ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ಸೇರಿದಂತೆ ಉನ್ನತ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ಕಲಿಕೆಯ (SCL) ಅಗತ್ಯ ಹೆಚ್ಚುತ್ತಿದೆ. ಆದಾಗ್ಯೂ, ದಂತ ಶಿಕ್ಷಣದಲ್ಲಿ SCL ಸೀಮಿತ ಅನ್ವಯಿಕೆಯನ್ನು ಹೊಂದಿದೆ. ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನವು ದಂತವೈದ್ಯಶಾಸ್ತ್ರದಲ್ಲಿ SCL ಅನ್ವಯವನ್ನು ಉತ್ತೇಜಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಇದು ನಿರ್ಧಾರ ವೃಕ್ಷ ಯಂತ್ರ ಕಲಿಕೆ (ML) ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಆದ್ಯತೆಯ ಕಲಿಕಾ ಶೈಲಿ (LS) ಮತ್ತು ಅನುಗುಣವಾದ ಕಲಿಕಾ ತಂತ್ರಗಳನ್ನು (IS) IS ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಉಪಯುಕ್ತ ಸಾಧನವಾಗಿ ನಕ್ಷೆ ಮಾಡುತ್ತದೆ. ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಭರವಸೆಯ ವಿಧಾನಗಳು.
ಮಲಯ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಒಟ್ಟು 255 ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳು ಮಾರ್ಪಡಿಸಿದ ಕಲಿಕೆಯ ಶೈಲಿಗಳ ಸೂಚ್ಯಂಕ (m-ILS) ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದರು, ಇದರಲ್ಲಿ ಆಯಾ LS ಗಳಲ್ಲಿ ವರ್ಗೀಕರಿಸಲು 44 ಐಟಂಗಳಿವೆ. ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು (ಡೇಟಾಸೆಟ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಮೇಲ್ವಿಚಾರಣೆಯ ನಿರ್ಧಾರ ವೃಕ್ಷ ಕಲಿಕೆಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ಹೆಚ್ಚು ಸೂಕ್ತವಾದ IS ಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ನಂತರ ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ IS ಶಿಫಾರಸು ಉಪಕರಣದ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ.
LS (ಇನ್ಪುಟ್) ಮತ್ತು IS (ಟಾರ್ಗೆಟ್ ಔಟ್ಪುಟ್) ನಡುವಿನ ಸ್ವಯಂಚಾಲಿತ ಮ್ಯಾಪಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಗಳ ಅನ್ವಯವು ಪ್ರತಿ ದಂತ ವಿದ್ಯಾರ್ಥಿಗೆ ಸೂಕ್ತವಾದ ಕಲಿಕಾ ತಂತ್ರಗಳ ತಕ್ಷಣದ ಪಟ್ಟಿಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ. IS ಶಿಫಾರಸು ಪರಿಕರವು ಪರಿಪೂರ್ಣ ನಿಖರತೆ ಮತ್ತು ಒಟ್ಟಾರೆ ಮಾದರಿ ನಿಖರತೆಯ ಮರುಸ್ಥಾಪನೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿತು, LS ಅನ್ನು IS ಗೆ ಹೊಂದಿಸುವುದು ಉತ್ತಮ ಸಂವೇದನೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ML ನಿರ್ಧಾರ ವೃಕ್ಷವನ್ನು ಆಧರಿಸಿದ IS ಶಿಫಾರಸು ಪರಿಕರವು, ದಂತ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ಶೈಲಿಗಳನ್ನು ಸೂಕ್ತ ಕಲಿಕಾ ತಂತ್ರಗಳೊಂದಿಗೆ ನಿಖರವಾಗಿ ಹೊಂದಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಾಬೀತುಪಡಿಸಿದೆ. ಈ ಪರಿಕರವು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ಅನುಭವವನ್ನು ಹೆಚ್ಚಿಸುವ ಕಲಿಯುವ-ಕೇಂದ್ರಿತ ಕೋರ್ಸ್ಗಳು ಅಥವಾ ಮಾಡ್ಯೂಲ್ಗಳನ್ನು ಯೋಜಿಸಲು ಪ್ರಬಲ ಆಯ್ಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಬೋಧನೆ ಮತ್ತು ಕಲಿಕೆ ಮೂಲಭೂತ ಚಟುವಟಿಕೆಗಳಾಗಿವೆ. ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವೃತ್ತಿಪರ ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯತೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು ಮುಖ್ಯ. ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ಅವರ ಕಲಿಕಾ ಪರಿಸರದ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಅವರ LS ಮೂಲಕ ನಿರ್ಧರಿಸಬಹುದು. ವಿದ್ಯಾರ್ಥಿಗಳ LS ಮತ್ತು IS ನಡುವಿನ ಶಿಕ್ಷಕರು ಉದ್ದೇಶಿಸಿದ ಅಸಾಮರಸ್ಯವು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಮೇಲೆ ನಕಾರಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಬಹುದು, ಉದಾಹರಣೆಗೆ ಗಮನ ಕಡಿಮೆಯಾಗುವುದು ಮತ್ತು ಪ್ರೇರಣೆ ಕಡಿಮೆಯಾಗುವುದು ಎಂದು ಸಂಶೋಧನೆ ಸೂಚಿಸುತ್ತದೆ. ಇದು ಪರೋಕ್ಷವಾಗಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ [1,2].
IS ಎನ್ನುವುದು ಶಿಕ್ಷಕರು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಜ್ಞಾನ ಮತ್ತು ಕೌಶಲ್ಯಗಳನ್ನು ನೀಡಲು ಬಳಸುವ ಒಂದು ವಿಧಾನವಾಗಿದೆ, ಇದರಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳು ಕಲಿಯಲು ಸಹಾಯ ಮಾಡುವುದು ಸೇರಿದೆ [3]. ಸಾಮಾನ್ಯವಾಗಿ ಹೇಳುವುದಾದರೆ, ಉತ್ತಮ ಶಿಕ್ಷಕರು ತಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳ ಜ್ಞಾನದ ಮಟ್ಟ, ಅವರು ಕಲಿಯುತ್ತಿರುವ ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಅವರ ಕಲಿಕೆಯ ಹಂತಕ್ಕೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವ ಬೋಧನಾ ತಂತ್ರಗಳು ಅಥವಾ IS ಅನ್ನು ಯೋಜಿಸುತ್ತಾರೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, LS ಮತ್ತು IS ಹೊಂದಿಕೆಯಾದಾಗ, ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಲಿಯಲು ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯಗಳ ಗುಂಪನ್ನು ಸಂಘಟಿಸಲು ಮತ್ತು ಬಳಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಪಾಠ ಯೋಜನೆಯು ಬೋಧನೆಯಿಂದ ಮಾರ್ಗದರ್ಶಿ ಅಭ್ಯಾಸಕ್ಕೆ ಅಥವಾ ಮಾರ್ಗದರ್ಶಿ ಅಭ್ಯಾಸದಿಂದ ಸ್ವತಂತ್ರ ಅಭ್ಯಾಸಕ್ಕೆ ಮುಂತಾದ ಹಂತಗಳ ನಡುವೆ ಹಲವಾರು ಪರಿವರ್ತನೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು, ಪರಿಣಾಮಕಾರಿ ಶಿಕ್ಷಕರು ಸಾಮಾನ್ಯವಾಗಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಜ್ಞಾನ ಮತ್ತು ಕೌಶಲ್ಯಗಳನ್ನು ನಿರ್ಮಿಸುವ ಗುರಿಯೊಂದಿಗೆ ಬೋಧನೆಯನ್ನು ಯೋಜಿಸುತ್ತಾರೆ [4].
