ডিসিশন ট্রি মেশিন লার্নিং মডেল ব্যবহার করে দন্তচিকিৎসা শিক্ষার্থীদের পছন্দের শেখার ধরনকে সংশ্লিষ্ট শেখার কৌশলের সাথে সংযুক্তকরণ | বিএমসি মেডিকেল এডুকেশন

দন্তচিকিৎসা সহ উচ্চশিক্ষা প্রতিষ্ঠানগুলিতে শিক্ষার্থী-কেন্দ্রিক শিক্ষার (SCL) প্রয়োজনীয়তা ক্রমশ বাড়ছে। তবে, দন্তচিকিৎসা শিক্ষায় SCL-এর প্রয়োগ সীমিত। তাই, এই গবেষণার লক্ষ্য হলো ডিসিশন ট্রি মেশিন লার্নিং (ML) প্রযুক্তি ব্যবহার করে দন্তচিকিৎসা শিক্ষার্থীদের পছন্দের শেখার ধরণ (LS) এবং সংশ্লিষ্ট শেখার কৌশল (IS) চিহ্নিত করার মাধ্যমে দন্তচিকিৎসায় SCL-এর প্রয়োগকে উৎসাহিত করা, যা IS নির্দেশিকা তৈরির জন্য একটি কার্যকর হাতিয়ার হিসেবে কাজ করবে। এটি দন্তচিকিৎসা শিক্ষার্থীদের জন্য একটি সম্ভাবনাময় পদ্ধতি।
মালয়েশিয়া বিশ্ববিদ্যালয়ের মোট ২৫৫ জন দন্তচিকিৎসা শিক্ষার্থী মডিফায়েড ইন্ডেক্স অফ লার্নিং স্টাইলস (m-ILS) প্রশ্নাবলীটি পূরণ করেছেন, যেটিতে তাদের নিজ নিজ শিখন শৈলীতে (LS) শ্রেণীবদ্ধ করার জন্য ৪৪টি আইটেম ছিল। সংগৃহীত ডেটা (যাকে ডেটাসেট বলা হয়) সুপারভাইজড ডিসিশন ট্রি লার্নিং-এ ব্যবহার করা হয়, যা শিক্ষার্থীদের শিখন শৈলীকে সবচেয়ে উপযুক্ত শিক্ষণ পদ্ধতির (IS) সাথে স্বয়ংক্রিয়ভাবে মিলিয়ে দেয়। এরপর মেশিন লার্নিং-ভিত্তিক এই IS সুপারিশ টুলটির নির্ভুলতা মূল্যায়ন করা হয়।
এলএস (ইনপুট) এবং আইএস (টার্গেট আউটপুট)-এর মধ্যে একটি স্বয়ংক্রিয় ম্যাপিং প্রক্রিয়ায় ডিসিশন ট্রি মডেলের প্রয়োগ প্রতিটি ডেন্টাল শিক্ষার্থীর জন্য উপযুক্ত শেখার কৌশলগুলির একটি তাৎক্ষণিক তালিকা প্রদান করে। আইএস সুপারিশ টুলটি সামগ্রিক মডেলের নির্ভুলতার ক্ষেত্রে নিখুঁত অ্যাকুরেসি এবং রিকল প্রদর্শন করেছে, যা নির্দেশ করে যে এলএস-এর সাথে আইএস মেলানোর ক্ষেত্রে ভালো সেনসিটিভিটি এবং স্পেসিফিসিটি রয়েছে।
এমএল ডিসিশন ট্রি-ভিত্তিক একটি আইএস সুপারিশ টুল দন্তচিকিৎসা শিক্ষার্থীদের শেখার ধরনের সাথে উপযুক্ত শেখার কৌশল নির্ভুলভাবে মেলানোর ক্ষেত্রে তার সক্ষমতা প্রমাণ করেছে। এই টুলটি শিক্ষার্থীকেন্দ্রিক কোর্স বা মডিউল পরিকল্পনার জন্য শক্তিশালী বিকল্প প্রদান করে, যা শিক্ষার্থীদের শেখার অভিজ্ঞতাকে উন্নত করতে পারে।
শিক্ষা প্রতিষ্ঠানে শিক্ষাদান ও শিখন হলো মৌলিক কার্যক্রম। একটি উন্নতমানের বৃত্তিমূলক শিক্ষা ব্যবস্থা গড়ে তোলার ক্ষেত্রে শিক্ষার্থীদের শিখন চাহিদার উপর গুরুত্ব দেওয়া জরুরি। শিক্ষার্থীদের শিখন পরিবেশ (LS) এর মাধ্যমে তাদের সাথে শিখনের পরিবেশের মিথস্ক্রিয়া নির্ধারণ করা যায়। গবেষণা থেকে জানা যায় যে, শিক্ষার্থীদের শিখন পরিবেশ (LS) এবং শিখন শ্রেণী (IS) এর মধ্যে শিক্ষকের ইচ্ছাকৃত অমিল শিক্ষার্থীদের শিখনের উপর নেতিবাচক প্রভাব ফেলতে পারে, যেমন মনোযোগ এবং অনুপ্রেরণা হ্রাস পাওয়া। এটি পরোক্ষভাবে শিক্ষার্থীদের কর্মক্ষমতাকে প্রভাবিত করবে [1,2]।
IS হলো শিক্ষকদের দ্বারা শিক্ষার্থীদের জ্ঞান ও দক্ষতা প্রদানের জন্য ব্যবহৃত একটি পদ্ধতি, যার মধ্যে শিক্ষার্থীদের শিখতে সাহায্য করাও অন্তর্ভুক্ত [3]। সাধারণভাবে বলতে গেলে, ভালো শিক্ষকরা তাদের শিক্ষার্থীদের জ্ঞানের স্তর, তারা যে ধারণাগুলো শিখছে এবং তাদের শেখার পর্যায়ের সাথে সবচেয়ে ভালোভাবে মেলে এমন শিক্ষণ কৌশল বা IS পরিকল্পনা করেন। তাত্ত্বিকভাবে, যখন LS এবং IS মিলে যায়, তখন শিক্ষার্থীরা কার্যকরভাবে শেখার জন্য একটি নির্দিষ্ট দক্ষতা সেট সংগঠিত করতে এবং ব্যবহার করতে সক্ষম হবে। সাধারণত, একটি পাঠ পরিকল্পনায় বিভিন্ন পর্যায়ের মধ্যে বেশ কয়েকটি রূপান্তর অন্তর্ভুক্ত থাকে, যেমন শিক্ষাদান থেকে নির্দেশিত অনুশীলনে বা নির্দেশিত অনুশীলন থেকে স্বাধীন অনুশীলনে। এই বিষয়টি মাথায় রেখে, কার্যকর শিক্ষকরা প্রায়শই শিক্ষার্থীদের জ্ঞান এবং দক্ষতা তৈরির লক্ষ্যে পাঠ পরিকল্পনা করেন [4]।
