ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸುವ ಕೆನಡಾದ ದೃಷ್ಟಿಕೋನ

ನೇಚರ್.ಕಾಮ್ಗೆ ಭೇಟಿ ನೀಡಿದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ ಸಿಎಸ್ಎಸ್ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡುವುದು). ಈ ಮಧ್ಯೆ, ನಡೆಯುತ್ತಿರುವ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಕ್ಲಿನಿಕಲ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (ಎಐ) ನ ಅನ್ವಯಗಳು ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿವೆ, ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೈದ್ಯಕೀಯ ಶಾಲಾ ಪಠ್ಯಕ್ರಮವು ಈ ಪ್ರದೇಶವನ್ನು ಒಳಗೊಂಡ ಸೀಮಿತ ಬೋಧನೆಯನ್ನು ನೀಡುತ್ತದೆ. ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮತ್ತು ತಲುಪಿಸಿದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತರಬೇತಿ ಕೋರ್ಸ್ ಅನ್ನು ಇಲ್ಲಿ ನಾವು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಭವಿಷ್ಯದ ತರಬೇತಿಗಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
Medicine ಷಧದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಎಐ) ಕೆಲಸದ ಸ್ಥಳದ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು, ವೈದ್ಯರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರಬೇಕು. ಎಐ ಮಾದರಿಗಳನ್ನು ವಿವರಿಸುವುದು ಮತ್ತು ಪರಿಶೀಲನಾ ಪ್ರಕ್ರಿಯೆಗಳು 2 ನಂತಹ ಎಐ ಕಾನ್ಸೆಪ್ಟ್ಸ್ 1 ಅನ್ನು ಕಲಿಸಲು ಅನೇಕ ಕಾಮೆಂಟ್‌ಗಳು ಸಲಹೆ ನೀಡುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಕೆಲವು ರಚನಾತ್ಮಕ ಯೋಜನೆಗಳನ್ನು ಜಾರಿಗೆ ತರಲಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ರಾಷ್ಟ್ರೀಯ ಮಟ್ಟದಲ್ಲಿ. ಪಿಂಟೊ ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್ ಮತ್ತು ಇತರರು .3. 263 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಸಮೀಕ್ಷೆ ಮಾಡಲಾಯಿತು ಮತ್ತು 71% ಜನರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ತರಬೇತಿ ಬೇಕು ಎಂದು ಒಪ್ಪಿಕೊಂಡರು. ವೈದ್ಯಕೀಯ ಪ್ರೇಕ್ಷಕರಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸಲು ಎಚ್ಚರಿಕೆಯಿಂದ ವಿನ್ಯಾಸದ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅದು ವ್ಯಾಪಕವಾದ ಪೂರ್ವ ಜ್ಞಾನವನ್ನು ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಾಂತ್ರಿಕ ಮತ್ತು ತಾಂತ್ರಿಕೇತರ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಎಐ ಕಾರ್ಯಾಗಾರಗಳ ಸರಣಿಯನ್ನು ಮೂರು ಗುಂಪುಗಳ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಲುಪಿಸುವ ನಮ್ಮ ಅನುಭವವನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಎಐನಲ್ಲಿ ಭವಿಷ್ಯದ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಮೆಡಿಸಿನ್ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ನಮ್ಮ ಐದು ವಾರಗಳ ಪರಿಚಯ ಫೆಬ್ರವರಿ 2019 ಮತ್ತು ಏಪ್ರಿಲ್ 2021 ರ ನಡುವೆ ಮೂರು ಬಾರಿ ನಡೆಯಿತು. ಪ್ರತಿ ಕಾರ್ಯಾಗಾರದ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಕೋರ್ಸ್‌ನಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆಯೊಂದಿಗೆ ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ನಮ್ಮ ಕೋರ್ಸ್ ಹೊಂದಿದೆ ಮೂರು ಪ್ರಾಥಮಿಕ ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳು: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿದ್ಯಾರ್ಥಿಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ, ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಹಿತ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತಾರೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಸಹಕರಿಸುವ ಅವಕಾಶಗಳ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತಾರೆ.
ನೀಲಿ ಬಣ್ಣವು ಉಪನ್ಯಾಸದ ವಿಷಯವಾಗಿದೆ ಮತ್ತು ತಿಳಿ ನೀಲಿ ಎಂಬುದು ಸಂವಾದಾತ್ಮಕ ಪ್ರಶ್ನೆ ಮತ್ತು ಉತ್ತರ ಅವಧಿ. ಬೂದು ವಿಭಾಗವು ಸಂಕ್ಷಿಪ್ತ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯ ಕೇಂದ್ರಬಿಂದುವಾಗಿದೆ. ಆರೆಂಜ್ ವಿಭಾಗಗಳನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳು ಅಥವಾ ತಂತ್ರಗಳನ್ನು ವಿವರಿಸುವ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. ಗ್ರೀನ್ ಎನ್ನುವುದು ಕ್ಲಿನಿಕಲ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕೋರ್ಸ್ ಆಗಿದೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಅಗತ್ಯಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿ ಕಾರ್ಯಾಗಾರಗಳ ವಿಷಯ ಮತ್ತು ಅವಧಿಯು ಬದಲಾಗುತ್ತದೆ.