ದಂತ ವೈದ್ಯಕೀಯ ಸೇರಿದಂತೆ ಉನ್ನತ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ SCL ಗೆ ಬೇಡಿಕೆ ಹೆಚ್ಚುತ್ತಿದೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯಗಳನ್ನು ಪೂರೈಸಲು SCL ತಂತ್ರಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಕಲಿಕಾ ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಸಕ್ರಿಯವಾಗಿ ಭಾಗವಹಿಸಿದರೆ ಮತ್ತು ಶಿಕ್ಷಕರು ಸಹಾಯಕರಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ ಮತ್ತು ಮೌಲ್ಯಯುತ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದರೆ ಇದನ್ನು ಸಾಧಿಸಬಹುದು. ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಮಟ್ಟ ಅಥವಾ ಆದ್ಯತೆಗಳಿಗೆ ಸೂಕ್ತವಾದ ಕಲಿಕಾ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಒದಗಿಸುವುದರಿಂದ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ವಾತಾವರಣವನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಸಕಾರಾತ್ಮಕ ಕಲಿಕಾ ಅನುಭವಗಳನ್ನು ಉತ್ತೇಜಿಸಬಹುದು ಎಂದು ಹೇಳಲಾಗುತ್ತದೆ [5].
ಸಾಮಾನ್ಯವಾಗಿ ಹೇಳುವುದಾದರೆ, ದಂತ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯು ಅವರು ನಿರ್ವಹಿಸಬೇಕಾದ ವಿವಿಧ ಕ್ಲಿನಿಕಲ್ ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ಅವರು ಪರಿಣಾಮಕಾರಿ ಪರಸ್ಪರ ಕೌಶಲ್ಯಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಕ್ಲಿನಿಕಲ್ ಪರಿಸರದಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. ದಂತ ವೈದ್ಯಕೀಯದ ಮೂಲಭೂತ ಜ್ಞಾನವನ್ನು ದಂತ ವೈದ್ಯಕೀಯ ಕೌಶಲ್ಯಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲು ಮತ್ತು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ ಜ್ಞಾನವನ್ನು ಹೊಸ ಕ್ಲಿನಿಕಲ್ ಸನ್ನಿವೇಶಗಳಿಗೆ ಅನ್ವಯಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುವುದು ತರಬೇತಿಯ ಉದ್ದೇಶವಾಗಿದೆ [6, 7]. LS ಮತ್ತು IS ನಡುವಿನ ಸಂಬಂಧದ ಆರಂಭಿಕ ಸಂಶೋಧನೆಯು ಆದ್ಯತೆಯ LS ಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾದ ಕಲಿಕೆಯ ತಂತ್ರಗಳನ್ನು ಹೊಂದಿಸುವುದು ಶೈಕ್ಷಣಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ [8]. ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆ ಮತ್ತು ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ವಿವಿಧ ಬೋಧನೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳನ್ನು ಬಳಸಲು ಲೇಖಕರು ಶಿಫಾರಸು ಮಾಡುತ್ತಾರೆ.
ವಿದ್ಯಾರ್ಥಿಗಳು ವಿಷಯದ ಬಗ್ಗೆ ಆಳವಾದ ಜ್ಞಾನ ಮತ್ತು ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದನ್ನು ಹೆಚ್ಚಿಸುವ ಸೂಚನೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಲು ಶಿಕ್ಷಕರು LS ಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಾರೆ. ಸಂಶೋಧಕರು ಕೋಲ್ಬ್ ಅನುಭವಿ ಕಲಿಕೆ ಮಾದರಿ, ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್ಮನ್ ಕಲಿಕೆ ಶೈಲಿ ಮಾದರಿ (FSLSM), ಮತ್ತು ಫ್ಲೆಮಿಂಗ್ VAK/VARK ಮಾದರಿ [5, 9, 10] ನಂತಹ ಹಲವಾರು LS ಮೌಲ್ಯಮಾಪನ ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಸಾಹಿತ್ಯದ ಪ್ರಕಾರ, ಈ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮತ್ತು ಹೆಚ್ಚು ಅಧ್ಯಯನ ಮಾಡಲಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಾಗಿವೆ. ಪ್ರಸ್ತುತ ಸಂಶೋಧನಾ ಕಾರ್ಯದಲ್ಲಿ, ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ LS ಅನ್ನು ನಿರ್ಣಯಿಸಲು FSLSM ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಕಲಿಕೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು FSLSM ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಮಾದರಿಯಾಗಿದೆ. FSLSM ಮಾದರಿಗಳನ್ನು [5, 11, 12, 13] ಬಳಸಿಕೊಂಡು ಆರೋಗ್ಯ ವಿಜ್ಞಾನಗಳಲ್ಲಿ (ಔಷಧ, ನರ್ಸಿಂಗ್, ಔಷಧಾಲಯ ಮತ್ತು ದಂತವೈದ್ಯಶಾಸ್ತ್ರ ಸೇರಿದಂತೆ) ಅನೇಕ ಪ್ರಕಟಿತ ಕೃತಿಗಳನ್ನು ಕಾಣಬಹುದು. FLSM ನಲ್ಲಿ LS ನ ಆಯಾಮಗಳನ್ನು ಅಳೆಯಲು ಬಳಸುವ ಸಾಧನವನ್ನು ಕಲಿಕೆಯ ಶೈಲಿಗಳ ಸೂಚ್ಯಂಕ (ILS) [8] ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು LS ನ ನಾಲ್ಕು ಆಯಾಮಗಳನ್ನು ನಿರ್ಣಯಿಸುವ 44 ವಸ್ತುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ಸಂಸ್ಕರಣೆ (ಸಕ್ರಿಯ/ಪ್ರತಿಫಲಿತ), ಗ್ರಹಿಕೆ (ಗ್ರಹಿಕೆ/ಅಂತರ್ಬೋಧಕ), ಇನ್ಪುಟ್ (ದೃಶ್ಯ). /ಮೌಖಿಕ) ಮತ್ತು ತಿಳುವಳಿಕೆ (ಅನುಕ್ರಮ/ಜಾಗತಿಕ) [14].
ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ, ಪ್ರತಿ FSLSM ಆಯಾಮವು ಪ್ರಬಲ ಆದ್ಯತೆಯನ್ನು ಹೊಂದಿದೆ. ಉದಾಹರಣೆಗೆ, ಸಂಸ್ಕರಣಾ ಆಯಾಮದಲ್ಲಿ, "ಸಕ್ರಿಯ" LS ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ಕಲಿಕಾ ಸಾಮಗ್ರಿಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂವಹನ ನಡೆಸುವ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ಮಾಡುವ ಮೂಲಕ ಕಲಿಯಲು ಮತ್ತು ಗುಂಪುಗಳಲ್ಲಿ ಕಲಿಯಲು ಒಲವು ತೋರುತ್ತಾರೆ. "ಪ್ರತಿಫಲಿತ" LS ಚಿಂತನೆಯ ಮೂಲಕ ಕಲಿಯುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಏಕಾಂಗಿಯಾಗಿ ಕೆಲಸ ಮಾಡಲು ಆದ್ಯತೆ ನೀಡುತ್ತದೆ. LS ನ "ಗ್ರಹಿಸುವ" ಆಯಾಮವನ್ನು "ಭಾವನೆ" ಮತ್ತು/ಅಥವಾ "ಅಂತಃಪ್ರಜ್ಞೆ" ಎಂದು ವಿಂಗಡಿಸಬಹುದು. "ಭಾವನೆ" ವಿದ್ಯಾರ್ಥಿಗಳು ಹೆಚ್ಚು ಕಾಂಕ್ರೀಟ್ ಮಾಹಿತಿ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬಯಸುತ್ತಾರೆ, ಅಮೂರ್ತ ವಸ್ತುವನ್ನು ಆದ್ಯತೆ ನೀಡುವ ಮತ್ತು ಹೆಚ್ಚು ನವೀನ ಮತ್ತು ಸೃಜನಶೀಲ ಸ್ವಭಾವದ "ಅರ್ಥಗರ್ಭಿತ" ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಸತ್ಯ-ಆಧಾರಿತರಾಗಿದ್ದಾರೆ. LS ನ "ಇನ್ಪುಟ್" ಆಯಾಮವು "ದೃಶ್ಯ" ಮತ್ತು "ಮೌಖಿಕ" ಕಲಿಯುವವರನ್ನು ಒಳಗೊಂಡಿದೆ. "ದೃಶ್ಯ" LS ಹೊಂದಿರುವ ಜನರು ದೃಶ್ಯ ಪ್ರದರ್ಶನಗಳ ಮೂಲಕ (ರೇಖಾಚಿತ್ರಗಳು, ವೀಡಿಯೊಗಳು ಅಥವಾ ನೇರ ಪ್ರದರ್ಶನಗಳಂತಹ) ಕಲಿಯಲು ಬಯಸುತ್ತಾರೆ, ಆದರೆ "ಮೌಖಿಕ" LS ಹೊಂದಿರುವ ಜನರು ಲಿಖಿತ ಅಥವಾ ಮೌಖಿಕ ವಿವರಣೆಗಳಲ್ಲಿ ಪದಗಳ ಮೂಲಕ ಕಲಿಯಲು ಬಯಸುತ್ತಾರೆ. LS ಆಯಾಮಗಳನ್ನು "ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು", ಅಂತಹ ಕಲಿಯುವವರನ್ನು "ಅನುಕ್ರಮ" ಮತ್ತು "ಜಾಗತಿಕ" ಎಂದು ವಿಂಗಡಿಸಬಹುದು. "ಅನುಕ್ರಮ ಕಲಿಯುವವರು ರೇಖೀಯ ಚಿಂತನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಹಂತ ಹಂತವಾಗಿ ಕಲಿಯುತ್ತಾರೆ, ಆದರೆ ಜಾಗತಿಕ ಕಲಿಯುವವರು ಸಮಗ್ರ ಚಿಂತನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ ಮತ್ತು ಅವರು ಏನು ಕಲಿಯುತ್ತಿದ್ದಾರೆ ಎಂಬುದರ ಬಗ್ಗೆ ಯಾವಾಗಲೂ ಉತ್ತಮ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ.
