દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં વિદ્યાર્થી-કેન્દ્રિત શિક્ષણ (એસસીએલ) ની વધતી જતી જરૂરિયાત છે.જો કે, ડેન્ટલ એજ્યુકેશનમાં SCL પાસે મર્યાદિત એપ્લિકેશન છે.તેથી, આ અભ્યાસનો હેતુ IS માર્ગદર્શિકા વિકસાવવા માટે ઉપયોગી સાધન તરીકે ડેન્ટલ વિદ્યાર્થીઓની પસંદગીની શીખવાની શૈલી (LS) અને અનુરૂપ શિક્ષણ વ્યૂહરચના (IS) ને મેપ કરવા માટે નિર્ણય ટ્રી મશીન લર્નિંગ (ML) તકનીકનો ઉપયોગ કરીને દંત ચિકિત્સામાં SCL ની એપ્લિકેશનને પ્રોત્સાહન આપવાનો છે. .ડેન્ટલ વિદ્યાર્થીઓ માટે આશાસ્પદ પદ્ધતિઓ.
મલાયા યુનિવર્સિટીના કુલ 255 ડેન્ટલ વિદ્યાર્થીઓએ સંશોધિત ઈન્ડેક્સ ઓફ લર્નિંગ સ્ટાઈલ (m-ILS) પ્રશ્નાવલી પૂર્ણ કરી, જેમાં તેમને તેમના સંબંધિત LSs માં વર્ગીકૃત કરવા માટે 44 વસ્તુઓ શામેલ છે.એકત્રિત ડેટા (ડેટાસેટ કહેવાય છે) નો ઉપયોગ વિદ્યાર્થીઓની શીખવાની શૈલીને સૌથી યોગ્ય IS સાથે આપમેળે મેચ કરવા માટે નિરીક્ષિત નિર્ણય વૃક્ષ શિક્ષણમાં કરવામાં આવે છે.પછી મશીન લર્નિંગ-આધારિત IS ભલામણ સાધનની ચોકસાઈનું મૂલ્યાંકન કરવામાં આવે છે.
LS (ઇનપુટ) અને IS (લક્ષ્ય આઉટપુટ) વચ્ચે સ્વયંસંચાલિત મેપિંગ પ્રક્રિયામાં નિર્ણય વૃક્ષ મોડલનો ઉપયોગ દરેક ડેન્ટલ વિદ્યાર્થી માટે યોગ્ય શીખવાની વ્યૂહરચનાઓની તાત્કાલિક સૂચિ માટે પરવાનગી આપે છે.IS ભલામણ ટૂલ સંપૂર્ણ ચોકસાઈ દર્શાવે છે અને એકંદર મોડલ ચોકસાઈને યાદ કરે છે, જે દર્શાવે છે કે LS અને IS સાથે મેળ ખાતી સારી સંવેદનશીલતા અને વિશિષ્ટતા ધરાવે છે.
ML નિર્ણય વૃક્ષ પર આધારિત IS ભલામણ સાધને યોગ્ય શીખવાની વ્યૂહરચના સાથે દંત ચિકિત્સાના વિદ્યાર્થીઓની શીખવાની શૈલીઓ સાથે સચોટ રીતે મેચ કરવાની તેની ક્ષમતા સાબિત કરી છે.આ ટૂલ શીખનાર-કેન્દ્રિત અભ્યાસક્રમો અથવા મોડ્યુલના આયોજન માટે શક્તિશાળી વિકલ્પો પ્રદાન કરે છે જે વિદ્યાર્થીઓના શીખવાના અનુભવને વધારી શકે છે.
શિક્ષણ અને અધ્યયન એ શૈક્ષણિક સંસ્થાઓમાં મૂળભૂત પ્રવૃત્તિઓ છે.ઉચ્ચ-ગુણવત્તાવાળી વ્યાવસાયિક શિક્ષણ પ્રણાલી વિકસાવતી વખતે, વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો પર ધ્યાન કેન્દ્રિત કરવું મહત્વપૂર્ણ છે.વિદ્યાર્થીઓ અને તેમના શિક્ષણ વાતાવરણ વચ્ચેની ક્રિયાપ્રતિક્રિયા તેમના LS દ્વારા નક્કી કરી શકાય છે.સંશોધન સૂચવે છે કે વિદ્યાર્થીઓના LS અને IS વચ્ચે શિક્ષક-ઈચ્છિત મેળ ન ખાતા વિદ્યાર્થીઓના શિક્ષણ માટે નકારાત્મક પરિણામો આવી શકે છે, જેમ કે ધ્યાન અને પ્રેરણામાં ઘટાડો.આ આડકતરી રીતે વિદ્યાર્થીઓના પ્રદર્શનને અસર કરશે [1,2].
IS એ એક પદ્ધતિ છે જેનો ઉપયોગ શિક્ષકો દ્વારા વિદ્યાર્થીઓને જ્ઞાન અને કૌશલ્ય પ્રદાન કરવા માટે થાય છે, જેમાં વિદ્યાર્થીઓને શીખવામાં મદદ કરવી [3] છે.સામાન્ય રીતે કહીએ તો, સારા શિક્ષકો શિક્ષણ વ્યૂહરચના અથવા ISની યોજના બનાવે છે જે તેમના વિદ્યાર્થીઓના જ્ઞાનના સ્તર, તેઓ જે વિભાવનાઓ શીખી રહ્યા છે અને તેમના શિક્ષણના તબક્કા સાથે શ્રેષ્ઠ રીતે મેળ ખાય છે.સૈદ્ધાંતિક રીતે, જ્યારે LS અને IS મેળ ખાય છે, ત્યારે વિદ્યાર્થીઓ અસરકારક રીતે શીખવા માટે ચોક્કસ કૌશલ્યોના સમૂહને વ્યવસ્થિત કરી શકશે અને તેનો ઉપયોગ કરી શકશે.સામાન્ય રીતે, પાઠ યોજનામાં તબક્કાઓ વચ્ચેના ઘણા સંક્રમણોનો સમાવેશ થાય છે, જેમ કે શિક્ષણથી માર્ગદર્શિત પ્રેક્ટિસ સુધી અથવા માર્ગદર્શિત પ્રેક્ટિસથી સ્વતંત્ર અભ્યાસ સુધી.આને ધ્યાનમાં રાખીને, અસરકારક શિક્ષકો ઘણીવાર વિદ્યાર્થીઓના જ્ઞાન અને કૌશલ્યોના નિર્માણના ધ્યેય સાથે સૂચનાનું આયોજન કરે છે [4].
દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં SCLની માંગ વધી રહી છે.SCL વ્યૂહરચનાઓ વિદ્યાર્થીઓની શીખવાની જરૂરિયાતોને પહોંચી વળવા માટે બનાવવામાં આવી છે.આ પ્રાપ્ત કરી શકાય છે, ઉદાહરણ તરીકે, જો વિદ્યાર્થીઓ શીખવાની પ્રવૃત્તિઓમાં સક્રિયપણે ભાગ લે અને શિક્ષકો સહાયક તરીકે કાર્ય કરે અને મૂલ્યવાન પ્રતિસાદ આપવા માટે જવાબદાર હોય.એવું કહેવાય છે કે વિદ્યાર્થીઓના શૈક્ષણિક સ્તર અથવા પસંદગીઓને અનુરૂપ શીખવાની સામગ્રી અને પ્રવૃત્તિઓ પ્રદાન કરવાથી વિદ્યાર્થીઓના શીખવાની વાતાવરણમાં સુધારો થઈ શકે છે અને સકારાત્મક શિક્ષણ અનુભવોને પ્રોત્સાહન મળે છે [5].
સામાન્ય રીતે કહીએ તો, ડેન્ટલ વિદ્યાર્થીઓની શીખવાની પ્રક્રિયા તેમને કરવા માટે જરૂરી વિવિધ ક્લિનિકલ પ્રક્રિયાઓ અને ક્લિનિકલ વાતાવરણ કે જેમાં તેઓ અસરકારક આંતરવ્યક્તિત્વ કુશળતા વિકસાવે છે તેનાથી પ્રભાવિત થાય છે.તાલીમનો હેતુ વિદ્યાર્થીઓને દંત ચિકિત્સાના મૂળભૂત જ્ઞાનને ડેન્ટલ ક્લિનિકલ કૌશલ્ય સાથે જોડવા અને પ્રાપ્ત જ્ઞાનને નવી ક્લિનિકલ પરિસ્થિતિઓમાં લાગુ કરવા સક્ષમ બનાવવાનો છે [6, 7].LS અને IS વચ્ચેના સંબંધમાં પ્રારંભિક સંશોધનમાં જાણવા મળ્યું છે કે પસંદગીની LS સાથે મેપ કરેલી શીખવાની વ્યૂહરચનાઓને સમાયોજિત કરવાથી શૈક્ષણિક પ્રક્રિયા [8] સુધારવામાં મદદ મળશે.લેખકો વિદ્યાર્થીઓના શિક્ષણ અને જરૂરિયાતોને અનુરૂપ વિવિધ શિક્ષણ અને મૂલ્યાંકન પદ્ધતિઓનો ઉપયોગ કરવાની પણ ભલામણ કરે છે.
શિક્ષકોને LS જ્ઞાનનો ઉપયોગ કરીને તેમને એવી સૂચનાઓ ડિઝાઇન કરવામાં, વિકસાવવામાં અને અમલમાં મૂકવામાં મદદ મળે છે જે વિદ્યાર્થીઓને વિષયના ઊંડા જ્ઞાન અને સમજણના સંપાદનમાં વધારો કરશે.સંશોધકોએ કોલ્બ એક્સપિરિએન્શિયલ લર્નિંગ મોડલ, ફેલ્ડર-સિલ્વરમેન લર્નિંગ સ્ટાઈલ મોડલ (FSLSM), અને ફ્લેમિંગ VAK/VARK મોડલ [5, 9, 10] જેવા ઘણા LS આકારણી સાધનો વિકસાવ્યા છે.સાહિત્ય અનુસાર, આ લર્નિંગ મોડલ સૌથી વધુ ઉપયોગમાં લેવાતા અને સૌથી વધુ અભ્યાસ કરાયેલા લર્નિંગ મોડલ છે.વર્તમાન સંશોધન કાર્યમાં, FSLSM નો ઉપયોગ ડેન્ટલ વિદ્યાર્થીઓમાં LSનું મૂલ્યાંકન કરવા માટે થાય છે.
FSLSM એ એન્જિનિયરિંગમાં અનુકૂલનશીલ શિક્ષણનું મૂલ્યાંકન કરવા માટે વ્યાપકપણે ઉપયોગમાં લેવાતું મોડેલ છે.આરોગ્ય વિજ્ઞાનમાં (દવા, નર્સિંગ, ફાર્મસી અને દંત ચિકિત્સા સહિત) ઘણી પ્રકાશિત કૃતિઓ છે જે FSLSM મોડલ્સ [5, 11, 12, 13] નો ઉપયોગ કરીને શોધી શકાય છે.FLSM માં LS ના પરિમાણોને માપવા માટે વપરાતા સાધનને ઈન્ડેક્સ ઓફ લર્નિંગ સ્ટાઈલ (ILS) [8] કહેવામાં આવે છે, જેમાં LS ના ચાર પરિમાણોનું મૂલ્યાંકન કરતી 44 વસ્તુઓનો સમાવેશ થાય છે: પ્રોસેસિંગ (સક્રિય/પ્રતિબિંબિત), ધારણા (ગ્રહણાત્મક/સાહજિક), ઇનપુટ (દ્રશ્ય)./મૌખિક) અને સમજણ (ક્રમિક/વૈશ્વિક) [14].
આકૃતિ 1 માં બતાવ્યા પ્રમાણે, દરેક FSLSM પરિમાણ એક પ્રભાવશાળી પસંદગી ધરાવે છે.ઉદાહરણ તરીકે, પ્રક્રિયાના પરિમાણમાં, "સક્રિય" LS ધરાવતા વિદ્યાર્થીઓ શીખવાની સામગ્રી સાથે સીધી ક્રિયાપ્રતિક્રિયા કરીને માહિતી પર પ્રક્રિયા કરવાનું પસંદ કરે છે, કરીને શીખે છે અને જૂથોમાં શીખવાનું વલણ ધરાવે છે."પ્રતિબિંબિત" LS વિચાર દ્વારા શીખવાનો સંદર્ભ આપે છે અને એકલા કામ કરવાનું પસંદ કરે છે.LS ના "અનુભૂતિ" પરિમાણને "લાગણી" અને/અથવા "અંતર્જ્ઞાન" માં વિભાજિત કરી શકાય છે."લાગણી" વિદ્યાર્થીઓ વધુ નક્કર માહિતી અને વ્યવહારુ પ્રક્રિયાઓને પસંદ કરે છે, "સાહજિક" વિદ્યાર્થીઓની સરખામણીમાં હકીકત-લક્ષી હોય છે જેઓ અમૂર્ત સામગ્રી પસંદ કરે છે અને પ્રકૃતિમાં વધુ નવીન અને સર્જનાત્મક હોય છે.LS ના "ઇનપુટ" પરિમાણમાં "દ્રશ્ય" અને "મૌખિક" શીખનારાઓનો સમાવેશ થાય છે."દ્રશ્ય" LS ધરાવતા લોકો દ્રશ્ય પ્રદર્શન (જેમ કે આકૃતિઓ, વિડિયો અથવા જીવંત પ્રદર્શન) દ્વારા શીખવાનું પસંદ કરે છે, જ્યારે "મૌખિક" LS ધરાવતા લોકો લેખિત અથવા મૌખિક સ્પષ્ટતામાં શબ્દો દ્વારા શીખવાનું પસંદ કરે છે.LS પરિમાણોને "સમજવા" માટે, આવા શીખનારાઓને "ક્રમિક" અને "વૈશ્વિક" માં વિભાજિત કરી શકાય છે.“ક્રમિક શીખનારાઓ એક રેખીય વિચાર પ્રક્રિયા પસંદ કરે છે અને પગલું દ્વારા શીખે છે, જ્યારે વૈશ્વિક શીખનારાઓ સર્વગ્રાહી વિચાર પ્રક્રિયા ધરાવે છે અને તેઓ જે શીખી રહ્યા છે તેની હંમેશા સારી સમજણ ધરાવે છે.
