ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸುವ ಬಗ್ಗೆ ಕೆನಡಾದ ದೃಷ್ಟಿಕೋನ.

Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡಿ). ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಕ್ಲಿನಿಕಲ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AI) ಅನ್ವಯಿಕೆಗಳು ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿವೆ, ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೈದ್ಯಕೀಯ ಶಾಲಾ ಪಠ್ಯಕ್ರಮಗಳು ಈ ಪ್ರದೇಶವನ್ನು ಒಳಗೊಂಡ ಸೀಮಿತ ಬೋಧನೆಯನ್ನು ನೀಡುತ್ತವೆ. ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ವಿತರಿಸಿದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತರಬೇತಿ ಕೋರ್ಸ್ ಅನ್ನು ಇಲ್ಲಿ ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಭವಿಷ್ಯದ ತರಬೇತಿಗಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ನೀಡುತ್ತೇವೆ.
ವೈದ್ಯಕೀಯದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಕೆಲಸದ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು, ವೈದ್ಯರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರಬೇಕು. ಅನೇಕ ಕಾಮೆಂಟ್‌ಗಳು AI ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಕಲಿಸುವುದನ್ನು ಸಮರ್ಥಿಸುತ್ತವೆ1, ಉದಾಹರಣೆಗೆ AI ಮಾದರಿಗಳು ಮತ್ತು ಪರಿಶೀಲನಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ವಿವರಿಸುವುದು2. ಆದಾಗ್ಯೂ, ಕೆಲವು ರಚನಾತ್ಮಕ ಯೋಜನೆಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ರಾಷ್ಟ್ರೀಯ ಮಟ್ಟದಲ್ಲಿ. ಪಿಂಟೊ ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್ ಮತ್ತು ಇತರರು.3. 263 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಸಮೀಕ್ಷೆ ಮಾಡಲಾಯಿತು ಮತ್ತು 71% ಜನರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ತರಬೇತಿಯ ಅಗತ್ಯವಿದೆ ಎಂದು ಒಪ್ಪಿಕೊಂಡರು. ವೈದ್ಯಕೀಯ ಪ್ರೇಕ್ಷಕರಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸಲು ವ್ಯಾಪಕವಾದ ಪೂರ್ವ ಜ್ಞಾನವನ್ನು ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಾಂತ್ರಿಕ ಮತ್ತು ತಾಂತ್ರಿಕವಲ್ಲದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಎಚ್ಚರಿಕೆಯ ವಿನ್ಯಾಸದ ಅಗತ್ಯವಿದೆ. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ಮೂರು ಗುಂಪುಗಳಿಗೆ AI ಕಾರ್ಯಾಗಾರಗಳ ಸರಣಿಯನ್ನು ತಲುಪಿಸುವ ನಮ್ಮ ಅನುಭವವನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು AI ನಲ್ಲಿ ಭವಿಷ್ಯದ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ ಐದು ವಾರಗಳ ಕಾಲ ವೈದ್ಯಕೀಯದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪರಿಚಯ ಕಾರ್ಯಾಗಾರವನ್ನು ಫೆಬ್ರವರಿ 2019 ಮತ್ತು ಏಪ್ರಿಲ್ 2021 ರ ನಡುವೆ ಮೂರು ಬಾರಿ ನಡೆಸಲಾಯಿತು. ಕೋರ್ಸ್‌ನಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆಯೊಂದಿಗೆ ಪ್ರತಿ ಕಾರ್ಯಾಗಾರದ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ನಮ್ಮ ಕೋರ್ಸ್ ಮೂರು ಪ್ರಾಥಮಿಕ ಕಲಿಕಾ ಉದ್ದೇಶಗಳನ್ನು ಹೊಂದಿದೆ: ವಿದ್ಯಾರ್ಥಿಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಹೇಗೆ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ, ಕ್ಲಿನಿಕಲ್ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಹಿತ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತಾರೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಸಹಕರಿಸಲು ಅವಕಾಶಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತಾರೆ.
ನೀಲಿ ಬಣ್ಣವು ಉಪನ್ಯಾಸದ ವಿಷಯವಾಗಿದ್ದು, ತಿಳಿ ನೀಲಿ ಬಣ್ಣವು ಸಂವಾದಾತ್ಮಕ ಪ್ರಶ್ನೋತ್ತರ ಅವಧಿಯಾಗಿದೆ. ಬೂದು ವಿಭಾಗವು ಸಂಕ್ಷಿಪ್ತ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯ ಕೇಂದ್ರಬಿಂದುವಾಗಿದೆ. ಕಿತ್ತಳೆ ವಿಭಾಗಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳು ಅಥವಾ ತಂತ್ರಗಳನ್ನು ವಿವರಿಸುವ ಆಯ್ದ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳಾಗಿವೆ. ಹಸಿರು ಬಣ್ಣವು ಕ್ಲಿನಿಕಲ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕೋರ್ಸ್ ಆಗಿದೆ. ಕಾರ್ಯಾಗಾರಗಳ ವಿಷಯ ಮತ್ತು ಅವಧಿಯು ವಿದ್ಯಾರ್ಥಿಗಳ ಅಗತ್ಯಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿ ಬದಲಾಗುತ್ತದೆ.
