దంతవైద్యంతో సహా ఉన్నత విద్యా సంస్థలలో విద్యార్థి-కేంద్రీకృత అభ్యాసం (SCL) అవసరం పెరుగుతోంది. అయితే, దంత వైద్య విద్యలో SCL వినియోగం పరిమితంగా ఉంది. అందువల్ల, దంత వైద్య విద్యార్థుల ప్రాధాన్య అభ్యాస శైలి (LS) మరియు దానికి సంబంధించిన అభ్యాస వ్యూహాలను (IS) గుర్తించడానికి, IS మార్గదర్శకాలను అభివృద్ధి చేయడానికి ఒక ఉపయోగకరమైన సాధనంగా డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ (ML) సాంకేతికతను ఉపయోగించడం ద్వారా దంతవైద్యంలో SCL వినియోగాన్ని ప్రోత్సహించడమే ఈ అధ్యయనం యొక్క లక్ష్యం. దంత వైద్య విద్యార్థుల కోసం ఆశాజనకమైన పద్ధతులు.
మలేషియా విశ్వవిద్యాలయానికి చెందిన మొత్తం 255 మంది దంత వైద్య విద్యార్థులు, వారిని సంబంధిత అభ్యసన శైలుల (LSs) ప్రకారం వర్గీకరించడానికి 44 అంశాలు కలిగిన సవరించిన అభ్యసన శైలుల సూచిక (m-ILS) ప్రశ్నావళిని పూర్తి చేశారు. సేకరించిన డేటాను (దీనిని డేటాసెట్ అంటారు) విద్యార్థుల అభ్యసన శైలులను అత్యంత సముచితమైన అభ్యసన సూచిక (IS)తో స్వయంచాలకంగా సరిపోల్చడానికి పర్యవేక్షిత నిర్ణయ వృక్ష అభ్యాసంలో ఉపయోగిస్తారు. ఆ తర్వాత, మెషిన్ లెర్నింగ్ ఆధారిత IS సిఫార్సు సాధనం యొక్క కచ్చితత్వాన్ని మూల్యాంకనం చేస్తారు.
LS (ఇన్పుట్) మరియు IS (టార్గెట్ అవుట్పుట్) మధ్య ఆటోమేటెడ్ మ్యాపింగ్ ప్రక్రియలో డెసిషన్ ట్రీ మోడల్లను ఉపయోగించడం వల్ల, ప్రతి డెంటల్ విద్యార్థికి తగిన అభ్యాస వ్యూహాల జాబితాను తక్షణమే పొందవచ్చు. IS సిఫార్సు సాధనం మొత్తం మోడల్ కచ్చితత్వంలో పరిపూర్ణమైన ఖచ్చితత్వాన్ని మరియు రీకాల్ను ప్రదర్శించింది, ఇది LSను ISతో సరిపోల్చడానికి మంచి సెన్సిటివిటీ మరియు స్పెసిఫిసిటీ ఉన్నాయని సూచిస్తుంది.
ML డెసిషన్ ట్రీ ఆధారిత IS సిఫార్సు సాధనం, దంత వైద్య విద్యార్థుల అభ్యాస శైలులను తగిన అభ్యాస వ్యూహాలతో ఖచ్చితంగా సరిపోల్చగల సామర్థ్యాన్ని నిరూపించుకుంది. ఈ సాధనం, విద్యార్థుల అభ్యాస అనుభవాన్ని మెరుగుపరచగల అభ్యాసకుడి-కేంద్రీకృత కోర్సులు లేదా మాడ్యూళ్లను ప్రణాళిక చేయడానికి శక్తివంతమైన ఎంపికలను అందిస్తుంది.
విద్యా సంస్థలలో బోధన మరియు అభ్యసనం అనేవి ప్రాథమిక కార్యకలాపాలు. అధిక-నాణ్యత గల వృత్తి విద్యా వ్యవస్థను అభివృద్ధి చేస్తున్నప్పుడు, విద్యార్థుల అభ్యసన అవసరాలపై దృష్టి పెట్టడం ముఖ్యం. విద్యార్థులు మరియు వారి అభ్యసన వాతావరణం మధ్య పరస్పర చర్యను వారి అభ్యసన స్థితి (LS) ద్వారా నిర్ణయించవచ్చు. విద్యార్థుల LS మరియు IS మధ్య ఉపాధ్యాయులు ఉద్దేశించిన అసమతుల్యతలు, విద్యార్థుల అభ్యసనంపై శ్రద్ధ మరియు ప్రేరణ తగ్గడం వంటి ప్రతికూల పరిణామాలను కలిగిస్తాయని పరిశోధన సూచిస్తుంది. ఇది పరోక్షంగా విద్యార్థి పనితీరును ప్రభావితం చేస్తుంది [1,2].
IS అనేది ఉపాధ్యాయులు విద్యార్థులకు జ్ఞానాన్ని మరియు నైపుణ్యాలను అందించడానికి ఉపయోగించే ఒక పద్ధతి, ఇందులో విద్యార్థులు నేర్చుకోవడానికి సహాయం చేయడం కూడా ఉంటుంది [3]. సాధారణంగా చెప్పాలంటే, మంచి ఉపాధ్యాయులు తమ విద్యార్థుల జ్ఞాన స్థాయికి, వారు నేర్చుకుంటున్న భావనలకు మరియు వారి అభ్యాస దశకు ఉత్తమంగా సరిపోయే బోధనా వ్యూహాలను లేదా IS ను ప్రణాళిక చేస్తారు. సిద్ధాంతపరంగా, LS మరియు IS సరిపోలినప్పుడు, విద్యార్థులు సమర్థవంతంగా నేర్చుకోవడానికి ఒక నిర్దిష్ట నైపుణ్య సముదాయాన్ని వ్యవస్థీకరించుకుని, ఉపయోగించగలుగుతారు. సాధారణంగా, ఒక పాఠ్య ప్రణాళికలో దశల మధ్య అనేక మార్పులు ఉంటాయి, ఉదాహరణకు బోధన నుండి మార్గదర్శక అభ్యాసానికి లేదా మార్గదర్శక అభ్యాసం నుండి స్వతంత్ర అభ్యాసానికి. దీనిని దృష్టిలో ఉంచుకుని, సమర్థవంతమైన ఉపాధ్యాయులు తరచుగా విద్యార్థుల జ్ఞానాన్ని మరియు నైపుణ్యాలను పెంపొందించే లక్ష్యంతో బోధనను ప్రణాళిక చేస్తారు [4].
దంతవైద్యంతో సహా ఉన్నత విద్యా సంస్థలలో SCL కు డిమాండ్ పెరుగుతోంది. SCL వ్యూహాలు విద్యార్థుల అభ్యాస అవసరాలను తీర్చడానికి రూపొందించబడ్డాయి. ఉదాహరణకు, విద్యార్థులు అభ్యాస కార్యకలాపాలలో చురుకుగా పాల్గొంటే మరియు ఉపాధ్యాయులు సులభతరం చేసేవారిగా వ్యవహరిస్తూ విలువైన అభిప్రాయాన్ని అందించడానికి బాధ్యత వహిస్తే దీనిని సాధించవచ్చు. విద్యార్థుల విద్యా స్థాయికి లేదా ప్రాధాన్యతలకు తగిన అభ్యాస సామగ్రి మరియు కార్యకలాపాలను అందించడం వల్ల విద్యార్థుల అభ్యాస వాతావరణాన్ని మెరుగుపరచవచ్చని మరియు సానుకూల అభ్యాస అనుభవాలను ప్రోత్సహించవచ్చని చెప్పబడింది [5].