ಇತ್ತೀಚೆಗೆ, ಅನೇಕ ಸಂಶೋಧಕರು ಸ್ವಯಂಚಾಲಿತ ದತ್ತಾಂಶ-ಚಾಲಿತ ಅನ್ವೇಷಣೆಗೆ ವಿಧಾನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದಾರೆ, ಇದರಲ್ಲಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಹೊಸ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮತ್ತು ಮಾದರಿಗಳ ಅಭಿವೃದ್ಧಿಯೂ ಸೇರಿದೆ [15, 16]. ಒದಗಿಸಲಾದ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾದ ML (ಯಂತ್ರ ಕಲಿಕೆ) ಅಲ್ಗಾರಿದಮ್ಗಳ ನಿರ್ಮಾಣದ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸುವ ಮಾದರಿಗಳು ಮತ್ತು ಊಹೆಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ [17]. ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತವೆ. ನಂತರ ಅದು ಒದಗಿಸಲಾದ ಇನ್ಪುಟ್ ಡೇಟಾಗೆ ಹೋಲುವ ಸಂದರ್ಭಗಳ ಆಧಾರದ ಮೇಲೆ ಫಲಿತಾಂಶವನ್ನು ವರ್ಗೀಕರಿಸುವ ಅಥವಾ ಊಹಿಸುವ ಶ್ರೇಣಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳ ಮುಖ್ಯ ಪ್ರಯೋಜನವೆಂದರೆ ಆದರ್ಶ ಮತ್ತು ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ [17].
ಡೇಟಾ-ಚಾಲಿತ ವಿಧಾನಗಳು ಮತ್ತು ನಿರ್ಧಾರ ವೃಕ್ಷ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳ ಬಳಕೆಯ ಮೂಲಕ, LS ನ ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆ ಸಾಧ್ಯ. ಆರೋಗ್ಯ ವಿಜ್ಞಾನಗಳು ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ನಿರ್ಧಾರ ವೃಕ್ಷಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ [18, 19]. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳ LS ಅನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅವರಿಗೆ ಉತ್ತಮ IS ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಲು ಸಿಸ್ಟಮ್ ಡೆವಲಪರ್ಗಳಿಂದ ಮಾದರಿಯನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ತರಬೇತಿ ನೀಡಲಾಯಿತು.
ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶ ವಿದ್ಯಾರ್ಥಿಗಳ LS ಆಧರಿಸಿ IS ವಿತರಣಾ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಮತ್ತು LS ಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾದ IS ಶಿಫಾರಸು ಪರಿಕರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೂಲಕ SCL ವಿಧಾನವನ್ನು ಅನ್ವಯಿಸುವುದು. SCL ವಿಧಾನದ ತಂತ್ರವಾಗಿ IS ಶಿಫಾರಸು ಪರಿಕರದ ವಿನ್ಯಾಸ ಹರಿವನ್ನು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. IS ಶಿಫಾರಸು ಪರಿಕರವನ್ನು ILS ಬಳಸುವ LS ವರ್ಗೀಕರಣ ಕಾರ್ಯವಿಧಾನ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ IS ಪ್ರದರ್ಶನ ಸೇರಿದಂತೆ ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ.
ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾಹಿತಿ ಭದ್ರತಾ ಶಿಫಾರಸು ಪರಿಕರಗಳ ಗುಣಲಕ್ಷಣಗಳು ವೆಬ್ ತಂತ್ರಜ್ಞಾನಗಳ ಬಳಕೆ ಮತ್ತು ನಿರ್ಧಾರ ವೃಕ್ಷ 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 ದಂತ ವಿದ್ಯಾರ್ಥಿಯ ಆನ್ಲೈನ್ m-ILS ಗೆ ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದರು. ಆರಂಭಿಕ ಹಂತದಲ್ಲಿ, ನಿರ್ಧಾರ ವೃಕ್ಷ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು 50 ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಲಾಯಿತು. ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯ ಎರಡನೇ ಹಂತದಲ್ಲಿ, ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಉಪಕರಣದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು 255 ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಲಾಯಿತು.
ಶೈಕ್ಷಣಿಕ ವರ್ಷವನ್ನು ಅವಲಂಬಿಸಿ, ಮೈಕ್ರೋಸಾಫ್ಟ್ ತಂಡಗಳ ಮೂಲಕ ಪ್ರತಿ ಹಂತದ ಆರಂಭದಲ್ಲಿ ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರಿಗೆ ಆನ್ಲೈನ್ ಬ್ರೀಫಿಂಗ್ ಅನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಅಧ್ಯಯನದ ಉದ್ದೇಶವನ್ನು ವಿವರಿಸಲಾಯಿತು ಮತ್ತು ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯಲಾಯಿತು. ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರಿಗೆ m-ILS ಅನ್ನು ಪ್ರವೇಶಿಸಲು ಲಿಂಕ್ ಅನ್ನು ಒದಗಿಸಲಾಯಿತು. ಪ್ರಶ್ನಾವಳಿಯಲ್ಲಿರುವ ಎಲ್ಲಾ 44 ಅಂಶಗಳಿಗೆ ಉತ್ತರಿಸಲು ಪ್ರತಿಯೊಬ್ಬ ವಿದ್ಯಾರ್ಥಿಗೆ ಸೂಚಿಸಲಾಯಿತು. ಸೆಮಿಸ್ಟರ್ ಪ್ರಾರಂಭವಾಗುವ ಮೊದಲು ಸೆಮಿಸ್ಟರ್ ವಿರಾಮದ ಸಮಯದಲ್ಲಿ ಅವರಿಗೆ ಅನುಕೂಲಕರವಾದ ಸಮಯ ಮತ್ತು ಸ್ಥಳದಲ್ಲಿ ಮಾರ್ಪಡಿಸಿದ ILS ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅವರಿಗೆ ಒಂದು ವಾರ ಕಾಲಾವಕಾಶ ನೀಡಲಾಯಿತು. m-ILS ಮೂಲ ILS ಉಪಕರಣವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ. ಮೂಲ ILS ನಂತೆಯೇ, ಇದು 44 ಸಮವಾಗಿ ವಿತರಿಸಲಾದ ವಸ್ತುಗಳನ್ನು (a, b) ಒಳಗೊಂಡಿದೆ, ಪ್ರತಿಯೊಂದೂ 11 ವಸ್ತುಗಳನ್ನು ಹೊಂದಿದೆ, ಇವುಗಳನ್ನು ಪ್ರತಿ FSLSM ಆಯಾಮದ ಅಂಶಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.