ಮೊದಲ ಕಾರ್ಯಾಗಾರವನ್ನು ಫೆಬ್ರವರಿ ನಿಂದ 2019 ರವರೆಗೆ ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ನಡೆಸಲಾಯಿತು, ಮತ್ತು ಎಲ್ಲಾ 8 ಭಾಗವಹಿಸುವವರು ಸಕಾರಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿದರು. ಕೋವಿಡ್ -19 ಕಾರಣದಿಂದಾಗಿ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವನ್ನು ಅಕ್ಟೋಬರ್-ನವೆಂಬರ್ 2020 ರಲ್ಲಿ ನಡೆಸಲಾಯಿತು, 222 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು 8 ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳ 3 ನಿವಾಸಿಗಳು ನೋಂದಾಯಿಸಿಕೊಂಡಿದ್ದಾರೆ. ಪ್ರಸ್ತುತಿ ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಮುಕ್ತ ಪ್ರವೇಶ ಸೈಟ್‌ಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಲಾಗಿದೆ (http://ubcaimed.github.io). ಮೊದಲ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆ ಎಂದರೆ ಉಪನ್ಯಾಸಗಳು ತುಂಬಾ ತೀವ್ರವಾಗಿವೆ ಮತ್ತು ವಸ್ತುವು ಸೈದ್ಧಾಂತಿಕವಾಗಿದೆ. ಕೆನಡಾದ ಆರು ವಿಭಿನ್ನ ಸಮಯ ವಲಯಗಳಿಗೆ ಸೇವೆ ಸಲ್ಲಿಸುವುದು ಹೆಚ್ಚುವರಿ ಸವಾಲುಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವು ಪ್ರತಿ ಅಧಿವೇಶನವನ್ನು 1 ಗಂಟೆಗೆ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿತು, ಕೋರ್ಸ್ ವಸ್ತುಗಳನ್ನು ಸರಳೀಕರಿಸಿತು, ಹೆಚ್ಚಿನ ಕೇಸ್ ಸ್ಟಡಿಗಳನ್ನು ಸೇರಿಸಿತು ಮತ್ತು ಬಾಯ್ಲರ್ ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ರಚಿಸಿತು, ಇದು ಭಾಗವಹಿಸುವವರಿಗೆ ಕನಿಷ್ಠ ಡೀಬಗ್ (ಬಾಕ್ಸ್ 1) ನೊಂದಿಗೆ ಕೋಡ್ ತುಣುಕುಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು. ಎರಡನೆಯ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆಯು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮಗಳ ಬಗ್ಗೆ ಸಕಾರಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಯೋಜನೆಯ ಯೋಜನೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವ ವಿನಂತಿಯನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಆದ್ದರಿಂದ, ನಮ್ಮ ಮೂರನೇ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ, ಮಾರ್ಚ್-ಏಪ್ರಿಲ್ 2021 ರಲ್ಲಿ 126 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ವಾಸ್ತವಿಕವಾಗಿ ನಡೆಸಲ್ಪಟ್ಟಿದೆ, ಯೋಜನೆಗಳ ಮೇಲೆ ಕಾರ್ಯಾಗಾರದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸುವ ಪರಿಣಾಮವನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಾವು ಹೆಚ್ಚು ಸಂವಾದಾತ್ಮಕ ಕೋಡಿಂಗ್ ವ್ಯಾಯಾಮಗಳು ಮತ್ತು ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರತಿಕ್ರಿಯೆ ಅವಧಿಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.
ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ: ದತ್ತಾಂಶ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು, ಸಂಸ್ಕರಿಸುವುದು ಮತ್ತು ಸಂವಹನ ಮಾಡುವ ಮೂಲಕ ದತ್ತಾಂಶದಲ್ಲಿನ ಅರ್ಥಪೂರ್ಣ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಅಂಕಿಅಂಶಗಳಲ್ಲಿನ ಅಧ್ಯಯನದ ಕ್ಷೇತ್ರ.
ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ: ಡೇಟಾವನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ಹೊರತೆಗೆಯುವ ಪ್ರಕ್ರಿಯೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ಇದು ಹೆಚ್ಚಾಗಿ ದೊಡ್ಡದಾಗಿದೆ, ಪ್ರತಿ ಸ್ಯಾಂಪಲ್‌ಗೆ ಅನೇಕ ಅಸ್ಥಿರಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಆಯಾಮದ ಕಡಿತ: ಮೂಲ ಡೇಟಾ ಸೆಟ್ನ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂರಕ್ಷಿಸುವಾಗ ಅನೇಕ ವೈಯಕ್ತಿಕ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಕಡಿಮೆ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ.
ಗುಣಲಕ್ಷಣಗಳು (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಮಾದರಿಯ ಅಳೆಯಬಹುದಾದ ಗುಣಲಕ್ಷಣಗಳು. ಸಾಮಾನ್ಯವಾಗಿ “ಆಸ್ತಿ” ಅಥವಾ “ವೇರಿಯಬಲ್” ನೊಂದಿಗೆ ಪರಸ್ಪರ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
ಗ್ರೇಡಿಯಂಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳನ್ನು (ವಿಶೇಷವಾಗಿ ಕನ್ವಿಲ್ಯೂಶನಲ್ ನ್ಯೂರಾಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು) ವ್ಯಾಖ್ಯಾನಿಸಲು ಬಳಸುವ ತಂತ್ರ, ಇದು ಹೆಚ್ಚು ಮುನ್ಸೂಚಕ ಡೇಟಾ ಅಥವಾ ಚಿತ್ರಗಳ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ನೆಟ್‌ವರ್ಕ್‌ನ ಕೊನೆಯ ಭಾಗವನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ.
ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮಾಡೆಲ್: ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಎಐ ಮಾದರಿ ಇದೇ ರೀತಿಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮೊದಲೇ ತರಬೇತಿ ಪಡೆದಿದೆ.
ಪರೀಕ್ಷೆ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಒಂದು ಮಾದರಿಯು ಮೊದಲು ಎದುರಿಸದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು.
ತರಬೇತಿ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಡೇಟಾ ಮತ್ತು ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಒದಗಿಸುವುದರಿಂದ ಮಾದರಿಯು ಹೊಸ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಅದರ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ.
