દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં વિદ્યાર્થી-કેન્દ્રિત શિક્ષણ (SCL) ની જરૂરિયાત વધી રહી છે. જોકે, દંત શિક્ષણમાં SCL નો ઉપયોગ મર્યાદિત છે. તેથી, આ અભ્યાસનો ઉદ્દેશ્ય ડેન્ટલ વિદ્યાર્થીઓની પસંદગીની શિક્ષણ શૈલી (LS) અને અનુરૂપ શિક્ષણ વ્યૂહરચના (IS) ને IS માર્ગદર્શિકા વિકસાવવા માટે ઉપયોગી સાધન તરીકે મેપ કરવા માટે નિર્ણય વૃક્ષ મશીન લર્નિંગ (ML) ટેકનોલોજીનો ઉપયોગ કરીને દંત ચિકિત્સા ક્ષેત્રમાં SCL ના ઉપયોગને પ્રોત્સાહન આપવાનો છે. દંત ચિકિત્સા વિદ્યાર્થીઓ માટે આશાસ્પદ પદ્ધતિઓ.
મલાયા યુનિવર્સિટીના કુલ 255 ડેન્ટલ વિદ્યાર્થીઓએ સંશોધિત ઇન્ડેક્સ ઓફ લર્નિંગ સ્ટાઇલ (m-ILS) પ્રશ્નાવલી પૂર્ણ કરી, જેમાં 44 વસ્તુઓનો સમાવેશ થાય છે જેથી તેમને તેમના સંબંધિત LS માં વર્ગીકૃત કરી શકાય. એકત્રિત ડેટા (જેને ડેટાસેટ કહેવાય છે) નો ઉપયોગ નિરીક્ષણ કરાયેલ નિર્ણય વૃક્ષ શિક્ષણમાં થાય છે જેથી વિદ્યાર્થીઓની શીખવાની શૈલીઓ આપમેળે સૌથી યોગ્ય IS સાથે મેળ ખાય. ત્યારબાદ મશીન લર્નિંગ-આધારિત IS ભલામણ સાધનની ચોકસાઈનું મૂલ્યાંકન કરવામાં આવે છે.
LS (ઇનપુટ) અને IS (ટાર્ગેટ આઉટપુટ) વચ્ચે ઓટોમેટેડ મેપિંગ પ્રક્રિયામાં ડિસિઝન ટ્રી મોડેલ્સનો ઉપયોગ દરેક ડેન્ટલ વિદ્યાર્થી માટે યોગ્ય શીખવાની વ્યૂહરચનાઓની તાત્કાલિક સૂચિ બનાવવા માટે પરવાનગી આપે છે. IS ભલામણ સાધને સંપૂર્ણ ચોકસાઈ અને એકંદર મોડેલ ચોકસાઈની યાદ અપાવી, જે દર્શાવે છે કે LS ને IS સાથે મેચ કરવાથી સારી સંવેદનશીલતા અને વિશિષ્ટતા મળે છે.
ML નિર્ણય વૃક્ષ પર આધારિત IS ભલામણ સાધને ડેન્ટલ વિદ્યાર્થીઓની શીખવાની શૈલીઓને યોગ્ય શીખવાની વ્યૂહરચના સાથે સચોટ રીતે મેચ કરવાની ક્ષમતા સાબિત કરી છે. આ સાધન શીખનાર-કેન્દ્રિત અભ્યાસક્રમો અથવા મોડ્યુલોનું આયોજન કરવા માટે શક્તિશાળી વિકલ્પો પૂરા પાડે છે જે વિદ્યાર્થીઓના શીખવાના અનુભવને વધારી શકે છે.
શૈક્ષણિક સંસ્થાઓમાં શિક્ષણ અને શિક્ષણ એ મૂળભૂત પ્રવૃત્તિઓ છે. ઉચ્ચ-ગુણવત્તાવાળી વ્યાવસાયિક શિક્ષણ પ્રણાલી વિકસાવતી વખતે, વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો પર ધ્યાન કેન્દ્રિત કરવું મહત્વપૂર્ણ છે. વિદ્યાર્થીઓ અને તેમના શીખવાના વાતાવરણ વચ્ચેની ક્રિયાપ્રતિક્રિયા તેમના LS દ્વારા નક્કી કરી શકાય છે. સંશોધન સૂચવે છે કે વિદ્યાર્થીઓના LS અને IS વચ્ચે શિક્ષક-ઇરાદાપૂર્વકની અસંગતતાઓ વિદ્યાર્થીઓના શિક્ષણ માટે નકારાત્મક પરિણામો લાવી શકે છે, જેમ કે ધ્યાન અને પ્રેરણામાં ઘટાડો. આ પરોક્ષ રીતે વિદ્યાર્થીઓના પ્રદર્શનને અસર કરશે [1,2].
IS એ શિક્ષકો દ્વારા વિદ્યાર્થીઓને જ્ઞાન અને કૌશલ્યો પ્રદાન કરવા માટે ઉપયોગમાં લેવાતી એક પદ્ધતિ છે, જેમાં વિદ્યાર્થીઓને શીખવામાં મદદ કરવાનો સમાવેશ થાય છે [3]. સામાન્ય રીતે કહીએ તો, સારા શિક્ષકો શિક્ષણ વ્યૂહરચનાઓ અથવા IS નું આયોજન કરે છે જે તેમના વિદ્યાર્થીઓના જ્ઞાનના સ્તર, તેઓ જે ખ્યાલો શીખી રહ્યા છે અને શીખવાના તેમના તબક્કા સાથે શ્રેષ્ઠ રીતે મેળ ખાય છે. સૈદ્ધાંતિક રીતે, જ્યારે LS અને IS મેળ ખાય છે, ત્યારે વિદ્યાર્થીઓ અસરકારક રીતે શીખવા માટે ચોક્કસ કૌશલ્યોનું આયોજન અને ઉપયોગ કરી શકશે. સામાન્ય રીતે, પાઠ યોજનામાં તબક્કાઓ વચ્ચે ઘણા સંક્રમણોનો સમાવેશ થાય છે, જેમ કે શિક્ષણથી માર્ગદર્શિત પ્રેક્ટિસ અથવા માર્ગદર્શિત પ્રેક્ટિસથી સ્વતંત્ર પ્રેક્ટિસ. આને ધ્યાનમાં રાખીને, અસરકારક શિક્ષકો ઘણીવાર વિદ્યાર્થીઓના જ્ઞાન અને કુશળતાના નિર્માણના ધ્યેય સાથે સૂચનાનું આયોજન કરે છે [4].
