધીની હોય છે. 1 થી 3 સુધીના સ્કોર્સ સમાન પરિમાણની અંદર શીખવાની પસંદગીઓનું સંતુલન સૂચવે છે, અને 5 થી 7 સુધીના સ્કોર્સ મધ્યમ પસંદગી સૂચવે છે, જે દર્શાવે છે કે વિદ્યાર્થીઓ બીજાને ભણાવતા એક પર્યાવરણને પસંદ કરે છે . સમાન પરિમાણો પરનો બીજો તફાવત એ છે કે 9 થી 11 સુધીના સ્કોર્સ એક છેડા અથવા બીજા માટે મજબૂત પસંદગીને પ્રતિબિંબિત કરે છે []].
દરેક પરિમાણ માટે, દવાઓને "સક્રિય", "પ્રતિબિંબીત" અને "સંતુલિત" માં જૂથબદ્ધ કરવામાં આવી હતી. ઉદાહરણ તરીકે, જ્યારે કોઈ વિદ્યાર્થી નિયુક્ત આઇટમ પર "બી" કરતા વધુ વખત "એ" નો જવાબ આપે છે અને તેનો સ્કોર પ્રોસેસિંગ એલએસ પરિમાણને રજૂ કરતી કોઈ ચોક્કસ વસ્તુ માટે 5 ના થ્રેશોલ્ડ કરતાં વધી જાય છે, ત્યારે તે "સક્રિય" એલએસની છે ડોમેન. . જો કે, વિદ્યાર્થીઓને "પ્રતિબિંબીત" એલએસ તરીકે વર્ગીકૃત કરવામાં આવ્યા હતા જ્યારે તેઓએ ચોક્કસ 11 પ્રશ્નો (કોષ્ટક 1) માં "એ" કરતા વધુ "બી" પસંદ કર્યું હતું અને 5 થી વધુ પોઇન્ટ મેળવ્યા હતા. અંતે, વિદ્યાર્થી "સંતુલન" ની સ્થિતિમાં છે. જો સ્કોર 5 પોઇન્ટથી વધુ ન હોય, તો આ એક "પ્રક્રિયા" એલએસ છે. વર્ગીકરણ પ્રક્રિયા અન્ય એલએસ પરિમાણો માટે પુનરાવર્તિત કરવામાં આવી હતી, એટલે કે દ્રષ્ટિ (સક્રિય/પ્રતિબિંબીત), ઇનપુટ (દ્રશ્ય/મૌખિક) અને સમજણ (ક્રમિક/વૈશ્વિક).
નિર્ણય વૃક્ષના મ models ડેલ્સ વર્ગીકરણ પ્રક્રિયાના વિવિધ તબક્કે સુવિધાઓ અને નિર્ણયના નિયમોના વિવિધ ઉપગણોનો ઉપયોગ કરી શકે છે. તે એક લોકપ્રિય વર્ગીકરણ અને આગાહી સાધન માનવામાં આવે છે. તેને ફ્લોચાર્ટ [૨૦] જેવા ઝાડની રચનાનો ઉપયોગ કરીને રજૂ કરી શકાય છે, જેમાં લક્ષણ દ્વારા પરીક્ષણો રજૂ કરનારા આંતરિક ગાંઠો છે, દરેક શાખા પરીક્ષણ પરિણામોનું પ્રતિનિધિત્વ કરે છે, અને દરેક પાંદડા નોડ (પાંદડા નોડ) જેમાં વર્ગ લેબલ હોય છે.
દરેક વિદ્યાર્થીના જવાબોના આધારે દરેક વિદ્યાર્થીના એલએસને આપમેળે સ્કોર અને ot નોટેટ કરવા માટે એક સરળ નિયમ આધારિત પ્રોગ્રામ બનાવવામાં આવ્યો હતો. નિયમ આધારિત આઇએફ સ્ટેટમેન્ટનું સ્વરૂપ લે છે, જ્યાં "જો" ટ્રિગરનું વર્ણન કરે છે અને "પછી" કરવામાં આવતી ક્રિયાને સ્પષ્ટ કરે છે, ઉદાહરણ તરીકે: "જો એક્સ થાય છે, તો પછી વાય" (લિયુ એટ અલ., 2014). જો ડેટા સેટ સહસંબંધ દર્શાવે છે અને નિર્ણય વૃક્ષનું મોડેલ યોગ્ય રીતે પ્રશિક્ષિત અને મૂલ્યાંકન કરવામાં આવે છે, તો આ અભિગમ એલએસ અને આઇએસ સાથે મેળ ખાતી પ્રક્રિયાને સ્વચાલિત કરવાનો અસરકારક માર્ગ હોઈ શકે છે.