ವೆಕ್ಟರ್: ಡೇಟಾದ ಶ್ರೇಣಿ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಪ್ರತಿ ರಚನೆಯ ಅಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಮಾದರಿಯ ವಿಶಿಷ್ಟ ಲಕ್ಷಣವಾಗಿದೆ.
ಪ್ರತಿ ವಿಷಯದ ಉದ್ದೇಶಿತ ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಏಪ್ರಿಲ್ 2021 ರ ಇತ್ತೀಚಿನ ಕೋರ್ಸ್‌ಗಳನ್ನು ಟೇಬಲ್ 1 ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ. ಈ ಕಾರ್ಯಾಗಾರವು ತಾಂತ್ರಿಕ ಮಟ್ಟಕ್ಕೆ ಹೊಸದಾದವರಿಗೆ ಉದ್ದೇಶಿಸಲಾಗಿದೆ ಮತ್ತು ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಪದವಿಯ ಮೊದಲ ವರ್ಷವನ್ನು ಮೀರಿ ಯಾವುದೇ ಗಣಿತ ಜ್ಞಾನದ ಅಗತ್ಯವಿಲ್ಲ. ಕೋರ್ಸ್ ಅನ್ನು 6 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು 3 ಶಿಕ್ಷಕರು ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಸುಧಾರಿತ ಪದವಿಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಎಂಜಿನಿಯರ್‌ಗಳು ಕಲಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಿದ್ಧಾಂತವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಂಬಂಧಿತ ವಸ್ತುಗಳನ್ನು ಕಲಿಯುತ್ತಿದ್ದಾರೆ.
ಕಾರ್ಯಾಗಾರಗಳಲ್ಲಿ ಉಪನ್ಯಾಸಗಳು, ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮತ್ತು ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸೇರಿವೆ. ಮೊದಲ ಉಪನ್ಯಾಸದಲ್ಲಿ, ಡೇಟಾ ದೃಶ್ಯೀಕರಣ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಮತ್ತು ಅನುಗಮನದ ಅಂಕಿಅಂಶಗಳ ಹೋಲಿಕೆ ಸೇರಿದಂತೆ ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ಆಯ್ದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ. ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅಡಿಪಾಯವಾಗಿದ್ದರೂ, ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ, ಮಹತ್ವ ಪರೀಕ್ಷೆ ಅಥವಾ ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯೀಕರಣದಂತಹ ವಿಷಯಗಳನ್ನು ನಾವು ಹೊರಗಿಡುತ್ತೇವೆ. ಇದು ಸಮಯದ ನಿರ್ಬಂಧಗಳಿಂದಾಗಿ ಮತ್ತು ಕೆಲವು ಪದವಿಪೂರ್ವ ವಿದ್ಯಾರ್ಥಿಗಳು ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿ ಮೊದಲಿನ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದ್ದರು ಮತ್ತು ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ಯಂತ್ರ ಕಲಿಕೆ ವಿಷಯಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಬಯಸಿದ್ದರು. ನಂತರದ ಉಪನ್ಯಾಸವು ಆಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ ಮತ್ತು AI ಸಮಸ್ಯೆ ಸೂತ್ರೀಕರಣ, AI ಮಾದರಿಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು ಮತ್ತು ಮಾದರಿ ಪರೀಕ್ಷೆಯನ್ನು ಚರ್ಚಿಸುತ್ತದೆ. ಉಪನ್ಯಾಸಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಬಗ್ಗೆ ಸಾಹಿತ್ಯ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆಗಳಿಂದ ಪೂರಕವಾಗಿದೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಮಿತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸೇರಿದಂತೆ ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮಾದರಿಯ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅಗತ್ಯವಾದ ಕೌಶಲ್ಯಗಳನ್ನು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ಕುಪ್ಪರ್‌ಮ್ಯಾನ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ಮಕ್ಕಳ ತಲೆ ಗಾಯದ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕೇಳಿದ್ದೇವೆ, ಇದು ವೈದ್ಯರ ಪರೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ ಸಿಟಿ ಸ್ಕ್ಯಾನ್ ಉಪಯುಕ್ತವಾಗಿದೆಯೆ ಎಂದು ನಿರ್ಧರಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನಿರ್ಧಾರ ಟ್ರೀ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಜಾರಿಗೆ ತಂದಿತು. ವೈದ್ಯರನ್ನು ಬದಲಿಸುವ ಬದಲು ವೈದ್ಯರಿಗೆ ವ್ಯಾಖ್ಯಾನಿಸಲು ಮುನ್ಸೂಚಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಎಐ ಒದಗಿಸುವ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯಾಗಿದೆ ಎಂದು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ.