દંત ચિકિત્સા સહિત ઉચ્ચ શિક્ષણ સંસ્થાઓમાં SCL ની માંગ વધી રહી છે. SCL વ્યૂહરચનાઓ વિદ્યાર્થીઓની શીખવાની જરૂરિયાતોને પૂર્ણ કરવા માટે બનાવવામાં આવી છે. ઉદાહરણ તરીકે, જો વિદ્યાર્થીઓ શીખવાની પ્રવૃત્તિઓમાં સક્રિયપણે ભાગ લે અને શિક્ષકો સુવિધા આપનાર તરીકે કાર્ય કરે અને મૂલ્યવાન પ્રતિસાદ આપવા માટે જવાબદાર હોય તો આ પ્રાપ્ત કરી શકાય છે. એવું કહેવાય છે કે વિદ્યાર્થીઓના શૈક્ષણિક સ્તર અથવા પસંદગીઓને અનુરૂપ શીખવાની સામગ્રી અને પ્રવૃત્તિઓ પૂરી પાડવાથી વિદ્યાર્થીઓના શીખવાના વાતાવરણમાં સુધારો થઈ શકે છે અને સકારાત્મક શીખવાના અનુભવોને પ્રોત્સાહન મળી શકે છે [5].
સામાન્ય રીતે કહીએ તો, ડેન્ટલ વિદ્યાર્થીઓની શીખવાની પ્રક્રિયા તેમને કરવા માટે જરૂરી વિવિધ ક્લિનિકલ પ્રક્રિયાઓ અને ક્લિનિકલ વાતાવરણથી પ્રભાવિત થાય છે જેમાં તેઓ અસરકારક આંતરવ્યક્તિત્વ કુશળતા વિકસાવે છે. તાલીમનો હેતુ વિદ્યાર્થીઓને દંત ચિકિત્સાનું મૂળભૂત જ્ઞાન ડેન્ટલ ક્લિનિકલ કુશળતા સાથે જોડવા અને પ્રાપ્ત જ્ઞાનને નવી ક્લિનિકલ પરિસ્થિતિઓમાં લાગુ કરવા સક્ષમ બનાવવાનો છે [6, 7]. LS અને IS વચ્ચેના સંબંધના પ્રારંભિક સંશોધનમાં જાણવા મળ્યું છે કે પસંદગીના LS સાથે મેપ કરેલી શીખવાની વ્યૂહરચનાઓ ગોઠવવાથી શૈક્ષણિક પ્રક્રિયામાં સુધારો થશે [8]. લેખકો વિદ્યાર્થીઓના શિક્ષણ અને જરૂરિયાતોને અનુરૂપ વિવિધ શિક્ષણ અને મૂલ્યાંકન પદ્ધતિઓનો ઉપયોગ કરવાની પણ ભલામણ કરે છે.
શિક્ષકોને LS જ્ઞાનનો ઉપયોગ કરીને સૂચના ડિઝાઇન, વિકાસ અને અમલમાં મૂકવામાં મદદ મળે છે જે વિદ્યાર્થીઓને વિષયવસ્તુના ઊંડા જ્ઞાન અને સમજણમાં વધારો કરશે. સંશોધકોએ ઘણા LS મૂલ્યાંકન સાધનો વિકસાવ્યા છે, જેમ કે કોલ્બ એક્સપિરિયન્શિયલ લર્નિંગ મોડેલ, ફેલ્ડર-સિલ્વરમેન લર્નિંગ સ્ટાઇલ મોડેલ (FSLSM), અને ફ્લેમિંગ VAK/VARK મોડેલ [5, 9, 10]. સાહિત્ય અનુસાર, આ લર્નિંગ મોડેલો સૌથી વધુ ઉપયોગમાં લેવાતા અને સૌથી વધુ અભ્યાસ કરાયેલા લર્નિંગ મોડેલો 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 વિજ્ઞાન (દવા, નર્સિંગ, ફાર્મસી અને દંત ચિકિત્સા સહિત) માં ઘણા પ્રકાશિત કાર્યો છે જે FSLSM મોડેલો [5, 11, 12, 13] નો ઉપયોગ કરીને શોધી શકાય છે. FLSM માં LS ના પરિમાણોને માપવા માટે વપરાતા સાધનને ઇન્ડેક્સ ઓફ લર્નિંગ સ્ટાઇલ (ILS) [8] કહેવામાં આવે છે, જેમાં LS ના ચાર પરિમાણોનું મૂલ્યાંકન કરતી 44 વસ્તુઓ શામેલ છે: પ્રક્રિયા (સક્રિય/પ્રતિબિંબિત), દ્રષ્ટિ (ગ્રહણશીલ/સાહજિક), ઇનપુટ (દ્રશ્ય). /મૌખિક) અને સમજણ (ક્રમિક/વૈશ્વિક) [14].
આકૃતિ 1 માં બતાવ્યા પ્રમાણે, દરેક FSLSM પરિમાણમાં એક મુખ્ય પસંદગી હોય છે. ઉદાહરણ તરીકે, પ્રક્રિયા 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 "અનુભવી" પરિમાણને "લાગણી" અને/અથવા "અંતર્જ્ઞાન" માં વિભાજિત કરી શકાય છે. "લાગણી" ધરાવતા વિદ્યાર્થીઓ વધુ નક્કર માહિતી અને વ્યવહારુ પ્રક્રિયાઓ પસંદ કરે છે, "સાહજિક" વિદ્યાર્થીઓની તુલનામાં 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 પ્રદર્શનો (જેમ કે આકૃતિઓ, વિડિઓઝ અથવા જીવંત પ્રદર્શનો) દ્વારા શીખવાનું પસંદ કરે છે, જ્યારે "મૌખિક" LS ધરાવતા લોકો લેખિત અથવા મૌખિક સમજૂતીઓમાં શબ્દો દ્વારા શીખવાનું પસંદ કરે છે. LS પરિમાણોને "સમજવા" માટે, આવા શીખનારાઓને "ક્રમિક" અને "વૈશ્વિક" માં વિભાજિત કરી શકાય છે. "ક્રમિક શીખનારાઓ રેખીય વિચાર પ્રક્રિયા પસંદ કરે છે અને પગલું દ્વારા પગલું શીખે છે, જ્યારે વૈશ્વિક શીખનારાઓ એક સર્વાંગી વિચાર પ્રક્રિયા ધરાવે છે અને તેઓ જે શીખી રહ્યા છે તેની હંમેશા સારી સમજ ધરાવે છે.