দন্তচিকিৎসা সহ উচ্চশিক্ষা প্রতিষ্ঠানগুলিতে এসসিএল (SCL)-এর চাহিদা বাড়ছে। এসসিএল কৌশলগুলি শিক্ষার্থীদের শেখার চাহিদা মেটানোর জন্য তৈরি করা হয়েছে। এটি অর্জন করা সম্ভব, উদাহরণস্বরূপ, যদি শিক্ষার্থীরা শেখার কার্যক্রমে সক্রিয়ভাবে অংশগ্রহণ করে এবং শিক্ষকরা সহায়ক হিসেবে কাজ করেন ও মূল্যবান প্রতিক্রিয়া প্রদানের জন্য দায়িত্বশীল হন। বলা হয় যে শিক্ষার্থীদের শিক্ষাগত স্তর বা পছন্দের সাথে সামঞ্জস্যপূর্ণ শেখার উপকরণ এবং কার্যক্রম সরবরাহ করা শিক্ষার্থীদের শেখার পরিবেশ উন্নত করতে পারে এবং ইতিবাচক শেখার অভিজ্ঞতাকে উৎসাহিত করতে পারে [5]।
সাধারণভাবে বলতে গেলে, দন্তচিকিৎসা শিক্ষার্থীদের শেখার প্রক্রিয়াটি তাদের দ্বারা সম্পাদিত বিভিন্ন ক্লিনিকাল পদ্ধতি এবং ক্লিনিকাল পরিবেশ দ্বারা প্রভাবিত হয়, যেখানে তারা কার্যকর আন্তঃব্যক্তিক দক্ষতা বিকাশ করে। প্রশিক্ষণের উদ্দেশ্য হল শিক্ষার্থীদের দন্তচিকিৎসার মৌলিক জ্ঞানের সাথে ক্লিনিকাল দক্ষতা একত্রিত করতে এবং অর্জিত জ্ঞানকে নতুন ক্লিনিকাল পরিস্থিতিতে প্রয়োগ করতে সক্ষম করা [6, 7]। LS এবং IS এর মধ্যে সম্পর্ক নিয়ে প্রাথমিক গবেষণায় দেখা গেছে যে পছন্দের LS এর সাথে সামঞ্জস্যপূর্ণ শেখার কৌশলগুলি সামঞ্জস্য করলে শিক্ষণ প্রক্রিয়া উন্নত করতে সাহায্য করবে [8]। লেখকরা শিক্ষার্থীদের শেখার ধরন এবং প্রয়োজনের সাথে খাপ খাইয়ে নেওয়ার জন্য বিভিন্ন ধরণের শিক্ষাদান এবং মূল্যায়ন পদ্ধতি ব্যবহার করারও সুপারিশ করেন।
শিক্ষকেরা শিক্ষণ পদ্ধতির জ্ঞান প্রয়োগ করে এমন পাঠ পরিকল্পনা, উন্নয়ন এবং বাস্তবায়ন করতে পারেন যা শিক্ষার্থীদের বিষয়বস্তু সম্পর্কে গভীর জ্ঞান ও বোধগম্যতা অর্জনে সহায়তা করবে। গবেষকরা শিক্ষণ পদ্ধতি মূল্যায়নের জন্য বেশ কিছু টুল তৈরি করেছেন, যেমন কোলব এক্সপেরিয়েনশিয়াল লার্নিং মডেল, ফেল্ডার-সিলভারম্যান লার্নিং স্টাইল মডেল (FSLSM), এবং ফ্লেমিং VAK/VARK মডেল [5, 9, 10]। সাহিত্য পর্যালোচনা অনুযায়ী, এই শিক্ষণ মডেলগুলোই সবচেয়ে বেশি ব্যবহৃত এবং সর্বাধিক আলোচিত। বর্তমান গবেষণায়, দন্তচিকিৎসা শিক্ষার্থীদের মধ্যে শিক্ষণ পদ্ধতি মূল্যায়নের জন্য FSLSM ব্যবহার করা হয়েছে।
FSLSM হলো প্রকৌশলে অভিযোজিত শিখন মূল্যায়নের জন্য বহুল ব্যবহৃত একটি মডেল। স্বাস্থ্য বিজ্ঞানে (চিকিৎসা, নার্সিং, ফার্মেসি এবং দন্তচিকিৎসা সহ) FSLSM মডেল ব্যবহার করে অনেক প্রকাশিত কাজ পাওয়া যায় [5, 11, 12, 13]। FLSM-এ শিখন শৈলীর (LS) মাত্রা পরিমাপের জন্য ব্যবহৃত উপকরণটিকে ইন্ডেক্স অফ লার্নিং স্টাইলস (ILS) বলা হয় [8], যা শিখন শৈলীর চারটি মাত্রা মূল্যায়নকারী 44টি আইটেম ধারণ করে: প্রক্রিয়াকরণ (সক্রিয়/প্রতিফলনমূলক), উপলব্ধি (প্রত্যক্ষ/স্বজ্ঞামূলক), ইনপুট (চাক্ষুষ/মৌখিক) এবং বোঝা (ক্রমিক/সামগ্রিক) [14]।
চিত্র ১-এ যেমন দেখানো হয়েছে, FSLSM-এর প্রতিটি মাত্রার একটি প্রধান পছন্দ রয়েছে। উদাহরণস্বরূপ, প্রক্রিয়াকরণ মাত্রায়, “সক্রিয়” শিখন প্রবণতার শিক্ষার্থীরা শেখার উপকরণের সাথে সরাসরি মিথস্ক্রিয়া করে তথ্য প্রক্রিয়াকরণ করতে, হাতে-কলমে কাজ করে শিখতে এবং দলবদ্ধভাবে শিখতে পছন্দ করে। “প্রতিফলনমূলক” শিখন প্রবণতা বলতে বোঝায় চিন্তার মাধ্যমে শেখা এবং তারা একা কাজ করতে পছন্দ করে। শিখন প্রবণতার “উপলব্ধিমূলক” মাত্রাকে “অনুভূতি” এবং/অথবা “অন্তর্জ্ঞান”-এ ভাগ করা যেতে পারে। “অনুভূতিমূলক” শিক্ষার্থীরা আরও বাস্তবধর্মী তথ্য এবং ব্যবহারিক পদ্ধতি পছন্দ করে, তারা তথ্য-ভিত্তিক হয়; অন্যদিকে “অন্তর্জ্ঞানমূলক” শিক্ষার্থীরা বিমূর্ত বিষয়বস্তু পছন্দ করে এবং স্বভাবগতভাবে আরও উদ্ভাবনী ও সৃজনশীল হয়। শিখন প্রবণতার “গ্রহণ” মাত্রাটি “চাক্ষুষ” এবং “মৌখিক” শিখন প্রবণতার শিক্ষার্থীদের নিয়ে গঠিত। “চাক্ষুষ” শিখন প্রবণতার ব্যক্তিরা চাক্ষুষ প্রদর্শনের (যেমন ডায়াগ্রাম, ভিডিও বা সরাসরি প্রদর্শন) মাধ্যমে শিখতে পছন্দ করে, যেখানে “মৌখিক” শিখন প্রবণতার ব্যক্তিরা লিখিত বা মৌখিক ব্যাখ্যার মাধ্যমে শব্দ ব্যবহার করে শিখতে পছন্দ করে। শিখন প্রবণতার মাত্রাগুলোকে “বোঝার” জন্য, এই ধরনের শিক্ষার্থীদের “ক্রমিক” এবং “সামগ্রিক” ভাগে ভাগ করা যেতে পারে। অনুক্রমিক শিক্ষার্থীরা রৈখিক চিন্তাধারা পছন্দ করে এবং ধাপে ধাপে শেখে, অন্যদিকে বৈশ্বিক শিক্ষার্থীদের একটি সামগ্রিক চিন্তাধারা থাকে এবং তারা যা শিখছে তা সর্বদা ভালোভাবে বুঝতে পারে।