ಲಭ್ಯವಿರುವ ಓಪನ್ ಸೋರ್ಸ್ ಬೂಟ್‌ಸ್ಟ್ರಾಪ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ಪರಿಶೋಧನಾ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ, ಆಯಾಮದ ಕಡಿತ, ಪ್ರಮಾಣಿತ ಮಾದರಿ ಲೋಡಿಂಗ್ ಮತ್ತು ತರಬೇತಿಯನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ . ಮತ್ತು ಪರೀಕ್ಷೆ. ನಾವು ಗೂಗಲ್ ಸಹಕಾರಿ ನೋಟ್‌ಬುಕ್‌ಗಳನ್ನು ಬಳಸುತ್ತೇವೆ (ಗೂಗಲ್ ಎಲ್ಎಲ್ ಸಿ, ಮೌಂಟೇನ್ ವ್ಯೂ, ಸಿಎ), ಇದು ವೆಬ್ ಬ್ರೌಸರ್‌ನಿಂದ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಅಂಜೂರದಲ್ಲಿ ಚಿತ್ರ 2 ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮದ ಉದಾಹರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ವ್ಯಾಯಾಮವು ವಿಸ್ಕಾನ್ಸಿನ್ ಓಪನ್ ಸ್ತನ ಇಮೇಜಿಂಗ್ ಡೇಟಾಸೆಟ್ 6 ಮತ್ತು ನಿರ್ಧಾರ ಟ್ರೀ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಮಾರಕತೆಗಳನ್ನು ting ಹಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಸಂಬಂಧಿತ ವಿಷಯಗಳ ಕುರಿತು ವಾರ ಪೂರ್ತಿ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ ಮತ್ತು ಪ್ರಕಟಿತ ಎಐ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಉದಾಹರಣೆಗಳನ್ನು ಆರಿಸಿ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅಂಶಗಳನ್ನು ಭವಿಷ್ಯದ ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದ ಬಗ್ಗೆ ಒಳನೋಟವನ್ನು ಒದಗಿಸಲು ಸಂಬಂಧಿತವೆಂದು ಪರಿಗಣಿಸಿದರೆ ಮಾತ್ರ ಸೇರಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಮಾದರಿಗಳು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಕೆಗೆ ಸಿದ್ಧವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು. ಈ ಉದಾಹರಣೆಗಳು ಪೂರ್ಣ ಪ್ರಮಾಣದ ಎಂಡ್-ಟು-ಎಂಡ್ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಅಂತ್ಯಗೊಳ್ಳುತ್ತವೆ, ಅದು ಗೆಡ್ಡೆಗಳನ್ನು ವೈದ್ಯಕೀಯ ಚಿತ್ರ ನಿಯತಾಂಕಗಳ ಆಧಾರದ ಮೇಲೆ ಹಾನಿಕರವಲ್ಲದ ಅಥವಾ ಮಾರಕ ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ.
ಪೂರ್ವ ಜ್ಞಾನದ ವೈವಿಧ್ಯತೆ. ನಮ್ಮ ಭಾಗವಹಿಸುವವರು ತಮ್ಮ ಗಣಿತ ಜ್ಞಾನದ ಮಟ್ಟದಲ್ಲಿ ವೈವಿಧ್ಯಮಯರು. ಉದಾಹರಣೆಗೆ, ಸುಧಾರಿತ ಎಂಜಿನಿಯರಿಂಗ್ ಹಿನ್ನೆಲೆ ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮದೇ ಆದ ಫೋರಿಯರ್ ರೂಪಾಂತರಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕು ಎಂಬಂತಹ ಹೆಚ್ಚು ಆಳವಾದ ವಸ್ತುಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ. ಆದಾಗ್ಯೂ, ತರಗತಿಯಲ್ಲಿ ಫೋರಿಯರ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಚರ್ಚಿಸುವುದು ಸಾಧ್ಯವಿಲ್ಲ ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯ ಆಳವಾದ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಹಾಜರಾತಿ ಹೊರಹರಿವು. ಅನುಸರಣಾ ಸಭೆಗಳಲ್ಲಿ ಹಾಜರಾತಿ ಕುಸಿಯಿತು, ವಿಶೇಷವಾಗಿ ಆನ್‌ಲೈನ್ ಸ್ವರೂಪಗಳಲ್ಲಿ. ಹಾಜರಾತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಮತ್ತು ಪೂರ್ಣಗೊಂಡ ಪ್ರಮಾಣಪತ್ರವನ್ನು ಒದಗಿಸುವುದು ಪರಿಹಾರವಾಗಿದೆ. ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಪಠ್ಯೇತರ ಶೈಕ್ಷಣಿಕ ಚಟುವಟಿಕೆಗಳ ಪ್ರತಿಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ, ಇದು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಪದವಿ ಪಡೆಯಲು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ.
ಕೋರ್ಸ್ ವಿನ್ಯಾಸ: ಎಐ ಅನೇಕ ಉಪಕ್ಷೇತ್ರಗಳನ್ನು ವ್ಯಾಪಿಸಿದೆ, ಸೂಕ್ತವಾದ ಆಳ ಮತ್ತು ಅಗಲದ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆರಿಸುವುದು ಸವಾಲಿನ ಸಂಗತಿಯಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಪ್ರಯೋಗಾಲಯದಿಂದ ಕ್ಲಿನಿಕ್‌ಗೆ AI ಪರಿಕರಗಳ ಬಳಕೆಯನ್ನು ನಿರಂತರತೆಯು ಒಂದು ಪ್ರಮುಖ ವಿಷಯವಾಗಿದೆ. ನಾವು ಡೇಟಾ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್, ಮಾದರಿ ಕಟ್ಟಡ ಮತ್ತು ation ರ್ಜಿತಗೊಳಿಸುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಿರುವಾಗ, ಬಿಗ್ ಡಾಟಾ ಅನಾಲಿಟಿಕ್ಸ್, ಇಂಟರ್ಯಾಕ್ಟಿವ್ ದೃಶ್ಯೀಕರಣ ಅಥವಾ ಎಐ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವಂತಹ ವಿಷಯಗಳನ್ನು ನಾವು ಸೇರಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ನಾವು ಅತ್ಯಂತ ವಿಶಿಷ್ಟವಾದ ಎಐ ಪರಿಕಲ್ಪನೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ. ನಮ್ಮ ಮಾರ್ಗದರ್ಶಿ ಸೂತ್ರವೆಂದರೆ ಸಾಕ್ಷರತೆಯನ್ನು ಸುಧಾರಿಸುವುದು, ಕೌಶಲ್ಯಗಳಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಮಾದರಿ ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಮುಖ್ಯವಾಗಿದೆ. ಇದನ್ನು ಮಾಡಲು ಒಂದು ಮಾರ್ಗವೆಂದರೆ ಗ್ರೇಡಿಯಂಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುವುದು, ಇದು ಡೇಟಾದ ಯಾವ ಪ್ರದೇಶಗಳನ್ನು able ಹಿಸಬಹುದಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಇದಕ್ಕೆ ಮಲ್ಟಿವೇರಿಯೇಟ್ ಕಲನಶಾಸ್ತ್ರದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಪರಿಚಯಿಸಲಾಗುವುದಿಲ್ಲ. ಗಣಿತದ formal ಪಚಾರಿಕತೆಯಿಲ್ಲದೆ ದತ್ತಾಂಶಗಳೊಂದಿಗೆ ವಾಹಕಗಳಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ನಾವು ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವುದರಿಂದ ಸಾಮಾನ್ಯ ಪರಿಭಾಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಸವಾಲಿನ ಸಂಗತಿಯಾಗಿದೆ. ವಿಭಿನ್ನ ಪದಗಳು ಒಂದೇ ಅರ್ಥವನ್ನು ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ, ಉದಾಹರಣೆಗೆ, ಸಾಂಕ್ರಾಮಿಕ ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ, “ಗುಣಲಕ್ಷಣ” ವನ್ನು “ವೇರಿಯಬಲ್” ಅಥವಾ “ಗುಣಲಕ್ಷಣ” ಎಂದು ವಿವರಿಸಲಾಗಿದೆ.
