ডেন্টাল শিক্ষার্থীদের ম্যাপিং ট্রি ট্রি মেশিন লার্নিং মডেলগুলি বিএমসি মেডিকেল শিক্ষা ব্যবহার করে সংশ্লিষ্ট শেখার কৌশলগুলিতে পছন্দসই শেখার শৈলী |

দন্তচিকিত্সা সহ উচ্চশিক্ষা প্রতিষ্ঠানে শিক্ষার্থী কেন্দ্রিক লার্নিং (এসসিএল) এর ক্রমবর্ধমান প্রয়োজন রয়েছে। তবে এসসিএল ডেন্টাল শিক্ষায় সীমিত প্রয়োগ রয়েছে। অতএব, এই অধ্যয়নের লক্ষ্য হ'ল সিদ্ধান্ত ট্রি মেশিন লার্নিং (এমএল) প্রযুক্তি ব্যবহার করে পছন্দসই লার্নিং স্টাইল (এলএস) এবং সংশ্লিষ্ট শিক্ষণ কৌশলগুলি (আইএস) ডেন্টাল শিক্ষার্থীদের একটি দরকারী সরঞ্জাম হিসাবে বিকাশের জন্য দরকারী সরঞ্জাম হিসাবে ব্যবহার করে ডেন্টিস্টিতে এসসিএল প্রয়োগের প্রচার করা । ডেন্টাল শিক্ষার্থীদের জন্য প্রতিশ্রুতিবদ্ধ পদ্ধতি।
মালায়া বিশ্ববিদ্যালয় থেকে মোট 255 ডেন্টাল শিক্ষার্থী লার্নিং স্টাইলস (এম-আইএলএস) প্রশ্নাবলীর পরিবর্তিত সূচক সম্পন্ন করেছে, যাতে তাদের নিজ নিজ এলএসএসে শ্রেণিবদ্ধ করার জন্য 44 টি আইটেম রয়েছে। সংগৃহীত ডেটা (বলা হয় একটি ডেটাসেট) তদারকি করা সিদ্ধান্ত ট্রি লার্নিংয়ে শিক্ষার্থীদের শেখার শৈলীর সর্বাধিক উপযুক্ত আইএসের সাথে স্বয়ংক্রিয়ভাবে মেলে। মেশিন লার্নিং-ভিত্তিক আইএস সুপারিশ সরঞ্জামটির যথার্থতাটি মূল্যায়ন করা হয়।
এলএস (ইনপুট) এবং আইএস (টার্গেট আউটপুট) এর মধ্যে একটি স্বয়ংক্রিয় ম্যাপিং প্রক্রিয়াতে সিদ্ধান্ত ট্রি মডেলগুলির প্রয়োগ প্রতিটি ডেন্টাল শিক্ষার্থীর জন্য উপযুক্ত শেখার কৌশলগুলির তাত্ক্ষণিক তালিকার অনুমতি দেয়। আইএস সুপারিশ সরঞ্জামটি নিখুঁত নির্ভুলতা এবং সামগ্রিক মডেলের নির্ভুলতার প্রত্যাহার প্রদর্শন করে, এটি ইঙ্গিত করে যে আইএসের সাথে মিলে যাওয়া ভাল সংবেদনশীলতা এবং নির্দিষ্টতা রয়েছে।
একটি এমএল সিদ্ধান্ত গাছের উপর ভিত্তি করে একটি আইএস সুপারিশ সরঞ্জাম যথাযথ শেখার কৌশলগুলির সাথে ডেন্টাল শিক্ষার্থীদের শেখার শৈলীর সঠিকভাবে মেলে তার দক্ষতা প্রমাণ করেছে। এই সরঞ্জামটি শিক্ষার্থীদের শিক্ষার অভিজ্ঞতা বাড়িয়ে তুলতে পারে এমন শিক্ষার্থী কেন্দ্রিক কোর্স বা মডিউলগুলির পরিকল্পনার জন্য শক্তিশালী বিকল্প সরবরাহ করে।
শিক্ষাদান এবং শেখা শিক্ষাপ্রতিষ্ঠানে মৌলিক ক্রিয়াকলাপ। একটি উচ্চমানের বৃত্তিমূলক শিক্ষাব্যবস্থার বিকাশ করার সময়, শিক্ষার্থীদের শেখার প্রয়োজনগুলিতে মনোনিবেশ করা গুরুত্বপূর্ণ। শিক্ষার্থীদের এবং তাদের শিক্ষার পরিবেশের মধ্যে মিথস্ক্রিয়া তাদের এলএসের মাধ্যমে নির্ধারণ করা যেতে পারে। গবেষণা পরামর্শ দেয় যে শিক্ষার্থীদের এলএস এবং আইএসের মধ্যে শিক্ষক-উদ্দেশ্যমূলক অমিলগুলি শিক্ষার্থীদের শিক্ষার জন্য নেতিবাচক পরিণতি হতে পারে, যেমন মনোযোগ এবং অনুপ্রেরণা হ্রাস করা। এটি পরোক্ষভাবে শিক্ষার্থীদের কর্মক্ষমতা [1,2] প্রভাবিত করবে।
শিক্ষার্থীরা শিক্ষার্থীদের শিখতে সহায়তা সহ শিক্ষার্থীদের জ্ঞান এবং দক্ষতা সরবরাহের জন্য শিক্ষকদের দ্বারা ব্যবহৃত একটি পদ্ধতি এটি একটি পদ্ধতি। সাধারণভাবে বলতে গেলে, ভাল শিক্ষকরা শিক্ষাদানের কৌশলগুলি পরিকল্পনা করেন বা এটি তাদের শিক্ষার্থীদের জ্ঞানের স্তরের, তারা যে ধারণাগুলি শিখছে এবং তাদের শেখার পর্যায়ে সবচেয়ে ভাল মেলে। তাত্ত্বিকভাবে, যখন এলএস এবং ম্যাচ হয়, শিক্ষার্থীরা কার্যকরভাবে শেখার জন্য দক্ষতার একটি নির্দিষ্ট সেট সংগঠিত করতে এবং ব্যবহার করতে সক্ষম হবে। সাধারণত, একটি পাঠ পরিকল্পনায় শিক্ষণ থেকে গাইডেড অনুশীলন বা গাইডেড অনুশীলন থেকে স্বাধীন অনুশীলন পর্যন্ত পর্যায়গুলির মধ্যে বেশ কয়েকটি রূপান্তর অন্তর্ভুক্ত থাকে। এটি মাথায় রেখে, কার্যকর শিক্ষকরা প্রায়শই শিক্ষার্থীদের জ্ঞান এবং দক্ষতা তৈরির লক্ষ্য নিয়ে নির্দেশের পরিকল্পনা করেন [৪]।
