ನಿರ್ಧಾರ ಟ್ರೀ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅನುಗುಣವಾದ ಕಲಿಕಾ ತಂತ್ರಗಳಿಗೆ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಆದ್ಯತೆಯ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದು ಬಿಎಂಸಿ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ |

ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ಸೇರಿದಂತೆ ಉನ್ನತ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿ-ಕೇಂದ್ರಿತ ಕಲಿಕೆಯ (ಎಸ್‌ಸಿಎಲ್) ಅಗತ್ಯವಿರುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಎಸ್‌ಸಿಎಲ್ ದಂತ ಶಿಕ್ಷಣದಲ್ಲಿ ಸೀಮಿತ ಅನ್ವಯವನ್ನು ಹೊಂದಿದೆ. ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನವು ನಿರ್ಧಾರ ಟ್ರೀ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ (ಎಂಎಲ್) ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಆದ್ಯತೆಯ ಕಲಿಕೆಯ ಶೈಲಿ (ಎಲ್ಎಸ್) ಮತ್ತು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಅನುಗುಣವಾದ ಕಲಿಕಾ ತಂತ್ರಗಳನ್ನು (ಐಎಸ್) ನಕ್ಷೆ ಮಾಡಲು ಡೆಂಟಿಸ್ಟ್ರಿಯಲ್ಲಿ ಎಸ್‌ಸಿಎಲ್ ಅನ್ವಯವನ್ನು ಉತ್ತೇಜಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. . ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಭರವಸೆಯ ವಿಧಾನಗಳು.
ಮಲಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಒಟ್ಟು 255 ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳು ಮಾರ್ಪಡಿಸಿದ ಕಲಿಕೆಯ ಶೈಲಿಗಳ (ಎಂ-ಐಎಲ್ಎಸ್) ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದರು, ಇದರಲ್ಲಿ ಆಯಾ ಎಲ್ಎಸ್ಎಸ್ ಆಗಿ ವರ್ಗೀಕರಿಸಲು 44 ವಸ್ತುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು (ಡೇಟಾಸೆಟ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಸಲು ಮೇಲ್ವಿಚಾರಣೆಯ ನಿರ್ಧಾರ ಮರ ಕಲಿಕೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ಐಎಸ್ ಶಿಫಾರಸು ಸಾಧನದ ನಿಖರತೆಯನ್ನು ನಂತರ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ.
ಎಲ್ಎಸ್ (ಇನ್ಪುಟ್) ಮತ್ತು ಐಎಸ್ (ಟಾರ್ಗೆಟ್ output ಟ್ಪುಟ್) ನಡುವಿನ ಸ್ವಯಂಚಾಲಿತ ಮ್ಯಾಪಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಗಳ ಅನ್ವಯವು ಪ್ರತಿ ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗೆ ಸೂಕ್ತವಾದ ಕಲಿಕೆಯ ತಂತ್ರಗಳ ತಕ್ಷಣದ ಪಟ್ಟಿಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಐಎಸ್ ಶಿಫಾರಸು ಸಾಧನವು ಒಟ್ಟಾರೆ ಮಾದರಿ ನಿಖರತೆಯ ಪರಿಪೂರ್ಣ ನಿಖರತೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಇದು ಎಲ್ಎಸ್ ಅನ್ನು ಹೊಂದಿಸುವುದು ಉತ್ತಮ ಸಂವೇದನೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಎಂಎಲ್ ನಿರ್ಧಾರ ಮರವನ್ನು ಆಧರಿಸಿದ ಐಎಸ್ ಶಿಫಾರಸು ಸಾಧನವು ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ಸೂಕ್ತ ಕಲಿಕೆಯ ಕಾರ್ಯತಂತ್ರಗಳೊಂದಿಗೆ ನಿಖರವಾಗಿ ಹೊಂದಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಾಬೀತುಪಡಿಸಿದೆ. ಈ ಸಾಧನವು ಕಲಿಯುವವರ-ಕೇಂದ್ರಿತ ಕೋರ್ಸ್‌ಗಳು ಅಥವಾ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅನುಭವವನ್ನು ಹೆಚ್ಚಿಸಬಲ್ಲ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಯೋಜಿಸಲು ಪ್ರಬಲ ಆಯ್ಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಬೋಧನೆ ಮತ್ತು ಕಲಿಕೆ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಮೂಲಭೂತ ಚಟುವಟಿಕೆಗಳಾಗಿವೆ. ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ವೃತ್ತಿಪರ ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯತೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು ಮುಖ್ಯ. ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ಅವರ ಕಲಿಕೆಯ ವಾತಾವರಣದ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಅವರ ಎಲ್ಎಸ್ ಮೂಲಕ ನಿರ್ಧರಿಸಬಹುದು. ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಮತ್ತು ಐಎಸ್ ನಡುವೆ ಶಿಕ್ಷಕ-ಉದ್ದೇಶಿತ ಹೊಂದಾಣಿಕೆಯು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಗೆ ನಕಾರಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಗಮನ ಮತ್ತು ಪ್ರೇರಣೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಇದು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೋಕ್ಷವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ [1,2].
ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕಲಿಯಲು ಸಹಾಯ ಮಾಡುವುದು ಸೇರಿದಂತೆ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಜ್ಞಾನ ಮತ್ತು ಕೌಶಲ್ಯಗಳನ್ನು ನೀಡಲು ಶಿಕ್ಷಕರು ಬಳಸುವ ಒಂದು ವಿಧಾನ ಐಎಸ್ ಐಎಸ್ [3]. ಸಾಮಾನ್ಯವಾಗಿ ಹೇಳುವುದಾದರೆ, ಉತ್ತಮ ಶಿಕ್ಷಕರು ಬೋಧನಾ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಯೋಜಿಸುತ್ತಾರೆ ಅಥವಾ ಅವರ ವಿದ್ಯಾರ್ಥಿಗಳ ಜ್ಞಾನದ ಮಟ್ಟ, ಅವರು ಕಲಿಯುತ್ತಿರುವ ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಅವರ ಕಲಿಕೆಯ ಹಂತಕ್ಕೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವುದು. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಎಲ್ಎಸ್ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯಾದಾಗ, ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಲಿಯಲು ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯಗಳನ್ನು ಸಂಘಟಿಸಲು ಮತ್ತು ಬಳಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಪಾಠ ಯೋಜನೆಯು ಬೋಧನೆಯಿಂದ ಮಾರ್ಗದರ್ಶಿ ಅಭ್ಯಾಸದವರೆಗೆ ಅಥವಾ ಮಾರ್ಗದರ್ಶಿ ಅಭ್ಯಾಸದಿಂದ ಸ್ವತಂತ್ರ ಅಭ್ಯಾಸದಂತಹ ಹಂತಗಳ ನಡುವೆ ಹಲವಾರು ಪರಿವರ್ತನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು, ಪರಿಣಾಮಕಾರಿ ಶಿಕ್ಷಕರು ವಿದ್ಯಾರ್ಥಿಗಳ ಜ್ಞಾನ ಮತ್ತು ಕೌಶಲ್ಯಗಳನ್ನು ಬೆಳೆಸುವ ಗುರಿಯೊಂದಿಗೆ ಸೂಚನೆಯನ್ನು ಯೋಜಿಸುತ್ತಾರೆ [4].
ಎಸ್‌ಸಿಎಲ್‌ನ ಬೇಡಿಕೆ ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ಸೇರಿದಂತೆ ಉನ್ನತ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಬೆಳೆಯುತ್ತಿದೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸಲು ಎಸ್‌ಸಿಎಲ್ ತಂತ್ರಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಇದನ್ನು ಸಾಧಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಕಲಿಕೆಯ ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಸಕ್ರಿಯವಾಗಿ ಭಾಗವಹಿಸಿದರೆ ಮತ್ತು ಶಿಕ್ಷಕರು ಫೆಸಿಲಿಟೇಟರ್‌ಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ ಮತ್ತು ಅಮೂಲ್ಯವಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದರೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಮಟ್ಟ ಅಥವಾ ಆದ್ಯತೆಗಳಿಗೆ ಸೂಕ್ತವಾದ ಕಲಿಕಾ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಒದಗಿಸುವುದರಿಂದ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ವಾತಾವರಣವನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಸಕಾರಾತ್ಮಕ ಕಲಿಕೆಯ ಅನುಭವಗಳನ್ನು ಉತ್ತೇಜಿಸಬಹುದು [5].