વિકાસના બીજા તબક્કામાં, ભલામણ ટૂલની ચોકસાઈ સુધારવા માટે ડેટાસેટ 255 કરવામાં આવી હતી. ડેટા સેટ 1: 4 રેશિયોમાં વિભાજિત થાય છે. ડેટા સેટના 25% (64) નો ઉપયોગ પરીક્ષણ સેટ માટે કરવામાં આવ્યો હતો, અને બાકીના 75% (191) નો ઉપયોગ તાલીમ સમૂહ (આકૃતિ 2) તરીકે કરવામાં આવ્યો હતો. મોડેલને સમાન ડેટા સેટ પર પ્રશિક્ષિત અને પરીક્ષણ કરતા અટકાવવા માટે ડેટા સેટને વિભાજિત કરવાની જરૂર છે, જે મોડેલને શીખવાને બદલે યાદ કરી શકે છે. મોડેલને તાલીમ સેટ પર તાલીમ આપવામાં આવે છે અને પરીક્ષણ સેટ પર તેના પ્રભાવનું મૂલ્યાંકન કરે છે - ડેટા જે મોડેલ પહેલાં ક્યારેય ન જોઈ હોય.
એકવાર આઇએસ ટૂલ વિકસિત થઈ જાય, પછી એપ્લિકેશન વેબ ઇન્ટરફેસ દ્વારા ડેન્ટલ વિદ્યાર્થીઓના જવાબોના આધારે એલએસનું વર્ગીકરણ કરી શકશે. વેબ-આધારિત માહિતી સુરક્ષા ભલામણ ટૂલ સિસ્ટમ પાયથોન પ્રોગ્રામિંગ ભાષાનો ઉપયોગ કરીને બેકએન્ડ તરીકે જાંગો ફ્રેમવર્કનો ઉપયોગ કરીને બનાવવામાં આવી છે. કોષ્ટક 2 આ સિસ્ટમના વિકાસમાં ઉપયોગમાં લેવામાં આવતી લાઇબ્રેરીઓની સૂચિ આપે છે.
વિદ્યાર્થી એલએસ માપને આપમેળે વર્ગીકૃત કરવા માટે વિદ્યાર્થીઓના જવાબોની ગણતરી અને કા ract વા માટે ડેટાસેટને નિર્ણય વૃક્ષના મોડેલને આપવામાં આવે છે.
મૂંઝવણ મેટ્રિક્સનો ઉપયોગ આપેલ ડેટા સેટ પર નિર્ણય ટ્રી મશીન લર્નિંગ એલ્ગોરિધમની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થાય છે. તે જ સમયે, તે વર્ગીકરણ મોડેલના પ્રભાવનું મૂલ્યાંકન કરે છે. તે મોડેલની આગાહીઓનો સારાંશ આપે છે અને તેમની તુલના વાસ્તવિક ડેટા લેબલ્સ સાથે કરે છે. મૂલ્યાંકન પરિણામો ચાર જુદા જુદા મૂલ્યો પર આધારિત છે: ટ્રુ પોઝિટિવ (ટી.પી.) - મ model ડેલે સકારાત્મક કેટેગરી, ખોટા પોઝિટિવ (એફપી) ની યોગ્ય આગાહી કરી હતી - મ model ડેલે સકારાત્મક કેટેગરીની આગાહી કરી હતી, પરંતુ સાચું લેબલ નકારાત્મક હતું, સાચું નકારાત્મક હતું (ટી.એન.) - મ model ડેલે નકારાત્મક વર્ગ અને ખોટા નકારાત્મક (એફએન) ની યોગ્ય આગાહી કરી - મોડેલ નકારાત્મક વર્ગની આગાહી કરે છે, પરંતુ સાચું લેબલ સકારાત્મક છે.