તાજેતરમાં, ઘણા સંશોધકોએ સ્વચાલિત ડેટા-આધારિત શોધ માટેની પદ્ધતિઓનું અન્વેષણ કરવાનું શરૂ કર્યું છે, જેમાં મોટા પ્રમાણમાં ડેટા [15, 16] અર્થઘટન કરવામાં સક્ષમ નવા અલ્ગોરિધમ્સ અને મોડેલોના વિકાસનો સમાવેશ થાય છે.પ્રદાન કરેલ ડેટાના આધારે, નિરીક્ષણ કરેલ ML (મશીન લર્નિંગ) એલ્ગોરિધમ્સના નિર્માણના આધારે ભાવિ પરિણામોની આગાહી કરતી પેટર્ન અને પૂર્વધારણાઓ જનરેટ કરવામાં સક્ષમ છે [17].સરળ શબ્દોમાં કહીએ તો, નિરીક્ષણ કરેલ મશીન લર્નિંગ તકનીકો ઇનપુટ ડેટા અને ટ્રેન એલ્ગોરિધમ્સની હેરફેર કરે છે.તે પછી તે શ્રેણી જનરેટ કરે છે જે પ્રદાન કરેલ ઇનપુટ ડેટા માટે સમાન પરિસ્થિતિઓના આધારે પરિણામનું વર્ગીકરણ અથવા આગાહી કરે છે.નિરીક્ષણ કરેલ મશીન લર્નિંગ અલ્ગોરિધમ્સનો મુખ્ય ફાયદો એ આદર્શ અને ઇચ્છિત પરિણામો [17] સ્થાપિત કરવાની તેની ક્ષમતા છે.
ડેટા-આધારિત પદ્ધતિઓ અને નિર્ણય વૃક્ષ નિયંત્રણ મોડલના ઉપયોગ દ્વારા, LS ની આપોઆપ શોધ શક્ય છે.આરોગ્ય વિજ્ઞાન [18, 19] સહિત વિવિધ ક્ષેત્રોમાં તાલીમ કાર્યક્રમોમાં નિર્ણય વૃક્ષોનો વ્યાપકપણે ઉપયોગ થતો હોવાનું નોંધાયું છે.આ અભ્યાસમાં, વિદ્યાર્થીઓના એલએસને ઓળખવા અને તેમના માટે શ્રેષ્ઠ ISની ભલામણ કરવા માટે સિસ્ટમ ડેવલપર્સ દ્વારા મોડેલને ખાસ તાલીમ આપવામાં આવી હતી.
આ અભ્યાસનો હેતુ વિદ્યાર્થીઓના LS પર આધારિત IS ડિલિવરી વ્યૂહરચના વિકસાવવાનો છે અને LS પર મેપ કરેલ IS ભલામણ સાધન વિકસાવીને SCL અભિગમ લાગુ કરવાનો છે.SCL પદ્ધતિની વ્યૂહરચના તરીકે IS ભલામણ ટૂલનો ડિઝાઇન ફ્લો આકૃતિ 1 માં બતાવવામાં આવ્યો છે. IS ભલામણ સાધનને બે ભાગમાં વહેંચવામાં આવ્યું છે, જેમાં ILS નો ઉપયોગ કરીને LS વર્ગીકરણ પદ્ધતિ અને વિદ્યાર્થીઓ માટે સૌથી યોગ્ય IS ડિસ્પ્લેનો સમાવેશ થાય છે.
ખાસ કરીને, માહિતી સુરક્ષા ભલામણ સાધનોની લાક્ષણિકતાઓમાં વેબ તકનીકોનો ઉપયોગ અને નિર્ણય વૃક્ષ મશીન શિક્ષણનો ઉપયોગ શામેલ છે.સિસ્ટમ ડેવલપર્સ વપરાશકર્તાના અનુભવ અને ગતિશીલતાને મોબાઇલ ફોન અને ટેબ્લેટ્સ જેવા મોબાઇલ ઉપકરણોમાં અનુકૂલિત કરીને સુધારે છે.
આ પ્રયોગ બે તબક્કામાં હાથ ધરવામાં આવ્યો હતો અને મલાયા યુનિવર્સિટીના ડેન્ટિસ્ટ્રી ફેકલ્ટીના વિદ્યાર્થીઓએ સ્વૈચ્છિક ધોરણે ભાગ લીધો હતો.સહભાગીઓએ ડેન્ટલ વિદ્યાર્થીના ઓનલાઈન એમ-આઈએલએસને અંગ્રેજીમાં જવાબ આપ્યો.પ્રારંભિક તબક્કામાં, નિર્ણય ટ્રી મશીન લર્નિંગ અલ્ગોરિધમને તાલીમ આપવા માટે 50 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો હતો.વિકાસ પ્રક્રિયાના બીજા તબક્કામાં, વિકસિત સાધનની ચોકસાઈને સુધારવા માટે 255 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો હતો.
બધા સહભાગીઓને માઇક્રોસોફ્ટ ટીમ્સ દ્વારા શૈક્ષણિક વર્ષ પર આધાર રાખીને દરેક તબક્કાની શરૂઆતમાં એક ઓનલાઇન બ્રીફિંગ મળે છે.અભ્યાસનો હેતુ સમજાવવામાં આવ્યો હતો અને જાણકાર સંમતિ મેળવવામાં આવી હતી.બધા સહભાગીઓને m-ILS ઍક્સેસ કરવા માટે એક લિંક આપવામાં આવી હતી.દરેક વિદ્યાર્થીને પ્રશ્નાવલી પરની તમામ 44 વસ્તુઓના જવાબ આપવા સૂચના આપવામાં આવી હતી.સેમેસ્ટરની શરૂઆત પહેલા સેમેસ્ટર બ્રેક દરમિયાન તેમને અનુકૂળ સમયે અને સ્થાન પર સુધારેલ ILS પૂર્ણ કરવા માટે તેમને એક અઠવાડિયું આપવામાં આવ્યું હતું.m-ILS મૂળ ILS ઇન્સ્ટ્રુમેન્ટ પર આધારિત છે અને ડેન્ટલ વિદ્યાર્થીઓ માટે સુધારેલ છે.મૂળ ILS ની જેમ, તેમાં 44 સમાનરૂપે વિતરિત વસ્તુઓ (a, b) છે, જેમાં પ્રત્યેકમાં 11 વસ્તુઓ છે, જેનો ઉપયોગ દરેક FSLSM પરિમાણના પાસાઓનું મૂલ્યાંકન કરવા માટે થાય છે.