ಪರಿಕರ ಅಭಿವೃದ್ಧಿಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ, ಸಂಶೋಧಕರು 50 ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ನಕ್ಷೆಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಟಿಪ್ಪಣಿ ಮಾಡಿದರು. FSLM ಪ್ರಕಾರ, ವ್ಯವಸ್ಥೆಯು "a" ಮತ್ತು "b" ಉತ್ತರಗಳ ಮೊತ್ತವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪ್ರತಿ ಆಯಾಮಕ್ಕೂ, ವಿದ್ಯಾರ್ಥಿಯು "a" ಅನ್ನು ಉತ್ತರವಾಗಿ ಆರಿಸಿದರೆ, LS ಅನ್ನು ಸಕ್ರಿಯ/ಗ್ರಹಿಕೆ/ದೃಶ್ಯ/ಅನುಕ್ರಮ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಯು "b" ಅನ್ನು ಉತ್ತರವಾಗಿ ಆರಿಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಯನ್ನು ಪ್ರತಿಫಲಿತ/ಅರ್ಥಗರ್ಭಿತ/ಭಾಷಾಶಾಸ್ತ್ರ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ. / ಜಾಗತಿಕ ಕಲಿಯುವವರು.
ದಂತ ಶಿಕ್ಷಣ ಸಂಶೋಧಕರು ಮತ್ತು ಸಿಸ್ಟಮ್ ಡೆವಲಪರ್ಗಳ ನಡುವಿನ ಕೆಲಸದ ಹರಿವನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ನಂತರ, FLSSM ಡೊಮೇನ್ ಆಧರಿಸಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಯಿತು ಮತ್ತು ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಯ LS ಅನ್ನು ಊಹಿಸಲು ML ಮಾದರಿಗೆ ಸೇರಿಸಲಾಯಿತು. "ಗಾರ್ಬೇಜ್ ಇನ್, ಗಾರ್ಬೇಜ್ ಔಟ್" ಎಂಬುದು ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಜನಪ್ರಿಯ ಹೇಳಿಕೆಯಾಗಿದ್ದು, ಡೇಟಾ ಗುಣಮಟ್ಟಕ್ಕೆ ಒತ್ತು ನೀಡಲಾಗುತ್ತದೆ. ಇನ್ಪುಟ್ ಡೇಟಾದ ಗುಣಮಟ್ಟವು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯ ನಿಖರತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಹಂತದಲ್ಲಿ, FLSSM ಆಧರಿಸಿದ "a" ಮತ್ತು "b" ಉತ್ತರಗಳ ಮೊತ್ತವಾದ ಹೊಸ ವೈಶಿಷ್ಟ್ಯ ಸೆಟ್ ಅನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ. ಔಷಧ ಸ್ಥಾನಗಳ ಗುರುತಿನ ಸಂಖ್ಯೆಗಳನ್ನು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ನೀಡಲಾಗಿದೆ.
ಉತ್ತರಗಳ ಆಧಾರದ ಮೇಲೆ ಅಂಕಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಯ LS ಅನ್ನು ನಿರ್ಧರಿಸಿ. ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಗೆ, ಅಂಕಗಳ ವ್ಯಾಪ್ತಿಯು 1 ರಿಂದ 11 ರವರೆಗೆ ಇರುತ್ತದೆ. 1 ರಿಂದ 3 ರವರೆಗಿನ ಅಂಕಗಳು ಒಂದೇ ಆಯಾಮದೊಳಗಿನ ಕಲಿಕೆಯ ಆದ್ಯತೆಗಳ ಸಮತೋಲನವನ್ನು ಸೂಚಿಸುತ್ತವೆ ಮತ್ತು 5 ರಿಂದ 7 ರವರೆಗಿನ ಅಂಕಗಳು ಮಧ್ಯಮ ಆದ್ಯತೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ, ಇದು ವಿದ್ಯಾರ್ಥಿಗಳು ಇತರರಿಗೆ ಕಲಿಸುವ ಒಂದು ಪರಿಸರವನ್ನು ಆದ್ಯತೆ ನೀಡುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅದೇ ಆಯಾಮದಲ್ಲಿನ ಮತ್ತೊಂದು ವ್ಯತ್ಯಾಸವೆಂದರೆ 9 ರಿಂದ 11 ರವರೆಗಿನ ಅಂಕಗಳು ಒಂದು ಅಥವಾ ಇನ್ನೊಂದು ತುದಿಗೆ ಬಲವಾದ ಆದ್ಯತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ [8].
ಪ್ರತಿಯೊಂದು ಆಯಾಮಕ್ಕೂ, ಔಷಧಿಗಳನ್ನು "ಸಕ್ರಿಯ", "ಪ್ರತಿಫಲಿತ" ಮತ್ತು "ಸಮತೋಲಿತ" ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿಯು ಗೊತ್ತುಪಡಿಸಿದ ಐಟಂನಲ್ಲಿ "b" ಗಿಂತ ಹೆಚ್ಚಾಗಿ "a" ಗೆ ಉತ್ತರಿಸಿದಾಗ ಮತ್ತು ಸಂಸ್ಕರಣಾ LS ಆಯಾಮವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ನಿರ್ದಿಷ್ಟ ಐಟಂಗೆ ಅವನ/ಅವಳ ಅಂಕಗಳು 5 ರ ಮಿತಿಯನ್ನು ಮೀರಿದಾಗ, ಅವನು/ಅವಳು "ಸಕ್ರಿಯ" LS ಡೊಮೇನ್ಗೆ ಸೇರಿದವರು. ಆದಾಗ್ಯೂ, ನಿರ್ದಿಷ್ಟ 11 ಪ್ರಶ್ನೆಗಳಲ್ಲಿ (ಕೋಷ್ಟಕ 1) "a" ಗಿಂತ ಹೆಚ್ಚು "b" ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದಾಗ ಮತ್ತು 5 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಅಂಕಗಳನ್ನು ಗಳಿಸಿದಾಗ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು "ಪ್ರತಿಫಲಿತ" LS ಎಂದು ವರ್ಗೀಕರಿಸಲಾಯಿತು. ಅಂತಿಮವಾಗಿ, ವಿದ್ಯಾರ್ಥಿಯು "ಸಮತೋಲನ" ಸ್ಥಿತಿಯಲ್ಲಿರುತ್ತಾನೆ. ಅಂಕವು 5 ಅಂಕಗಳನ್ನು ಮೀರದಿದ್ದರೆ, ಇದು "ಪ್ರಕ್ರಿಯೆ" LS ಆಗಿದೆ. ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಇತರ LS ಆಯಾಮಗಳಿಗೆ ಪುನರಾವರ್ತಿಸಲಾಯಿತು, ಅವುಗಳೆಂದರೆ ಗ್ರಹಿಕೆ (ಸಕ್ರಿಯ/ಪ್ರತಿಫಲಿತ), ಇನ್ಪುಟ್ (ದೃಶ್ಯ/ಮೌಖಿಕ), ಮತ್ತು ಗ್ರಹಿಕೆ (ಅನುಕ್ರಮ/ಜಾಗತಿಕ).
ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಗಳು ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯ ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳ ವಿಭಿನ್ನ ಉಪವಿಭಾಗಗಳು ಮತ್ತು ನಿರ್ಧಾರ ನಿಯಮಗಳನ್ನು ಬಳಸಬಹುದು. ಇದನ್ನು ಜನಪ್ರಿಯ ವರ್ಗೀಕರಣ ಮತ್ತು ಭವಿಷ್ಯ ಸಾಧನವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಫ್ಲೋಚಾರ್ಟ್ [20] ನಂತಹ ಮರದ ರಚನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಇದನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು, ಇದರಲ್ಲಿ ಗುಣಲಕ್ಷಣದ ಮೂಲಕ ಪರೀಕ್ಷೆಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಆಂತರಿಕ ನೋಡ್ಗಳು, ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಪ್ರತಿಯೊಂದು ಶಾಖೆ ಮತ್ತು ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ಹೊಂದಿರುವ ಪ್ರತಿಯೊಂದು ಲೀಫ್ ನೋಡ್ (ಲೀಫ್ ನೋಡ್) ಇರುತ್ತದೆ.
ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅವರ LS ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸ್ಕೋರ್ ಮಾಡಲು ಮತ್ತು ಟಿಪ್ಪಣಿ ಮಾಡಲು ಸರಳವಾದ ನಿಯಮ-ಆಧಾರಿತ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ. ನಿಯಮ-ಆಧಾರಿತವು IF ಹೇಳಿಕೆಯ ರೂಪವನ್ನು ಪಡೆಯುತ್ತದೆ, ಅಲ್ಲಿ “IF” ಟ್ರಿಗ್ಗರ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ ಮತ್ತು “THEN” ನಿರ್ವಹಿಸಬೇಕಾದ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ: “X ಸಂಭವಿಸಿದಲ್ಲಿ, ನಂತರ Y ಮಾಡಿ” (ಲಿಯು ಮತ್ತು ಇತರರು, 2014). ಡೇಟಾ ಸೆಟ್ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದರೆ ಮತ್ತು ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯನ್ನು ಸರಿಯಾಗಿ ತರಬೇತಿ ನೀಡಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದರೆ, ಈ ವಿಧಾನವು LS ಮತ್ತು IS ಅನ್ನು ಹೊಂದಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವಾಗಿದೆ.
ಅಭಿವೃದ್ಧಿಯ ಎರಡನೇ ಹಂತದಲ್ಲಿ, ಶಿಫಾರಸು ಪರಿಕರದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು 255 ಕ್ಕೆ ಹೆಚ್ಚಿಸಲಾಯಿತು. ಡೇಟಾಸೆಟ್ ಅನ್ನು 1:4 ಅನುಪಾತದಲ್ಲಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷಾ ಸೆಟ್ಗಾಗಿ ಡೇಟಾ ಸೆಟ್ನ 25% (64) ಅನ್ನು ಬಳಸಲಾಯಿತು, ಮತ್ತು ಉಳಿದ 75% (191) ಅನ್ನು ತರಬೇತಿ ಸೆಟ್ ಆಗಿ ಬಳಸಲಾಯಿತು (ಚಿತ್ರ 2). ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮತ್ತು ಅದೇ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಪರೀಕ್ಷಿಸುವುದನ್ನು ತಡೆಯಲು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ವಿಭಜಿಸಬೇಕಾಗಿದೆ, ಇದು ಮಾದರಿಯನ್ನು ಕಲಿಯುವ ಬದಲು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಕಾರಣವಾಗಬಹುದು. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಸೆಟ್ನಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ - ಮಾದರಿಯು ಹಿಂದೆಂದೂ ನೋಡಿರದ ಡೇಟಾ.
IS ಪರಿಕರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನಂತರ, ವೆಬ್ ಇಂಟರ್ಫೇಸ್ ಮೂಲಕ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅಪ್ಲಿಕೇಶನ್ LS ಅನ್ನು ವರ್ಗೀಕರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ವೆಬ್ ಆಧಾರಿತ ಮಾಹಿತಿ ಭದ್ರತಾ ಶಿಫಾರಸು ಪರಿಕರ ವ್ಯವಸ್ಥೆಯನ್ನು ಜಾಂಗೊ ಚೌಕಟ್ಟನ್ನು ಬ್ಯಾಕೆಂಡ್ ಆಗಿ ಬಳಸಿಕೊಂಡು ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಈ ವ್ಯವಸ್ಥೆಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಬಳಸಲಾದ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಕೋಷ್ಟಕ 2 ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.
ವಿದ್ಯಾರ್ಥಿಗಳ LS ಅಳತೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವರ್ಗೀಕರಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮತ್ತು ಹೊರತೆಗೆಯಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಗೆ ನೀಡಲಾಗುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ನಿರ್ಧಾರ ವೃಕ್ಷ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ನ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಇದು ವರ್ಗೀಕರಣ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಇದು ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ನಿಜವಾದ ಡೇಟಾ ಲೇಬಲ್ಗಳಿಗೆ ಹೋಲಿಸುತ್ತದೆ. ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ನಾಲ್ಕು ವಿಭಿನ್ನ ಮೌಲ್ಯಗಳನ್ನು ಆಧರಿಸಿವೆ: ನಿಜವಾದ ಧನಾತ್ಮಕ (TP) - ಮಾದರಿಯು ಧನಾತ್ಮಕ ವರ್ಗವನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ, ತಪ್ಪು ಧನಾತ್ಮಕ (FP) - ಮಾದರಿಯು ಧನಾತ್ಮಕ ವರ್ಗವನ್ನು ಊಹಿಸುತ್ತದೆ, ಆದರೆ ನಿಜವಾದ ಲೇಬಲ್ ನಕಾರಾತ್ಮಕವಾಗಿತ್ತು, ನಿಜವಾದ ಋಣಾತ್ಮಕ (TN) - ಮಾದರಿಯು ಋಣಾತ್ಮಕ ವರ್ಗವನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ ಮತ್ತು ತಪ್ಪು ಋಣಾತ್ಮಕ (FN) - ಮಾದರಿಯು ನಕಾರಾತ್ಮಕ ವರ್ಗವನ್ನು ಊಹಿಸುತ್ತದೆ, ಆದರೆ ನಿಜವಾದ ಲೇಬಲ್ ಧನಾತ್ಮಕವಾಗಿರುತ್ತದೆ.
ಈ ಮೌಲ್ಯಗಳನ್ನು ನಂತರ ಪೈಥಾನ್ನಲ್ಲಿ ಸ್ಕೈಕಿಟ್-ಲರ್ನ್ ವರ್ಗೀಕರಣ ಮಾದರಿಯ ವಿವಿಧ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ, ಅವುಗಳೆಂದರೆ ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಸ್ಥಾಪನೆ ಮತ್ತು F1 ಸ್ಕೋರ್. ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:
m-ILS ಪ್ರಶ್ನಾವಳಿಗೆ ಉತ್ತರಿಸಿದ ನಂತರ ವಿದ್ಯಾರ್ಥಿಯ LS ಅನ್ನು ನಿಖರವಾಗಿ ವರ್ಗೀಕರಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಮರುಸ್ಥಾಪನೆ (ಅಥವಾ ಸೂಕ್ಷ್ಮತೆ) ಅಳೆಯುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ನಿಜವಾದ ನಕಾರಾತ್ಮಕ ದರ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮೇಲಿನ ಸೂತ್ರದಿಂದ ನೀವು ನೋಡಬಹುದಾದಂತೆ, ಇದು ನಿಜವಾದ ನಕಾರಾತ್ಮಕತೆಗಳು (TN) ಮತ್ತು ನಿಜವಾದ ನಕಾರಾತ್ಮಕತೆಗಳು ಮತ್ತು ತಪ್ಪು ಸಕಾರಾತ್ಮಕತೆಗಳು (FP) ನಡುವಿನ ಅನುಪಾತವಾಗಿರಬೇಕು. ವಿದ್ಯಾರ್ಥಿ ಔಷಧಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಶಿಫಾರಸು ಮಾಡಲಾದ ಸಾಧನದ ಭಾಗವಾಗಿ, ಇದು ನಿಖರವಾದ ಗುರುತಿಸುವಿಕೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರಬೇಕು.
ನಿರ್ಧಾರ ವೃಕ್ಷ ML ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಬಳಸಲಾದ 50 ವಿದ್ಯಾರ್ಥಿಗಳ ಮೂಲ ಡೇಟಾಸೆಟ್, ಟಿಪ್ಪಣಿಗಳಲ್ಲಿನ ಮಾನವ ದೋಷದಿಂದಾಗಿ ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ತೋರಿಸಿದೆ (ಕೋಷ್ಟಕ 3). LS ಅಂಕಗಳು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸರಳ ನಿಯಮ-ಆಧಾರಿತ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ರಚಿಸಿದ ನಂತರ, ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಹೆಚ್ಚುತ್ತಿರುವ ಸಂಖ್ಯೆಯ ಡೇಟಾಸೆಟ್ಗಳನ್ನು (255) ಬಳಸಲಾಯಿತು.
ಮಲ್ಟಿಕ್ಲಾಸ್ ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ನಲ್ಲಿ, ಕರ್ಣೀಯ ಅಂಶಗಳು ಪ್ರತಿ LS ಪ್ರಕಾರಕ್ಕೆ ಸರಿಯಾದ ಮುನ್ಸೂಚನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ (ಚಿತ್ರ 4). ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಒಟ್ಟು 64 ಮಾದರಿಗಳನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಲಾಗಿದೆ. ಹೀಗಾಗಿ, ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಕರ್ಣೀಯ ಅಂಶಗಳು ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ, ಮಾದರಿಯು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ LS ವರ್ಗೀಕರಣಕ್ಕೆ ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಶಿಫಾರಸು ಪರಿಕರದ ಒಟ್ಟಾರೆ ನಿಖರತೆ 100% ಆಗಿದೆ.
ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಸ್ಥಾಪನೆ ಮತ್ತು F1 ಸ್ಕೋರ್ನ ಮೌಲ್ಯಗಳನ್ನು ಚಿತ್ರ 5 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗೆ, ಅದರ F1 ಸ್ಕೋರ್ 1.0 "ಪರಿಪೂರ್ಣ", ಇದು ಪರಿಪೂರ್ಣ ನಿಖರತೆ ಮತ್ತು ಮರುಸ್ಥಾಪನೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇದು ಗಮನಾರ್ಹ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ಮೌಲ್ಯಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷೆ ಪೂರ್ಣಗೊಂಡ ನಂತರ ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯ ದೃಶ್ಯೀಕರಣವನ್ನು ಚಿತ್ರ 6 ತೋರಿಸುತ್ತದೆ. ಪಕ್ಕ-ಪಕ್ಕದ ಹೋಲಿಕೆಯಲ್ಲಿ, ಕಡಿಮೆ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯು ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ಸುಲಭವಾದ ಮಾದರಿ ದೃಶ್ಯೀಕರಣವನ್ನು ತೋರಿಸಿದೆ. ವೈಶಿಷ್ಟ್ಯ ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಗುವ ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಹೆಜ್ಜೆಯಾಗಿದೆ ಎಂದು ಇದು ತೋರಿಸುತ್ತದೆ.
ನಿರ್ಧಾರ ವೃಕ್ಷ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, LS (ಇನ್ಪುಟ್) ಮತ್ತು IS (ಗುರಿ ಔಟ್ಪುಟ್) ನಡುವಿನ ಮ್ಯಾಪಿಂಗ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ LS ಗೆ ವಿವರವಾದ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಫಲಿತಾಂಶಗಳು 255 ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ 34.9% ವಿದ್ಯಾರ್ಥಿಗಳು ಒಂದು (1) LS ಆಯ್ಕೆಯನ್ನು ಆದ್ಯತೆ ನೀಡಿದ್ದಾರೆ ಎಂದು ತೋರಿಸಿದೆ. ಬಹುಪಾಲು (54.3%) ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ LS ಆದ್ಯತೆಗಳನ್ನು ಹೊಂದಿದ್ದರು. 12.2% ವಿದ್ಯಾರ್ಥಿಗಳು LS ಸಾಕಷ್ಟು ಸಮತೋಲಿತವಾಗಿದೆ ಎಂದು ಗಮನಿಸಿದ್ದಾರೆ (ಕೋಷ್ಟಕ 4). ಎಂಟು ಮುಖ್ಯ LS ಜೊತೆಗೆ, ಮಲಯ ವಿಶ್ವವಿದ್ಯಾಲಯದ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ LS ವರ್ಗೀಕರಣಗಳ 34 ಸಂಯೋಜನೆಗಳಿವೆ. ಅವುಗಳಲ್ಲಿ, ಗ್ರಹಿಕೆ, ದೃಷ್ಟಿ ಮತ್ತು ಗ್ರಹಿಕೆ ಮತ್ತು ದೃಷ್ಟಿಯ ಸಂಯೋಜನೆಯು ವಿದ್ಯಾರ್ಥಿಗಳು ವರದಿ ಮಾಡಿದ ಮುಖ್ಯ LS ಆಗಿದೆ (ಚಿತ್ರ 7).
ಕೋಷ್ಟಕ 4 ರಿಂದ ನೋಡಬಹುದಾದಂತೆ, ಹೆಚ್ಚಿನ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಧಾನ ಸಂವೇದನಾಶೀಲ (13.7%) ಅಥವಾ ದೃಶ್ಯ (8.6%) LS ಅನ್ನು ಹೊಂದಿದ್ದರು. 12.2% ವಿದ್ಯಾರ್ಥಿಗಳು ಗ್ರಹಿಕೆಯನ್ನು ದೃಷ್ಟಿಯೊಂದಿಗೆ (ಗ್ರಹಿಕೆ-ದೃಶ್ಯ LS) ಸಂಯೋಜಿಸಿದ್ದಾರೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಈ ಸಂಶೋಧನೆಗಳು ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ಥಾಪಿತ ವಿಧಾನಗಳ ಮೂಲಕ ಕಲಿಯಲು ಮತ್ತು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಲು ಬಯಸುತ್ತಾರೆ, ನಿರ್ದಿಷ್ಟ ಮತ್ತು ವಿವರವಾದ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅನುಸರಿಸುತ್ತಾರೆ ಮತ್ತು ಸ್ವಭಾವತಃ ಗಮನಹರಿಸುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಅವರು ನೋಡುವ ಮೂಲಕ ಕಲಿಯುವುದನ್ನು ಆನಂದಿಸುತ್ತಾರೆ (ರೇಖಾಚಿತ್ರಗಳು, ಇತ್ಯಾದಿಗಳನ್ನು ಬಳಸಿ) ಮತ್ತು ಗುಂಪುಗಳಲ್ಲಿ ಅಥವಾ ಸ್ವಂತವಾಗಿ ಮಾಹಿತಿಯನ್ನು ಚರ್ಚಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಒಲವು ತೋರುತ್ತಾರೆ.
ಈ ಅಧ್ಯಯನವು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಬಳಸಲಾಗುವ ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಗಳ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ, ವಿದ್ಯಾರ್ಥಿಗಳ LS ಅನ್ನು ತಕ್ಷಣ ಮತ್ತು ನಿಖರವಾಗಿ ಊಹಿಸುವುದು ಮತ್ತು ಸೂಕ್ತವಾದ IS ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯ ಅನ್ವಯವು ಅವರ ಜೀವನ ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಅನುಭವಗಳಿಗೆ ಹೆಚ್ಚು ನಿಕಟವಾಗಿ ಸಂಬಂಧಿಸಿದ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಿದೆ. ಇದು ಮೇಲ್ವಿಚಾರಣೆಯ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಕೆಲವು ಮಾನದಂಡಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾದ ಗುಂಪನ್ನು ಉಪವರ್ಗಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸಲು ಮರದ ರಚನೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಲೀಫ್ ನೋಡ್ನಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರೆಗೆ ಪ್ರತಿ ಆಂತರಿಕ ನೋಡ್ನ ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಒಂದರ ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿ ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು ಉಪವಿಭಾಗಗಳಾಗಿ ಪುನರಾವರ್ತಿತವಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ನಿರ್ಧಾರ ವೃಕ್ಷದ ಆಂತರಿಕ ನೋಡ್ಗಳು m-ILS ಸಮಸ್ಯೆಯ ಇನ್ಪುಟ್ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಪರಿಹಾರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ಲೀಫ್ ನೋಡ್ಗಳು ಅಂತಿಮ LS ವರ್ಗೀಕರಣ ಭವಿಷ್ಯವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಅಧ್ಯಯನದ ಉದ್ದಕ್ಕೂ, ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಔಟ್ಪುಟ್ ಭವಿಷ್ಯವಾಣಿಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನೋಡುವ ಮೂಲಕ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸುವ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸುವ ನಿರ್ಧಾರ ವೃಕ್ಷಗಳ ಶ್ರೇಣಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸುಲಭ.
ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರವೇಶ ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು [21], ಜನಸಂಖ್ಯಾ ಮಾಹಿತಿ ಮತ್ತು ಕಲಿಕೆಯ ನಡವಳಿಕೆ [22] ಆಧಾರದ ಮೇಲೆ ಅವರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಊಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಶೈಕ್ಷಣಿಕ ತೊಂದರೆಗಳಿಗೆ ಅಪಾಯದಲ್ಲಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಗುರುತಿಸಲು ಅವರಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸಿದೆ.
