ਉੱਚ ਸਿੱਖਿਆ ਦੇ ਅਦਾਰਿਆਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਸਿਖਲਾਈ (ਐਸਸੀਐਲ) ਦੀ ਵੱਧ ਰਹੀ ਜ਼ਰੂਰਤ ਹੈ, ਦੰਦਾਂ ਸਮੇਤ. ਹਾਲਾਂਕਿ, ਐਸਸੀਐਲ ਕੋਲ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਸੀਮਤ ਕਾਰਜ ਹੈ. ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇੱਕ ਉਪਯੋਗੀ ਟੂਲ (IS) ਦੇ ਤੌਰ ਤੇ ਫੈਨਟਲ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਸੰਦੀਦਾ ਲਰਨਿੰਗ ਸ਼ੈਲੀ (ਆਈਐਸ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡੈਨਟਿਸਟਰੀ ਵਿੱਚ ਐਸਸੀਐਲ ਦੀ ਵਰਤੋਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ . ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਾਅਦਾ ਕੀਤੇ .ੰਗ.
ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਤੋਂ ਕੁੱਲ 255 ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸ਼ੈਲੀਆਂ (ਐਮ-ਆਈਐਲਐਸ) ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੀ ਸੰਸ਼ੋਧਿਤ ਸੂਚਕਾਂਕ ਨੂੰ ਪੂਰਾ ਕਰ ਦਿੱਤਾ, ਜਿਸ ਵਿੱਚ 44 ਆਈਟਮਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਐਲਐਸਐਸ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਸ਼ਾਮਲ ਹਨ. ਇਕੱਤਰ ਕੀਤੇ ਗਏ ਡੇਟਾ (ਜਿਸ ਨੂੰ ਡੇਟਾਸੇਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਨਿਰੀਖਣ ਕੀਤੇ ਫੈਸਲੇ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਉਹਨਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸਿਖਲਾਈ ਦੀਆਂ ਸਟਾਈਲਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਉਚਿਤ ਨਾਲ ਮੇਲ ਕਰਨਾ ਹੈ. ਮਸ਼ੀਨ ਸਿਖਲਾਈ-ਅਧਾਰਤ ਦੀ ਸ਼ੁੱਧਤਾ ਸਿਫਾਰਸ਼ ਸੰਦ ਨੂੰ ਮੁਲਾਂਕਣ ਟੂਲ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.
ਐਲਐਸ (ਇਨਪੁਟ) ਦੇ ਵਿਚਕਾਰ ਸਵੈਚਾਲਤ ਮੈਪਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾੱਡਲਾਂ ਦੀ ਵਰਤੋਂ ਹਰੇਕ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀ ਲਈ ਉਚਿਤ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਤੁਰੰਤ ਸੂਚੀ ਲਈ ਸਹਾਇਕ ਹੈ. ਆਈਐਸਆਈ ਦੀ ਸਮੁੱਚੀ ਸ਼ੁੱਧ ਸ਼ੁੱਧਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਯਾਦ ਵੀ ਸੰਪੂਰਣ ਸ਼ੁੱਧਤਾ ਅਤੇ ਯਾਦ ਦਿਖਾਈ ਗਿਆ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੇਲ ਖਾਂਦੀ ls ਦੀ ਚੰਗੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ.
ਇੱਕ ਐਮ ਐਲ ਦੇ ਫੈਸਲੇ ਦੇ ਦਰੱਖਤ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਸਿਫਾਰਸ਼ ਟੂਲ ਨੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਉਚਿਤ ਰਣਨੀਤੀਆਂ ਨਾਲ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਉਚਿਤ ਰਣਨੀਤੀਆਂ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਨਾਲ ਮੇਲ ਕਰਨ ਦੀ ਯੋਗਤਾ ਸਾਬਤ ਕੀਤੀ ਹੈ. ਇਹ ਸੰਦ ਵਧੇਰੇ ਯੋਜਨਾਕਾਰ-ਕੇਂਦ੍ਰਤ ਕੋਰਸਾਂ ਜਾਂ ਮੈਡਿ .ਲਾਂ ਦੀ ਯੋਜਨਾਬੰਦੀ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬੇ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ.
ਅਧਿਆਪਨ ਅਤੇ ਸਿੱਖਣਾ ਵਿਦਿਅਕ ਅਦਾਰਿਆਂ ਵਿੱਚ ਬੁਨਿਆਦੀ ਗਤੀਵਿਧੀਆਂ ਹਨ. ਜਦੋਂ ਉੱਚ ਪੱਧਰੀ ਵੋਕੇਸ਼ਨਲ ਐਜੂਕੇਸ਼ਨ ਪ੍ਰਣਾਲੀ ਦਾ ਵਿਕਾਸ ਕਰਦੇ ਹੋ, ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ. ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਮਾਹੌਲ ਦਰਮਿਆਨ ਗੱਲਬਾਤ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਐਲਐਸ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਐਲਐਸ ਦਰਮਿਆਨ ਅਧਿਆਪਕਾਂ ਦੇ ਉਦੇਸ਼ਾਂ ਦੇ ਮੇਲ ਖਾਂਦਾ ਹੈ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਮਾੜੇ ਨਤੀਜੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਧਿਆਨ ਅਤੇ ਪ੍ਰੇਰਣਾ ਘੱਟ. ਇਹ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰੇਗਾ [1,2].
ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਗਿਆਨ ਅਤੇ ਹੁਨਰਾਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਅਧਿਆਪਕਾਂ ਦੁਆਰਾ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਸਹਾਇਤਾ ਸਮੇਤ ਇੱਕ method ੰਗ ਹੈ. ਆਮ ਤੌਰ 'ਤੇ ਬੋਲਦੇ ਹੋਏ, ਚੰਗੇ ਅਧਿਆਪਕ ਯੋਜਨਾ ਸਿਖਾਉਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਜਾਂ ਉਹ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਦੇ ਪੱਧਰ, ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੀ ਸਥਿਤੀ ਨਾਲ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ. ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਜਦੋਂ ls ਅਤੇ ਮੈਚ ਹੈ, ਤਾਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ develive ੰਗ ਨਾਲ ਸਿੱਖਣ ਲਈ ਹੁਨਰ ਦੇ ਇੱਕ ਖਾਸ ਕੁਸ਼ਲਤਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧ ਕਰਨ ਅਤੇ ਇਸਤੇਮਾਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਗੇ. ਆਮ ਤੌਰ 'ਤੇ, ਇਕ ਪਾਠ ਯੋਜਨਾ ਵਿਚ ਪੜਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਕਈ ਤਬਦੀਲੀਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ ਜਾਂ ਦਿਸ਼ਾ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ ਤੋਂ ਸੁਤੰਤਰ ਅਭਿਆਸ ਤੱਕ. ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਧਿਆਪਕ ਅਕਸਰ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਅਤੇ ਹੁਨਰਾਂ ਦੇ ਟੀਚੇ ਨਾਲ ਹਦਾਇਤਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ []].
ਉੱਚ ਸਿੱਖਿਆ ਅਦਾਰਿਆਂ ਵਿੱਚ ਐਸਸੀਐਲ ਦੀ ਮੰਗ, ਦੰਦਾਂ ਸਮੇਤ ਵਧ ਰਹੀ ਹੈ, ਸਮੇਤ. ਐਸਸੀਐਲ ਰਣਨੀਤੀਆਂ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ. ਇਹ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇ ਵਿਦਿਆਰਥੀ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਸਰਗਰਮੀ ਨਾਲ ਹਿੱਸਾ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ ਅਤੇ ਕੀਮਤੀ ਫੀਡਬੈਕ ਦੇਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ. ਇਹ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿ ਸਿਖਲਾਈ ਸਮੱਗਰੀ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲੇ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਵਿਦਿਅਕ ਪੱਧਰ ਜਾਂ ਤਰਜੀਹਾਂ ਲਈ ਉਚਿਤ ਹਨ ਉਹਨਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਲਰਨਿੰਗ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ [].