সম্প্রতি, অনেক গবেষক স্বয়ংক্রিয় ডেটা-চালিত আবিষ্কারের পদ্ধতিগুলি অন্বেষণ করতে শুরু করেছেন, যার মধ্যে রয়েছে নতুন অ্যালগরিদম এবং মডেলগুলির বিকাশ যা প্রচুর পরিমাণে ডেটা ব্যাখ্যা করতে সক্ষম [15, 16]। প্রদত্ত ডেটার উপর ভিত্তি করে, সুপারভাইজড এমএল (মেশিন লার্নিং) অ্যালগরিদম নির্মাণের উপর ভিত্তি করে প্যাটার্ন এবং অনুমান তৈরি করতে সক্ষম যা ভবিষ্যতের ফলাফলগুলির পূর্বাভাস দেয় [17]। সহজ কথায়, সুপারভাইজড মেশিন লার্নিং কৌশলগুলি ইনপুট ডেটা পরিচালনা করে এবং অ্যালগরিদমকে প্রশিক্ষণ দেয়। তারপরে এটি প্রদত্ত ইনপুট ডেটার জন্য অনুরূপ পরিস্থিতির উপর ভিত্তি করে ফলাফলকে শ্রেণীবদ্ধ বা পূর্বাভাস দেওয়ার জন্য একটি পরিসর তৈরি করে। সুপারভাইজড মেশিন লার্নিং অ্যালগরিদমগুলির প্রধান সুবিধা হল আদর্শ এবং কাঙ্ক্ষিত ফলাফল স্থাপন করার ক্ষমতা [17]।
ডেটা-চালিত পদ্ধতি এবং ডিসিশন ট্রি কন্ট্রোল মডেল ব্যবহারের মাধ্যমে, LS স্বয়ংক্রিয়ভাবে সনাক্ত করা সম্ভব। স্বাস্থ্য বিজ্ঞান সহ বিভিন্ন ক্ষেত্রের প্রশিক্ষণ কর্মসূচিতে ডিসিশন ট্রি ব্যাপকভাবে ব্যবহৃত হয় বলে জানা গেছে [18, 19]। এই গবেষণায়, সিস্টেম ডেভেলপাররা শিক্ষার্থীদের LS সনাক্ত করতে এবং তাদের জন্য সেরা IS সুপারিশ করার জন্য মডেলটিকে বিশেষভাবে প্রশিক্ষণ দিয়েছেন।
এই গবেষণার উদ্দেশ্য হলো শিক্ষার্থীদের জীবন সাক্ষরতার (LS) উপর ভিত্তি করে তথ্য ব্যবস্থা (IS) বিতরণের কৌশল তৈরি করা এবং জীবন সাক্ষরতার সাথে সংযুক্ত একটি তথ্য ব্যবস্থা সুপারিশ টুল তৈরির মাধ্যমে সামাজিক শ্রেণিবিন্যাস (SCL) পদ্ধতি প্রয়োগ করা। সামাজিক শ্রেণিবিন্যাস পদ্ধতির একটি কৌশল হিসেবে তথ্য ব্যবস্থা সুপারিশ টুলের নকশার প্রবাহ চিত্র ১-এ দেখানো হয়েছে। তথ্য ব্যবস্থা সুপারিশ টুলটি দুটি অংশে বিভক্ত, যার মধ্যে রয়েছে আন্তঃশ্রেণী জীবন সাক্ষরতা (ILS) ব্যবহার করে জীবন সাক্ষরতা শ্রেণিবিন্যাস প্রক্রিয়া এবং শিক্ষার্থীদের জন্য সবচেয়ে উপযুক্ত তথ্য ব্যবস্থা প্রদর্শন।
বিশেষত, তথ্য নিরাপত্তা সুপারিশ সরঞ্জামগুলির বৈশিষ্ট্যগুলির মধ্যে ওয়েব প্রযুক্তি এবং ডিসিশন ট্রি মেশিন লার্নিং-এর ব্যবহার অন্তর্ভুক্ত। সিস্টেম ডেভেলপাররা মোবাইল ফোন এবং ট্যাবলেটের মতো মোবাইল ডিভাইসের সাথে সেগুলিকে অভিযোজিত করে ব্যবহারকারীর অভিজ্ঞতা এবং গতিশীলতা উন্নত করে।
পরীক্ষাটি দুটি পর্যায়ে পরিচালিত হয়েছিল এবং মালয়েশিয়া বিশ্ববিদ্যালয়ের দন্তচিকিৎসা অনুষদের শিক্ষার্থীরা স্বেচ্ছায় এতে অংশগ্রহণ করেন। অংশগ্রহণকারীরা ইংরেজিতে একজন দন্তচিকিৎসা শিক্ষার্থীর অনলাইন এম-আইএলএস (m-ILS)-এ সাড়া দেন। প্রাথমিক পর্যায়ে, ডিসিশন ট্রি মেশিন লার্নিং অ্যালগরিদমকে প্রশিক্ষণ দেওয়ার জন্য ৫০ জন শিক্ষার্থীর একটি ডেটাসেট ব্যবহার করা হয়েছিল। উন্নয়ন প্রক্রিয়ার দ্বিতীয় পর্যায়ে, তৈরি করা যন্ত্রটির নির্ভুলতা উন্নত করার জন্য ২৫৫ জন শিক্ষার্থীর একটি ডেটাসেট ব্যবহার করা হয়েছিল।
শিক্ষাবর্ষের উপর নির্ভর করে, প্রতিটি পর্যায়ের শুরুতে সকল অংশগ্রহণকারীকে মাইক্রোসফট টিমস-এর মাধ্যমে একটি অনলাইন ব্রিফিং দেওয়া হয়। গবেষণার উদ্দেশ্য ব্যাখ্যা করা হয়েছিল এবং অবহিত সম্মতি (informed consent) গ্রহণ করা হয়েছিল। সকল অংশগ্রহণকারীকে এম-আইএলএস (m-ILS) ব্যবহারের জন্য একটি লিঙ্ক দেওয়া হয়েছিল। প্রত্যেক শিক্ষার্থীকে প্রশ্নমালার ৪৪টি আইটেমের সবগুলোর উত্তর দেওয়ার নির্দেশ দেওয়া হয়েছিল। সেমিস্টার শুরুর আগে সেমিস্টার বিরতির সময় তাদের সুবিধাজনক সময়ে ও স্থানে পরিবর্তিত আইএলএস (ILS) সম্পন্ন করার জন্য এক সপ্তাহ সময় দেওয়া হয়েছিল। এম-আইএলএস (m-ILS) মূল আইএলএস (ILS) উপকরণের উপর ভিত্তি করে তৈরি এবং দন্তচিকিৎসা শিক্ষার্থীদের জন্য এটিকে পরিবর্তন করা হয়েছে। মূল আইএলএস (ILS)-এর মতোই, এতে সমানভাবে বণ্টিত ৪৪টি আইটেম (ক, খ) রয়েছে, যার প্রতিটিতে ১১টি করে আইটেম আছে, যা প্রতিটি এফএসএলএসএম (FSLSM) ডাইমেনশনের বিভিন্ন দিক মূল্যায়ন করতে ব্যবহৃত হয়।