ಮೊದಲ ಕಾರ್ಯಾಗಾರವು ಫೆಬ್ರವರಿಯಿಂದ ಏಪ್ರಿಲ್ 2019 ರವರೆಗೆ ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ನಡೆಯಿತು ಮತ್ತು ಎಲ್ಲಾ 8 ಭಾಗವಹಿಸುವವರು ಸಕಾರಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿದರು4. COVID-19 ಕಾರಣದಿಂದಾಗಿ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವು ಅಕ್ಟೋಬರ್-ನವೆಂಬರ್ 2020 ರಲ್ಲಿ ವಾಸ್ತವಿಕವಾಗಿ ನಡೆಯಿತು, ಇದರಲ್ಲಿ 222 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು 8 ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳಿಂದ 3 ನಿವಾಸಿಗಳು ನೋಂದಾಯಿಸಿಕೊಂಡರು. ಪ್ರಸ್ತುತಿ ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಮುಕ್ತ ಪ್ರವೇಶ ಸೈಟ್‌ಗೆ (http://ubcaimed.github.io) ಅಪ್‌ಲೋಡ್ ಮಾಡಲಾಗಿದೆ. ಮೊದಲ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆಯೆಂದರೆ ಉಪನ್ಯಾಸಗಳು ತುಂಬಾ ತೀವ್ರವಾಗಿದ್ದವು ಮತ್ತು ವಿಷಯವು ತುಂಬಾ ಸೈದ್ಧಾಂತಿಕವಾಗಿತ್ತು. ಕೆನಡಾದ ಆರು ವಿಭಿನ್ನ ಸಮಯ ವಲಯಗಳಿಗೆ ಸೇವೆ ಸಲ್ಲಿಸುವುದು ಹೆಚ್ಚುವರಿ ಸವಾಲುಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ. ಹೀಗಾಗಿ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವು ಪ್ರತಿ ಅಧಿವೇಶನವನ್ನು 1 ಗಂಟೆಗೆ ಕಡಿಮೆ ಮಾಡಿತು, ಕೋರ್ಸ್ ವಿಷಯವನ್ನು ಸರಳಗೊಳಿಸಿತು, ಹೆಚ್ಚಿನ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಅನ್ನು ಸೇರಿಸಿತು ಮತ್ತು ಭಾಗವಹಿಸುವವರು ಕನಿಷ್ಠ ಡೀಬಗ್ ಮಾಡುವಿಕೆಯೊಂದಿಗೆ ಕೋಡ್ ತುಣುಕುಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಬಾಯ್ಲರ್‌ಪ್ಲೇಟ್ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ರಚಿಸಿತು (ಬಾಕ್ಸ್ 1). ಎರಡನೇ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆಯು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮಗಳ ಕುರಿತು ಸಕಾರಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಯೋಜನೆಗಾಗಿ ಯೋಜನೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ವಿನಂತಿಯನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಆದ್ದರಿಂದ, ಮಾರ್ಚ್-ಏಪ್ರಿಲ್ 2021 ರಲ್ಲಿ 126 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ವರ್ಚುವಲ್ ಆಗಿ ನಡೆದ ನಮ್ಮ ಮೂರನೇ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ, ಯೋಜನೆಗಳ ಮೇಲೆ ಕಾರ್ಯಾಗಾರದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸುವುದರ ಪರಿಣಾಮವನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಾವು ಹೆಚ್ಚು ಸಂವಾದಾತ್ಮಕ ಕೋಡಿಂಗ್ ವ್ಯಾಯಾಮಗಳು ಮತ್ತು ಯೋಜನಾ ಪ್ರತಿಕ್ರಿಯೆ ಅವಧಿಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.
ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ: ದತ್ತಾಂಶ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ, ಸಂಸ್ಕರಿಸುವ ಮತ್ತು ಸಂವಹನ ಮಾಡುವ ಮೂಲಕ ದತ್ತಾಂಶದಲ್ಲಿನ ಅರ್ಥಪೂರ್ಣ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಅಂಕಿಅಂಶಗಳ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರ.
ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ: ದತ್ತಾಂಶವನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ಹೊರತೆಗೆಯುವ ಪ್ರಕ್ರಿಯೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ದೊಡ್ಡದಾಗಿರುತ್ತದೆ, ಪ್ರತಿ ಮಾದರಿಗೆ ಬಹು ಅಸ್ಥಿರಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಆಯಾಮ ಕಡಿತ: ಮೂಲ ದತ್ತಾಂಶ ಗುಂಪಿನ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂರಕ್ಷಿಸುತ್ತಾ, ಅನೇಕ ವೈಯಕ್ತಿಕ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ದತ್ತಾಂಶವನ್ನು ಕಡಿಮೆ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ.
ಗುಣಲಕ್ಷಣಗಳು (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಮಾದರಿಯ ಅಳೆಯಬಹುದಾದ ಗುಣಲಕ್ಷಣಗಳು. ಸಾಮಾನ್ಯವಾಗಿ "ಆಸ್ತಿ" ಅಥವಾ "ವೇರಿಯಬಲ್" ನೊಂದಿಗೆ ಪರ್ಯಾಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
ಗ್ರೇಡಿಯಂಟ್ ಆಕ್ಟಿವೇಷನ್ ಮ್ಯಾಪ್: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳನ್ನು (ವಿಶೇಷವಾಗಿ ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲ ಜಾಲಗಳು) ಅರ್ಥೈಸಲು ಬಳಸುವ ತಂತ್ರ, ಇದು ಹೆಚ್ಚು ಮುನ್ಸೂಚಕವಾಗಿರುವ ಡೇಟಾ ಅಥವಾ ಚಿತ್ರಗಳ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ನೆಟ್‌ವರ್ಕ್‌ನ ಕೊನೆಯ ಭಾಗವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ.
ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮಾದರಿ: ಇದೇ ರೀತಿಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಪೂರ್ವ ತರಬೇತಿ ಪಡೆದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ AI ಮಾದರಿ.
ಪರೀಕ್ಷೆ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಒಂದು ಮಾದರಿಯು ಇದುವರೆಗೆ ಎದುರಿಸದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು.
ತರಬೇತಿ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಹೊಸ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಮಾದರಿಯು ಅದರ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸಲು ಡೇಟಾ ಮತ್ತು ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಒದಗಿಸುವುದು.
ವೆಕ್ಟರ್: ಡೇಟಾದ ಶ್ರೇಣಿ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಪ್ರತಿಯೊಂದು ಶ್ರೇಣಿಯ ಅಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಮಾದರಿಯ ವಿಶಿಷ್ಟ ಲಕ್ಷಣವಾಗಿದೆ.
ಕೋಷ್ಟಕ 1 ಏಪ್ರಿಲ್ 2021 ರ ಇತ್ತೀಚಿನ ಕೋರ್ಸ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ, ಪ್ರತಿ ವಿಷಯಕ್ಕೂ ಉದ್ದೇಶಿತ ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಕಾರ್ಯಾಗಾರವು ತಾಂತ್ರಿಕ ಮಟ್ಟಕ್ಕೆ ಹೊಸಬರಿಗೆ ಉದ್ದೇಶಿಸಲಾಗಿದೆ ಮತ್ತು ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಪದವಿಯ ಮೊದಲ ವರ್ಷವನ್ನು ಮೀರಿ ಯಾವುದೇ ಗಣಿತ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಈ ಕೋರ್ಸ್ ಅನ್ನು 6 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಉನ್ನತ ಪದವಿಗಳನ್ನು ಹೊಂದಿರುವ 3 ಶಿಕ್ಷಕರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಎಂಜಿನಿಯರ್‌ಗಳು ಕಲಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಿದ್ಧಾಂತವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ವೈದ್ಯಕೀಯವಾಗಿ ಸಂಬಂಧಿತ ವಸ್ತುಗಳನ್ನು ಕಲಿಯುತ್ತಿದ್ದಾರೆ.
ಕಾರ್ಯಾಗಾರಗಳಲ್ಲಿ ಉಪನ್ಯಾಸಗಳು, ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮತ್ತು ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸೇರಿವೆ. ಮೊದಲ ಉಪನ್ಯಾಸದಲ್ಲಿ, ಡೇಟಾ ದೃಶ್ಯೀಕರಣ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಮತ್ತು ಅನುಗಮನದ ಅಂಕಿಅಂಶಗಳ ಹೋಲಿಕೆ ಸೇರಿದಂತೆ ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿನ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ಆಯ್ದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ. ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅಡಿಪಾಯವಾಗಿದ್ದರೂ, ಡೇಟಾ ಗಣಿಗಾರಿಕೆ, ಮಹತ್ವ ಪರೀಕ್ಷೆ ಅಥವಾ ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯೀಕರಣದಂತಹ ವಿಷಯಗಳನ್ನು ನಾವು ಹೊರಗಿಡುತ್ತೇವೆ. ಇದು ಸಮಯದ ನಿರ್ಬಂಧಗಳಿಂದಾಗಿ ಮತ್ತು ಕೆಲವು ಪದವಿಪೂರ್ವ ವಿದ್ಯಾರ್ಥಿಗಳು ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿ ಪೂರ್ವ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದ್ದರು ಮತ್ತು ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಷಯಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಬಯಸಿದ್ದರಿಂದಲೂ ಸಹ. ನಂತರದ ಉಪನ್ಯಾಸವು ಆಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ ಮತ್ತು AI ಸಮಸ್ಯೆ ಸೂತ್ರೀಕರಣ, AI ಮಾದರಿಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು ಮತ್ತು ಮಾದರಿ ಪರೀಕ್ಷೆಯನ್ನು ಚರ್ಚಿಸುತ್ತದೆ. ಉಪನ್ಯಾಸಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಕುರಿತು ಸಾಹಿತ್ಯ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆಯಿಂದ ಪೂರಕವಾಗಿವೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಮಿತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸೇರಿದಂತೆ ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮಾದರಿಯ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ವೈದ್ಯರ ಪರೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ CT ಸ್ಕ್ಯಾನ್ ಉಪಯುಕ್ತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನಿರ್ಧಾರ ವೃಕ್ಷ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಜಾರಿಗೆ ತಂದ ಕುಪ್ಪರ್‌ಮನ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ಮಕ್ಕಳ ತಲೆ ಗಾಯದ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅರ್ಥೈಸಲು ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕೇಳಿದ್ದೇವೆ, 5 ಇದು ವೈದ್ಯರ ಪರೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ CT ಸ್ಕ್ಯಾನ್ ಉಪಯುಕ್ತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನಿರ್ಧಾರ ವೃಕ್ಷ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಜಾರಿಗೆ ತಂದಿತು. ವೈದ್ಯರನ್ನು ಬದಲಾಯಿಸುವ ಬದಲು ವೈದ್ಯರು ಅರ್ಥೈಸಿಕೊಳ್ಳಲು AI ಮುನ್ಸೂಚಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒದಗಿಸುವ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯಾಗಿದೆ ಎಂದು ನಾವು ಒತ್ತಿ ಹೇಳುತ್ತೇವೆ.