ಸಾಮಾನ್ಯವಾಗಿ ಹೇಳುವುದಾದರೆ, ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯು ಅವರು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ವಿವಿಧ ಕ್ಲಿನಿಕಲ್ ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ಅವರು ಪರಿಣಾಮಕಾರಿ ಪರಸ್ಪರ ಕೌಶಲ್ಯಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಕ್ಲಿನಿಕಲ್ ಪರಿಸರದಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. ದಂತವೈದ್ಯಶಾಸ್ತ್ರದ ಮೂಲಭೂತ ಜ್ಞಾನವನ್ನು ದಂತ ಕ್ಲಿನಿಕಲ್ ಕೌಶಲ್ಯಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲು ಮತ್ತು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ ಜ್ಞಾನವನ್ನು ಹೊಸ ಕ್ಲಿನಿಕಲ್ ಸಂದರ್ಭಗಳಿಗೆ [6, 7] ಅನ್ವಯಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುವುದು ತರಬೇತಿಯ ಉದ್ದೇಶವಾಗಿದೆ. ಎಲ್ಎಸ್ ನಡುವಿನ ಸಂಬಂಧದ ಬಗ್ಗೆ ಆರಂಭಿಕ ಸಂಶೋಧನೆಗಳು ಮತ್ತು ಆದ್ಯತೆಯ ಎಲ್ಎಸ್ಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾದ ಕಲಿಕೆಯ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಹೊಂದಿಸುವುದು ಶೈಕ್ಷಣಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಕಂಡುಬರುತ್ತದೆ [8]. ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆ ಮತ್ತು ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ವಿವಿಧ ಬೋಧನೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳನ್ನು ಬಳಸಲು ಲೇಖಕರು ಶಿಫಾರಸು ಮಾಡುತ್ತಾರೆ.
ವಿದ್ಯಾರ್ಥಿಗಳ ಆಳವಾದ ಜ್ಞಾನ ಮತ್ತು ವಿಷಯದ ತಿಳುವಳಿಕೆಯನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ಹೆಚ್ಚಿಸುವ ಸೂಚನೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಲು ಎಲ್ಎಸ್ ಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ ಶಿಕ್ಷಕರು ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಾರೆ. ಸಂಶೋಧಕರು ಕೋಲ್ಬ್ ಪ್ರಾಯೋಗಿಕ ಕಲಿಕೆಯ ಮಾದರಿ, ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್ಮನ್ ಲರ್ನಿಂಗ್ ಸ್ಟೈಲ್ ಮಾಡೆಲ್ (ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಸ್‌ಎಂ) ಮತ್ತು ಫ್ಲೆಮಿಂಗ್ ವಿಎಕೆ/ವಾರ್ಕ್ ಮಾದರಿ [5, 9, 10] ನಂತಹ ಹಲವಾರು ಎಲ್ಎಸ್ ಮೌಲ್ಯಮಾಪನ ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಸಾಹಿತ್ಯದ ಪ್ರಕಾರ, ಈ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮತ್ತು ಹೆಚ್ಚು ಅಧ್ಯಯನ ಮಾಡಿದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಾಗಿವೆ. ಪ್ರಸ್ತುತ ಸಂಶೋಧನಾ ಕಾರ್ಯದಲ್ಲಿ, ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ ಎಲ್ಎಸ್ ಅನ್ನು ನಿರ್ಣಯಿಸಲು ಎಫ್ಎಸ್ಎಲ್ಎಸ್ಎಂ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಕಲಿಕೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಸ್‌ಎಂ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಮಾದರಿಯಾಗಿದೆ. ಆರೋಗ್ಯ ವಿಜ್ಞಾನದಲ್ಲಿ (medicine ಷಧ, ನರ್ಸಿಂಗ್, ಫಾರ್ಮಸಿ ಮತ್ತು ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ಸೇರಿದಂತೆ) ಅನೇಕ ಪ್ರಕಟಿತ ಕೃತಿಗಳು ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಸ್‌ಎಂ ಮಾದರಿಗಳನ್ನು [5, 11, 12, 13] ಬಳಸಿ ಕಾಣಬಹುದು. ಎಫ್‌ಎಲ್‌ಎಸ್‌ಎಂನಲ್ಲಿ ಎಲ್ಎಸ್ನ ಆಯಾಮಗಳನ್ನು ಅಳೆಯಲು ಬಳಸುವ ಸಾಧನವನ್ನು ಕಲಿಕೆಯ ಶೈಲಿಗಳ ಸೂಚ್ಯಂಕ (ಐಎಲ್ಎಸ್) [8] ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದರಲ್ಲಿ ಎಲ್ಎಸ್ನ ನಾಲ್ಕು ಆಯಾಮಗಳನ್ನು ನಿರ್ಣಯಿಸುವ 44 ವಸ್ತುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ಸಂಸ್ಕರಣೆ (ಸಕ್ರಿಯ/ಪ್ರತಿಫಲಿತ), ಗ್ರಹಿಕೆ (ಗ್ರಹಿಕೆ/ಅಂತರ್ಬೋಧ), ಇನ್ಪುಟ್ (ದೃಶ್ಯ). /ಮೌಖಿಕ) ಮತ್ತು ತಿಳುವಳಿಕೆ (ಅನುಕ್ರಮ/ಜಾಗತಿಕ) [14].
ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ, ಪ್ರತಿ ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಸ್‌ಎಂ ಆಯಾಮವು ಪ್ರಬಲ ಆದ್ಯತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಸಂಸ್ಕರಣಾ ಆಯಾಮದಲ್ಲಿ, “ಸಕ್ರಿಯ” ಎಲ್ಎಸ್ ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ಕಲಿಕೆಯ ಸಾಮಗ್ರಿಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂವಹನ ನಡೆಸುವ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಬಯಸುತ್ತಾರೆ, ಮಾಡುವ ಮೂಲಕ ಕಲಿಯುತ್ತಾರೆ ಮತ್ತು ಗುಂಪುಗಳಲ್ಲಿ ಕಲಿಯುತ್ತಾರೆ. "ಪ್ರತಿಫಲಿತ" ಎಲ್ಎಸ್ ಚಿಂತನೆಯ ಮೂಲಕ ಕಲಿಯುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಏಕಾಂಗಿಯಾಗಿ ಕೆಲಸ ಮಾಡಲು ಆದ್ಯತೆ ನೀಡುತ್ತದೆ. ಎಲ್ಎಸ್ನ "ಗ್ರಹಿಸುವ" ಆಯಾಮವನ್ನು "ಭಾವನೆ" ಮತ್ತು/ಅಥವಾ "ಅಂತಃಪ್ರಜ್ಞೆ" ಎಂದು ವಿಂಗಡಿಸಬಹುದು. "ಭಾವನೆ" ವಿದ್ಯಾರ್ಥಿಗಳು ಹೆಚ್ಚು ದೃ concrete ವಾದ ಮಾಹಿತಿ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬಯಸುತ್ತಾರೆ, ಅಮೂರ್ತ ವಸ್ತುಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುವ ಮತ್ತು ಹೆಚ್ಚು ನವೀನ ಮತ್ತು ಸೃಜನಶೀಲ ಸ್ವಭಾವದ "ಅರ್ಥಗರ್ಭಿತ" ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಸತ್ಯ-ಆಧಾರಿತವಾಗಿದೆ. ಎಲ್ಎಸ್ನ "ಇನ್ಪುಟ್" ಆಯಾಮವು "ದೃಶ್ಯ" ಮತ್ತು "ಮೌಖಿಕ" ಕಲಿಯುವವರನ್ನು ಒಳಗೊಂಡಿದೆ. “ದೃಶ್ಯ” ಎಲ್ಎಸ್ ಹೊಂದಿರುವ ಜನರು ದೃಶ್ಯ ಪ್ರದರ್ಶನಗಳ ಮೂಲಕ (ರೇಖಾಚಿತ್ರಗಳು, ವೀಡಿಯೊಗಳು ಅಥವಾ ಲೈವ್ ಪ್ರದರ್ಶನಗಳಂತಹ) ಕಲಿಯಲು ಬಯಸುತ್ತಾರೆ, ಆದರೆ “ಮೌಖಿಕ” ಎಲ್ಎಸ್ ಹೊಂದಿರುವ ಜನರು ಲಿಖಿತ ಅಥವಾ ಮೌಖಿಕ ವಿವರಣೆಗಳಲ್ಲಿ ಪದಗಳ ಮೂಲಕ ಕಲಿಯಲು ಬಯಸುತ್ತಾರೆ. ಎಲ್ಎಸ್ ಆಯಾಮಗಳನ್ನು "ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು", ಅಂತಹ ಕಲಿಯುವವರನ್ನು "ಅನುಕ್ರಮ" ಮತ್ತು "ಜಾಗತಿಕ" ಎಂದು ವಿಂಗಡಿಸಬಹುದು. "ಅನುಕ್ರಮ ಕಲಿಯುವವರು ರೇಖೀಯ ಆಲೋಚನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಹಂತ ಹಂತವಾಗಿ ಕಲಿಯುತ್ತಾರೆ, ಆದರೆ ಜಾಗತಿಕ ಕಲಿಯುವವರು ಸಮಗ್ರ ಚಿಂತನೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ ಮತ್ತು ಅವರು ಏನು ಕಲಿಯುತ್ತಿದ್ದಾರೆ ಎಂಬುದರ ಬಗ್ಗೆ ಯಾವಾಗಲೂ ಉತ್ತಮ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ.