సాధారణంగా చెప్పాలంటే, దంత వైద్య విద్యార్థుల అభ్యాస ప్రక్రియ వారు నిర్వహించాల్సిన వివిధ క్లినికల్ విధానాలు మరియు వారు సమర్థవంతమైన పరస్పర నైపుణ్యాలను పెంపొందించుకునే క్లినికల్ వాతావరణం ద్వారా ప్రభావితమవుతుంది. దంతవైద్యం యొక్క ప్రాథమిక జ్ఞానాన్ని దంత క్లినికల్ నైపుణ్యాలతో కలపడానికి మరియు పొందిన జ్ఞానాన్ని కొత్త క్లినికల్ పరిస్థితులకు వర్తింపజేయడానికి విద్యార్థులను శక్తివంతం చేయడమే శిక్షణ యొక్క ఉద్దేశ్యం [6, 7]. LS మరియు IS మధ్య సంబంధంపై ప్రారంభ పరిశోధనలో, ప్రాధాన్యతనిచ్చే LSకి అనుగుణంగా అభ్యాస వ్యూహాలను సర్దుబాటు చేయడం విద్యా ప్రక్రియను మెరుగుపరచడంలో సహాయపడుతుందని కనుగొనబడింది [8]. విద్యార్థుల అభ్యాసం మరియు అవసరాలకు అనుగుణంగా వివిధ రకాల బోధన మరియు మూల్యాంకన పద్ధతులను ఉపయోగించాలని రచయితలు కూడా సిఫార్సు చేస్తున్నారు.
విద్యార్థులు విషయ పరిజ్ఞానంపై లోతైన జ్ఞానాన్ని మరియు అవగాహనను పెంపొందించే బోధనను రూపొందించడానికి, అభివృద్ధి చేయడానికి మరియు అమలు చేయడానికి LS (లెర్నింగ్ స్టైల్) జ్ఞానాన్ని వర్తింపజేయడం ద్వారా ఉపాధ్యాయులు ప్రయోజనం పొందుతారు. పరిశోధకులు కోల్బ్ అనుభవపూర్వక అభ్యాస నమూనా (Kolb Experiential Learning Model), ఫెల్డర్-సిల్వర్మాన్ అభ్యాస శైలి నమూనా (FSLSM) మరియు ఫ్లెమింగ్ VAK/VARK నమూనా [5, 9, 10] వంటి అనేక LS మదింపు సాధనాలను అభివృద్ధి చేశారు. సాహిత్యం ప్రకారం, ఈ అభ్యాస నమూనాలు అత్యంత సాధారణంగా ఉపయోగించబడేవి మరియు ఎక్కువగా అధ్యయనం చేయబడిన అభ్యాస నమూనాలు. ప్రస్తుత పరిశోధనలో, దంత వైద్య విద్యార్థులలో LSను మదింపు చేయడానికి FSLSM ఉపయోగించబడింది.
ఇంజనీరింగ్లో అనుకూల అభ్యాసాన్ని మూల్యాంకనం చేయడానికి FSLSM అనేది విస్తృతంగా ఉపయోగించే ఒక నమూనా. ఆరోగ్య శాస్త్రాలలో (వైద్యం, నర్సింగ్, ఫార్మసీ మరియు దంతవైద్యంతో సహా) FSLSM నమూనాలను ఉపయోగించి ప్రచురించబడిన అనేక రచనలు ఉన్నాయి [5, 11, 12, 13]. FLSMలో LS యొక్క కోణాలను కొలవడానికి ఉపయోగించే సాధనాన్ని ఇండెక్స్ ఆఫ్ లెర్నింగ్ స్టైల్స్ (ILS) [8] అంటారు, ఇది LS యొక్క నాలుగు కోణాలను అంచనా వేసే 44 అంశాలను కలిగి ఉంటుంది: ప్రాసెసింగ్ (క్రియాశీల/ప్రతిబింబించే), గ్రహణశక్తి (గ్రహణశక్తి/అంతర్ దృష్టి), ఇన్పుట్ (దృశ్య/శబ్ద) మరియు అవగాహన (క్రమబద్ధమైన/సమగ్ర) [14].
పటం 1లో చూపిన విధంగా, ప్రతి FSLSM కోణానికి ఒక ప్రధాన ప్రాధాన్యత ఉంటుంది. ఉదాహరణకు, ప్రాసెసింగ్ కోణంలో, "క్రియాశీల" LS ఉన్న విద్యార్థులు అభ్యసన సామగ్రితో నేరుగా సంకర్షణ చెందడం ద్వారా సమాచారాన్ని ప్రాసెస్ చేయడానికి, చేయడం ద్వారా నేర్చుకోవడానికి మరియు సమూహాలలో నేర్చుకోవడానికి మొగ్గు చూపుతారు. "ప్రతిబింబించే" LS అనేది ఆలోచించడం ద్వారా నేర్చుకోవడాన్ని సూచిస్తుంది మరియు ఒంటరిగా పనిచేయడానికి ఇష్టపడుతుంది. LS యొక్క "గ్రహించే" కోణాన్ని "అనుభూతి" మరియు/లేదా "అంతర్బుద్ధి"గా విభజించవచ్చు. "అనుభూతి" గల విద్యార్థులు మరింత మూర్తమైన సమాచారాన్ని మరియు ఆచరణాత్మక పద్ధతులను ఇష్టపడతారు, వాస్తవాలపై దృష్టి పెడతారు. దీనికి విరుద్ధంగా, "అంతర్బుద్ధి" గల విద్యార్థులు అమూర్త విషయాలను ఇష్టపడతారు మరియు స్వభావరీత్యా మరింత వినూత్నంగా, సృజనాత్మకంగా ఉంటారు. LS యొక్క "ఇన్పుట్" కోణంలో "దృశ్య" మరియు "శబ్ద" అభ్యాసకులు ఉంటారు. "దృశ్య" LS ఉన్నవారు దృశ్య ప్రదర్శనల (రేఖాచిత్రాలు, వీడియోలు లేదా ప్రత్యక్ష ప్రదర్శనలు వంటివి) ద్వారా నేర్చుకోవడానికి ఇష్టపడతారు, అయితే "శబ్ద" LS ఉన్నవారు వ్రాతపూర్వక లేదా మౌఖిక వివరణలలోని పదాల ద్వారా నేర్చుకోవడానికి ఇష్టపడతారు. LS కోణాలను "అర్థం చేసుకోవడానికి", అటువంటి అభ్యాసకులను "అనుక్రమ" మరియు "సమగ్ర" అభ్యాసకులుగా విభజించవచ్చు. క్రమానుగత అభ్యాసకులు సరళమైన ఆలోచనా విధానాన్ని ఇష్టపడతారు మరియు దశలవారీగా నేర్చుకుంటారు, అయితే సమగ్ర అభ్యాసకులు సంపూర్ణ ఆలోచనా విధానాన్ని కలిగి ఉంటారు మరియు వారు నేర్చుకుంటున్న దానిపై ఎల్లప్పుడూ మంచి అవగాహన కలిగి ఉంటారు.