ಲಭ್ಯವಿರುವ ಓಪನ್ ಸೋರ್ಸ್ ಬೂಟ್‌ಸ್ಟ್ರಾಪ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ನಾವು ಪರಿಶೋಧನಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಆಯಾಮ ಕಡಿತ, ಪ್ರಮಾಣಿತ ಮಾದರಿ ಲೋಡಿಂಗ್ ಮತ್ತು ತರಬೇತಿ. ಮತ್ತು ಪರೀಕ್ಷೆಯನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ನಾವು Google Colaboratory ನೋಟ್‌ಬುಕ್‌ಗಳನ್ನು (Google LLC, Mountain View, CA) ಬಳಸುತ್ತೇವೆ, ಇದು ವೆಬ್ ಬ್ರೌಸರ್‌ನಿಂದ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಚಿತ್ರ 2 ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮದ ಉದಾಹರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ವ್ಯಾಯಾಮವು ವಿಸ್ಕಾನ್ಸಿನ್ ಓಪನ್ ಬ್ರೆಸ್ಟ್ ಇಮೇಜಿಂಗ್ ಡೇಟಾಸೆಟ್ 6 ಮತ್ತು ನಿರ್ಧಾರ ಟ್ರೀ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಮಾರಕತೆಗಳನ್ನು ಊಹಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ವಾರವಿಡೀ ಸಂಬಂಧಿತ ವಿಷಯಗಳ ಕುರಿತು ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ ಮತ್ತು ಪ್ರಕಟಿತ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಆಯ್ದ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಿ. ಭವಿಷ್ಯದ ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದ ಒಳನೋಟವನ್ನು ಒದಗಿಸಲು ಅವು ಪ್ರಸ್ತುತವೆಂದು ಪರಿಗಣಿಸಿದರೆ ಮಾತ್ರ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅಂಶಗಳನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಮಾದರಿಗಳು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸಲು ಸಿದ್ಧವಾಗಿವೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಅವುಗಳನ್ನು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು. ಈ ಉದಾಹರಣೆಗಳು ವೈದ್ಯಕೀಯ ಚಿತ್ರ ನಿಯತಾಂಕಗಳ ಆಧಾರದ ಮೇಲೆ ಗೆಡ್ಡೆಗಳನ್ನು ಹಾನಿಕರವಲ್ಲದ ಅಥವಾ ಮಾರಕ ಎಂದು ವರ್ಗೀಕರಿಸುವ ಪೂರ್ಣ ಪ್ರಮಾಣದ ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಕೊನೆಗೊಳ್ಳುತ್ತವೆ.
ಹಿಂದಿನ ಜ್ಞಾನದ ವೈವಿಧ್ಯತೆ. ನಮ್ಮ ಭಾಗವಹಿಸುವವರು ತಮ್ಮ ಗಣಿತ ಜ್ಞಾನದ ಮಟ್ಟದಲ್ಲಿ ಬದಲಾಗುತ್ತಿದ್ದರು. ಉದಾಹರಣೆಗೆ, ಮುಂದುವರಿದ ಎಂಜಿನಿಯರಿಂಗ್ ಹಿನ್ನೆಲೆ ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮದೇ ಆದ ಫೋರಿಯರ್ ರೂಪಾಂತರಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂಬಂತಹ ಹೆಚ್ಚು ಆಳವಾದ ವಸ್ತುಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ. ಆದಾಗ್ಯೂ, ಫೋರಿಯರ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಗತಿಯಲ್ಲಿ ಚರ್ಚಿಸುವುದು ಸಾಧ್ಯವಿಲ್ಲ ಏಕೆಂದರೆ ಅದಕ್ಕೆ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯ ಆಳವಾದ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಹಾಜರಾತಿ ಹೊರಹರಿವು. ಫಾಲೋ-ಅಪ್ ಸಭೆಗಳಲ್ಲಿ ಹಾಜರಾತಿ ಕಡಿಮೆಯಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಆನ್‌ಲೈನ್ ಸ್ವರೂಪಗಳಲ್ಲಿ. ಹಾಜರಾತಿಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು ಮತ್ತು ಪೂರ್ಣಗೊಂಡ ಪ್ರಮಾಣಪತ್ರವನ್ನು ಒದಗಿಸುವುದು ಇದಕ್ಕೆ ಪರಿಹಾರವಾಗಿರಬಹುದು. ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಪಠ್ಯೇತರ ಶೈಕ್ಷಣಿಕ ಚಟುವಟಿಕೆಗಳ ಪ್ರತಿಲಿಪಿಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ, ಇದು ವಿದ್ಯಾರ್ಥಿಗಳು ಪದವಿ ಪಡೆಯಲು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ.