ಇತ್ತೀಚೆಗೆ, ಅನೇಕ ಸಂಶೋಧಕರು ಸ್ವಯಂಚಾಲಿತ ದತ್ತಾಂಶ-ಚಾಲಿತ ಆವಿಷ್ಕಾರಕ್ಕಾಗಿ ವಿಧಾನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದಾರೆ, ಇದರಲ್ಲಿ ಹೊಸ ಕ್ರಮಾವಳಿಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಮಾದರಿಗಳು ಸೇರಿದಂತೆ [15, 16]. ಒದಗಿಸಿದ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸಿ, ಮೇಲ್ವಿಚಾರಣೆಯ ಎಂಎಲ್ (ಯಂತ್ರ ಕಲಿಕೆ) ಕ್ರಮಾವಳಿಗಳ ನಿರ್ಮಾಣದ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಫಲಿತಾಂಶಗಳನ್ನು ict ಹಿಸುವ ಮಾದರಿಗಳು ಮತ್ತು othes ಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ [17]. ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮೇಲ್ವಿಚಾರಣೆಯ ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಗಳು ಇನ್ಪುಟ್ ಡೇಟಾ ಮತ್ತು ರೈಲು ಕ್ರಮಾವಳಿಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುತ್ತವೆ. ಒದಗಿಸಿದ ಇನ್ಪುಟ್ ಡೇಟಾಗೆ ಇದೇ ರೀತಿಯ ಸಂದರ್ಭಗಳ ಆಧಾರದ ಮೇಲೆ ಫಲಿತಾಂಶವನ್ನು ವರ್ಗೀಕರಿಸುವ ಅಥವಾ ts ಹಿಸುವ ಶ್ರೇಣಿಯನ್ನು ಅದು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆಯ ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳ ಮುಖ್ಯ ಪ್ರಯೋಜನವೆಂದರೆ ಆದರ್ಶ ಮತ್ತು ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ [17].
ಡೇಟಾ-ಚಾಲಿತ ವಿಧಾನಗಳು ಮತ್ತು ನಿರ್ಧಾರ ಮರ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳ ಬಳಕೆಯ ಮೂಲಕ, ಎಲ್ಎಸ್ನ ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆ ಸಾಧ್ಯ. ಆರೋಗ್ಯ ವಿಜ್ಞಾನ [18, 19] ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ನಿರ್ಧಾರ ಮರಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಅನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅವರಿಗೆ ಉತ್ತಮವಾದದ್ದನ್ನು ಶಿಫಾರಸು ಮಾಡಲು ಈ ಮಾದರಿಯನ್ನು ಸಿಸ್ಟಮ್ ಡೆವಲಪರ್‌ಗಳು ನಿರ್ದಿಷ್ಟವಾಗಿ ತರಬೇತಿ ಪಡೆದಿದ್ದಾರೆ.
ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಆಧಾರಿತ ವಿತರಣಾ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಮತ್ತು ಐಎಸ್ ಶಿಫಾರಸು ಸಾಧನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೂಲಕ ಎಸ್‌ಸಿಎಲ್ ವಿಧಾನವನ್ನು ಎಲ್ಎಸ್‌ಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾಗಿದೆ. ಎಸ್‌ಸಿಎಲ್ ವಿಧಾನದ ಕಾರ್ಯತಂತ್ರವಾಗಿ ಐಎಸ್ ಶಿಫಾರಸು ಉಪಕರಣದ ವಿನ್ಯಾಸ ಹರಿವನ್ನು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಐಎಸ್ ಶಿಫಾರಸು ಸಾಧನವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಇದರಲ್ಲಿ ಐಎಲ್‌ಗಳನ್ನು ಬಳಸುವ ಎಲ್ಎಸ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯವಿಧಾನ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ.
ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾಹಿತಿ ಭದ್ರತಾ ಶಿಫಾರಸು ಸಾಧನಗಳ ಗುಣಲಕ್ಷಣಗಳು ವೆಬ್ ತಂತ್ರಜ್ಞಾನಗಳ ಬಳಕೆ ಮತ್ತು ನಿರ್ಧಾರ ಮರ ಯಂತ್ರ ಕಲಿಕೆಯ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿವೆ. ಸಿಸ್ಟಮ್ ಡೆವಲಪರ್‌ಗಳು ಮೊಬೈಲ್ ಫೋನ್‌ಗಳು ಮತ್ತು ಟ್ಯಾಬ್ಲೆಟ್‌ಗಳಂತಹ ಮೊಬೈಲ್ ಸಾಧನಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಮೂಲಕ ಬಳಕೆದಾರರ ಅನುಭವ ಮತ್ತು ಚಲನಶೀಲತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತಾರೆ.
ಈ ಪ್ರಯೋಗವನ್ನು ಎರಡು ಹಂತಗಳಲ್ಲಿ ನಡೆಸಲಾಯಿತು ಮತ್ತು ಮಲಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ವಿಭಾಗದ ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ವಯಂಪ್ರೇರಿತ ಆಧಾರದ ಮೇಲೆ ಭಾಗವಹಿಸಿದರು. ಭಾಗವಹಿಸುವವರು ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ದಂತ ವಿದ್ಯಾರ್ಥಿಯ ಆನ್‌ಲೈನ್ ಎಂ-ಇಲ್ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಿದರು. ಆರಂಭಿಕ ಹಂತದಲ್ಲಿ, ನಿರ್ಧಾರ ಟ್ರೀ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ಗೆ ತರಬೇತಿ ನೀಡಲು 50 ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಲಾಯಿತು. ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯ ಎರಡನೇ ಹಂತದಲ್ಲಿ, ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಉಪಕರಣದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು 255 ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಲಾಯಿತು.
ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಮೈಕ್ರೋಸಾಫ್ಟ್ ತಂಡಗಳ ಮೂಲಕ ಶೈಕ್ಷಣಿಕ ವರ್ಷವನ್ನು ಅವಲಂಬಿಸಿ ಪ್ರತಿ ಹಂತದ ಆರಂಭದಲ್ಲಿ ಆನ್‌ಲೈನ್ ಬ್ರೀಫಿಂಗ್ ಪಡೆಯುತ್ತಾರೆ. ಅಧ್ಯಯನದ ಉದ್ದೇಶವನ್ನು ವಿವರಿಸಲಾಗಿದೆ ಮತ್ತು ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯಲಾಯಿತು. ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರಿಗೆ ಎಂ-ಐಎಲ್‌ಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಲಿಂಕ್ ಅನ್ನು ಒದಗಿಸಲಾಗಿದೆ. ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಗೆ ಪ್ರಶ್ನಾವಳಿಯಲ್ಲಿ ಎಲ್ಲಾ 44 ವಸ್ತುಗಳಿಗೆ ಉತ್ತರಿಸಲು ಸೂಚನೆ ನೀಡಲಾಯಿತು. ಸೆಮಿಸ್ಟರ್ ಪ್ರಾರಂಭವಾಗುವ ಮೊದಲು ಸೆಮಿಸ್ಟರ್ ವಿರಾಮದ ಸಮಯದಲ್ಲಿ ಮಾರ್ಪಡಿಸಿದ ಐಎಲ್‌ಗಳನ್ನು ಒಂದು ಸಮಯದಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲು ಮತ್ತು ಅವರಿಗೆ ಅನುಕೂಲಕರವಾದ ಸ್ಥಳವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅವರಿಗೆ ಒಂದು ವಾರ ನೀಡಲಾಯಿತು. ಎಂ-ಐಎಲ್ಎಸ್ ಮೂಲ ಐಎಲ್ಎಸ್ ಉಪಕರಣವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ. ಮೂಲ ಐಎಲ್‌ಗಳಂತೆಯೇ, ಇದು 44 ಸಮನಾಗಿ ವಿತರಿಸಿದ ವಸ್ತುಗಳನ್ನು (ಎ, ಬಿ) ಹೊಂದಿದೆ, ತಲಾ 11 ವಸ್ತುಗಳು, ಇವುಗಳನ್ನು ಪ್ರತಿ ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಸ್‌ಎಂ ಆಯಾಮದ ಅಂಶಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.