এসসিএলের চাহিদা ডেন্টিস্ট্রি সহ উচ্চশিক্ষা প্রতিষ্ঠানে বৃদ্ধি পাচ্ছে। এসসিএল কৌশলগুলি শিক্ষার্থীদের শেখার চাহিদা পূরণের জন্য ডিজাইন করা হয়েছে। এটি অর্জন করা যেতে পারে, উদাহরণস্বরূপ, যদি শিক্ষার্থীরা সক্রিয়ভাবে শেখার ক্রিয়াকলাপগুলিতে অংশ নেয় এবং শিক্ষকরা সুবিধার্থী হিসাবে কাজ করে এবং মূল্যবান প্রতিক্রিয়া প্রদানের জন্য দায়বদ্ধ হন। বলা হয় যে শিক্ষার্থীদের শিক্ষাগত স্তর বা পছন্দগুলির জন্য উপযুক্ত যে শিক্ষার উপকরণ এবং ক্রিয়াকলাপ সরবরাহ করা শিক্ষার্থীদের শিক্ষার পরিবেশ উন্নত করতে পারে এবং ইতিবাচক শিক্ষার অভিজ্ঞতা প্রচার করতে পারে [৫]।
সাধারণভাবে বলতে গেলে, ডেন্টাল শিক্ষার্থীদের শেখার প্রক্রিয়াটি তাদের সম্পাদন করতে প্রয়োজনীয় বিভিন্ন ক্লিনিকাল পদ্ধতি এবং ক্লিনিকাল পরিবেশে তারা কার্যকর আন্তঃব্যক্তিক দক্ষতা বিকাশ করে দ্বারা প্রভাবিত হয়। প্রশিক্ষণের উদ্দেশ্য হ'ল শিক্ষার্থীদের ডেন্টাল ক্লিনিকাল দক্ষতার সাথে ডেন্টিস্টির প্রাথমিক জ্ঞান একত্রিত করতে এবং নতুন ক্লিনিকাল পরিস্থিতিতে অর্জিত জ্ঞান প্রয়োগ করতে সক্ষম করা [,,]]। এলএস এবং এর মধ্যে সম্পর্কের প্রাথমিক গবেষণাটি দেখা গেছে যে পছন্দের এলএসে ম্যাপ করা শেখার কৌশলগুলি সামঞ্জস্য করা শিক্ষামূলক প্রক্রিয়া উন্নত করতে সহায়তা করবে [8]। লেখকরা শিক্ষার্থীদের শেখার এবং প্রয়োজনের সাথে খাপ খাইয়ে নিতে বিভিন্ন পাঠদান এবং মূল্যায়ন পদ্ধতি ব্যবহার করার পরামর্শ দেন।
শিক্ষকরা এলএস জ্ঞান প্রয়োগ করে তাদের ডিজাইন, বিকাশ এবং প্রয়োগ করতে সহায়তা করার জন্য উপকৃত হন যা শিক্ষার্থীদের গভীর জ্ঞান অর্জন এবং বিষয়টির বোঝার অধিগ্রহণকে বাড়িয়ে তুলবে। গবেষকরা বেশ কয়েকটি এলএস মূল্যায়ন সরঞ্জাম তৈরি করেছেন, যেমন কোলব এক্সপেরিয়েন্টাল লার্নিং মডেল, ফিল্ডার-সিলভারম্যান লার্নিং স্টাইল মডেল (এফএসএলএসএম), এবং ফ্লেমিং ভ্যাক/ভার্ক মডেল [5, 9, 10]। সাহিত্যের মতে, এই শেখার মডেলগুলি সর্বাধিক ব্যবহৃত এবং সর্বাধিক অধ্যয়ন করা শেখার মডেল। বর্তমান গবেষণা কাজে, এফএসএলএসএম ডেন্টাল শিক্ষার্থীদের মধ্যে এলএস মূল্যায়নের জন্য ব্যবহৃত হয়।
ইঞ্জিনিয়ারিংয়ে অভিযোজিত শিক্ষার মূল্যায়নের জন্য এফএসএলএসএম একটি বহুল ব্যবহৃত মডেল। স্বাস্থ্য বিজ্ঞানে (মেডিসিন, নার্সিং, ফার্মাসি এবং ডেন্টিস্ট্রি সহ) অনেকগুলি প্রকাশিত কাজ রয়েছে যা এফএসএলএসএম মডেলগুলি [5, 11, 12, 13] ব্যবহার করে পাওয়া যায়। এফএলএসএম -এ এলএসের মাত্রাগুলি পরিমাপ করার জন্য ব্যবহৃত উপকরণটিকে লার্নিং স্টাইলস (আইএলএস) সূচক বলা হয় [8], যার মধ্যে 44 টি আইটেম রয়েছে যা এলএসের চারটি মাত্রা মূল্যায়ন করে: প্রসেসিং (সক্রিয়/প্রতিফলিত), উপলব্ধি (উপলব্ধি/স্বজ্ঞাত), ইনপুট (ভিজ্যুয়াল)। /মৌখিক) এবং বোঝাপড়া (অনুক্রমিক/গ্লোবাল) [14]।
চিত্র 1 -তে দেখানো হয়েছে, প্রতিটি এফএসএলএসএম মাত্রার একটি প্রভাবশালী পছন্দ রয়েছে। উদাহরণস্বরূপ, প্রক্রিয়াজাতকরণের মাত্রায়, "সক্রিয়" এলএস সহ শিক্ষার্থীরা সরাসরি শেখার উপকরণগুলির সাথে ইন্টারঅ্যাক্ট করে, কাজ করে শিখতে এবং গ্রুপগুলিতে শেখার প্রবণতা দ্বারা তথ্য প্রক্রিয়া করতে পছন্দ করে। "প্রতিফলিত" এলএস চিন্তাভাবনার মাধ্যমে শেখা বোঝায় এবং একা কাজ করা পছন্দ করে। এলএসের "উপলব্ধি" মাত্রাটি "অনুভূতি" এবং/অথবা "অন্তর্দৃষ্টি" তে বিভক্ত করা যেতে পারে। "অনুভূতি" শিক্ষার্থীরা আরও কংক্রিটের তথ্য এবং ব্যবহারিক পদ্ধতি পছন্দ করে, "স্বজ্ঞাত" শিক্ষার্থীদের তুলনায় সত্য-ভিত্তিক যারা বিমূর্ত উপাদান পছন্দ করে এবং প্রকৃতির আরও উদ্ভাবনী এবং সৃজনশীল। এলএসের "ইনপুট" মাত্রায় "ভিজ্যুয়াল" এবং "মৌখিক" শিক্ষার্থী রয়েছে। "ভিজ্যুয়াল" এলএসযুক্ত লোকেরা ভিজ্যুয়াল বিক্ষোভের মাধ্যমে (যেমন ডায়াগ্রাম, ভিডিও বা লাইভ বিক্ষোভের মাধ্যমে) শিখতে পছন্দ করেন, অন্যদিকে "মৌখিক" এলএসযুক্ত লোকেরা লিখিত বা মৌখিক ব্যাখ্যাগুলিতে শব্দের মাধ্যমে শিখতে পছন্দ করেন। এলএসের মাত্রাগুলি "বোঝার" জন্য, এই জাতীয় শিক্ষার্থীদের "অনুক্রমিক" এবং "গ্লোবাল" এ বিভক্ত করা যেতে পারে। “ক্রমিক শিক্ষার্থীরা একটি লিনিয়ার চিন্তার প্রক্রিয়া পছন্দ করে এবং ধাপে ধাপে শিখতে পারে, যখন বিশ্বব্যাপী শিক্ষার্থীদের একটি সামগ্রিক চিন্তার প্রক্রিয়া থাকে এবং তারা কী শিখছে সে সম্পর্কে সর্বদা আরও ভাল ধারণা রয়েছে।