ಕೋರ್ಸ್ ವಿನ್ಯಾಸ: AI ಹಲವು ಉಪಕ್ಷೇತ್ರಗಳನ್ನು ವ್ಯಾಪಿಸಿರುವುದರಿಂದ, ಸೂಕ್ತವಾದ ಆಳ ಮತ್ತು ಅಗಲದ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಸವಾಲಿನದ್ದಾಗಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ಪ್ರಯೋಗಾಲಯದಿಂದ ಚಿಕಿತ್ಸಾಲಯಕ್ಕೆ AI ಪರಿಕರಗಳ ಬಳಕೆಯ ನಿರಂತರತೆಯು ಒಂದು ಪ್ರಮುಖ ವಿಷಯವಾಗಿದೆ. ನಾವು ಡೇಟಾ ಪೂರ್ವ-ಸಂಸ್ಕರಣೆ, ಮಾದರಿ ನಿರ್ಮಾಣ ಮತ್ತು ಮೌಲ್ಯೀಕರಣವನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ, ಆದರೆ ನಾವು ದೊಡ್ಡ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯೀಕರಣ ಅಥವಾ AI ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವಂತಹ ವಿಷಯಗಳನ್ನು ಸೇರಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ನಾವು ಅತ್ಯಂತ ವಿಶಿಷ್ಟವಾದ AI ಪರಿಕಲ್ಪನೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ. ನಮ್ಮ ಮಾರ್ಗದರ್ಶಿ ತತ್ವವೆಂದರೆ ಕೌಶಲ್ಯಗಳಲ್ಲ, ಸಾಕ್ಷರತೆಯನ್ನು ಸುಧಾರಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿಯು ಇನ್‌ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಮುಖ್ಯವಾಗಿದೆ. ಇದನ್ನು ಮಾಡಲು ಒಂದು ಮಾರ್ಗವೆಂದರೆ ಗ್ರೇಡಿಯಂಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುವುದು, ಇದು ಡೇಟಾದ ಯಾವ ಪ್ರದೇಶಗಳನ್ನು ಊಹಿಸಬಹುದಾದವು ಎಂಬುದನ್ನು ದೃಶ್ಯೀಕರಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಇದಕ್ಕೆ ಬಹು-ವೇರಿಯೇಟ್ ಕಲನಶಾಸ್ತ್ರದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಅದನ್ನು ಪರಿಚಯಿಸಲಾಗುವುದಿಲ್ಲ8. ಸಾಮಾನ್ಯ ಪರಿಭಾಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಸವಾಲಿನದ್ದಾಗಿತ್ತು ಏಕೆಂದರೆ ಗಣಿತದ ಔಪಚಾರಿಕತೆ ಇಲ್ಲದೆ ವೆಕ್ಟರ್‌ಗಳಾಗಿ ಡೇಟಾವನ್ನು ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು ಎಂಬುದನ್ನು ನಾವು ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದೆವು. ವಿಭಿನ್ನ ಪದಗಳು ಒಂದೇ ಅರ್ಥವನ್ನು ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ, ಉದಾಹರಣೆಗೆ, ಸಾಂಕ್ರಾಮಿಕ ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ, "ಗುಣಲಕ್ಷಣ"ವನ್ನು "ವೇರಿಯಬಲ್" ಅಥವಾ "ಗುಣಲಕ್ಷಣ" ಎಂದು ವಿವರಿಸಲಾಗಿದೆ.
ಜ್ಞಾನ ಧಾರಣ. AI ಅನ್ವಯಿಕೆ ಸೀಮಿತವಾಗಿರುವುದರಿಂದ, ಭಾಗವಹಿಸುವವರು ಎಷ್ಟರ ಮಟ್ಟಿಗೆ ಜ್ಞಾನವನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ನೋಡಬೇಕಾಗಿದೆ. ಪ್ರಾಯೋಗಿಕ ಪರಿಭ್ರಮಣಗಳ ಸಮಯದಲ್ಲಿ ಜ್ಞಾನವನ್ನು ಬಲಪಡಿಸಲು ವೈದ್ಯಕೀಯ ಶಾಲಾ ಪಠ್ಯಕ್ರಮವು ಸಾಮಾನ್ಯವಾಗಿ ಅಂತರದ ಪುನರಾವರ್ತನೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ, 9 ಇದನ್ನು AI ಶಿಕ್ಷಣಕ್ಕೂ ಅನ್ವಯಿಸಬಹುದು.
ವೃತ್ತಿಪರತೆ ಸಾಕ್ಷರತೆಗಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದೆ. ವಿಷಯದ ಆಳವನ್ನು ಗಣಿತದ ಕಠಿಣತೆ ಇಲ್ಲದೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಇದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಕೋರ್ಸ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ ಸಮಸ್ಯೆಯಾಗಿತ್ತು. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ಭಾಗವಹಿಸುವವರು ಸಂಪೂರ್ಣ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಸರವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು ಎಂದು ಲೆಕ್ಕಾಚಾರ ಮಾಡದೆಯೇ ಕ್ಷೇತ್ರಗಳನ್ನು ಭರ್ತಿ ಮಾಡಲು ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಚಲಾಯಿಸಲು ಅನುಮತಿಸುವ ಟೆಂಪ್ಲೇಟ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ನಾವು ಬಳಸುತ್ತೇವೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಇರುವ ಕಳವಳಗಳನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೆಲವು ಕ್ಲಿನಿಕಲ್ ಕರ್ತವ್ಯಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದೆಂಬ ವ್ಯಾಪಕ ಕಳವಳವಿದೆ3. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಿಯಂತ್ರಕರು ಅನುಮೋದಿಸಿದ ಬಹುತೇಕ ಎಲ್ಲಾ AI ತಂತ್ರಜ್ಞಾನಗಳಿಗೆ ವೈದ್ಯರ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಎಂಬ ಅಂಶವನ್ನು ಒಳಗೊಂಡಂತೆ AI ನ ಮಿತಿಗಳನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ11. ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಪಕ್ಷಪಾತಕ್ಕೆ ಗುರಿಯಾಗುವುದರಿಂದ, ವಿಶೇಷವಾಗಿ ಡೇಟಾ ಸೆಟ್ ವೈವಿಧ್ಯಮಯವಾಗಿಲ್ಲದಿದ್ದರೆ12, ನಾವು ಪಕ್ಷಪಾತದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತೇವೆ. 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 ಪ್ರವೇಶ ಸೀಮಿತವಾಗಿದ್ದರೂ, ಎಲ್ಲಾ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳಲ್ಲಿ AI ಪರಿಣತಿ ಲಭ್ಯವಿಲ್ಲದ ಕಾರಣ ಮುಕ್ತ ಮೂಲ ವಿಷಯವು ಅಸಮಕಾಲಿಕ ಕಲಿಕೆಗೆ ಅನುಕೂಲಕರ ವಿಧಾನವಾಗಿದೆ.