તાજેતરમાં, ઘણા સંશોધકોએ સ્વચાલિત ડેટા-આધારિત શોધ માટે પદ્ધતિઓ શોધવાનું શરૂ કર્યું છે, જેમાં નવા અલ્ગોરિધમ્સ અને મોડેલોનો વિકાસ શામેલ છે જે મોટા પ્રમાણમાં ડેટાનું અર્થઘટન કરી શકે છે [15, 16]. પ્રદાન કરેલા ડેટાના આધારે, દેખરેખ કરાયેલ ML (મશીન લર્નિંગ) એલ્ગોરિધમ્સના નિર્માણના આધારે ભવિષ્યના પરિણામોની આગાહી કરતી પેટર્ન અને પૂર્વધારણાઓ ઉત્પન્ન કરવામાં સક્ષમ છે [17]. સરળ શબ્દોમાં કહીએ તો, દેખરેખ કરાયેલ મશીન લર્નિંગ તકનીકો ઇનપુટ ડેટામાં ફેરફાર કરે છે અને અલ્ગોરિધમ્સને તાલીમ આપે છે. તે પછી તે એક શ્રેણી જનરેટ કરે છે જે પ્રદાન કરેલા ઇનપુટ ડેટા માટે સમાન પરિસ્થિતિઓના આધારે પરિણામનું વર્ગીકરણ અથવા આગાહી કરે છે. દેખરેખ કરાયેલ મશીન લર્નિંગ અલ્ગોરિધમ્સનો મુખ્ય ફાયદો આદર્શ અને ઇચ્છિત પરિણામો સ્થાપિત કરવાની તેની ક્ષમતા છે [17].
ડેટા-સંચાલિત પદ્ધતિઓ અને નિર્ણય વૃક્ષ નિયંત્રણ મોડેલોના ઉપયોગ દ્વારા, LS નું સ્વચાલિત શોધ શક્ય છે. આરોગ્ય વિજ્ઞાન [18, 19] સહિત વિવિધ ક્ષેત્રોમાં તાલીમ કાર્યક્રમોમાં નિર્ણય વૃક્ષોનો વ્યાપકપણે ઉપયોગ થતો હોવાનું નોંધાયું છે. આ અભ્યાસમાં, મોડેલને સિસ્ટમ ડેવલપર્સ દ્વારા ખાસ કરીને વિદ્યાર્થીઓના LS ઓળખવા અને તેમના માટે શ્રેષ્ઠ IS ની ભલામણ કરવા માટે તાલીમ આપવામાં આવી હતી.
આ અભ્યાસનો હેતુ વિદ્યાર્થીઓના LS પર આધારિત IS ડિલિવરી વ્યૂહરચનાઓ વિકસાવવાનો અને LS સાથે મેપ કરેલ IS ભલામણ સાધન વિકસાવીને SCL અભિગમ લાગુ કરવાનો છે. SCL પદ્ધતિની વ્યૂહરચના તરીકે IS ભલામણ સાધનનો ડિઝાઇન પ્રવાહ આકૃતિ 1 માં દર્શાવવામાં આવ્યો છે. IS ભલામણ સાધનને બે ભાગોમાં વહેંચવામાં આવ્યું છે, જેમાં ILS નો ઉપયોગ કરીને LS વર્ગીકરણ પદ્ધતિ અને વિદ્યાર્થીઓ માટે સૌથી યોગ્ય IS પ્રદર્શનનો સમાવેશ થાય છે.
ખાસ કરીને, માહિતી સુરક્ષા ભલામણ સાધનોની લાક્ષણિકતાઓમાં વેબ ટેકનોલોજીનો ઉપયોગ અને નિર્ણય વૃક્ષ મશીન લર્નિંગનો ઉપયોગ શામેલ છે. સિસ્ટમ ડેવલપર્સ મોબાઇલ ફોન અને ટેબ્લેટ જેવા મોબાઇલ ઉપકરણોને અનુકૂલિત કરીને વપરાશકર્તા અનુભવ અને ગતિશીલતાને સુધારે છે.
આ પ્રયોગ બે તબક્કામાં હાથ ધરવામાં આવ્યો હતો અને મલાયા યુનિવર્સિટીના ડેન્ટિસ્ટ્રી ફેકલ્ટીના વિદ્યાર્થીઓએ સ્વૈચ્છિક ધોરણે ભાગ લીધો હતો. સહભાગીઓએ ડેન્ટલ વિદ્યાર્થીના અંગ્રેજીમાં ઓનલાઈન m-ILS નો પ્રતિભાવ આપ્યો હતો. પ્રારંભિક તબક્કામાં, નિર્ણય વૃક્ષ મશીન લર્નિંગ અલ્ગોરિધમને તાલીમ આપવા માટે 50 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો હતો. વિકાસ પ્રક્રિયાના બીજા તબક્કામાં, વિકસિત સાધનની ચોકસાઈ સુધારવા માટે 255 વિદ્યાર્થીઓના ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો હતો.
શૈક્ષણિક વર્ષ પર આધાર રાખીને, દરેક તબક્કાની શરૂઆતમાં, બધા સહભાગીઓને માઇક્રોસોફ્ટ ટીમ્સ દ્વારા ઓનલાઈન બ્રીફિંગ આપવામાં આવે 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 બધી 44 વસ્તુઓના જવાબ આપવાની સૂચના આપવામાં આવી હતી. સેમેસ્ટર શરૂ થાય તે પહેલાં સેમેસ્ટર બ્રેક દરમિયાન તેમને અનુકૂળ સમયે અને સ્થાન પર સંશોધિત ILS પૂર્ણ કરવા માટે તેમને એક અઠવાડિયાનો સમય આપવામાં આવ્યો હતો. m-ILS મૂળ ILS સાધન પર આધારિત છે અને ડેન્ટલ વિદ્યાર્થીઓ માટે સંશોધિત છે. મૂળ ILS ની જેમ, તેમાં 44 સમાન રીતે વિતરિત વસ્તુઓ (a, b) છે, જેમાં પ્રત્યેક 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 નકશાઓ પર મેન્યુઅલી ટીકા કરી. FSLM મુજબ, સિસ્ટમ "a" અને "b" જવાબોનો સરવાળો પ્રદાન કરે છે. દરેક પરિમાણ માટે, જો વિદ્યાર્થી "a" ને જવાબ તરીકે પસંદ કરે છે, તો LS ને સક્રિય/ગ્રહણશીલ/દ્રશ્ય/ક્રમિક તરીકે વર્ગીકૃત કરવામાં આવે છે, અને જો વિદ્યાર્થી "b" ને જવાબ તરીકે પસંદ કરે છે, તો વિદ્યાર્થીને પ્રતિબિંબિત/સાહજિક/ભાષાકીય / વૈશ્વિક શીખનાર તરીકે વર્ગીકૃત કરવામાં આવે છે.