টুলটি তৈরির প্রাথমিক পর্যায়ে, গবেষকরা ৫০ জন দন্তচিকিৎসা শিক্ষার্থীর একটি ডেটাসেট ব্যবহার করে ম্যানুয়ালি ম্যাপগুলোতে টীকা সংযোজন করেন। FSLM অনুসারে, সিস্টেমটি “a” এবং “b” উত্তরগুলোর যোগফল প্রদান করে। প্রতিটি ডাইমেনশনের জন্য, যদি শিক্ষার্থী উত্তর হিসেবে “a” নির্বাচন করে, তবে LS-টিকে Active/Perceptual/Visual/Sequential হিসেবে শ্রেণিবদ্ধ করা হয়, এবং যদি শিক্ষার্থী উত্তর হিসেবে “b” নির্বাচন করে, তবে তাকে Reflective/Intuitive/Linguistic / global learner হিসেবে শ্রেণিবদ্ধ করা হয়।
দন্তচিকিৎসা শিক্ষা গবেষক এবং সিস্টেম ডেভেলপারদের মধ্যে কর্মপ্রবাহ সমন্বয় করার পর, FLSSM ডোমেনের উপর ভিত্তি করে প্রশ্ন নির্বাচন করা হয়েছিল এবং প্রতিটি শিক্ষার্থীর LS ভবিষ্যদ্বাণী করার জন্য ML মডেলে ইনপুট হিসেবে দেওয়া হয়েছিল। মেশিন লার্নিংয়ের ক্ষেত্রে "ভুল তথ্য দিলে ভুল ফলাফলই আসবে" একটি জনপ্রিয় উক্তি, যেখানে ডেটার গুণমানের উপর জোর দেওয়া হয়। ইনপুট ডেটার গুণমানই মেশিন লার্নিং মডেলের নির্ভুলতা এবং যথার্থতা নির্ধারণ করে। ফিচার ইঞ্জিনিয়ারিং পর্যায়ে, FLSSM-এর উপর ভিত্তি করে "a" এবং "b" উত্তরগুলোর যোগফল হিসেবে একটি নতুন ফিচার সেট তৈরি করা হয়। ওষুধের অবস্থানগুলোর শনাক্তকরণ নম্বর সারণি ১-এ দেওয়া আছে।
উত্তরগুলির উপর ভিত্তি করে স্কোর গণনা করুন এবং শিক্ষার্থীর শেখার পছন্দ (LS) নির্ধারণ করুন। প্রতিটি শিক্ষার্থীর জন্য, স্কোরের পরিসীমা 1 থেকে 11। 1 থেকে 3 পর্যন্ত স্কোর একই মাত্রার মধ্যে শেখার পছন্দের ভারসাম্য নির্দেশ করে, এবং 5 থেকে 7 পর্যন্ত স্কোর একটি মাঝারি পছন্দ নির্দেশ করে, যা ইঙ্গিত করে যে শিক্ষার্থীরা অন্য পরিবেশে শেখানোর চেয়ে একটি পরিবেশ পছন্দ করে। একই মাত্রার আরেকটি ভিন্নতা হল যে 9 থেকে 11 পর্যন্ত স্কোর এক প্রান্ত বা অন্য প্রান্তের জন্য দৃঢ় পছন্দকে প্রতিফলিত করে [8]।
প্রতিটি মাত্রার জন্য, শিক্ষার্থীদের “সক্রিয়”, “প্রতিফলনমূলক” এবং “ভারসাম্যপূর্ণ” এই তিনটি ভাগে ভাগ করা হয়েছিল। উদাহরণস্বরূপ, যখন একজন শিক্ষার্থী একটি নির্দিষ্ট প্রশ্নে “b”-এর চেয়ে “a”-কে বেশিবার উত্তর দেয় এবং প্রসেসিং এলএস মাত্রার প্রতিনিধিত্বকারী একটি নির্দিষ্ট প্রশ্নে তার স্কোর ৫-এর সীমা অতিক্রম করে, তখন সে “সক্রিয়” এলএস ডোমেইনের অন্তর্ভুক্ত হয়। তবে, যখন শিক্ষার্থীরা নির্দিষ্ট ১১টি প্রশ্নে (সারণি ১) “a”-এর চেয়ে “b”-কে বেশিবার বেছে নেয় এবং ৫ পয়েন্টের বেশি স্কোর করে, তখন তাদের “প্রতিফলনমূলক” এলএস হিসাবে শ্রেণীবদ্ধ করা হয়েছিল। পরিশেষে, শিক্ষার্থী “ভারসাম্য” অবস্থায় থাকে। যদি স্কোর ৫ পয়েন্ট অতিক্রম না করে, তবে এটি একটি “প্রক্রিয়া” এলএস। এই শ্রেণীবদ্ধকরণ প্রক্রিয়াটি অন্যান্য এলএস মাত্রা, যথা উপলব্ধি (সক্রিয়/প্রতিফলনমূলক), ইনপুট (চাক্ষুষ/মৌখিক), এবং বোধগম্যতা (ক্রমিক/সামগ্রিক)-এর জন্যও পুনরাবৃত্তি করা হয়েছিল।
ডিসিশন ট্রি মডেলগুলি ক্লাসিফিকেশন প্রক্রিয়ার বিভিন্ন পর্যায়ে বৈশিষ্ট্যের বিভিন্ন উপসেট এবং সিদ্ধান্ত নিয়ম ব্যবহার করতে পারে। এটি একটি জনপ্রিয় ক্লাসিফিকেশন এবং পূর্বাভাস সরঞ্জাম হিসাবে বিবেচিত হয়। এটিকে একটি ফ্লোচার্টের [20] মতো একটি ট্রি কাঠামো ব্যবহার করে উপস্থাপন করা যেতে পারে, যেখানে অভ্যন্তরীণ নোডগুলি অ্যাট্রিবিউট অনুসারে পরীক্ষাগুলিকে প্রতিনিধিত্ব করে, প্রতিটি শাখা পরীক্ষার ফলাফলকে প্রতিনিধিত্ব করে এবং প্রতিটি লিফ নোডে (লিফ নোড) একটি ক্লাস লেবেল থাকে।
প্রতিটি শিক্ষার্থীর প্রতিক্রিয়ার উপর ভিত্তি করে তাদের জীবন দক্ষতা (LS) স্বয়ংক্রিয়ভাবে স্কোর ও টীকাযুক্ত করার জন্য একটি সহজ নিয়ম-ভিত্তিক প্রোগ্রাম তৈরি করা হয়েছিল। নিয়ম-ভিত্তিক পদ্ধতিটি একটি 'যদি' (IF) বিবৃতির রূপ নেয়, যেখানে 'যদি' (IF) উদ্দীপকটি বর্ণনা করে এবং 'তারপর' (THEN) করণীয় কাজটি নির্দিষ্ট করে, উদাহরণস্বরূপ: "যদি X ঘটে, তবে Y করো" (লিউ প্রমুখ, ২০১৪)। যদি ডেটা সেটে পারস্পরিক সম্পর্ক দেখা যায় এবং ডিসিশন ট্রি মডেলটি সঠিকভাবে প্রশিক্ষিত ও মূল্যায়ন করা হয়, তবে এই পদ্ধতিটি জীবন দক্ষতা (LS) এবং তথ্য দক্ষতা (IS) মেলানোর প্রক্রিয়াটিকে স্বয়ংক্রিয় করার একটি কার্যকর উপায় হতে পারে।