ఇటీవల, చాలా మంది పరిశోధకులు ఆటోమేటిక్ డేటా-ఆధారిత ఆవిష్కరణ కోసం పద్ధతులను అన్వేషించడం ప్రారంభించారు, ఇందులో పెద్ద మొత్తంలో డేటాను అర్థం చేసుకోగల కొత్త అల్గారిథమ్లు మరియు మోడల్ల అభివృద్ధి కూడా ఉంది [15, 16]. అందించిన డేటా ఆధారంగా, పర్యవేక్షించబడిన ML (మెషిన్ లెర్నింగ్) అల్గారిథమ్ల నిర్మాణం ఆధారంగా భవిష్యత్ ఫలితాలను అంచనా వేసే నమూనాలు మరియు పరికల్పనలను రూపొందించగలదు [17]. సరళంగా చెప్పాలంటే, పర్యవేక్షించబడిన మెషిన్ లెర్నింగ్ టెక్నిక్లు ఇన్పుట్ డేటాను మార్పు చేసి, అల్గారిథమ్లకు శిక్షణ ఇస్తాయి. ఆ తర్వాత, అందించిన ఇన్పుట్ డేటా కోసం సారూప్య పరిస్థితుల ఆధారంగా ఫలితాన్ని వర్గీకరించే లేదా అంచనా వేసే పరిధిని ఇది ఉత్పత్తి చేస్తుంది. పర్యవేక్షించబడిన మెషిన్ లెర్నింగ్ అల్గారిథమ్ల యొక్క ప్రధాన ప్రయోజనం ఆదర్శవంతమైన మరియు కావలసిన ఫలితాలను స్థాపించగల దాని సామర్థ్యం [17].
డేటా-ఆధారిత పద్ధతులు మరియు నిర్ణయ వృక్ష నియంత్రణ నమూనాల ఉపయోగం ద్వారా, LS యొక్క స్వయంచాలక గుర్తింపు సాధ్యమవుతుంది. ఆరోగ్య శాస్త్రాలతో సహా వివిధ రంగాలలో శిక్షణా కార్యక్రమాలలో నిర్ణయ వృక్షాలు విస్తృతంగా ఉపయోగించబడుతున్నాయని నివేదించబడింది [18, 19]. ఈ అధ్యయనంలో, విద్యార్థుల LS ను గుర్తించడానికి మరియు వారికి ఉత్తమ IS ను సిఫార్సు చేయడానికి సిస్టమ్ డెవలపర్లచే ఈ నమూనా ప్రత్యేకంగా శిక్షణ పొందింది.
విద్యార్థుల LS ఆధారంగా IS డెలివరీ వ్యూహాలను అభివృద్ధి చేయడం మరియు LSకు మ్యాప్ చేయబడిన IS సిఫార్సు సాధనాన్ని అభివృద్ధి చేయడం ద్వారా SCL విధానాన్ని వర్తింపజేయడం ఈ అధ్యయనం యొక్క ఉద్దేశ్యం. SCL పద్ధతి యొక్క వ్యూహంగా IS సిఫార్సు సాధనం యొక్క డిజైన్ ఫ్లోను చిత్రం 1లో చూపబడింది. IS సిఫార్సు సాధనం రెండు భాగాలుగా విభజించబడింది, ఇందులో ILSను ఉపయోగించి LS వర్గీకరణ యంత్రాంగం మరియు విద్యార్థులకు అత్యంత అనువైన IS ప్రదర్శన ఉన్నాయి.
ముఖ్యంగా, సమాచార భద్రతా సిఫార్సు సాధనాల లక్షణాలలో వెబ్ టెక్నాలజీల వాడకం మరియు డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ వాడకం ఉంటాయి. సిస్టమ్ డెవలపర్లు మొబైల్ ఫోన్లు మరియు టాబ్లెట్ల వంటి మొబైల్ పరికరాలకు వాటిని అనుగుణంగా మార్చడం ద్వారా వినియోగదారు అనుభవాన్ని మరియు మొబిలిటీని మెరుగుపరుస్తారు.
ఈ ప్రయోగం రెండు దశల్లో నిర్వహించబడింది మరియు మలయా విశ్వవిద్యాలయంలోని దంత వైద్య విభాగం విద్యార్థులు స్వచ్ఛంద ప్రాతిపదికన పాల్గొన్నారు. పాల్గొన్నవారు దంత వైద్య విద్యార్థుల ఆన్లైన్ m-ILSకు ఆంగ్లంలో స్పందించారు. మొదటి దశలో, డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ అల్గారిథమ్కు శిక్షణ ఇవ్వడానికి 50 మంది విద్యార్థుల డేటాసెట్ను ఉపయోగించారు. అభివృద్ధి ప్రక్రియ యొక్క రెండవ దశలో, అభివృద్ధి చేసిన సాధనం యొక్క కచ్చితత్వాన్ని మెరుగుపరచడానికి 255 మంది విద్యార్థుల డేటాసెట్ను ఉపయోగించారు.
విద్యా సంవత్సరాన్ని బట్టి, ప్రతి దశ ప్రారంభంలో పాల్గొనేవారందరికీ మైక్రోసాఫ్ట్ టీమ్స్ ద్వారా ఆన్లైన్ బ్రీఫింగ్ ఇవ్వబడుతుంది. అధ్యయనం యొక్క ఉద్దేశ్యం వివరించబడి, సమాచార సమ్మతి పొందబడింది. పాల్గొనేవారందరికీ m-ILSను యాక్సెస్ చేయడానికి ఒక లింక్ అందించబడింది. ప్రతి విద్యార్థి ప్రశ్నావళిలోని మొత్తం 44 అంశాలకు సమాధానం ఇవ్వాలని సూచించబడింది. సెమిస్టర్ ప్రారంభానికి ముందు సెమిస్టర్ విరామ సమయంలో, వారికి అనుకూలమైన సమయం మరియు ప్రదేశంలో సవరించిన ILSను పూర్తి చేయడానికి వారికి ఒక వారం సమయం ఇవ్వబడింది. m-ILS అనేది అసలైన ILS సాధనం ఆధారంగా దంత వైద్య విద్యార్థుల కోసం సవరించబడింది. అసలైన ILS మాదిరిగానే, ఇది ప్రతి FSLSM డైమెన్షన్ యొక్క అంశాలను అంచనా వేయడానికి ఉపయోగపడే, సమానంగా పంపిణీ చేయబడిన 44 అంశాలను (a, b) కలిగి ఉంటుంది, వీటిలో ఒక్కొక్కదానికి 11 అంశాలు ఉంటాయి.