ડેન્ટલ એજ્યુકેશન સંશોધકો અને સિસ્ટમ ડેવલપર્સ વચ્ચે વર્કફ્લોનું માપાંકન કર્યા પછી, FLSSM ડોમેનના આધારે પ્રશ્નો પસંદ કરવામાં આવ્યા હતા અને દરેક વિદ્યાર્થીના LS ની આગાહી કરવા માટે ML મોડેલમાં ફીડ કરવામાં આવ્યા હતા. "કચરો અંદર નાખો, કચરો બહાર કાઢો" એ મશીન લર્નિંગના ક્ષેત્રમાં એક લોકપ્રિય કહેવત છે, જેમાં ડેટા ગુણવત્તા પર ભાર મૂકવામાં આવે છે. ઇનપુટ ડેટાની ગુણવત્તા મશીન લર્નિંગ મોડેલની ચોકસાઈ અને ચોકસાઈ નક્કી કરે છે. ફીચર એન્જિનિયરિંગ તબક્કા દરમિયાન, એક નવો ફીચર સેટ બનાવવામાં આવે છે જે FLSSM પર આધારિત "a" અને "b" જવાબોનો સરવાળો છે. ડ્રગ પોઝિશનના ઓળખ નંબરો કોષ્ટક 1 માં આપવામાં આવ્યા છે.
જવાબોના આધારે સ્કોરની ગણતરી કરો અને વિદ્યાર્થીનો LS નક્કી કરો. દરેક વિદ્યાર્થી માટે, સ્કોર રેન્જ 1 થી 11 છે. 1 થી 3 સુધીના સ્કોર્સ સમાન પરિમાણમાં શીખવાની પસંદગીઓનું સંતુલન દર્શાવે છે, અને 5 થી 7 સુધીના સ્કોર્સ મધ્યમ પસંદગી દર્શાવે છે, જે દર્શાવે છે કે વિદ્યાર્થીઓ બીજાને શીખવવાનું એક વાતાવરણ પસંદ કરે છે. સમાન પરિમાણ પર બીજો તફાવત એ છે કે 9 થી 11 સુધીના સ્કોર્સ એક અથવા બીજા છેડા માટે મજબૂત પસંદગી દર્શાવે છે [8].
દરેક પરિમાણ માટે, દવાઓને "સક્રિય", "પ્રતિબિંબિત" અને "સંતુલિત" માં જૂથબદ્ધ કરવામાં આવી હતી. ઉદાહરણ તરીકે, જ્યારે કોઈ વિદ્યાર્થી નિયુક્ત વસ્તુ પર "b" કરતાં "a" નો જવાબ આપે છે અને તેનો/તેણીનો સ્કોર પ્રોસેસિંગ LS પરિમાણનું પ્રતિનિધિત્વ કરતી ચોક્કસ વસ્તુ માટે 5 ની થ્રેશોલ્ડ કરતાં વધી જાય છે, ત્યારે તે/તેણી "સક્રિય" LS ડોમેનનો છે. . જો કે, વિદ્યાર્થીઓને "પ્રતિબિંબિત" LS તરીકે વર્ગીકૃત કરવામાં આવ્યા હતા જ્યારે તેઓએ ચોક્કસ 11 પ્રશ્નો (કોષ્ટક 1) માં "a" કરતાં "b" વધુ પસંદ કર્યું હતું અને 5 થી વધુ પોઈન્ટ મેળવ્યા હતા. અંતે, વિદ્યાર્થી "સંતુલનની સ્થિતિમાં છે." જો સ્કોર 5 પોઈન્ટથી વધુ ન હોય, તો આ એક "પ્રક્રિયા" LS છે. વર્ગીકરણ પ્રક્રિયા અન્ય LS પરિમાણો માટે પુનરાવર્તિત કરવામાં આવી હતી, જેમ કે ધારણા (સક્રિય/પ્રતિબિંબિત), ઇનપુટ (દ્રશ્ય/મૌખિક), અને સમજણ (ક્રમિક/વૈશ્વિક).
ડિસિઝન ટ્રી મોડેલ્સ વર્ગીકરણ પ્રક્રિયાના વિવિધ તબક્કામાં સુવિધાઓ અને નિર્ણય નિયમોના વિવિધ સબસેટનો ઉપયોગ કરી શકે છે. તેને એક લોકપ્રિય વર્ગીકરણ અને આગાહી સાધન માનવામાં આવે છે. તેને ફ્લોચાર્ટ [20] જેવા વૃક્ષ માળખાનો ઉપયોગ કરીને રજૂ કરી શકાય છે, જેમાં આંતરિક ગાંઠો હોય છે જે વિશેષતા દ્વારા પરીક્ષણોનું પ્રતિનિધિત્વ કરે છે, દરેક શાખા પરીક્ષણ પરિણામોનું પ્રતિનિધિત્વ કરે છે, અને દરેક લીફ નોડ (લીફ નોડ) જેમાં વર્ગ લેબલ હોય છે.
દરેક વિદ્યાર્થીના જવાબોના આધારે તેમના LS ને આપમેળે સ્કોર કરવા અને ટીકા કરવા માટે એક સરળ નિયમ-આધારિત પ્રોગ્રામ બનાવવામાં આવ્યો હતો. નિયમ-આધારિત IF સ્ટેટમેન્ટનું સ્વરૂપ લે છે, જ્યાં "IF" ટ્રિગરનું વર્ણન કરે છે અને "THEN" કરવા માટેની ક્રિયાનો ઉલ્લેખ કરે છે, ઉદાહરણ તરીકે: "જો X થાય છે, તો Y કરો" (Liu et al., 2014). જો ડેટા સેટ સહસંબંધ દર્શાવે છે અને નિર્ણય વૃક્ષ મોડેલ યોગ્ય રીતે પ્રશિક્ષિત અને મૂલ્યાંકન થયેલ છે, તો આ અભિગમ LS અને IS ને મેચ કરવાની પ્રક્રિયાને સ્વચાલિત કરવાનો એક અસરકારક માર્ગ બની શકે છે.