উন্নয়নের দ্বিতীয় পর্যায়ে, সুপারিশ টুলের নির্ভুলতা উন্নত করার জন্য ডেটাসেটটি 255-এ উন্নীত করা হয়েছিল। ডেটাসেটটি 1:4 অনুপাতে বিভক্ত করা হয়েছে। ডেটাসেটের 25% (64) টেস্ট সেট হিসাবে এবং বাকি 75% (191) ট্রেনিং সেট হিসাবে ব্যবহার করা হয়েছিল (চিত্র 2)। ডেটাসেটটি বিভক্ত করার প্রয়োজন হয় যাতে মডেলটি একই ডেটাসেটে প্রশিক্ষিত এবং পরীক্ষিত না হয়, যা মডেলটিকে শেখার পরিবর্তে মনে রাখতে বাধ্য করতে পারে। মডেলটিকে ট্রেনিং সেটে প্রশিক্ষণ দেওয়া হয় এবং টেস্ট সেটে এর পারফরম্যান্স মূল্যায়ন করা হয়—এমন ডেটা যা মডেলটি আগে কখনও দেখেনি।
আইএস টুলটি তৈরি হয়ে গেলে, অ্যাপ্লিকেশনটি একটি ওয়েব ইন্টারফেসের মাধ্যমে ডেন্টাল শিক্ষার্থীদের প্রতিক্রিয়ার উপর ভিত্তি করে এলএস শ্রেণীবদ্ধ করতে সক্ষম হবে। এই ওয়েব-ভিত্তিক তথ্য নিরাপত্তা সুপারিশ টুল সিস্টেমটি পাইথন প্রোগ্রামিং ভাষা ব্যবহার করে তৈরি করা হয়েছে এবং এর ব্যাকএন্ড হিসেবে জ্যাঙ্গো ফ্রেমওয়ার্ক ব্যবহৃত হয়েছে। সারণি ২-এ এই সিস্টেমটি তৈরিতে ব্যবহৃত লাইব্রেরিগুলোর তালিকা দেওয়া হয়েছে।
শিক্ষার্থীদের LS পরিমাপগুলোকে স্বয়ংক্রিয়ভাবে শ্রেণিবদ্ধ করার জন্য, ডেটাসেটটি একটি ডিসিশন ট্রি মডেলে ইনপুট হিসেবে দেওয়া হয়, যা তাদের প্রতিক্রিয়াগুলো গণনা ও নিষ্কাশন করে।
প্রদত্ত ডেটা সেটের উপর একটি ডিসিশন ট্রি মেশিন লার্নিং অ্যালগরিদমের নির্ভুলতা মূল্যায়ন করতে কনফিউশন ম্যাট্রিক্স ব্যবহার করা হয়। একই সাথে, এটি ক্লাসিফিকেশন মডেলের পারফরম্যান্সও মূল্যায়ন করে। এটি মডেলের পূর্বাভাসগুলোকে সংক্ষিপ্ত করে এবং সেগুলোকে প্রকৃত ডেটা লেবেলের সাথে তুলনা করে। মূল্যায়নের ফলাফল চারটি ভিন্ন মানের উপর ভিত্তি করে নির্ধারিত হয়: ট্রু পজিটিভ (TP) – মডেলটি সঠিকভাবে পজিটিভ ক্যাটাগরি পূর্বাভাস দিয়েছে, ফলস পজিটিভ (FP) – মডেলটি পজিটিভ ক্যাটাগরি পূর্বাভাস দিয়েছে, কিন্তু প্রকৃত লেবেলটি ছিল নেগেটিভ, ট্রু নেগেটিভ (TN) – মডেলটি সঠিকভাবে নেগেটিভ ক্লাস পূর্বাভাস দিয়েছে, এবং ফলস নেগেটিভ (FN) – মডেলটি নেগেটিভ ক্লাস পূর্বাভাস দিয়েছে, কিন্তু প্রকৃত লেবেলটি পজিটিভ।
এই মানগুলো ব্যবহার করে পাইথনে স্কিকিট-লার্ন ক্লাসিফিকেশন মডেলের বিভিন্ন পারফরম্যান্স মেট্রিক, যেমন প্রিসিশন, রিকল এবং এফ১ স্কোর গণনা করা হয়। নিচে উদাহরণ দেওয়া হলো:
রিকল (বা সেনসিটিভিটি) পরিমাপ করে যে, এম-আইএলএস প্রশ্নাবলীর উত্তর দেওয়ার পর মডেলটি একজন শিক্ষার্থীর এলএসকে নির্ভুলভাবে শ্রেণিবদ্ধ করতে কতটা সক্ষম।
স্পেসিফিসিটিকে ট্রু নেগেটিভ রেট বলা হয়। উপরের সূত্র থেকে যেমনটা দেখতে পাচ্ছেন, এটি হওয়া উচিত ট্রু নেগেটিভ (TN) এবং ট্রু নেগেটিভ ও ফলস পজিটিভ (FP)-এর অনুপাত। শিক্ষার্থীদের মাদক শ্রেণিবিন্যাসের জন্য প্রস্তাবিত টুলের অংশ হিসেবে, এটির নির্ভুল শনাক্তকরণে সক্ষম হওয়া উচিত।
ডিসিশন ট্রি এমএল মডেলকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহৃত ৫০ জন শিক্ষার্থীর মূল ডেটাসেটটি অ্যানোটেশনে মানবিক ত্রুটির কারণে তুলনামূলকভাবে কম নির্ভুলতা দেখিয়েছিল (সারণী ৩)। স্বয়ংক্রিয়ভাবে এলএস স্কোর এবং শিক্ষার্থীদের অ্যানোটেশন গণনা করার জন্য একটি সহজ নিয়ম-ভিত্তিক প্রোগ্রাম তৈরি করার পর, সুপারিশকারী সিস্টেমটিকে প্রশিক্ষণ ও পরীক্ষা করার জন্য ক্রমবর্ধমান সংখ্যক ডেটাসেট (২৫৫) ব্যবহার করা হয়েছিল।
মাল্টি-ক্লাস কনফিউশন ম্যাট্রিক্সে, কর্ণ বরাবর উপাদানগুলো প্রতিটি এলএস (LS) টাইপের জন্য সঠিক ভবিষ্যদ্বাণীর সংখ্যা নির্দেশ করে (চিত্র ৪)। ডিসিশন ট্রি মডেল ব্যবহার করে মোট ৬৪টি স্যাম্পল সঠিকভাবে ভবিষ্যদ্বাণী করা হয়েছিল। সুতরাং, এই গবেষণায়, কর্ণ বরাবর উপাদানগুলো প্রত্যাশিত ফলাফল প্রদর্শন করে, যা নির্দেশ করে যে মডেলটি ভালোভাবে কাজ করে এবং প্রতিটি এলএস (LS) ক্লাসিফিকেশনের জন্য ক্লাস লেবেল নির্ভুলভাবে ভবিষ্যদ্বাণী করে। অতএব, এই সুপারিশ টুলটির সামগ্রিক নির্ভুলতা হলো ১০০%।
