ਡੈਂਟਿਸਟਰੀ ਸਮੇਤ ਉੱਚ ਸਿੱਖਿਆ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਸਿਖਲਾਈ (ਐਸਸੀਐਲ) ਦੀ ਵਧਦੀ ਲੋੜ ਹੈ।ਹਾਲਾਂਕਿ, ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ SCL ਕੋਲ ਸੀਮਤ ਐਪਲੀਕੇਸ਼ਨ ਹੈ।ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ IS ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇੱਕ ਉਪਯੋਗੀ ਸਾਧਨ ਵਜੋਂ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਸੰਦੀਦਾ ਸਿਖਲਾਈ ਸ਼ੈਲੀ (LS) ਅਤੇ ਸੰਬੰਧਿਤ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ (IS) ਨੂੰ ਮੈਪ ਕਰਨ ਲਈ ਫੈਸਲਾ ਟ੍ਰੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੇ ਵਿਗਿਆਨ ਵਿੱਚ SCL ਦੀ ਵਰਤੋਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਹੈ। .ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਹੋਨਹਾਰ ਤਰੀਕੇ।
ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਕੁੱਲ 255 ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸੰਸ਼ੋਧਿਤ ਇੰਡੈਕਸ ਆਫ਼ ਲਰਨਿੰਗ ਸਟਾਈਲਜ਼ (m-ILS) ਪ੍ਰਸ਼ਨਾਵਲੀ ਨੂੰ ਪੂਰਾ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ 44 ਆਈਟਮਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸਬੰਧਤ LSs ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ।ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ (ਜਿਸ ਨੂੰ ਡੇਟਾਸੈਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਨਿਰੀਖਣ ਕੀਤੇ ਫੈਸਲੇ ਟ੍ਰੀ ਲਰਨਿੰਗ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਨੂੰ ਸਭ ਤੋਂ ਢੁਕਵੇਂ IS ਨਾਲ ਆਪਣੇ ਆਪ ਮੇਲ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਿਤ IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਫਿਰ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
LS (ਇਨਪੁਟ) ਅਤੇ IS (ਟਾਰਗੇਟ ਆਉਟਪੁੱਟ) ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸਵੈਚਲਿਤ ਮੈਪਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਹਰੇਕ ਡੈਂਟਲ ਵਿਦਿਆਰਥੀ ਲਈ ਢੁਕਵੀਂ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਤੁਰੰਤ ਸੂਚੀ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਨੇ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸਮੁੱਚੇ ਮਾਡਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਯਾਦ ਕਰਨ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ LS ਨੂੰ IS ਨਾਲ ਮੇਲਣ ਵਿੱਚ ਚੰਗੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ।
ਇੱਕ ML ਨਿਰਣਾਇਕ ਰੁੱਖ 'ਤੇ ਆਧਾਰਿਤ ਇੱਕ IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਨੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਨੂੰ ਢੁਕਵੀਂ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਨਾਲ ਸਹੀ ਢੰਗ ਨਾਲ ਮੇਲ ਕਰਨ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਨੂੰ ਸਾਬਤ ਕੀਤਾ ਹੈ।ਇਹ ਸਾਧਨ ਸਿਖਿਆਰਥੀ-ਕੇਂਦਰਿਤ ਕੋਰਸਾਂ ਜਾਂ ਮੌਡਿਊਲਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ।
ਵਿਦਿਅਕ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਪੜ੍ਹਾਉਣਾ ਅਤੇ ਸਿੱਖਣਾ ਬੁਨਿਆਦੀ ਗਤੀਵਿਧੀਆਂ ਹਨ।ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਵੋਕੇਸ਼ਨਲ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀ ਵਿਕਸਿਤ ਕਰਦੇ ਸਮੇਂ, ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਲੋੜਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ।ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਵਾਤਾਵਰਣ ਵਿਚਕਾਰ ਆਪਸੀ ਤਾਲਮੇਲ ਉਹਨਾਂ ਦੇ LS ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਅਤੇ IS ਵਿਚਕਾਰ ਅਧਿਆਪਕ-ਇਰਾਦੇ ਵਾਲੇ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ ਵਿਦਿਆਰਥੀ ਦੀ ਸਿੱਖਣ ਲਈ ਨਕਾਰਾਤਮਕ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਧਿਆਨ ਅਤੇ ਪ੍ਰੇਰਣਾ ਵਿੱਚ ਕਮੀ।ਇਹ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ [1,2] ਨੂੰ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਕਰੇਗਾ।
IS ਇੱਕ ਢੰਗ ਹੈ ਜੋ ਅਧਿਆਪਕਾਂ ਦੁਆਰਾ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਗਿਆਨ ਅਤੇ ਹੁਨਰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ [3]।ਆਮ ਤੌਰ 'ਤੇ, ਚੰਗੇ ਅਧਿਆਪਕ ਅਧਿਆਪਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਜਾਂ IS ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਦੇ ਪੱਧਰ, ਉਹ ਧਾਰਨਾਵਾਂ ਜੋ ਉਹ ਸਿੱਖ ਰਹੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਪੜਾਅ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ।ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਜਦੋਂ LS ਅਤੇ IS ਦਾ ਮੇਲ ਹੁੰਦਾ ਹੈ, ਵਿਦਿਆਰਥੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਿੱਖਣ ਲਈ ਹੁਨਰ ਦੇ ਇੱਕ ਖਾਸ ਸੈੱਟ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਵਰਤਣ ਦੇ ਯੋਗ ਹੋਣਗੇ।ਆਮ ਤੌਰ 'ਤੇ, ਇੱਕ ਪਾਠ ਯੋਜਨਾ ਵਿੱਚ ਪੜਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਕਈ ਪਰਿਵਰਤਨ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਅਧਿਆਪਨ ਤੋਂ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ ਤੱਕ ਜਾਂ ਮਾਰਗਦਰਸ਼ਿਤ ਅਭਿਆਸ ਤੋਂ ਸੁਤੰਤਰ ਅਭਿਆਸ ਤੱਕ।ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਧਿਆਪਕ ਅਕਸਰ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਅਤੇ ਹੁਨਰ ਨੂੰ ਬਣਾਉਣ ਦੇ ਟੀਚੇ ਨਾਲ ਹਦਾਇਤਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ [4]।