આ મૂલ્યો પછી પાયથોનમાં સાયકિટ-લર્ન વર્ગીકરણ મોડેલના વિવિધ પ્રદર્શન મેટ્રિક્સની ગણતરી કરવા માટે વપરાય છે, એટલે કે ચોકસાઇ, ચોકસાઇ, રિકોલ અને એફ 1 સ્કોર. અહીં ઉદાહરણો છે:
એમ-આઇએલએસ પ્રશ્નાવલીનો જવાબ આપ્યા પછી વિદ્યાર્થીના એલએસને સચોટ રીતે વર્ગીકૃત કરવાની મોડેલની ક્ષમતાને રિકોલ (અથવા સંવેદનશીલતા) માપે છે.
વિશિષ્ટતાને સાચા નકારાત્મક દર કહેવામાં આવે છે. જેમ તમે ઉપરોક્ત સૂત્રમાંથી જોઈ શકો છો, આ સાચા નકારાત્મક (ટી.એન.) નો સાચા નકારાત્મક અને ખોટા ધન (એફપી) નો ગુણોત્તર હોવો જોઈએ. વિદ્યાર્થીઓની દવાઓને વર્ગીકૃત કરવા માટે ભલામણ કરેલ સાધનના ભાગ રૂપે, તે સચોટ ઓળખ માટે સક્ષમ હોવું જોઈએ.
નિર્ણય ટ્રી એમએલ મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા 50 વિદ્યાર્થીઓના મૂળ ડેટાસેટમાં ot નોટેશન્સમાં માનવ ભૂલને કારણે પ્રમાણમાં ઓછી ચોકસાઈ દર્શાવવામાં આવી છે (કોષ્ટક 3). એલએસ સ્કોર્સ અને વિદ્યાર્થી ot નોટેશંસની આપમેળે ગણતરી કરવા માટે એક સરળ નિયમ આધારિત પ્રોગ્રામ બનાવ્યા પછી, ડેટાસેટ્સની વધતી સંખ્યા (255) નો ઉપયોગ ભલામણ કરનાર સિસ્ટમને તાલીમ આપવા અને ચકાસવા માટે કરવામાં આવ્યો હતો.
મલ્ટિક્લાસ મૂંઝવણ મેટ્રિક્સમાં, કર્ણ તત્વો દરેક એલએસ પ્રકાર (આકૃતિ 4) માટે યોગ્ય આગાહીઓની સંખ્યા રજૂ કરે છે. નિર્ણય વૃક્ષના મ model ડેલનો ઉપયોગ કરીને, કુલ 64 નમૂનાઓની આગાહી કરવામાં આવી હતી. આમ, આ અધ્યયનમાં, કર્ણ તત્વો અપેક્ષિત પરિણામો દર્શાવે છે, જે દર્શાવે છે કે મોડેલ દરેક એલએસ વર્ગીકરણ માટે વર્ગ લેબલની સારી આગાહી કરે છે. આમ, ભલામણ સાધનની એકંદર ચોકસાઈ 100%છે.
ચોકસાઈ, ચોકસાઇ, રિકોલ અને એફ 1 સ્કોરના મૂલ્યો આકૃતિ 5 માં બતાવવામાં આવ્યા છે. નિર્ણય વૃક્ષના મોડેલનો ઉપયોગ કરીને ભલામણ સિસ્ટમ માટે, તેનો એફ 1 સ્કોર 1.0 "પરફેક્ટ" છે, જે સંપૂર્ણ ચોકસાઇ અને રિકોલ સૂચવે છે, નોંધપાત્ર સંવેદનશીલતા અને વિશિષ્ટતાને પ્રતિબિંબિત કરે છે મૂલ્યો.