ટૂલ ડેવલપમેન્ટના પ્રારંભિક તબક્કા દરમિયાન, સંશોધકોએ 50 ડેન્ટલ વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરીને મેન્યુઅલી નકશાની ટીકા કરી.FSLM મુજબ, સિસ્ટમ જવાબોનો સરવાળો "a" અને "b" આપે છે.દરેક પરિમાણ માટે, જો વિદ્યાર્થી જવાબ તરીકે "a" પસંદ કરે છે, તો LS ને સક્રિય/ગ્રહણાત્મક/વિઝ્યુઅલ/અનુક્રમિક તરીકે વર્ગીકૃત કરવામાં આવે છે, અને જો વિદ્યાર્થી "b" ને જવાબ તરીકે પસંદ કરે છે, તો વિદ્યાર્થીને પ્રતિબિંબિત/સાહજિક/ભાષાકીય તરીકે વર્ગીકૃત કરવામાં આવે છે. ./ વૈશ્વિક શીખનાર.
ડેન્ટલ એજ્યુકેશનના સંશોધકો અને સિસ્ટમ ડેવલપર્સ વચ્ચે વર્કફ્લોને માપાંકિત કર્યા પછી, FLSSM ડોમેનના આધારે પ્રશ્નો પસંદ કરવામાં આવ્યા હતા અને દરેક વિદ્યાર્થીના LS ની આગાહી કરવા માટે ML મોડેલમાં ખવડાવવામાં આવ્યા હતા."ગાર્બેજ ઇન, ગાર્બેજ આઉટ" એ મશીન લર્નિંગના ક્ષેત્રમાં એક લોકપ્રિય કહેવત છે, જેમાં ડેટાની ગુણવત્તા પર ભાર મૂકવામાં આવે છે.ઇનપુટ ડેટાની ગુણવત્તા મશીન લર્નિંગ મોડલની ચોકસાઈ અને સચોટતા નક્કી કરે છે.ફીચર એન્જિનિયરિંગ તબક્કા દરમિયાન, એક નવો ફીચર સેટ બનાવવામાં આવે છે જે FLSSM પર આધારિત "a" અને "b" જવાબોનો સરવાળો છે.કોષ્ટક 1 માં દવાની સ્થિતિની ઓળખ નંબરો આપવામાં આવી છે.
જવાબોના આધારે સ્કોરની ગણતરી કરો અને વિદ્યાર્થીની LS નક્કી કરો.દરેક વિદ્યાર્થી માટે, સ્કોર રેન્જ 1 થી 11 સુધીની છે. 1 થી 3 સુધીના સ્કોર સમાન પરિમાણમાં શીખવાની પસંદગીઓનું સંતુલન દર્શાવે છે, અને 5 થી 7 સુધીના સ્કોર મધ્યમ પસંદગી દર્શાવે છે, જે દર્શાવે છે કે વિદ્યાર્થીઓ અન્યને શીખવતા એક પર્યાવરણને પસંદ કરે છે. .સમાન પરિમાણ પર અન્ય વિવિધતા એ છે કે 9 થી 11 સુધીના સ્કોર એક છેડા અથવા બીજા [8] માટે મજબૂત પસંદગી દર્શાવે છે.
દરેક પરિમાણ માટે, દવાઓ "સક્રિય", "પ્રતિબિંબિત" અને "સંતુલિત" માં જૂથબદ્ધ કરવામાં આવી હતી.ઉદાહરણ તરીકે, જ્યારે વિદ્યાર્થી નિયુક્ત આઇટમ પર "b" કરતાં વધુ વાર "a" નો જવાબ આપે છે અને તેનો/તેણીનો સ્કોર પ્રોસેસિંગ LS પરિમાણનું પ્રતિનિધિત્વ કરતી ચોક્કસ આઇટમ માટે 5 ની થ્રેશોલ્ડને ઓળંગે છે, ત્યારે તે/તેણી "સક્રિય" LSનો છે. ડોમેન.જો કે, વિદ્યાર્થીઓએ ચોક્કસ 11 પ્રશ્નો (કોષ્ટક 1) માં "a" કરતાં વધુ "b" પસંદ કર્યા અને 5 થી વધુ પોઈન્ટ મેળવ્યા ત્યારે "પ્રતિબિંબિત" LS તરીકે વર્ગીકૃત કરવામાં આવ્યા હતા.અંતે, વિદ્યાર્થી "સંતુલન" ની સ્થિતિમાં છે.જો સ્કોર 5 પોઈન્ટથી વધુ ન હોય, તો આ એક "પ્રક્રિયા" LS છે.વર્ગીકરણ પ્રક્રિયાને અન્ય LS પરિમાણો માટે પુનરાવર્તિત કરવામાં આવી હતી, એટલે કે ધારણા (સક્રિય/પ્રતિબિંબિત), ઇનપુટ (દ્રશ્ય/મૌખિક), અને સમજણ (ક્રમિક/વૈશ્વિક).
ડિસિઝન ટ્રી મૉડલ્સ વર્ગીકરણ પ્રક્રિયાના વિવિધ તબક્કામાં સુવિધાઓ અને નિર્ણયના નિયમોના વિવિધ સબસેટ્સનો ઉપયોગ કરી શકે છે.તે એક લોકપ્રિય વર્ગીકરણ અને આગાહી સાધન માનવામાં આવે છે.તેને ફ્લોચાર્ટ [૨૦] જેવી વૃક્ષની રચનાનો ઉપયોગ કરીને રજૂ કરી શકાય છે, જેમાં લક્ષણ દ્વારા પરીક્ષણોનું પ્રતિનિધિત્વ કરતી આંતરિક ગાંઠો હોય છે, દરેક શાખા પરીક્ષણ પરિણામોનું પ્રતિનિધિત્વ કરતી હોય છે અને દરેક લીફ નોડ (લીફ નોડ) વર્ગ લેબલ ધરાવે છે.
એક સરળ નિયમ-આધારિત પ્રોગ્રામ દરેક વિદ્યાર્થીના પ્રતિભાવોના આધારે આપમેળે સ્કોર અને ટીકા કરવા માટે બનાવવામાં આવ્યો હતો.નિયમ-આધારિત IF સ્ટેટમેન્ટનું સ્વરૂપ લે છે, જ્યાં “IF” ટ્રિગરનું વર્ણન કરે છે અને “THEN” એ કરવા માટેની ક્રિયાનો ઉલ્લેખ કરે છે, ઉદાહરણ તરીકે: “જો X થાય, તો Y કરો” (Liu et al., 2014).જો ડેટા સેટ સહસંબંધ દર્શાવે છે અને નિર્ણય વૃક્ષ મોડેલને યોગ્ય રીતે પ્રશિક્ષિત અને મૂલ્યાંકન કરવામાં આવે છે, તો આ અભિગમ LS અને ISને મેચ કરવાની પ્રક્રિયાને સ્વચાલિત કરવાની અસરકારક રીત બની શકે છે.