વિકાસના બીજા તબક્કામાં, ભલામણ સાધનની ચોકસાઈ સુધારવા માટે ડેટાસેટને 255 સુધી વધારવામાં આવ્યો હતો. ડેટા સેટને 1:4 ના ગુણોત્તરમાં વિભાજિત કરવામાં આવ્યો છે. ડેટા સેટના 25% (64) નો ઉપયોગ ટેસ્ટ સેટ માટે કરવામાં આવ્યો હતો, અને બાકીના 75% (191) નો ઉપયોગ ટ્રેનિંગ સેટ તરીકે કરવામાં આવ્યો હતો (આકૃતિ 2). મોડેલને એક જ ડેટા સેટ પર તાલીમ અને પરીક્ષણ કરવાથી અટકાવવા માટે ડેટા સેટને વિભાજિત કરવાની જરૂર છે, જેના કારણે મોડેલ શીખવાને બદલે યાદ રાખી શકે છે. મોડેલને તાલીમ સેટ પર તાલીમ આપવામાં આવે છે અને ટેસ્ટ સેટ પર તેના પ્રદર્શનનું મૂલ્યાંકન કરે છે - જે ડેટા મોડેલે પહેલાં ક્યારેય જોયો નથી.
એકવાર IS ટૂલ વિકસિત થઈ ગયા પછી, એપ્લિકેશન વેબ ઇન્ટરફેસ દ્વારા ડેન્ટલ વિદ્યાર્થીઓના પ્રતિભાવોના આધારે LS નું વર્ગીકરણ કરી શકશે. વેબ-આધારિત માહિતી સુરક્ષા ભલામણ ટૂલ સિસ્ટમ પાયથોન પ્રોગ્રામિંગ ભાષાનો ઉપયોગ કરીને બનાવવામાં આવી છે જેનો ઉપયોગ Django ફ્રેમવર્કને બેકએન્ડ તરીકે ઉપયોગ કરીને કરવામાં આવે છે. કોષ્ટક 2 આ સિસ્ટમના વિકાસમાં ઉપયોગમાં લેવાતી લાઇબ્રેરીઓની યાદી આપે છે.
ડેટાસેટને નિર્ણય વૃક્ષ મોડેલમાં ફીડ કરવામાં આવે છે જેથી વિદ્યાર્થીઓના પ્રતિભાવોની ગણતરી કરી શકાય અને તેમને બહાર કાઢી શકાય જેથી વિદ્યાર્થી LS માપનનું આપમેળે વર્ગીકરણ કરી શકાય.
આપેલ ડેટા સેટ પર નિર્ણય વૃક્ષ મશીન લર્નિંગ અલ્ગોરિધમની ચોકસાઈનું મૂલ્યાંકન કરવા માટે કન્ફ્યુઝન મેટ્રિક્સનો ઉપયોગ થાય છે. તે જ સમયે, તે વર્ગીકરણ મોડેલના પ્રદર્શનનું મૂલ્યાંકન કરે છે. તે મોડેલની આગાહીઓનો સારાંશ આપે છે અને વાસ્તવિક ડેટા લેબલ્સ સાથે તેમની તુલના કરે છે. મૂલ્યાંકન પરિણામો ચાર અલગ અલગ મૂલ્યો પર આધારિત છે: ટ્રુ પોઝિટિવ (TP) - મોડેલે પોઝિટિવ કેટેગરીની યોગ્ય રીતે આગાહી કરી, ફોલ્સ પોઝિટિવ (FP) - મોડેલે પોઝિટિવ કેટેગરીની આગાહી કરી, પરંતુ સાચું લેબલ નકારાત્મક હતું, ટ્રુ નેગેટિવ (TN) - મોડેલે પોઝિટિવ વર્ગની યોગ્ય રીતે આગાહી કરી, અને ફોલ્સ નેગેટિવ (FN) - મોડેલ નકારાત્મક વર્ગની આગાહી કરે છે, પરંતુ સાચું લેબલ હકારાત્મક છે.
આ મૂલ્યોનો ઉપયોગ પછી પાયથોનમાં સાયકિટ-લર્ન વર્ગીકરણ મોડેલના વિવિધ પ્રદર્શન મેટ્રિક્સની ગણતરી કરવા માટે થાય છે, જેમ કે ચોકસાઇ, ચોકસાઇ, રિકોલ અને F1 સ્કોર. અહીં ઉદાહરણો છે:
રિકોલ (અથવા સંવેદનશીલતા) m-ILS પ્રશ્નાવલીનો જવાબ આપ્યા પછી વિદ્યાર્થીના LS ને સચોટ રીતે વર્ગીકૃત કરવાની મોડેલની ક્ષમતાને માપે છે.
વિશિષ્ટતાને સાચો નકારાત્મક દર કહેવામાં આવે છે. જેમ તમે ઉપરોક્ત સૂત્ર પરથી જોઈ શકો છો, આ સાચા નકારાત્મક (TN) થી સાચા નકારાત્મક અને ખોટા હકારાત્મક (FP) નો ગુણોત્તર હોવો જોઈએ. વિદ્યાર્થી દવાઓનું વર્ગીકરણ કરવા માટે ભલામણ કરાયેલ સાધનના ભાગ રૂપે, તે ચોક્કસ ઓળખ માટે સક્ષમ હોવું જોઈએ.
ડિસિઝન ટ્રી ML મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા 50 વિદ્યાર્થીઓના મૂળ ડેટાસેટમાં એનોટેશનમાં માનવ ભૂલને કારણે પ્રમાણમાં ઓછી ચોકસાઈ જોવા મળી હતી (કોષ્ટક 3). LS સ્કોર્સ અને વિદ્યાર્થી એનોટેશનની આપમેળે ગણતરી કરવા માટે એક સરળ નિયમ-આધારિત પ્રોગ્રામ બનાવ્યા પછી, ભલામણકર્તા સિસ્ટમને તાલીમ આપવા અને પરીક્ષણ કરવા માટે ડેટાસેટ્સની વધતી જતી સંખ્યા (255) નો ઉપયોગ કરવામાં આવ્યો.
