డెంటిస్ట్రీతో సహా ఉన్నత విద్యా సంస్థలలో విద్యార్థి-కేంద్రీకృత అభ్యాసం (SCL) యొక్క అవసరం పెరుగుతోంది.అయినప్పటికీ, దంత విద్యలో SCL పరిమిత అప్లికేషన్‌ను కలిగి ఉంది.అందువల్ల, IS మార్గదర్శకాలను అభివృద్ధి చేయడానికి ఉపయోగకరమైన సాధనంగా డెంటల్ విద్యార్థుల ప్రాధాన్య అభ్యాస శైలి (LS) మరియు సంబంధిత అభ్యాస వ్యూహాలను (IS) మ్యాప్ చేయడానికి డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ (ML) సాంకేతికతను ఉపయోగించడం ద్వారా దంతవైద్యంలో SCL యొక్క అనువర్తనాన్ని ప్రోత్సహించడం ఈ అధ్యయనం లక్ష్యం. .దంత విద్యార్థులకు మంచి పద్ధతులు.
మలయా విశ్వవిద్యాలయం నుండి మొత్తం 255 మంది డెంటల్ విద్యార్థులు సవరించిన ఇండెక్స్ ఆఫ్ లెర్నింగ్ స్టైల్స్ (m-ILS) ప్రశ్నాపత్రాన్ని పూర్తి చేసారు, ఇందులో 44 అంశాలను వారి సంబంధిత LSలుగా వర్గీకరించారు.సేకరించిన డేటా (డేటాసెట్ అని పిలుస్తారు) విద్యార్థుల అభ్యాస శైలులను అత్యంత సముచితమైన ISకి స్వయంచాలకంగా సరిపోల్చడానికి పర్యవేక్షించబడే నిర్ణయం ట్రీ లెర్నింగ్‌లో ఉపయోగించబడుతుంది.మెషిన్ లెర్నింగ్ ఆధారిత IS సిఫార్సు సాధనం యొక్క ఖచ్చితత్వం అప్పుడు మూల్యాంకనం చేయబడుతుంది.
LS (ఇన్పుట్) మరియు IS (టార్గెట్ అవుట్‌పుట్) మధ్య ఆటోమేటెడ్ మ్యాపింగ్ ప్రక్రియలో డెసిషన్ ట్రీ మోడల్‌ల అప్లికేషన్ ప్రతి దంత విద్యార్థికి తగిన అభ్యాస వ్యూహాల యొక్క తక్షణ జాబితాను అనుమతిస్తుంది.IS సిఫార్సు సాధనం ఖచ్చితమైన ఖచ్చితత్వాన్ని ప్రదర్శించింది మరియు మొత్తం మోడల్ ఖచ్చితత్వాన్ని రీకాల్ చేసింది, LSని ISకి సరిపోల్చడం మంచి సున్నితత్వం మరియు నిర్దిష్టతను కలిగి ఉందని సూచిస్తుంది.
ML డెసిషన్ ట్రీ ఆధారంగా ఒక IS సిఫార్సు సాధనం దంత విద్యార్థుల అభ్యాస శైలులను తగిన అభ్యాస వ్యూహాలతో సరిగ్గా సరిపోల్చగల సామర్థ్యాన్ని నిరూపించింది.ఈ సాధనం అభ్యాసకుల-కేంద్రీకృత కోర్సులు లేదా విద్యార్థుల అభ్యాస అనుభవాన్ని మెరుగుపరచగల మాడ్యూళ్లను ప్లాన్ చేయడానికి శక్తివంతమైన ఎంపికలను అందిస్తుంది.
విద్యా సంస్థలలో బోధన మరియు అభ్యాసం ప్రాథమిక కార్యకలాపాలు.అధిక-నాణ్యత కలిగిన వృత్తి విద్యా వ్యవస్థను అభివృద్ధి చేస్తున్నప్పుడు, విద్యార్థుల అభ్యాస అవసరాలపై దృష్టి పెట్టడం చాలా ముఖ్యం.విద్యార్థులు మరియు వారి అభ్యాస వాతావరణం మధ్య పరస్పర చర్య వారి LS ద్వారా నిర్ణయించబడుతుంది.విద్యార్థుల LS మరియు IS మధ్య ఉపాధ్యాయులు ఉద్దేశించిన అసమతుల్యత, శ్రద్ధ తగ్గడం మరియు ప్రేరణ వంటి విద్యార్థుల అభ్యాసానికి ప్రతికూల పరిణామాలను కలిగిస్తుందని పరిశోధనలు సూచిస్తున్నాయి.ఇది విద్యార్థి పనితీరును పరోక్షంగా ప్రభావితం చేస్తుంది [1,2].
IS అనేది విద్యార్థులకు జ్ఞానాన్ని మరియు నైపుణ్యాలను అందించడానికి ఉపాధ్యాయులు ఉపయోగించే ఒక పద్ధతి, ఇందులో విద్యార్థులు నేర్చుకోవడంలో సహాయపడటం [3].సాధారణంగా చెప్పాలంటే, మంచి ఉపాధ్యాయులు బోధనా వ్యూహాలను ప్లాన్ చేస్తారు లేదా వారి విద్యార్థుల జ్ఞాన స్థాయికి, వారు నేర్చుకుంటున్న కాన్సెప్ట్‌లకు మరియు వారి నేర్చుకునే దశకు సరిపోయేలా IS.సిద్ధాంతపరంగా, LS మరియు IS మ్యాచ్ అయినప్పుడు, విద్యార్థులు సమర్థవంతంగా నేర్చుకోవడానికి నిర్దిష్ట నైపుణ్యాలను నిర్వహించగలరు మరియు ఉపయోగించగలరు.సాధారణంగా, పాఠ్య ప్రణాళికలో దశల మధ్య అనేక పరివర్తనలు ఉంటాయి, బోధన నుండి మార్గదర్శక అభ్యాసానికి లేదా గైడెడ్ ప్రాక్టీస్ నుండి స్వతంత్ర అభ్యాసానికి.దీన్ని దృష్టిలో ఉంచుకుని, సమర్థవంతమైన ఉపాధ్యాయులు తరచుగా విద్యార్థుల జ్ఞానం మరియు నైపుణ్యాలను పెంపొందించే లక్ష్యంతో సూచనలను ప్లాన్ చేస్తారు [4].
డెంటిస్ట్రీతో సహా ఉన్నత విద్యా సంస్థలలో SCL కోసం డిమాండ్ పెరుగుతోంది.SCL వ్యూహాలు విద్యార్థుల అభ్యాస అవసరాలను తీర్చడానికి రూపొందించబడ్డాయి.ఉదాహరణకు, విద్యార్థులు అభ్యాస కార్యకలాపాలలో చురుకుగా పాల్గొంటే మరియు ఉపాధ్యాయులు సులభతరం చేసేవారుగా వ్యవహరిస్తే మరియు విలువైన అభిప్రాయాన్ని అందించడానికి బాధ్యత వహిస్తే దీనిని సాధించవచ్చు.విద్యార్థుల విద్యా స్థాయి లేదా ప్రాధాన్యతలకు తగిన అభ్యాస సామగ్రి మరియు కార్యకలాపాలను అందించడం విద్యార్థుల అభ్యాస వాతావరణాన్ని మెరుగుపరుస్తుంది మరియు సానుకూల అభ్యాస అనుభవాలను ప్రోత్సహిస్తుంది [5].