ಜ್ಞಾನ ಧಾರಣ. AI ಯ ಅನ್ವಯವು ಸೀಮಿತವಾಗಿರುವುದರಿಂದ, ಭಾಗವಹಿಸುವವರು ಜ್ಞಾನವನ್ನು ಎಷ್ಟು ಮಟ್ಟಿಗೆ ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ನೋಡಬೇಕಾಗಿದೆ. ವೈದ್ಯಕೀಯ ಶಾಲಾ ಪಠ್ಯಕ್ರಮವು ಪ್ರಾಯೋಗಿಕ ತಿರುಗುವಿಕೆಯ ಸಮಯದಲ್ಲಿ ಜ್ಞಾನವನ್ನು ಬಲಪಡಿಸಲು ಅಂತರದ ಪುನರಾವರ್ತನೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ, [9] ಇದನ್ನು ಎಐ ಶಿಕ್ಷಣಕ್ಕೂ ಅನ್ವಯಿಸಬಹುದು.
ಸಾಕ್ಷರತೆಗಿಂತ ವೃತ್ತಿಪರತೆ ಮುಖ್ಯವಾಗಿದೆ. ವಸ್ತುವಿನ ಆಳವನ್ನು ಗಣಿತದ ಕಠಿಣತೆಯಿಲ್ಲದೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಇದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಕೋರ್ಸ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ನಾವು ಟೆಂಪ್ಲೇಟ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಅದು ಭಾಗವಹಿಸುವವರಿಗೆ ಕ್ಷೇತ್ರಗಳನ್ನು ಭರ್ತಿ ಮಾಡಲು ಮತ್ತು ಸಂಪೂರ್ಣ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಸರವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು ಎಂದು ಕಂಡುಹಿಡಿಯದೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಚಲಾಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಕಳವಳಗಳು: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕೆಲವು ಕ್ಲಿನಿಕಲ್ ಕರ್ತವ್ಯಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದೆಂಬ ವ್ಯಾಪಕ ಆತಂಕವಿದೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಿಯಂತ್ರಕರು ಅನುಮೋದಿಸಿದ ಬಹುತೇಕ ಎಲ್ಲಾ ಎಐ ತಂತ್ರಜ್ಞಾನಗಳಿಗೆ ವೈದ್ಯರ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಎಂಬ ಅಂಶವನ್ನು ಒಳಗೊಂಡಂತೆ AI ಯ ಮಿತಿಗಳನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ. ನಾವು ಪಕ್ಷಪಾತದ ಮಹತ್ವವನ್ನು ಸಹ ಒತ್ತಿಹೇಳುತ್ತೇವೆ ಏಕೆಂದರೆ ಕ್ರಮಾವಳಿಗಳು ಪಕ್ಷಪಾತಕ್ಕೆ ಗುರಿಯಾಗುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಡೇಟಾ ಸೆಟ್ ವೈವಿಧ್ಯಮಯವಾಗದಿದ್ದರೆ. ಪರಿಣಾಮವಾಗಿ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಉಪಗುಂಪನ್ನು ತಪ್ಪಾಗಿ ರೂಪಿಸಬಹುದು, ಇದು ಅನ್ಯಾಯದ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.
ಸಂಪನ್ಮೂಲಗಳು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆ: ಉಪನ್ಯಾಸ ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಸೇರಿದಂತೆ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಾವು ರಚಿಸಿದ್ದೇವೆ. ಸಮಯ ವಲಯಗಳಿಂದಾಗಿ ಸಿಂಕ್ರೊನಸ್ ವಿಷಯಕ್ಕೆ ಪ್ರವೇಶವು ಸೀಮಿತವಾಗಿದ್ದರೂ, ಎಲ್ಲಾ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳಲ್ಲಿ ಎಐ ಪರಿಣತಿ ಲಭ್ಯವಿಲ್ಲದ ಕಾರಣ ಓಪನ್ ಸೋರ್ಸ್ ವಿಷಯವು ಅಸಮಕಾಲಿಕ ಕಲಿಕೆಗೆ ಅನುಕೂಲಕರ ವಿಧಾನವಾಗಿದೆ.