ਆਮ ਤੌਰ 'ਤੇ, ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵੱਖ-ਵੱਖ ਕਲੀਨਿਕਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਲਾਜ਼ਮੀ ਹੁੰਦਾ ਹੈ ਅਤੇ ਕਲੀਨਿਕਲ ਵਾਤਾਵਰਣ ਜਿਸ ਵਿੱਚ ਉਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਆਪਸ ਵਿੱਚ ਆਪਸੀ ਹੁਨਰ ਵਿਕਸਤ ਕਰਦੇ ਹਨ. ਸਿਖਲਾਈ ਦਾ ਉਦੇਸ਼ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਦੰਦਾਂ ਦੇ ਕਲੀਨੀਕਲ ਹੁਨਰਾਂ ਦੇ ਨਾਲ ਦੰਦਾਂ ਦੇ ਬੁਨਿਆਦੀ ਗਿਆਨ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਨਵ ਕਲੀਨੀਕਲ ਸਥਿਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰੋ [6, 7]. ਐੱਲ ਐੱਸ ਦੇ ਵਿਚਕਾਰਲੇ ਰਿਸ਼ਤੇ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਦਾ ਹੈ ਅਤੇ ਪਾਇਆ ਜਾਂਦਾ ਹੈ ਕਿ ਪਸੰਦੀਦਾ ls ਨਾਲ ਮੇਕ ਲਏ ਜਾਣ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨਾ ਵਿਦਿਅਕ ਕਾਰਜਾਂ ਵਿੱਚ ਸੁਧਾਰ ਲਿਆਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰੇਗਾ [8]. ਲੇਖਕ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿਖਲਾਈ ਅਤੇ ਜ਼ਰੂਰਤਾਂ ਨੂੰ to ਾਲਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਅਧਿਆਪਨ ਅਤੇ ਮੁਲਾਂਕਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ.
ਅਧਿਆਪਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਫ਼ੈਸਲਾ ਲਾਗੂ ਕਰਨ ਤੋਂ ਲਾਭ ਹੁੰਦਾ ਹੈ ਕਿ ਉਹ ਉਹਨਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਲਾਭ ਹੁੰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਵਿਸ਼ੇ ਦੇ ਮਾਮਲੇ ਦੇ ਡੂੰਘੇ ਗਿਆਨ ਦੇ ਪ੍ਰਾਪਤੀ ਅਤੇ ਸਮਝ ਨੂੰ ਵਧਾ ਦੇਵੇਗਾ. ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਕਈ ਐਲ ਐਸ ਮੁਲਾਂਕਣ ਟੂਲ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕੋਲਬ ਦੇ ਤਜਰਬੇਕਾਰ ਲਰਨਿੰਗ ਮਾਡਲ, ਫੈਰਡਡਰ-ਸਿਲਵਰਮੈਨ ਲਰਨਿੰਗ ਸ਼ੈਲੀ ਮਾਡਲ (5, 9, 10]. ਸਾਹਿਤ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਸਿਖਲਾਈ ਦੇ ਮਾੱਡਲ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਅਧਿਐਨ ਕੀਤੇ ਸਿੱਖ ਰਹੇ ਮਾਡਲ ਹਨ. ਮੌਜੂਦਾ ਖੋਜ ਕਾਰਜ ਵਿੱਚ, ਡੈਂਟਲ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਐਲਐਸਐਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ flsm ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ.
ਐਫਐਸਐਲਐਸਐਮ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਅਨੁਕੂਲ ਸਿਖਲਾਈ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੇ ਗਏ ਮਾਡਲ ਹਨ. ਸਿਹਤ ਵਿਗਿਆਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਕਮੀਆਂ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ (ਦਵਾਈ, ਨਰਸਿੰਗ, ਫਾਰਮੇਸੀ ਅਤੇ ਦੰਦਾਂ ਸਮੇਤ) ਜੋ ਕਿ FSLSM MADES ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੱਭੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ [5, 11, 12, 13]. FLSM ਵਿੱਚ ls ਦੇ ਮਾਪ ਨੂੰ ਮਾਪਣ ਲਈ ਵਰਤੀ ਗਈ ਸਾਧਨ ਨੂੰ LS ਦੇ ਚਾਰ ਮਾਪਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ 44 ਆਈਟਮਾਂ ਹਨ, ਜਿਸ ਵਿੱਚ 44 ਆਈਟਮਾਂ ਹਨ. ਇਨਪੁਟ (ਵਿਜ਼ੂਅਲ) / ਜ਼ੁਬਾਨੀ) ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ / ਗਲੋਬਲ) [14].
ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਹਰੇਕ FLSLSM ਮਾਪ ਦੀ ਪ੍ਰਮੁੱਖ ਤਰਜੀਹ ਹੈ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਪ੍ਰੋਸੈਸਰ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪ ਵਿੱਚ, "ਐਕਟਿਵ" ਐਲ.ਸੀ.ਐੱਸ. "ਰਿਫਲੈਕਟਿਵ" ਐਲਐਸ ਦੁਆਰਾ ਸੋਚ ਕੇ ਸਿੱਖਣ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਕੱਲੇ ਕੰਮ ਕਰਨਾ ਪਸੰਦ ਕਰਦਾ ਹੈ. ਐਲ ਐਸ ਦੀ "ਸਮਝੀ" ਮਾਪ "ਭਾਵਨਾ" ਅਤੇ / ਜਾਂ "ਸੂਝ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ. "ਭਾਵਨਾ" ਵਿਦਿਆਰਥੀ ਵਧੇਰੇ ਠੋਸ ਜਾਣਕਾਰੀ ਅਤੇ ਵਿਵਹਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, "ਅਨੁਭਵੀ" ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਤੱਥ-ਅਧਾਰਤ ਹਨ ਜੋ ਸੁਭਾਅ ਵਿੱਚ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਰਚਨਾਤਮਕ ਹਨ. ਐਲਐਸ ਦੇ "ਇੰਪੁੱਟ" ਮਾਪ "ਵਿਜ਼ੂਅਲ" ਅਤੇ "ਜ਼ਬਾਨੀ" ਲਰਨਰਜ਼ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ. "ਵਿਜ਼ੂਅਲ" ਦੇ ਲੋਕ ਵਿਜ਼ੂਅਲ ਪ੍ਰਦਰਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰਾਂ, ਵੀਡਿਓਜ਼, ਵੀਡਿਓਜ਼ ਜਾਂ ਲਾਈਵ ਪ੍ਰਦਰਸ਼ਨ) ਦੁਆਰਾ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ "ਜ਼ੁਬਾਨੀ" ਦੇ ਲੋਕ ਲਿਖਤ ਜਾਂ ਜ਼ੁਬਾਨੀ ਸਪੱਸ਼ਟੀਕਰਨ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੁਆਰਾ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ. ਐਲਐਸ ਦੇ ਮਾਪ ਨੂੰ "ਸਮਝਣਾ" ਕਰਨ ਲਈ, ਅਜਿਹੇ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ "ਕ੍ਰਮਵਾਰ" ਅਤੇ "ਗਲੋਬਲ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ. "ਕ੍ਰਮਵਾਰ ਸਿੱਖਣ ਵਾਲੇ ਇਕ ਲੀਨੀਅਰ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਅਤੇ ਕਦਮ-ਦਰ-ਕਦਮ ਵਧਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਗਲੋਬਲ ਸਿੱਖਵਾਂ ਇਕਸਾਰ ਸੋਚ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੁੰਦੀ ਹੈ ਅਤੇ ਹਮੇਸ਼ਾਂ ਉਨ੍ਹਾਂ ਦੀ ਚੰਗੀ ਸਮਝ ਹੁੰਦੀ ਹੈ ਜੋ ਉਹ ਸਿੱਖ ਰਹੇ ਹਨ ਬਾਰੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝ ਕਰੋ.
ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਟੋਮੈਟਿਕ ਡੇਟਾ-ਡ੍ਰਾਇਵਡ ਖੋਜ ਦੇ ਵਿਕਾਸ ਲਈ methods ੰਗਾਂ ਦੀ ਖੋਜ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨਵੀਂ ਐਲਗੋਰਿਥਮਜ਼ ਅਤੇ ਮਾੱਡਲਾਂ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ (15, 16] ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੇ ਸਮਰੱਥ ਵੀ ਸ਼ਾਮਲ ਹੈ. ਪ੍ਰਦਾਨ ਕੀਤੇ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ, ਨਿਗਰਾਨੀ ਕੀਤੀ ਐਮਐਲ (ਮਸ਼ੀਨ ਸਿਖਲਾਈ) ਪੈਟਰਨ ਅਤੇ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜੋ ਭਵਿੱਖ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਐਲਗੋਰਿਥਮਸ [17] ਦੇ ਨਿਰਮਾਣ ਦੇ ਅਧਾਰ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ. ਸਾਖੀ ਡੇਟਾ ਅਤੇ ਟ੍ਰੇਨ ਐਲਗੋਰਿਦਮ ਨੂੰ ਆਮ ਤੌਰ ਤੇ ਪਾ ਦਿੱਤਾ, ਨਿਗਰਾਨੀ ਅਧੀਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰੋ. ਇਹ ਫਿਰ ਇੱਕ ਸੀਮਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਨਤੀਜਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਸਮਾਨ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਵਰਗੀਕਰਣ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ. ਨਿਰੀਖਣ ਕੀਤੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਆਦਰਸ਼ ਅਤੇ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਸਥਾਪਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਹੈ [17].
ਡੈਟਾ ਦੁਆਰਾ ਸੰਚਾਲਿਤ methods ੰਗਾਂ ਅਤੇ ਫੈਸਲੇ ਟ੍ਰੀ ਨਿਯੰਤਰਣ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਦੁਆਰਾ, ਐਲ ਐਸ ਦੀ ਆਟੋਮੈਟਿਕ ਖੋਜ ਸੰਭਵ ਹੈ. ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਵੱਖ ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੇ ਜਾਣ ਦੀ ਖਬਰ ਵਜੋਂ ਹਨ, ਜਿਸ ਵਿੱਚ ਸਿਹਤ ਵਿਗਿਆਨ (18, 19] ਸਮੇਤ. ਇਸ ਅਧਿਐਨ ਵਿਚ, ਮਾਡਲ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਸਿਫਾਰਸ਼ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ.
ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਇਹ ਵਿਕਾਸ ਕਰਨਾ ਹੈ ਡਿਲਿਵਰੀ ਰਣਨੀਤੀਆਂ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਐਲਐਸ ਦੇ ਅਧਾਰ ਤੇ ਹੈ ਅਤੇ ਐਲਐਸ ਨਾਲ ਮੈਪ ਕੀਤੇ ਸਿਫਾਰਸ ਟੂਲ ਨੂੰ ਵਿਕਸਤ ਕਰਕੇ ਐਸਸੀਐਲ ਪਹੁੰਚ ਲਾਗੂ ਕਰਨਾ ਹੈ. ਆਈਐਸਆਈਐਸ ਦਾ ਡਿਜ਼ਾਇਨ ਸੰਦ ਹੈ ਜਿਵੇਂ ਕਿ ਐਸਸੀਐਲ ਵਿਧੀ ਦੀ ਇਕ ਰਣਨੀਤੀ ਦੀ ਇਕ ਰਣਨੀਤੀ ਦੇ ਇਕ ਰਣਨੀਤੀ ਵਿਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ. ਕੀ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿਚ ਆਈ ਐਲ ਐਸ ਅਤੇ ਸਭ ਤੋਂ suitable ੁਕਵਾਂ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਪ੍ਰਦਰਸ਼ਤ ਕੀਤਾ ਗਿਆ ਹੈ.
ਖ਼ਾਸਕਰ, ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਸੁਰੱਖਿਆ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇ ਗੁਣਾਂ ਵਿੱਚ ਵੈਬ ਟੈਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਅਤੇ ਫੈਸਲੇ ਟ੍ਰੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ. ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਨੂੰ ਮੋਬਾਈਲ ਉਪਕਰਣਾਂ ਜਿਵੇਂ ਕਿ ਮੋਬਾਈਲ ਫੋਨ ਅਤੇ ਟੈਬਲੇਟ ਨਾਲ ਅਨੁਕੂਲ ਕਰਕੇ ਉਪਭੋਗਤਾ ਦਾ ਤਜਰਬਾ ਅਤੇ ਗਤੀਸ਼ੀਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ.
ਪ੍ਰਯੋਗ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ ਕੀਤੇ ਗਏ ਅਤੇ ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਫੈਕਲਟੀ ਤੋਂ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਵੈਇੱਛਤ ਅਧਾਰ ਤੇ ਭਾਗ ਲਿਆ. ਹਿੱਸਾ ਲੈਣ ਵਾਲਿਆਂ ਨੇ ਅੰਗ੍ਰੇਜ਼ੀ ਵਿਚ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀ ਦੇ ms ਨਲਾਈਨ ਐਮ-ਆਈਐਲਐਸ ਦਾ ਜਵਾਬ ਦਿੱਤਾ. ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿਚ, ਫ਼ੈਸਲੇ ਲੜੀ ਮਸ਼ੀਨ ਸਿੱਖਣ ਦੀ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਲਈ 50 ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਇਕ ਡੇਟਾਸੇਟ ਵਰਤਿਆ ਜਾਂਦਾ ਸੀ. ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਵਿਕਸਤ ਯੰਤਰ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ 255 ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਇੱਕ ਡੈਟਾਸੇਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ.
ਮਾਈਕ੍ਰੋਸਾੱਫਟ ਟੀਮਾਂ ਦੇ ਅਧਾਰ ਤੇ, ਸਾਰੇ ਭਾਗੀਦਾਰ ਹਰੇਕ ਪੜਾਅ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਆਨਲਾਈਨ ਬ੍ਰੀਫਿੰਗ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ. ਅਧਿਐਨ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਅਤੇ ਸੂਚਿਤ ਸਹਿਮਤੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ. ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਐਮ-ਆਈਲ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਲਿੰਕ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ. ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਪ੍ਰਸ਼ਨਾਵਲੀ ਤੇ ਸਾਰੀਆਂ 44 ਆਈਟਮਾਂ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਨਿਰਦੇਸ਼ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਉਨ੍ਹਾਂ ਨੂੰ ਸਮੈਸਟਰ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪਹਿਲਾਂ ਸਮੈਸਟਰ ਬਰੇਕ ਦੇ ਦੌਰਾਨ ਸੰਸ਼ੋਧਿਤ ILL ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਇੱਕ ਹਫ਼ਤੇ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਐਮ-ਆਈਐਲਐਸ ਅਸਲ ILS ਯੰਤਰ 'ਤੇ ਅਧਾਰਤ ਹੈ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸੋਧਿਆ ਜਾਂਦਾ ਹੈ. ਅਸਲ ਆਈਲ ਦੇ ਸਮਾਨ, ਇਸ ਵਿਚ 44 ਸਮਾਨ ਵੰਡੀਆਂ ਚੀਜ਼ਾਂ (ਏ, ਅ) ਹੁੰਦੀਆਂ ਹਨ, ਜੋ ਕਿ ਹਰ FSLSM ਮਾਪ ਦੇ ਪਹਿਲੂਆਂ ਦਾ ਜਾਇਜ਼ਾ ਲੈਣ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ.