વિકાસના બીજા તબક્કામાં, ભલામણ સાધનની ચોકસાઈને સુધારવા માટે ડેટાસેટને વધારીને 255 કરવામાં આવ્યો હતો.ડેટા સેટ 1:4 રેશિયોમાં વિભાજિત થાય છે.25% (64) ડેટા સેટનો ઉપયોગ ટેસ્ટ સેટ માટે કરવામાં આવ્યો હતો, અને બાકીના 75% (191) નો ઉપયોગ તાલીમ સેટ તરીકે કરવામાં આવ્યો હતો (આકૃતિ 2).મોડેલને સમાન ડેટા સેટ પર પ્રશિક્ષિત અને પરીક્ષણ કરવાથી અટકાવવા માટે ડેટા સેટને વિભાજિત કરવાની જરૂર છે, જે મોડેલને શીખવાને બદલે યાદ રાખવાનું કારણ બની શકે છે.મોડેલને પ્રશિક્ષણ સેટ પર પ્રશિક્ષિત કરવામાં આવે છે અને પરીક્ષણ સેટ પર તેના પ્રદર્શનનું મૂલ્યાંકન કરે છે-ડેટા જે મોડેલે પહેલાં ક્યારેય જોયો નથી.
એકવાર IS ટૂલ વિકસિત થઈ જાય પછી, એપ્લિકેશન વેબ ઈન્ટરફેસ દ્વારા ડેન્ટલ વિદ્યાર્થીઓના પ્રતિભાવોના આધારે LS ને વર્ગીકૃત કરવામાં સક્ષમ હશે.વેબ-આધારિત માહિતી સુરક્ષા ભલામણ ટૂલ સિસ્ટમ બેકએન્ડ તરીકે Django ફ્રેમવર્કનો ઉપયોગ કરીને Python પ્રોગ્રામિંગ ભાષાનો ઉપયોગ કરીને બનાવવામાં આવી છે.કોષ્ટક 2 આ સિસ્ટમના વિકાસમાં વપરાતી પુસ્તકાલયોની યાદી આપે છે.
વિદ્યાર્થીઓના LS માપનને આપમેળે વર્ગીકૃત કરવા માટે વિદ્યાર્થીઓના પ્રતિસાદોની ગણતરી કરવા અને તેને કાઢવા માટે ડેટાસેટને નિર્ણય વૃક્ષ મોડેલમાં ખવડાવવામાં આવે છે.
કન્ફ્યુઝન મેટ્રિક્સનો ઉપયોગ આપેલ ડેટા સેટ પર નિર્ણય ટ્રી મશીન લર્નિંગ અલ્ગોરિધમની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થાય છે.તે જ સમયે, તે વર્ગીકરણ મોડેલની કામગીરીનું મૂલ્યાંકન કરે છે.તે મોડેલની આગાહીઓનો સારાંશ આપે છે અને વાસ્તવિક ડેટા લેબલ્સ સાથે તેની તુલના કરે છે.મૂલ્યાંકનના પરિણામો ચાર અલગ-અલગ મૂલ્યો પર આધારિત છે: ટ્રુ પોઝિટિવ (ટીપી) – મૉડેલે સકારાત્મક કેટેગરીની સાચી આગાહી કરી છે, ફોલ્સ પોઝિટિવ (એફપી) – મૉડેલે સકારાત્મક કૅટેગરીની આગાહી કરી છે, પરંતુ સાચું લેબલ નકારાત્મક હતું, ટ્રુ નેગેટિવ (TN) – મોડેલે નકારાત્મક વર્ગની સાચી આગાહી કરી છે, અને ખોટા નકારાત્મક (FN) - મોડેલ નકારાત્મક વર્ગની આગાહી કરે છે, પરંતુ સાચું લેબલ હકારાત્મક છે.
આ મૂલ્યોનો ઉપયોગ પાયથોનમાં સ્કિકિટ-લર્ન વર્ગીકરણ મોડલના વિવિધ પ્રદર્શન મેટ્રિક્સની ગણતરી કરવા માટે થાય છે, એટલે કે ચોકસાઇ, ચોકસાઇ, રિકોલ અને F1 સ્કોર.અહીં ઉદાહરણો છે:
રિકોલ (અથવા સંવેદનશીલતા) m-ILS પ્રશ્નાવલીનો જવાબ આપ્યા પછી વિદ્યાર્થીના LSનું ચોક્કસ વર્ગીકરણ કરવાની મોડેલની ક્ષમતાને માપે છે.
વિશિષ્ટતાને સાચી નકારાત્મક દર કહેવામાં આવે છે.જેમ તમે ઉપરોક્ત સૂત્રમાંથી જોઈ શકો છો, આ સાચા નકારાત્મક (TN) અને સાચા નકારાત્મક અને ખોટા હકારાત્મક (FP) નો ગુણોત્તર હોવો જોઈએ.વિદ્યાર્થીઓની દવાઓનું વર્ગીકરણ કરવા માટે ભલામણ કરેલ સાધનના ભાગરૂપે, તે સચોટ ઓળખ માટે સક્ષમ હોવું જોઈએ.
નિર્ણય વૃક્ષ ML મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા 50 વિદ્યાર્થીઓના મૂળ ડેટાસેટ એનોટેશનમાં માનવીય ભૂલને કારણે પ્રમાણમાં ઓછી ચોકસાઈ દર્શાવી હતી (કોષ્ટક 3).LS સ્કોર્સ અને વિદ્યાર્થી એનોટેશનની આપમેળે ગણતરી કરવા માટે એક સરળ નિયમ-આધારિત પ્રોગ્રામ બનાવ્યા પછી, ભલામણ કરનાર સિસ્ટમને તાલીમ આપવા અને પરીક્ષણ કરવા માટે ડેટાસેટ્સની વધતી જતી સંખ્યા (255) નો ઉપયોગ કરવામાં આવ્યો હતો.
મલ્ટીક્લાસ કન્ફ્યુઝન મેટ્રિક્સમાં, વિકર્ણ તત્વો દરેક LS પ્રકાર (આકૃતિ 4) માટે સાચી આગાહીઓની સંખ્યા દર્શાવે છે.નિર્ણય વૃક્ષ મોડેલનો ઉપયોગ કરીને, કુલ 64 નમૂનાઓની સાચી આગાહી કરવામાં આવી હતી.આમ, આ અભ્યાસમાં, કર્ણ તત્વો અપેક્ષિત પરિણામો દર્શાવે છે, જે દર્શાવે છે કે મોડેલ સારું પ્રદર્શન કરે છે અને દરેક LS વર્ગીકરણ માટે વર્ગ લેબલની ચોક્કસ આગાહી કરે છે.આમ, ભલામણ સાધનની એકંદર ચોકસાઈ 100% છે.