অ্যাকুরেসি, প্রিসিশন, রিকল এবং এফ১ স্কোরের মান চিত্র ৫-এ দেখানো হয়েছে। ডিসিশন ট্রি মডেল ব্যবহারকারী রিকমেন্ডেশন সিস্টেমটির এফ১ স্কোর হলো ১.০, যা নিখুঁত প্রিসিশন ও রিকল নির্দেশ করে এবং এর সেনসিটিভিটি ও স্পেসিফিসিটির মান তাৎপর্যপূর্ণ।
চিত্র ৬-এ প্রশিক্ষণ এবং পরীক্ষা সম্পন্ন হওয়ার পর ডিসিশন ট্রি মডেলটির একটি ভিজ্যুয়ালাইজেশন দেখানো হয়েছে। পাশাপাশি তুলনা করলে দেখা যায়, কম সংখ্যক ফিচার দিয়ে প্রশিক্ষিত ডিসিশন ট্রি মডেলটি উচ্চতর নির্ভুলতা এবং সহজতর মডেল ভিজ্যুয়ালাইজেশন প্রদর্শন করেছে। এটি প্রমাণ করে যে, মডেলের কর্মক্ষমতা উন্নত করার জন্য ফিচার হ্রাসকরণ বা ফিচার ইঞ্জিনিয়ারিং একটি গুরুত্বপূর্ণ পদক্ষেপ।
ডিসিশন ট্রি সুপারভাইজড লার্নিং প্রয়োগের মাধ্যমে, LS (ইনপুট) এবং IS (টার্গেট আউটপুট)-এর মধ্যে ম্যাপিং স্বয়ংক্রিয়ভাবে তৈরি হয় এবং এতে প্রতিটি LS-এর জন্য বিস্তারিত তথ্য থাকে।
ফলাফলে দেখা গেছে যে 255 জন শিক্ষার্থীর মধ্যে 34.9% একটি (1) LS বিকল্প পছন্দ করেছেন। সংখ্যাগরিষ্ঠের (54.3%) দুই বা ততোধিক LS পছন্দ ছিল। 12.2% শিক্ষার্থী উল্লেখ করেছেন যে LS বেশ ভারসাম্যপূর্ণ (সারণী 4)। আটটি প্রধান LS ছাড়াও, ইউনিভার্সিটি অফ মালায়ার ডেন্টাল শিক্ষার্থীদের জন্য LS শ্রেণিবিন্যাসের 34টি সংমিশ্রণ রয়েছে। এদের মধ্যে, উপলব্ধি, দৃষ্টি, এবং উপলব্ধি ও দৃষ্টির সংমিশ্রণ হল শিক্ষার্থীদের দ্বারা উল্লিখিত প্রধান LS (চিত্র 7)।
সারণি ৪ থেকে দেখা যায়, অধিকাংশ শিক্ষার্থীর শেখার প্রধান উপায় ছিল সংবেদী (১৩.৭%) বা চাক্ষুষ (৮.৬%)। জানা গেছে যে, ১২.২% শিক্ষার্থী উপলব্ধি ও দৃষ্টির সমন্বয়ে (উপলব্ধিমূলক-চাক্ষুষ) শেখার পদ্ধতি ব্যবহার করে। এই ফলাফলগুলো থেকে বোঝা যায় যে, শিক্ষার্থীরা প্রতিষ্ঠিত পদ্ধতির মাধ্যমে শিখতে ও মনে রাখতে পছন্দ করে, নির্দিষ্ট ও বিস্তারিত কার্যপ্রণালী অনুসরণ করে এবং স্বভাবগতভাবে মনোযোগী হয়। একই সাথে, তারা দেখে দেখে (চিত্র ইত্যাদি ব্যবহার করে) শিখতে উপভোগ করে এবং দলে বা একা একা তথ্য নিয়ে আলোচনা ও তা প্রয়োগ করতে আগ্রহী হয়।
এই গবেষণাপত্রটি ডেটা মাইনিং-এ ব্যবহৃত মেশিন লার্নিং কৌশলগুলির একটি সার্বিক ধারণা প্রদান করে, যার মূল লক্ষ্য হলো শিক্ষার্থীদের জীবন-অভিজ্ঞতা (LS) তাৎক্ষণিকভাবে ও নির্ভুলভাবে পূর্বাভাস দেওয়া এবং উপযুক্ত তথ্য ব্যবস্থা (IS) সুপারিশ করা। একটি ডিসিশন ট্রি মডেলের প্রয়োগের মাধ্যমে তাদের জীবন ও শিক্ষাগত অভিজ্ঞতার সাথে সবচেয়ে ঘনিষ্ঠভাবে সম্পর্কিত উপাদানগুলি শনাক্ত করা হয়েছে। এটি একটি সুপারভাইজড মেশিন লার্নিং অ্যালগরিদম যা একটি ট্রি কাঠামো ব্যবহার করে নির্দিষ্ট কিছু মানদণ্ডের উপর ভিত্তি করে ডেটার একটি সেটকে উপশ্রেণিতে বিভক্ত করে ডেটাকে শ্রেণিবদ্ধ করে। এটি প্রতিটি অভ্যন্তরীণ নোডের ইনপুট বৈশিষ্ট্যগুলির একটির মানের উপর ভিত্তি করে ইনপুট ডেটাকে পুনরাবৃত্তিমূলকভাবে উপসেটে বিভক্ত করার মাধ্যমে কাজ করে, যতক্ষণ না লিফ নোডে একটি সিদ্ধান্ত গৃহীত হয়।
ডিসিশন ট্রি-এর অভ্যন্তরীণ নোডগুলো m-ILS সমস্যার ইনপুট বৈশিষ্ট্যের উপর ভিত্তি করে সমাধানকে উপস্থাপন করে, এবং লিফ নোডগুলো চূড়ান্ত LS ক্লাসিফিকেশন প্রেডিকশনকে উপস্থাপন করে। এই গবেষণা জুড়ে, ইনপুট ফিচার এবং আউটপুট প্রেডিকশনের মধ্যকার সম্পর্ক পর্যবেক্ষণের মাধ্যমে ডিসিশন ট্রি-এর স্তরবিন্যাস সহজেই বোঝা যায়, যা সিদ্ধান্ত গ্রহণ প্রক্রিয়াকে ব্যাখ্যা ও দৃশ্যমান করে।
কম্পিউটার বিজ্ঞান এবং প্রকৌশলের ক্ষেত্রে, শিক্ষার্থীদের প্রবেশিকা পরীক্ষার স্কোর [21], জনসংখ্যার তথ্য এবং শেখার আচরণের [22] উপর ভিত্তি করে তাদের কর্মক্ষমতা ভবিষ্যদ্বাণী করার জন্য মেশিন লার্নিং অ্যালগরিদম ব্যাপকভাবে ব্যবহৃত হয়। গবেষণায় দেখা গেছে যে অ্যালগরিদম সঠিকভাবে শিক্ষার্থীদের কর্মক্ষমতা ভবিষ্যদ্বাণী করেছে এবং একাডেমিক সমস্যার ঝুঁকিতে থাকা শিক্ষার্থীদের সনাক্ত করতে সহায়তা করেছে।