সম্প্রতি, অনেক গবেষক স্বয়ংক্রিয় ডেটা-চালিত আবিষ্কারের জন্য পদ্ধতিগুলি অন্বেষণ করতে শুরু করেছেন, যার মধ্যে রয়েছে নতুন অ্যালগরিদম এবং মডেলগুলির বিকাশ সহ প্রচুর পরিমাণে ডেটা ব্যাখ্যা করতে সক্ষম [15, 16]। প্রদত্ত তথ্যের উপর ভিত্তি করে, তত্ত্বাবধানে এমএল (মেশিন লার্নিং) এমন নিদর্শন এবং অনুমান তৈরি করতে সক্ষম যা অ্যালগরিদমগুলি নির্মাণের ভিত্তিতে ভবিষ্যতের ফলাফলের পূর্বাভাস দেয় [17]। সোজা কথায়, তদারকি করা মেশিন লার্নিং কৌশলগুলি ইনপুট ডেটা এবং ট্রেন অ্যালগরিদমগুলি ম্যানিপুলেট করে। এরপরে এটি এমন একটি পরিসীমা তৈরি করে যা সরবরাহিত ইনপুট ডেটার জন্য অনুরূপ পরিস্থিতির উপর ভিত্তি করে ফলাফলকে শ্রেণিবদ্ধ করে বা ভবিষ্যদ্বাণী করে। তদারকি করা মেশিন লার্নিং অ্যালগরিদমগুলির প্রধান সুবিধা হ'ল আদর্শ এবং কাঙ্ক্ষিত ফলাফল স্থাপনের ক্ষমতা [17]।
ডেটা-চালিত পদ্ধতি এবং সিদ্ধান্ত ট্রি কন্ট্রোল মডেলগুলির ব্যবহারের মাধ্যমে, এলএসের স্বয়ংক্রিয় সনাক্তকরণ সম্ভব। স্বাস্থ্য বিজ্ঞান [১৮, ১৯] সহ বিভিন্ন ক্ষেত্রে প্রশিক্ষণ কর্মসূচিতে ব্যাপকভাবে ব্যবহার করা হয়েছে বলে জানা গেছে। এই গবেষণায়, মডেলটি বিশেষত সিস্টেম বিকাশকারীদের দ্বারা শিক্ষার্থীদের এলএস সনাক্ত করতে এবং তাদের জন্য সেরাটি সুপারিশ করার জন্য প্রশিক্ষিত হয়েছিল।
এই অধ্যয়নের উদ্দেশ্যটি হ'ল শিক্ষার্থীদের এলএসের উপর ভিত্তি করে বিতরণ কৌশলগুলি বিকাশ করা এবং এলএসে ম্যাপ করা আইএস সুপারিশ সরঞ্জামটি বিকাশ করে এসসিএল পদ্ধতির প্রয়োগ করুন। এসসিএল পদ্ধতির কৌশল হিসাবে আইএস সুপারিশ সরঞ্জামের নকশা প্রবাহ চিত্র 1 এ দেখানো হয়েছে। আইএস সুপারিশ সরঞ্জামটি আইএলএস ব্যবহার করে এলএস শ্রেণিবদ্ধকরণ প্রক্রিয়া সহ দুটি ভাগে বিভক্ত করা হয়েছে এবং শিক্ষার্থীদের জন্য সবচেয়ে উপযুক্ত এটি প্রদর্শিত হয়।
বিশেষত, তথ্য সুরক্ষা সুপারিশ সরঞ্জামগুলির বৈশিষ্ট্যগুলির মধ্যে রয়েছে ওয়েব প্রযুক্তিগুলির ব্যবহার এবং সিদ্ধান্ত ট্রি মেশিন লার্নিংয়ের ব্যবহার। সিস্টেম বিকাশকারীরা মোবাইল ফোন এবং ট্যাবলেটগুলির মতো মোবাইল ডিভাইসের সাথে খাপ খাইয়ে ব্যবহারকারীর অভিজ্ঞতা এবং গতিশীলতা উন্নত করে।
এই পরীক্ষাটি দুটি পর্যায়ে পরিচালিত হয়েছিল এবং মালায়া বিশ্ববিদ্যালয়ের ডেন্টিস্ট্রি অনুষদ থেকে শিক্ষার্থীরা স্বেচ্ছাসেবীর ভিত্তিতে অংশ নিয়েছিল। অংশগ্রহণকারীরা ইংরেজিতে একজন ডেন্টাল শিক্ষার্থীর অনলাইন এম-আইলগুলিতে প্রতিক্রিয়া জানিয়েছেন। প্রাথমিক পর্যায়ে, সিদ্ধান্ত ট্রি মেশিন লার্নিং অ্যালগরিদম প্রশিক্ষণের জন্য 50 জন শিক্ষার্থীর একটি ডেটাসেট ব্যবহার করা হয়েছিল। উন্নয়ন প্রক্রিয়ার দ্বিতীয় পর্যায়ে, উন্নত যন্ত্রের যথার্থতা উন্নত করতে 255 শিক্ষার্থীর একটি ডেটাসেট ব্যবহার করা হয়েছিল।
সমস্ত অংশগ্রহণকারীরা মাইক্রোসফ্ট দলগুলির মাধ্যমে শিক্ষাবর্ষের উপর নির্ভর করে প্রতিটি পর্যায়ের শুরুতে একটি অনলাইন ব্রিফিং পান। অধ্যয়নের উদ্দেশ্যটি ব্যাখ্যা করা হয়েছিল এবং অবহিত সম্মতি প্রাপ্ত হয়েছিল। সমস্ত অংশগ্রহণকারীদের এম-আইএলএস অ্যাক্সেস করার জন্য একটি লিঙ্ক সরবরাহ করা হয়েছিল। প্রতিটি শিক্ষার্থীকে প্রশ্নাবলীতে সমস্ত 44 টি আইটেমের উত্তর দেওয়ার জন্য নির্দেশ দেওয়া হয়েছিল। সেমিস্টার শুরুর আগে সেমিস্টার বিরতির সময় তাদের পক্ষে সুবিধাজনক সময়ে এবং তাদের জন্য উপযুক্ত স্থানে পরিবর্তিত আইএলএস সম্পূর্ণ করার জন্য তাদের এক সপ্তাহ সময় দেওয়া হয়েছিল। এম-আইএলএস মূল আইএলএস যন্ত্রের উপর ভিত্তি করে এবং ডেন্টাল শিক্ষার্থীদের জন্য পরিবর্তিত। মূল আইএলএসের মতো, এতে 44 টি সমানভাবে বিতরণ করা আইটেম রয়েছে (ক, খ), প্রতিটি 11 টি আইটেম সহ, যা প্রতিটি এফএসএলএসএম মাত্রার দিকগুলি মূল্যায়ন করতে ব্যবহৃত হয়।