ಅಂತರಶಿಕ್ಷಣ ಸಹಯೋಗ: ಈ ಕಾರ್ಯಾಗಾರವು ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಕೋರ್ಸ್‌ಗಳನ್ನು ಯೋಜಿಸಲು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಾರಂಭಿಸಿದ ಜಂಟಿ ಉದ್ಯಮವಾಗಿದೆ. ಇದು ಎರಡೂ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಸಹಯೋಗದ ಅವಕಾಶಗಳು ಮತ್ತು ಜ್ಞಾನದ ಅಂತರವನ್ನು ತೋರಿಸುತ್ತದೆ, ಭಾಗವಹಿಸುವವರು ಭವಿಷ್ಯದಲ್ಲಿ ಅವರು ನೀಡಬಹುದಾದ ಸಂಭಾವ್ಯ ಪಾತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
AI ಕೋರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿವರಿಸಿ. ಸಾಮರ್ಥ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದರಿಂದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಮರ್ಥ್ಯ-ಆಧಾರಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸಂಯೋಜಿಸಬಹುದಾದ ಪ್ರಮಾಣೀಕೃತ ರಚನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಕಾರ್ಯಾಗಾರವು ಪ್ರಸ್ತುತ ಬ್ಲೂಮ್‌ನ ಜೀವಿವರ್ಗೀಕರಣ ಶಾಸ್ತ್ರದ ಕಲಿಕೆಯ ವಸ್ತುನಿಷ್ಠ ಮಟ್ಟಗಳು 2 (ಕಾಂಪ್ರಹೆನ್ಷನ್), 3 (ಅಪ್ಲಿಕೇಶನ್), ಮತ್ತು 4 (ವಿಶ್ಲೇಷಣೆ) ಅನ್ನು ಬಳಸುತ್ತದೆ. ಯೋಜನೆಗಳನ್ನು ರಚಿಸುವಂತಹ ಹೆಚ್ಚಿನ ಮಟ್ಟದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹೊಂದಿರುವುದು ಜ್ಞಾನವನ್ನು ಮತ್ತಷ್ಟು ಬಲಪಡಿಸುತ್ತದೆ. ಕ್ಲಿನಿಕಲ್ ಕೆಲಸದ ಹರಿವುಗಳಿಗೆ AI ವಿಷಯಗಳನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮತ್ತು ಪ್ರಮಾಣಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಈಗಾಗಲೇ ಸೇರಿಸಲಾದ ಪುನರಾವರ್ತಿತ ವಿಷಯಗಳ ಬೋಧನೆಯನ್ನು ತಡೆಯಲು ಕ್ಲಿನಿಕಲ್ ತಜ್ಞರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ.
AI ಬಳಸಿ ಕೇಸ್ ಸ್ಟಡಿಗಳನ್ನು ರಚಿಸಿ. ಕ್ಲಿನಿಕಲ್ ಉದಾಹರಣೆಗಳಂತೆಯೇ, ಕೇಸ್-ಆಧಾರಿತ ಕಲಿಕೆಯು ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಅವುಗಳ ಪ್ರಸ್ತುತತೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುವ ಮೂಲಕ ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಕಾರ್ಯಾಗಾರ ಅಧ್ಯಯನವು Google ನ AI- ಆಧಾರಿತ ಡಯಾಬಿಟಿಕ್ ರೆಟಿನೋಪತಿ ಪತ್ತೆ ವ್ಯವಸ್ಥೆ 13 ಅನ್ನು ಲ್ಯಾಬ್‌ನಿಂದ ಕ್ಲಿನಿಕ್‌ಗೆ ಹೋಗುವ ಹಾದಿಯಲ್ಲಿ ಸವಾಲುಗಳನ್ನು ಗುರುತಿಸಲು, ಬಾಹ್ಯ valid ರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಅವಶ್ಯಕತೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಕ ಅನುಮೋದನೆ ಮಾರ್ಗಗಳಂತಹ ವಿಶ್ಲೇಷಿಸಿದೆ.
ಪ್ರಾಯೋಗಿಕ ಕಲಿಕೆಯನ್ನು ಬಳಸಿ: ತಾಂತ್ರಿಕ ಕೌಶಲ್ಯಗಳು ಕ್ಲಿನಿಕಲ್ ತರಬೇತಿ ಪಡೆದವರ ತಿರುಗುವ ಕಲಿಕೆಯ ಅನುಭವಗಳಿಗೆ ಹೋಲುವ ಕೇಂದ್ರೀಕೃತ ಅಭ್ಯಾಸ ಮತ್ತು ಮಾಸ್ಟರ್ಗೆ ಪುನರಾವರ್ತಿತ ಅಪ್ಲಿಕೇಶನ್ ಅಗತ್ಯವಿರುತ್ತದೆ. ಒಂದು ಸಂಭಾವ್ಯ ಪರಿಹಾರವೆಂದರೆ ಫ್ಲಿಪ್ಡ್ ಕ್ಲಾಸ್‌ರೂಮ್ ಮಾದರಿ, ಇದು ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣ 14 ರಲ್ಲಿ ಜ್ಞಾನ ಧಾರಣವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಈ ಮಾದರಿಯಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸೈದ್ಧಾಂತಿಕ ವಸ್ತುವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ಕೇಸ್ ಸ್ಟಡಿಗಳ ಮೂಲಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ವರ್ಗ ಸಮಯವನ್ನು ಮೀಸಲಿಡಲಾಗುತ್ತದೆ.