આકૃતિ 6 તાલીમ અને પરીક્ષણ પૂર્ણ થયા પછી નિર્ણય વૃક્ષના મોડેલનું વિઝ્યુલાઇઝેશન બતાવે છે. બાજુ-બાજુની તુલનામાં, ઓછા સુવિધાઓ સાથે પ્રશિક્ષિત નિર્ણય વૃક્ષના મ model ડેલમાં ઉચ્ચ ચોકસાઈ અને સરળ મોડેલ વિઝ્યુલાઇઝેશન દર્શાવવામાં આવ્યું છે. આ બતાવે છે કે સુવિધામાં ઘટાડો તરફ દોરી રહેલા લક્ષણ એન્જિનિયરિંગ એ મોડેલના પ્રભાવને સુધારવા માટે એક મહત્વપૂર્ણ પગલું છે.
નિર્ણય વૃક્ષ નિરીક્ષણ શિક્ષણને લાગુ કરીને, એલએસ (ઇનપુટ) અને આઇએસ (લક્ષ્ય આઉટપુટ) વચ્ચેનું મેપિંગ આપમેળે પેદા થાય છે અને તેમાં દરેક એલએસ માટે વિગતવાર માહિતી શામેલ છે.
પરિણામો દર્શાવે છે કે 255 વિદ્યાર્થીઓમાંથી 34.9% એ એક (1) એલએસ વિકલ્પ પસંદ કર્યો છે. બહુમતી (54.3%) પાસે બે અથવા વધુ એલએસ પસંદગીઓ હતી. 12.2% વિદ્યાર્થીઓએ નોંધ્યું કે એલએસ તદ્દન સંતુલિત છે (કોષ્ટક 4). આઠ મુખ્ય એલએસ ઉપરાંત, યુનિવર્સિટી ઓફ મલયા ડેન્ટલ વિદ્યાર્થીઓ માટે એલએસ વર્ગીકરણના 34 સંયોજનો છે. તેમાંથી, દ્રષ્ટિ, દ્રષ્ટિ અને દ્રષ્ટિ અને દ્રષ્ટિનું સંયોજન એ વિદ્યાર્થીઓ દ્વારા અહેવાલ થયેલ મુખ્ય એલએસ છે (આકૃતિ 7).
કોષ્ટક 4 માંથી જોઈ શકાય છે, મોટાભાગના વિદ્યાર્થીઓમાં મુખ્ય સંવેદનાત્મક (13.7%) અથવા વિઝ્યુઅલ (8.6%) એલએસ હતા. એવું નોંધવામાં આવ્યું છે કે 12.2% વિદ્યાર્થીઓએ દ્રષ્ટિ (પર્સેપ્ચ્યુઅલ-વિઝ્યુઅલ એલએસ) સાથે સમજણ આપી છે. આ તારણો સૂચવે છે કે વિદ્યાર્થીઓ સ્થાપિત પદ્ધતિઓ દ્વારા શીખવા અને યાદ રાખવાનું પસંદ કરે છે, વિશિષ્ટ અને વિગતવાર પ્રક્રિયાઓનું પાલન કરે છે અને પ્રકૃતિમાં સચેત છે. તે જ સમયે, તેઓ જોઈને (આકૃતિઓ, વગેરેનો ઉપયોગ કરીને) શીખવાની મજા લે છે અને જૂથોમાં અથવા તેમના પોતાના પર માહિતીની ચર્ચા અને ઉપયોગ કરે છે.
આ અભ્યાસ ડેટા માઇનીંગમાં ઉપયોગમાં લેવામાં આવતી મશીન લર્નિંગ તકનીકોની ઝાંખી પ્રદાન કરે છે, વિદ્યાર્થીઓના એલએસની તુરંત અને સચોટ આગાહી પર ધ્યાન કેન્દ્રિત કરીને અને યોગ્ય આઇએસની ભલામણ સાથે. નિર્ણય વૃક્ષના મ model ડેલની અરજીમાં તેમના જીવન અને શૈક્ષણિક અનુભવોથી ખૂબ નજીકથી સંબંધિત પરિબળોની ઓળખ કરવામાં આવી છે. તે એક નિરીક્ષણ કરેલ મશીન લર્નિંગ અલ્ગોરિધમનો છે જે ચોક્કસ માપદંડના આધારે ડેટાના સમૂહને પેટા કેટેગરીમાં વહેંચીને ડેટાને વર્ગીકૃત કરવા માટે ઝાડની રચનાનો ઉપયોગ કરે છે. તે પાન નોડ પર નિર્ણય લેવામાં ન આવે ત્યાં સુધી દરેક આંતરિક નોડની ઇનપુટ સુવિધાઓના મૂલ્યના આધારે ઇનપુટ ડેટાને સબસેટ્સમાં પુનરાવર્તિત રીતે વિભાજીત કરીને કાર્ય કરે છે.