టూల్ డెవలప్మెంట్ యొక్క ప్రారంభ దశలలో, పరిశోధకులు 50 మంది డెంటల్ విద్యార్థుల డేటాసెట్ను ఉపయోగించి మ్యాప్లను మాన్యువల్గా అనోటేట్ చేశారు. FSLM ప్రకారం, ఈ సిస్టమ్ "a" మరియు "b" అనే సమాధానాల మొత్తాన్ని అందిస్తుంది. ప్రతి డైమెన్షన్కు, విద్యార్థి "a" ను సమాధానంగా ఎంచుకుంటే, LS యాక్టివ్/పెర్సెప్చువల్/విజువల్/సీక్వెన్షియల్గా వర్గీకరించబడుతుంది, మరియు విద్యార్థి "b" ను సమాధానంగా ఎంచుకుంటే, ఆ విద్యార్థి రిఫ్లెక్టివ్/ఇంట్యూటివ్/లింగ్విస్టిక్ / గ్లోబల్ లెర్నర్గా వర్గీకరించబడతాడు.
దంత వైద్య విద్యా పరిశోధకులు మరియు సిస్టమ్ డెవలపర్ల మధ్య వర్క్ఫ్లోను క్రమాంకనం చేసిన తర్వాత, FLSSM డొమైన్ ఆధారంగా ప్రశ్నలను ఎంపిక చేసి, ప్రతి విద్యార్థి యొక్క LSను అంచనా వేయడానికి ML మోడల్లోకి ఫీడ్ చేయడం జరిగింది. మెషిన్ లెర్నింగ్ రంగంలో "చెత్త ఇస్తే, చెత్తే వస్తుంది" అనేది ఒక ప్రసిద్ధ సామెత, దీనిలో డేటా నాణ్యతకు ప్రాధాన్యత ఉంటుంది. ఇన్పుట్ డేటా యొక్క నాణ్యత మెషిన్ లెర్నింగ్ మోడల్ యొక్క కచ్చితత్వం మరియు ఖచ్చితత్వాన్ని నిర్ధారిస్తుంది. ఫీచర్ ఇంజనీరింగ్ దశలో, FLSSM ఆధారంగా "a" మరియు "b" సమాధానాల మొత్తంగా ఒక కొత్త ఫీచర్ సెట్ సృష్టించబడుతుంది. ఔషధ స్థానాల గుర్తింపు సంఖ్యలు పట్టిక 1లో ఇవ్వబడ్డాయి.
సమాధానాల ఆధారంగా స్కోర్ను లెక్కించి, విద్యార్థి యొక్క LSని నిర్ణయించండి. ప్రతి విద్యార్థికి, స్కోర్ పరిధి 1 నుండి 11 వరకు ఉంటుంది. 1 నుండి 3 వరకు స్కోర్లు ఒకే కోణంలో అభ్యాస ప్రాధాన్యతల సమతుల్యతను సూచిస్తాయి, మరియు 5 నుండి 7 వరకు స్కోర్లు మితమైన ప్రాధాన్యతను సూచిస్తాయి, అంటే విద్యార్థులు ఒక వాతావరణం ఇతరులకు బోధించడాన్ని ఇష్టపడతారని సూచిస్తుంది. అదే కోణంలో మరొక వైవిధ్యం ఏమిటంటే, 9 నుండి 11 వరకు స్కోర్లు ఒక చివర లేదా మరొకదానికి బలమైన ప్రాధాన్యతను ప్రతిబింబిస్తాయి [8].
ప్రతి కోణంలో, విద్యార్థులను “క్రియాశీల”, “ప్రతిబింబించే” మరియు “సమతుల్య” అని వర్గీకరించారు. ఉదాహరణకు, ఒక విద్యార్థి నిర్దేశిత అంశంలో ‘బి’ కంటే ‘ఎ’కు ఎక్కువగా సమాధానం ఇచ్చి, ప్రాసెసింగ్ LS కోణాన్ని సూచించే ఒక నిర్దిష్ట అంశంలో అతని/ఆమె స్కోరు 5 పరిమితిని దాటినప్పుడు, అతను/ఆమె “క్రియాశీల” LS విభాగానికి చెందినవారు. అయితే, నిర్దిష్ట 11 ప్రశ్నలలో (పట్టిక 1) ‘ఎ’ కంటే ‘బి’ని ఎక్కువగా ఎంచుకుని, 5 పాయింట్ల కంటే ఎక్కువ స్కోరు చేసినప్పుడు విద్యార్థులను “ప్రతిబింబించే” LSగా వర్గీకరించారు. చివరగా, విద్యార్థి “సమతుల్య” స్థితిలో ఉంటాడు. స్కోరు 5 పాయింట్లను మించకపోతే, అది “ప్రక్రియ” LS అవుతుంది. ఈ వర్గీకరణ ప్రక్రియను ఇతర LS కోణాలైన గ్రహణశక్తి (క్రియాశీల/ప్రతిబింబించే), ఇన్పుట్ (దృశ్య/శబ్ద), మరియు అవగాహన (క్రమబద్ధమైన/సమగ్రమైన) కోసం కూడా పునరావృతం చేశారు.
నిర్ణయ వృక్ష నమూనాలు వర్గీకరణ ప్రక్రియ యొక్క వివిధ దశలలో విభిన్న ఉపసమితులు మరియు నిర్ణయ నియమాలను ఉపయోగించగలవు. ఇది ఒక ప్రసిద్ధ వర్గీకరణ మరియు అంచనా సాధనంగా పరిగణించబడుతుంది. దీనిని ఫ్లోచార్ట్ [20] వంటి వృక్ష నిర్మాణాన్ని ఉపయోగించి సూచించవచ్చు, దీనిలో లక్షణం ద్వారా పరీక్షలను సూచించే అంతర్గత నోడ్లు, పరీక్ష ఫలితాలను సూచించే ప్రతి శాఖ మరియు తరగతి లేబుల్ను కలిగి ఉన్న ప్రతి ఆకు నోడ్ (లీఫ్ నోడ్) ఉంటాయి.
ప్రతి విద్యార్థి యొక్క ప్రతిస్పందనల ఆధారంగా వారి LSను స్వయంచాలకంగా స్కోర్ చేయడానికి మరియు వ్యాఖ్యానించడానికి ఒక సాధారణ నియమ-ఆధారిత ప్రోగ్రామ్ సృష్టించబడింది. నియమ-ఆధారిత అనేది ఒక IF స్టేట్మెంట్ రూపంలో ఉంటుంది, ఇక్కడ “IF” ట్రిగ్గర్ను వివరిస్తుంది మరియు “THEN” చేయవలసిన చర్యను నిర్దేశిస్తుంది, ఉదాహరణకు: “X జరిగితే, అప్పుడు Y చేయండి” (లియు మరియు ఇతరులు, 2014). డేటా సెట్ సహసంబంధాన్ని ప్రదర్శిస్తే మరియు డెసిషన్ ట్రీ మోడల్కు సరిగ్గా శిక్షణ ఇచ్చి, మూల్యాంకనం చేస్తే, LS మరియు ISలను సరిపోల్చే ప్రక్రియను స్వయంచాలకం చేయడానికి ఈ విధానం ఒక సమర్థవంతమైన మార్గం కావచ్చు.