ಮಲ್ಟಿಡಿಸಿಪ್ಲಿನರಿ ಭಾಗವಹಿಸುವವರಿಗೆ ಸ್ಕೇಲಿಂಗ್: ವೈದ್ಯರು ಮತ್ತು ಮಿತ್ರರಾಷ್ಟ್ರಗಳ ಆರೋಗ್ಯ ವೃತ್ತಿಪರರು ಸೇರಿದಂತೆ ಅನೇಕ ವಿಭಾಗಗಳಲ್ಲಿ ಸಹಯೋಗವನ್ನು ಒಳಗೊಂಡ AI ದತ್ತು ನಾವು ವಿವಿಧ ಹಂತದ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಆದ್ದರಿಂದ, ಆರೋಗ್ಯ ರಕ್ಷಣೆಯ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಿಗೆ ತಮ್ಮ ವಿಷಯವನ್ನು ಸರಿಹೊಂದಿಸಲು ವಿವಿಧ ಇಲಾಖೆಗಳಿಂದ ಅಧ್ಯಾಪಕರೊಂದಿಗೆ ಸಮಾಲೋಚಿಸಿ ಪಠ್ಯಕ್ರಮವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕಾಗಬಹುದು.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಹೈಟೆಕ್ ಮತ್ತು ಅದರ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು ಗಣಿತ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಆರೋಗ್ಯ ಸಿಬ್ಬಂದಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ವಿಷಯ ಆಯ್ಕೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಸ್ತುತತೆ ಮತ್ತು ವಿತರಣಾ ವಿಧಾನಗಳಲ್ಲಿ ಅನನ್ಯ ಸವಾಲುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಎಐನಲ್ಲಿ ಎಐನಿಂದ ಪಡೆದ ಒಳನೋಟಗಳು ಭವಿಷ್ಯದ ಶಿಕ್ಷಣತಜ್ಞರು ಎಐ ಅನ್ನು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣಕ್ಕೆ ಸಂಯೋಜಿಸುವ ನವೀನ ಮಾರ್ಗಗಳನ್ನು ಸ್ವೀಕರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.
ಗೂಗಲ್ ಸಹಕಾರಿ ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಮತ್ತು ಇಲ್ಲಿ ಲಭ್ಯವಿದೆ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
ಪ್ರೋಬಲ್, ಕೆಜಿ ಮತ್ತು ಖಾನ್, ಎಸ್. ರೀಥಿಂಕಿಂಗ್ ಮೆಡಿಕಲ್ ಎಜುಕೇಶನ್: ಎ ಕಾಲ್ ಟು ಆಕ್ಷನ್. ಅಕ್ಕಾದ್. ಔಷಧಿ. 88, 1407-1410 (2013).
ಮೆಕಾಯ್, ಎಲ್ಜಿ ಇತ್ಯಾದಿ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ನಿಜವಾಗಿಯೂ ಏನು ತಿಳಿದುಕೊಳ್ಳಬೇಕು? NPZH ಸಂಖ್ಯೆಗಳು. ಮೆಡಿಸಿನ್ 3, 1–3 (2020).
ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್, ಡಿಪಿ, ಮತ್ತು ಇತರರು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ವರ್ತನೆಗಳು: ಮಲ್ಟಿಸೆಂಟರ್ ಸಮೀಕ್ಷೆ. ಯುರೋ. ವಿಕಿರಣ. 29, 1640-1646 (2019).
ಫ್ಯಾನ್, ಕೆವೈ, ಹೂ, ಆರ್., ಮತ್ತು ಸಿಂಗ್ಲಾ, ಆರ್. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ: ಒಂದು ಪ್ರಾಯೋಗಿಕ ಯೋಜನೆ. ಜೆ. ಮೆಡ್. ಕಲಿಸಿ. 54, 1042-1043 (2020).
ಕೂಪರ್ಮನ್ ಎನ್, ಮತ್ತು ಇತರರು. ತಲೆಯ ಗಾಯದ ನಂತರ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮಹತ್ವದ ಮಿದುಳಿನ ಗಾಯದ ಅಪಾಯದಲ್ಲಿರುವ ಮಕ್ಕಳನ್ನು ಗುರುತಿಸುವುದು: ನಿರೀಕ್ಷಿತ ಸಮಂಜಸ ಅಧ್ಯಯನ. ಲ್ಯಾನ್ಸೆಟ್ 374, 1160–1170 (2009).
ಸ್ಟ್ರೀಟ್, ಡಬ್ಲ್ಯೂಎನ್, ವೋಲ್ಬರ್ಗ್, ಡಬ್ಲ್ಯೂಹೆಚ್ ಮತ್ತು ಮಂಗಾಸೇರಿಯನ್, ಓಲ್. ಸ್ತನ ಗೆಡ್ಡೆಯ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ನ್ಯೂಕ್ಲಿಯರ್ ವೈಶಿಷ್ಟ್ಯ ಹೊರತೆಗೆಯುವಿಕೆ. ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್. ಚಿತ್ರ ಸಂಸ್ಕರಣೆ. ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್. ವೈಸ್. 1905, 861-870 (1993).
ಚೆನ್, ಪಿಎಚ್‌ಸಿ, ಲಿಯು, ವೈ. ಮತ್ತು ಪೆಂಗ್, ಎಲ್. ಆರೋಗ್ಯ ರಕ್ಷಣೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು. ನ್ಯಾಟ್. ಮ್ಯಾಟ್. 18, 410–414 (2019).
ಸೆಲ್ವರಾಜು, ಆರ್ಆರ್ ಮತ್ತು ಇತರರು. ಗ್ರಾಡ್-ಕ್ಯಾಮ್: ಗ್ರೇಡಿಯಂಟ್ ಆಧಾರಿತ ಸ್ಥಳೀಕರಣದ ಮೂಲಕ ಆಳವಾದ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ದೃಶ್ಯ ವ್ಯಾಖ್ಯಾನ. ಪ್ರೊಸೀಡಿಂಗ್ಸ್ ಆಫ್ ದಿ ಐಇಇಇ ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್, 618-626 (2017).