ચોકસાઈ, ચોકસાઇ, રિકોલ અને F1 સ્કોરના મૂલ્યો આકૃતિ 5 માં દર્શાવવામાં આવ્યા છે. નિર્ણય ટ્રી મોડેલનો ઉપયોગ કરીને ભલામણ સિસ્ટમ માટે, તેનો F1 સ્કોર 1.0 "સંપૂર્ણ" છે, જે સંપૂર્ણ ચોકસાઇ અને યાદ સૂચવે છે, જે નોંધપાત્ર સંવેદનશીલતા અને વિશિષ્ટતાને પ્રતિબિંબિત કરે છે. મૂલ્યો
તાલીમ અને પરીક્ષણ પૂર્ણ થયા પછી આકૃતિ 6 નિર્ણય વૃક્ષ મોડેલનું વિઝ્યુલાઇઝેશન દર્શાવે છે.બાજુ-બાજુની સરખામણીમાં, ઓછી વિશેષતાઓ સાથે પ્રશિક્ષિત નિર્ણય વૃક્ષ મોડેલે ઉચ્ચ ચોકસાઈ અને સરળ મોડેલ વિઝ્યુલાઇઝેશન દર્શાવ્યું હતું.આ બતાવે છે કે ફીચર એન્જીનીયરીંગ જે ફીચર રીડક્શન તરફ દોરી જાય છે તે મોડેલની કામગીરીમાં સુધારો કરવા માટે એક મહત્વપૂર્ણ પગલું છે.
ડિસિઝન ટ્રી સુપરવાઇઝ્ડ લર્નિંગ લાગુ કરીને, LS (ઇનપુટ) અને IS (લક્ષ્ય આઉટપુટ) વચ્ચેનું મેપિંગ આપમેળે જનરેટ થાય છે અને દરેક LS માટે વિગતવાર માહિતી સમાવે છે.
પરિણામો દર્શાવે છે કે 255 વિદ્યાર્થીઓમાંથી 34.9% વિદ્યાર્થીઓએ એક (1) LS વિકલ્પ પસંદ કર્યો હતો.બહુમતી (54.3%) પાસે બે અથવા વધુ LS પસંદગીઓ હતી.12.2% વિદ્યાર્થીઓએ નોંધ્યું કે LS તદ્દન સંતુલિત છે (કોષ્ટક 4).આઠ મુખ્ય LS ઉપરાંત, યુનિવર્સિટી ઓફ મલાયા ડેન્ટલ વિદ્યાર્થીઓ માટે LS વર્ગીકરણના 34 સંયોજનો છે.તેમાંથી, ધારણા, દ્રષ્ટિ, અને દ્રષ્ટિ અને દ્રષ્ટિનું સંયોજન એ વિદ્યાર્થીઓ દ્વારા નોંધાયેલ મુખ્ય LS છે (આકૃતિ 7).
કોષ્ટક 4 પરથી જોઈ શકાય છે તેમ, મોટાભાગના વિદ્યાર્થીઓમાં સંવેદનાત્મક (13.7%) અથવા દ્રશ્ય (8.6%) LS હતું.એવું નોંધવામાં આવ્યું હતું કે 12.2% વિદ્યાર્થીઓ દ્રષ્ટિ (ગ્રહણાત્મક-દ્રશ્ય LS) સાથે સંયોજિત દ્રષ્ટિ ધરાવે છે.આ તારણો સૂચવે છે કે વિદ્યાર્થીઓ સ્થાપિત પદ્ધતિઓ દ્વારા શીખવાનું અને યાદ રાખવાનું પસંદ કરે છે, ચોક્કસ અને વિગતવાર પ્રક્રિયાઓનું પાલન કરે છે અને સ્વભાવે સચેત હોય છે.તે જ સમયે, તેઓ જોઈને (આકૃતિઓ વગેરેનો ઉપયોગ કરીને) શીખવાનો આનંદ માણે છે અને જૂથોમાં અથવા તેમના પોતાના પર માહિતીની ચર્ચા કરવા અને લાગુ કરવાનું વલણ ધરાવે છે.
આ અભ્યાસ ડેટા માઇનિંગમાં ઉપયોગમાં લેવાતી મશીન લર્નિંગ તકનીકોની ઝાંખી પૂરી પાડે છે, વિદ્યાર્થીઓના LS ની તાત્કાલિક અને સચોટ આગાહી કરવા અને યોગ્ય IS ની ભલામણ કરવા પર ધ્યાન કેન્દ્રિત કરીને.નિર્ણય વૃક્ષ મોડેલની એપ્લિકેશન તેમના જીવન અને શૈક્ષણિક અનુભવો સાથે સૌથી નજીકથી સંબંધિત પરિબળોને ઓળખી કાઢે છે.તે એક નિરીક્ષણ કરેલ મશીન લર્નિંગ અલ્ગોરિધમ છે જે ચોક્કસ માપદંડોના આધારે ડેટાના સેટને પેટા-કેટેગરીમાં વિભાજીત કરીને ડેટાને વર્ગીકૃત કરવા માટે વૃક્ષની રચનાનો ઉપયોગ કરે છે.જ્યાં સુધી લીફ નોડ પર નિર્ણય લેવામાં ન આવે ત્યાં સુધી તે દરેક આંતરિક નોડની એક ઇનપુટ વિશેષતાના મૂલ્યના આધારે ઇનપુટ ડેટાને સબસેટમાં વિભાજીત કરીને કાર્ય કરે છે.
નિર્ણય વૃક્ષની આંતરિક ગાંઠો m-ILS સમસ્યાની ઇનપુટ લાક્ષણિકતાઓના આધારે ઉકેલનું પ્રતિનિધિત્વ કરે છે, અને લીફ ગાંઠો અંતિમ LS વર્ગીકરણ અનુમાનનું પ્રતિનિધિત્વ કરે છે.સમગ્ર અભ્યાસ દરમિયાન, ઇનપુટ સુવિધાઓ અને આઉટપુટ અનુમાનો વચ્ચેના સંબંધને જોઈને નિર્ણય પ્રક્રિયાને સમજાવતા અને વિઝ્યુઅલાઈઝ કરતા નિર્ણયના વૃક્ષોના વંશવેલાને સમજવું સરળ છે.
કોમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગના ક્ષેત્રોમાં, મશીન લર્નિંગ અલ્ગોરિધમ્સનો ઉપયોગ વિદ્યાર્થીઓની પ્રવેશ પરીક્ષાના સ્કોર્સ [21], વસ્તી વિષયક માહિતી અને શીખવાની વર્તણૂક [22]ના આધારે તેમના પ્રદર્શનની આગાહી કરવા માટે વ્યાપકપણે થાય છે.સંશોધન દર્શાવે છે કે અલ્ગોરિધમ વિદ્યાર્થીઓના પ્રદર્શનની ચોક્કસ આગાહી કરે છે અને તેમને શૈક્ષણિક મુશ્કેલીઓ માટે જોખમ ધરાવતા વિદ્યાર્થીઓને ઓળખવામાં મદદ કરે છે.