ಅಂತರಶಿಸ್ತೀಯ ಸಹಯೋಗ: ಈ ಕಾರ್ಯಾಗಾರವು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಒಟ್ಟಾಗಿ ಕೋರ್ಸ್‌ಗಳನ್ನು ಯೋಜಿಸಲು ಪ್ರಾರಂಭಿಸಿದ ಜಂಟಿ ಉದ್ಯಮವಾಗಿದೆ. ಇದು ಎರಡೂ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಹಯೋಗದ ಅವಕಾಶಗಳು ಮತ್ತು ಜ್ಞಾನದ ಅಂತರವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಭವಿಷ್ಯದಲ್ಲಿ ಭಾಗವಹಿಸುವವರು ಕೊಡುಗೆ ನೀಡಬಹುದಾದ ಸಂಭಾವ್ಯ ಪಾತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
AI ಪ್ರಮುಖ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ಸಾಮರ್ಥ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಮರ್ಥ್ಯ-ಆಧಾರಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸಂಯೋಜಿಸಬಹುದಾದ ಪ್ರಮಾಣೀಕೃತ ರಚನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಕಾರ್ಯಾಗಾರವು ಪ್ರಸ್ತುತ ಬ್ಲೂಮ್‌ನ ವರ್ಗೀಕರಣದ ಕಲಿಕೆಯ ಉದ್ದೇಶ ಹಂತಗಳು 2 (ಗ್ರಹಿಕೆ), 3 (ಅನ್ವಯಿಕೆ) ಮತ್ತು 4 (ವಿಶ್ಲೇಷಣೆ) ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಯೋಜನೆಗಳನ್ನು ರಚಿಸುವಂತಹ ಉನ್ನತ ಮಟ್ಟದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹೊಂದಿರುವುದು ಜ್ಞಾನವನ್ನು ಮತ್ತಷ್ಟು ಬಲಪಡಿಸುತ್ತದೆ. AI ವಿಷಯಗಳನ್ನು ಕ್ಲಿನಿಕಲ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗೆ ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮತ್ತು ಪ್ರಮಾಣಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಈಗಾಗಲೇ ಸೇರಿಸಲಾದ ಪುನರಾವರ್ತಿತ ವಿಷಯಗಳ ಬೋಧನೆಯನ್ನು ತಡೆಯಲು ಕ್ಲಿನಿಕಲ್ ತಜ್ಞರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಅಗತ್ಯವಿದೆ.
AI ಬಳಸಿಕೊಂಡು ಕೇಸ್ ಸ್ಟಡಿಗಳನ್ನು ರಚಿಸಿ. ಕ್ಲಿನಿಕಲ್ ಉದಾಹರಣೆಗಳಂತೆಯೇ, ಕೇಸ್-ಆಧಾರಿತ ಕಲಿಕೆಯು ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಅವುಗಳ ಪ್ರಸ್ತುತತೆಯನ್ನು ಹೈಲೈಟ್ ಮಾಡುವ ಮೂಲಕ ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಲಪಡಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಕಾರ್ಯಾಗಾರದ ಅಧ್ಯಯನವು ಪ್ರಯೋಗಾಲಯದಿಂದ ಚಿಕಿತ್ಸಾಲಯಕ್ಕೆ ಹೋಗುವ ಹಾದಿಯಲ್ಲಿ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಅವಶ್ಯಕತೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಕ ಅನುಮೋದನೆ ಮಾರ್ಗಗಳಂತಹ ಸವಾಲುಗಳನ್ನು ಗುರುತಿಸಲು Google ನ AI-ಆಧಾರಿತ ಮಧುಮೇಹ ರೆಟಿನೋಪತಿ ಪತ್ತೆ ವ್ಯವಸ್ಥೆ 13 ಅನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆ.
ಅನುಭವದ ಕಲಿಕೆಯನ್ನು ಬಳಸಿ: ತಾಂತ್ರಿಕ ಕೌಶಲ್ಯಗಳಿಗೆ ಕೇಂದ್ರೀಕೃತ ಅಭ್ಯಾಸ ಮತ್ತು ಪದೇ ಪದೇ ಅನ್ವಯಿಸುವಿಕೆ ಅಗತ್ಯವಿರುತ್ತದೆ, ಇದು ಕ್ಲಿನಿಕಲ್ ತರಬೇತಿದಾರರ ತಿರುಗುವ ಕಲಿಕೆಯ ಅನುಭವಗಳಂತೆಯೇ ಕರಗತವಾಗುತ್ತದೆ. ಒಂದು ಸಂಭಾವ್ಯ ಪರಿಹಾರವೆಂದರೆ ಫ್ಲಿಪ್ಡ್ ತರಗತಿ ಮಾದರಿ, ಇದು ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣದಲ್ಲಿ ಜ್ಞಾನ ಧಾರಣವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ14. ಈ ಮಾದರಿಯಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸೈದ್ಧಾಂತಿಕ ವಿಷಯವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ತರಗತಿಯ ಸಮಯವನ್ನು ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮೂಲಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮೀಸಲಿಡಲಾಗುತ್ತದೆ.