అభివృద్ధి యొక్క రెండవ దశలో, సిఫార్సు సాధనం యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి డేటాసెట్ను 255కి పెంచారు. డేటాసెట్ 1:4 నిష్పత్తిలో విభజించబడింది. డేటాసెట్లో 25% (64) టెస్ట్ సెట్ కోసం, మరియు మిగిలిన 75% (191) ట్రైనింగ్ సెట్గా ఉపయోగించబడింది (చిత్రం 2). మోడల్ను ఒకే డేటాసెట్పై శిక్షణ మరియు పరీక్ష చేయకుండా నిరోధించడానికి డేటాసెట్ను విభజించాల్సిన అవసరం ఉంది, ఎందుకంటే అలా జరిగితే మోడల్ నేర్చుకోవడానికి బదులుగా గుర్తుంచుకునే అవకాశం ఉంది. మోడల్కు ట్రైనింగ్ సెట్పై శిక్షణ ఇవ్వబడుతుంది మరియు అది ఇంతకు ముందెన్నడూ చూడని డేటా అయిన టెస్ట్ సెట్పై దాని పనితీరును మూల్యాంకనం చేస్తుంది.
ఒకసారి IS టూల్ అభివృద్ధి చేయబడిన తర్వాత, ఈ అప్లికేషన్ ఒక వెబ్ ఇంటర్ఫేస్ ద్వారా డెంటల్ విద్యార్థుల ప్రతిస్పందనల ఆధారంగా LSను వర్గీకరించగలుగుతుంది. ఈ వెబ్-ఆధారిత సమాచార భద్రతా సిఫార్సు సాధన వ్యవస్థను, బ్యాకెండ్గా జాంగో ఫ్రేమ్వర్క్ను ఉపయోగించి పైథాన్ ప్రోగ్రామింగ్ భాష ద్వారా నిర్మించారు. ఈ వ్యవస్థ అభివృద్ధిలో ఉపయోగించిన లైబ్రరీలను పట్టిక 2 జాబితా చేస్తుంది.
విద్యార్థుల LS కొలతలను స్వయంచాలకంగా వర్గీకరించడానికి, విద్యార్థుల ప్రతిస్పందనలను లెక్కించి, సంగ్రహించేందుకు డేటాసెట్ను ఒక డెసిషన్ ట్రీ మోడల్కు అందిస్తారు.
ఇచ్చిన డేటా సెట్పై డెసిషన్ ట్రీ మెషిన్ లెర్నింగ్ అల్గారిథం యొక్క ఖచ్చితత్వాన్ని మూల్యాంకనం చేయడానికి కన్ఫ్యూజన్ మ్యాట్రిక్స్ ఉపయోగించబడుతుంది. అదే సమయంలో, ఇది క్లాసిఫికేషన్ మోడల్ యొక్క పనితీరును కూడా మూల్యాంకనం చేస్తుంది. ఇది మోడల్ యొక్క అంచనాలను సంగ్రహించి, వాటిని అసలు డేటా లేబుల్లతో పోలుస్తుంది. మూల్యాంకన ఫలితాలు నాలుగు విభిన్న విలువలపై ఆధారపడి ఉంటాయి: ట్రూ పాజిటివ్ (TP) – మోడల్ పాజిటివ్ కేటగిరీని సరిగ్గా అంచనా వేసింది, ఫాల్స్ పాజిటివ్ (FP) – మోడల్ పాజిటివ్ కేటగిరీని అంచనా వేసింది, కానీ నిజమైన లేబుల్ నెగటివ్, ట్రూ నెగటివ్ (TN) – మోడల్ నెగటివ్ క్లాస్ను సరిగ్గా అంచనా వేసింది, మరియు ఫాల్స్ నెగటివ్ (FN) – మోడల్ నెగటివ్ క్లాస్ను అంచనా వేస్తుంది, కానీ నిజమైన లేబుల్ పాజిటివ్.
ఈ విలువలను ఉపయోగించి పైథాన్లోని స్కికిట్-లెర్న్ క్లాసిఫికేషన్ మోడల్ యొక్క వివిధ పనితీరు కొలమానాలను, అంటే ప్రెసిషన్, రికాల్ మరియు F1 స్కోర్ను లెక్కిస్తారు. ఇక్కడ ఉదాహరణలు ఉన్నాయి:
m-ILS ప్రశ్నావళికి సమాధానం ఇచ్చిన తర్వాత, ఒక విద్యార్థి యొక్క LSను ఖచ్చితంగా వర్గీకరించడంలో మోడల్ యొక్క సామర్థ్యాన్ని రీకాల్ (లేదా సెన్సిటివిటీ) కొలుస్తుంది.
నిర్దిష్టతను ట్రూ నెగటివ్ రేట్ అని అంటారు. పై సూత్రంలో మీరు చూసినట్లుగా, ఇది ట్రూ నెగటివ్లు (TN) మరియు ఫాల్స్ పాజిటివ్లు (FP)ల నిష్పత్తిగా ఉండాలి. విద్యార్థుల డ్రగ్స్ను వర్గీకరించడానికి సిఫార్సు చేయబడిన సాధనంలో భాగంగా, ఇది కచ్చితమైన గుర్తింపు సామర్థ్యాన్ని కలిగి ఉండాలి.
డెసిషన్ ట్రీ ML మోడల్కు శిక్షణ ఇవ్వడానికి ఉపయోగించిన 50 మంది విద్యార్థుల అసలు డేటాసెట్, అనోటేషన్లలో మానవ తప్పిదాల కారణంగా సాపేక్షంగా తక్కువ కచ్చితత్వాన్ని చూపించింది (పట్టిక 3). LS స్కోర్లను మరియు విద్యార్థి అనోటేషన్లను స్వయంచాలకంగా లెక్కించడానికి ఒక సాధారణ నియమ-ఆధారిత ప్రోగ్రామ్ను రూపొందించిన తర్వాత, రికమెండర్ సిస్టమ్కు శిక్షణ మరియు పరీక్షించడానికి పెరుగుతున్న సంఖ్యలో డేటాసెట్లను (255) ఉపయోగించారు.
మల్టీక్లాస్ కన్ఫ్యూజన్ మ్యాట్రిక్స్లో, వికర్ణ మూలకాలు ప్రతి LS రకానికి సరైన అంచనాల సంఖ్యను సూచిస్తాయి (పటం 4). డెసిషన్ ట్రీ మోడల్ను ఉపయోగించి, మొత్తం 64 నమూనాలు సరిగ్గా అంచనా వేయబడ్డాయి. అందువల్ల, ఈ అధ్యయనంలో, వికర్ణ మూలకాలు ఆశించిన ఫలితాలను చూపుతున్నాయి, ఇది మోడల్ బాగా పనిచేస్తుందని మరియు ప్రతి LS వర్గీకరణకు క్లాస్ లేబుల్ను ఖచ్చితంగా అంచనా వేస్తుందని సూచిస్తుంది. అందువల్ల, సిఫార్సు సాధనం యొక్క మొత్తం ఖచ్చితత్వం 100%.
ఖచ్చితత్వం, ప్రెసిషన్, రికాల్ మరియు F1 స్కోర్ విలువలు పటం 5లో చూపబడ్డాయి. డెసిషన్ ట్రీ మోడల్ను ఉపయోగించే సిఫార్సు వ్యవస్థకు, దాని F1 స్కోర్ 1.0 “పరిపూర్ణమైనది,” ఇది పరిపూర్ణమైన ప్రెసిషన్ మరియు రికాల్ను సూచిస్తుంది, అలాగే గణనీయమైన సెన్సిటివిటీ మరియు స్పెసిఫిసిటీ విలువలను ప్రతిబింబిస్తుంది.