দন্ত প্রশিক্ষণের জন্য ভার্চুয়াল রোগী সিমুলেটর তৈরিতে এমএল অ্যালগরিদমের প্রয়োগের কথা উল্লেখ করা হয়েছে। সিমুলেটরটি বাস্তব রোগীদের শারীরবৃত্তীয় প্রতিক্রিয়া সঠিকভাবে পুনরুৎপাদন করতে সক্ষম এবং দন্ত শিক্ষার্থীদের একটি নিরাপদ ও নিয়ন্ত্রিত পরিবেশে প্রশিক্ষণ দিতে ব্যবহার করা যেতে পারে [23]। আরও বেশ কিছু গবেষণায় দেখা গেছে যে মেশিন লার্নিং অ্যালগরিদম দন্ত ও চিকিৎসা শিক্ষা এবং রোগীর যত্নের গুণমান ও কার্যকারিতা উন্নত করতে পারে। লক্ষণ এবং রোগীর বৈশিষ্ট্যের মতো ডেটা সেটের উপর ভিত্তি করে দাঁতের রোগ নির্ণয়ে সহায়তা করার জন্য মেশিন লার্নিং অ্যালগরিদম ব্যবহার করা হয়েছে [24, 25]। অন্যদিকে, অন্যান্য গবেষণায় রোগীর ফলাফল পূর্বাভাস, উচ্চ-ঝুঁকিপূর্ণ রোগী শনাক্তকরণ, ব্যক্তিগতকৃত চিকিৎসা পরিকল্পনা তৈরি [26], পেরিওডন্টাল চিকিৎসা [27], এবং ক্যারিস চিকিৎসা [25]-এর মতো কাজ সম্পাদনের জন্য মেশিন লার্নিং অ্যালগরিদমের ব্যবহার অন্বেষণ করা হয়েছে।
যদিও দন্তচিকিৎসায় মেশিন লার্নিংয়ের প্রয়োগ নিয়ে প্রতিবেদন প্রকাশিত হয়েছে, দন্তশিক্ষায় এর প্রয়োগ সীমিতই রয়ে গেছে। তাই, এই গবেষণার লক্ষ্য ছিল একটি ডিসিশন ট্রি মডেল ব্যবহার করে দন্ত শিক্ষার্থীদের মধ্যে জীবন দক্ষতা (LS) এবং তথ্য দক্ষতার (IS) সাথে সবচেয়ে ঘনিষ্ঠভাবে সম্পর্কিত উপাদানগুলো শনাক্ত করা।
এই গবেষণার ফলাফল দেখায় যে উন্নত সুপারিশ সরঞ্জামটির উচ্চ নির্ভুলতা এবং নিখুঁত নির্ভুলতা রয়েছে, যা ইঙ্গিত করে যে শিক্ষকরা এই সরঞ্জামটি থেকে উপকৃত হতে পারেন। একটি ডেটা-চালিত শ্রেণিবিন্যাস প্রক্রিয়া ব্যবহার করে, এটি ব্যক্তিগতকৃত সুপারিশ প্রদান করতে পারে এবং শিক্ষক ও শিক্ষার্থীদের জন্য শিক্ষাগত অভিজ্ঞতা এবং ফলাফল উন্নত করতে পারে। এর মধ্যে, সুপারিশ সরঞ্জামগুলির মাধ্যমে প্রাপ্ত তথ্য শিক্ষকদের পছন্দের শিক্ষণ পদ্ধতি এবং শিক্ষার্থীদের শেখার চাহিদার মধ্যেকার দ্বন্দ্ব সমাধান করতে পারে। উদাহরণস্বরূপ, সুপারিশ সরঞ্জামগুলির স্বয়ংক্রিয় আউটপুটের কারণে, একজন শিক্ষার্থীর আইপি (IP) শনাক্ত করতে এবং এটিকে সংশ্লিষ্ট আইপি-এর সাথে মেলাতে প্রয়োজনীয় সময় উল্লেখযোগ্যভাবে হ্রাস পাবে। এইভাবে, উপযুক্ত প্রশিক্ষণ কার্যক্রম এবং প্রশিক্ষণ সামগ্রী সংগঠিত করা যেতে পারে। এটি শিক্ষার্থীদের ইতিবাচক শেখার আচরণ এবং মনোযোগ দেওয়ার ক্ষমতা বিকাশে সহায়তা করে। একটি গবেষণায় বলা হয়েছে যে শিক্ষার্থীদের তাদের পছন্দের এলএস (LS)-এর সাথে মেলে এমন শেখার সামগ্রী এবং শেখার কার্যক্রম সরবরাহ করা শিক্ষার্থীদের বিভিন্ন উপায়ে শেখাকে একীভূত করতে, প্রক্রিয়া করতে এবং উপভোগ করতে সাহায্য করতে পারে যাতে তারা বৃহত্তর সম্ভাবনা অর্জন করতে পারে [12]। গবেষণা আরও দেখায় যে শ্রেণীকক্ষে শিক্ষার্থীদের অংশগ্রহণ উন্নত করার পাশাপাশি, শিক্ষার্থীদের শেখার প্রক্রিয়া বোঝা শিক্ষণ পদ্ধতি এবং শিক্ষার্থীদের সাথে যোগাযোগ উন্নত করতেও একটি গুরুত্বপূর্ণ ভূমিকা পালন করে [28, 29]।
তবে, যেকোনো আধুনিক প্রযুক্তির মতোই এরও কিছু সমস্যা ও সীমাবদ্ধতা রয়েছে। এর মধ্যে রয়েছে ডেটার গোপনীয়তা, পক্ষপাত ও ন্যায্যতা সম্পর্কিত সমস্যা এবং দন্তচিকিৎসা শিক্ষায় মেশিন লার্নিং অ্যালগরিদম তৈরি ও প্রয়োগের জন্য প্রয়োজনীয় পেশাগত দক্ষতা ও সম্পদের মতো বিষয়গুলো। তবে, এই ক্ষেত্রে ক্রমবর্ধমান আগ্রহ এবং গবেষণা থেকে বোঝা যায় যে, মেশিন লার্নিং প্রযুক্তি দন্তচিকিৎসা শিক্ষা এবং দন্তসেবার উপর ইতিবাচক প্রভাব ফেলতে পারে।
এই গবেষণার ফলাফল ইঙ্গিত করে যে অর্ধেক দন্তচিকিৎসা শিক্ষার্থীর মধ্যে "উপলব্ধি" করার প্রবণতা রয়েছে। এই ধরণের শিক্ষার্থীরা তথ্য এবং বাস্তব উদাহরণ পছন্দ করে, তাদের মধ্যে একটি ব্যবহারিক দৃষ্টিভঙ্গি, বিস্তারিত জানার জন্য ধৈর্য এবং একটি "চাক্ষুষ" শিখন পদ্ধতির (LS) প্রতি ঝোঁক দেখা যায়, যেখানে শিক্ষার্থীরা ধারণা এবং চিন্তাভাবনা প্রকাশ করার জন্য ছবি, গ্রাফিক্স, রঙ এবং মানচিত্র ব্যবহার করতে পছন্দ করে। বর্তমান ফলাফলগুলি দন্তচিকিৎসা এবং চিকিৎসা বিজ্ঞানের শিক্ষার্থীদের শিখন পদ্ধতি (LS) মূল্যায়নের জন্য ILS ব্যবহার করে করা অন্যান্য গবেষণার সাথে সামঞ্জস্যপূর্ণ, যাদের বেশিরভাগের মধ্যেই উপলব্ধিমূলক