సాధారణంగా చెప్పాలంటే, దంత విద్యార్థుల అభ్యాస ప్రక్రియ వారు నిర్వహించాల్సిన వివిధ క్లినికల్ విధానాలు మరియు వారు సమర్థవంతమైన వ్యక్తుల మధ్య నైపుణ్యాలను అభివృద్ధి చేసే క్లినికల్ వాతావరణం ద్వారా ప్రభావితమవుతుంది.దంతవైద్యం యొక్క ప్రాథమిక జ్ఞానాన్ని దంత వైద్య నైపుణ్యాలతో మిళితం చేయడం మరియు కొత్త క్లినికల్ పరిస్థితులకు [6, 7] పొందిన జ్ఞానాన్ని వర్తింపజేయడం శిక్షణ యొక్క ఉద్దేశ్యం.LS మరియు IS మధ్య సంబంధానికి సంబంధించిన ప్రారంభ పరిశోధనలో ప్రాధాన్య LSకి మ్యాప్ చేయబడిన అభ్యాస వ్యూహాలను సర్దుబాటు చేయడం విద్యా ప్రక్రియను మెరుగుపరచడంలో సహాయపడుతుందని కనుగొన్నారు [8].విద్యార్థుల అభ్యాసం మరియు అవసరాలకు అనుగుణంగా వివిధ రకాల బోధన మరియు మూల్యాంకన పద్ధతులను ఉపయోగించాలని రచయితలు సిఫార్సు చేస్తున్నారు.
ఉపాధ్యాయులు LS పరిజ్ఞానాన్ని వర్తింపజేయడం ద్వారా వారికి ప్రయోజనం చేకూర్చేందుకు, విద్యార్థులకు లోతైన జ్ఞానాన్ని మరియు సబ్జెక్ట్‌పై అవగాహనను పెంపొందించే సూచనలను రూపొందించడానికి, అభివృద్ధి చేయడానికి మరియు అమలు చేయడానికి వారికి సహాయం చేస్తారు.పరిశోధకులు కోల్బ్ ఎక్స్‌పీరియన్షియల్ లెర్నింగ్ మోడల్, ఫెల్డర్-సిల్వర్‌మ్యాన్ లెర్నింగ్ స్టైల్ మోడల్ (FSLSM) మరియు ఫ్లెమింగ్ VAK/VARK మోడల్ [5, 9, 10] వంటి అనేక LS అంచనా సాధనాలను అభివృద్ధి చేశారు.సాహిత్యం ప్రకారం, ఈ అభ్యాస నమూనాలు సాధారణంగా ఉపయోగించే మరియు ఎక్కువగా అధ్యయనం చేయబడిన అభ్యాస నమూనాలు.ప్రస్తుత పరిశోధన పనిలో, దంత విద్యార్థులలో LSని అంచనా వేయడానికి FSLSM ఉపయోగించబడుతుంది.
FSLSM అనేది ఇంజనీరింగ్‌లో అనుకూల అభ్యాసాన్ని మూల్యాంకనం చేయడానికి విస్తృతంగా ఉపయోగించే మోడల్.ఆరోగ్య శాస్త్రాలలో (ఔషధం, నర్సింగ్, ఫార్మసీ మరియు డెంటిస్ట్రీతో సహా) అనేక ప్రచురించబడిన రచనలు ఉన్నాయి, వీటిని FSLSM నమూనాలను ఉపయోగించి కనుగొనవచ్చు [5, 11, 12, 13].FLSMలో LS యొక్క కొలతలు కొలవడానికి ఉపయోగించే సాధనాన్ని ఇండెక్స్ ఆఫ్ లెర్నింగ్ స్టైల్స్ (ILS) అని పిలుస్తారు [8], దీనిలో LS యొక్క నాలుగు కోణాలను అంచనా వేసే 44 అంశాలు ఉన్నాయి: ప్రాసెసింగ్ (యాక్టివ్/రిఫ్లెక్టివ్), గ్రహణశక్తి (గ్రహణశక్తి/అవగాహన), ఇన్పుట్ (దృశ్య)./మౌఖిక) మరియు అవగాహన (సీక్వెన్షియల్/గ్లోబల్) [14].
మూర్తి 1లో చూపినట్లుగా, ప్రతి FSLSM పరిమాణం ఆధిపత్య ప్రాధాన్యతను కలిగి ఉంటుంది.ఉదాహరణకు, ప్రాసెసింగ్ డైమెన్షన్‌లో, "యాక్టివ్" LS ఉన్న విద్యార్థులు నేర్చుకునే మెటీరియల్‌లతో నేరుగా పరస్పర చర్య చేయడం ద్వారా సమాచారాన్ని ప్రాసెస్ చేయడానికి ఇష్టపడతారు, చేయడం ద్వారా నేర్చుకుంటారు మరియు సమూహాలలో నేర్చుకోవడానికి ఇష్టపడతారు."రిఫ్లెక్టివ్" LS అనేది ఆలోచన ద్వారా నేర్చుకోవడాన్ని సూచిస్తుంది మరియు ఒంటరిగా పని చేయడానికి ఇష్టపడుతుంది.LS యొక్క "గ్రహణ" పరిమాణాన్ని "భావన" మరియు/లేదా "అంతర్ దృష్టి"గా విభజించవచ్చు."ఫీలింగ్" విద్యార్థులు మరింత ఖచ్చితమైన సమాచారం మరియు ఆచరణాత్మక విధానాలను ఇష్టపడతారు, నైరూప్య విషయాలను ఇష్టపడే మరియు మరింత వినూత్నమైన మరియు సృజనాత్మక స్వభావం కలిగిన "సహజమైన" విద్యార్థులతో పోలిస్తే వాస్తవ-ఆధారితంగా ఉంటారు.LS యొక్క “ఇన్పుట్” పరిమాణంలో “విజువల్” మరియు “వెర్బల్” అభ్యాసకులు ఉంటారు."విజువల్" LS ఉన్న వ్యక్తులు దృశ్య ప్రదర్శనల ద్వారా (రేఖాచిత్రాలు, వీడియోలు లేదా ప్రత్యక్ష ప్రదర్శనలు వంటివి) నేర్చుకోవడానికి ఇష్టపడతారు, అయితే "మౌఖిక" LS ఉన్న వ్యక్తులు వ్రాతపూర్వక లేదా మౌఖిక వివరణలలో పదాల ద్వారా తెలుసుకోవడానికి ఇష్టపడతారు.LS కొలతలు "అర్థం చేసుకోవడానికి", అటువంటి అభ్యాసకులు "క్రమం" మరియు "గ్లోబల్" గా విభజించవచ్చు."సీక్వెన్షియల్ లెర్నర్స్ లీనియర్ థాట్ ప్రాసెస్‌ను ఇష్టపడతారు మరియు దశలవారీగా నేర్చుకుంటారు, అయితే గ్లోబల్ లెర్నర్స్ సంపూర్ణ ఆలోచనా విధానాన్ని కలిగి ఉంటారు మరియు వారు నేర్చుకుంటున్న వాటిపై ఎల్లప్పుడూ మంచి అవగాహన కలిగి ఉంటారు.