ಸಾಧನ ಅಭಿವೃದ್ಧಿಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ, ಸಂಶೋಧಕರು 50 ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ನಕ್ಷೆಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಟಿಪ್ಪಣಿ ಮಾಡಿದರು. ಎಫ್‌ಎಸ್‌ಎಲ್‌ಎಂ ಪ್ರಕಾರ, ಸಿಸ್ಟಮ್ “ಎ” ಮತ್ತು “ಬಿ” ಎಂಬ ಉತ್ತರಗಳ ಮೊತ್ತವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪ್ರತಿ ಆಯಾಮಕ್ಕೂ, ವಿದ್ಯಾರ್ಥಿಯು “ಎ” ಅನ್ನು ಉತ್ತರವಾಗಿ ಆರಿಸಿದರೆ, ಎಲ್ಎಸ್ ಅನ್ನು ಸಕ್ರಿಯ/ಗ್ರಹಿಕೆ/ದೃಶ್ಯ/ಅನುಕ್ರಮ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಯು “ಬಿ” ಅನ್ನು ಉತ್ತರವಾಗಿ ಆರಿಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಯನ್ನು ಪ್ರತಿಫಲಿತ/ಅರ್ಥಗರ್ಭಿತ/ಭಾಷಾ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ . / ಜಾಗತಿಕ ಕಲಿಯುವವರು.
ದಂತ ಶಿಕ್ಷಣ ಸಂಶೋಧಕರು ಮತ್ತು ಸಿಸ್ಟಮ್ ಡೆವಲಪರ್‌ಗಳ ನಡುವಿನ ಕೆಲಸದ ಹರಿವನ್ನು ಮಾಪನಾಂಕ ಮಾಡಿದ ನಂತರ, ಎಫ್‌ಎಲ್‌ಎಸ್‌ಎಸ್‌ಎಂ ಡೊಮೇನ್ ಆಧರಿಸಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಯಿತು ಮತ್ತು ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಯ ಎಲ್ಎಸ್ ಅನ್ನು to ಹಿಸಲು ಎಂಎಲ್ ಮಾದರಿಗೆ ಆಹಾರವನ್ನು ನೀಡಲಾಯಿತು. "ಗಾರ್ಬೇಜ್ ಇನ್, ಗಾರ್ಬೇಜ್ Out ಟ್" ಎಂಬುದು ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಜನಪ್ರಿಯ ಮಾತು, ದತ್ತಾಂಶ ಗುಣಮಟ್ಟಕ್ಕೆ ಒತ್ತು ನೀಡಲಾಗುತ್ತದೆ. ಇನ್ಪುಟ್ ಡೇಟಾದ ಗುಣಮಟ್ಟವು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯ ನಿಖರತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಫೀಚರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಹಂತದಲ್ಲಿ, ಹೊಸ ವೈಶಿಷ್ಟ್ಯದ ಸೆಟ್ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ, ಇದು ಎಫ್‌ಎಲ್‌ಎಸ್‌ಎಸ್‌ಎಂ ಆಧಾರಿತ “ಎ” ಮತ್ತು “ಬಿ” ಎಂಬ ಉತ್ತರಗಳ ಮೊತ್ತವಾಗಿದೆ. Drug ಷಧ ಸ್ಥಾನಗಳ ಗುರುತಿನ ಸಂಖ್ಯೆಯನ್ನು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ನೀಡಲಾಗಿದೆ.
ಉತ್ತರಗಳ ಆಧಾರದ ಮೇಲೆ ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಯ ಎಲ್ಎಸ್ ಅನ್ನು ನಿರ್ಧರಿಸಿ. ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಗೆ, ಸ್ಕೋರ್ ಶ್ರೇಣಿ 1 ರಿಂದ 11 ರವರೆಗೆ ಇರುತ್ತದೆ. 1 ರಿಂದ 3 ರವರೆಗಿನ ಸ್ಕೋರ್‌ಗಳು ಒಂದೇ ಆಯಾಮದೊಳಗಿನ ಕಲಿಕೆಯ ಆದ್ಯತೆಗಳ ಸಮತೋಲನವನ್ನು ಸೂಚಿಸುತ್ತವೆ, ಮತ್ತು 5 ರಿಂದ 7 ರವರೆಗಿನ ಅಂಕಗಳು ಮಧ್ಯಮ ಆದ್ಯತೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಇತರರಿಗೆ ಕಲಿಸಲು ಒಂದು ಪರಿಸರವನ್ನು ಆದ್ಯತೆ ನೀಡುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ . ಅದೇ ಆಯಾಮದಲ್ಲಿನ ಮತ್ತೊಂದು ವ್ಯತ್ಯಾಸವೆಂದರೆ 9 ರಿಂದ 11 ರವರೆಗಿನ ಸ್ಕೋರ್‌ಗಳು ಒಂದು ತುದಿಗೆ ಅಥವಾ ಇನ್ನೊಂದು ತುದಿಗೆ ಬಲವಾದ ಆದ್ಯತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ [8].
ಪ್ರತಿ ಆಯಾಮಕ್ಕಾಗಿ, drugs ಷಧಿಗಳನ್ನು “ಸಕ್ರಿಯ”, “ಪ್ರತಿಫಲಿತ” ಮತ್ತು “ಸಮತೋಲಿತ” ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿಯು ಗೊತ್ತುಪಡಿಸಿದ ಐಟಂನಲ್ಲಿ “ಬಿ” ಗಿಂತ ಹೆಚ್ಚಾಗಿ “ಎ” ಗೆ ಉತ್ತರಿಸಿದಾಗ ಮತ್ತು ಅವನ/ಅವಳ ಸ್ಕೋರ್ ಪ್ರಕ್ರಿಯೆಯ ಎಲ್ಎಸ್ ಆಯಾಮವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ನಿರ್ದಿಷ್ಟ ಐಟಂಗೆ 5 ರ ಮಿತಿಯನ್ನು ಮೀರಿದಾಗ, ಅವನು/ಅವಳು “ಸಕ್ರಿಯ” ಎಲ್ಎಸ್ಗೆ ಸೇರಿದವರು ಡೊಮೇನ್. . ಆದಾಗ್ಯೂ, ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ನಿರ್ದಿಷ್ಟ 11 ಪ್ರಶ್ನೆಗಳಲ್ಲಿ (ಕೋಷ್ಟಕ 1) “ಎ” ಗಿಂತ “ಬಿ” ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದಾಗ ಮತ್ತು 5 ಕ್ಕೂ ಹೆಚ್ಚು ಅಂಕಗಳನ್ನು ಗಳಿಸಿದಾಗ “ಪ್ರತಿಫಲಿತ” ಎಲ್ಎಸ್ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ವಿದ್ಯಾರ್ಥಿಯು "ಸಮತೋಲನ" ಸ್ಥಿತಿಯಲ್ಲಿದ್ದಾನೆ. ಸ್ಕೋರ್ 5 ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಮೀರದಿದ್ದರೆ, ಇದು “ಪ್ರಕ್ರಿಯೆ” ಎಲ್.ಎಸ್. ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಇತರ ಎಲ್ಎಸ್ ಆಯಾಮಗಳಿಗೆ ಪುನರಾವರ್ತಿಸಲಾಯಿತು, ಅವುಗಳೆಂದರೆ ಗ್ರಹಿಕೆ (ಸಕ್ರಿಯ/ಪ್ರತಿಫಲಿತ), ಇನ್ಪುಟ್ (ದೃಶ್ಯ/ಮೌಖಿಕ), ಮತ್ತು ಗ್ರಹಿಕೆಯ (ಅನುಕ್ರಮ/ಜಾಗತಿಕ).
ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಗಳು ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯ ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ನಿರ್ಧಾರ ನಿಯಮಗಳ ವಿಭಿನ್ನ ಉಪವಿಭಾಗಗಳನ್ನು ಬಳಸಬಹುದು. ಇದನ್ನು ಜನಪ್ರಿಯ ವರ್ಗೀಕರಣ ಮತ್ತು ಮುನ್ಸೂಚನೆ ಸಾಧನವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ. ಫ್ಲೋಚಾರ್ಟ್ [20] ನಂತಹ ಮರದ ರಚನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಇದನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು, ಇದರಲ್ಲಿ ಗುಣಲಕ್ಷಣದ ಮೂಲಕ ಪರೀಕ್ಷೆಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಆಂತರಿಕ ನೋಡ್‌ಗಳು, ಪ್ರತಿ ಶಾಖೆ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ವರ್ಗ ಲೇಬಲ್ ಹೊಂದಿರುವ ಪ್ರತಿ ಎಲೆ ನೋಡ್ (ಎಲೆ ನೋಡ್).
ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಯ ಎಲ್ಎಸ್ ಅವರ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸ್ಕೋರ್ ಮಾಡಲು ಮತ್ತು ಟಿಪ್ಪಣಿ ಮಾಡಲು ಸರಳ ನಿಯಮ ಆಧಾರಿತ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ. ನಿಯಮ-ಆಧಾರಿತ IF ಹೇಳಿಕೆಯ ರೂಪವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಅಲ್ಲಿ “ವೇಳೆ” ಪ್ರಚೋದಕವನ್ನು ವಿವರಿಸುತ್ತದೆ ಮತ್ತು “ನಂತರ” ನಿರ್ವಹಿಸಬೇಕಾದ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ: “x ಸಂಭವಿಸಿದಲ್ಲಿ, y ಮಾಡಿ” (ಲಿಯು ಮತ್ತು ಇತರರು, 2014). ಡೇಟಾ ಸೆಟ್ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದರೆ ಮತ್ತು ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಯನ್ನು ಸರಿಯಾಗಿ ತರಬೇತಿ ನೀಡಿದರೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದರೆ, ಈ ವಿಧಾನವು ಎಲ್ಎಸ್ ಅನ್ನು ಹೊಂದಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವಾಗಿದೆ ಮತ್ತು ಐಎಸ್.
ಅಭಿವೃದ್ಧಿಯ ಎರಡನೇ ಹಂತದಲ್ಲಿ, ಶಿಫಾರಸು ಸಾಧನದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು 255 ಕ್ಕೆ ಹೆಚ್ಚಿಸಲಾಗಿದೆ. ಡೇಟಾ ಸೆಟ್ ಅನ್ನು 1: 4 ಅನುಪಾತದಲ್ಲಿ ವಿಭಜಿಸಲಾಗಿದೆ. ಡೇಟಾ ಸೆಟ್ನ 25% (64) ಅನ್ನು ಪರೀಕ್ಷಾ ಸೆಟ್ಗಾಗಿ ಬಳಸಲಾಯಿತು, ಮತ್ತು ಉಳಿದ 75% (191) ಅನ್ನು ತರಬೇತಿ ಸೆಟ್ ಆಗಿ ಬಳಸಲಾಗುತ್ತದೆ (ಚಿತ್ರ 2). ಮಾದರಿಯನ್ನು ಒಂದೇ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ತರಬೇತಿ ನೀಡದಂತೆ ಮತ್ತು ಪರೀಕ್ಷಿಸುವುದನ್ನು ತಡೆಯಲು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ವಿಭಜಿಸಬೇಕಾಗಿದೆ, ಇದು ಕಲಿಯುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಮಾದರಿಯನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಕಾರಣವಾಗಬಹುದು. ತರಬೇತಿ ಸೆಟ್ನಲ್ಲಿ ಈ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ - ಮಾದರಿಯು ಹಿಂದೆಂದೂ ನೋಡಿರದ ಡೇಟಾ.
ಐಎಸ್ ಉಪಕರಣವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನಂತರ, ವೆಬ್ ಇಂಟರ್ಫೇಸ್ ಮೂಲಕ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಎಲ್ಎಸ್ ಅನ್ನು ವರ್ಗೀಕರಿಸಲು ಅಪ್ಲಿಕೇಶನ್ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ವೆಬ್ ಆಧಾರಿತ ಮಾಹಿತಿ ಭದ್ರತಾ ಶಿಫಾರಸು ಸಾಧನ ವ್ಯವಸ್ಥೆಯನ್ನು ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಜಾಂಗೊ ಫ್ರೇಮ್‌ವರ್ಕ್ ಅನ್ನು ಬ್ಯಾಕೆಂಡ್ ಆಗಿ ಬಳಸಿಕೊಂಡು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಈ ವ್ಯವಸ್ಥೆಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಬಳಸಲಾದ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಟೇಬಲ್ 2 ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.
ವಿದ್ಯಾರ್ಥಿ ಎಲ್ಎಸ್ ಅಳತೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವರ್ಗೀಕರಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲು ಮತ್ತು ಹೊರತೆಗೆಯಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಗೆ ನೀಡಲಾಗುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ನಿರ್ಧಾರ ಟ್ರೀ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ನ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಇದು ವರ್ಗೀಕರಣ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಇದು ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ನಿಜವಾದ ಡೇಟಾ ಲೇಬಲ್‌ಗಳಿಗೆ ಹೋಲಿಸುತ್ತದೆ. ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ನಾಲ್ಕು ವಿಭಿನ್ನ ಮೌಲ್ಯಗಳನ್ನು ಆಧರಿಸಿವೆ: ನಿಜವಾದ ಧನಾತ್ಮಕ (ಟಿಪಿ) - ಮಾದರಿಯು ಸಕಾರಾತ್ಮಕ ವರ್ಗವನ್ನು ಸರಿಯಾಗಿ icted ಹಿಸಿದೆ, ಸುಳ್ಳು ಧನಾತ್ಮಕ (ಎಫ್‌ಪಿ) - ಮಾದರಿಯು ಸಕಾರಾತ್ಮಕ ವರ್ಗವನ್ನು icted ಹಿಸಿದೆ, ಆದರೆ ನಿಜವಾದ ಲೇಬಲ್ negative ಣಾತ್ಮಕ, ನಿಜವಾದ negative ಣಾತ್ಮಕ (ಟಿಎನ್) - ಮಾದರಿಯು negative ಣಾತ್ಮಕ ವರ್ಗವನ್ನು ಸರಿಯಾಗಿ icted ಹಿಸಿದೆ, ಮತ್ತು ಸುಳ್ಳು negative ಣಾತ್ಮಕ (ಎಫ್‌ಎನ್) - ಮಾದರಿಯು ನಕಾರಾತ್ಮಕ ವರ್ಗವನ್ನು ts ಹಿಸುತ್ತದೆ, ಆದರೆ ನಿಜವಾದ ಲೇಬಲ್ ಸಕಾರಾತ್ಮಕವಾಗಿದೆ.
ಪೈಥಾನ್‌ನಲ್ಲಿನ ಸ್ಕಿಕಿಟ್-ಲಿಯರ್ನ್ ವರ್ಗೀಕರಣ ಮಾದರಿಯ ವಿವಿಧ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲು ಈ ಮೌಲ್ಯಗಳನ್ನು ನಂತರ ಬಳಸಲಾಗುತ್ತದೆ, ಅವುಗಳೆಂದರೆ ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಎಫ್ 1 ಸ್ಕೋರ್. ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:
ಎಂ-ಐಎಲ್ಎಸ್ ಪ್ರಶ್ನಾವಳಿಗೆ ಉತ್ತರಿಸಿದ ನಂತರ ವಿದ್ಯಾರ್ಥಿಯ ಎಲ್ಎಸ್ ಅನ್ನು ನಿಖರವಾಗಿ ವರ್ಗೀಕರಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಮರುಪಡೆಯಿರಿ (ಅಥವಾ ಸೂಕ್ಷ್ಮತೆ) ಅಳೆಯುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ನಿಜವಾದ ನಕಾರಾತ್ಮಕ ದರ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮೇಲಿನ ಸೂತ್ರದಿಂದ ನೀವು ನೋಡುವಂತೆ, ಇದು ನಿಜವಾದ ನಿರಾಕರಣೆಗಳ (ಟಿಎನ್) ನಿಜವಾದ ನಿರಾಕರಣೆಗಳು ಮತ್ತು ಸುಳ್ಳು ಧನಾತ್ಮಕತೆಗಳಿಗೆ (ಎಫ್‌ಪಿ) ಅನುಪಾತವಾಗಿರಬೇಕು. ವಿದ್ಯಾರ್ಥಿ drugs ಷಧಿಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಶಿಫಾರಸು ಮಾಡಲಾದ ಸಾಧನದ ಭಾಗವಾಗಿ, ಇದು ನಿಖರವಾದ ಗುರುತಿಸುವಿಕೆಗೆ ಸಮರ್ಥವಾಗಿರಬೇಕು.
ನಿರ್ಧಾರ ಟ್ರೀ ಎಂಎಲ್ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸುವ 50 ವಿದ್ಯಾರ್ಥಿಗಳ ಮೂಲ ಡೇಟಾಸೆಟ್ ಟಿಪ್ಪಣಿಗಳಲ್ಲಿನ ಮಾನವ ದೋಷದಿಂದಾಗಿ ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ತೋರಿಸಿದೆ (ಕೋಷ್ಟಕ 3). ಎಲ್ಎಸ್ ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸರಳ ನಿಯಮ ಆಧಾರಿತ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ರಚಿಸಿದ ನಂತರ, ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಹೆಚ್ಚುತ್ತಿರುವ ಸಂಖ್ಯೆಯ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು (255) ಬಳಸಲಾಗುತ್ತಿತ್ತು.