ਡੈਂਟਿਸਟਰੀ ਸਮੇਤ ਉੱਚ ਸਿੱਖਿਆ ਸੰਸਥਾਵਾਂ ਵਿੱਚ SCL ਦੀ ਮੰਗ ਵਧ ਰਹੀ ਹੈ।SCL ਰਣਨੀਤੀਆਂ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ।ਇਹ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਜੇ ਵਿਦਿਆਰਥੀ ਸਰਗਰਮੀ ਨਾਲ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਹਿੱਸਾ ਲੈਂਦੇ ਹਨ ਅਤੇ ਅਧਿਆਪਕ ਸੁਵਿਧਾਕਰਤਾ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਕੀਮਤੀ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦੇ ਹਨ।ਇਹ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿ ਸਿੱਖਣ ਸਮੱਗਰੀ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਪ੍ਰਦਾਨ ਕਰਨਾ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਵਿਦਿਅਕ ਪੱਧਰ ਜਾਂ ਤਰਜੀਹਾਂ ਦੇ ਅਨੁਕੂਲ ਹਨ, ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਮਾਹੌਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੇ ਹਨ ਅਤੇ ਸਕਾਰਾਤਮਕ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬਿਆਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹਨ [5]।
ਆਮ ਤੌਰ 'ਤੇ, ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵੱਖ-ਵੱਖ ਕਲੀਨਿਕਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਨੂੰ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਹਨ ਅਤੇ ਕਲੀਨਿਕਲ ਮਾਹੌਲ ਜਿਸ ਵਿੱਚ ਉਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅੰਤਰ-ਵਿਅਕਤੀਗਤ ਹੁਨਰ ਵਿਕਸਿਤ ਕਰਦੇ ਹਨ।ਸਿਖਲਾਈ ਦਾ ਉਦੇਸ਼ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਦੰਦਾਂ ਦੇ ਕਲੀਨਿਕਲ ਹੁਨਰਾਂ ਦੇ ਨਾਲ ਦੰਦਾਂ ਦੇ ਡਾਕਟਰੀ ਦੇ ਬੁਨਿਆਦੀ ਗਿਆਨ ਨੂੰ ਜੋੜਨ ਅਤੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਿਆਨ ਨੂੰ ਨਵੀਆਂ ਕਲੀਨਿਕਲ ਸਥਿਤੀਆਂ [6, 7] ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ।LS ਅਤੇ IS ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਨੇ ਪਾਇਆ ਕਿ ਤਰਜੀਹੀ LS ਨਾਲ ਮੈਪ ਕੀਤੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨਾ ਵਿਦਿਅਕ ਪ੍ਰਕਿਰਿਆ [8] ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।ਲੇਖਕ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਅਤੇ ਲੋੜਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਅਧਿਆਪਨ ਅਤੇ ਮੁਲਾਂਕਣ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਵੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹਨ।
ਅਧਿਆਪਕਾਂ ਨੂੰ LS ਗਿਆਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਲਾਭ ਹੁੰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਨੂੰ ਹਦਾਇਤਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ, ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜਾ ਸਕੇ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਡੂੰਘੇ ਗਿਆਨ ਦੀ ਪ੍ਰਾਪਤੀ ਅਤੇ ਵਿਸ਼ੇ ਦੀ ਸਮਝ ਨੂੰ ਵਧਾਏਗਾ।ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਕਈ LS ਮੁਲਾਂਕਣ ਟੂਲ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕੋਲਬ ਐਕਸਪੀਰੀਐਂਸ਼ੀਅਲ ਲਰਨਿੰਗ ਮਾਡਲ, ਫੇਲਡਰ-ਸਿਲਵਰਮੈਨ ਲਰਨਿੰਗ ਸਟਾਈਲ ਮਾਡਲ (FSLSM), ਅਤੇ ਫਲੇਮਿੰਗ VAK/VARK ਮਾਡਲ [5, 9, 10]।ਸਾਹਿਤ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਅਧਿਐਨ ਕੀਤੇ ਗਏ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਹਨ।ਮੌਜੂਦਾ ਖੋਜ ਕਾਰਜ ਵਿੱਚ, FSLSM ਦੀ ਵਰਤੋਂ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ LS ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
FSLSM ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਅਨੁਕੂਲ ਸਿਖਲਾਈ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਮਾਡਲ ਹੈ।ਸਿਹਤ ਵਿਗਿਆਨ (ਦਵਾਈ, ਨਰਸਿੰਗ, ਫਾਰਮੇਸੀ ਅਤੇ ਡੈਂਟਿਸਟਰੀ ਸਮੇਤ) ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਪ੍ਰਕਾਸ਼ਿਤ ਰਚਨਾਵਾਂ ਹਨ ਜੋ FSLSM ਮਾਡਲਾਂ [5, 11, 12, 13] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੱਭੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।FLSM ਵਿੱਚ LS ਦੇ ਮਾਪਾਂ ਨੂੰ ਮਾਪਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਯੰਤਰ ਨੂੰ ਇੰਡੈਕਸ ਆਫ਼ ਲਰਨਿੰਗ ਸਟਾਈਲ (ILS) [8] ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ LS ਦੇ ਚਾਰ ਮਾਪਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲੀਆਂ 44 ਆਈਟਮਾਂ ਹਨ: ਪ੍ਰੋਸੈਸਿੰਗ (ਐਕਟਿਵ/ਰਿਫਲੈਕਟਿਵ), ਧਾਰਨਾ (ਅਨੁਭਵੀ/ਅਨੁਭਵੀ), ਇੰਪੁੱਟ (ਵਿਜ਼ੂਅਲ)/ਮੌਖਿਕ) ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ/ਗਲੋਬਲ) [14]।
ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਹਰੇਕ FSLSM ਮਾਪ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਤਰਜੀਹ ਹੈ।ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰੋਸੈਸਿੰਗ ਮਾਪ ਵਿੱਚ, "ਸਰਗਰਮ" LS ਵਾਲੇ ਵਿਦਿਆਰਥੀ ਸਿੱਖਣ ਸਮੱਗਰੀ ਨਾਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇੰਟਰੈਕਟ ਕਰਕੇ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, ਕਰ ਕੇ ਸਿੱਖਦੇ ਹਨ, ਅਤੇ ਸਮੂਹਾਂ ਵਿੱਚ ਸਿੱਖਣ ਦਾ ਰੁਝਾਨ ਰੱਖਦੇ ਹਨ।"ਰਿਫਲੈਕਟਿਵ" LS ਸੋਚ ਦੁਆਰਾ ਸਿੱਖਣ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਕੱਲੇ ਕੰਮ ਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ।LS ਦੇ "ਸਮਝਣ ਵਾਲੇ" ਮਾਪ ਨੂੰ "ਭਾਵਨਾ" ਅਤੇ/ਜਾਂ "ਅਨੁਭਵ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।"ਮਹਿਸੂਸ" ਵਿਦਿਆਰਥੀ ਵਧੇਰੇ ਠੋਸ ਜਾਣਕਾਰੀ ਅਤੇ ਵਿਹਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, "ਅਨੁਭਵੀ" ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਤੱਥ-ਅਧਾਰਿਤ ਹੁੰਦੇ ਹਨ ਜੋ ਐਬਸਟ੍ਰੈਕਟ ਸਮੱਗਰੀ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਅਤੇ ਕੁਦਰਤ ਵਿੱਚ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਰਚਨਾਤਮਕ ਹੁੰਦੇ ਹਨ।LS ਦੇ "ਇਨਪੁਟ" ਮਾਪ ਵਿੱਚ "ਵਿਜ਼ੂਅਲ" ਅਤੇ "ਮੌਖਿਕ" ਸਿਖਿਆਰਥੀ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।"ਵਿਜ਼ੂਅਲ" LS ਵਾਲੇ ਲੋਕ ਵਿਜ਼ੂਅਲ ਪ੍ਰਦਰਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ, ਵੀਡੀਓ, ਜਾਂ ਲਾਈਵ ਪ੍ਰਦਰਸ਼ਨਾਂ) ਦੁਆਰਾ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ "ਮੌਖਿਕ" LS ਵਾਲੇ ਲੋਕ ਲਿਖਤੀ ਜਾਂ ਮੌਖਿਕ ਵਿਆਖਿਆਵਾਂ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੁਆਰਾ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ।LS ਮਾਪਾਂ ਨੂੰ "ਸਮਝਣ" ਲਈ, ਅਜਿਹੇ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ "ਕ੍ਰਮਵਾਰ" ਅਤੇ "ਗਲੋਬਲ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।"ਕ੍ਰਮਵਾਰ ਸਿਖਿਆਰਥੀ ਇੱਕ ਲੀਨੀਅਰ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਅਤੇ ਕਦਮ ਦਰ ਕਦਮ ਸਿੱਖਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਗਲੋਬਲ ਸਿਖਿਆਰਥੀ ਇੱਕ ਸੰਪੂਰਨ ਸੋਚ ਪ੍ਰਕਿਰਿਆ ਰੱਖਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹਮੇਸ਼ਾ ਇਸ ਗੱਲ ਦੀ ਬਿਹਤਰ ਸਮਝ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਕੀ ਸਿੱਖ ਰਹੇ ਹਨ।
ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਟੋਮੈਟਿਕ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਖੋਜ ਲਈ ਤਰੀਕਿਆਂ ਦੀ ਖੋਜ ਕਰਨੀ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਨਵੇਂ ਐਲਗੋਰਿਦਮ ਅਤੇ ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਸ਼ਾਮਲ ਹਨ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ [15, 16] ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ।ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ, ਨਿਰੀਖਣ ਕੀਤਾ ML (ਮਸ਼ੀਨ ਲਰਨਿੰਗ) ਪੈਟਰਨ ਅਤੇ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜੋ ਐਲਗੋਰਿਦਮ [17] ਦੇ ਨਿਰਮਾਣ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ।ਸਿੱਧੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਨਿਰੀਖਣ ਕੀਤੀਆਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਇਨਪੁਟ ਡੇਟਾ ਅਤੇ ਟ੍ਰੇਨ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਹੇਰਾਫੇਰੀ ਕਰਦੀਆਂ ਹਨ।ਇਹ ਫਿਰ ਇੱਕ ਰੇਂਜ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਪ੍ਰਦਾਨ ਕੀਤੇ ਇਨਪੁਟ ਡੇਟਾ ਲਈ ਸਮਾਨ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਨਤੀਜੇ ਦਾ ਵਰਗੀਕਰਨ ਜਾਂ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ।ਨਿਰੀਖਣ ਕੀਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਆਦਰਸ਼ ਅਤੇ ਲੋੜੀਂਦੇ ਨਤੀਜੇ [17] ਸਥਾਪਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਹੈ।
ਡਾਟਾ-ਸੰਚਾਲਿਤ ਵਿਧੀਆਂ ਅਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਨਿਯੰਤਰਣ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਦੁਆਰਾ, LS ਦੀ ਆਟੋਮੈਟਿਕ ਖੋਜ ਸੰਭਵ ਹੈ।ਸਿਹਤ ਵਿਗਿਆਨ [18, 19] ਸਮੇਤ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਨਿਰਣਾਇਕ ਰੁੱਖਾਂ ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ।ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਮਾਡਲ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ IS ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ।
ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS 'ਤੇ ਆਧਾਰਿਤ IS ਡਿਲਿਵਰੀ ਰਣਨੀਤੀਆਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨਾ ਹੈ ਅਤੇ LS ਨਾਲ ਮੈਪ ਕੀਤੇ IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਨੂੰ ਵਿਕਸਿਤ ਕਰਕੇ SCL ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਹੈ।SCL ਵਿਧੀ ਦੀ ਰਣਨੀਤੀ ਦੇ ਰੂਪ ਵਿੱਚ IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਦਾ ਡਿਜ਼ਾਈਨ ਪ੍ਰਵਾਹ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। IS ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ILS ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ LS ਵਰਗੀਕਰਨ ਵਿਧੀ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ IS ਡਿਸਪਲੇ ਸ਼ਾਮਲ ਹੈ।
ਖਾਸ ਤੌਰ 'ਤੇ, ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਸਿਫਾਰਿਸ਼ ਸਾਧਨਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਵੈੱਬ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੈ।ਸਿਸਟਮ ਡਿਵੈਲਪਰ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਅਤੇ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਮੋਬਾਈਲ ਡਿਵਾਈਸਾਂ ਜਿਵੇਂ ਕਿ ਮੋਬਾਈਲ ਫੋਨਾਂ ਅਤੇ ਟੈਬਲੇਟਾਂ ਲਈ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਸੁਧਾਰਦੇ ਹਨ।
ਇਹ ਪ੍ਰਯੋਗ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਦੰਦਾਂ ਦੀ ਫੈਕਲਟੀ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸਵੈਇੱਛਤ ਆਧਾਰ 'ਤੇ ਹਿੱਸਾ ਲਿਆ ਸੀ।ਭਾਗੀਦਾਰਾਂ ਨੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀ ਦੇ ਔਨਲਾਈਨ m-ILS ਦਾ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਜਵਾਬ ਦਿੱਤਾ।ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ, ਫੈਸਲਾ ਟ੍ਰੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ 50 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਇੱਕ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਵਿਕਸਤ ਸਾਧਨ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ 255 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਇੱਕ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।
ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਨੂੰ Microsoft ਟੀਮਾਂ ਰਾਹੀਂ, ਅਕਾਦਮਿਕ ਸਾਲ ਦੇ ਆਧਾਰ 'ਤੇ, ਹਰੇਕ ਪੜਾਅ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਇੱਕ ਔਨਲਾਈਨ ਬ੍ਰੀਫਿੰਗ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ।ਅਧਿਐਨ ਦੇ ਉਦੇਸ਼ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਸੂਚਿਤ ਸਹਿਮਤੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੀ।ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਨੂੰ m-ILS ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ ਇੱਕ ਲਿੰਕ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ।ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੀਆਂ ਸਾਰੀਆਂ 44 ਆਈਟਮਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ।ਉਹਨਾਂ ਨੂੰ ਸਮੈਸਟਰ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਸਮੈਸਟਰ ਬਰੇਕ ਦੌਰਾਨ ਉਹਨਾਂ ਲਈ ਸੁਵਿਧਾਜਨਕ ਸਮੇਂ ਅਤੇ ਸਥਾਨ 'ਤੇ ਸੋਧੇ ਹੋਏ ILS ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਇੱਕ ਹਫ਼ਤਾ ਦਿੱਤਾ ਗਿਆ ਸੀ।m-ILS ਮੂਲ ILS ਯੰਤਰ 'ਤੇ ਅਧਾਰਤ ਹੈ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸੋਧਿਆ ਗਿਆ ਹੈ।ਮੂਲ ILS ਦੇ ਸਮਾਨ, ਇਸ ਵਿੱਚ 44 ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਵੰਡੀਆਂ ਆਈਟਮਾਂ (a, b) ਸ਼ਾਮਲ ਹਨ, ਹਰੇਕ ਵਿੱਚ 11 ਆਈਟਮਾਂ ਹਨ, ਜੋ ਹਰੇਕ FSLSM ਮਾਪ ਦੇ ਪਹਿਲੂਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਟੂਲ ਡਿਵੈਲਪਮੈਂਟ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਦੇ ਦੌਰਾਨ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦੰਦਾਂ ਦੇ 50 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨਕਸ਼ਿਆਂ ਨੂੰ ਹੱਥੀਂ ਐਨੋਟੇਟ ਕੀਤਾ।FSLM ਦੇ ਅਨੁਸਾਰ, ਸਿਸਟਮ "a" ਅਤੇ "b" ਉੱਤਰਾਂ ਦਾ ਜੋੜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।ਹਰੇਕ ਮਾਪ ਲਈ, ਜੇਕਰ ਵਿਦਿਆਰਥੀ ਇੱਕ ਜਵਾਬ ਦੇ ਤੌਰ 'ਤੇ "a" ਨੂੰ ਚੁਣਦਾ ਹੈ, ਤਾਂ LS ਨੂੰ ਸਰਗਰਮ/ਅਨੁਭਵ/ਵਿਜ਼ੂਅਲ/ਸੀਕੁਐਂਸ਼ੀਅਲ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਵਿਦਿਆਰਥੀ "b" ਨੂੰ ਇੱਕ ਜਵਾਬ ਵਜੋਂ ਚੁਣਦਾ ਹੈ, ਤਾਂ ਵਿਦਿਆਰਥੀ ਨੂੰ ਪ੍ਰਤੀਬਿੰਬਿਤ/ਅਨੁਭਵੀ/ਭਾਸ਼ਾਈ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ./ ਗਲੋਬਲ ਸਿੱਖਣ ਵਾਲਾ।
ਡੈਂਟਲ ਐਜੂਕੇਸ਼ਨ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਵਿਚਕਾਰ ਵਰਕਫਲੋ ਨੂੰ ਕੈਲੀਬ੍ਰੇਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, FLSSM ਡੋਮੇਨ ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰਸ਼ਨ ਚੁਣੇ ਗਏ ਸਨ ਅਤੇ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਦੇ LS ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ML ਮਾਡਲ ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਸਨ।"ਗਾਰਬੇਜ ਇਨ, ਗਾਰਬੇਜ ਆਊਟ" ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਪ੍ਰਸਿੱਧ ਕਹਾਵਤ ਹੈ, ਜਿਸ ਵਿੱਚ ਡਾਟਾ ਗੁਣਵੱਤਾ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਪੜਾਅ ਦੇ ਦੌਰਾਨ, ਇੱਕ ਨਵਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ FLSSM 'ਤੇ ਆਧਾਰਿਤ ਜਵਾਬਾਂ ਦਾ ਜੋੜ "a" ਅਤੇ "b" ਹੈ।ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਪਛਾਣ ਨੰਬਰ ਸਾਰਣੀ 1 ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਹਨ।
ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਵਿਦਿਆਰਥੀ ਦਾ LS ਨਿਰਧਾਰਤ ਕਰੋ।ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਲਈ, ਸਕੋਰ ਦੀ ਰੇਂਜ 1 ਤੋਂ 11 ਤੱਕ ਹੁੰਦੀ ਹੈ। 1 ਤੋਂ 3 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕੋ ਮਾਪ ਵਿੱਚ ਸਿੱਖਣ ਦੀਆਂ ਤਰਜੀਹਾਂ ਦੇ ਸੰਤੁਲਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ 5 ਤੋਂ 7 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕ ਮੱਧਮ ਤਰਜੀਹ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀ ਦੂਜਿਆਂ ਨੂੰ ਪੜ੍ਹਾਉਣ ਵਾਲੇ ਇੱਕ ਵਾਤਾਵਰਣ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ। .ਇੱਕੋ ਆਯਾਮ 'ਤੇ ਇੱਕ ਹੋਰ ਪਰਿਵਰਤਨ ਇਹ ਹੈ ਕਿ 9 ਤੋਂ 11 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕ ਸਿਰੇ ਜਾਂ ਦੂਜੇ [8] ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਤਰਜੀਹ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
ਹਰੇਕ ਮਾਪ ਲਈ, ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਨੂੰ "ਸਰਗਰਮ", "ਪ੍ਰਤੀਬਿੰਬਤ" ਅਤੇ "ਸੰਤੁਲਿਤ" ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ।ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਕੋਈ ਵਿਦਿਆਰਥੀ ਕਿਸੇ ਮਨੋਨੀਤ ਆਈਟਮ 'ਤੇ "b" ਤੋਂ ਜ਼ਿਆਦਾ ਵਾਰ "a" ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ LS ਮਾਪ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਆਈਟਮ ਲਈ ਉਸਦਾ ਸਕੋਰ 5 ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਵੱਧ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ "ਕਿਰਿਆਸ਼ੀਲ" LS ਨਾਲ ਸਬੰਧਤ ਹੈ। ਡੋਮੇਨ..ਹਾਲਾਂਕਿ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ "ਪ੍ਰਤੀਬਿੰਬਤ" LS ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ ਜਦੋਂ ਉਹਨਾਂ ਨੇ ਖਾਸ 11 ਪ੍ਰਸ਼ਨਾਂ (ਸਾਰਣੀ 1) ਵਿੱਚ "a" ਤੋਂ ਵੱਧ "b" ਨੂੰ ਚੁਣਿਆ ਅਤੇ 5 ਤੋਂ ਵੱਧ ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ।ਅੰਤ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ "ਸੰਤੁਲਨ" ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ।ਜੇਕਰ ਸਕੋਰ 5 ਪੁਆਇੰਟਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ "ਪ੍ਰਕਿਰਿਆ" LS ਹੈ।ਵਰਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਹੋਰ LS ਮਾਪਾਂ ਲਈ ਦੁਹਰਾਇਆ ਗਿਆ ਸੀ, ਅਰਥਾਤ ਧਾਰਨਾ (ਕਿਰਿਆਸ਼ੀਲ/ਪ੍ਰਤੀਬਿੰਬਤ), ਇਨਪੁਟ (ਵਿਜ਼ੂਅਲ/ਮੌਖਿਕ), ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ/ਗਲੋਬਲ)।
ਨਿਰਣਾਇਕ ਰੁੱਖ ਦੇ ਮਾਡਲ ਵਰਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਫੈਸਲੇ ਦੇ ਨਿਯਮਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਉਪ ਸਮੂਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ।ਇਸ ਨੂੰ ਇੱਕ ਪ੍ਰਸਿੱਧ ਵਰਗੀਕਰਨ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਸੰਦ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।ਇਸ ਨੂੰ ਇੱਕ ਰੁੱਖ ਬਣਤਰ ਜਿਵੇਂ ਕਿ ਇੱਕ ਫਲੋਚਾਰਟ [20] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਗੁਣਾਂ ਦੁਆਰਾ ਟੈਸਟਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਅੰਦਰੂਨੀ ਨੋਡ ਹੁੰਦੇ ਹਨ, ਹਰੇਕ ਸ਼ਾਖਾ ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਅਤੇ ਹਰੇਕ ਲੀਫ ਨੋਡ (ਲੀਫ ਨੋਡ) ਜਿਸ ਵਿੱਚ ਕਲਾਸ ਲੇਬਲ ਹੁੰਦਾ ਹੈ।
ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਦੇ ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਆਪਣੇ ਆਪ ਸਕੋਰ ਅਤੇ ਐਨੋਟੇਟ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ-ਅਧਾਰਿਤ ਪ੍ਰੋਗਰਾਮ ਬਣਾਇਆ ਗਿਆ ਸੀ।ਨਿਯਮ-ਅਧਾਰਿਤ ਇੱਕ IF ਸਟੇਟਮੈਂਟ ਦਾ ਰੂਪ ਲੈਂਦਾ ਹੈ, ਜਿੱਥੇ "IF" ਟਰਿੱਗਰ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਅਤੇ "THEN" ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਕਾਰਵਾਈ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ: "ਜੇ X ਹੁੰਦਾ ਹੈ, ਤਾਂ Y ਕਰੋ" (Liu et al., 2014)।ਜੇਕਰ ਡੇਟਾ ਸੈਟ ਆਪਸੀ ਸਬੰਧਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਿਖਲਾਈ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪਹੁੰਚ LS ਅਤੇ IS ਨੂੰ ਮੇਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨ ਦਾ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੋ ਸਕਦਾ ਹੈ।
ਵਿਕਾਸ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਡੇਟਾਸੈਟ ਨੂੰ 255 ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਗਿਆ ਸੀ।ਡਾਟਾ ਸੈੱਟ ਨੂੰ 1:4 ਅਨੁਪਾਤ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ।ਡਾਟਾ ਸੈੱਟ ਦਾ 25% (64) ਟੈਸਟ ਸੈੱਟ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਬਾਕੀ 75% (191) ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ (ਚਿੱਤਰ 2) ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ।ਮਾਡਲ ਨੂੰ ਉਸੇ ਡਾਟਾ ਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕੀਤੇ ਜਾਣ ਤੋਂ ਰੋਕਣ ਲਈ ਡਾਟਾ ਸੈੱਟ ਨੂੰ ਵੰਡਣ ਦੀ ਲੋੜ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਯਾਦ ਰੱਖ ਸਕਦਾ ਹੈ।ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਇਸਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ-ਡਾਟਾ ਜੋ ਮਾਡਲ ਨੇ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।
ਇੱਕ ਵਾਰ IS ਟੂਲ ਵਿਕਸਿਤ ਹੋ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਐਪਲੀਕੇਸ਼ਨ ਇੱਕ ਵੈੱਬ ਇੰਟਰਫੇਸ ਦੁਆਰਾ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ LS ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗੀ।ਵੈੱਬ-ਅਧਾਰਿਤ ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਸਿਫਾਰਸ਼ ਟੂਲ ਸਿਸਟਮ ਨੂੰ ਬੈਕਐਂਡ ਦੇ ਤੌਰ 'ਤੇ Django ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਾਈਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ।ਸਾਰਣੀ 2 ਇਸ ਸਿਸਟਮ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਵਰਤੀਆਂ ਗਈਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਸੂਚੀ ਦਿੰਦੀ ਹੈ।
ਵਿਦਿਆਰਥੀ LS ਮਾਪਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਜਵਾਬਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਅਤੇ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਡੇਟਾਸੈਟ ਨੂੰ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਨੂੰ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ।
ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਇੱਕ ਦਿੱਤੇ ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।ਉਸੇ ਸਮੇਂ, ਇਹ ਵਰਗੀਕਰਨ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ.ਇਹ ਮਾਡਲ ਦੀਆਂ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀ ਅਸਲ ਡਾਟਾ ਲੇਬਲਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਦਾ ਹੈ।ਮੁਲਾਂਕਣ ਨਤੀਜੇ ਚਾਰ ਵੱਖ-ਵੱਖ ਮੁੱਲਾਂ 'ਤੇ ਅਧਾਰਤ ਹਨ: ਸੱਚਾ ਸਕਾਰਾਤਮਕ (TP) - ਮਾਡਲ ਨੇ ਸਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਗਲਤ ਸਕਾਰਾਤਮਕ (FP) - ਮਾਡਲ ਨੇ ਸਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਪਰ ਸੱਚਾ ਲੇਬਲ ਨਕਾਰਾਤਮਕ ਸੀ, ਸੱਚਾ ਨੈਗੇਟਿਵ (TN) - ਮਾਡਲ ਨੇ ਨਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਹੈ, ਅਤੇ ਗਲਤ ਨਕਾਰਾਤਮਕ (FN) - ਮਾਡਲ ਇੱਕ ਨਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਪਰ ਸੱਚਾ ਲੇਬਲ ਸਕਾਰਾਤਮਕ ਹੈ।
ਇਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਫਿਰ ਪਾਈਥਨ ਵਿੱਚ ਸਕਿਟ-ਲਰਨ ਵਰਗੀਕਰਣ ਮਾਡਲ ਦੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਰਥਾਤ ਸ਼ੁੱਧਤਾ, ਸ਼ੁੱਧਤਾ, ਰੀਕਾਲ, ਅਤੇ F1 ਸਕੋਰ।ਇੱਥੇ ਉਦਾਹਰਨਾਂ ਹਨ:
ਯਾਦ ਕਰੋ (ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ) m-ILS ਪ੍ਰਸ਼ਨਾਵਲੀ ਦਾ ਜਵਾਬ ਦੇਣ ਤੋਂ ਬਾਅਦ ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੇ LS ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਗੀਕਰਨ ਕਰਨ ਦੀ ਮਾਡਲ ਦੀ ਯੋਗਤਾ ਨੂੰ ਮਾਪਦਾ ਹੈ।
ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਸੱਚੀ ਨਕਾਰਾਤਮਕ ਦਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਉਪਰੋਕਤ ਫਾਰਮੂਲੇ ਤੋਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਇਹ ਸਹੀ ਨਕਾਰਾਤਮਕ (TN) ਤੋਂ ਸੱਚੇ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ (FP) ਦਾ ਅਨੁਪਾਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।ਵਿਦਿਆਰਥੀ ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੇ ਟੂਲ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, ਇਹ ਸਹੀ ਪਛਾਣ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ML ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ 50 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਮੂਲ ਡੇਟਾਸੈਟ ਨੇ ਐਨੋਟੇਸ਼ਨਾਂ (ਟੇਬਲ 3) ਵਿੱਚ ਮਨੁੱਖੀ ਗਲਤੀ ਦੇ ਕਾਰਨ ਮੁਕਾਬਲਤਨ ਘੱਟ ਸ਼ੁੱਧਤਾ ਦਿਖਾਈ।LS ਸਕੋਰਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀ ਐਨੋਟੇਸ਼ਨਾਂ ਦੀ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ-ਅਧਾਰਿਤ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ, ਸਿਫਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ ਡਾਟਾਸੈਟਾਂ ਦੀ ਵੱਧ ਰਹੀ ਗਿਣਤੀ (255) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।