శిక్షణ మరియు పరీక్ష పూర్తయిన తర్వాత డెసిషన్ ట్రీ మోడల్ యొక్క విజువలైజేషన్ను చిత్రం 6 చూపిస్తుంది. పక్కపక్కనే పోల్చి చూసినప్పుడు, తక్కువ ఫీచర్లతో శిక్షణ పొందిన డెసిషన్ ట్రీ మోడల్ అధిక కచ్చితత్వాన్ని మరియు సులభమైన మోడల్ విజువలైజేషన్ను ప్రదర్శించింది. మోడల్ పనితీరును మెరుగుపరచడంలో, ఫీచర్ తగ్గింపుకు దారితీసే ఫీచర్ ఇంజనీరింగ్ ఒక ముఖ్యమైన దశ అని ఇది చూపిస్తుంది.
డెసిషన్ ట్రీ సూపర్వైజ్డ్ లెర్నింగ్ను వర్తింపజేయడం ద్వారా, LS (ఇన్పుట్) మరియు IS (టార్గెట్ అవుట్పుట్) మధ్య మ్యాపింగ్ స్వయంచాలకంగా రూపొందించబడుతుంది మరియు ప్రతి LS కోసం వివరణాత్మక సమాచారాన్ని కలిగి ఉంటుంది.
ఫలితాలు 255 మంది విద్యార్థులలో 34.9% మంది ఒక (1) LS ఎంపికను ఇష్టపడ్డారని చూపించాయి. మెజారిటీ (54.3%) రెండు లేదా అంతకంటే ఎక్కువ LS ప్రాధాన్యతలను కలిగి ఉన్నారు. 12.2% మంది విద్యార్థులు LS చాలా సమతుల్యంగా ఉందని పేర్కొన్నారు (పట్టిక 4). ఎనిమిది ప్రధాన LS లతో పాటు, మలేషియా విశ్వవిద్యాలయం డెంటల్ విద్యార్థులకు LS వర్గీకరణల 34 కలయికలు ఉన్నాయి. వాటిలో, గ్రహణశక్తి, దృష్టి, మరియు గ్రహణశక్తి మరియు దృష్టి కలయిక విద్యార్థులు నివేదించిన ప్రధాన LS లు (చిత్రం 7).
పట్టిక 4 నుండి చూడగలిగినట్లుగా, అధిక శాతం విద్యార్థులు ప్రధానంగా ఇంద్రియ (13.7%) లేదా దృశ్య (8.6%) అభ్యసన నైపుణ్యాన్ని (LS) కలిగి ఉన్నారు. 12.2% మంది విద్యార్థులు గ్రహణశక్తిని దృష్టితో (గ్రహణశక్తి-దృశ్య అభ్యసన నైపుణ్యం) మిళితం చేశారని నివేదించబడింది. ఈ పరిశోధనల ప్రకారం, విద్యార్థులు నిర్ధారిత పద్ధతుల ద్వారా నేర్చుకోవడానికి మరియు గుర్తుంచుకోవడానికి ఇష్టపడతారని, నిర్దిష్టమైన మరియు వివరణాత్మకమైన ప్రక్రియలను అనుసరిస్తారని, మరియు స్వభావరీత్యా శ్రద్ధగా ఉంటారని తెలుస్తోంది. అదే సమయంలో, వారు చూడటం ద్వారా (రేఖాచిత్రాలు మొదలైనవి ఉపయోగించి) నేర్చుకోవడాన్ని ఆనందిస్తారు మరియు సమూహాలలో లేదా ఒంటరిగా సమాచారాన్ని చర్చించి, అన్వయించడానికి మొగ్గు చూపుతారు.
ఈ అధ్యయనం, డేటా మైనింగ్లో ఉపయోగించే మెషిన్ లెర్నింగ్ టెక్నిక్ల యొక్క అవలోకనాన్ని అందిస్తుంది. ఇది విద్యార్థుల జీవిత అనుభవాలను (LS) తక్షణమే మరియు కచ్చితంగా అంచనా వేయడం, అలాగే వారికి తగిన సమాచార వ్యవస్థలను (IS) సిఫార్సు చేయడంపై దృష్టి పెడుతుంది. ఒక డెసిషన్ ట్రీ మోడల్ను ఉపయోగించడం ద్వారా, వారి జీవిత మరియు విద్యా అనుభవాలతో అత్యంత సన్నిహితంగా సంబంధం ఉన్న కారకాలను గుర్తించడం జరిగింది. ఇది ఒక సూపర్వైజ్డ్ మెషిన్ లెర్నింగ్ అల్గారిథమ్, ఇది ఒక ట్రీ నిర్మాణాన్ని ఉపయోగించి, నిర్దిష్ట ప్రమాణాల ఆధారంగా డేటా సమితిని ఉపవర్గాలుగా విభజించి డేటాను వర్గీకరిస్తుంది. ఇది లీఫ్ నోడ్ వద్ద ఒక నిర్ణయం తీసుకునే వరకు, ప్రతి ఇంటర్నల్ నోడ్ యొక్క ఇన్పుట్ ఫీచర్లలో ఒకదాని విలువ ఆధారంగా ఇన్పుట్ డేటాను ఉపసమితులుగా పునరావృతంగా విభజించడం ద్వారా పనిచేస్తుంది.
నిర్ణయ వృక్షం యొక్క అంతర్గత నోడ్లు m-ILS సమస్య యొక్క ఇన్పుట్ లక్షణాల ఆధారంగా పరిష్కారాన్ని సూచిస్తాయి మరియు లీఫ్ నోడ్లు తుది LS వర్గీకరణ అంచనాను సూచిస్తాయి. ఈ అధ్యయనం అంతటా, ఇన్పుట్ ఫీచర్లు మరియు అవుట్పుట్ అంచనాల మధ్య సంబంధాన్ని చూడటం ద్వారా నిర్ణయ ప్రక్రియను వివరించే మరియు దృశ్యమానం చేసే నిర్ణయ వృక్షాల సోపానక్రమాన్ని సులభంగా అర్థం చేసుకోవచ్చు.
కంప్యూటర్ సైన్స్ మరియు ఇంజనీరింగ్ రంగాలలో, విద్యార్థుల ప్రవేశ పరీక్ష స్కోర్లు [21], జనాభా సమాచారం మరియు అభ్యాస ప్రవర్తన [22] ఆధారంగా వారి పనితీరును అంచనా వేయడానికి మెషిన్ లెర్నింగ్ అల్గారిథమ్లు విస్తృతంగా ఉపయోగించబడతాయి. ఈ అల్గారిథమ్ విద్యార్థుల పనితీరును ఖచ్చితంగా అంచనా వేసిందని మరియు విద్యాపరమైన ఇబ్బందులకు గురయ్యే ప్రమాదం ఉన్న విద్యార్థులను గుర్తించడంలో సహాయపడిందని పరిశోధనలో తేలింది.