ఇటీవల, చాలా మంది పరిశోధకులు స్వయంచాలక డేటా-ఆధారిత ఆవిష్కరణ కోసం పద్ధతులను అన్వేషించడం ప్రారంభించారు, ఇందులో కొత్త అల్గారిథమ్‌ల అభివృద్ధి మరియు పెద్ద మొత్తంలో డేటాను వివరించే సామర్థ్యం ఉన్న నమూనాలు ఉన్నాయి [15, 16].అందించిన డేటా ఆధారంగా, పర్యవేక్షించబడే ML (మెషిన్ లెర్నింగ్) అల్గారిథమ్‌ల నిర్మాణం ఆధారంగా భవిష్యత్తు ఫలితాలను అంచనా వేసే నమూనాలు మరియు పరికల్పనలను రూపొందించగలదు [17].సరళంగా చెప్పాలంటే, పర్యవేక్షించబడే యంత్ర అభ్యాస పద్ధతులు ఇన్పుట్ డేటా మరియు రైలు అల్గారిథమ్‌లను తారుమారు చేస్తాయి.ఇది అందించిన ఇన్పుట్ డేటా కోసం సారూప్య పరిస్థితుల ఆధారంగా ఫలితాన్ని వర్గీకరించే లేదా అంచనా వేసే పరిధిని ఉత్పత్తి చేస్తుంది.పర్యవేక్షించబడే మెషీన్ లెర్నింగ్ అల్గారిథమ్‌ల యొక్క ప్రధాన ప్రయోజనం ఆదర్శవంతమైన మరియు కావలసిన ఫలితాలను స్థాపించగల సామర్థ్యం [17].
డేటా ఆధారిత పద్ధతులు మరియు నిర్ణయం చెట్టు నియంత్రణ నమూనాలను ఉపయోగించడం ద్వారా, LSని స్వయంచాలకంగా గుర్తించడం సాధ్యమవుతుంది.ఆరోగ్య శాస్త్రాలు [18, 19] సహా వివిధ రంగాలలో శిక్షణా కార్యక్రమాలలో నిర్ణయ వృక్షాలు విస్తృతంగా ఉపయోగించబడుతున్నట్లు నివేదించబడింది.ఈ అధ్యయనంలో, విద్యార్థుల LSని గుర్తించడానికి మరియు వారికి ఉత్తమమైన ISని సిఫార్సు చేయడానికి సిస్టమ్ డెవలపర్‌లచే మోడల్ ప్రత్యేకంగా శిక్షణ పొందింది.
ఈ అధ్యయనం యొక్క ఉద్దేశ్యం విద్యార్థుల LS ఆధారంగా IS డెలివరీ వ్యూహాలను అభివృద్ధి చేయడం మరియు LSకి మ్యాప్ చేయబడిన IS సిఫార్సు సాధనాన్ని అభివృద్ధి చేయడం ద్వారా SCL విధానాన్ని వర్తింపజేయడం.SCL పద్ధతి యొక్క వ్యూహంగా IS సిఫార్సు సాధనం యొక్క రూపకల్పన ప్రవాహం మూర్తి 1లో చూపబడింది. IS సిఫార్సు సాధనం ILSని ఉపయోగించే LS వర్గీకరణ విధానం మరియు విద్యార్థులకు అత్యంత అనుకూలమైన IS ప్రదర్శనతో సహా రెండు భాగాలుగా విభజించబడింది.
ప్రత్యేకించి, సమాచార భద్రతా సిఫార్సు సాధనాల లక్షణాలలో వెబ్ సాంకేతికతలను ఉపయోగించడం మరియు డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ ఉపయోగించడం వంటివి ఉన్నాయి.సిస్టమ్ డెవలపర్‌లు మొబైల్ ఫోన్‌లు మరియు టాబ్లెట్‌లు వంటి మొబైల్ పరికరాలకు వాటిని స్వీకరించడం ద్వారా వినియోగదారు అనుభవాన్ని మరియు చలనశీలతను మెరుగుపరుస్తారు.
ఈ ప్రయోగం రెండు దశల్లో జరిగింది మరియు మలయా విశ్వవిద్యాలయంలోని డెంటిస్ట్రీ ఫ్యాకల్టీ విద్యార్థులు స్వచ్ఛందంగా పాల్గొన్నారు.పాల్గొనేవారు ఆంగ్లంలో దంత విద్యార్థి యొక్క ఆన్‌లైన్ m-ILSకి ప్రతిస్పందించారు.ప్రారంభ దశలో, డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ అల్గారిథమ్‌కు శిక్షణ ఇవ్వడానికి 50 మంది విద్యార్థుల డేటాసెట్ ఉపయోగించబడింది.అభివృద్ధి ప్రక్రియ యొక్క రెండవ దశలో, అభివృద్ధి చెందిన పరికరం యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి 255 మంది విద్యార్థుల డేటాసెట్ ఉపయోగించబడింది.
పాల్గొనే వారందరూ మైక్రోసాఫ్ట్ బృందాల ద్వారా విద్యా సంవత్సరాన్ని బట్టి ప్రతి దశ ప్రారంభంలో ఆన్‌లైన్ బ్రీఫింగ్‌ను అందుకుంటారు.అధ్యయనం యొక్క ఉద్దేశ్యం వివరించబడింది మరియు సమాచార సమ్మతి పొందబడింది.పాల్గొనే వారందరికీ m-ILSని యాక్సెస్ చేయడానికి లింక్ అందించబడింది.ప్రతి విద్యార్థి ప్రశ్నాపత్రంలోని మొత్తం 44 అంశాలకు సమాధానమివ్వాలని సూచించారు.సెమిస్టర్ ప్రారంభానికి ముందు సెమిస్టర్ విరామంలో వారికి అనుకూలమైన సమయంలో మరియు వారికి అనుకూలమైన ప్రదేశంలో సవరించిన ILSని పూర్తి చేయడానికి వారికి ఒక వారం సమయం ఇవ్వబడింది.m-ILS అనేది అసలైన ILS పరికరంపై ఆధారపడి ఉంటుంది మరియు దంత విద్యార్థుల కోసం సవరించబడింది.అసలు ILS మాదిరిగానే, ఇది 44 సమానంగా పంపిణీ చేయబడిన అంశాలను (a, b) కలిగి ఉంటుంది, ఒక్కొక్కటి 11 అంశాలు ఉంటాయి, ఇవి ప్రతి FSLSM పరిమాణంలోని అంశాలను అంచనా వేయడానికి ఉపయోగించబడతాయి.