ਟੂਲ ਵਿਕਾਸ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੇ ਦੌਰਾਨ, ਖੋਜਕਰਤਾ ਨੇ ਨਕਸ਼ਿਆਂ ਨੂੰ 50 ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੇਟਾਸੇਟ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਹੱਥੀਂ ਵਿਆਖਿਆ ਕੀਤੀ. ਐਫਐਸਐਲਐਮ ਦੇ ਅਨੁਸਾਰ, ਸਿਸਟਮ "ਏ" ਅਤੇ "ਬੀ" ਦੇ ਜਵਾਬਾਂ ਦਾ ਜੋੜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ. ਹਰੇਕ ਪਹਿਲੂ ਲਈ, ਜੇ ਵਿਦਿਆਰਥੀ "ਏ" ਨੂੰ ਉੱਤਰ ਵਜੋਂ ਚੁਣਦਾ ਹੈ, ਤਾਂ ls ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ / ਅਨੁਭਵੀ / ਕ੍ਰਮ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਜੇ ਵਿਦਿਆਰਥੀ ਨੂੰ ਉੱਤਰ ਵਜੋਂ "ਬੀ" ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਪ੍ਰਤੀਬਿੰਬਿਤ / ਅਨੁਭਵੀ / ਭਾਸ਼ਾਈ / ਭਾਸ਼ਾਈ / ਭਾਸ਼ਾਈ . / ਗਲੋਬਲ ਸਿੱਖਣ ਵਾਲਾ.
ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਦੇ ਵਿਚਕਾਰਲੇ ਵਰਕਫੋਰ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਹਰ ਵਿਦਿਆਰਥੀ ਦੇ ls ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਐਮ ਐਲ ਮਾਡਲ ਵਿੱਚ ਖੜੇ ਕੀਤੇ ਗਏ ਸਨ. "ਕੂੜਾ ਕਰਕਟ, ਕੂੜਾ ਕਰਕਟ ਬਾਹਰ ਕੱ .ਦਾ ਹੈ" ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਖੇਤਰ ਵਿਚ ਇਕ ਪ੍ਰਸਿੱਧ ਸ਼ਬਦ ਹੈ, ਜਿਸ ਨਾਲ ਡਾਟਾ ਕੁਆਲਟੀ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ. ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ. ਫੀਚਰ ਇੰਜੀਨੀਅਰਿੰਗ ਪੜਾਅ ਦੇ ਦੌਰਾਨ, ਇੱਕ ਨਵੀਂ ਵਿਸ਼ੇਸ਼ਤਾ ਸਮੂਹ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ FLSM ਤੇ ਅਧਾਰਤ "ਏ" ਅਤੇ "ਬੀ" ਦੇ ਜਵਾਬਾਂ ਦੇ ਅਨੁਸਾਰ ਹੈ. ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੇ ਅਹੁਦਿਆਂ ਦੀ ਪਛਾਣ ਨੰਬਰ 1 ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਹਨ.
ਜਵਾਬਾਂ ਦੇ ਅਧਾਰ ਤੇ ਅੰਕ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਵਿਦਿਆਰਥੀ ਦੇ ls ਨਿਰਧਾਰਤ ਕਰੋ. ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਲਈ, ਸਕੋਰ ਦੀ ਰੇਂਜ 1 ਤੋਂ 11 ਤੱਕ ਹੈ. ਸਕੋਰ 5 ਤੋਂ 7 ਤੱਕ ਦੇ ਸਕੋਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀ ਦੂਜਿਆਂ ਨੂੰ ਉਪਦੇਸ਼ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਨ . ਇਕੋ ਦਿਸ਼ਾ 'ਤੇ ਇਕ ਹੋਰ ਤਬਦੀਲੀ ਹੈ ਕਿ 9 ਤੋਂ 11 ਤੱਕ ਅੰਕ ਇਕ ਸਿਰੇ ਜਾਂ ਦੂਜੇ [8] ਲਈ ਇਕ ਮਜ਼ਬੂਤ ਤਰਜੀਹ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ.
ਹਰੇਕ ਪਹਿਲੂ ਲਈ, ਨਸ਼ਿਆਂ ਨੂੰ "ਸਰਗਰਮ", "ਪ੍ਰਤੀਬਿੰਬ", "ਪ੍ਰਤੀਬਿੰਬਿਤ" ਅਤੇ "ਸੰਤੁਲਿਤ" ਅਤੇ "ਸੰਤੁਲਿਤ" ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਜਦੋਂ ਕੋਈ ਵਿਦਿਆਰਥੀ ਨਿਰਧਾਰਤ ਆਈਟਮ 'ਤੇ "ਬੀ" ਨਾਲੋਂ "a" ਨਾਲੋਂ ਅਕਸਰ "a" ਤੋਂ ਵੱਧ ਦਾਖਲਾ ਕਰਦਾ ਹੈ ਤਾਂ ਉਹ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਉਹ "ਐਕਟਿਵ" ਐਲ.ਐੱਸ. ਨਾਲ ਸਬੰਧਤ ਹੈ ਡੋਮੇਨ. . ਹਾਲਾਂਕਿ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ "ਪ੍ਰਤੀਬਿੰਬਿਤ" ਐਲਐਸ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ ਜਦੋਂ ਉਨ੍ਹਾਂ ਨੇ "ਏ" (ਟੇਬਲ 1) ਵਿੱਚ "ਏ" ਤੋਂ ਵੱਧ (ਟੇਬਲ 1) ਚੁਣਿਆ ਤਾਂ ਅਤੇ 5 ਤੋਂ ਵੱਧ ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ. ਅੰਤ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ "ਸੰਤੁਲਨ" ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ. ਜੇ ਸਕੋਰ 5 ਬਿੰਦੂਆਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਇਹ ਇਕ "ਕਾਰਜ" ls ਹੈ. ਵਰਗੀਕਰਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੂਜੇ ls ਮਾਪਾਂ ਲਈ ਦੁਹਰਾਇਆ ਗਿਆ ਸੀ, ਅਰਥਾਤ ਧਾਰਣਾ (ਕਿਰਿਆਸ਼ੀਲ / ਪ੍ਰਤੀਬਿੰਬਿਤ), ਇਨਪੁਟ (ਦ੍ਰਿਸ਼ਟੀਕੋਣ / ਜ਼ੁਬਾਨੀ), ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ / ਗਲੋਬਲ).
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾੱਡਲ ਵਰਗੀਕਰਣ ਪ੍ਰਕਿਰਿਆ ਦੇ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਫੈਸਲਿਆਂ ਦੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ. ਇਸ ਨੂੰ ਪ੍ਰਸਿੱਧ ਵਰਗੀਕਰਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਟੂਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਰੁੱਖ structure ਾਂਚੇ ਵਾਂਗ ਪ੍ਰਸਤੁਤ ਹੋ ਸਕਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਇੱਕ ਫਲੋਚਾਰਟ [20], ਗੁਣਾਂ ਦੁਆਰਾ ਟੈਸਟ ਦੇ ਟੈਸਟਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ, ਹਰੇਕ ਸ਼ਾਖਾ ਦੇ ਲੇਬਲ (ਪੱਤਾ ਨੋਡ) ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੇ ਹੋਏ.
ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ-ਅਧਾਰਤ ਪ੍ਰੋਗਰਾਮ ਆਪਣੇ ਪ੍ਰਤੀ ਪ੍ਰਤਿਕ੍ਰਿਆਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਆਪਣੇ ਆਪਾਂ ਦੇ ਡੀਐਸ ਨੂੰ ਆਪਣੇ ਆਪ ਸਕੋਰ ਅਤੇ ਐਨੋਟੇਟ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ. ਨਿਯਮ-ਅਧਾਰਤ ਇੱਕ IF ਸਟੇਟਮੈਂਟ ਦਾ ਰੂਪ ਲੈਂਦਾ ਹੈ, ਜਿਥੇ "ਜੇ" ਟਰਿੱਗਰ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਅਤੇ "ਫਿਰ" ਕੀਤੀਆਂ "ਫੇਰ" ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਉਦਾਹਰਣ ਲਈ: "ਜੇ x. X. ਜੇ ਡੇਟਾ ਸੈਟ ਸੰਬੰਧਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਤ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦਾ ਮਾਡਲ ਸਹੀ ਤਰ੍ਹਾਂ ਸਿਖਿਅਤ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪਹੁੰਚ ਮੈਚਿੰਗ ਨਾਲ ਮੇਲ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨ ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੋ ਸਕਦਾ ਹੈ.