મલ્ટિક્લાસ કન્ફ્યુઝન મેટ્રિક્સમાં, કર્ણ તત્વો દરેક LS પ્રકાર માટે યોગ્ય આગાહીઓની સંખ્યા દર્શાવે છે (આકૃતિ 4). નિર્ણય વૃક્ષ મોડેલનો ઉપયોગ કરીને, કુલ 64 નમૂનાઓની યોગ્ય રીતે 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 સચોટ આગાહી કરે છે. આમ, ભલામણ સાધનની એકંદર ચોકસાઈ 100% છે.
ચોકસાઈ, ચોકસાઈ, રિકોલ અને F1 સ્કોરના મૂલ્યો આકૃતિ 5 માં દર્શાવવામાં આવ્યા છે. નિર્ણય વૃક્ષ મોડેલનો ઉપયોગ કરતી ભલામણ પ્રણાલી માટે, તેનો F1 સ્કોર 1.0 "પરફેક્ટ" છે, જે સંપૂર્ણ ચોકસાઇ અને રિકોલ દર્શાવે છે, જે નોંધપાત્ર સંવેદનશીલતા અને વિશિષ્ટતા મૂલ્યોને પ્રતિબિંબિત કરે છે.
આકૃતિ 6 તાલીમ અને પરીક્ષણ પૂર્ણ થયા પછી નિર્ણય વૃક્ષ મોડેલનું વિઝ્યુલાઇઝેશન દર્શાવે છે. સાથે-સાથે સરખામણીમાં, ઓછી સુવિધાઓ સાથે તાલીમ પામેલા નિર્ણય વૃક્ષ મોડેલમાં ઉચ્ચ ચોકસાઈ અને સરળ મોડેલ વિઝ્યુલાઇઝેશન દર્શાવવામાં આવ્યું છે. આ દર્શાવે છે કે ફીચર એન્જિનિયરિંગ જે ફીચર રિડક્શન તરફ દોરી જાય છે તે મોડેલ પ્રદર્શન સુધારવા માટે એક મહત્વપૂર્ણ પગલું છે.
નિર્ણય વૃક્ષ દેખરેખ હેઠળના શિક્ષણનો ઉપયોગ કરીને, LS (ઇનપુટ) અને IS (લક્ષ્ય આઉટપુટ) વચ્ચેનું મેપિંગ આપમેળે જનરેટ થાય છે અને તેમાં દરેક LS માટે વિગતવાર માહિતી શામેલ હોય છે.
પરિણામો દર્શાવે છે કે 255 વિદ્યાર્થીઓમાંથી 34.9% વિદ્યાર્થીઓએ એક (1) LS વિકલ્પ પસંદ કર્યો હતો. મોટાભાગના (54.3%) વિદ્યાર્થીઓને બે કે તેથી વધુ LS પસંદગીઓ હતી. 12.2% વિદ્યાર્થીઓએ નોંધ્યું કે LS એકદમ સંતુલિત છે (કોષ્ટક 4). આઠ મુખ્ય LS ઉપરાંત, મલાયા યુનિવર્સિટીના ડેન્ટલ વિદ્યાર્થીઓ માટે LS વર્ગીકરણના 34 સંયોજનો છે. તેમાંથી, દ્રષ્ટિ, દ્રષ્ટિ અને દ્રષ્ટિ અને દ્રષ્ટિનું સંયોજન 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 મુખ્ય હતું. એવું નોંધાયું હતું કે 12.2% વિદ્યાર્થીઓ દ્રષ્ટિ (ગ્રહણશીલ-દ્રશ્ય LS) સાથે દ્રષ્ટિનું સંયોજન કરે 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 સચેત સ્વભાવના હોય છે. તે જ સમયે, તેઓ જોઈને (આકૃતિઓ વગેરેનો ઉપયોગ કરીને) શીખવાનો આનંદ માણે છે અને જૂથોમાં અથવા પોતાની જાતે માહિતીની ચર્ચા અને અમલ કરવાનું વલણ ધરાવે છે.
આ અભ્યાસ ડેટા માઇનિંગમાં ઉપયોગમાં લેવાતી મશીન લર્નિંગ તકનીકોનો ઝાંખી આપે છે, જેમાં વિદ્યાર્થીઓના LS ની તાત્કાલિક અને સચોટ આગાહી કરવા અને યોગ્ય IS ની ભલામણ કરવા પર ધ્યાન કેન્દ્રિત કરવામાં આવે છે. નિર્ણય વૃક્ષ મોડેલના ઉપયોગથી તેમના જીવન અને શૈક્ષણિક અનુભવો સાથે સૌથી નજીકથી સંબંધિત પરિબળો ઓળખાય છે. તે એક નિરીક્ષણ કરેલ મશીન લર્નિંગ અલ્ગોરિધમ છે જે ચોક્કસ માપદંડોના આધારે ડેટાના સમૂહને સબકેટેગરીઝમાં વિભાજીત કરીને ડેટાનું વર્ગીકરણ કરવા માટે ટ્રી સ્ટ્રક્ચરનો ઉપયોગ કરે છે. તે લીફ નોડ પર નિર્ણય ન લેવાય ત્યાં સુધી દરેક આંતરિક નોડના ઇનપુટ લક્ષણોમાંથી એકના મૂલ્યના આધારે ઇનપુટ ડેટાને સબસેટમાં પુનરાવર્તિત રીતે વિભાજીત કરીને કાર્ય કરે છે.
નિર્ણય વૃક્ષના આંતરિક ગાંઠો m-ILS સમસ્યાની ઇનપુટ લાક્ષણિકતાઓના આધારે ઉકેલનું પ્રતિનિધિત્વ કરે છે, અને લીફ ગાંઠો અંતિમ LS વર્ગીકરણ આગાહીનું પ્રતિનિધિત્વ કરે છે. સમગ્ર અભ્યાસ દરમિયાન, ઇનપુટ સુવિધાઓ અને આઉટપુટ આગાહીઓ વચ્ચેના સંબંધને જોઈને નિર્ણય વૃક્ષોના વંશવેલાને સમજવું સરળ છે જે નિર્ણય પ્રક્રિયાને સમજાવે છે અને કલ્પના કરે છે.
કોમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગના ક્ષેત્રોમાં, મશીન લર્નિંગ અલ્ગોરિધમ્સનો ઉપયોગ વિદ્યાર્થીઓના પ્રવેશ પરીક્ષાના સ્કોર્સ [21], વસ્તી વિષયક માહિતી અને શીખવાની વર્તણૂક [22] ના આધારે પ્રદર્શનની આગાહી કરવા માટે વ્યાપકપણે થાય છે. સંશોધન દર્શાવે છે કે અલ્ગોરિધમ વિદ્યાર્થીઓના પ્રદર્શનની સચોટ આગાહી કરે છે અને શૈક્ષણિક મુશ્કેલીઓના જોખમમાં રહેલા વિદ્યાર્થીઓને ઓળખવામાં મદદ કરે છે.
ડેન્ટલ તાલીમ માટે વર્ચ્યુઅલ પેશન્ટ સિમ્યુલેટરના વિકાસમાં ML અલ્ગોરિધમ્સનો ઉપયોગ નોંધવામાં આવ્યો છે. આ સિમ્યુલેટર વાસ્તવિક દર્દીઓના શારીરિક પ્રતિભાવોને સચોટ રીતે પુનઃઉત્પાદિત 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 સંભવિત રીતે ડેન્ટલ અને તબીબી શિક્ષણ અને દર્દી સંભાળની ગુણવત્તા અને કાર્યક્ષમતામાં સુધારો કરી શકે છે. લક્ષણો અને દર્દીની લાક્ષણિકતાઓ [24, 25] જેવા ડેટા સેટના આધારે ડેન્ટલ રોગોના નિદાનમાં મદદ કરવા માટે મશીન લર્નિંગ અલ્ગોરિધમ્સનો 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 અલ્ગોરિધમ્સનો ઉપયોગ કરવાની શોધ કરી છે.
દંત ચિકિત્સામાં મશીન લર્નિંગના ઉપયોગ અંગેના અહેવાલો પ્રકાશિત થયા હોવા છતાં, દંત શિક્ષણમાં તેનો ઉપયોગ મર્યાદિત રહે છે. તેથી, આ અભ્યાસનો ઉદ્દેશ્ય ડેન્ટલ વિદ્યાર્થીઓમાં LS અને IS સાથે સૌથી વધુ સંકળાયેલા પરિબળોને ઓળખવા માટે નિર્ણય વૃક્ષ મોડેલનો ઉપયોગ કરવાનો હતો.
આ અભ્યાસના પરિણામો દર્શાવે છે કે વિકસિત ભલામણ સાધન ઉચ્ચ ચોકસાઈ અને સંપૂર્ણ ચોકસાઈ ધરાવે છે, જે દર્શાવે છે કે શિક્ષકો આ સાધનનો લાભ લઈ શકે છે. ડેટા-આધારિત વર્ગીકરણ પ્રક્રિયાનો ઉપયોગ કરીને, તે વ્યક્તિગત ભલામણો પ્રદાન કરી શકે છે અને શિક્ષકો અને વિદ્યાર્થીઓ માટે શૈક્ષણિક અનુભવો અને પરિણામોમાં સુધારો કરી શકે છે. તેમાંથી, ભલામણ સાધનો દ્વારા મેળવેલી માહિતી શિક્ષકોની પસંદગીની શિક્ષણ પદ્ધતિઓ અને વિદ્યાર્થીઓની શીખવાની જરૂરિયાતો વચ્ચેના સંઘર્ષને ઉકેલી શકે છે. ઉદાહરણ તરીકે, ભલામણ સાધનોના સ્વચાલિત આઉટપુટને કારણે, વિદ્યાર્થીના IP ને ઓળખવા અને તેને અનુરૂપ IP સાથે મેચ કરવા માટે જરૂરી સમય નોંધપાત્ર રીતે ઓછો થશે. આ રીતે, યોગ્ય તાલીમ પ્રવૃત્તિઓ અને તાલીમ સામગ્રીનું આયોજન કરી શકાય છે. આ વિદ્યાર્થીઓના સકારાત્મક શિક્ષણ વર્તન અને ધ્યાન કેન્દ્રિત કરવાની ક્ષમતા વિકસાવવામાં મદદ કરે છે. એક અભ્યાસમાં જણાવાયું છે કે વિદ્યાર્થીઓને તેમની પસંદગીની LS સાથે મેળ ખાતી શીખવાની સામગ્રી અને શીખવાની પ્રવૃત્તિઓ પૂરી પાડવાથી વિદ્યાર્થીઓને વધુ સંભાવના પ્રાપ્ત કરવા માટે બહુવિધ રીતે શીખવાનું એકીકૃત કરવામાં, પ્રક્રિયા કરવામાં અને આનંદ માણવામાં મદદ મળી શકે છે [12]. સંશોધન એ પણ દર્શાવે છે કે વર્ગખંડમાં વિદ્યાર્થીઓની ભાગીદારીમાં સુધારો કરવા ઉપરાંત, વિદ્યાર્થીઓની શીખવાની પ્રક્રિયાને સમજવાથી શિક્ષણ પદ્ધતિઓ અને વિદ્યાર્થીઓ સાથે વાતચીત સુધારવામાં પણ મહત્વપૂર્ણ ભૂમિકા ભજવે છે [28, 29].
જોકે, કોઈપણ આધુનિક ટેકનોલોજીની જેમ, સમસ્યાઓ અને મર્યાદાઓ છે. આમાં ડેટા ગોપનીયતા, પૂર્વગ્રહ અને ન્યાયીપણા, અને ડેન્ટલ શિક્ષણમાં મશીન લર્નિંગ અલ્ગોરિધમ્સ વિકસાવવા અને અમલમાં મૂકવા માટે જરૂરી વ્યાવસાયિક કુશળતા અને સંસાધનો સંબંધિત મુદ્દાઓનો સમાવેશ થાય છે; જોકે, આ ક્ષેત્રમાં વધતી જતી રુચિ અને સંશોધન સૂચવે છે કે મશીન લર્નિંગ ટેકનોલોજી ડેન્ટલ શિક્ષણ અને ડેન્ટલ સેવાઓ પર હકારાત્મક અસર કરી શકે છે.