ದಂತ ತರಬೇತಿಗಾಗಿ ವರ್ಚುವಲ್ ರೋಗಿಯ ಸಿಮ್ಯುಲೇಟರ್ಗಳ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ML ಅಲ್ಗಾರಿದಮ್ಗಳ ಅನ್ವಯವನ್ನು ವರದಿ ಮಾಡಲಾಗಿದೆ. ಸಿಮ್ಯುಲೇಟರ್ ನಿಜವಾದ ರೋಗಿಗಳ ಶಾರೀರಿಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಪುನರುತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಸುರಕ್ಷಿತ ಮತ್ತು ನಿಯಂತ್ರಿತ ವಾತಾವರಣದಲ್ಲಿ ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸಬಹುದು [23]. ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳು ದಂತ ಮತ್ತು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ ಮತ್ತು ರೋಗಿಗಳ ಆರೈಕೆಯ ಗುಣಮಟ್ಟ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸಂಭಾವ್ಯವಾಗಿ ಸುಧಾರಿಸಬಹುದು ಎಂದು ಹಲವಾರು ಇತರ ಅಧ್ಯಯನಗಳು ತೋರಿಸುತ್ತವೆ. ಲಕ್ಷಣಗಳು ಮತ್ತು ರೋಗಿಯ ಗುಣಲಕ್ಷಣಗಳಂತಹ ಡೇಟಾ ಸೆಟ್ಗಳ ಆಧಾರದ ಮೇಲೆ ದಂತ ರೋಗಗಳ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಸಹಾಯ ಮಾಡಲು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಬಳಸಲಾಗಿದೆ [24, 25]. ಇತರ ಅಧ್ಯಯನಗಳು ರೋಗಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸುವುದು, ಹೆಚ್ಚಿನ ಅಪಾಯದ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸುವುದು, ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಚಿಕಿತ್ಸಾ ಯೋಜನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು [26], ಪರಿದಂತದ ಚಿಕಿತ್ಸೆ [27] ಮತ್ತು ಕ್ಷಯ ಚಿಕಿತ್ಸೆ [25] ಮುಂತಾದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳ ಬಳಕೆಯನ್ನು ಅನ್ವೇಷಿಸಿವೆ.
ದಂತವೈದ್ಯಶಾಸ್ತ್ರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅನ್ವಯದ ಕುರಿತು ವರದಿಗಳು ಪ್ರಕಟವಾಗಿದ್ದರೂ, ದಂತ ಶಿಕ್ಷಣದಲ್ಲಿ ಅದರ ಅನ್ವಯವು ಸೀಮಿತವಾಗಿದೆ. ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನವು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ LS ಮತ್ತು IS ಗೆ ಹೆಚ್ಚು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿರುವ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಲು ನಿರ್ಧಾರ ವೃಕ್ಷ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.
ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಶಿಫಾರಸು ಪರಿಕರವು ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ಪರಿಪೂರ್ಣ ನಿಖರತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಇದು ಶಿಕ್ಷಕರು ಈ ಪರಿಕರದಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಡೇಟಾ-ಚಾಲಿತ ವರ್ಗೀಕರಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಇದು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸಬಹುದು ಮತ್ತು ಶಿಕ್ಷಕರು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಶೈಕ್ಷಣಿಕ ಅನುಭವಗಳು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಬಹುದು. ಅವುಗಳಲ್ಲಿ, ಶಿಫಾರಸು ಪರಿಕರಗಳ ಮೂಲಕ ಪಡೆದ ಮಾಹಿತಿಯು ಶಿಕ್ಷಕರ ಆದ್ಯತೆಯ ಬೋಧನಾ ವಿಧಾನಗಳು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅಗತ್ಯಗಳ ನಡುವಿನ ಸಂಘರ್ಷಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಶಿಫಾರಸು ಪರಿಕರಗಳ ಸ್ವಯಂಚಾಲಿತ ಔಟ್ಪುಟ್ನಿಂದಾಗಿ, ವಿದ್ಯಾರ್ಥಿಯ ಐಪಿಯನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅದನ್ನು ಅನುಗುಣವಾದ ಐಪಿಯೊಂದಿಗೆ ಹೊಂದಿಸಲು ಬೇಕಾದ ಸಮಯ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ, ಸೂಕ್ತವಾದ ತರಬೇತಿ ಚಟುವಟಿಕೆಗಳು ಮತ್ತು ತರಬೇತಿ ಸಾಮಗ್ರಿಗಳನ್ನು ಆಯೋಜಿಸಬಹುದು. ಇದು ವಿದ್ಯಾರ್ಥಿಗಳ ಸಕಾರಾತ್ಮಕ ಕಲಿಕೆಯ ನಡವಳಿಕೆ ಮತ್ತು ಗಮನಹರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಒಂದು ಅಧ್ಯಯನವು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅವರ ಆದ್ಯತೆಯ ಎಲ್ಎಸ್ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಕಲಿಕಾ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ಕಲಿಕಾ ಚಟುವಟಿಕೆಗಳನ್ನು ಒದಗಿಸುವುದು ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಾಧಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳು ಬಹು ರೀತಿಯಲ್ಲಿ ಕಲಿಕೆಯನ್ನು ಸಂಯೋಜಿಸಲು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಆನಂದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ವರದಿ ಮಾಡಿದೆ [12]. ತರಗತಿಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಭಾಗವಹಿಸುವಿಕೆಯನ್ನು ಸುಧಾರಿಸುವುದರ ಜೊತೆಗೆ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಬೋಧನಾ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಸಂವಹನವನ್ನು ಸುಧಾರಿಸುವಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸುತ್ತದೆ [28, 29].
ಆದಾಗ್ಯೂ, ಯಾವುದೇ ಆಧುನಿಕ ತಂತ್ರಜ್ಞಾನದಂತೆ, ಇಲ್ಲಿಯೂ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಮಿತಿಗಳಿವೆ. ಇವುಗಳಲ್ಲಿ ಡೇಟಾ ಗೌಪ್ಯತೆ, ಪಕ್ಷಪಾತ ಮತ್ತು ನ್ಯಾಯಸಮ್ಮತತೆಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ದಂತ ಶಿಕ್ಷಣದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ವೃತ್ತಿಪರ ಕೌಶಲ್ಯ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳು ಸೇರಿವೆ; ಆದಾಗ್ಯೂ, ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಆಸಕ್ತಿ ಮತ್ತು ಸಂಶೋಧನೆಯು ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಜ್ಞಾನಗಳು ದಂತ ಶಿಕ್ಷಣ ಮತ್ತು ದಂತ ಸೇವೆಗಳ ಮೇಲೆ ಸಕಾರಾತ್ಮಕ ಪರಿಣಾಮ ಬೀರಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಅರ್ಧದಷ್ಟು ದಂತ ವಿದ್ಯಾರ್ಥಿಗಳು ಔಷಧಿಗಳನ್ನು "ಗ್ರಹಿಸುವ" ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿದ್ದಾರೆಂದು ಸೂಚಿಸುತ್ತದೆ. ಈ ರೀತಿಯ ಕಲಿಯುವವರು ಸತ್ಯಗಳು ಮತ್ತು ಕಾಂಕ್ರೀಟ್ ಉದಾಹರಣೆಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತಾರೆ, ಪ್ರಾಯೋಗಿಕ ದೃಷ್ಟಿಕೋನ, ವಿವರಗಳಿಗೆ ತಾಳ್ಮೆ ಮತ್ತು "ದೃಶ್ಯ" LS ಆದ್ಯತೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ, ಅಲ್ಲಿ ಕಲಿಯುವವರು ಕಲ್ಪನೆಗಳು ಮತ್ತು ಆಲೋಚನೆಗಳನ್ನು ತಿಳಿಸಲು ಚಿತ್ರಗಳು, ಗ್ರಾಫಿಕ್ಸ್, ಬಣ್ಣಗಳು ಮತ್ತು ನಕ್ಷೆಗಳನ್ನು ಬಳಸಲು ಬಯಸುತ್ತಾರೆ. ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳು ದಂತ ಮತ್ತು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ LS ಅನ್ನು ನಿರ್ಣಯಿಸಲು ILS ಅನ್ನು ಬಳಸುವ ಇತರ ಅಧ್ಯಯನಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿವೆ, ಅವರಲ್ಲಿ ಹೆಚ್ಚಿನವರು ಗ್ರಹಿಕೆ ಮತ್ತು ದೃಶ್ಯ LS ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ [12, 30]. ಡಾಲ್ಮೋಲಿನ್ ಮತ್ತು ಇತರರು ತಮ್ಮ LS ಬಗ್ಗೆ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಿಳಿಸುವುದರಿಂದ ಅವರ ಕಲಿಕಾ ಸಾಮರ್ಥ್ಯವನ್ನು ತಲುಪಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತಾರೆ. ಶಿಕ್ಷಕರು ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಾಗ, ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಕಲಿಕೆಯ ಅನುಭವವನ್ನು ಸುಧಾರಿಸುವ ವಿವಿಧ ಬೋಧನಾ ವಿಧಾನಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು ಎಂದು ಸಂಶೋಧಕರು ವಾದಿಸುತ್ತಾರೆ [12, 31, 32]. ಇತರ ಅಧ್ಯಯನಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ LS ಅನ್ನು ಹೊಂದಿಸುವುದರಿಂದ ಅವರ ಸ್ವಂತ LS ಗೆ ಸರಿಹೊಂದುವಂತೆ ಅವರ ಕಲಿಕೆಯ ಶೈಲಿಗಳನ್ನು ಬದಲಾಯಿಸಿದ ನಂತರ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಅನುಭವ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಸುಧಾರಣೆಗಳು ಕಂಡುಬರುತ್ತವೆ ಎಂದು ತೋರಿಸಿವೆ [13, 33].
ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕಾ ಸಾಮರ್ಥ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಬೋಧನಾ ತಂತ್ರಗಳ ಅನುಷ್ಠಾನದ ಬಗ್ಗೆ ಶಿಕ್ಷಕರ ಅಭಿಪ್ರಾಯಗಳು ಬದಲಾಗಬಹುದು. ವೃತ್ತಿಪರ ಅಭಿವೃದ್ಧಿ ಅವಕಾಶಗಳು, ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ಸಮುದಾಯ ಬೆಂಬಲ ಸೇರಿದಂತೆ ಈ ವಿಧಾನದ ಪ್ರಯೋಜನಗಳನ್ನು ಕೆಲವರು ನೋಡಿದರೆ, ಇತರರು ಸಮಯ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಬೆಂಬಲದ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸಬಹುದು. ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ಮನೋಭಾವವನ್ನು ಸೃಷ್ಟಿಸಲು ಸಮತೋಲನಕ್ಕಾಗಿ ಶ್ರಮಿಸುವುದು ಪ್ರಮುಖವಾಗಿದೆ. ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಆಡಳಿತಗಾರರಂತಹ ಉನ್ನತ ಶಿಕ್ಷಣ ಅಧಿಕಾರಿಗಳು ನವೀನ ಅಭ್ಯಾಸಗಳನ್ನು ಪರಿಚಯಿಸುವ ಮೂಲಕ ಮತ್ತು ಅಧ್ಯಾಪಕರ ಅಭಿವೃದ್ಧಿಯನ್ನು ಬೆಂಬಲಿಸುವ ಮೂಲಕ ಸಕಾರಾತ್ಮಕ ಬದಲಾವಣೆಯನ್ನು ಚಾಲನೆ ಮಾಡುವಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸಬಹುದು [34]. ನಿಜವಾಗಿಯೂ ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಸ್ಪಂದಿಸುವ ಉನ್ನತ ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸಲು, ನೀತಿ ನಿರೂಪಕರು ನೀತಿ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವುದು, ತಂತ್ರಜ್ಞಾನ ಏಕೀಕರಣಕ್ಕೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ವಿನಿಯೋಗಿಸುವುದು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ವಿಧಾನಗಳನ್ನು ಉತ್ತೇಜಿಸುವ ಚೌಕಟ್ಟುಗಳನ್ನು ರಚಿಸುವಂತಹ ದಿಟ್ಟ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಈ ಕ್ರಮಗಳು ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಲು ನಿರ್ಣಾಯಕವಾಗಿವೆ. ವಿಭಿನ್ನ ಬೋಧನೆಯ ಕುರಿತಾದ ಇತ್ತೀಚಿನ ಸಂಶೋಧನೆಯು ವಿಭಿನ್ನ ಬೋಧನೆಯ ಯಶಸ್ವಿ ಅನುಷ್ಠಾನಕ್ಕೆ ಶಿಕ್ಷಕರಿಗೆ ನಿರಂತರ ತರಬೇತಿ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಅವಕಾಶಗಳ ಅಗತ್ಯವಿದೆ ಎಂದು ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸಿದೆ [35].
ವಿದ್ಯಾರ್ಥಿ ಸ್ನೇಹಿ ಕಲಿಕಾ ಚಟುವಟಿಕೆಗಳನ್ನು ಯೋಜಿಸಲು ವಿದ್ಯಾರ್ಥಿ ಕೇಂದ್ರಿತ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಯಸುವ ದಂತ ಶಿಕ್ಷಕರಿಗೆ ಈ ಉಪಕರಣವು ಅಮೂಲ್ಯವಾದ ಬೆಂಬಲವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ಅಧ್ಯಯನವು ನಿರ್ಧಾರ ವೃಕ್ಷ ML ಮಾದರಿಗಳ ಬಳಕೆಗೆ ಸೀಮಿತವಾಗಿದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಶಿಫಾರಸು ಪರಿಕರಗಳ ನಿಖರತೆ, ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಹೋಲಿಸಲು ವಿಭಿನ್ನ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸಲು ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕಾಗಿ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ, ಮಾದರಿ ಸಂಕೀರ್ಣತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಂತಹ ಇತರ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ.
ಈ ಅಧ್ಯಯನದ ಒಂದು ಮಿತಿಯೆಂದರೆ, ಇದು ದಂತ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ LS ಮತ್ತು IS ಅನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದರ ಮೇಲೆ ಮಾತ್ರ ಕೇಂದ್ರೀಕರಿಸಿದೆ. ಆದ್ದರಿಂದ, ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯು ದಂತ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸೂಕ್ತವಾದವುಗಳನ್ನು ಮಾತ್ರ ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ಸಾಮಾನ್ಯ ಉನ್ನತ ಶಿಕ್ಷಣ ವಿದ್ಯಾರ್ಥಿಗಳ ಬಳಕೆಗೆ ಬದಲಾವಣೆಗಳು ಅವಶ್ಯಕ.
ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ಶಿಫಾರಸು ಪರಿಕರವು ವಿದ್ಯಾರ್ಥಿಗಳ LS ಅನ್ನು ಅನುಗುಣವಾದ IS ಗೆ ತಕ್ಷಣವೇ ವರ್ಗೀಕರಿಸುವ ಮತ್ತು ಹೊಂದಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಇದು ದಂತ ಶಿಕ್ಷಕರಿಗೆ ಸಂಬಂಧಿತ ಬೋಧನೆ ಮತ್ತು ಕಲಿಕಾ ಚಟುವಟಿಕೆಗಳನ್ನು ಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮೊದಲ ದಂತ ಶಿಕ್ಷಣ ಕಾರ್ಯಕ್ರಮವಾಗಿದೆ. ಡೇಟಾ-ಚಾಲಿತ ಚಿಕಿತ್ಸೆಯ ಸರದಿ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಇದು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸಬಹುದು, ಸಮಯವನ್ನು ಉಳಿಸಬಹುದು, ಬೋಧನಾ ತಂತ್ರಗಳನ್ನು ಸುಧಾರಿಸಬಹುದು, ಉದ್ದೇಶಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳನ್ನು ಬೆಂಬಲಿಸಬಹುದು ಮತ್ತು ನಡೆಯುತ್ತಿರುವ ವೃತ್ತಿಪರ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉತ್ತೇಜಿಸಬಹುದು. ಇದರ ಅನ್ವಯವು ದಂತ ಶಿಕ್ಷಣಕ್ಕೆ ವಿದ್ಯಾರ್ಥಿ-ಕೇಂದ್ರಿತ ವಿಧಾನಗಳನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.
ಗಿಲಾಕ್ ಜಾನಿ ಅಸೋಸಿಯೇಟೆಡ್ ಪ್ರೆಸ್. ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕಾ ಶೈಲಿ ಮತ್ತು ಶಿಕ್ಷಕರ ಬೋಧನಾ ಶೈಲಿಯ ನಡುವಿನ ಹೊಂದಾಣಿಕೆ ಅಥವಾ ಅಸಾಮರಸ್ಯ. ಇಂಟ್ ಜೆ ಮಾಡ್ ಎಜುಕ್ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
ಪೋಸ್ಟ್ ಸಮಯ: ಏಪ್ರಿಲ್-29-2024