ડેન્ટલ તાલીમ માટે વર્ચ્યુઅલ પેશન્ટ સિમ્યુલેટરના વિકાસમાં એમએલ એલ્ગોરિધમ્સની એપ્લિકેશનની જાણ કરવામાં આવી છે.સિમ્યુલેટર વાસ્તવિક દર્દીઓના શારીરિક પ્રતિભાવોનું ચોક્કસ પુનઃઉત્પાદન કરવામાં સક્ષમ છે અને તેનો ઉપયોગ ડેન્ટલ વિદ્યાર્થીઓને સલામત અને નિયંત્રિત વાતાવરણમાં તાલીમ આપવા માટે થઈ શકે છે [23].અન્ય કેટલાક અભ્યાસો દર્શાવે છે કે મશીન લર્નિંગ અલ્ગોરિધમ્સ સંભવિતપણે ડેન્ટલ અને મેડિકલ એજ્યુકેશન અને દર્દીની સંભાળની ગુણવત્તા અને કાર્યક્ષમતામાં સુધારો કરી શકે છે.લક્ષણો અને દર્દીની લાક્ષણિકતાઓ [24, 25] જેવા ડેટા સેટના આધારે દાંતના રોગોના નિદાનમાં મદદ કરવા માટે મશીન લર્નિંગ અલ્ગોરિધમનો ઉપયોગ કરવામાં આવ્યો છે.જ્યારે અન્ય અભ્યાસોએ દર્દીના પરિણામોની આગાહી કરવા, ઉચ્ચ જોખમ ધરાવતા દર્દીઓને ઓળખવા, વ્યક્તિગત સારવાર યોજનાઓ વિકસાવવા [26], પિરિઓડોન્ટલ સારવાર [27] અને અસ્થિક્ષય સારવાર [25] જેવા કાર્યો કરવા માટે મશીન લર્નિંગ અલ્ગોરિધમ્સના ઉપયોગની શોધ કરી છે.
દંત ચિકિત્સામાં મશીન લર્નિંગના ઉપયોગ અંગેના અહેવાલો પ્રકાશિત થયા હોવા છતાં, ડેન્ટલ શિક્ષણમાં તેનો ઉપયોગ મર્યાદિત રહે છે.તેથી, આ અભ્યાસનો ઉદ્દેશ્ય ડેન્ટલ વિદ્યાર્થીઓમાં LS અને IS સાથે સૌથી વધુ નજીકથી સંકળાયેલા પરિબળોને ઓળખવા માટે નિર્ણય વૃક્ષ મોડેલનો ઉપયોગ કરવાનો છે.
આ અભ્યાસના પરિણામો દર્શાવે છે કે વિકસિત ભલામણ સાધનમાં 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 પરિણામોને સુધારી શકે છે.તેમાંથી, ભલામણ સાધનો દ્વારા મેળવેલ માહિતી શિક્ષકોની પસંદગીની શિક્ષણ પદ્ધતિઓ અને વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો વચ્ચેના સંઘર્ષને ઉકેલી શકે છે.ઉદાહરણ તરીકે, ભલામણ ટૂલ્સના સ્વચાલિત આઉટપુટને કારણે, વિદ્યાર્થીના IP ને ઓળખવા અને તેને સંબંધિત IP સાથે મેચ કરવા માટે જરૂરી સમય નોંધપાત્ર રીતે ઓછો થશે.આ રીતે, યોગ્ય તાલીમ પ્રવૃત્તિઓ અને તાલીમ સામગ્રીનું આયોજન કરી શકાય છે.આ વિદ્યાર્થીઓની સકારાત્મક શીખવાની વર્તણૂક અને ધ્યાન કેન્દ્રિત કરવાની ક્ષમતા વિકસાવવામાં મદદ કરે છે.એક અભ્યાસમાં જણાવવામાં આવ્યું છે કે વિદ્યાર્થીઓને તેમની પસંદગીની LS સાથે મેળ ખાતી શીખવાની સામગ્રી અને શીખવાની પ્રવૃત્તિઓ પૂરી પાડવાથી વિદ્યાર્થીઓને વધુ સંભવિત [12] હાંસલ કરવા માટે ઘણી રીતે શીખવામાં, પ્રક્રિયા કરવા અને શીખવાનો આનંદ લેવામાં મદદ મળી શકે છે.સંશોધન એ પણ દર્શાવે છે કે વર્ગખંડમાં વિદ્યાર્થીઓની સહભાગિતામાં સુધારો કરવા ઉપરાંત, વિદ્યાર્થીઓની શીખવાની પ્રક્રિયાને સમજવી એ પણ શિક્ષણ પ્રથાને સુધારવામાં અને વિદ્યાર્થીઓ [28, 29] સાથે વાતચીત કરવામાં મહત્ત્વની ભૂમિકા ભજવે છે.
જો કે, કોઈપણ આધુનિક તકનીકની જેમ, ત્યાં પણ સમસ્યાઓ અને મર્યાદાઓ છે.આમાં ડેટા ગોપનીયતા, પૂર્વગ્રહ અને ઔચિત્ય સાથે સંબંધિત મુદ્દાઓ અને ડેન્ટલ એજ્યુકેશનમાં મશીન લર્નિંગ અલ્ગોરિધમ્સ વિકસાવવા અને અમલમાં મૂકવા માટે જરૂરી વ્યાવસાયિક કુશળતા અને સંસાધનોનો સમાવેશ થાય છે;જો કે, આ ક્ષેત્રમાં વધતી જતી રુચિ અને સંશોધન સૂચવે છે કે મશીન લર્નિંગ ટેક્નોલોજીની ડેન્ટલ એજ્યુકેશન અને ડેન્ટલ સેવાઓ પર સકારાત્મક અસર પડી શકે છે.