ಬಹುಶಿಸ್ತೀಯ ಭಾಗವಹಿಸುವವರಿಗೆ ಸ್ಕೇಲಿಂಗ್: ವೈದ್ಯರು ಮತ್ತು ಸಂಬಂಧಿತ ಆರೋಗ್ಯ ವೃತ್ತಿಪರರು ಸೇರಿದಂತೆ ವಿವಿಧ ಹಂತದ ತರಬೇತಿಯೊಂದಿಗೆ ಬಹು ವಿಭಾಗಗಳಲ್ಲಿ ಸಹಯೋಗವನ್ನು ಒಳಗೊಂಡ AI ಅಳವಡಿಕೆಯನ್ನು ನಾವು ಕಲ್ಪಿಸಿಕೊಳ್ಳುತ್ತೇವೆ. ಆದ್ದರಿಂದ, ಆರೋಗ್ಯ ರಕ್ಷಣೆಯ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಪಠ್ಯಕ್ರಮವನ್ನು ವಿವಿಧ ವಿಭಾಗಗಳ ಅಧ್ಯಾಪಕರೊಂದಿಗೆ ಸಮಾಲೋಚಿಸಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕಾಗಬಹುದು.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನವಾಗಿದ್ದು, ಅದರ ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು ಗಣಿತ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಆರೋಗ್ಯ ಸಿಬ್ಬಂದಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ವಿಷಯದ ಆಯ್ಕೆ, ವೈದ್ಯಕೀಯ ಪ್ರಸ್ತುತತೆ ಮತ್ತು ವಿತರಣಾ ವಿಧಾನಗಳಲ್ಲಿ ವಿಶಿಷ್ಟ ಸವಾಲುಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ. ಶಿಕ್ಷಣದಲ್ಲಿ AI ಕಾರ್ಯಾಗಾರಗಳಿಂದ ಪಡೆದ ಒಳನೋಟಗಳು ಭವಿಷ್ಯದ ಶಿಕ್ಷಕರು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದಲ್ಲಿ AI ಅನ್ನು ಸಂಯೋಜಿಸಲು ನವೀನ ಮಾರ್ಗಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.
ಗೂಗಲ್ ಕೊಲಾಬೊರೇಟರಿ ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಆಗಿದ್ದು ಇಲ್ಲಿ ಲಭ್ಯವಿದೆ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
ಪ್ರೋಬರ್, ಕೆಜಿ ಮತ್ತು ಖಾನ್, ಎಸ್. ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದ ಪುನರ್ವಿಮರ್ಶೆ: ಕ್ರಿಯೆಗೆ ಕರೆ. ಅಕ್ಕದ್. ಔಷಧ. 88, 1407–1410 (2013).
ಮೆಕಾಯ್, ಎಲ್ಜಿ ಇತ್ಯಾದಿ. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ನಿಜವಾಗಿಯೂ ಏನು ತಿಳಿದುಕೊಳ್ಳಬೇಕು? NPZh ಸಂಖ್ಯೆಗಳು. ಔಷಧ 3, 1–3 (2020).
ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್, ಡಿಪಿ, ಮತ್ತು ಇತರರು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕಡೆಗೆ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ವರ್ತನೆಗಳು: ಬಹುಕೇಂದ್ರ ಸಮೀಕ್ಷೆ. ಯುರೋ. ವಿಕಿರಣ. 29, 1640–1646 (2019).
ಫ್ಯಾನ್, ಕೆವೈ, ಹು, ಆರ್., ಮತ್ತು ಸಿಂಗ್ಲಾ, ಆರ್. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ: ಒಂದು ಪೈಲಟ್ ಯೋಜನೆ. ಜೆ. ಮೆಡ್. ಕಲಿಸು. 54, 1042–1043 (2020).
ಕೂಪರ್‌ಮನ್ ಎನ್, ಮತ್ತು ಇತರರು. ತಲೆಗೆ ಗಾಯವಾದ ನಂತರ ವೈದ್ಯಕೀಯವಾಗಿ ಗಮನಾರ್ಹವಾದ ಮಿದುಳಿನ ಗಾಯದ ಕಡಿಮೆ ಅಪಾಯದಲ್ಲಿರುವ ಮಕ್ಕಳನ್ನು ಗುರುತಿಸುವುದು: ಒಂದು ನಿರೀಕ್ಷಿತ ಸಮಂಜಸ ಅಧ್ಯಯನ. ಲ್ಯಾನ್ಸೆಟ್ 374, 1160–1170 (2009).
ಸ್ಟ್ರೀಟ್, WN, ವೋಲ್ಬರ್ಗ್, WH ಮತ್ತು ಮಂಗಸೇರಿಯನ್, OL. ಸ್ತನ ಗೆಡ್ಡೆಯ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಪರಮಾಣು ವೈಶಿಷ್ಟ್ಯ ಹೊರತೆಗೆಯುವಿಕೆ. ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್. ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್. 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, ಆರ್.ಆರ್ ಮತ್ತು ಇತರರು. ಗ್ರಾಡ್-ಕ್ಯಾಮ್: ಗ್ರೇಡಿಯಂಟ್-ಆಧಾರಿತ ಸ್ಥಳೀಕರಣದ ಮೂಲಕ ಆಳವಾದ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ದೃಶ್ಯ ವ್ಯಾಖ್ಯಾನ. ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಕುರಿತು ಐಇಇಇ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದ ಪ್ರಕ್ರಿಯೆಗಳು, 618–626 (2017).