সরঞ্জাম বিকাশের প্রাথমিক পর্যায়ে, গবেষকরা 50 টি ডেন্টাল শিক্ষার্থীদের ডেটাসেট ব্যবহার করে মানচিত্রগুলি ম্যানুয়ালি টীকা দিয়েছিলেন। এফএসএলএম অনুসারে, সিস্টেমটি "এ" এবং "বি" উত্তরগুলির যোগফল সরবরাহ করে। প্রতিটি মাত্রার জন্য, যদি শিক্ষার্থী উত্তর হিসাবে "এ" নির্বাচন করে তবে এলএসকে সক্রিয়/অনুধাবন/ভিজ্যুয়াল/অনুক্রমিক হিসাবে শ্রেণীবদ্ধ করা হয় এবং যদি শিক্ষার্থী উত্তর হিসাবে "বি" নির্বাচন করে তবে শিক্ষার্থীকে প্রতিফলিত/স্বজ্ঞাত/ভাষাগত হিসাবে শ্রেণীবদ্ধ করা হয় । / গ্লোবাল লার্নার।
ডেন্টাল এডুকেশন গবেষক এবং সিস্টেম বিকাশকারীদের মধ্যে কর্মপ্রবাহকে ক্রমাঙ্কিত করার পরে, এফএলএসএসএম ডোমেনের ভিত্তিতে প্রশ্নগুলি নির্বাচন করা হয়েছিল এবং প্রতিটি শিক্ষার্থীর এলএসের পূর্বাভাস দেওয়ার জন্য এমএল মডেলটিতে খাওয়ানো হয়েছিল। "আবর্জনা ইন, আবর্জনা আউট" ডেটা মানের উপর জোর দিয়ে মেশিন লার্নিংয়ের ক্ষেত্রে একটি জনপ্রিয় উক্তি। ইনপুট ডেটার গুণমানটি মেশিন লার্নিং মডেলের যথার্থতা এবং যথার্থতা নির্ধারণ করে। বৈশিষ্ট্য ইঞ্জিনিয়ারিং পর্বের সময়, একটি নতুন বৈশিষ্ট্য সেট তৈরি করা হয় যা এফএলএসএসএমের উপর ভিত্তি করে "এ" এবং "বি" এর উত্তরগুলির যোগফল। সারণি 1 এ ওষুধের অবস্থানের সনাক্তকরণ নম্বর দেওয়া হয়েছে।
উত্তরের উপর ভিত্তি করে স্কোর গণনা করুন এবং শিক্ষার্থীর এলএস নির্ধারণ করুন। প্রতিটি শিক্ষার্থীর জন্য, স্কোরের পরিসীমা 1 থেকে 11 পর্যন্ত। 1 থেকে 3 স্কোর একই মাত্রার মধ্যে শেখার পছন্দগুলির ভারসাম্য নির্দেশ করে এবং 5 থেকে 7 এর স্কোরগুলি একটি মাঝারি পছন্দকে নির্দেশ করে, ইঙ্গিত দেয় যে শিক্ষার্থীরা অন্যকে শেখানোর একটি পরিবেশকে পছন্দ করে প্রবণতা রাখে । একই মাত্রায় আরেকটি প্রকরণ হ'ল 9 থেকে 11 এর স্কোরগুলি এক প্রান্ত বা অন্যটির জন্য একটি শক্তিশালী পছন্দকে প্রতিফলিত করে [8]।
প্রতিটি মাত্রার জন্য, ড্রাগগুলি "সক্রিয়", "প্রতিফলিত" এবং "ভারসাম্যযুক্ত" তে বিভক্ত করা হয়েছিল। উদাহরণস্বরূপ, যখন কোনও শিক্ষার্থী নির্ধারিত আইটেমটিতে "বি" এর চেয়ে প্রায়শই "এ" উত্তর দেয় এবং তার/তার স্কোর প্রসেসিং এলএস মাত্রার প্রতিনিধিত্বকারী কোনও নির্দিষ্ট আইটেমের জন্য 5 এর প্রান্তিকের চেয়ে বেশি হয়, তখন সে "সক্রিয়" এলএস -এর অন্তর্ভুক্ত ডোমেন। । যাইহোক, শিক্ষার্থীদের নির্দিষ্ট 11 টি প্রশ্নের (সারণী 1) "এ" এর চেয়ে বেশি "বি" বেছে নেওয়া এবং 5 পয়েন্টেরও বেশি স্কোর করার সময় শিক্ষার্থীদের "প্রতিফলিত" এলএস হিসাবে শ্রেণীবদ্ধ করা হয়েছিল। অবশেষে, শিক্ষার্থী "ভারসাম্যহীন" অবস্থায় রয়েছে। যদি স্কোরটি 5 পয়েন্টের বেশি না হয় তবে এটি একটি "প্রক্রিয়া" এলএস। শ্রেণিবিন্যাস প্রক্রিয়াটি অন্যান্য এলএস মাত্রাগুলির জন্য পুনরাবৃত্তি হয়েছিল, যথা উপলব্ধি (সক্রিয়/প্রতিফলিত), ইনপুট (ভিজ্যুয়াল/মৌখিক), এবং বোধগম্যতা (অনুক্রমিক/গ্লোবাল)।
সিদ্ধান্ত ট্রি মডেলগুলি শ্রেণিবদ্ধকরণ প্রক্রিয়াটির বিভিন্ন পর্যায়ে বৈশিষ্ট্য এবং সিদ্ধান্তের নিয়মের বিভিন্ন সাবসেট ব্যবহার করতে পারে। এটি একটি জনপ্রিয় শ্রেণিবিন্যাস এবং পূর্বাভাস সরঞ্জাম হিসাবে বিবেচিত হয়। এটি একটি ফ্লোচার্ট [20] এর মতো গাছের কাঠামো ব্যবহার করে প্রতিনিধিত্ব করা যেতে পারে, যেখানে বৈশিষ্ট্য দ্বারা পরীক্ষার প্রতিনিধিত্বকারী অভ্যন্তরীণ নোড রয়েছে, প্রতিটি শাখা পরীক্ষার ফলাফলের প্রতিনিধিত্ব করে এবং প্রতিটি পাতার নোড (পাতার নোড) একটি শ্রেণীর লেবেলযুক্ত রয়েছে।
প্রতিটি শিক্ষার্থীর এলএস তাদের প্রতিক্রিয়াগুলির ভিত্তিতে স্বয়ংক্রিয়ভাবে স্কোর এবং টিকা দেওয়ার জন্য একটি সাধারণ নিয়ম-ভিত্তিক প্রোগ্রাম তৈরি করা হয়েছিল। নিয়ম-ভিত্তিক আইএফ বিবৃতিটির রূপ নেয়, যেখানে "যদি" ট্রিগারটি বর্ণনা করে এবং "তখন" ক্রিয়াটি সম্পাদন করার জন্য নির্দিষ্ট করে, উদাহরণস্বরূপ: "যদি এক্স হয় তবে ওয়াই করুন" (লিউ এট আল।, ২০১৪)। যদি ডেটা সেটটি পারস্পরিক সম্পর্ক প্রদর্শন করে এবং সিদ্ধান্ত ট্রি মডেলটি সঠিকভাবে প্রশিক্ষিত এবং মূল্যায়ন করা হয় তবে এই পদ্ধতির এলএস এবং আইএসের সাথে মিলের প্রক্রিয়াটি স্বয়ংক্রিয় করার কার্যকর উপায় হতে পারে।