టూల్ డెవలప్‌మెంట్ యొక్క ప్రారంభ దశలలో, పరిశోధకులు 50 మంది దంత విద్యార్థుల డేటాసెట్‌ను ఉపయోగించి మ్యాప్‌లను మాన్యువల్‌గా ఉల్లేఖించారు.FSLM ప్రకారం, సిస్టమ్ “a” మరియు “b” సమాధానాల మొత్తాన్ని అందిస్తుంది.ప్రతి డైమెన్షన్ కోసం, విద్యార్థి “a”ని సమాధానంగా ఎంచుకుంటే, LS యాక్టివ్/పర్సెప్టువల్/విజువల్/సీక్వెన్షియల్‌గా వర్గీకరించబడుతుంది మరియు విద్యార్థి “b”ని సమాధానంగా ఎంచుకుంటే, విద్యార్థి రిఫ్లెక్టివ్/ఇన్‌ట్యూటివ్/లింగ్విస్టిక్‌గా వర్గీకరించబడతాడు. ./ ప్రపంచ అభ్యాసకుడు.
దంత విద్య పరిశోధకులు మరియు సిస్టమ్ డెవలపర్‌ల మధ్య వర్క్‌ఫ్లోను క్రమాంకనం చేసిన తర్వాత, FLSSM డొమైన్ ఆధారంగా ప్రశ్నలు ఎంపిక చేయబడ్డాయి మరియు ప్రతి విద్యార్థి యొక్క LSని అంచనా వేయడానికి ML మోడల్‌లో ఫీడ్ చేయబడ్డాయి."గార్బేజ్ ఇన్, గార్బేజ్ అవుట్" అనేది మెషిన్ లెర్నింగ్ రంగంలో డేటా నాణ్యతపై ప్రాధాన్యతనిస్తూ ఒక ప్రసిద్ధ సామెత.ఇన్పుట్ డేటా నాణ్యత మెషిన్ లెర్నింగ్ మోడల్ యొక్క ఖచ్చితత్వం మరియు ఖచ్చితత్వాన్ని నిర్ణయిస్తుంది.ఫీచర్ ఇంజినీరింగ్ దశలో, FLSSM ఆధారంగా "a" మరియు "b" సమాధానాల మొత్తంతో కొత్త ఫీచర్ సెట్ సృష్టించబడుతుంది.ఔషధ స్థానాల గుర్తింపు సంఖ్యలు టేబుల్ 1లో ఇవ్వబడ్డాయి.
సమాధానాల ఆధారంగా స్కోర్‌ను లెక్కించండి మరియు విద్యార్థి యొక్క LSని నిర్ణయించండి.ప్రతి విద్యార్థికి, స్కోర్ పరిధి 1 నుండి 11 వరకు ఉంటుంది. 1 నుండి 3 వరకు ఉన్న స్కోర్లు ఒకే పరిమాణంలో అభ్యాస ప్రాధాన్యతల సమతుల్యతను సూచిస్తాయి మరియు 5 నుండి 7 స్కోర్లు మితమైన ప్రాధాన్యతను సూచిస్తాయి, విద్యార్థులు ఇతరులకు బోధించే ఒక వాతావరణాన్ని ఇష్టపడతారని సూచిస్తుంది. .అదే పరిమాణంలో ఉన్న మరొక వైవిధ్యం ఏమిటంటే 9 నుండి 11 వరకు ఉన్న స్కోర్లు ఒక చివర లేదా మరొకదానికి బలమైన ప్రాధాన్యతను ప్రతిబింబిస్తాయి [8].
ప్రతి పరిమాణం కోసం, మందులు "యాక్టివ్", "రిఫ్లెక్టివ్" మరియు "బ్యాలెన్స్‌డ్"గా విభజించబడ్డాయి.ఉదాహరణకు, ఒక విద్యార్థి నియమించబడిన అంశంలో “b” కంటే ఎక్కువ తరచుగా “a” అని సమాధానం ఇచ్చినప్పుడు మరియు అతని/ఆమె స్కోర్ ప్రాసెసింగ్ LS కోణాన్ని సూచించే నిర్దిష్ట అంశం కోసం 5 యొక్క థ్రెషోల్డ్‌ను అధిగమించినప్పుడు, అతను/ఆమె “యాక్టివ్” LSకి చెందినవారు. డొమైన్..అయినప్పటికీ, విద్యార్థులు నిర్దిష్ట 11 ప్రశ్నలలో (టేబుల్ 1) "బి" కంటే ఎక్కువ "బి"ని ఎంచుకున్నప్పుడు మరియు 5 పాయింట్ల కంటే ఎక్కువ స్కోర్ చేసినప్పుడు "రిఫ్లెక్టివ్" LSగా వర్గీకరించబడ్డారు.చివరగా, విద్యార్థి "సమతుల్యత" స్థితిలో ఉన్నాడు.స్కోరు 5 పాయింట్లను మించకపోతే, ఇది "ప్రాసెస్" LS.ఇతర LS కొలతల కోసం వర్గీకరణ ప్రక్రియ పునరావృతమైంది, అవి అవగాహన (క్రియాశీల/ప్రతిబింబం), ఇన్పుట్ (విజువల్/వెర్బల్) మరియు కాంప్రహెన్షన్ (సీక్వెన్షియల్/గ్లోబల్).
డిసిషన్ ట్రీ మోడల్‌లు వర్గీకరణ ప్రక్రియ యొక్క వివిధ దశలలో ఫీచర్లు మరియు నిర్ణయ నియమాల యొక్క విభిన్న ఉపసమితులను ఉపయోగించవచ్చు.ఇది ప్రముఖ వర్గీకరణ మరియు అంచనా సాధనంగా పరిగణించబడుతుంది.ఇది ఫ్లోచార్ట్ [20] వంటి ట్రీ స్ట్రక్చర్‌ని ఉపయోగించి సూచించబడుతుంది, దీనిలో అంతర్గత నోడ్‌లు లక్షణం ద్వారా పరీక్షలను సూచిస్తాయి, ప్రతి శాఖ పరీక్ష ఫలితాలను సూచిస్తుంది మరియు ప్రతి లీఫ్ నోడ్ (లీఫ్ నోడ్) తరగతి లేబుల్‌ను కలిగి ఉంటుంది.
ప్రతి విద్యార్థి వారి ప్రతిస్పందనల ఆధారంగా వారి LSని స్వయంచాలకంగా స్కోర్ చేయడానికి మరియు ఉల్లేఖించడానికి ఒక సాధారణ నియమ-ఆధారిత ప్రోగ్రామ్ సృష్టించబడింది.నియమం-ఆధారితం IF స్టేట్‌మెంట్ రూపాన్ని తీసుకుంటుంది, ఇక్కడ “IF” అనేది ట్రిగ్గర్‌ను వివరిస్తుంది మరియు “THEN” అమలు చేయాల్సిన చర్యను నిర్దేశిస్తుంది, ఉదాహరణకు: “X జరిగితే, Y చేయండి” (Liu et al., 2014).డేటా సెట్ సహసంబంధాన్ని ప్రదర్శిస్తే మరియు డెసిషన్ ట్రీ మోడల్ సరిగ్గా శిక్షణ పొంది మూల్యాంకనం చేయబడితే, LS మరియు IS లకు సరిపోలే ప్రక్రియను ఆటోమేట్ చేయడానికి ఈ విధానం ప్రభావవంతమైన మార్గం.