ਵਿਕਾਸ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਡੇਟਾਸੈਟ ਨੂੰ ਸਿਫਾਰਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ 255 ਵਿੱਚ ਵਾਧਾ ਕੀਤਾ ਗਿਆ. ਡੇਟਾ ਸੈੱਟ 1: 4 ਅਨੁਪਾਤ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ. ਡੇਟਾ ਸੈੱਟ ਦੇ 25% (64) ਦੀ ਵਰਤੋਂ ਟੈਸਟ ਸੈਟ ਲਈ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਬਾਕੀ 75% (191) ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ (ਚਿੱਤਰ 2) ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਸੀ. ਉਸੇ ਡੇਟਾ ਸੈੱਟ ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਟੈਸਟ ਕੀਤੇ ਜਾਣ ਤੋਂ ਰੋਕਣ ਲਈ ਡੇਟਾ ਸੈਟ ਨੂੰ ਸਪਲਿਟ ਹੋਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਯਾਦ ਰੱਖਣ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ. ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਟੈਸਟ ਸੈਟ-ਡੇਟਾ' ਤੇ ਇਸ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਮਾਡਲ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਵੇਖੀ ਗਈ.
ਇੱਕ ਵਾਰ ਜਦੋਂ ਹੁੰਦਾ ਹੈ ਤਾਂ ਟੂਲ ਤਿਆਰ ਹੋਵੇ, ਐਪਲੀਕੇਸ਼ਨ ਕਿਸੇ ਵੈੱਬ ਇੰਟਰਫੇਸ ਦੁਆਰਾ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਜਵਾਬਾਂ ਦੇ ਅਧਾਰ ਤੇ ls ਵਰਗੀਕਰਣ ਦੇ ਯੋਗ ਹੋ ਜਾਂਦੀ ਹੈ. ਵੈਬ-ਬੇਸਡ ਇਨਫਰਮੇਸ਼ਨ ਸੁੱਰਖਿਆ ਸਿਫਾਰਸ਼ੀ ਪ੍ਰੋਵਾਈਟਨ ਸਿਸਟਮ ਸਿਸਟਮ ਨੂੰ ਡਨੋਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਬੈਕਐਂਡ ਦੇ ਤੌਰ ਤੇ ਵਰਤਦੇ ਹੋਏ. ਟੇਬਲ 2 ਇਸ ਪ੍ਰਣਾਲੀ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਸੂਚੀ ਬਣਾਉਂਦਾ ਹੈ.
ਵਿਦਿਆਰਥੀਆਂ ਦੇ ls ਮਾਪ ਨੂੰ ਆਪਣੇ ਆਪ ਵਰਗੀਕਰਣ ਕਰਨ ਲਈ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਅਤੇ ਕੱ ract ਣ ਲਈ ਡੇਟਾਸੇਟ ਨੂੰ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ.
ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਇੱਕ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਸੈਟ ਤੇ ਐਲਗੋਰਿਦਮ ਦੀ ਇੱਕ ਫੈਸਲੇ ਟ੍ਰੀ ਮਸ਼ੀਨ ਦੀ ਸਿਖਲਾਈ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਉਸੇ ਸਮੇਂ, ਇਹ ਵਰਗੀਕਰਣ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ. ਇਹ ਮਾਡਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਅਸਲ ਡੇਟਾ ਲੇਬਲ ਨਾਲ ਕਰਦਾ ਹੈ. ਮੁਲਾਂਕਣ ਦੇ ਨਤੀਜੇ ਚਾਰ ਵੱਖ-ਵੱਖ ਮੁੱਲਾਂ 'ਤੇ ਅਧਾਰਤ ਹਨ: ਸਹੀ ਸਕਾਰਾਤਮਕ (ਟੀ.ਪੀ.) - ਮਾਡਲ ਨੇ ਸਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ, ਗਲਤ ਨਕਾਰਾਤਮਕ (ਟੀ.ਐੱਨ.) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ - ਮਾਡਲ ਨੇ ਨਕਾਰਾਤਮਕ ਕਲਾਸ, ਅਤੇ ਝੂਠੇ ਨਕਾਰਾਤਮਕ (ਐਫ ਐਨ) ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਹੈ - ਮਾਡਲ ਇੱਕ ਨਕਾਰਾਤਮਕ ਕਲਾਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਪਰ ਅਸਲ ਲੇਬਲ ਸਕਾਰਾਤਮਕ ਹੈ.
ਇਹ ਮੁੱਲ ਫਿਰ ਪਾਈਥਨ ਦੇ ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਮੈਟ੍ਰਿਕਸ ਦੇ ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਮੈਟ੍ਰਿਕਸ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਅਰਥਾਤ ਸ਼ੁੱਧਤਾ, ਸ਼ੁੱਧਤਾ, ਯਾਦ, ਅਤੇ F1 ਸਕੋਰ. ਇੱਥੇ ਉਦਾਹਰਣ ਹਨ:
ਯਾਦ ਕਰੋ (ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ) ਐਮ-ਆਈਐਲਸ ਪ੍ਰਸ਼ਨਾਵਲੀ ਦਾ ਉੱਤਰ ਦੇਣ ਤੋਂ ਬਾਅਦ ਕਿਸੇ ਵਿਦਿਆਰਥੀ ਦੇ ਐਲਐਸ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਮਾਪਦੀ ਹੈ.
ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਸੱਚੀ ਨਕਾਰਾਤਮਕ ਦਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਉਪਰੋਕਤ ਫਾਰਮੂਲੇ ਤੋਂ ਵੇਖ ਸਕਦੇ ਹੋ, ਇਹ ਸਹੀ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ (ਐੱਫ ਪੀ) ਤੋਂ ਸੱਚੇ ਨਕਾਰਾਤਮਕ (ਟੀ.ਐੱਨ.) ਦਾ ਅਨੁਪਾਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ. ਵਿਦਿਆਰਥੀ ਦਵਾਈਆਂ ਦੀ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਸਿਫਾਰਸ਼ ਕੀਤੇ ਗਏ ਉਪਕਰਣ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, ਇਹ ਸਹੀ ਪਛਾਣ ਦੇ ਸਮਰੱਥ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.
ਵਿਅਰਥ ਐਮਐਲ ਮਾਡਲ ਨੂੰ ਐਨੋਟੇਸ਼ਨਜ਼ (ਟੇਬਲ 3) ਦੇ ਕਾਰਨ ਮਨੁੱਖੀ ਅਸ਼ੁੱਧੀ ਕਾਰਨ 50 ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਅਸਲ ਡੇਟਾਸੇਟ ਹੈ. Ls ਸਕੋਰ ਅਤੇ ਵਿਦਿਆਰਥੀ ਐਨੋਟੇਸ਼ਨਸ ਦੀ ਆਪਣੇ ਆਪ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਣ ਨਿਯਮ-ਅਧਾਰਤ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ, ਡੇਟਾਸੀਟਸ (255) ਦੀ ਵੱਧਦੀ ਗਿਣਤੀ ਦੀ ਵਰਤੋਂ ਸਿਫਾਰਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਸੀ.
ਮਲਟੀਕਲਾਸ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ, ਵਿਕਰਣ ਤੱਤ ਹਰ ਇੱਕ ls ਕਿਸਮ ਲਈ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ (ਚਿੱਤਰ 4). ਫੈਸਲੇ ਟ੍ਰੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਕੁੱਲ 64 ਨਮੂਨਿਆਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ. ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਡਾਇਜੋਨਲ ਤੱਤ ਉਮੀਦ ਕੀਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਹਰੇਕ ਐਲਐਸ ਵਰਗੀਕਰਣ ਲਈ ਕਲਾਸ ਲੇਬਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਅਤੇ ਸਹੀ ਤਰ੍ਹਾਂ ਕਲਾਸ ਲੇਬਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਅਤੇ ਸਹੀ .ੰਗ ਨਾਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ. ਇਸ ਤਰ੍ਹਾਂ, ਸਿਫਾਰਸ਼ ਟੂਲ ਦੀ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ 100% ਹੈ.