దంత శిక్షణ కోసం వర్చువల్ పేషెంట్ సిమ్యులేటర్ల అభివృద్ధిలో ML అల్గారిథమ్ల అనువర్తనం నివేదించబడింది. ఈ సిమ్యులేటర్ నిజమైన రోగుల శారీరక ప్రతిస్పందనలను ఖచ్చితంగా పునరుత్పత్తి చేయగలదు మరియు దంత విద్యార్థులకు సురక్షితమైన మరియు నియంత్రిత వాతావరణంలో శిక్షణ ఇవ్వడానికి ఉపయోగించవచ్చు [23]. మెషిన్ లెర్నింగ్ అల్గారిథమ్లు దంత మరియు వైద్య విద్య మరియు రోగి సంరక్షణ యొక్క నాణ్యత మరియు సామర్థ్యాన్ని మెరుగుపరచగలవని అనేక ఇతర అధ్యయనాలు చూపిస్తున్నాయి. లక్షణాలు మరియు రోగి లక్షణాలు వంటి డేటా సెట్ల ఆధారంగా దంత వ్యాధుల నిర్ధారణలో సహాయపడటానికి మెషిన్ లెర్నింగ్ అల్గారిథమ్లు ఉపయోగించబడ్డాయి [24, 25]. రోగి ఫలితాలను అంచనా వేయడం, అధిక-ప్రమాదకర రోగులను గుర్తించడం, వ్యక్తిగతీకరించిన చికిత్స ప్రణాళికలను అభివృద్ధి చేయడం [26], పీరియాంటల్ చికిత్స [27], మరియు కావిటీస్ చికిత్స [25] వంటి పనులను నిర్వహించడానికి మెషిన్ లెర్నింగ్ అల్గారిథమ్ల వాడకాన్ని ఇతర అధ్యయనాలు అన్వేషించాయి.
దంతవైద్యంలో మెషిన్ లెర్నింగ్ అనువర్తనంపై నివేదికలు ప్రచురించబడినప్పటికీ, దంత వైద్య విద్యలో దీని వినియోగం పరిమితంగానే ఉంది. అందువల్ల, దంత వైద్య విద్యార్థులలో LS మరియు IS లతో అత్యంత సన్నిహితంగా సంబంధం ఉన్న కారకాలను గుర్తించడానికి ఒక డెసిషన్ ట్రీ మోడల్ను ఉపయోగించడం ఈ అధ్యయనం యొక్క లక్ష్యం.
ఈ అధ్యయనం యొక్క ఫలితాలు అభివృద్ధి చేయబడిన సిఫార్సు సాధనం అధిక ఖచ్చితత్వం మరియు పరిపూర్ణ ఖచ్చితత్వాన్ని కలిగి ఉందని చూపిస్తున్నాయి, ఇది ఉపాధ్యాయులు ఈ సాధనం నుండి ప్రయోజనం పొందగలరని సూచిస్తుంది. డేటా-ఆధారిత వర్గీకరణ ప్రక్రియను ఉపయోగించి, ఇది వ్యక్తిగతీకరించిన సిఫార్సులను అందించగలదు మరియు అధ్యాపకులు మరియు విద్యార్థుల కోసం విద్యా అనుభవాలు మరియు ఫలితాలను మెరుగుపరుస్తుంది. వాటిలో, సిఫార్సు సాధనాల ద్వారా పొందిన సమాచారం ఉపాధ్యాయుల ఇష్టపడే బోధనా పద్ధతులు మరియు విద్యార్థుల అభ్యాస అవసరాల మధ్య ఉన్న విభేదాలను పరిష్కరించగలదు. ఉదాహరణకు, సిఫార్సు సాధనాల స్వయంచాలక అవుట్పుట్ కారణంగా, ఒక విద్యార్థి యొక్క IPని గుర్తించడానికి మరియు దానిని 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. ఒక అధ్యయనం ప్రకారం, విద్యార్థులకు వారి ఇష్టపడే LSకి సరిపోయే అభ్యాస సామగ్రి మరియు అభ్యాస కార్యకలాపాలను అందించడం వలన విద్యార్థులు ఎక్కువ సామర్థ్యాన్ని సాధించడానికి బహుళ మార్గాల్లో అభ్యాసాన్ని ఏకీకృతం చేయడానికి, ప్రాసెస్ చేయడానికి మరియు ఆస్వాదించడానికి సహాయపడుతుంది [12]. తరగతి గదిలో విద్యార్థుల భాగస్వామ్యాన్ని మెరుగుపరచడంతో పాటు, విద్యార్థుల అభ్యాస ప్రక్రియను అర్థం చేసుకోవడం కూడా బోధనా పద్ధతులను మరియు విద్యార్థులతో కమ్యూనికేషన్ను మెరుగుపరచడంలో కీలక పాత్ర పోషిస్తుందని పరిశోధన చూపిస్తుంది [28, 29].
అయితే, ఏ ఆధునిక సాంకేతికతలోనైనా ఉన్నట్లే, ఇందులోనూ సమస్యలు మరియు పరిమితులు ఉన్నాయి. వీటిలో డేటా గోప్యత, పక్షపాతం మరియు నిష్పక్షపాతానికి సంబంధించిన సమస్యలు, ఇంకా దంత వైద్య విద్యలో మెషిన్ లెర్నింగ్ అల్గారిథమ్లను అభివృద్ధి చేయడానికి మరియు అమలు చేయడానికి అవసరమైన వృత్తిపరమైన నైపుణ్యాలు మరియు వనరులు ఉన్నాయి; అయినప్పటికీ, ఈ రంగంలో పెరుగుతున్న ఆసక్తి మరియు పరిశోధనలు, మెషిన్ లెర్నింగ్ సాంకేతికతలు దంత వైద్య విద్య మరియు దంత వైద్య సేవలపై సానుకూల ప్రభావాన్ని చూపవచ్చని సూచిస్తున్నాయి.