ಕುಮಾರಾವೆಲ್ ಬಿ, ಸ್ಟೀವರ್ಟ್ ಕೆ ಮತ್ತು ಐಎಲ್ಐಸಿ ಡಿ. ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದಲ್ಲಿ ಒಎಸ್ಸಿಇ ಬಳಸಿ ಪುರಾವೆ ಆಧಾರಿತ medicine ಷಧ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಸುರುಳಿಯಾಕಾರದ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ. ಬಿಎಂಕೆ ಮೆಡಿಸಿನ್. ಕಲಿಸಿ. 21, 1–9 (2021).
ಕೋಲಾಚಲಮಾ ವಿಬಿ ಮತ್ತು ಜಿಎಆರ್ಜಿ ಪಿಎಸ್ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ. NPZH ಸಂಖ್ಯೆಗಳು. ಔಷಧಿ. 1, 1–3 (2018).
ವ್ಯಾನ್ ಲೀವೆನ್, ಕೆಜಿ, ಸ್ಚಲೆಕ್ಯಾಂಪ್, ಎಸ್., ರುಟ್ಟನ್, ಎಮ್ಜೆ, ವ್ಯಾನ್ ಗಿನ್ನೆಕೆನ್, ಬಿ. ಮತ್ತು ಡಿ ರೂಯ್, ಎಂ. ವಿಕಿರಣಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: 100 ವಾಣಿಜ್ಯ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಅವುಗಳ ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳು. ಯುರೋ. ವಿಕಿರಣ. 31, 3797–3804 (2021).
ಟೋಪೋಲ್, ಇಜೆ ಹೈ-ಪರ್ಫಾರ್ಮೆನ್ಸ್ ಮೆಡಿಸಿನ್: ದಿ ಕನ್ವರ್ಜೆನ್ಸ್ ಆಫ್ ಹ್ಯೂಮನ್ ಅಂಡ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್. ನ್ಯಾಟ್. ಔಷಧಿ. 25, 44–56 (2019).
ಬೇಡೆ, ಇ. ಮತ್ತು ಇತರರು. ಮಧುಮೇಹ ರೆಟಿನೋಪತಿ ಪತ್ತೆಗಾಗಿ ಕ್ಲಿನಿಕ್ನಲ್ಲಿ ನಿಯೋಜಿಸಲಾದ ಆಳವಾದ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆಯ ಮಾನವ ಕೇಂದ್ರಿತ ಮೌಲ್ಯಮಾಪನ. ಕಂಪ್ಯೂಟಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಮಾನವ ಅಂಶಗಳ ಕುರಿತು 2020 ರ ಸಿಹೆಚ್‌ಐ ಸಮ್ಮೇಳನದ ಪ್ರೊಸೀಡಿಂಗ್ಸ್ (2020).
ಕೆರ್, ಬಿ. ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣದಲ್ಲಿ ಫ್ಲಿಪ್ಡ್ ತರಗತಿ: ಒಂದು ಸಂಶೋಧನಾ ವಿಮರ್ಶೆ. ಇಂಟರ್ಯಾಕ್ಟಿವ್ ಸಹಕಾರಿ ಕಲಿಕೆಯ 2015 ರ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದ ಪ್ರೊಸೀಡಿಂಗ್ಸ್ (2015).
ಬೆಂಬಲ ಮತ್ತು ಧನಸಹಾಯಕ್ಕಾಗಿ ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಬಯೋಮೆಡಿಕಲ್ ಇಮೇಜಿಂಗ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ರಿಸರ್ಚ್ ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಲೇಖಕರು ಡೇನಿಯಲ್ ವಾಕರ್, ಟಿಮ್ ಸಾಲ್ಕುಡಿನ್ ಮತ್ತು ಪೀಟರ್ and ಾಂಡ್‌ಸ್ಟ್ರಾ ಅವರಿಗೆ ಧನ್ಯವಾದಗಳು.
ಕಾರ್ಯಾಗಾರ ಬೋಧನಾ ವಿಷಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಆರ್ಹೆಚ್, ಪಿಪಿ, Z ಡ್, ಆರ್ಎಸ್ ಮತ್ತು ಎಂಎ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಆರ್ಹೆಚ್ ಮತ್ತು ಪಿಪಿ ಹೊಂದಿತ್ತು. ಕೆವೈಎಫ್, ಒವೈ, ಎಂಟಿ ಮತ್ತು ಪಿಡಬ್ಲ್ಯೂ ಯೋಜನೆಯ ವ್ಯವಸ್ಥಾಪನಾ ಸಂಘಟನೆ ಮತ್ತು ಕಾರ್ಯಾಗಾರಗಳ ವಿಶ್ಲೇಷಣೆಗೆ ಕಾರಣವಾಗಿದೆ. RH, OY, MT, RS ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಕೋಷ್ಟಕಗಳನ್ನು ರಚಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದರು. ಆರ್ಹೆಚ್, ಕೆವೈಎಫ್, ಪಿಪಿ, H ್, ಓಯ್, ಮೈ, ಪಿಡಬ್ಲ್ಯೂ, ಟಿಎಲ್, ಎಮ್ಎ, ಆರ್ಎಸ್ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ರಚಿಸಲು ಮತ್ತು ಸಂಪಾದಿಸಲು ಕಾರಣವಾಗಿದೆ.
ಸಂವಹನ medicine ಷಧಿ ಕ್ಯಾರೊಲಿನ್ ಮೆಕ್‌ಗ್ರೆಗರ್, ಫ್ಯಾಬಿಯೊ ಮೊರೇಸ್ ಮತ್ತು ಆದಿತ್ಯ ಬೋರಾಕತಿ ಅವರಿಗೆ ಈ ಕೃತಿಯ ವಿಮರ್ಶೆಗೆ ನೀಡಿದ ಕೊಡುಗೆಗಳಿಗಾಗಿ ಧನ್ಯವಾದಗಳು.