రెండవ దశ అభివృద్ధిలో, సిఫార్సు సాధనం యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి డేటాసెట్ 255కి పెంచబడింది.డేటా సెట్ 1:4 నిష్పత్తిలో విభజించబడింది.డేటా సెట్‌లో 25% (64) టెస్ట్ సెట్ కోసం ఉపయోగించబడింది మరియు మిగిలిన 75% (191) శిక్షణా సెట్‌గా ఉపయోగించబడింది (మూర్తి 2).మోడల్‌ను అదే డేటా సెట్‌లో శిక్షణ పొందకుండా మరియు పరీక్షించకుండా నిరోధించడానికి డేటా సెట్‌ను విభజించాల్సిన అవసరం ఉంది, ఇది మోడల్‌ను నేర్చుకోకుండా గుర్తుంచుకోవడానికి కారణమవుతుంది.మోడల్ శిక్షణ సెట్‌లో శిక్షణ పొందింది మరియు టెస్ట్ సెట్‌లో దాని పనితీరును అంచనా వేస్తుంది-డేటా మోడల్ ఇంతకు ముందెన్నడూ చూడలేదు.
IS సాధనాన్ని అభివృద్ధి చేసిన తర్వాత, అప్లికేషన్ వెబ్ ఇంటర్‌ఫేస్ ద్వారా దంత విద్యార్థుల ప్రతిస్పందనల ఆధారంగా LSని వర్గీకరించగలదు.వెబ్ ఆధారిత సమాచార భద్రతా సిఫార్సు సాధనం వ్యవస్థ జంగో ఫ్రేమ్‌వర్క్‌ను బ్యాకెండ్‌గా ఉపయోగించి పైథాన్ ప్రోగ్రామింగ్ లాంగ్వేజ్‌ని ఉపయోగించి నిర్మించబడింది.ఈ వ్యవస్థ అభివృద్ధిలో ఉపయోగించిన లైబ్రరీలను టేబుల్ 2 జాబితా చేస్తుంది.
విద్యార్థి LS కొలతలను స్వయంచాలకంగా వర్గీకరించడానికి విద్యార్థుల ప్రతిస్పందనలను లెక్కించడానికి మరియు సంగ్రహించడానికి డేటాసెట్ డెసిషన్ ట్రీ మోడల్‌కు అందించబడుతుంది.
ఇచ్చిన డేటా సెట్‌లో డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ అల్గోరిథం యొక్క ఖచ్చితత్వాన్ని అంచనా వేయడానికి గందరగోళ మాతృక ఉపయోగించబడుతుంది.అదే సమయంలో, ఇది వర్గీకరణ నమూనా యొక్క పనితీరును అంచనా వేస్తుంది.ఇది మోడల్ అంచనాలను సంగ్రహిస్తుంది మరియు వాటిని వాస్తవ డేటా లేబుల్‌లతో పోలుస్తుంది.మూల్యాంకన ఫలితాలు నాలుగు వేర్వేరు విలువలపై ఆధారపడి ఉంటాయి: ట్రూ పాజిటివ్ (TP) - మోడల్ సానుకూల వర్గాన్ని సరిగ్గా అంచనా వేసింది, ఫాల్స్ పాజిటివ్ (FP) - మోడల్ సానుకూల వర్గాన్ని అంచనా వేసింది, కానీ నిజమైన లేబుల్ ప్రతికూలంగా ఉంది, ట్రూ నెగెటివ్ (TN) - మోడల్ ప్రతికూల తరగతిని సరిగ్గా అంచనా వేసింది మరియు తప్పుడు ప్రతికూల (FN) - మోడల్ ప్రతికూల తరగతిని అంచనా వేస్తుంది, కానీ నిజమైన లేబుల్ సానుకూలంగా ఉంటుంది.
ఈ విలువలు పైథాన్‌లోని స్కికిట్-లెర్న్ వర్గీకరణ నమూనా యొక్క వివిధ పనితీరు కొలమానాలను లెక్కించడానికి ఉపయోగించబడతాయి, అవి ఖచ్చితత్వం, ఖచ్చితత్వం, రీకాల్ మరియు F1 స్కోర్.ఇక్కడ ఉదాహరణలు ఉన్నాయి:
రీకాల్ (లేదా సున్నితత్వం) m-ILS ప్రశ్నాపత్రానికి సమాధానం ఇచ్చిన తర్వాత విద్యార్థి యొక్క LSని ఖచ్చితంగా వర్గీకరించే మోడల్ సామర్థ్యాన్ని కొలుస్తుంది.
నిర్దిష్టతను నిజమైన ప్రతికూల రేటు అంటారు.మీరు పై సూత్రం నుండి చూడగలిగినట్లుగా, ఇది నిజమైన ప్రతికూలతలు (TN) నిజమైన ప్రతికూలతలు మరియు తప్పుడు పాజిటివ్‌లు (FP)కి నిష్పత్తి అయి ఉండాలి.విద్యార్థి ఔషధాలను వర్గీకరించడానికి సిఫార్సు చేయబడిన సాధనంలో భాగంగా, ఇది ఖచ్చితమైన గుర్తింపును కలిగి ఉండాలి.
డిసిషన్ ట్రీ ML మోడల్‌కు శిక్షణ ఇవ్వడానికి ఉపయోగించిన 50 మంది విద్యార్థుల అసలు డేటాసెట్ ఉల్లేఖనాలలో మానవ లోపం కారణంగా చాలా తక్కువ ఖచ్చితత్వాన్ని చూపించింది (టేబుల్ 3).LS స్కోర్లు మరియు విద్యార్థి ఉల్లేఖనాలను స్వయంచాలకంగా లెక్కించడానికి ఒక సాధారణ నియమ-ఆధారిత ప్రోగ్రామ్‌ను సృష్టించిన తర్వాత, సిఫార్సుదారు సిస్టమ్‌కు శిక్షణ ఇవ్వడానికి మరియు పరీక్షించడానికి పెరుగుతున్న డేటాసెట్‌లు (255) ఉపయోగించబడ్డాయి.
మల్టీక్లాస్ కన్ఫ్యూజన్ మ్యాట్రిక్స్‌లో, వికర్ణ మూలకాలు ప్రతి LS రకానికి సరైన అంచనాల సంఖ్యను సూచిస్తాయి (మూర్తి 4).నిర్ణయం చెట్టు నమూనాను ఉపయోగించి, మొత్తం 64 నమూనాలు సరిగ్గా అంచనా వేయబడ్డాయి.అందువల్ల, ఈ అధ్యయనంలో, వికర్ణ మూలకాలు ఆశించిన ఫలితాలను చూపుతాయి, మోడల్ బాగా పని చేస్తుందని మరియు ప్రతి LS వర్గీకరణకు క్లాస్ లేబుల్‌ను ఖచ్చితంగా అంచనా వేస్తుందని సూచిస్తుంది.అందువలన, సిఫార్సు సాధనం యొక్క మొత్తం ఖచ్చితత్వం 100%.