આ અભ્યાસના પરિણામો દર્શાવે છે કે અડધા દંત ચિકિત્સકોમાં માદક દ્રવ્યોને "સમજવાની" વૃત્તિ હોય છે.આ પ્રકારના શીખનારને તથ્યો અને નક્કર ઉદાહરણો, વ્યવહારુ અભિગમ, વિગતો માટે ધીરજ અને "દ્રશ્ય" LS પસંદગીની પસંદગી હોય છે, જ્યાં શીખનારા વિચારો અને વિચારોને અભિવ્યક્ત કરવા માટે ચિત્રો, ગ્રાફિક્સ, રંગો અને નકશાનો ઉપયોગ કરવાનું પસંદ કરે છે.વર્તમાન પરિણામો ડેન્ટલ અને મેડિકલ વિદ્યાર્થીઓમાં LSનું મૂલ્યાંકન કરવા માટે ILS નો ઉપયોગ કરીને અન્ય અભ્યાસો સાથે સુસંગત છે, જેમાંથી મોટા ભાગના ગ્રહણાત્મક અને દ્રશ્ય LS [12, 30] ની લાક્ષણિકતાઓ ધરાવે છે.ડાલમોલિન એટ અલ સૂચવે છે કે વિદ્યાર્થીઓને તેમના LS વિશે માહિતી આપવાથી તેઓ તેમની શીખવાની ક્ષમતા સુધી પહોંચી શકે છે.સંશોધકો દલીલ કરે છે કે જ્યારે શિક્ષકો વિદ્યાર્થીઓની શૈક્ષણિક પ્રક્રિયાને સંપૂર્ણ રીતે સમજે છે, ત્યારે વિવિધ શિક્ષણ પદ્ધતિઓ અને પ્રવૃત્તિઓનો અમલ કરી શકાય છે જે વિદ્યાર્થીઓના પ્રદર્શન અને શીખવાના અનુભવને સુધારશે [12, 31, 32].અન્ય અભ્યાસોએ દર્શાવ્યું છે કે વિદ્યાર્થીઓના LSને સમાયોજિત કરવાથી વિદ્યાર્થીઓના શીખવાના અનુભવ અને પ્રદર્શનમાં તેમની પોતાની LS [13, 33]ને અનુરૂપ તેમની શીખવાની શૈલી બદલ્યા પછી પણ સુધારો જોવા મળે છે.
વિદ્યાર્થીઓની શીખવાની ક્ષમતાઓ પર આધારિત શિક્ષણ વ્યૂહરચનાના અમલીકરણ અંગે શિક્ષકોના મંતવ્યો અલગ અલગ હોઈ શકે છે.જ્યારે કેટલાક આ અભિગમના લાભો જુએ છે, જેમાં વ્યાવસાયિક વિકાસની તકો, માર્ગદર્શન અને સમુદાય સમર્થનનો સમાવેશ થાય છે, અન્ય લોકો સમય અને સંસ્થાકીય સમર્થન વિશે ચિંતિત હોઈ શકે છે.સંતુલન માટે પ્રયત્ન કરવો એ વિદ્યાર્થી-કેન્દ્રિત વલણ બનાવવાની ચાવી છે.ઉચ્ચ શિક્ષણ સત્તાવાળાઓ, જેમ કે યુનિવર્સિટી એડમિનિસ્ટ્રેટરો, નવીન પ્રથાઓ રજૂ કરીને અને ફેકલ્ટી ડેવલપમેન્ટને ટેકો આપીને હકારાત્મક પરિવર્તન લાવવામાં મહત્વની ભૂમિકા ભજવી શકે છે [૩૪].ખરેખર ગતિશીલ અને પ્રતિભાવશીલ ઉચ્ચ શિક્ષણ પ્રણાલી બનાવવા માટે, નીતિ ઘડવૈયાઓએ નીતિમાં ફેરફાર કરવા, ટેકનોલોજીના સંકલન માટે સંસાધનો સમર્પિત કરવા અને વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપતા માળખાનું નિર્માણ કરવા જેવા સાહસિક પગલાં લેવા જોઈએ.ઇચ્છિત પરિણામો પ્રાપ્ત કરવા માટે આ પગલાં મહત્વપૂર્ણ છે.વિભિન્ન સૂચનાઓ પરના તાજેતરના સંશોધનોએ સ્પષ્ટપણે દર્શાવ્યું છે કે વિભિન્ન સૂચનાના સફળ અમલીકરણ માટે શિક્ષકો માટે ચાલુ તાલીમ અને વિકાસની તકો જરૂરી છે [35].
આ સાધન દંત ચિકિત્સકોને મૂલ્યવાન ટેકો પૂરો પાડે છે જેઓ વિદ્યાર્થી-કેન્દ્રિત અભિગમ વિદ્યાર્થી-મૈત્રીપૂર્ણ શિક્ષણ પ્રવૃત્તિઓનું આયોજન કરવા માગે છે.જો કે, આ અભ્યાસ નિર્ણય ટ્રી ML મોડલ્સના ઉપયોગ સુધી મર્યાદિત છે.ભવિષ્યમાં, ભલામણ ટૂલ્સની ચોકસાઈ, વિશ્વસનીયતા અને ચોકસાઈની તુલના કરવા માટે વિવિધ મશીન લર્નિંગ મોડલ્સના પ્રદર્શનની તુલના કરવા માટે વધુ ડેટા એકત્રિત કરવો જોઈએ.વધુમાં, કોઈ ચોક્કસ કાર્ય માટે સૌથી યોગ્ય મશીન લર્નિંગ પદ્ધતિ પસંદ કરતી વખતે, મોડેલની જટિલતા અને અર્થઘટન જેવા અન્ય પરિબળોને ધ્યાનમાં લેવું મહત્વપૂર્ણ છે.
આ અભ્યાસની મર્યાદા એ છે કે તે માત્ર ડેન્ટલ વિદ્યાર્થીઓમાં LS અને ISના મેપિંગ પર ધ્યાન કેન્દ્રિત કરે છે.તેથી, વિકસિત ભલામણ સિસ્ટમ ફક્ત તે જ ભલામણ કરશે જે ડેન્ટલ વિદ્યાર્થીઓ માટે યોગ્ય છે.સામાન્ય ઉચ્ચ શિક્ષણ વિદ્યાર્થીઓના ઉપયોગ માટે ફેરફારો જરૂરી છે.
નવું વિકસિત મશીન લર્નિંગ-આધારિત ભલામણ ટૂલ વિદ્યાર્થીઓના LS ને અનુરૂપ IS સાથે તરત જ વર્ગીકૃત કરવા અને મેચ કરવામાં સક્ષમ છે, તે ડેન્ટલ શિક્ષકોને સંબંધિત શિક્ષણ અને શીખવાની પ્રવૃત્તિઓનું આયોજન કરવામાં મદદ કરવા માટેનો પ્રથમ ડેન્ટલ એજ્યુકેશન પ્રોગ્રામ બનાવે છે.ડેટા-આધારિત ટ્રાયેજ પ્રક્રિયાનો ઉપયોગ કરીને, તે વ્યક્તિગત ભલામણો પ્રદાન કરી શકે છે, સમય બચાવી શકે છે, શિક્ષણ વ્યૂહરચનામાં સુધારો કરી શકે છે, લક્ષિત હસ્તક્ષેપોને સમર્થન આપી શકે છે અને ચાલુ વ્યાવસાયિક વિકાસને પ્રોત્સાહન આપી શકે છે.તેની એપ્લિકેશન ડેન્ટલ શિક્ષણ માટે વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપશે.
ગિલક જાની એસોસિએટેડ પ્રેસ.વિદ્યાર્થીની શીખવાની શૈલી અને શિક્ષકની શીખવવાની શૈલી વચ્ચે મેળ કે મેળ ખાતો નથી.ઇન્ટ જે મોડ એજ્યુક કોમ્પ્યુટર સાયન્સ.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
પોસ્ટ સમય: એપ્રિલ-29-2024