এবং চাক্ষুষ শিখন পদ্ধতির বৈশিষ্ট্য রয়েছে [12, 30]। ডালমোলিন এবং অন্যান্যরা পরামর্শ দেন যে শিক্ষার্থীদের তাদের শিখন পদ্ধতি সম্পর্কে অবহিত করা হলে তারা তাদের শেখার সম্ভাবনায় পৌঁছাতে পারে। গবেষকরা যুক্তি দেন যে শিক্ষকরা যখন শিক্ষার্থীদের শিক্ষণ প্রক্রিয়া সম্পূর্ণরূপে বুঝতে পারেন, তখন বিভিন্ন শিক্ষণ পদ্ধতি এবং কার্যক্রম প্রয়োগ করা যেতে পারে যা শিক্ষার্থীদের কর্মক্ষমতা এবং শেখার অভিজ্ঞতা উন্নত করবে [12, 31, 32]। অন্যান্য গবেষণায় দেখা গেছে যে শিক্ষার্থীদের শিখন পদ্ধতি তাদের নিজস্ব শিখন পদ্ধতির সাথে সামঞ্জস্যপূর্ণ করার পর, তাদের শিখন পদ্ধতি পরিবর্তন করে শিক্ষার্থীদের শেখার অভিজ্ঞতা এবং কর্মক্ষমতার উন্নতি ঘটানো সম্ভব [13, 33]।
শিক্ষার্থীদের শেখার ক্ষমতার উপর ভিত্তি করে শিক্ষণ কৌশল বাস্তবায়নের বিষয়ে শিক্ষকদের মতামত ভিন্ন হতে পারে। যদিও কেউ কেউ এই পদ্ধতির সুবিধাগুলি দেখতে পান, যার মধ্যে রয়েছে পেশাগত উন্নয়নের সুযোগ, পরামর্শদান এবং সামাজিক সমর্থন, অন্যরা সময় এবং প্রাতিষ্ঠানিক সমর্থন নিয়ে চিন্তিত হতে পারেন। শিক্ষার্থী-কেন্দ্রিক মনোভাব তৈরির জন্য ভারসাম্য বজায় রাখার চেষ্টা করা অপরিহার্য। উচ্চশিক্ষা কর্তৃপক্ষ, যেমন বিশ্ববিদ্যালয় প্রশাসকগণ, উদ্ভাবনী অনুশীলন প্রবর্তন এবং অনুষদ উন্নয়নে সহায়তা করার মাধ্যমে ইতিবাচক পরিবর্তন আনতে গুরুত্বপূর্ণ ভূমিকা পালন করতে পারেন [34]। একটি সত্যিকারের গতিশীল এবং প্রতিক্রিয়াশীল উচ্চশিক্ষা ব্যবস্থা তৈরি করতে, নীতি নির্ধারকদের সাহসী পদক্ষেপ নিতে হবে, যেমন নীতি পরিবর্তন করা, প্রযুক্তি একীকরণে সম্পদ উৎসর্গ করা এবং শিক্ষার্থী-কেন্দ্রিক পদ্ধতিকে উৎসাহিত করে এমন কাঠামো তৈরি করা। এই পদক্ষেপগুলি কাঙ্ক্ষিত ফলাফল অর্জনের জন্য অত্যন্ত গুরুত্বপূর্ণ। ভিন্নধর্মী নির্দেশনার উপর সাম্প্রতিক গবেষণা স্পষ্টভাবে দেখিয়েছে যে ভিন্নধর্মী নির্দেশনার সফল বাস্তবায়নের জন্য শিক্ষকদের জন্য চলমান প্রশিক্ষণ এবং উন্নয়নের সুযোগ প্রয়োজন [35]।
এই টুলটি সেইসব দন্তচিকিৎসা শিক্ষাবিদদের মূল্যবান সহায়তা প্রদান করে, যারা শিক্ষার্থী-কেন্দ্রিক দৃষ্টিভঙ্গি নিয়ে শিক্ষার্থীবান্ধব শিক্ষণ কার্যক্রমের পরিকল্পনা করতে চান। তবে, এই গবেষণাটি ডিসিশন ট্রি এমএল মডেলের ব্যবহারের মধ্যেই সীমাবদ্ধ। ভবিষ্যতে, বিভিন্ন মেশিন লার্নিং মডেলের পারফরম্যান্স তুলনা করতে এবং সুপারিশ টুলগুলোর নির্ভুলতা, নির্ভরযোগ্যতা ও যথার্থতা যাচাই করতে আরও ডেটা সংগ্রহ করা উচিত। এছাড়াও, কোনো নির্দিষ্ট কাজের জন্য সবচেয়ে উপযুক্ত মেশিন লার্নিং পদ্ধতি বেছে নেওয়ার সময় মডেলের জটিলতা এবং ব্যাখ্যার মতো অন্যান্য বিষয়গুলোও বিবেচনা করা গুরুত্বপূর্ণ।
এই গবেষণার একটি সীমাবদ্ধতা হলো, এটি শুধুমাত্র দন্তচিকিৎসা শিক্ষার্থীদের মধ্যে এলএস (LS) এবং আইএস (IS) ম্যাপিংয়ের উপর দৃষ্টি নিবদ্ধ করেছে। সুতরাং, তৈরি করা সুপারিশ ব্যবস্থাটি কেবল দন্তচিকিৎসা শিক্ষার্থীদের জন্য উপযুক্ত বিষয়গুলোই সুপারিশ করবে। সাধারণ উচ্চশিক্ষার শিক্ষার্থীদের ব্যবহারের জন্য এতে পরিবর্তন আনা প্রয়োজন।
নতুন বিকশিত মেশিন লার্নিং-ভিত্তিক সুপারিশ টুলটি শিক্ষার্থীদের জীবন দক্ষতা (LS) এবং সংশ্লিষ্ট তথ্য ব্যবস্থা (IS) তাৎক্ষণিকভাবে শ্রেণিবদ্ধ ও মেলানোর ক্ষমতা রাখে, যা এটিকে প্রথম দন্ত শিক্ষা প্রোগ্রামে পরিণত করেছে যা দন্ত শিক্ষাবিদদের প্রাসঙ্গিক শিক্ষণ ও শিখন কার্যক্রম পরিকল্পনা করতে সহায়তা করে। একটি ডেটা-চালিত বাছাই প্রক্রিয়া ব্যবহার করে, এটি ব্যক্তিগতকৃত সুপারিশ প্রদান করতে, সময় বাঁচাতে, শিক্ষণ কৌশল উন্নত করতে, নির্দিষ্ট হস্তক্ষেপকে সমর্থন করতে এবং চলমান পেশাগত উন্নয়নকে উৎসাহিত করতে পারে। এর প্রয়োগ দন্ত শিক্ষায় শিক্ষার্থী-কেন্দ্রিক পদ্ধতির প্রসার ঘটাবে।
গিলাক জানি, অ্যাসোসিয়েটেড প্রেস। শিক্ষার্থীর শেখার ধরণ এবং শিক্ষকের শেখানোর ধরনের মধ্যে মিল বা অমিল। ইন্টারন্যাশনাল জার্নাল অফ মডার্ন এডুকেশন অ্যান্ড কম্পিউটার সায়েন্স। 2012;4(11):51–60। https://doi.org/10.5815/ijmecs.2012.11.05