ਮਲਟੀਕਲਾਸ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ, ਵਿਕਰਣ ਤੱਤ ਹਰੇਕ LS ਕਿਸਮ (ਚਿੱਤਰ 4) ਲਈ ਸਹੀ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਕੁੱਲ 64 ਨਮੂਨਿਆਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ।ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਵਿਕਰਣ ਤੱਤ ਸੰਭਾਵਿਤ ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਨ, ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰੇਕ LS ਵਰਗੀਕਰਨ ਲਈ ਕਲਾਸ ਲੇਬਲ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।ਇਸ ਤਰ੍ਹਾਂ, ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਦੀ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ 100% ਹੈ।
ਸਟੀਕਤਾ, ਸ਼ੁੱਧਤਾ, ਰੀਕਾਲ, ਅਤੇ F1 ਸਕੋਰ ਦੇ ਮੁੱਲ ਚਿੱਤਰ 5 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੀ ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀ ਲਈ, ਇਸਦਾ F1 ਸਕੋਰ 1.0 "ਸੰਪੂਰਨ" ਹੈ, ਜੋ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਯਾਦ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਮਹੱਤਵਪੂਰਨ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਮੁੱਲ।
ਚਿੱਤਰ 6 ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟਿੰਗ ਦੇ ਮੁਕੰਮਲ ਹੋਣ ਤੋਂ ਬਾਅਦ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦਿਖਾਉਂਦਾ ਹੈ।ਨਾਲ-ਨਾਲ ਤੁਲਨਾ ਵਿੱਚ, ਘੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਨੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਆਸਾਨ ਮਾਡਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦਿਖਾਇਆ।ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ।
ਨਿਰੀਖਣ ਟ੍ਰੀ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ, LS (ਇਨਪੁਟ) ਅਤੇ IS (ਟਾਰਗੇਟ ਆਉਟਪੁੱਟ) ਵਿਚਕਾਰ ਮੈਪਿੰਗ ਆਪਣੇ ਆਪ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਹਰੇਕ LS ਲਈ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ।
ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ 255 ਵਿੱਚੋਂ 34.9% ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਇੱਕ (1) LS ਵਿਕਲਪ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ।ਬਹੁਗਿਣਤੀ (54.3%) ਕੋਲ ਦੋ ਜਾਂ ਦੋ ਤੋਂ ਵੱਧ LS ਤਰਜੀਹਾਂ ਸਨ।12.2% ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ LS ਕਾਫ਼ੀ ਸੰਤੁਲਿਤ ਹੈ (ਸਾਰਣੀ 4)।ਅੱਠ ਮੁੱਖ LS ਤੋਂ ਇਲਾਵਾ, ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ LS ਵਰਗੀਕਰਣ ਦੇ 34 ਸੰਜੋਗ ਹਨ।ਉਹਨਾਂ ਵਿੱਚੋਂ, ਧਾਰਨਾ, ਦ੍ਰਿਸ਼ਟੀ, ਅਤੇ ਧਾਰਨਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਦਾ ਸੁਮੇਲ ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਮੁੱਖ ਐਲਐਸ ਹਨ (ਚਿੱਤਰ 7)।
ਜਿਵੇਂ ਕਿ ਸਾਰਣੀ 4 ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜ਼ਿਆਦਾਤਰ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਇੱਕ ਪ੍ਰਮੁੱਖ ਸੰਵੇਦੀ (13.7%) ਜਾਂ ਵਿਜ਼ੂਅਲ (8.6%) LS ਸੀ।ਇਹ ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ ਸੀ ਕਿ 12.2% ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਦ੍ਰਿਸ਼ਟੀ (ਅਨੁਭਵ-ਦ੍ਰਿਸ਼ਟੀ LS) ਦੇ ਨਾਲ ਧਾਰਨਾ ਨੂੰ ਜੋੜਿਆ ਹੈ।ਇਹ ਖੋਜਾਂ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀ ਸਥਾਪਿਤ ਤਰੀਕਿਆਂ ਰਾਹੀਂ ਸਿੱਖਣ ਅਤੇ ਯਾਦ ਰੱਖਣ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, ਖਾਸ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ, ਅਤੇ ਸੁਭਾਅ ਵਿੱਚ ਧਿਆਨ ਰੱਖਦੇ ਹਨ।ਇਸ ਦੇ ਨਾਲ ਹੀ, ਉਹ ਦੇਖ ਕੇ (ਡਾਇਗਰਾਮ ਆਦਿ ਦੀ ਵਰਤੋਂ ਕਰਕੇ) ਸਿੱਖਣ ਦਾ ਅਨੰਦ ਲੈਂਦੇ ਹਨ ਅਤੇ ਸਮੂਹਾਂ ਵਿੱਚ ਜਾਂ ਆਪਣੇ ਆਪ ਜਾਣਕਾਰੀ ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦਾ ਰੁਝਾਨ ਰੱਖਦੇ ਹਨ।
ਇਹ ਅਧਿਐਨ ਡਾਟਾ ਮਾਈਨਿੰਗ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੀ ਤੁਰੰਤ ਅਤੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਢੁਕਵੇਂ IS ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਉਹਨਾਂ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜੋ ਉਹਨਾਂ ਦੇ ਜੀਵਨ ਅਤੇ ਵਿਦਿਅਕ ਤਜ਼ਰਬਿਆਂ ਨਾਲ ਸਭ ਤੋਂ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹਨ।ਇਹ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਕੁਝ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਡੇਟਾ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਉਪ-ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਇੱਕ ਟ੍ਰੀ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।ਇਹ ਲੀਫ ਨੋਡ 'ਤੇ ਕੋਈ ਫੈਸਲਾ ਹੋਣ ਤੱਕ ਹਰੇਕ ਅੰਦਰੂਨੀ ਨੋਡ ਦੀਆਂ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਮੁੱਲ ਦੇ ਅਧਾਰ 'ਤੇ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਉਪ-ਸੈਟਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ।
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਅੰਦਰੂਨੀ ਨੋਡਜ਼ m-ILS ਸਮੱਸਿਆ ਦੇ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਹੱਲ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ ਲੀਫ ਨੋਡ ਅੰਤਿਮ LS ਵਰਗੀਕਰਨ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।ਅਧਿਐਨ ਦੇ ਦੌਰਾਨ, ਫੈਸਲੇ ਦੇ ਰੁੱਖਾਂ ਦੀ ਲੜੀ ਨੂੰ ਸਮਝਣਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ ਜੋ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਆਉਟਪੁੱਟ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦੇਖ ਕੇ ਫੈਸਲੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਕਲਪਨਾ ਕਰਦੇ ਹਨ।
ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਅਤੇ ਇੰਜਨੀਅਰਿੰਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਵੇਸ਼ ਪ੍ਰੀਖਿਆ ਦੇ ਸਕੋਰ [21], ਜਨਸੰਖਿਆ ਜਾਣਕਾਰੀ, ਅਤੇ ਸਿੱਖਣ ਦੇ ਵਿਵਹਾਰ [22] ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।ਖੋਜ ਨੇ ਦਿਖਾਇਆ ਕਿ ਐਲਗੋਰਿਦਮ ਨੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਕਾਦਮਿਕ ਮੁਸ਼ਕਲਾਂ ਲਈ ਜੋਖਮ ਵਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ।