ਸ਼ੁੱਧਤਾ, ਸ਼ੁੱਧਤਾ, ਯਾਦ ਕਰਨ ਵਾਲੇ, ਅਤੇ ਫੈਸਲੇ ਟ੍ਰੀਅਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਸਿਫਾਰਸ ਪ੍ਰਣਾਲੀ ਲਈ ਇਸ ਦੇ f1 ਸਕੋਰ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ, ਇਸ ਦੇ f1 ਸਕੋਰ 1.0 "ਸੰਪੂਰਨ" ਦੇ ਮੁੱਲ ਦਰਸਾਏ ਗਏ ਹਨ ਮੁੱਲ.
ਚਿੱਤਰ 6 ਸਿਖਲਾਈ ਦੇ ਬਾਅਦ ਫੈਸਲੇ ਦੇ ਨਮੂਨੇ ਦੀ ਇੱਕ ਦਰਸ਼ਨੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਟੈਸਟਿੰਗ ਪੂਰੀ ਹੋ ਗਈ ਹੈ. ਇੱਕ ਪਾਸੇ ਦੇ ਨਾਲ ਨਾਲ ਤੁਲਨਾ ਵਿੱਚ, ਫੈਸਲੇ ਦੇ ਦਰੱਖਤ ਦੇ ਮਾਡਲ ਨੂੰ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸੌਖੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਏ ਗਏ. ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਘਟਾਉਣਾ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਕਦਮ ਹੈ.
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਨਿਰੀਖਣ ਸਿਖਲਾਈ ਲਾਗੂ ਕਰਕੇ, ਐਲ ਐਸ (ਇਨਪੁਟ) ਦੇ ਵਿਚਕਾਰ ਮੈਪਿੰਗ ਆਪਣੇ ਆਪ ਤਿਆਰ ਹੈ ਅਤੇ ਹਰੇਕ ਐਲ ਐਲ ਏ ਲਈ ਵਿਸਥਾਰਤ ਜਾਣਕਾਰੀ ਹੈ.
ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ 255 ਵਿਦਿਆਰਥੀਆਂ ਦੇ 34.9% ਨੇ ਇੱਕ (1) ਐਲਐਸ ਵਿਕਲਪ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ. ਬਹੁਗਿਣਤੀ (54.3%) ਦੀਆਂ ਦੋ ਜਾਂ ਵਧੇਰੇ ls ਪਸੰਦ ਸਨ. 12.2% ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ls ਕਾਫ਼ੀ ਸੰਤੁਲਿਤ ਹੈ (ਸਾਰਣੀ 4). ਅੱਠ ਮੁੱਖ ls ਤੋਂ ਇਲਾਵਾ, ਮਲੀਆ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਯੂਨੀਵਰਸਿਟੀ ਦੀ ਕਲਾਸ ਦੇ 34 ਜੋੜਾਂ ਦੇ ਸੰਜੋਗ ਹਨ. ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ, ਧਾਰਨਾ, ਦਰਸ਼ਨ ਅਤੇ ਧਾਰਨਾ ਅਤੇ ਦਰਸ਼ਨ ਦਾ ਸੁਮੇਲ ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ ਮੇਨ ਐਲ ਐਸ (ਚਿੱਤਰ 7).
ਜਿਵੇਂ ਕਿ ਸਾਰਣੀ 4 ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਬਹੁਤ ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪ੍ਰਮੁੱਖ ਸੰਵੇਦਨਾ (13.7%) ਜਾਂ ਵਿਜ਼ੁਅਲ (8.6%) ਐਲ.ਸੀ. ਦੱਸਿਆ ਗਿਆ ਹੈ ਕਿ 12.2% ਵਿਦਿਆਰਥੀ ਵਿਜ਼ਨ (ਅਨੁਭਵੀ-ਵਿਜ਼ੂਅਲ ਐਲਐਸ) ਦੀ ਧਾਰਨਾ ਦੇ ਧਾਰਨਾ ਦੇ ਨਾਲ. ਇਹ ਖੋਜਾਂ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀ ਸਥਾਪਿਤ ਕੀਤੇ methods ੰਗਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ methods ੰਗਾਂ ਦੁਆਰਾ ਸਿੱਖਣਾ ਅਤੇ ਯਾਦ ਰੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੁਦਰਤ ਵਿੱਚ ਧਿਆਨ ਦਿੰਦੇ ਹਨ. ਉਸੇ ਸਮੇਂ, ਉਹ (ਚਿੱਤਰਾਂ, ਆਦਿ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿੱਖਦਿਆਂ ਸਿੱਖਦਿਆਂ ਸਿੱਖਣ ਦਾ ਅਨੰਦ ਲੈਂਦੇ ਹੋ ਅਤੇ ਸਮੂਹਾਂ ਵਿੱਚ ਜਾਂ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਆਪ ਵਿੱਚ ਜਾਣਕਾਰੀ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ.
ਇਹ ਅਧਿਐਨ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਤੁਰੰਤ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰੋ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ls ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ suitable ੁਕਵਾਂ ਸਿਫਾਰਸ਼ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਨਾ ਹੈ. ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨੇ ਆਪਣੇ ਜੀਵਨ ਅਤੇ ਵਿਦਿਅਕ ਤਜ਼ਰਬਿਆਂ ਨਾਲ ਨੇੜਿਓਂ ਸਬੰਧਤ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ. ਇਹ ਇਕ ਨਿਗਰਾਨੀ ਅਧੀਨ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇਕ ਰੁੱਖ ਦੇ structure ਾਂਚਾ ਹੈ ਜੋ ਕੁਝ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ ਤੇ ਉਪਸ਼੍ਰੇਮਾਂ ਵਿਚ ਡੇਟਾ ਦੇ ਸਮੂਹ ਨੂੰ ਵੰਡ ਕੇ ਡਾਟਾ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਇਕ ਰੁੱਖ ਬਣਤਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਇਹ ਹਰੇਕ ਅੰਦਰੂਨੀ ਨੋਡ ਦੀ ਇੱਕ ਇਨਪੁਟ ਫੀਚਰ ਦੇ ਅਧਾਰ ਤੇ ਉਪ-ਵੰਡ ਵਿੱਚ ਵੰਡਣ ਨਾਲ ਉਪ-ਵੰਡ ਵਿੱਚ ਵੰਡਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਪੱਤਾ ਨੋਡ ਤੇ ਕੋਈ ਫੈਸਲਾ ਨਹੀਂ ਬਣਾਇਆ ਜਾਂਦਾ.
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਅੰਦਰੂਨੀ ਨੋਡਸ ਐਮ-ਆਈਐਲ ਦੀ ਸਮੱਸਿਆ ਦੀਆਂ ਇੰਪੁੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਘੋਲ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ ਪੱਤੇ ਦੇ ਨੋਡ ਫਾਈਨਲ ਐੱਲਸ ਵਰਗੀਕਰਣ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ. ਅਧਿਐਨ ਦੌਰਾਨ, ਫੈਸਲੇ ਦੀਆਂ ਰੁੱਖਾਂ ਦੀ ਲੜੀ ਨੂੰ ਸਮਝਣਾ ਆਸਾਨ ਹੈ ਜੋ ਇੰਪੁੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਆਉਟਪੁੱਟ ਭਵਿੱਖਬਾਣੀ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਵੇਖ ਕੇ ਫੈਸਲਾ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਕਲਪਨਾ ਕਰਦੇ ਹਨ.
ਕੰਪਿ Computer ਟਰ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਉਹਨਾਂ ਦੇ ਪ੍ਰਵੇਸ਼ ਪ੍ਰੀਖਿਆ ਦੇ ਇਮਤਿਹਾਨ ਦੇ ਅਧਾਰ ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ [22]. ਖੋਜ ਨੇ ਦਿਖਾਇਆ ਕਿ ਐਲਗੋਰਿਦਮ ਨੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਅਕਾਦਮਿਕ ਮੁਸ਼ਕਲਾਂ ਦੇ ਜੋਖਮ 'ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿਚ ਸਹਾਇਤਾ ਕੀਤੀ.