ఖచ్చితత్వం, ఖచ్చితత్వం, రీకాల్ మరియు F1 స్కోర్ యొక్క విలువలు మూర్తి 5లో చూపబడ్డాయి. డెసిషన్ ట్రీ మోడల్‌ని ఉపయోగించే సిఫార్సు సిస్టమ్ కోసం, దాని F1 స్కోర్ 1.0 "పరిపూర్ణమైనది", ఇది ఖచ్చితమైన ఖచ్చితత్వం మరియు రీకాల్‌ని సూచిస్తుంది, ఇది ముఖ్యమైన సున్నితత్వం మరియు నిర్దిష్టతను ప్రతిబింబిస్తుంది. విలువలు.
శిక్షణ మరియు పరీక్ష పూర్తయిన తర్వాత నిర్ణయం చెట్టు నమూనా యొక్క విజువలైజేషన్‌ను మూర్తి 6 చూపుతుంది.ప్రక్క ప్రక్క పోలికలో, తక్కువ లక్షణాలతో శిక్షణ పొందిన డెసిషన్ ట్రీ మోడల్ అధిక ఖచ్చితత్వం మరియు సులభమైన మోడల్ విజువలైజేషన్‌ను చూపింది.ఫీచర్ తగ్గింపుకు దారితీసే ఫీచర్ ఇంజనీరింగ్ మోడల్ పనితీరును మెరుగుపరచడంలో ముఖ్యమైన దశ అని ఇది చూపిస్తుంది.
డెసిషన్ ట్రీ పర్యవేక్షించబడే అభ్యాసాన్ని వర్తింపజేయడం ద్వారా, LS (ఇన్పుట్) మరియు IS (టార్గెట్ అవుట్‌పుట్) మధ్య మ్యాపింగ్ స్వయంచాలకంగా రూపొందించబడుతుంది మరియు ప్రతి LS కోసం వివరణాత్మక సమాచారాన్ని కలిగి ఉంటుంది.
255 మంది విద్యార్థులలో 34.9% మంది ఒక (1) LS ఎంపికను ఎంచుకున్నట్లు ఫలితాలు చూపించాయి.మెజారిటీ (54.3%) రెండు లేదా అంతకంటే ఎక్కువ LS ప్రాధాన్యతలను కలిగి ఉన్నారు.12.2% మంది విద్యార్థులు LS చాలా సమతుల్యంగా ఉన్నట్లు గుర్తించారు (టేబుల్ 4).ఎనిమిది ప్రధాన LSతో పాటు, మలయా విశ్వవిద్యాలయ దంత విద్యార్థుల కోసం LS వర్గీకరణల 34 కలయికలు ఉన్నాయి.వాటిలో, అవగాహన, దృష్టి మరియు అవగాహన మరియు దృష్టి కలయిక విద్యార్థులచే నివేదించబడిన ప్రధాన LS (మూర్తి 7).
టేబుల్ 4 నుండి చూడగలిగినట్లుగా, మెజారిటీ విద్యార్థులు ప్రధానంగా ఇంద్రియ (13.7%) లేదా దృశ్య (8.6%) LSని కలిగి ఉన్నారు.12.2% మంది విద్యార్థులు గ్రహణశక్తిని దృష్టితో కలిపినట్లు నివేదించబడింది (పర్సెప్టువల్-విజువల్ LS).ఈ పరిశోధనలు విద్యార్థులు స్థాపించబడిన పద్ధతుల ద్వారా నేర్చుకోవడానికి మరియు గుర్తుంచుకోవడానికి ఇష్టపడతారని, నిర్దిష్ట మరియు వివరణాత్మక విధానాలను అనుసరించాలని మరియు ప్రకృతిలో శ్రద్ధగలవని సూచిస్తున్నాయి.అదే సమయంలో, వారు చూడటం ద్వారా నేర్చుకోవడాన్ని ఆనందిస్తారు (రేఖాచిత్రాలు మొదలైనవి ఉపయోగించడం) మరియు సమూహాలలో లేదా వారి స్వంత సమాచారాన్ని చర్చించడానికి మరియు వర్తింపజేయడానికి ఇష్టపడతారు.
ఈ అధ్యయనం డేటా మైనింగ్‌లో ఉపయోగించే మెషిన్ లెర్నింగ్ టెక్నిక్‌ల యొక్క అవలోకనాన్ని అందిస్తుంది, విద్యార్థుల LSని తక్షణమే మరియు ఖచ్చితంగా అంచనా వేయడం మరియు తగిన ISని సిఫార్సు చేయడంపై దృష్టి సారిస్తుంది.డెసిషన్ ట్రీ మోడల్ యొక్క అప్లికేషన్ వారి జీవితం మరియు విద్యా అనుభవాలకు అత్యంత దగ్గరి సంబంధం ఉన్న కారకాలను గుర్తించింది.ఇది పర్యవేక్షించబడే యంత్ర అభ్యాస అల్గోరిథం, ఇది నిర్దిష్ట ప్రమాణాల ఆధారంగా డేటా సమితిని ఉపవర్గాలుగా విభజించడం ద్వారా డేటాను వర్గీకరించడానికి చెట్టు నిర్మాణాన్ని ఉపయోగిస్తుంది.లీఫ్ నోడ్ వద్ద నిర్ణయం తీసుకునే వరకు ప్రతి అంతర్గత నోడ్ యొక్క ఇన్పుట్ లక్షణాలలో ఒకదాని విలువ ఆధారంగా ఇన్పుట్ డేటాను ఉపసమితులుగా పునరావృతంగా విభజించడం ద్వారా ఇది పని చేస్తుంది.
నిర్ణయం చెట్టు యొక్క అంతర్గత నోడ్‌లు m-ILS సమస్య యొక్క ఇన్పుట్ లక్షణాల ఆధారంగా పరిష్కారాన్ని సూచిస్తాయి మరియు ఆకు నోడ్‌లు తుది LS వర్గీకరణ అంచనాను సూచిస్తాయి.అధ్యయనం అంతటా, ఇన్పుట్ లక్షణాలు మరియు అవుట్‌పుట్ అంచనాల మధ్య సంబంధాన్ని చూడటం ద్వారా నిర్ణయ ప్రక్రియను వివరించే మరియు దృశ్యమానం చేసే నిర్ణయ వృక్షాల యొక్క సోపానక్రమాన్ని అర్థం చేసుకోవడం సులభం.
కంప్యూటర్ సైన్స్ మరియు ఇంజినీరింగ్ రంగాలలో, మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లు వారి ప్రవేశ పరీక్ష స్కోర్లు [21], జనాభా సమాచారం మరియు అభ్యాస ప్రవర్తన [22] ఆధారంగా విద్యార్థుల పనితీరును అంచనా వేయడానికి విస్తృతంగా ఉపయోగించబడతాయి.అల్గోరిథం విద్యార్థుల పనితీరును ఖచ్చితంగా అంచనా వేస్తుందని మరియు విద్యాపరమైన ఇబ్బందులకు గురయ్యే విద్యార్థులను గుర్తించడంలో వారికి సహాయపడిందని పరిశోధనలో తేలింది.