ਦੰਦਾਂ ਦੀ ਸਿਖਲਾਈ ਲਈ ਵਰਚੁਅਲ ਮਰੀਜ਼ ਸਿਮੂਲੇਟਰਾਂ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਐਮਐਲ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ.ਸਿਮੂਲੇਟਰ ਅਸਲ ਮਰੀਜ਼ਾਂ ਦੇ ਸਰੀਰਕ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਅਤ ਅਤੇ ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣ [23] ਵਿੱਚ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।ਕਈ ਹੋਰ ਅਧਿਐਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਦੰਦਾਂ ਅਤੇ ਡਾਕਟਰੀ ਸਿੱਖਿਆ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ।ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਡਾਟਾ ਸੈੱਟਾਂ ਜਿਵੇਂ ਕਿ ਲੱਛਣਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ [24, 25] ਦੇ ਆਧਾਰ 'ਤੇ ਦੰਦਾਂ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਦੇ ਨਿਦਾਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ ਹੈ।ਜਦੋਂ ਕਿ ਹੋਰ ਅਧਿਐਨਾਂ ਨੇ ਮਰੀਜ਼ਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ, ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਵਿਅਕਤੀਗਤ ਇਲਾਜ ਯੋਜਨਾਵਾਂ [26], ਪੀਰੀਅਡੋਂਟਲ ਇਲਾਜ [27], ਅਤੇ ਕੈਰੀਜ਼ ਇਲਾਜ [25] ਦੇ ਵਿਕਾਸ ਵਰਗੇ ਕੰਮਾਂ ਨੂੰ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ।
ਹਾਲਾਂਕਿ ਦੰਦਾਂ ਦੇ ਵਿਗਿਆਨ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਰਿਪੋਰਟਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਇਸਦਾ ਉਪਯੋਗ ਸੀਮਤ ਰਹਿੰਦਾ ਹੈ।ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ LS ਅਤੇ IS ਨਾਲ ਸਭ ਤੋਂ ਨੇੜਿਓਂ ਜੁੜੇ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ।
ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਿਕਸਤ ਸਿਫਾਰਿਸ਼ ਟੂਲ ਵਿੱਚ ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਹੈ, ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਅਧਿਆਪਕ ਇਸ ਸਾਧਨ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।ਇੱਕ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਵਰਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਿੱਖਿਅਕਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਿਦਿਅਕ ਅਨੁਭਵ ਅਤੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ।ਇਹਨਾਂ ਵਿੱਚੋਂ, ਸਿਫਾਰਿਸ਼ ਸਾਧਨਾਂ ਰਾਹੀਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਣਕਾਰੀ ਅਧਿਆਪਕਾਂ ਦੀਆਂ ਤਰਜੀਹੀ ਅਧਿਆਪਨ ਵਿਧੀਆਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਲੋੜਾਂ ਵਿਚਕਾਰ ਟਕਰਾਅ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ।ਉਦਾਹਰਨ ਲਈ, ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲਜ਼ ਦੇ ਸਵੈਚਲਿਤ ਆਉਟਪੁੱਟ ਦੇ ਕਾਰਨ, ਵਿਦਿਆਰਥੀ ਦੇ IP ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਇਸ ਨੂੰ ਸੰਬੰਧਿਤ IP ਨਾਲ ਮੇਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਸਮਾਂ ਕਾਫ਼ੀ ਘੱਟ ਜਾਵੇਗਾ।ਇਸ ਤਰ੍ਹਾਂ, ਯੋਗ ਸਿਖਲਾਈ ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਸਿਖਲਾਈ ਸਮੱਗਰੀ ਦਾ ਆਯੋਜਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।ਇਹ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਕਾਰਾਤਮਕ ਸਿੱਖਣ ਵਿਵਹਾਰ ਅਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਪ੍ਰਦਾਨ ਕਰਨਾ ਜੋ ਉਹਨਾਂ ਦੇ ਪਸੰਦੀਦਾ LS ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਵਧੇਰੇ ਸੰਭਾਵਨਾਵਾਂ [12] ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨ, ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਸਿੱਖਣ ਦਾ ਅਨੰਦ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।ਖੋਜ ਇਹ ਵੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਲਾਸਰੂਮ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਭਾਗੀਦਾਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਨਾਲ-ਨਾਲ, ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਮਝਣਾ ਵੀ ਅਧਿਆਪਨ ਅਭਿਆਸਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਸੰਚਾਰ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ [28, 29]।
ਹਾਲਾਂਕਿ, ਕਿਸੇ ਵੀ ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਦੇ ਨਾਲ, ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਹਨ.ਇਹਨਾਂ ਵਿੱਚ ਡੇਟਾ ਗੋਪਨੀਯਤਾ, ਪੱਖਪਾਤ ਅਤੇ ਨਿਰਪੱਖਤਾ ਨਾਲ ਸਬੰਧਤ ਮੁੱਦੇ, ਅਤੇ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਪੇਸ਼ੇਵਰ ਹੁਨਰ ਅਤੇ ਸਰੋਤ ਸ਼ਾਮਲ ਹਨ;ਹਾਲਾਂਕਿ, ਇਸ ਖੇਤਰ ਵਿੱਚ ਵਧ ਰਹੀ ਦਿਲਚਸਪੀ ਅਤੇ ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਅਤੇ ਦੰਦਾਂ ਦੀਆਂ ਸੇਵਾਵਾਂ 'ਤੇ ਸਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦੀਆਂ ਹਨ।
ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਦੰਦਾਂ ਦੇ ਅੱਧੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਨਸ਼ਿਆਂ ਨੂੰ "ਸਮਝਣ" ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੁੰਦੀ ਹੈ।ਇਸ ਕਿਸਮ ਦੇ ਸਿਖਿਆਰਥੀ ਕੋਲ ਤੱਥਾਂ ਅਤੇ ਠੋਸ ਉਦਾਹਰਨਾਂ, ਇੱਕ ਵਿਹਾਰਕ ਸਥਿਤੀ, ਵੇਰਵੇ ਲਈ ਧੀਰਜ, ਅਤੇ "ਵਿਜ਼ੂਅਲ" LS ਤਰਜੀਹ ਲਈ ਤਰਜੀਹ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਸਿਖਿਆਰਥੀ ਵਿਚਾਰਾਂ ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਵਿਅਕਤ ਕਰਨ ਲਈ ਤਸਵੀਰਾਂ, ਗ੍ਰਾਫਿਕਸ, ਰੰਗਾਂ ਅਤੇ ਨਕਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ।ਮੌਜੂਦਾ ਨਤੀਜੇ ਦੰਦਾਂ ਅਤੇ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਐਲਐਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਆਈਐਲਐਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹੋਰ ਅਧਿਐਨਾਂ ਦੇ ਨਾਲ ਇਕਸਾਰ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਅਨੁਭਵੀ ਅਤੇ ਵਿਜ਼ੂਅਲ ਐਲਐਸ [12, 30] ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ।ਡਾਲਮੋਲਿਨ ਐਟ ਅਲ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਐਲਐਸ ਬਾਰੇ ਸੂਚਿਤ ਕਰਨਾ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੀ ਸਿੱਖਣ ਦੀ ਸਮਰੱਥਾ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦਲੀਲ ਦਿੱਤੀ ਕਿ ਜਦੋਂ ਅਧਿਆਪਕ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਿਦਿਅਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝ ਲੈਂਦੇ ਹਨ, ਤਾਂ ਵੱਖ-ਵੱਖ ਅਧਿਆਪਨ ਵਿਧੀਆਂ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਗੇ [12, 31, 32]।ਹੋਰ ਅਧਿਐਨਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਐਲਐਸ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨਾ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਤਜਰਬੇ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਵੀ ਦਿਖਾਉਂਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਐਲਐਸ [13, 33] ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਉਹਨਾਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਨੂੰ ਬਦਲਦਾ ਹੈ।
ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਅਧਿਆਪਨ ਰਣਨੀਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਅਧਿਆਪਕਾਂ ਦੇ ਵਿਚਾਰ ਵੱਖੋ-ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।ਹਾਲਾਂਕਿ ਕੁਝ ਇਸ ਪਹੁੰਚ ਦੇ ਲਾਭਾਂ ਨੂੰ ਦੇਖਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਦੇ ਮੌਕੇ, ਸਲਾਹਕਾਰ, ਅਤੇ ਕਮਿਊਨਿਟੀ ਸਹਾਇਤਾ ਸ਼ਾਮਲ ਹੈ, ਦੂਸਰੇ ਸਮੇਂ ਅਤੇ ਸੰਸਥਾਗਤ ਸਹਾਇਤਾ ਬਾਰੇ ਚਿੰਤਤ ਹੋ ਸਕਦੇ ਹਨ।ਸੰਤੁਲਨ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਰਵੱਈਆ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ।ਉੱਚ ਸਿੱਖਿਆ ਅਧਿਕਾਰੀ, ਜਿਵੇਂ ਕਿ ਯੂਨੀਵਰਸਿਟੀ ਪ੍ਰਸ਼ਾਸਕ, ਨਵੀਨਤਾਕਾਰੀ ਅਭਿਆਸਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਕੇ ਅਤੇ ਫੈਕਲਟੀ ਵਿਕਾਸ [34] ਦਾ ਸਮਰਥਨ ਕਰਕੇ ਸਕਾਰਾਤਮਕ ਤਬਦੀਲੀ ਲਿਆਉਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾ ਸਕਦੇ ਹਨ।ਇੱਕ ਸੱਚਮੁੱਚ ਗਤੀਸ਼ੀਲ ਅਤੇ ਜਵਾਬਦੇਹ ਉੱਚ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣ ਲਈ, ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਦਲੇਰ ਕਦਮ ਚੁੱਕਣੇ ਚਾਹੀਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਨੀਤੀਗਤ ਤਬਦੀਲੀਆਂ ਕਰਨਾ, ਤਕਨਾਲੋਜੀ ਏਕੀਕਰਣ ਲਈ ਸਰੋਤਾਂ ਨੂੰ ਸਮਰਪਿਤ ਕਰਨਾ, ਅਤੇ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਵਾਲੇ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ।ਇਹ ਉਪਾਅ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ.ਵਿਭਿੰਨ ਹਿਦਾਇਤਾਂ 'ਤੇ ਹਾਲੀਆ ਖੋਜ ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਵਿਭਿੰਨ ਹਦਾਇਤਾਂ ਦੇ ਸਫਲਤਾਪੂਰਵਕ ਲਾਗੂ ਕਰਨ ਲਈ ਅਧਿਆਪਕਾਂ ਲਈ ਨਿਰੰਤਰ ਸਿਖਲਾਈ ਅਤੇ ਵਿਕਾਸ ਦੇ ਮੌਕਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ [35]।
ਇਹ ਟੂਲ ਡੈਂਟਲ ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਕੀਮਤੀ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀ-ਅਨੁਕੂਲ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਵਿਦਿਆਰਥੀ-ਕੇਂਦਰਿਤ ਪਹੁੰਚ ਅਪਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ।ਹਾਲਾਂਕਿ, ਇਹ ਅਧਿਐਨ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ML ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਤੱਕ ਸੀਮਿਤ ਹੈ।ਭਵਿੱਖ ਵਿੱਚ, ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਹੋਰ ਡੇਟਾ ਇਕੱਤਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਸੇ ਖਾਸ ਕੰਮ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ, ਮਾਡਲ ਦੀ ਗੁੰਝਲਤਾ ਅਤੇ ਵਿਆਖਿਆ ਵਰਗੇ ਹੋਰ ਕਾਰਕਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ।
ਇਸ ਅਧਿਐਨ ਦੀ ਇੱਕ ਸੀਮਾ ਇਹ ਹੈ ਕਿ ਇਹ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਸਿਰਫ਼ LS ਅਤੇ IS ਦੀ ਮੈਪਿੰਗ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ।ਇਸ ਲਈ, ਵਿਕਸਤ ਸਿਫ਼ਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਦੀ ਹੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੇਗੀ ਜੋ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਢੁਕਵੇਂ ਹਨ।ਆਮ ਉੱਚ ਸਿੱਖਿਆ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਰਤੋਂ ਲਈ ਤਬਦੀਲੀਆਂ ਜ਼ਰੂਰੀ ਹਨ।
ਨਵਾਂ ਵਿਕਸਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਆਧਾਰਿਤ ਸਿਫ਼ਾਰਿਸ਼ ਟੂਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਨੂੰ ਸੰਬੰਧਿਤ IS ਨਾਲ ਤੁਰੰਤ ਵਰਗੀਕ੍ਰਿਤ ਅਤੇ ਮੇਲ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ, ਇਸ ਨੂੰ ਦੰਦਾਂ ਦੇ ਸਿਖਿਅਕਾਂ ਨੂੰ ਸੰਬੰਧਿਤ ਅਧਿਆਪਨ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਪਹਿਲਾ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਂਦਾ ਹੈ।ਇੱਕ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਟ੍ਰਾਈਜ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਸਮਾਂ ਬਚਾ ਸਕਦਾ ਹੈ, ਅਧਿਆਪਨ ਰਣਨੀਤੀਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਨਿਸ਼ਾਨੇ ਵਾਲੇ ਦਖਲਅੰਦਾਜ਼ੀ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਚੱਲ ਰਹੇ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ।ਇਸਦੀ ਐਪਲੀਕੇਸ਼ਨ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਲਈ ਵਿਦਿਆਰਥੀ-ਕੇਂਦਰਿਤ ਪਹੁੰਚ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰੇਗੀ।
ਗਿਲਕ ਜਾਨੀ ਐਸੋਸੀਏਟਿਡ ਪ੍ਰੈਸ.ਵਿਦਿਆਰਥੀ ਦੀ ਸਿੱਖਣ ਸ਼ੈਲੀ ਅਤੇ ਅਧਿਆਪਕ ਦੀ ਅਧਿਆਪਨ ਸ਼ੈਲੀ ਵਿਚਕਾਰ ਮੇਲ ਜਾਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ।ਇੰਟ ਜੇ ਮਾਡ ਐਜੂਕ ਕੰਪਿਊਟਰ ਸਾਇੰਸ।2012;4(11):51–60।https://doi.org/10.5815/ijmecs.2012.11.05
ਪੋਸਟ ਟਾਈਮ: ਅਪ੍ਰੈਲ-29-2024