ਡੈਂਟਲ ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਚੁਅਲ ਮਰੀਜ਼ ਸਿਮੂਲੇਟਰਾਂ ਦੇ ਵਿਕਾਸ ਦੀ ਰਿਪੋਰਟ ਵਿੱਚ ਐਮ ਐਲ ਐਲਗੋਰਿਦਮ ਦੀ ਅਰਜ਼ੀ ਦਿੱਤੀ ਗਈ ਹੈ. ਸਿਮੂਲੇਟਰ ਅਸਲ ਮਰੀਜ਼ਾਂ ਦੇ ਸਰੀਰਕ ਹੁੰਗਾਰੇ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਇੱਕ ਸੁਰੱਖਿਅਤ ਅਤੇ ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸਿਖਲਾਈ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ [23]. ਕਈ ਹੋਰ ਅਧਿਐਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਸੰਭਾਵਿਤ ਦੰਦਾਂ ਅਤੇ ਮੈਡੀਕਲ ਸਿੱਖਿਆ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ. ਅੰਕੜਿਆਂ ਦੇ ਸਮੂਹ ਜਿਵੇਂ ਕਿ ਲੱਛਣਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਲੱਛਣਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਦੰਦਾਂ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਦੀ ਜਾਂਚ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ. ਜਦੋਂ ਕਿ ਹੋਰ ਅਧਿਐਨਾਂ ਨੇ ਕਾਰਜ ਕਰਨ ਲਈ ਸ਼ਰਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਪੜਤਾਲ ਕੀਤੀ ਹੈ ਜਿਵੇਂ ਕਿ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਪਛਾਣ ਕਰੋ [26], ਇਲਾਜ ਕਰ ਸਕਦੇ ਹੋ [27].
ਹਾਲਾਂਕਿ ਦੰਦਾਂ ਦੀ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਰਿਪੋਰਟਾਂ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਇਸ ਦੇ ਦੰਦ ਸਿੱਖਿਆ ਵਿੱਚ ਅਰਜ਼ੀ ਸੀਮਤ ਰਹਿੰਦੀ ਹੈ. ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਐਲਐਸ ਨਾਲ ਸਭ ਤੋਂ ਨੇੜਿਓਂ ਜੁੜੇ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਫੈਸਲੇ ਟ੍ਰੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਹੈ.
ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਿਕਸਤ ਸਿਫਾਰਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਹੈ ਜੋ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਅਧਿਆਪਕ ਇਸ ਸਾਧਨ ਤੋਂ ਲਾਭ ਲੈ ਸਕਦੇ ਹਨ. ਇੱਕ ਡਾਟਾ-ਸੰਚਾਲਿਤ ਵਰਗੀਕਰਣ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਿੱਖਿਅਕ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਨਤੀਜਿਆਂ ਦੇ ਵਿਦਿਅਕ ਤਜ਼ਰਬਿਆਂ ਅਤੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ. ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ, ਸਿਫਾਰਸ਼ ਸੰਦਾਂ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਅਧਿਆਪਕਾਂ ਦੇ ਤਰਜੀਹੀ ਸਿਖਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਵਿਚਕਾਰ ਵਿਵਾਦਾਂ ਦਾ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਸਿਫਾਰਸ਼ ਦੇ ਸੰਦਾਂ ਦੇ ਸਵੈਚਾਲਤ ਆਉਟਪੁੱਟ ਦੇ ਕਾਰਨ, ਕਿਸੇ ਵਿਦਿਆਰਥੀ ਦੇ ਆਈਪੀ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਇਸ ਦੇ ਅਨੁਸਾਰੀ ਆਈਪੀ ਨਾਲ ਮੇਲ ਕਰਨ ਵਿੱਚ ਲੋੜੀਂਦਾ ਸਮਾਂ ਮਹੱਤਵਪੂਰਣ ਹੈ. ਇਸ ਤਰੀਕੇ ਨਾਲ, ਉੱਚਿਤ ਸਿਖਲਾਈ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਸਿਖਲਾਈ ਸਮੱਗਰੀ ਨੂੰ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇਹ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਕਾਰਾਤਮਕ ਸਿੱਖਣ ਦੇ ਵਿਵਹਾਰ ਅਤੇ ਧਿਆਨ ਦੇਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ. ਇਕ ਅਧਿਐਨ ਨੇ ਦੱਸਿਆ ਕਿ ਸਿੱਖਣ ਵਾਲੀਆਂ ਪਦਾਰਥਾਂ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਨਾਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨਾ ਉਹਨਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ, ਪ੍ਰਕਿਰਿਆ [12] ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕਿਆਂ ਨਾਲ ਸਿੱਖਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ. ਖੋਜ ਵੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਲਾਸਰੂਮ ਵਿਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਭਾਗੀਦਾਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਤੋਂ ਇਲਾਵਾ, ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਮਝਣ ਅਤੇ [29, 29] ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਗੱਲਬਾਤ ਵਿਚ ਵੀ ਇਕ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਅਦਾ ਕਰਦੇ ਹਨ.
ਹਾਲਾਂਕਿ, ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਵੀ ਆਧੁਨਿਕ ਟੈਕਨਾਲੋਜੀ ਦੇ ਨਾਲ, ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਹਨ. ਇਨ੍ਹਾਂ ਵਿੱਚ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਅਲਗਰਿਥ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਉਪਕਰਣਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਉਪਕਰਣਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਉਪਕਰਣਾਂ ਦੇ ਨਾਲ ਜੁੜੇ ਮੁੱਦੇ ਸ਼ਾਮਲ ਹਨ; ਹਾਲਾਂਕਿ, ਇਸ ਖੇਤਰ ਵਿੱਚ ਵਧ ਰਹੀ ਰੁਚੀ ਅਤੇ ਖੋਜ ਸੁਝਾਉਂਦੀ ਹੈ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਟੈਕਨੋਲੋਜੀ ਨੂੰ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਅਤੇ ਦੰਦਾਂ ਦੀਆਂ ਸੇਵਾਵਾਂ 'ਤੇ ਸਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਪੈ ਸਕਦਾ ਹੈ.
ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਦੰਦਾਂ ਦੇ ਅੱਧੇ ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਨਸ਼ਿਆਂ "ਸਮਝ" ਦਾ ਰੁਝਾਨ ਹੁੰਦਾ ਹੈ. ਇਸ ਕਿਸਮ ਦੇ ਸਿੱਖਣ ਵਾਲੇ ਕੋਲ ਤੱਥਾਂ ਅਤੇ ਠੋਸ ਉਦਾਹਰਣਾਂ, ਇੱਕ ਪ੍ਰੈਕਟੀਕਲ ਰੁਝਾਨ ਲਈ ਤਰਜੀਹ ਹੈ, ਅਤੇ ਇੱਕ "ਵਿਜ਼ੂਅਲ" ਐਲ ਐਸ ਪਸੰਦ, ਜਿੱਥੇ ਕਿ ਵਿਚਾਰ ਅਤੇ ਗਰਾਫਿਕਸ, ਰੰਗਾਂ ਅਤੇ ਨਕਸ਼ਿਆਂ ਨੂੰ ਦੱਸਣਾ ਅਤੇ ਵਿਚਾਰ ਦੱਸਦੇ ਹਨ. ਮੌਜੂਦਾ ਨਤੀਜੇ ਦੰਦਾਂ ਅਤੇ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਡੀਐਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਹੋਰ ਅਧਿਐਨਾਂ ਨਾਲ ਇਕਸਾਰ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿਚੋਂ ਜ਼ਿਆਦਾਤਰ ਸਮਝਦਾਰੀ ਅਤੇ ਵਿਜ਼ੂਅਲ ਐਲਐਸ [12, 30] ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ. ਡਰਮੋਲਿਨ ਐਟ ਅਲ ਸੁਝਾਅ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਐਲਐਸ ਬਾਰੇ ਦੱਸਣਾ ਉਨ੍ਹਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੀ ਸੰਭਾਵਨਾ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਬਹਿਸ ਕਰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਅਧਿਆਪਕ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਿਦਿਅਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝਦੇ ਹਨ ਤਾਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬੇ [12, 31, 32] ਨੂੰ ਸੁਧਾਰ ਦੇਵੇਗੀ. ਹੋਰ ਅਧਿਐਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ls ਵਿਵਸਥਿਤ ਕਰਨਾ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਆਪਣੇ ਖੁਦ ਦੇ ls 33 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸਿੱਖਾਂ ਦੀਆਂ 33'.