దంత శిక్షణ కోసం వర్చువల్ పేషెంట్ సిమ్యులేటర్‌ల అభివృద్ధిలో ML అల్గారిథమ్‌ల అప్లికేషన్ నివేదించబడింది.సిమ్యులేటర్ నిజమైన రోగుల శారీరక ప్రతిస్పందనలను ఖచ్చితంగా పునరుత్పత్తి చేయగలదు మరియు సురక్షితమైన మరియు నియంత్రిత వాతావరణంలో దంత విద్యార్థులకు శిక్షణ ఇవ్వడానికి ఉపయోగించవచ్చు [23].మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లు దంత మరియు వైద్య విద్య మరియు రోగి సంరక్షణ యొక్క నాణ్యత మరియు సామర్థ్యాన్ని సమర్థవంతంగా మెరుగుపరుస్తాయని అనేక ఇతర అధ్యయనాలు చూపిస్తున్నాయి.లక్షణాలు మరియు రోగి లక్షణాలు [24, 25] వంటి డేటా సెట్‌ల ఆధారంగా దంత వ్యాధుల నిర్ధారణలో సహాయం చేయడానికి మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లు ఉపయోగించబడ్డాయి.ఇతర అధ్యయనాలు రోగి ఫలితాలను అంచనా వేయడం, అధిక ప్రమాదం ఉన్న రోగులను గుర్తించడం, వ్యక్తిగతీకరించిన చికిత్స ప్రణాళికలను అభివృద్ధి చేయడం [26], పీరియాంటల్ చికిత్స [27] మరియు క్షయ చికిత్స [25] వంటి పనులను నిర్వహించడానికి యంత్ర అభ్యాస అల్గారిథమ్‌ల ఉపయోగాన్ని అన్వేషించాయి.
డెంటిస్ట్రీలో మెషిన్ లెర్నింగ్ యొక్క అప్లికేషన్‌పై నివేదికలు ప్రచురించబడినప్పటికీ, దంత విద్యలో దాని అప్లికేషన్ పరిమితంగానే ఉంది.అందువల్ల, ఈ అధ్యయనం దంత విద్యార్థులలో LS మరియు IS లతో అత్యంత దగ్గరి సంబంధం ఉన్న కారకాలను గుర్తించడానికి డెసిషన్ ట్రీ మోడల్‌ను ఉపయోగించాలని లక్ష్యంగా పెట్టుకుంది.
అభివృద్ధి చెందిన సిఫార్సు సాధనం అధిక ఖచ్చితత్వం మరియు ఖచ్చితమైన ఖచ్చితత్వాన్ని కలిగి ఉందని ఈ అధ్యయనం యొక్క ఫలితాలు చూపిస్తున్నాయి, ఇది ఉపాధ్యాయులు ఈ సాధనం నుండి ప్రయోజనం పొందవచ్చని సూచిస్తుంది.డేటా ఆధారిత వర్గీకరణ ప్రక్రియను ఉపయోగించి, ఇది వ్యక్తిగతీకరించిన సిఫార్సులను అందించగలదు మరియు అధ్యాపకులు మరియు విద్యార్థులకు విద్యా అనుభవాలు మరియు ఫలితాలను మెరుగుపరుస్తుంది.వాటిలో, సిఫార్సు సాధనాల ద్వారా పొందిన సమాచారం ఉపాధ్యాయులు ఇష్టపడే బోధనా పద్ధతులు మరియు విద్యార్థుల అభ్యాస అవసరాల మధ్య వైరుధ్యాలను పరిష్కరించగలదు.ఉదాహరణకు, సిఫార్సు సాధనాల యొక్క స్వయంచాలక అవుట్‌పుట్ కారణంగా, విద్యార్థి యొక్క IPని గుర్తించడానికి మరియు సంబంధిత IPతో సరిపోల్చడానికి అవసరమైన సమయం గణనీయంగా తగ్గుతుంది.ఈ విధంగా, తగిన శిక్షణా కార్యకలాపాలు మరియు శిక్షణా సామగ్రిని నిర్వహించవచ్చు.ఇది విద్యార్థుల సానుకూల అభ్యాస ప్రవర్తన మరియు ఏకాగ్రత సామర్థ్యాన్ని అభివృద్ధి చేయడంలో సహాయపడుతుంది.విద్యార్థులకు వారి ఇష్టపడే LSకి సరిపోయే అభ్యాస సామగ్రి మరియు అభ్యాస కార్యకలాపాలను అందించడం వలన విద్యార్థులు ఎక్కువ సామర్థ్యాన్ని సాధించడానికి అనేక మార్గాల్లో నేర్చుకోవడం, ప్రాసెస్ చేయడం మరియు ఆనందించడంలో సహాయపడతాయని ఒక అధ్యయనం నివేదించింది [12].తరగతి గదిలో విద్యార్థుల భాగస్వామ్యాన్ని మెరుగుపరచడంతో పాటు, విద్యార్థుల అభ్యాస ప్రక్రియను అర్థం చేసుకోవడం బోధనా పద్ధతులను మెరుగుపరచడంలో మరియు విద్యార్థులతో కమ్యూనికేషన్‌ను మెరుగుపరచడంలో కీలక పాత్ర పోషిస్తుందని పరిశోధన కూడా చూపిస్తుంది [28, 29].
అయితే, ఏదైనా ఆధునిక సాంకేతికతతో, సమస్యలు మరియు పరిమితులు ఉన్నాయి.వీటిలో డేటా గోప్యత, బయాస్ మరియు ఫెయిర్‌నెస్ మరియు డెంటల్ ఎడ్యుకేషన్‌లో మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లను అభివృద్ధి చేయడానికి మరియు అమలు చేయడానికి అవసరమైన వృత్తిపరమైన నైపుణ్యాలు మరియు వనరులకు సంబంధించిన సమస్యలు ఉన్నాయి;అయినప్పటికీ, ఈ ప్రాంతంలో పెరుగుతున్న ఆసక్తి మరియు పరిశోధనలు మెషిన్ లెర్నింగ్ టెక్నాలజీలు దంత విద్య మరియు దంత సేవలపై సానుకూల ప్రభావాన్ని చూపుతాయని సూచిస్తున్నాయి.