উন্নয়নের দ্বিতীয় পর্যায়ে, সুপারিশ সরঞ্জামের যথার্থতা উন্নত করতে ডেটাসেটটি 255 এ উন্নীত করা হয়েছিল। ডেটা সেটটি 1: 4 অনুপাতের মধ্যে বিভক্ত। ডেটা সেটের 25% (64) পরীক্ষার সেটটির জন্য ব্যবহৃত হয়েছিল এবং বাকি 75% (191) প্রশিক্ষণ সেট (চিত্র 2) হিসাবে ব্যবহৃত হয়েছিল। মডেলটিকে একই ডেটা সেটে প্রশিক্ষণ দেওয়া এবং পরীক্ষা করা থেকে বিরত রাখতে ডেটা সেটটি বিভক্ত করা দরকার, যা মডেলটিকে শেখার চেয়ে মনে রাখতে পারে। মডেলটি প্রশিক্ষণ সেটটিতে প্রশিক্ষিত হয় এবং পরীক্ষার সেটটিতে এর কার্যকারিতা মূল্যায়ন করে - মডেলটি আগে কখনও দেখেনি।
একবার আইএস সরঞ্জামটি বিকশিত হয়ে গেলে, অ্যাপ্লিকেশনটি ওয়েব ইন্টারফেসের মাধ্যমে ডেন্টাল শিক্ষার্থীদের প্রতিক্রিয়াগুলির ভিত্তিতে এলএসকে শ্রেণিবদ্ধ করতে সক্ষম হবে। ওয়েব-ভিত্তিক তথ্য সুরক্ষা সুপারিশ সরঞ্জাম সিস্টেমটি জ্যাঙ্গো ফ্রেমওয়ার্কটি ব্যাকএন্ড হিসাবে ব্যবহার করে পাইথন প্রোগ্রামিং ভাষা ব্যবহার করে নির্মিত হয়। সারণী 2 এই সিস্টেমের বিকাশে ব্যবহৃত গ্রন্থাগারগুলি তালিকাভুক্ত করে।
শিক্ষার্থীদের এলএস পরিমাপকে স্বয়ংক্রিয়ভাবে শ্রেণিবদ্ধ করার জন্য শিক্ষার্থীদের প্রতিক্রিয়াগুলি গণনা এবং আহরণ করার জন্য ডেটাসেটকে সিদ্ধান্ত ট্রি মডেলকে খাওয়ানো হয়।
বিভ্রান্তি ম্যাট্রিক্স একটি নির্দিষ্ট ডেটা সেটে সিদ্ধান্ত ট্রি মেশিন লার্নিং অ্যালগরিদমের যথার্থতার মূল্যায়ন করতে ব্যবহৃত হয়। একই সময়ে, এটি শ্রেণিবদ্ধকরণ মডেলের কার্যকারিতা মূল্যায়ন করে। এটি মডেলের ভবিষ্যদ্বাণীগুলির সংক্ষিপ্তসার করে এবং তাদের প্রকৃত ডেটা লেবেলের সাথে তুলনা করে। মূল্যায়নের ফলাফলগুলি চারটি পৃথক মানের উপর ভিত্তি করে: সত্য ধনাত্মক (টিপি) - মডেলটি সঠিকভাবে ইতিবাচক বিভাগ, মিথ্যা পজিটিভ (এফপি) পূর্বাভাস দিয়েছে - মডেলটি ইতিবাচক বিভাগের পূর্বাভাস দিয়েছে, তবে সত্য লেবেলটি ছিল নেতিবাচক, সত্য নেতিবাচক (টিএন) - - মডেলটি সঠিকভাবে নেতিবাচক শ্রেণীর পূর্বাভাস দিয়েছে, এবং মিথ্যা নেতিবাচক (এফএন) - মডেলটি একটি নেতিবাচক শ্রেণীর পূর্বাভাস দেয়, তবে সত্য লেবেলটি ইতিবাচক।
এই মানগুলি তখন পাইথনে সাইকিট-লার্ন শ্রেণিবদ্ধকরণ মডেলের বিভিন্ন পারফরম্যান্স মেট্রিকগুলি গণনা করতে ব্যবহৃত হয়, যথা নির্ভুলতা, নির্ভুলতা, পুনরুদ্ধার এবং এফ 1 স্কোর। এখানে উদাহরণ রয়েছে:
পুনরুদ্ধার (বা সংবেদনশীলতা) এম-আইএলএস প্রশ্নাবলীর উত্তর দেওয়ার পরে কোনও শিক্ষার্থীর এলএসকে সঠিকভাবে শ্রেণিবদ্ধ করার মডেলটির ক্ষমতা পরিমাপ করে।
নির্দিষ্টতাটিকে সত্যিকারের নেতিবাচক হার বলা হয়। আপনি উপরের সূত্র থেকে দেখতে পাচ্ছেন, এটি সত্য নেতিবাচক (টিএন) এর অনুপাত হওয়া উচিত সত্য নেতিবাচক এবং মিথ্যা ধনাত্মক (এফপি)। শিক্ষার্থীদের ওষুধগুলিকে শ্রেণিবদ্ধ করার জন্য প্রস্তাবিত সরঞ্জামের অংশ হিসাবে, এটি সঠিক সনাক্তকরণে সক্ষম হওয়া উচিত।
ট্রি এমএল মডেলকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহৃত 50 জন শিক্ষার্থীর মূল ডেটাসেটটি টীকাগুলিতে মানুষের ত্রুটির কারণে তুলনামূলকভাবে কম নির্ভুলতা দেখিয়েছিল (সারণী 3)। এলএস স্কোর এবং শিক্ষার্থীদের টীকাগুলি স্বয়ংক্রিয়ভাবে গণনা করার জন্য একটি সাধারণ নিয়ম-ভিত্তিক প্রোগ্রাম তৈরি করার পরে, সুপারিশকারী সিস্টেমটি প্রশিক্ষণ এবং পরীক্ষা করার জন্য ক্রমবর্ধমান সংখ্যক ডেটাসেট (255) ব্যবহৃত হয়েছিল।
মাল্টিক্লাস কনফিউশন ম্যাট্রিক্সে, তির্যক উপাদানগুলি প্রতিটি এলএস প্রকারের জন্য সঠিক পূর্বাভাসের সংখ্যা উপস্থাপন করে (চিত্র 4)। সিদ্ধান্ত গাছের মডেলটি ব্যবহার করে মোট 64৪ টি নমুনা সঠিকভাবে পূর্বাভাস দেওয়া হয়েছিল। সুতরাং, এই গবেষণায়, তির্যক উপাদানগুলি প্রত্যাশিত ফলাফলগুলি দেখায়, এটি ইঙ্গিত করে যে মডেলটি ভাল সম্পাদন করে এবং প্রতিটি এলএস শ্রেণিবিন্যাসের জন্য শ্রেণীর লেবেলটি সঠিকভাবে পূর্বাভাস দেয়। সুতরাং, সুপারিশ সরঞ্জামের সামগ্রিক নির্ভুলতা 100%।