આ અભ્યાસના પરિણામો દર્શાવે છે કે અડધા ડેન્ટલ વિદ્યાર્થીઓ દવાઓ "સમજવાની" વૃત્તિ ધરાવે છે. આ પ્રકારના શીખનારાઓને તથ્યો અને નક્કર ઉદાહરણો, વ્યવહારુ અભિગમ, વિગતો માટે ધીરજ અને "દ્રશ્ય" LS પસંદગી પસંદ હોય છે, જ્યાં શીખનારાઓ વિચારો અને વિચારો વ્યક્ત 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 કરતા અન્ય અભ્યાસો સાથે સુસંગત છે, જેમાંથી મોટાભાગનામાં સમજશક્તિ 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 સંપૂર્ણપણે સમજે છે, ત્યારે વિવિધ શિક્ષણ પદ્ધતિઓ અને પ્રવૃત્તિઓ લાગુ કરી શકાય છે જે વિદ્યાર્થીઓના પ્રદર્શન અને શીખવાના અનુભવમાં સુધારો કરશે [12, 31, 32]. અન્ય અભ્યાસોએ દર્શાવ્યું છે કે વિદ્યાર્થીઓના LS ને સમાયોજિત કરવાથી વિદ્યાર્થીઓના શીખવાના અનુભવ અને પ્રદર્શનમાં પણ સુધારો જોવા મળે છે જ્યારે તેમની શીખવાની શૈલીઓ તેમના પોતાના LS [13, 33] ને અનુરૂપ બદલાય છે.
વિદ્યાર્થીઓની શીખવાની ક્ષમતાઓના આધારે શિક્ષણ વ્યૂહરચનાના અમલીકરણ અંગે શિક્ષકોના મંતવ્યો અલગ અલગ હોઈ શકે છે. જ્યારે કેટલાક આ અભિગમના ફાયદા જુએ છે, જેમાં વ્યાવસાયિક વિકાસની તકો, માર્ગદર્શન અને સમુદાય સહાયનો સમાવેશ થાય છે, ત્યારે અન્ય લોકો સમય અને સંસ્થાકીય સહાય વિશે ચિંતિત હોઈ શકે છે. સંતુલન માટે પ્રયત્ન કરવો એ વિદ્યાર્થી-કેન્દ્રિત વલણ બનાવવા માટે ચાવીરૂપ છે. ઉચ્ચ શિક્ષણ સત્તાવાળાઓ, જેમ કે યુનિવર્સિટી વહીવટકર્તાઓ, નવીન પ્રથાઓ રજૂ કરીને અને ફેકલ્ટી વિકાસને ટેકો આપીને સકારાત્મક પરિવર્તન લાવવામાં મહત્વપૂર્ણ ભૂમિકા ભજવી શકે છે [34]. ખરેખર ગતિશીલ અને પ્રતિભાવશીલ ઉચ્ચ શિક્ષણ પ્રણાલી બનાવવા માટે, નીતિ નિર્માતાઓએ નીતિગત ફેરફારો કરવા, ટેકનોલોજી એકીકરણ માટે સંસાધનો સમર્પિત કરવા અને વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપતા માળખા બનાવવા જેવા બોલ્ડ પગલાં લેવા જોઈએ. ઇચ્છિત પરિણામો પ્રાપ્ત કરવા માટે આ પગલાં મહત્વપૂર્ણ છે. વિભિન્ન સૂચના પરના તાજેતરના સંશોધને સ્પષ્ટપણે દર્શાવ્યું છે કે વિભિન્ન સૂચનાના સફળ અમલીકરણ માટે શિક્ષકો માટે સતત તાલીમ અને વિકાસ તકોની જરૂર છે [35].
આ સાધન એવા દંત શિક્ષકોને મૂલ્યવાન સહાય પૂરી પાડે છે જેઓ વિદ્યાર્થી-મૈત્રીપૂર્ણ શિક્ષણ પ્રવૃત્તિઓનું આયોજન કરવા માટે વિદ્યાર્થી-કેન્દ્રિત અભિગમ અપનાવવા માંગે છે. જો કે, આ અભ્યાસ નિર્ણય વૃક્ષ ML મોડેલોના ઉપયોગ સુધી મર્યાદિત છે. ભવિષ્યમાં, ભલામણ સાધનોની ચોકસાઈ, વિશ્વસનીયતા અને ચોકસાઈની તુલના કરવા માટે વિવિધ મશીન લર્નિંગ મોડેલોના પ્રદર્શનની તુલના કરવા માટે વધુ ડેટા એકત્રિત કરવો જોઈએ. વધુમાં, ચોક્કસ કાર્ય માટે સૌથી યોગ્ય મશીન લર્નિંગ પદ્ધતિ પસંદ કરતી વખતે, મોડેલ જટિલતા અને અર્થઘટન જેવા અન્ય પરિબળોને ધ્યાનમાં લેવું મહત્વપૂર્ણ છે.
આ અભ્યાસની એક મર્યાદા એ છે કે તે ફક્ત ડેન્ટલ વિદ્યાર્થીઓમાં LS અને IS મેપિંગ પર ધ્યાન કેન્દ્રિત કરે છે. તેથી, વિકસિત ભલામણ પ્રણાલી 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 સાધન વિદ્યાર્થીઓના LS ને તાત્કાલિક વર્ગીકૃત કરવા અને અનુરૂપ IS સાથે મેચ કરવા સક્ષમ છે, જે તેને ડેન્ટલ શિક્ષકોને સંબંધિત શિક્ષણ અને શીખવાની પ્રવૃત્તિઓનું આયોજન કરવામાં મદદ કરવા માટેનો પ્રથમ ડેન્ટલ શિક્ષણ કાર્યક્રમ બનાવે છે. ડેટા-આધારિત ટ્રાયજ પ્રક્રિયાનો ઉપયોગ કરીને, તે વ્યક્તિગત ભલામણો પ્રદાન કરી શકે છે, સમય બચાવી શકે છે, શિક્ષણ વ્યૂહરચનાઓમાં સુધારો કરી શકે છે, લક્ષિત હસ્તક્ષેપોને સમર્થન આપી શકે છે અને ચાલુ વ્યાવસાયિક વિકાસને પ્રોત્સાહન આપી શકે છે. તેનો ઉપયોગ ડેન્ટલ શિક્ષણ માટે વિદ્યાર્થી-કેન્દ્રિત અભિગમોને પ્રોત્સાહન આપશે.
ગિલક જાની એસોસિએટેડ પ્રેસ. વિદ્યાર્થીની શીખવાની શૈલી અને શિક્ષકની શીખવાની શૈલી વચ્ચે મેળ કે મેળ ખાતો નથી. ઇન્ટ જે મોડ એજ્યુક કમ્પ્યુટર સાયન્સ. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
પોસ્ટ સમય: એપ્રિલ-29-2024