ఈ అధ్యయనం యొక్క ఫలితాలు దంత విద్యార్థులలో సగం మంది మందులను "గ్రహించే" ధోరణిని కలిగి ఉన్నాయని సూచిస్తున్నాయి.ఈ రకమైన అభ్యాసకులు వాస్తవాలు మరియు ఖచ్చితమైన ఉదాహరణలకు ప్రాధాన్యతనిస్తారు, ఆచరణాత్మక ధోరణి, వివరాల కోసం సహనం మరియు “విజువల్” LS ప్రాధాన్యతను కలిగి ఉంటారు, ఇక్కడ అభ్యాసకులు ఆలోచనలు మరియు ఆలోచనలను తెలియజేయడానికి చిత్రాలు, గ్రాఫిక్‌లు, రంగులు మరియు మ్యాప్‌లను ఉపయోగించడానికి ఇష్టపడతారు.ప్రస్తుత ఫలితాలు దంత మరియు వైద్య విద్యార్థులలో LSని అంచనా వేయడానికి ILSని ఉపయోగించే ఇతర అధ్యయనాలకు అనుగుణంగా ఉన్నాయి, వీరిలో చాలా మందికి గ్రహణ మరియు దృశ్యమాన LS లక్షణాలు ఉన్నాయి [12, 30].డాల్మోలిన్ మరియు ఇతరులు వారి LS గురించి విద్యార్థులకు తెలియజేయడం వలన వారి అభ్యాస సామర్థ్యాన్ని చేరుకోవచ్చని సూచిస్తున్నారు.ఉపాధ్యాయులు విద్యార్థుల విద్యా విధానాన్ని పూర్తిగా అర్థం చేసుకున్నప్పుడు, విద్యార్థుల పనితీరు మరియు అభ్యాస అనుభవాన్ని మెరుగుపరిచే వివిధ బోధనా పద్ధతులు మరియు కార్యకలాపాలను అమలు చేయవచ్చని పరిశోధకులు వాదించారు [12, 31, 32].ఇతర అధ్యయనాలు విద్యార్థుల LSని సర్దుబాటు చేయడం వలన వారి స్వంత LS [13, 33]కి అనుగుణంగా వారి అభ్యాస శైలులను మార్చిన తర్వాత వారి అభ్యాస అనుభవం మరియు పనితీరులో మెరుగుదలలు కూడా కనిపిస్తాయి.
విద్యార్థుల అభ్యాస సామర్థ్యాల ఆధారంగా బోధనా వ్యూహాల అమలుకు సంబంధించి ఉపాధ్యాయుల అభిప్రాయాలు మారవచ్చు.వృత్తిపరమైన అభివృద్ధి అవకాశాలు, మార్గదర్శకత్వం మరియు కమ్యూనిటీ మద్దతుతో సహా ఈ విధానం యొక్క ప్రయోజనాలను కొందరు చూస్తుండగా, మరికొందరు సమయం మరియు సంస్థాగత మద్దతు గురించి ఆందోళన చెందుతారు.విద్యార్థి-కేంద్రీకృత వైఖరిని సృష్టించేందుకు సమతుల్యత కోసం ప్రయత్నించడం కీలకం.విశ్వవిద్యాలయ నిర్వాహకులు వంటి ఉన్నత విద్యా అధికారులు, వినూత్న పద్ధతులను ప్రవేశపెట్టడం మరియు అధ్యాపకుల అభివృద్ధికి మద్దతు ఇవ్వడం ద్వారా సానుకూల మార్పును తీసుకురావడంలో ముఖ్యమైన పాత్ర పోషిస్తారు [34].నిజమైన డైనమిక్ మరియు ప్రతిస్పందించే ఉన్నత విద్యా వ్యవస్థను రూపొందించడానికి, విధాన రూపకర్తలు తప్పనిసరిగా విధాన మార్పులు చేయడం, సాంకేతికత ఏకీకరణకు వనరులను కేటాయించడం మరియు విద్యార్థి-కేంద్రీకృత విధానాలను ప్రోత్సహించే ఫ్రేమ్‌వర్క్‌లను రూపొందించడం వంటి సాహసోపేతమైన చర్యలు తీసుకోవాలి.ఆశించిన ఫలితాలను సాధించడానికి ఈ చర్యలు కీలకం.విభిన్న బోధనపై ఇటీవలి పరిశోధనలు విభిన్న బోధనను విజయవంతంగా అమలు చేయడానికి ఉపాధ్యాయులకు కొనసాగుతున్న శిక్షణ మరియు అభివృద్ధి అవకాశాలు అవసరమని స్పష్టంగా చూపించాయి [35].
విద్యార్థి-స్నేహపూర్వక అభ్యాస కార్యకలాపాలను ప్లాన్ చేయడానికి విద్యార్థి-కేంద్రీకృత విధానాన్ని తీసుకోవాలనుకునే దంత అధ్యాపకులకు ఈ సాధనం విలువైన మద్దతును అందిస్తుంది.అయితే, ఈ అధ్యయనం నిర్ణయం చెట్టు ML నమూనాల వినియోగానికి పరిమితం చేయబడింది.భవిష్యత్తులో, సిఫార్సు సాధనాల యొక్క ఖచ్చితత్వం, విశ్వసనీయత మరియు ఖచ్చితత్వాన్ని పోల్చడానికి వివిధ యంత్ర అభ్యాస నమూనాల పనితీరును పోల్చడానికి మరింత డేటాను సేకరించాలి.అదనంగా, ఒక నిర్దిష్ట పని కోసం అత్యంత సముచితమైన యంత్ర అభ్యాస పద్ధతిని ఎంచుకున్నప్పుడు, మోడల్ సంక్లిష్టత మరియు వివరణ వంటి ఇతర అంశాలను పరిగణనలోకి తీసుకోవడం చాలా ముఖ్యం.
ఈ అధ్యయనం యొక్క పరిమితి ఏమిటంటే ఇది దంత విద్యార్థులలో LS మరియు IS లను మ్యాపింగ్ చేయడంపై మాత్రమే దృష్టి పెట్టింది.అందువల్ల, అభివృద్ధి చెందిన సిఫార్సు వ్యవస్థ దంత విద్యార్థులకు తగిన వాటిని మాత్రమే సిఫార్సు చేస్తుంది.సాధారణ ఉన్నత విద్య విద్యార్థుల ఉపయోగం కోసం మార్పులు అవసరం.
కొత్తగా అభివృద్ధి చేయబడిన మెషీన్ లెర్నింగ్-ఆధారిత సిఫార్సు సాధనం విద్యార్థుల LSని సంబంధిత ISకి తక్షణమే వర్గీకరించగలదు మరియు సరిపోల్చగలదు, ఇది దంత అధ్యాపకులకు సంబంధిత బోధన మరియు అభ్యాస కార్యకలాపాలను ప్లాన్ చేయడంలో సహాయపడే మొదటి దంత విద్యా కార్యక్రమంగా మారింది.డేటా-ఆధారిత ట్రయాజ్ ప్రక్రియను ఉపయోగించి, ఇది వ్యక్తిగతీకరించిన సిఫార్సులను అందించగలదు, సమయాన్ని ఆదా చేస్తుంది, బోధనా వ్యూహాలను మెరుగుపరచగలదు, లక్ష్య జోక్యాలకు మద్దతు ఇస్తుంది మరియు కొనసాగుతున్న వృత్తిపరమైన అభివృద్ధిని ప్రోత్సహిస్తుంది.దీని అప్లికేషన్ దంత విద్యకు విద్యార్థి-కేంద్రీకృత విధానాలను ప్రోత్సహిస్తుంది.
గిలక్ జాని అసోసియేటెడ్ ప్రెస్.విద్యార్థి అభ్యాస శైలి మరియు ఉపాధ్యాయుని బోధనా శైలి మధ్య సరిపోలడం లేదా అసమతుల్యత.Int J మోడ్ ఎడ్యుకేషన్ కంప్యూటర్ సైన్స్.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
పోస్ట్ సమయం: ఏప్రిల్-29-2024