ఈ అధ్యయనం యొక్క ఫలితాలు డెంటల్ విద్యార్థులలో సగం మందికి మందులను "గ్రహించే" ధోరణి ఉందని సూచిస్తున్నాయి. ఈ రకమైన అభ్యాసకులు వాస్తవాలు మరియు నిర్దిష్ట ఉదాహరణలు, ఆచరణాత్మక దృక్పథం, వివరాల పట్ల సహనం, మరియు "దృశ్య" అభ్యాస శైలి (LS) ప్రాధాన్యతను కలిగి ఉంటారు, ఇక్కడ అభ్యాసకులు ఆలోచనలు మరియు భావాలను తెలియజేయడానికి చిత్రాలు, గ్రాఫిక్స్, రంగులు మరియు పటాలను ఉపయోగించడానికి ఇష్టపడతారు. డెంటల్ మరియు మెడికల్ విద్యార్థులలో అభ్యాస శైలిని అంచనా వేయడానికి అంతర్జాతీయ అభ్యాస శైలిని (ILS) ఉపయోగించిన ఇతర అధ్యయనాలతో ప్రస్తుత ఫలితాలు ఏకీభవిస్తున్నాయి, వీరిలో చాలా మంది గ్రహణ మరియు దృశ్య అభ్యాస శైలి లక్షణాలను కలిగి ఉన్నారు [12, 30]. విద్యార్థులకు వారి అభ్యాస శైలి గురించి తెలియజేయడం వారి అభ్యాస సామర్థ్యాన్ని చేరుకోవడానికి అనుమతిస్తుందని డాల్మోలిన్ మరియు ఇతరులు సూచిస్తున్నారు. ఉపాధ్యాయులు విద్యార్థుల విద్యా ప్రక్రియను పూర్తిగా అర్థం చేసుకున్నప్పుడు, విద్యార్థుల పనితీరు మరియు అభ్యాస అనుభవాన్ని మెరుగుపరిచే వివిధ బోధనా పద్ధతులు మరియు కార్యకలాపాలను అమలు చేయవచ్చని పరిశోధకులు వాదిస్తున్నారు [12, 31, 32]. విద్యార్థుల అభ్యాస శైలిని సర్దుబాటు చేయడం వల్ల, వారి అభ్యాస శైలులను వారి స్వంత అభ్యాస శైలికి అనుగుణంగా మార్చుకున్న తర్వాత విద్యార్థుల అభ్యాస అనుభవం మరియు పనితీరులో మెరుగుదలలు కనిపిస్తాయని ఇతర అధ్యయనాలు చూపించాయి [13, 33].
విద్యార్థుల అభ్యసన సామర్థ్యాల ఆధారంగా బోధనా వ్యూహాలను అమలు చేయడంపై ఉపాధ్యాయుల అభిప్రాయాలు భిన్నంగా ఉండవచ్చు. కొందరు ఈ విధానం వల్ల కలిగే వృత్తిపరమైన అభివృద్ధి అవకాశాలు, మార్గదర్శకత్వం మరియు సామాజిక మద్దతు వంటి ప్రయోజనాలను చూస్తుండగా, మరికొందరు సమయం మరియు సంస్థాగత మద్దతు గురించి ఆందోళన చెందవచ్చు. విద్యార్థి-కేంద్రీకృత వైఖరిని సృష్టించడానికి సమతుల్యత కోసం ప్రయత్నించడం కీలకం. విశ్వవిద్యాలయ నిర్వాహకుల వంటి ఉన్నత విద్యా అధికారులు, వినూత్న పద్ధతులను ప్రవేశపెట్టడం మరియు అధ్యాపకుల అభివృద్ధికి మద్దతు ఇవ్వడం ద్వారా సానుకూల మార్పును తీసుకురావడంలో ముఖ్యమైన పాత్ర పోషించగలరు [34]. నిజంగా చైతన్యవంతమైన మరియు ప్రతిస్పందించే ఉన్నత విద్యా వ్యవస్థను సృష్టించడానికి, విధాన రూపకర్తలు విధాన మార్పులు చేయడం, సాంకేతికత ఏకీకరణకు వనరులను కేటాయించడం మరియు విద్యార్థి-కేంద్రీకృత విధానాలను ప్రోత్సహించే ఫ్రేమ్వర్క్లను సృష్టించడం వంటి సాహసోపేతమైన చర్యలు తీసుకోవాలి. ఆశించిన ఫలితాలను సాధించడానికి ఈ చర్యలు చాలా కీలకం. విభిన్న బోధనపై ఇటీవలి పరిశోధన, విభిన్న బోధనను విజయవంతంగా అమలు చేయడానికి ఉపాధ్యాయులకు నిరంతర శిక్షణ మరియు అభివృద్ధి అవకాశాలు అవసరమని స్పష్టంగా చూపింది [35].
విద్యార్థి-స్నేహపూర్వక అభ్యాస కార్యకలాపాలను ప్రణాళిక చేయడానికి విద్యార్థి-కేంద్రీకృత విధానాన్ని అనుసరించాలనుకునే దంత వైద్య అధ్యాపకులకు ఈ సాధనం విలువైన మద్దతును అందిస్తుంది. అయితే, ఈ అధ్యయనం డెసిషన్ ట్రీ ML నమూనాల వాడకానికి మాత్రమే పరిమితం. భవిష్యత్తులో, సిఫార్సు సాధనాల యొక్క ఖచ్చితత్వం, విశ్వసనీయత మరియు సూక్ష్మతను పోల్చడానికి, వివిధ మెషిన్ లెర్నింగ్ నమూనాల పనితీరును పోల్చడానికి మరింత డేటాను సేకరించాలి. అదనంగా, ఒక నిర్దిష్ట పని కోసం అత్యంత సరైన మెషిన్ లెర్నింగ్ పద్ధతిని ఎంచుకునేటప్పుడు, మోడల్ సంక్లిష్టత మరియు వివరణ వంటి ఇతర అంశాలను పరిగణనలోకి తీసుకోవడం ముఖ్యం.
ఈ అధ్యయనం యొక్క పరిమితి ఏమిటంటే, ఇది దంత వైద్య విద్యార్థులలో LS మరియు IS మ్యాపింగ్పై మాత్రమే దృష్టి పెట్టింది. అందువల్ల, అభివృద్ధి చేయబడిన సిఫార్సు వ్యవస్థ దంత వైద్య విద్యార్థులకు అనువైన వాటిని మాత్రమే సిఫార్సు చేస్తుంది. సాధారణ ఉన్నత విద్యా విద్యార్థుల ఉపయోగం కోసం మార్పులు అవసరం.
కొత్తగా అభివృద్ధి చేయబడిన మెషిన్ లెర్నింగ్ ఆధారిత సిఫార్సు సాధనం, విద్యార్థుల LSను సంబంధిత ISతో తక్షణమే వర్గీకరించి సరిపోల్చగలదు. తద్వారా, దంత వైద్య అధ్యాపకులు సంబంధిత బోధన మరియు అభ్యాస కార్యకలాపాలను ప్రణాళిక చేయడంలో సహాయపడే మొట్టమొదటి దంత వైద్య విద్యా కార్యక్రమంగా ఇది నిలుస్తుంది. డేటా-ఆధారిత ట్రైయేజ్ ప్రక్రియను ఉపయోగించి, ఇది వ్యక్తిగతీకరించిన సిఫార్సులను అందించగలదు, సమయాన్ని ఆదా చేస్తుంది, బోధనా వ్యూహాలను మెరుగుపరుస్తుంది, లక్షిత జోక్యాలకు మద్దతు ఇస్తుంది మరియు నిరంతర వృత్తిపరమైన అభివృద్ధిని ప్రోత్సహిస్తుంది. దీని అనువర్తనం దంత వైద్య విద్యలో విద్యార్థి-కేంద్రీకృత విధానాలను ప్రోత్సహిస్తుంది.
గిలక్ జానీ అసోసియేటెడ్ ప్రెస్. విద్యార్థి అభ్యసన శైలికి మరియు ఉపాధ్యాయుని బోధనా శైలికి మధ్య సరిపోలిక లేదా పొంతన లేకపోవడం. ఇంటర్నేషనల్ జర్నల్ ఆఫ్ మోడరన్ ఎడ్యుకేషన్ అండ్ కంప్యూటర్ సైన్స్. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
పోస్ట్ చేసిన సమయం: ఏప్రిల్-29-2024