નિર્ણય વૃક્ષના આંતરિક ગાંઠો એમ-આઇએલએસ સમસ્યાના ઇનપુટ લાક્ષણિકતાઓના આધારે સોલ્યુશનનું પ્રતિનિધિત્વ કરે છે, અને પર્ણ ગાંઠો અંતિમ એલએસ વર્ગીકરણની આગાહીનું પ્રતિનિધિત્વ કરે છે. સમગ્ર અભ્યાસ દરમ્યાન, ઇનપુટ સુવિધાઓ અને આઉટપુટ આગાહીઓ વચ્ચેના સંબંધને જોઈને નિર્ણય પ્રક્રિયાને સમજાવતા અને કલ્પના કરનારા નિર્ણયના વૃક્ષોના વંશવેલોને સમજવું સરળ છે.
કમ્પ્યુટર વિજ્ and ાન અને એન્જિનિયરિંગના ક્ષેત્રોમાં, મશીન લર્નિંગ એલ્ગોરિધમ્સનો ઉપયોગ તેમના પ્રવેશ પરીક્ષાના સ્કોર્સ [21], વસ્તી વિષયક માહિતી અને શીખવાની વર્તણૂક [22] ના આધારે વિદ્યાર્થીઓની કામગીરીની આગાહી કરવા માટે વ્યાપકપણે થાય છે. સંશોધન દર્શાવે છે કે અલ્ગોરિધમનો વિદ્યાર્થીઓની કામગીરીની સચોટ આગાહી કરે છે અને તેમને શૈક્ષણિક મુશ્કેલીઓ માટે જોખમમાં વિદ્યાર્થીઓને ઓળખવામાં મદદ કરે છે.
ડેન્ટલ તાલીમ માટે વર્ચુઅલ દર્દી સિમ્યુલેટરના વિકાસમાં એમએલ એલ્ગોરિધમ્સની અરજી અહેવાલ છે. સિમ્યુલેટર વાસ્તવિક દર્દીઓના શારીરિક પ્રતિભાવોને સચોટ રીતે પુન rod ઉત્પાદન કરવામાં સક્ષમ છે અને ડેન્ટલ વિદ્યાર્થીઓને સલામત અને નિયંત્રિત વાતાવરણમાં તાલીમ આપવા માટે વાપરી શકાય છે [૨]]. કેટલાક અન્ય અભ્યાસો દર્શાવે છે કે મશીન લર્નિંગ એલ્ગોરિધમ્સ ડેન્ટલ અને તબીબી શિક્ષણ અને દર્દીની સંભાળની ગુણવત્તા અને કાર્યક્ષમતામાં સંભવિત સુધારો કરી શકે છે. મશીન લર્નિંગ એલ્ગોરિધમ્સનો ઉપયોગ લક્ષણો અને દર્દીની લાક્ષણિકતાઓ [24, 25] જેવા ડેટા સેટના આધારે ડેન્ટલ રોગોના નિદાનમાં સહાય કરવા માટે કરવામાં આવે છે. જ્યારે અન્ય અધ્યયનોએ દર્દીના પરિણામોની આગાહી, ઉચ્ચ જોખમવાળા દર્દીઓની ઓળખ, વ્યક્તિગત સારવારની યોજનાઓ [૨ 26], પિરિઓડોન્ટલ ટ્રીટમેન્ટ [૨ 27] અને કેરીઝ ટ્રીટમેન્ટ [25] જેવા કાર્યો કરવા માટે મશીન લર્નિંગ એલ્ગોરિધમ્સના ઉપયોગની શોધ કરી છે.