ਅਧਿਆਪਕਾਂ ਦੀਆਂ ਰਾਏ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਅਧਿਆਪਨ ਰਣਨੀਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਵੱਖੋ ਵੱਖ ਹੋ ਸਕਦੀਆਂ ਹਨ. ਜਦੋਂ ਕਿ ਕੁਝ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਦੇ ਮੌਕਿਆਂ, ਸਲਾਹਕਾਰਾਂ ਅਤੇ ਕਮਿ community ਨਿਟੀ ਸਹਾਇਤਾ ਸਮੇਤ ਇਸ ਪਹੁੰਚ ਦੇ ਲਾਭ ਨੂੰ ਵੇਖਦੇ ਹਨ, ਦੂਸਰੇ ਸਮੇਂ ਅਤੇ ਸੰਸਥਾਗਤ ਸਹਾਇਤਾ ਬਾਰੇ ਚਿੰਤਤ ਹੋ ਸਕਦੇ ਹਨ. ਸੰਤੁਲਨ ਲਈ ਯਤਨਸ਼ੀਲ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਰਵੱਈਆ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ. ਉੱਚ ਸਿੱਖਿਆ ਅਧਿਕਾਰੀ, ਜਿਵੇਂ ਕਿ ਯੂਨੀਵਰਸਿਟੀ ਪ੍ਰਬੰਧਕ, ਦਿਲਚਸਪ ਅਭਿਆਸਾਂ ਅਤੇ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਫੈਕਲਟੀ ਵਿਕਾਸ ਲਈ ਸਕਾਰਾਤਮਕ ਤਬਦੀਲੀ ਕਰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾ ਸਕਦੇ ਹਨ. ਇੱਕ ਸਚਮੁੱਚ ਗਤੀਸ਼ੀਲ ਅਤੇ ਜਵਾਬਦੇਹ ਉੱਚ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀ ਪੈਦਾ ਕਰਨ ਲਈ, ਨੀਤੀਕਰਨ ਕਰਨ ਵਾਲਿਆਂ ਨੂੰ ਦਲੇਰਾਨਾ ਕਦਮ ਚੁੱਕਣੇ ਚਾਹੀਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸੰਜੀਕਤਾ ਵਿੱਚ ਏਕੀਕਰਣ ਨੂੰ ਸਰੋਤਾਂ ਨੂੰ ਸਮਰਪਿਤ ਕਰਨ ਵਾਲੇ. ਇਹ ਉਪਾਅ ਲੋੜੀਂਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਣ ਹਨ. ਵੱਖ-ਵੱਖ ਹਦਾਇਤਾਂ 'ਤੇ ਹਾਲ ਹੀ ਵਿਚ ਹੋਈਆਂ ਖੋਜਾਂ ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ ਹਦਾਇਤਾਂ ਦੇ ਕਾਰਜ ਪ੍ਰਣਾਲੀ ਲਈ ਅਧਿਆਪਕਾਂ [33] ਲਈ ਵਿਕਾਸ ਦੇ ਮੌਕਿਆਂ ਦੀ ਲੋੜ ਹੈ.
ਇਹ ਟੂਲ ਡੈਂਟਲ ਐਗਜ਼ਿਟਟਰਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀ-ਪੱਖੀ ਸਿਖਲਾਈ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾਬੰਦੀ ਕਰਨ ਲਈ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹਨ. ਹਾਲਾਂਕਿ, ਇਹ ਅਧਿਐਨ ਫੈਸਲੇ ਦੇ ਦਰੱਖਤ ਐਮਐਲ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਤੱਕ ਸੀਮਿਤ ਹੈ. ਭਵਿੱਖ ਵਿੱਚ, ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾਤਮਕਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਦੀ ਤੁਲਨਾ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨਾ, ਭਰੋਸੇਯੋਗਤਾ, ਅਤੇ ਸਿਫਾਰਸ਼ ਟੂਲਸ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਸੇ ਖਾਸ ਕੰਮ ਲਈ ਸਭ ਤੋਂ ਉਚਿਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ method ੰਗ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ, ਦੂਜੇ ਕਾਰਕਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਗੁੰਝਲਦਾਰਤਾ ਅਤੇ ਵਿਆਖਿਆ ਵਰਗੇ ਹੋਰ ਕਾਰਕਾਂ' ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ.
ਇਸ ਅਧਿਐਨ ਦੀ ਸੀਮਾ ਇਹ ਹੈ ਕਿ ਇਹ ਸਿਰਫ ਮੈਪਿੰਗ ls 'ਤੇ ਕੇਂਦ੍ਰਤ ਹੈ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿਚਾਲੇ ਹੈ. ਇਸ ਲਈ, ਵਿਕਸਤ ਸਿਫਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਸਿਰਫ ਉਨ੍ਹਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰੇਗਾ ਜੋ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ is ੁਕਵੇਂ ਹਨ. ਆਮ ਉੱਚ ਸਿੱਖਿਆ ਵਿਦਿਆਰਥੀ ਦੀ ਵਰਤੋਂ ਲਈ ਤਬਦੀਲੀਆਂ ਜ਼ਰੂਰੀ ਹਨ.
ਨਵੀਂ ਵਿਕਸਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ-ਅਧਾਰਤ ਸਿਫਾਰਸ਼ ਸੰਦ ਨੂੰ ਅਨੁਸਾਰੀ ਵਰਗੀਕਰਣ ਕਰਨ ਅਤੇ ਮਿਲਾਉਣ ਦੇ ਯੋਗ ਅਧਿਆਪਕਾਂ ਦੇ ls ਦੇ ਪਹਿਲੇ ਡੈਨਟਲ ਐਜੂਕੇਸ਼ਨ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਣਾ ਹੈ ਤਾਂ ਜੋ ਦੰਦਾਂ ਦੇ ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਸੰਬੰਧਤ ਅਧਿਆਪਨ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਨ. ਇੱਕ ਡਾਟਾ-ਸੰਜੋਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਸੰਭਾਲਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ, ਟਾਰਗਿੰਗ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਨੂੰ ਬਿਹਤਰ ਬਣਾਓ ਅਤੇ ਚੱਲ ਰਹੇ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹਤ ਕਰੋ. ਇਸ ਦੀ ਅਰਜ਼ੀ ਦੰਦਾਂ ਦੀ ਸਿਖਿਆ ਅਨੁਸਾਰ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚ ਨੂੰ ਉਤਸ਼ਾਹਤ ਕਰੇਗੀ.
ਗਿਲਕ ਜਨੀ ਸਬੰਧਤ ਪ੍ਰੈਸ. ਵਿਦਿਆਰਥੀ ਦੀ ਸਿਖਲਾਈ ਸ਼ੈਲੀ ਅਤੇ ਅਧਿਆਪਕ ਦੀ ਸਿੱਖਿਆ ਦੀ ਸ਼ੈਲੀ ਦੇ ਵਿਚਕਾਰ ਮੇਲ ਜਾਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ. ਇੰਟ ਜੇ ਮੋਡ ਕੰਪਿ computer ਟਰ ਸਾਇੰਸ. 2012; 4 (11): 51-60. https://thogn_org/10.5815/jmecs.2012.05
ਪੋਸਟ ਸਮੇਂ: ਅਪ੍ਰੈਲ -9-2024