ಕುಮಾರವೇಲ್ ಬಿ, ಸ್ಟೀವರ್ಟ್ ಕೆ ಮತ್ತು ಇಲಿಕ್ ಡಿ. ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದಲ್ಲಿ OSCE ಬಳಸಿಕೊಂಡು ಪುರಾವೆ ಆಧಾರಿತ ವೈದ್ಯಕೀಯ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಸುರುಳಿಯಾಕಾರದ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ. BMK ವೈದ್ಯಕೀಯ. ಕಲಿಸು. 21, 1–9 (2021).
ಕೊಲಾಚಲಮಾ ವಿಬಿ ಮತ್ತು ಗಾರ್ಗ್ ಪಿಎಸ್ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ. NPZh ಸಂಖ್ಯೆಗಳು. ಔಷಧ. 1, 1–3 (2018).
ವ್ಯಾನ್ ಲೀವೆನ್, ಕೆಜಿ, ಶಾಲೆಕ್ಯಾಂಪ್, ಎಸ್., ರುಟ್ಟೆನ್, ಎಮ್ಜೆ, ವ್ಯಾನ್ ಗಿನ್ನೆಕೆನ್, ಬಿ. ಮತ್ತು ಡಿ ರೂಯ್, ಎಂ. ರೇಡಿಯಾಲಜಿಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: 100 ವಾಣಿಜ್ಯ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಅವುಗಳ ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳು. ಯುರೋ. ವಿಕಿರಣ. 31, 3797–3804 (2021).
ಟೋಪೋಲ್, ಇಜೆ ಹೈ-ಪರ್ಫಾರ್ಮೆನ್ಸ್ ಮೆಡಿಸಿನ್: ಮಾನವ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಮ್ಮುಖ. ನ್ಯಾಚುರಲ್ ಮೆಡಿಸಿನ್. 25, 44–56 (2019).
ಬೆಡೆ, ಇ. ಮತ್ತು ಇತರರು. ಮಧುಮೇಹ ರೆಟಿನೋಪತಿ ಪತ್ತೆಗಾಗಿ ಚಿಕಿತ್ಸಾಲಯದಲ್ಲಿ ನಿಯೋಜಿಸಲಾದ ಆಳವಾದ ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಯ ಮಾನವ-ಕೇಂದ್ರಿತ ಮೌಲ್ಯಮಾಪನ. ಕಂಪ್ಯೂಟಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಮಾನವ ಅಂಶಗಳ ಕುರಿತು 2020 ರ CHI ಸಮ್ಮೇಳನದ ಪ್ರಕ್ರಿಯೆಗಳು (2020).
ಕೆರ್, ಬಿ. ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣದಲ್ಲಿ ಫ್ಲಿಪ್ಡ್ ಕ್ಲಾಸ್‌ರೂಮ್: ಸಂಶೋಧನಾ ವಿಮರ್ಶೆ. 2015 ರ ಇಂಟರ್ಯಾಕ್ಟಿವ್ ಕೊಲ್ಯಾಬೊರೇಟಿವ್ ಲರ್ನಿಂಗ್ ಕುರಿತ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದ (2015) ಕಾರ್ಯವೈಖರಿ.
ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಬಯೋಮೆಡಿಕಲ್ ಇಮೇಜಿಂಗ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ರಿಸರ್ಚ್ ಕ್ಲಸ್ಟರ್‌ನ ಡೇನಿಯಲ್ ವಾಕರ್, ಟಿಮ್ ಸಾಲ್ಕುಡಿನ್ ಮತ್ತು ಪೀಟರ್ ಜಾಂಡ್‌ಸ್ಟ್ರಾ ಅವರಿಗೆ ಬೆಂಬಲ ಮತ್ತು ಹಣಕಾಸು ಒದಗಿಸಿದ್ದಕ್ಕಾಗಿ ಲೇಖಕರು ಧನ್ಯವಾದಗಳನ್ನು ಅರ್ಪಿಸುತ್ತಾರೆ.
ಕಾರ್ಯಾಗಾರದ ಬೋಧನಾ ವಿಷಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು RH, PP, ZH, RS ಮತ್ತು MA ವಹಿಸಿಕೊಂಡವು. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು RH ಮತ್ತು PP ವಹಿಸಿಕೊಂಡವು. ಯೋಜನೆಯ ಲಾಜಿಸ್ಟಿಕಲ್ ಸಂಘಟನೆ ಮತ್ತು ಕಾರ್ಯಾಗಾರಗಳ ವಿಶ್ಲೇಷಣೆಗೆ KYF, OY, MT ಮತ್ತು PW ವಹಿಸಿಕೊಂಡವು. ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಕೋಷ್ಟಕಗಳನ್ನು ರಚಿಸಲು RH, OY, MT, RS ಜವಾಬ್ದಾರರಾಗಿದ್ದರು. ದಾಖಲೆಯನ್ನು ರಚಿಸುವ ಮತ್ತು ಸಂಪಾದಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ವಹಿಸಿಕೊಂಡವು.
ಈ ಕೃತಿಯ ವಿಮರ್ಶೆಗೆ ನೀಡಿದ ಕೊಡುಗೆಗಳಿಗಾಗಿ ಕಮ್ಯುನಿಕೇಷನ್ ಮೆಡಿಸಿನ್ ಕ್ಯಾರೊಲಿನ್ ಮೆಕ್‌ಗ್ರೆಗರ್, ಫ್ಯಾಬಿಯೊ ಮೊರೇಸ್ ಮತ್ತು ಆದಿತ್ಯ ಬೊರಾಕಟಿ ಅವರಿಗೆ ಧನ್ಯವಾದಗಳನ್ನು ಅರ್ಪಿಸುತ್ತದೆ.