તેમ છતાં, દંત ચિકિત્સામાં મશીન લર્નિંગની અરજી અંગેના અહેવાલો પ્રકાશિત કરવામાં આવ્યા છે, તેમ છતાં ડેન્ટલ એજ્યુકેશનમાં તેની અરજી મર્યાદિત છે. તેથી, આ અભ્યાસનો હેતુ એલએસ સાથે નજીકથી સંકળાયેલા પરિબળોને ઓળખવા માટે નિર્ણય વૃક્ષના મોડેલનો ઉપયોગ કરવાનો છે અને ડેન્ટલ વિદ્યાર્થીઓમાં છે.
આ અભ્યાસના પરિણામો દર્શાવે છે કે વિકસિત ભલામણ ટૂલમાં ઉચ્ચ ચોકસાઈ અને સંપૂર્ણ ચોકસાઈ છે, જે દર્શાવે છે કે શિક્ષકો આ સાધનથી લાભ મેળવી શકે છે. ડેટા આધારિત વર્ગીકરણ પ્રક્રિયાનો ઉપયોગ કરીને, તે વ્યક્તિગત ભલામણો પ્રદાન કરી શકે છે અને શિક્ષકો અને વિદ્યાર્થીઓ માટે શૈક્ષણિક અનુભવો અને પરિણામો સુધારી શકે છે. તેમાંથી, ભલામણ સાધનો દ્વારા પ્રાપ્ત માહિતી શિક્ષકોની પસંદગીની શિક્ષણ પદ્ધતિઓ અને વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો વચ્ચેના તકરારને હલ કરી શકે છે. ઉદાહરણ તરીકે, ભલામણ ટૂલ્સના સ્વચાલિત આઉટપુટને કારણે, વિદ્યાર્થીની આઇપીને ઓળખવા અને તેને અનુરૂપ આઇપી સાથે મેચ કરવા માટે જરૂરી સમય નોંધપાત્ર રીતે ઘટાડવામાં આવશે. આ રીતે, યોગ્ય તાલીમ પ્રવૃત્તિઓ અને તાલીમ સામગ્રીનું આયોજન કરી શકાય છે. આ વિદ્યાર્થીઓની સકારાત્મક શિક્ષણ વર્તન અને ધ્યાન કેન્દ્રિત કરવાની ક્ષમતા વિકસાવવામાં મદદ કરે છે. એક અધ્યયનમાં જણાવાયું છે કે વિદ્યાર્થીઓને શીખવાની સામગ્રી અને શીખવાની પ્રવૃત્તિઓ પ્રદાન કરવી કે જે તેમના પસંદીદા એલએસ સાથે મેળ ખાય છે તે વિદ્યાર્થીઓને વધુ સંભવિતતા પ્રાપ્ત કરવા માટે ઘણી રીતે શીખવાની, પ્રક્રિયા કરવામાં અને શીખવાની મજા માણવામાં મદદ કરી શકે છે [१२]. સંશોધન એ પણ બતાવે છે કે વર્ગખંડમાં વિદ્યાર્થીઓની ભાગીદારીમાં સુધારો કરવા ઉપરાંત, વિદ્યાર્થીઓની શીખવાની પ્રક્રિયાને સમજવું પણ વિદ્યાર્થીઓ સાથે શિક્ષણ પદ્ધતિઓ અને સંદેશાવ્યવહારમાં સુધારો કરવામાં નિર્ણાયક ભૂમિકા ભજવે છે [२ 28, ૨]].
જો કે, કોઈપણ આધુનિક તકનીકીની જેમ, સમસ્યાઓ અને મર્યાદાઓ છે. આમાં ડેટા ગોપનીયતા, પૂર્વગ્રહ અને ન્યાયીપણાથી સંબંધિત મુદ્દાઓ અને દંત શિક્ષણમાં મશીન લર્નિંગ એલ્ગોરિધમ્સના વિકાસ અને અમલ માટે જરૂરી વ્યાવસાયિક કુશળતા અને સંસાધનો શામેલ છે; જો કે, આ ક્ષેત્રમાં વધતી જતી રુચિ અને સંશોધન સૂચવે છે કે મશીન લર્નિંગ તકનીકોની દંત શિક્ષણ અને દંત સેવાઓ પર સકારાત્મક અસર પડી શકે છે.