যথার্থতা, নির্ভুলতা, পুনরুদ্ধার এবং এফ 1 স্কোরের মানগুলি চিত্র 5 এ দেখানো হয়েছে। মান।
চিত্র 6 প্রশিক্ষণ এবং পরীক্ষা শেষ হওয়ার পরে সিদ্ধান্ত ট্রি মডেলের একটি ভিজ্যুয়ালাইজেশন দেখায়। পাশাপাশি তুলনামূলকভাবে, কম বৈশিষ্ট্যযুক্ত প্রশিক্ষিত সিদ্ধান্ত ট্রি মডেল উচ্চতর নির্ভুলতা এবং সহজ মডেল ভিজ্যুয়ালাইজেশন দেখায়। এটি দেখায় যে বৈশিষ্ট্য ইঞ্জিনিয়ারিং বৈশিষ্ট্য হ্রাসের দিকে পরিচালিত করে মডেল পারফরম্যান্স উন্নত করার জন্য একটি গুরুত্বপূর্ণ পদক্ষেপ।
সিদ্ধান্ত ট্রি তদারকি করা শেখার প্রয়োগ করে, এলএস (ইনপুট) এবং আইএস (টার্গেট আউটপুট) এর মধ্যে ম্যাপিংটি স্বয়ংক্রিয়ভাবে উত্পন্ন হয় এবং প্রতিটি এলএসের জন্য বিশদ তথ্য রয়েছে।
ফলাফলগুলি দেখিয়েছে যে 255 শিক্ষার্থীর মধ্যে 34.9% একটি (1) এলএস বিকল্প পছন্দ করেছে। সংখ্যাগরিষ্ঠ (54.3%) এর দুটি বা ততোধিক এলএস পছন্দ ছিল। 12.2% শিক্ষার্থী উল্লেখ করেছেন যে এলএস বেশ সুষম (সারণী 4)। আটটি প্রধান এলএস ছাড়াও, মালায়া ডেন্টাল শিক্ষার্থীদের বিশ্ববিদ্যালয়ের জন্য এলএস শ্রেণিবিন্যাসের 34 টি সংমিশ্রণ রয়েছে। এর মধ্যে উপলব্ধি, দৃষ্টি এবং উপলব্ধি এবং দৃষ্টিভঙ্গির সংমিশ্রণটি শিক্ষার্থীদের দ্বারা প্রতিবেদন করা প্রধান এলএস (চিত্র 7)।
সারণী 4 থেকে দেখা যায়, বেশিরভাগ শিক্ষার্থীর একটি প্রধান সংবেদনশীল (13.7%) বা ভিজ্যুয়াল (8.6%) এলএস ছিল। জানা গেছে যে 12.2% শিক্ষার্থী দৃষ্টিভঙ্গির সাথে সম্মিলিত উপলব্ধি (উপলব্ধিযোগ্য-ভিজ্যুয়াল এলএস)। এই অনুসন্ধানগুলি পরামর্শ দেয় যে শিক্ষার্থীরা প্রতিষ্ঠিত পদ্ধতির মাধ্যমে শিখতে এবং স্মরণ করতে পছন্দ করে, নির্দিষ্ট এবং বিস্তারিত পদ্ধতিগুলি অনুসরণ করে এবং প্রকৃতির মনোযোগী। একই সময়ে, তারা (ডায়াগ্রামগুলি ব্যবহার করে) ব্যবহার করে শিখতে উপভোগ করে এবং গ্রুপগুলিতে বা নিজেরাই তথ্য নিয়ে আলোচনা এবং প্রয়োগ করার প্রবণতা রাখে।
এই অধ্যয়নটি তাত্ক্ষণিকভাবে এবং নির্ভুলভাবে শিক্ষার্থীদের এলএসের পূর্বাভাস দেওয়ার এবং উপযুক্ত আইএসের প্রস্তাব দেওয়ার দিকে মনোনিবেশ করে ডেটা মাইনিংয়ে ব্যবহৃত মেশিন লার্নিং কৌশলগুলির একটি ওভারভিউ সরবরাহ করে। সিদ্ধান্ত ট্রি মডেলের প্রয়োগ তাদের জীবন এবং শিক্ষাগত অভিজ্ঞতার সাথে সবচেয়ে ঘনিষ্ঠভাবে সম্পর্কিত কারণগুলি চিহ্নিত করে। এটি একটি তদারকি করা মেশিন লার্নিং অ্যালগরিদম যা নির্দিষ্ট মানদণ্ডের ভিত্তিতে উপশ্রেণীতে উপশ্রেণীতে ডেটা সেট করে ডেটা শ্রেণিবদ্ধ করতে একটি গাছের কাঠামো ব্যবহার করে। এটি প্রতিটি অভ্যন্তরীণ নোডের ইনপুট বৈশিষ্ট্যের একটি মানের উপর ভিত্তি করে ইনপুট ডেটা সাবসেটগুলিতে পুনরাবৃত্তভাবে বিভক্ত করে কাজ করে যতক্ষণ না লিফ নোডে সিদ্ধান্ত না নেওয়া হয়।
সিদ্ধান্ত গাছের অভ্যন্তরীণ নোডগুলি এম-আইএলএস সমস্যার ইনপুট বৈশিষ্ট্যের উপর ভিত্তি করে সমাধানটি উপস্থাপন করে এবং পাতার নোডগুলি চূড়ান্ত এলএস শ্রেণিবিন্যাসের পূর্বাভাসকে উপস্থাপন করে। পুরো অধ্যয়ন জুড়ে, সিদ্ধান্ত গাছগুলির শ্রেণিবিন্যাস বোঝা সহজ যা ইনপুট বৈশিষ্ট্য এবং আউটপুট পূর্বাভাসের মধ্যে সম্পর্কের দিকে নজর রেখে সিদ্ধান্ত প্রক্রিয়াটিকে ব্যাখ্যা করে এবং কল্পনা করে।
কম্পিউটার সায়েন্স অ্যান্ড ইঞ্জিনিয়ারিংয়ের ক্ষেত্রে, মেশিন লার্নিং অ্যালগরিদমগুলি তাদের প্রবেশ পরীক্ষার স্কোরগুলির উপর ভিত্তি করে শিক্ষার্থীদের পারফরম্যান্সের পূর্বাভাস দেওয়ার জন্য ব্যাপকভাবে ব্যবহৃত হয় [২১], জনসংখ্যার তথ্য এবং শেখার আচরণের [২২]। গবেষণায় দেখা গেছে যে অ্যালগরিদম সঠিকভাবে শিক্ষার্থীদের পারফরম্যান্সের পূর্বাভাস দিয়েছে এবং তাদের একাডেমিক অসুবিধার ঝুঁকিতে শিক্ষার্থীদের সনাক্ত করতে সহায়তা করেছিল।