ಮಲ್ಟಿಕ್ಲಾಸ್ ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ, ಕರ್ಣೀಯ ಅಂಶಗಳು ಪ್ರತಿ ಎಲ್ಎಸ್ ಪ್ರಕಾರಕ್ಕೆ ಸರಿಯಾದ ಮುನ್ಸೂಚನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ (ಚಿತ್ರ 4). ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಒಟ್ಟು 64 ಮಾದರಿಗಳನ್ನು ಸರಿಯಾಗಿ was ಹಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಕರ್ಣೀಯ ಅಂಶಗಳು ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ, ಇದು ಮಾದರಿಯು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಎಲ್ಎಸ್ ವರ್ಗೀಕರಣಕ್ಕೆ ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ನಿಖರವಾಗಿ ts ಹಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಶಿಫಾರಸು ಉಪಕರಣದ ಒಟ್ಟಾರೆ ನಿಖರತೆ 100%ಆಗಿದೆ.
ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಎಫ್ 1 ಸ್ಕೋರ್‌ನ ಮೌಲ್ಯಗಳನ್ನು ಚಿತ್ರ 5 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ನಿರ್ಧಾರ ಟ್ರೀ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಾಗಿ, ಅದರ ಎಫ್ 1 ಸ್ಕೋರ್ 1.0 “ಪರಿಪೂರ್ಣ” ಆಗಿದೆ, ಇದು ಪರಿಪೂರ್ಣ ನಿಖರತೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇದು ಗಮನಾರ್ಹವಾದ ಸಂವೇದನೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ ಮೌಲ್ಯಗಳು.
ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷೆ ಪೂರ್ಣಗೊಂಡ ನಂತರ ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಯ ದೃಶ್ಯೀಕರಣವನ್ನು ಚಿತ್ರ 6 ತೋರಿಸುತ್ತದೆ. ಅಕ್ಕಪಕ್ಕದ ಹೋಲಿಕೆಯಲ್ಲಿ, ಕಡಿಮೆ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ನಿರ್ಧಾರ ಮರ ಮಾದರಿಯು ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ಸುಲಭ ಮಾದರಿ ದೃಶ್ಯೀಕರಣವನ್ನು ತೋರಿಸಿದೆ. ವೈಶಿಷ್ಟ್ಯದ ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಗುವ ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುವಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಹಂತವಾಗಿದೆ ಎಂದು ಇದು ತೋರಿಸುತ್ತದೆ.
ನಿರ್ಧಾರ ಮರ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, ಎಲ್ಎಸ್ (ಇನ್ಪುಟ್) ಮತ್ತು ಐಎಸ್ (ಟಾರ್ಗೆಟ್ output ಟ್ಪುಟ್) ನಡುವಿನ ಮ್ಯಾಪಿಂಗ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಎಲ್ಎಸ್ಗೆ ವಿವರವಾದ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಫಲಿತಾಂಶಗಳು 255 ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ 34.9% ಜನರು ಒಂದು (1) ಎಲ್ಎಸ್ ಆಯ್ಕೆಗೆ ಆದ್ಯತೆ ನೀಡಿದ್ದಾರೆ ಎಂದು ತೋರಿಸಿದೆ. ಬಹುಪಾಲು (54.3%) ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಎಲ್ಎಸ್ ಆದ್ಯತೆಗಳನ್ನು ಹೊಂದಿದ್ದರು. ಎಲ್ಎಸ್ ಸಾಕಷ್ಟು ಸಮತೋಲಿತವಾಗಿದೆ ಎಂದು 12.2% ವಿದ್ಯಾರ್ಥಿಗಳು ಗಮನಿಸಿದ್ದಾರೆ (ಕೋಷ್ಟಕ 4). ಎಂಟು ಮುಖ್ಯ ಎಲ್ಎಸ್ ಜೊತೆಗೆ, ಮಲಯ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಎಲ್ಎಸ್ ವರ್ಗೀಕರಣಗಳ 34 ಸಂಯೋಜನೆಗಳು ಇವೆ. ಅವುಗಳಲ್ಲಿ, ಗ್ರಹಿಕೆ, ದೃಷ್ಟಿ ಮತ್ತು ಗ್ರಹಿಕೆ ಮತ್ತು ದೃಷ್ಟಿಯ ಸಂಯೋಜನೆಯು ವಿದ್ಯಾರ್ಥಿಗಳು ವರದಿ ಮಾಡಿದ ಮುಖ್ಯ ಎಲ್ಎಸ್ (ಚಿತ್ರ 7).
ಕೋಷ್ಟಕ 4 ರಿಂದ ನೋಡಬಹುದಾದಂತೆ, ಹೆಚ್ಚಿನ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಧಾನ ಸಂವೇದನಾ (13.7%) ಅಥವಾ ದೃಶ್ಯ (8.6%) ಎಲ್.ಎಸ್. 12.2% ವಿದ್ಯಾರ್ಥಿಗಳು ಗ್ರಹಿಕೆ ದೃಷ್ಟಿಯೊಂದಿಗೆ (ಗ್ರಹಿಕೆ-ದೃಶ್ಯ ಎಲ್ಎಸ್) ಸಂಯೋಜಿಸಿದ್ದಾರೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಈ ಆವಿಷ್ಕಾರಗಳು ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ಥಾಪಿತ ವಿಧಾನಗಳ ಮೂಲಕ ಕಲಿಯಲು ಮತ್ತು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಬಯಸುತ್ತಾರೆ, ನಿರ್ದಿಷ್ಟ ಮತ್ತು ವಿವರವಾದ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅನುಸರಿಸುತ್ತಾರೆ ಮತ್ತು ಪ್ರಕೃತಿಯಲ್ಲಿ ಗಮನ ಹರಿಸುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಅವರು ನೋಡುವ ಮೂಲಕ (ರೇಖಾಚಿತ್ರಗಳನ್ನು ಬಳಸುವುದು ಇತ್ಯಾದಿ) ಕಲಿಯುವುದನ್ನು ಆನಂದಿಸುತ್ತಾರೆ ಮತ್ತು ಗುಂಪುಗಳಲ್ಲಿ ಅಥವಾ ಸ್ವಂತವಾಗಿ ಮಾಹಿತಿಯನ್ನು ಚರ್ಚಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಒಲವು ತೋರುತ್ತಾರೆ.
ಈ ಅಧ್ಯಯನವು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಬಳಸುವ ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಗಳ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ, ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಅನ್ನು ತಕ್ಷಣ ಮತ್ತು ನಿಖರವಾಗಿ ting ಹಿಸುತ್ತದೆ ಮತ್ತು ಸೂಕ್ತವಾದ ಐಎಸ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ನಿರ್ಧಾರ ಮರ ಮಾದರಿಯ ಅನ್ವಯವು ಅವರ ಜೀವನ ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಅನುಭವಗಳಿಗೆ ಹೆಚ್ಚು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿರುವ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಿದೆ. ಇದು ಮೇಲ್ವಿಚಾರಣೆಯ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಡೇಟಾದ ಒಂದು ಗುಂಪನ್ನು ಕೆಲವು ಮಾನದಂಡಗಳ ಆಧಾರದ ಮೇಲೆ ಉಪವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸಲು ಮರದ ರಚನೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಎಲೆ ನೋಡ್‌ನಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರೆಗೆ ಪ್ರತಿ ಆಂತರಿಕ ನೋಡ್‌ನ ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಒಂದು ಮೌಲ್ಯದ ಆಧಾರದ ಮೇಲೆ ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು ಉಪವಿಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸುವ ಮೂಲಕ ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ನಿರ್ಧಾರ ಮರದ ಆಂತರಿಕ ನೋಡ್‌ಗಳು ಎಂ-ಐಎಲ್‌ಎಸ್ ಸಮಸ್ಯೆಯ ಇನ್ಪುಟ್ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಪರಿಹಾರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ, ಮತ್ತು ಎಲೆ ನೋಡ್‌ಗಳು ಅಂತಿಮ ಎಲ್ಎಸ್ ವರ್ಗೀಕರಣ ಮುನ್ಸೂಚನೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಅಧ್ಯಯನದ ಉದ್ದಕ್ಕೂ, ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು output ಟ್ಪುಟ್ ಮುನ್ಸೂಚನೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನೋಡುವ ಮೂಲಕ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸುವ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸುವ ನಿರ್ಧಾರ ಮರಗಳ ಕ್ರಮಾನುಗತವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸುಲಭ.
ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರವೇಶ ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು [] 21], ಜನಸಂಖ್ಯಾ ಮಾಹಿತಿ ಮತ್ತು ಕಲಿಕೆಯ ನಡವಳಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು to ಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿಖರವಾಗಿ icted ಹಿಸುತ್ತದೆ ಮತ್ತು ಶೈಕ್ಷಣಿಕ ತೊಂದರೆಗಳಿಗೆ ಅಪಾಯದಲ್ಲಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಗುರುತಿಸಲು ಅವರಿಗೆ ಸಹಾಯ ಮಾಡಿದೆ ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸಿದೆ.
ಹಲ್ಲಿನ ತರಬೇತಿಗಾಗಿ ವರ್ಚುವಲ್ ರೋಗಿಯ ಸಿಮ್ಯುಲೇಟರ್‌ಗಳ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಎಂಎಲ್ ಕ್ರಮಾವಳಿಗಳ ಅನ್ವಯವು ವರದಿಯಾಗಿದೆ. ಸಿಮ್ಯುಲೇಟರ್ ನೈಜ ರೋಗಿಗಳ ಶಾರೀರಿಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಪುನರುತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸುರಕ್ಷಿತ ಮತ್ತು ನಿಯಂತ್ರಿತ ವಾತಾವರಣದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲು ಬಳಸಬಹುದು [23]. ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳು ಹಲ್ಲಿನ ಮತ್ತು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ ಮತ್ತು ರೋಗಿಗಳ ಆರೈಕೆಯ ಗುಣಮಟ್ಟ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ಹಲವಾರು ಇತರ ಅಧ್ಯಯನಗಳು ತೋರಿಸುತ್ತವೆ. ರೋಗಲಕ್ಷಣಗಳು ಮತ್ತು ರೋಗಿಗಳ ಗುಣಲಕ್ಷಣಗಳಾದ [24, 25] ದತ್ತಾಂಶ ಸೆಟ್ಗಳ ಆಧಾರದ ಮೇಲೆ ಹಲ್ಲಿನ ಕಾಯಿಲೆಗಳ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಸಹಾಯ ಮಾಡಲು ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಇತರ ಅಧ್ಯಯನಗಳು ರೋಗಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ting ಹಿಸುವುದು, ಹೆಚ್ಚಿನ-ಅಪಾಯದ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸುವುದು, ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಚಿಕಿತ್ಸಾ ಯೋಜನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು [26], ಆವರ್ತಕ ಚಿಕಿತ್ಸೆ [27], ಮತ್ತು ಕ್ಷಯ ಚಿಕಿತ್ಸೆ [25] ಮುಂತಾದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳ ಬಳಕೆಯನ್ನು ಅನ್ವೇಷಿಸಿದ್ದರೂ.
ದಂತವೈದ್ಯಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅನ್ವಯದ ವರದಿಗಳನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದ್ದರೂ, ದಂತ ಶಿಕ್ಷಣದಲ್ಲಿ ಅದರ ಅನ್ವಯವು ಸೀಮಿತವಾಗಿದೆ. ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನವು ಎಲ್ಎಸ್‌ನೊಂದಿಗೆ ಹೆಚ್ಚು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿರುವ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಲು ನಿರ್ಧಾರ ಮರದ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಇದು ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.
ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಶಿಫಾರಸು ಸಾಧನವು ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ಪರಿಪೂರ್ಣ ನಿಖರತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಇದು ಶಿಕ್ಷಕರು ಈ ಸಾಧನದಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಡೇಟಾ-ಚಾಲಿತ ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸುವುದರಿಂದ, ಇದು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಶಿಕ್ಷಣತಜ್ಞರು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಶೈಕ್ಷಣಿಕ ಅನುಭವಗಳು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಅವುಗಳಲ್ಲಿ, ಶಿಫಾರಸು ಸಾಧನಗಳ ಮೂಲಕ ಪಡೆದ ಮಾಹಿತಿಯು ಶಿಕ್ಷಕರ ಆದ್ಯತೆಯ ಬೋಧನಾ ವಿಧಾನಗಳು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯಗಳ ನಡುವಿನ ಘರ್ಷಣೆಯನ್ನು ಪರಿಹರಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಶಿಫಾರಸು ಪರಿಕರಗಳ ಸ್ವಯಂಚಾಲಿತ output ಟ್‌ಪುಟ್‌ನಿಂದಾಗಿ, ವಿದ್ಯಾರ್ಥಿಯ ಐಪಿಯನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅದನ್ನು ಅನುಗುಣವಾದ ಐಪಿ ಯೊಂದಿಗೆ ಹೊಂದಿಸಲು ಅಗತ್ಯವಾದ ಸಮಯ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ, ಸೂಕ್ತವಾದ ತರಬೇತಿ ಚಟುವಟಿಕೆಗಳು ಮತ್ತು ತರಬೇತಿ ಸಾಮಗ್ರಿಗಳನ್ನು ಆಯೋಜಿಸಬಹುದು. ಇದು ವಿದ್ಯಾರ್ಥಿಗಳ ಸಕಾರಾತ್ಮಕ ಕಲಿಕೆಯ ನಡವಳಿಕೆ ಮತ್ತು ಕೇಂದ್ರೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಒಂದು ಅಧ್ಯಯನವು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕಲಿಕೆಯ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ತಮ್ಮ ಆದ್ಯತೆಯ ಎಲ್ಎಸ್ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಕಲಿಕೆಯ ಚಟುವಟಿಕೆಗಳನ್ನು ಒದಗಿಸುವುದರಿಂದ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಾಧಿಸಲು ಅನೇಕ ರೀತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಕಲಿಕೆಯನ್ನು ಆನಂದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ [12]. ತರಗತಿಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಭಾಗವಹಿಸುವಿಕೆಯನ್ನು ಸುಧಾರಿಸುವುದರ ಜೊತೆಗೆ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಬೋಧನಾ ಅಭ್ಯಾಸಗಳನ್ನು ಸುಧಾರಿಸುವಲ್ಲಿ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಸಂವಹನವನ್ನು ಸುಧಾರಿಸುವಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸುತ್ತದೆ [28, 29].
ಆದಾಗ್ಯೂ, ಯಾವುದೇ ಆಧುನಿಕ ತಂತ್ರಜ್ಞಾನದಂತೆ, ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಮಿತಿಗಳಿವೆ. ದತ್ತಾಂಶ ಗೌಪ್ಯತೆ, ಪಕ್ಷಪಾತ ಮತ್ತು ನ್ಯಾಯಸಮ್ಮತತೆಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಹಲ್ಲಿನ ಶಿಕ್ಷಣದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅಗತ್ಯವಾದ ವೃತ್ತಿಪರ ಕೌಶಲ್ಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳು ಸೇರಿವೆ; ಆದಾಗ್ಯೂ, ಈ ಪ್ರದೇಶದಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಆಸಕ್ತಿ ಮತ್ತು ಸಂಶೋಧನೆಯು ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಜ್ಞಾನಗಳು ಹಲ್ಲಿನ ಶಿಕ್ಷಣ ಮತ್ತು ಹಲ್ಲಿನ ಸೇವೆಗಳ ಮೇಲೆ ಸಕಾರಾತ್ಮಕ ಪರಿಣಾಮ ಬೀರಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಅರ್ಧದಷ್ಟು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳು .ಷಧಿಗಳನ್ನು "ಗ್ರಹಿಸುವ" ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಈ ರೀತಿಯ ಕಲಿಯುವವರು ಸತ್ಯಗಳು ಮತ್ತು ದೃ concrete ವಾದ ಉದಾಹರಣೆಗಳಿಗೆ ಆದ್ಯತೆ, ಪ್ರಾಯೋಗಿಕ ದೃಷ್ಟಿಕೋನ, ವಿವರಗಳಿಗಾಗಿ ತಾಳ್ಮೆ ಮತ್ತು “ದೃಶ್ಯ” ಎಲ್ಎಸ್ ಆದ್ಯತೆಯನ್ನು ಹೊಂದಿದ್ದಾರೆ, ಅಲ್ಲಿ ಕಲಿಯುವವರು ಆಲೋಚನೆಗಳು ಮತ್ತು ಆಲೋಚನೆಗಳನ್ನು ತಿಳಿಸಲು ಚಿತ್ರಗಳು, ಗ್ರಾಫಿಕ್ಸ್, ಬಣ್ಣಗಳು ಮತ್ತು ನಕ್ಷೆಗಳನ್ನು ಬಳಸಲು ಬಯಸುತ್ತಾರೆ. ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳು ದಂತ ಮತ್ತು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ ಎಲ್ಎಸ್ ಅನ್ನು ನಿರ್ಣಯಿಸಲು ಐಎಲ್ಎಸ್ ಬಳಸುವ ಇತರ ಅಧ್ಯಯನಗಳಿಗೆ ಅನುಗುಣವಾಗಿರುತ್ತವೆ, ಅವರಲ್ಲಿ ಹೆಚ್ಚಿನವರು ಗ್ರಹಿಕೆ ಮತ್ತು ದೃಶ್ಯ ಎಲ್ಎಸ್ [12, 30] ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಡಾಲ್ಮೋಲಿನ್ ಮತ್ತು ಇತರರು ತಮ್ಮ ಎಲ್ಎಸ್ ಬಗ್ಗೆ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಿಳಿಸುವುದರಿಂದ ಅವರ ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ತಲುಪಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಶಿಕ್ಷಕರು ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಾಗ, ವಿವಿಧ ಬೋಧನಾ ವಿಧಾನಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು ಅದು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಕಲಿಕೆಯ ಅನುಭವವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ [12, 31, 32]. ಇತರ ಅಧ್ಯಯನಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಅನ್ನು ಸರಿಹೊಂದಿಸುವುದರಿಂದ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅನುಭವ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಸುಧಾರಣೆಗಳನ್ನು ತಮ್ಮ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ತಮ್ಮದೇ ಎಲ್ಎಸ್ [13, 33] ಗೆ ತಕ್ಕಂತೆ ಬದಲಾಯಿಸಿದ ನಂತರ ತೋರಿಸಿದೆ.
ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯದ ಆಧಾರದ ಮೇಲೆ ಬೋಧನಾ ಕಾರ್ಯತಂತ್ರಗಳ ಅನುಷ್ಠಾನದ ಬಗ್ಗೆ ಶಿಕ್ಷಕರ ಅಭಿಪ್ರಾಯಗಳು ಬದಲಾಗಬಹುದು. ವೃತ್ತಿಪರ ಅಭಿವೃದ್ಧಿ ಅವಕಾಶಗಳು, ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ಸಮುದಾಯ ಬೆಂಬಲ ಸೇರಿದಂತೆ ಈ ವಿಧಾನದ ಪ್ರಯೋಜನಗಳನ್ನು ಕೆಲವರು ನೋಡುತ್ತಿದ್ದರೆ, ಇತರರು ಸಮಯ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಬೆಂಬಲದ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸಬಹುದು. ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ಮನೋಭಾವವನ್ನು ಸೃಷ್ಟಿಸಲು ಸಮತೋಲನಕ್ಕಾಗಿ ಶ್ರಮಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ. ನವೀನ ಅಭ್ಯಾಸಗಳನ್ನು ಪರಿಚಯಿಸುವ ಮೂಲಕ ಮತ್ತು ಬೋಧಕವರ್ಗದ ಅಭಿವೃದ್ಧಿಯನ್ನು ಬೆಂಬಲಿಸುವ ಮೂಲಕ ಸಕಾರಾತ್ಮಕ ಬದಲಾವಣೆಯನ್ನು ಉಂಟುಮಾಡುವಲ್ಲಿ ವಿಶ್ವವಿದ್ಯಾಲಯದ ನಿರ್ವಾಹಕರಂತಹ ಉನ್ನತ ಶಿಕ್ಷಣ ಅಧಿಕಾರಿಗಳು ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸಬಹುದು [34]. ನಿಜವಾದ ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಸ್ಪಂದಿಸುವ ಉನ್ನತ ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸಲು, ನೀತಿ ನಿರೂಪಕರು ನೀತಿ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವುದು, ತಂತ್ರಜ್ಞಾನದ ಏಕೀಕರಣಕ್ಕೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ವಿನಿಯೋಗಿಸುವುದು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿ-ಕೇಂದ್ರಿತ ವಿಧಾನಗಳನ್ನು ಉತ್ತೇಜಿಸುವ ಚೌಕಟ್ಟುಗಳನ್ನು ರಚಿಸುವುದು ಮುಂತಾದ ದಿಟ್ಟ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಲು ಈ ಕ್ರಮಗಳು ನಿರ್ಣಾಯಕ. ವಿಭಿನ್ನ ಸೂಚನೆಯ ಕುರಿತಾದ ಇತ್ತೀಚಿನ ಸಂಶೋಧನೆಗಳು ವಿಭಿನ್ನ ಸೂಚನೆಯ ಯಶಸ್ವಿ ಅನುಷ್ಠಾನಕ್ಕೆ ಶಿಕ್ಷಕರಿಗೆ ನಡೆಯುತ್ತಿರುವ ತರಬೇತಿ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಅವಕಾಶಗಳು ಬೇಕಾಗುತ್ತವೆ ಎಂದು ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸಿದೆ [35].
ವಿದ್ಯಾರ್ಥಿ ಸ್ನೇಹಿ ಕಲಿಕೆಯ ಚಟುವಟಿಕೆಗಳನ್ನು ಯೋಜಿಸಲು ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಯಸುವ ದಂತ ಶಿಕ್ಷಣತಜ್ಞರಿಗೆ ಈ ಸಾಧನವು ಅಮೂಲ್ಯವಾದ ಬೆಂಬಲವನ್ನು ನೀಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ಅಧ್ಯಯನವು ನಿರ್ಧಾರ ಮರ ಎಂಎಲ್ ಮಾದರಿಗಳ ಬಳಕೆಗೆ ಸೀಮಿತವಾಗಿದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಶಿಫಾರಸು ಸಾಧನಗಳ ನಿಖರತೆ, ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಹೋಲಿಸಲು ವಿಭಿನ್ನ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸಲು ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕಾಗಿ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ, ಮಾದರಿ ಸಂಕೀರ್ಣತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಂತಹ ಇತರ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸುವುದು ಮುಖ್ಯ.
ಈ ಅಧ್ಯಯನದ ಒಂದು ಮಿತಿಯೆಂದರೆ ಅದು ಎಲ್ಎಸ್ ಅನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದರ ಮೇಲೆ ಮಾತ್ರ ಕೇಂದ್ರೀಕರಿಸಿದೆ ಮತ್ತು ಹಲ್ಲಿನ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಆದ್ದರಿಂದ, ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸೂಕ್ತವಾದವುಗಳನ್ನು ಮಾತ್ರ ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ಸಾಮಾನ್ಯ ಉನ್ನತ ಶಿಕ್ಷಣ ವಿದ್ಯಾರ್ಥಿ ಬಳಕೆಗೆ ಬದಲಾವಣೆಗಳು ಅವಶ್ಯಕ.
ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ಶಿಫಾರಸು ಸಾಧನವು ವಿದ್ಯಾರ್ಥಿಗಳ ಎಲ್ಎಸ್ ಅನ್ನು ಅನುಗುಣವಾದ ಐಎಸ್ ಗೆ ತಕ್ಷಣವೇ ವರ್ಗೀಕರಿಸಲು ಮತ್ತು ಹೊಂದಿಸಲು ಸಮರ್ಥವಾಗಿದೆ, ಇದು ದಂತ ಶಿಕ್ಷಕರಿಗೆ ಸಂಬಂಧಿತ ಬೋಧನೆ ಮತ್ತು ಕಲಿಕೆಯ ಚಟುವಟಿಕೆಗಳನ್ನು ಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮೊದಲ ದಂತ ಶಿಕ್ಷಣ ಕಾರ್ಯಕ್ರಮವಾಗಿದೆ. ಡೇಟಾ-ಚಾಲಿತ ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸುವುದರಿಂದ, ಇದು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ, ಬೋಧನಾ ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ಉದ್ದೇಶಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ನಡೆಯುತ್ತಿರುವ ವೃತ್ತಿಪರ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಇದರ ಅನ್ವಯವು ಹಲ್ಲಿನ ಶಿಕ್ಷಣಕ್ಕೆ ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ವಿಧಾನಗಳನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.
ಗಿಲಾಕ್ ಜಾನಿ ಅಸೋಸಿಯೇಟೆಡ್ ಪ್ರೆಸ್. ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಶೈಲಿ ಮತ್ತು ಶಿಕ್ಷಕರ ಬೋಧನಾ ಶೈಲಿಯ ನಡುವೆ ಹೊಂದಾಣಿಕೆ ಅಥವಾ ಹೊಂದಾಣಿಕೆ. ಇಂಟ್ ಜೆ ಮಾಡ್ ಎಜುಕೇಶನ್ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05