આ અભ્યાસના પરિણામો સૂચવે છે કે દંત વિદ્યાર્થીઓમાંથી અડધા વિદ્યાર્થીઓ દવાઓ "સમજવા" નું વલણ ધરાવે છે. આ પ્રકારના શીખનાર પાસે તથ્યો અને નક્કર ઉદાહરણો, વ્યવહારિક અભિગમ, વિગતવાર માટે ધૈર્ય અને "વિઝ્યુઅલ" એલએસ પસંદગીની પસંદગી છે, જ્યાં શીખનારાઓ વિચારો અને વિચારો વ્યક્ત કરવા માટે ચિત્રો, ગ્રાફિક્સ, રંગો અને નકશાનો ઉપયોગ કરવાનું પસંદ કરે છે. વર્તમાન પરિણામો ડેન્ટલ અને તબીબી વિદ્યાર્થીઓમાં એલએસનું મૂલ્યાંકન કરવા માટે આઇએલનો ઉપયોગ કરીને અન્ય અભ્યાસ સાથે સુસંગત છે, જેમાંથી મોટાભાગના પર્સેપ્ચ્યુઅલ અને વિઝ્યુઅલ એલએસ [12, 30] ની લાક્ષણિકતાઓ છે. ડાલ્મોલિન એટ અલ સૂચવે છે કે વિદ્યાર્થીઓને તેમના એલએસ વિશે માહિતી આપવાથી તેઓ તેમની શીખવાની સંભાવના સુધી પહોંચવાની મંજૂરી આપે છે. સંશોધનકારો દલીલ કરે છે કે જ્યારે શિક્ષકો વિદ્યાર્થીઓની શૈક્ષણિક પ્રક્રિયાને સંપૂર્ણ રીતે સમજે છે, ત્યારે વિવિધ શિક્ષણ પદ્ધતિઓ અને પ્રવૃત્તિઓ લાગુ કરી શકાય છે જે વિદ્યાર્થીઓના પ્રભાવ અને શીખવાના અનુભવને સુધારશે [12, 31, 32]. અન્ય અધ્યયનોએ બતાવ્યું છે કે વિદ્યાર્થીઓના એલએસને સમાયોજિત કરવાથી વિદ્યાર્થીઓના શીખવાના અનુભવ અને પ્રભાવમાં સુધારો બતાવવામાં આવ્યો છે કે તેઓ તેમના પોતાના એલએસ [૧ ,,] 33] ને અનુરૂપ તેમની શીખવાની શૈલીઓ બદલ્યા પછી.
વિદ્યાર્થીઓની શીખવાની ક્ષમતાઓના આધારે શિક્ષણ વ્યૂહરચનાના અમલીકરણને લગતા શિક્ષકોના મંતવ્યો બદલાઇ શકે છે. જ્યારે કેટલાક વ્યવસાયિક વિકાસની તકો, માર્ગદર્શક અને સમુદાયના સમર્થન સહિત આ અભિગમના ફાયદાઓ જુએ છે, તો અન્ય લોકો સમય અને સંસ્થાકીય સમર્થન વિશે ચિંતિત હોઈ શકે છે. સંતુલન માટે પ્રયત્નો એ વિદ્યાર્થી-કેન્દ્રિત વલણ બનાવવા માટે ચાવી છે. યુનિવર્સિટીના સંચાલકો જેવા ઉચ્ચ શિક્ષણ અધિકારીઓ નવીન પ્રથાઓ રજૂ કરીને અને ફેકલ્ટી ડેવલપમેન્ટને ટેકો આપીને સકારાત્મક પરિવર્તન લાવવામાં મહત્વપૂર્ણ ભૂમિકા ભજવી શકે છે [] 34]. ખરેખર ગતિશીલ અને પ્રતિભાવશીલ ઉચ્ચ શિક્ષણ પ્રણાલી બનાવવા માટે, નીતિનિર્માતાઓએ નીતિ ફેરફારો કરવા, તકનીકી એકીકરણમાં સંસાધનોને સમર્પિત કરવા અને વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપતા ફ્રેમવર્ક બનાવવી જેવા બોલ્ડ પગલાં ભરવા જોઈએ. આ પગલાં ઇચ્છિત પરિણામો પ્રાપ્ત કરવા માટે મહત્વપૂર્ણ છે. વિશિષ્ટ સૂચના પર તાજેતરના સંશોધનએ સ્પષ્ટપણે બતાવ્યું છે કે વિશિષ્ટ સૂચનાના સફળ અમલીકરણ માટે શિક્ષકો માટે ચાલુ તાલીમ અને વિકાસની તકોની જરૂર છે [] 35].