ডেন্টাল প্রশিক্ষণের জন্য ভার্চুয়াল রোগী সিমুলেটরগুলির বিকাশে এমএল অ্যালগরিদমের প্রয়োগের রিপোর্ট করা হয়েছে। সিমুলেটরটি প্রকৃত রোগীদের শারীরবৃত্তীয় প্রতিক্রিয়াগুলি সঠিকভাবে পুনরুত্পাদন করতে সক্ষম এবং এটি একটি নিরাপদ এবং নিয়ন্ত্রিত পরিবেশে ডেন্টাল শিক্ষার্থীদের প্রশিক্ষণ দিতে ব্যবহার করা যেতে পারে [২৩]। অন্যান্য বেশ কয়েকটি গবেষণায় দেখা যায় যে মেশিন লার্নিং অ্যালগরিদমগুলি সম্ভাব্যভাবে দাঁতের এবং চিকিত্সা শিক্ষা এবং রোগীর যত্নের গুণমান এবং দক্ষতা উন্নত করতে পারে। মেশিন লার্নিং অ্যালগরিদমগুলি লক্ষণ এবং রোগীর বৈশিষ্ট্য [24, 25] এর মতো ডেটা সেটগুলির উপর ভিত্তি করে দাঁতের রোগ নির্ণয়ে সহায়তা করার জন্য ব্যবহৃত হয়েছে। অন্যান্য গবেষণাগুলি রোগীর ফলাফলের পূর্বাভাস দেওয়ার জন্য, উচ্চ-ঝুঁকিপূর্ণ রোগীদের চিহ্নিতকরণ, ব্যক্তিগতকৃত চিকিত্সার পরিকল্পনাগুলি বিকাশের মতো কাজগুলি সম্পাদনের জন্য মেশিন লার্নিং অ্যালগরিদমগুলির ব্যবহার অনুসন্ধান করেছে [২ 26], পিরিয়ডোনাল চিকিত্সা [২ 27], এবং ক্যারিজ চিকিত্সা [২৫]।
যদিও ডেন্টিস্টিতে মেশিন লার্নিংয়ের প্রয়োগ সম্পর্কিত প্রতিবেদনগুলি প্রকাশিত হয়েছে, ডেন্টাল শিক্ষায় এর প্রয়োগ সীমাবদ্ধ রয়েছে। অতএব, এই অধ্যয়নের লক্ষ্য ছিল এলএসের সাথে সবচেয়ে ঘনিষ্ঠভাবে জড়িত কারণগুলি সনাক্ত করতে সিদ্ধান্ত ট্রি মডেল ব্যবহার করার জন্য এবং ডেন্টাল শিক্ষার্থীদের মধ্যে রয়েছে।
এই অধ্যয়নের ফলাফলগুলি দেখায় যে উন্নত সুপারিশ সরঞ্জামটির উচ্চ নির্ভুলতা এবং নিখুঁত নির্ভুলতা রয়েছে, এটি ইঙ্গিত করে যে শিক্ষকরা এই সরঞ্জামটি থেকে উপকৃত হতে পারেন। ডেটা-চালিত শ্রেণিবদ্ধকরণ প্রক্রিয়া ব্যবহার করে, এটি ব্যক্তিগতকৃত সুপারিশ সরবরাহ করতে পারে এবং শিক্ষাবিদ এবং শিক্ষার্থীদের জন্য শিক্ষাগত অভিজ্ঞতা এবং ফলাফলগুলি উন্নত করতে পারে। এর মধ্যে, সুপারিশ সরঞ্জামগুলির মাধ্যমে প্রাপ্ত তথ্য শিক্ষকদের পছন্দের শিক্ষণ পদ্ধতি এবং শিক্ষার্থীদের শেখার প্রয়োজনীয়তার মধ্যে দ্বন্দ্ব সমাধান করতে পারে। উদাহরণস্বরূপ, সুপারিশ সরঞ্জামগুলির স্বয়ংক্রিয় আউটপুটের কারণে, কোনও শিক্ষার্থীর আইপি সনাক্ত করতে এবং সংশ্লিষ্ট আইপির সাথে এটি মেলে প্রয়োজনীয় সময়টি উল্লেখযোগ্যভাবে হ্রাস পাবে। এইভাবে, উপযুক্ত প্রশিক্ষণ কার্যক্রম এবং প্রশিক্ষণ উপকরণগুলি সংগঠিত করা যেতে পারে। এটি শিক্ষার্থীদের ইতিবাচক শেখার আচরণ এবং মনোনিবেশ করার ক্ষমতা বিকাশে সহায়তা করে। একটি সমীক্ষা জানিয়েছে যে শিক্ষার্থীদের শেখার উপকরণ এবং শেখার ক্রিয়াকলাপ সরবরাহ করা যা তাদের পছন্দের এলএসের সাথে মেলে শিক্ষার্থীদের বৃহত্তর সম্ভাবনা অর্জনের জন্য একাধিক উপায়ে শেখার একীকরণ, প্রক্রিয়া এবং উপভোগ করতে সহায়তা করতে পারে [12]। গবেষণা আরও দেখায় যে শ্রেণিকক্ষে শিক্ষার্থীদের অংশগ্রহণের উন্নতির পাশাপাশি, শিক্ষার্থীদের শেখার প্রক্রিয়াটি বোঝার জন্য শিক্ষার্থীদের সাথে শিক্ষার অনুশীলন এবং যোগাযোগের উন্নতি করতেও গুরুত্বপূর্ণ ভূমিকা পালন করে [২৮, ২৯]।
তবে যে কোনও আধুনিক প্রযুক্তির মতোই সমস্যা এবং সীমাবদ্ধতা রয়েছে। এর মধ্যে রয়েছে ডেটা গোপনীয়তা, পক্ষপাত এবং ন্যায্যতা সম্পর্কিত বিষয়গুলি এবং ডেন্টাল শিক্ষায় মেশিন লার্নিং অ্যালগরিদমগুলি বিকাশ ও প্রয়োগের জন্য প্রয়োজনীয় পেশাদার দক্ষতা এবং সংস্থানগুলি; যাইহোক, এই ক্ষেত্রে ক্রমবর্ধমান আগ্রহ এবং গবেষণা পরামর্শ দেয় যে মেশিন লার্নিং প্রযুক্তিগুলি দাঁতের শিক্ষা এবং ডেন্টাল পরিষেবাগুলিতে ইতিবাচক প্রভাব ফেলতে পারে।
এই অধ্যয়নের ফলাফলগুলি ইঙ্গিত দেয় যে ডেন্টাল শিক্ষার্থীদের অর্ধেকই ওষুধকে "উপলব্ধি" করার প্রবণতা রয়েছে। এই ধরণের শিক্ষার্থীর তথ্য এবং কংক্রিটের উদাহরণগুলির জন্য অগ্রাধিকার রয়েছে, একটি ব্যবহারিক দৃষ্টিভঙ্গি, বিশদের জন্য ধৈর্য এবং একটি "ভিজ্যুয়াল" এলএস পছন্দ, যেখানে শিক্ষার্থীরা ধারণা এবং চিন্তাভাবনা জানাতে ছবি, গ্রাফিক্স, রঙ এবং মানচিত্র ব্যবহার করতে পছন্দ করে। বর্তমান ফলাফলগুলি ডেন্টাল এবং মেডিকেল শিক্ষার্থীদের এলএস মূল্যায়নের জন্য আইএলএস ব্যবহার করে অন্যান্য গবেষণার সাথে সামঞ্জস্যপূর্ণ, যাদের বেশিরভাগেরই উপলব্ধিযোগ্য এবং ভিজ্যুয়াল এলএসের বৈশিষ্ট্য রয়েছে [12, 30]। ডালমোলিন এট আল পরামর্শ দেয় যে শিক্ষার্থীদের তাদের এলএস সম্পর্কে অবহিত করা তাদের শেখার সম্ভাবনায় পৌঁছাতে দেয়। গবেষকরা যুক্তি দেখান যে শিক্ষকরা যখন শিক্ষার্থীদের শিক্ষাগত প্রক্রিয়া পুরোপুরি বুঝতে পারেন, তখন বিভিন্ন শিক্ষণ পদ্ধতি এবং ক্রিয়াকলাপগুলি প্রয়োগ করা যেতে পারে যা শিক্ষার্থীদের কর্মক্ষমতা এবং শেখার অভিজ্ঞতাকে উন্নত করবে [12, 31, 32]। অন্যান্য গবেষণায় দেখা গেছে যে শিক্ষার্থীদের এলএসকে সামঞ্জস্য করা তাদের নিজস্ব এলএস অনুসারে তাদের শেখার শৈলী পরিবর্তন করার পরে শিক্ষার্থীদের শেখার অভিজ্ঞতা এবং পারফরম্যান্সের উন্নতি দেখায় [১৩, ৩৩]।
শিক্ষার্থীদের শেখার দক্ষতার উপর ভিত্তি করে শিক্ষাদানের কৌশল বাস্তবায়নের বিষয়ে শিক্ষকদের মতামত পৃথক হতে পারে। যদিও কেউ কেউ পেশাদার বিকাশের সুযোগ, পরামর্শদাতা এবং সম্প্রদায়ের সহায়তা সহ এই পদ্ধতির সুবিধাগুলি দেখেন, অন্যরা সময় এবং প্রাতিষ্ঠানিক সহায়তা সম্পর্কে উদ্বিগ্ন হতে পারে। ভারসাম্যের জন্য প্রচেষ্টা করা শিক্ষার্থী কেন্দ্রিক মনোভাব তৈরির মূল চাবিকাঠি। উচ্চশিক্ষা কর্তৃপক্ষ, যেমন বিশ্ববিদ্যালয় প্রশাসকরা, উদ্ভাবনী অনুশীলনগুলি প্রবর্তন করে এবং অনুষদ বিকাশকে সমর্থন করে [34] সমর্থন করে ইতিবাচক পরিবর্তন চালাতে গুরুত্বপূর্ণ ভূমিকা নিতে পারেন। সত্যিকারের গতিশীল এবং প্রতিক্রিয়াশীল উচ্চশিক্ষা ব্যবস্থা তৈরি করতে, নীতিনির্ধারকদের অবশ্যই সাহসী পদক্ষেপ নিতে হবে, যেমন নীতি পরিবর্তন করা, প্রযুক্তি সংহতকরণের জন্য সংস্থানগুলি উত্সর্গ করা এবং ছাত্র-কেন্দ্রিক পদ্ধতির প্রচারকারী ফ্রেমওয়ার্ক তৈরি করা। এই ব্যবস্থাগুলি কাঙ্ক্ষিত ফলাফল অর্জনের জন্য গুরুত্বপূর্ণ। ডিফারেনটেড নির্দেশাবলী সম্পর্কিত সাম্প্রতিক গবেষণায় স্পষ্টভাবে প্রমাণিত হয়েছে যে পৃথক নির্দেশের সফল বাস্তবায়নের জন্য শিক্ষকদের জন্য চলমান প্রশিক্ষণ এবং উন্নয়নের সুযোগ প্রয়োজন [35]।
এই সরঞ্জামটি ডেন্টাল শিক্ষাবিদদের মূল্যবান সহায়তা সরবরাহ করে যারা শিক্ষার্থী-বান্ধব শেখার ক্রিয়াকলাপগুলির পরিকল্পনার জন্য শিক্ষার্থী কেন্দ্রিক দৃষ্টিভঙ্গি নিতে চায়। তবে এই গবেষণাটি সিদ্ধান্ত ট্রি এমএল মডেলগুলির ব্যবহারের মধ্যে সীমাবদ্ধ। ভবিষ্যতে, সুপারিশ সরঞ্জামগুলির যথার্থতা, নির্ভরযোগ্যতা এবং নির্ভুলতার তুলনা করতে বিভিন্ন মেশিন লার্নিং মডেলের পারফরম্যান্সের তুলনা করার জন্য আরও ডেটা সংগ্রহ করা উচিত। অতিরিক্তভাবে, কোনও নির্দিষ্ট কাজের জন্য সর্বাধিক উপযুক্ত মেশিন লার্নিং পদ্ধতিটি বেছে নেওয়ার সময়, মডেল জটিলতা এবং ব্যাখ্যার মতো অন্যান্য বিষয়গুলি বিবেচনা করা গুরুত্বপূর্ণ।
এই অধ্যয়নের একটি সীমাবদ্ধতা হ'ল এটি কেবল এলএস ম্যাপিংয়ের দিকে মনোনিবেশ করেছিল এবং ডেন্টাল শিক্ষার্থীদের মধ্যে রয়েছে। অতএব, উন্নত সুপারিশ সিস্টেমটি কেবল ডেন্টাল শিক্ষার্থীদের জন্য উপযুক্ত তাদের সুপারিশ করবে। সাধারণ উচ্চ শিক্ষার শিক্ষার্থীদের ব্যবহারের জন্য পরিবর্তনগুলি প্রয়োজনীয়।
সদ্য বিকশিত মেশিন লার্নিং-ভিত্তিক সুপারিশ সরঞ্জামটি তাত্ক্ষণিকভাবে শিক্ষার্থীদের এলএসকে সংশ্লিষ্ট আইএসের সাথে শ্রেণিবদ্ধকরণ এবং মিলিয়ে নিতে সক্ষম, এটি ডেন্টাল শিক্ষকদের প্রাসঙ্গিক শিক্ষাদান এবং শেখার ক্রিয়াকলাপের পরিকল্পনা করতে সহায়তা করার জন্য এটি প্রথম ডেন্টাল এডুকেশন প্রোগ্রাম হিসাবে তৈরি করে। ডেটা-চালিত ট্রাইজ প্রক্রিয়া ব্যবহার করে, এটি ব্যক্তিগতকৃত সুপারিশ সরবরাহ করতে পারে, সময় সাশ্রয় করতে পারে, শিক্ষার কৌশলগুলি উন্নত করতে পারে, লক্ষ্যযুক্ত হস্তক্ষেপগুলি সমর্থন করতে পারে এবং চলমান পেশাদার বিকাশের প্রচার করতে পারে। এর প্রয়োগ ডেন্টাল শিক্ষায় শিক্ষার্থী কেন্দ্রিক পদ্ধতির প্রচার করবে।
গিলাক জ্যানি অ্যাসোসিয়েটেড প্রেস। শিক্ষার্থীর শেখার স্টাইল এবং শিক্ষকের শিক্ষার শৈলীর মধ্যে ম্যাচ বা অমিল। ইন্ট জে মোড এডুক কম্পিউটার সায়েন্স। 2012; 4 (11): 51–60। https://doi.org/10.5815/ijmecs.2012.11.05