આ સાધન ડેન્ટલ શિક્ષકોને મૂલ્યવાન ટેકો પૂરો પાડે છે જે વિદ્યાર્થી-મૈત્રીપૂર્ણ શીખવાની પ્રવૃત્તિઓની યોજના બનાવવા માટે વિદ્યાર્થી-કેન્દ્રિત અભિગમ અપનાવવા માંગે છે. જો કે, આ અભ્યાસ નિર્ણય ટ્રી એમએલ મોડેલોના ઉપયોગ સુધી મર્યાદિત છે. ભવિષ્યમાં, ભલામણ સાધનોની ચોકસાઈ, વિશ્વસનીયતા અને ચોકસાઇની તુલના કરવા માટે વિવિધ મશીન લર્નિંગ મોડેલોના પ્રભાવની તુલના કરવા માટે વધુ ડેટા એકત્રિત કરવો જોઈએ. આ ઉપરાંત, કોઈ ચોક્કસ કાર્ય માટે સૌથી યોગ્ય મશીન લર્નિંગ પદ્ધતિ પસંદ કરતી વખતે, મોડેલની જટિલતા અને અર્થઘટન જેવા અન્ય પરિબળોને ધ્યાનમાં લેવું મહત્વપૂર્ણ છે.
આ અધ્યયનની મર્યાદા એ છે કે તે ફક્ત એલએસને મેપ કરવા પર કેન્દ્રિત છે અને દંત વિદ્યાર્થીઓમાં શામેલ છે. તેથી, વિકસિત ભલામણ સિસ્ટમ ફક્ત તે જ ભલામણ કરશે જે ડેન્ટલ વિદ્યાર્થીઓ માટે યોગ્ય છે. સામાન્ય ઉચ્ચ શિક્ષણના વિદ્યાર્થીઓના ઉપયોગ માટે ફેરફારો જરૂરી છે.
નવા વિકસિત મશીન લર્નિંગ-આધારિત ભલામણ ટૂલ તરત જ વિદ્યાર્થીઓના એલએસને વર્ગીકરણ અને મેચ કરવા માટે સક્ષમ છે, તે ડેન્ટલ એજ્યુકેટર્સને સંબંધિત શિક્ષણ અને શીખવાની પ્રવૃત્તિઓની યોજના બનાવવામાં મદદ કરવા માટે પ્રથમ ડેન્ટલ એજ્યુકેશન પ્રોગ્રામ બનાવે છે. ડેટા આધારિત ટ્રાયજ પ્રક્રિયાનો ઉપયોગ કરીને, તે વ્યક્તિગત ભલામણો પ્રદાન કરી શકે છે, સમય બચાવી શકે છે, શિક્ષણની વ્યૂહરચનામાં સુધારો કરી શકે છે, લક્ષ્યાંકિત હસ્તક્ષેપોને ટેકો આપી શકે છે અને ચાલુ વ્યાવસાયિક વિકાસને પ્રોત્સાહન આપી શકે છે. તેની અરજી દંત શિક્ષણ માટેના વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપશે.
ગિલક જાની એસોસિએટેડ પ્રેસ. વિદ્યાર્થીની શીખવાની શૈલી અને શિક્ષકની શિક્ષણ શૈલી વચ્ચે મેચ અથવા મેળ ન ખાતા. ઇન્ટ જે મોડ એજ્યુકેશન કમ્પ્યુટર સાયન્સ. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05