ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਸਮੇਤ ਉੱਚ ਸਿੱਖਿਆ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਸਿਖਲਾਈ (SCL) ਦੀ ਵੱਧਦੀ ਲੋੜ ਹੈ। ਹਾਲਾਂਕਿ, ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ SCL ਦੀ ਵਰਤੋਂ ਸੀਮਤ ਹੈ। ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਸੰਦੀਦਾ ਸਿੱਖਣ ਸ਼ੈਲੀ (LS) ਅਤੇ ਅਨੁਸਾਰੀ ਸਿੱਖਣ ਰਣਨੀਤੀਆਂ (IS) ਨੂੰ IS ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇੱਕ ਉਪਯੋਗੀ ਸਾਧਨ ਵਜੋਂ ਮੈਪ ਕਰਨ ਲਈ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ (ML) ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਵਿੱਚ SCL ਦੀ ਵਰਤੋਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਹੈ। ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਾਅਦਾ ਕਰਨ ਵਾਲੇ ਤਰੀਕੇ।
ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਕੁੱਲ 255 ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸੋਧੀ ਹੋਈ ਸਿਖਲਾਈ ਸ਼ੈਲੀਆਂ ਦੇ ਸੂਚਕਾਂਕ (m-ILS) ਪ੍ਰਸ਼ਨਾਵਲੀ ਨੂੰ ਪੂਰਾ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸੰਬੰਧਿਤ LS ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ 44 ਆਈਟਮਾਂ ਸਨ। ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ (ਜਿਸਨੂੰ ਡੇਟਾਸੈਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਨਿਗਰਾਨੀ ਕੀਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਸਿਖਲਾਈ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਸ਼ੈਲੀਆਂ ਨੂੰ ਸਭ ਤੋਂ ਢੁਕਵੇਂ IS ਨਾਲ ਆਪਣੇ ਆਪ ਮੇਲ ਕੀਤਾ ਜਾ ਸਕੇ। ਫਿਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਤ IS ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
LS (ਇਨਪੁਟ) ਅਤੇ IS (ਟਾਰਗੇਟ ਆਉਟਪੁੱਟ) ਵਿਚਕਾਰ ਇੱਕ ਆਟੋਮੇਟਿਡ ਮੈਪਿੰਗ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਹਰੇਕ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀ ਲਈ ਢੁਕਵੀਂ ਸਿੱਖਣ ਰਣਨੀਤੀਆਂ ਦੀ ਤੁਰੰਤ ਸੂਚੀ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। IS ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਨੇ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸਮੁੱਚੀ ਮਾਡਲ ਸ਼ੁੱਧਤਾ ਦੀ ਯਾਦ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ LS ਨੂੰ IS ਨਾਲ ਮੇਲਣ ਵਿੱਚ ਚੰਗੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ।
ML ਫੈਸਲੇ ਦੇ ਰੁੱਖ 'ਤੇ ਅਧਾਰਤ ਇੱਕ IS ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਨੇ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਸ਼ੈਲੀਆਂ ਨੂੰ ਢੁਕਵੀਂ ਸਿੱਖਣ ਰਣਨੀਤੀਆਂ ਨਾਲ ਸਹੀ ਢੰਗ ਨਾਲ ਮੇਲਣ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਸਾਬਤ ਕੀਤੀ ਹੈ। ਇਹ ਟੂਲ ਸਿੱਖਣ-ਕੇਂਦ੍ਰਿਤ ਕੋਰਸਾਂ ਜਾਂ ਮਾਡਿਊਲਾਂ ਦੀ ਯੋਜਨਾਬੰਦੀ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ।
ਸਿੱਖਿਆ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਪੜ੍ਹਾਉਣਾ ਅਤੇ ਸਿੱਖਣਾ ਬੁਨਿਆਦੀ ਗਤੀਵਿਧੀਆਂ ਹਨ। ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਕਿੱਤਾਮੁਖੀ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀ ਵਿਕਸਤ ਕਰਦੇ ਸਮੇਂ, ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਵਾਤਾਵਰਣ ਵਿਚਕਾਰ ਆਪਸੀ ਤਾਲਮੇਲ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ LS ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਅਤੇ IS ਵਿਚਕਾਰ ਅਧਿਆਪਕ-ਇਰਾਦੇ ਵਾਲੇ ਮੇਲ-ਜੋਲ ਦੇ ਵਿਦਿਆਰਥੀ ਸਿੱਖਣ ਲਈ ਨਕਾਰਾਤਮਕ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਧਿਆਨ ਅਤੇ ਪ੍ਰੇਰਣਾ ਵਿੱਚ ਕਮੀ। ਇਹ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਿਦਿਆਰਥੀ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰੇਗਾ [1,2]।
IS ਇੱਕ ਅਜਿਹਾ ਤਰੀਕਾ 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 ਰਣਨੀਤੀਆਂ ਜਾਂ IS ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਦੇ ਪੱਧਰ, ਉਨ੍ਹਾਂ ਦੁਆਰਾ ਸਿੱਖੀਆਂ ਜਾ ਰਹੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਪੜਾਅ ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਜਦੋਂ LS ਅਤੇ IS ਮੇਲ ਖਾਂਦੇ ਹਨ, ਤਾਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਿੱਖਣ ਲਈ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਖਾਸ ਸਮੂਹ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਵਰਤਣ ਦੇ ਯੋਗ ਹੋਣਗੇ। ਆਮ ਤੌਰ 'ਤੇ, ਇੱਕ ਪਾਠ ਯੋਜਨਾ ਵਿੱਚ ਪੜਾਵਾਂ ਵਿਚਕਾਰ ਕਈ ਤਬਦੀਲੀਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਅਧਿਆਪਨ ਤੋਂ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ ਜਾਂ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ ਤੋਂ ਸੁਤੰਤਰ ਅਭਿਆਸ ਤੱਕ। ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਧਿਆਪਕ ਅਕਸਰ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਿਆਨ ਅਤੇ ਹੁਨਰਾਂ ਨੂੰ ਬਣਾਉਣ ਦੇ ਟੀਚੇ ਨਾਲ ਹਦਾਇਤਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ [4]।
ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਸਮੇਤ ਉੱਚ ਸਿੱਖਿਆ ਸੰਸਥਾਵਾਂ ਵਿੱਚ SCL ਦੀ ਮੰਗ ਵੱਧ ਰਹੀ ਹੈ। SCL ਰਣਨੀਤੀਆਂ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਇਹ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇਕਰ ਵਿਦਿਆਰਥੀ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਸਰਗਰਮੀ ਨਾਲ ਹਿੱਸਾ ਲੈਂਦੇ ਹਨ ਅਤੇ ਅਧਿਆਪਕ ਸੁਵਿਧਾਜਨਕ 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 ਅਨੁਸਾਰ ਢੁਕਵੀਆਂ ਹਨ, ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਵਾਤਾਵਰਣ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਸਕਾਰਾਤਮਕ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬਿਆਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ [5]।
ਆਮ ਤੌਰ 'ਤੇ, ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਉਹਨਾਂ ਵੱਖ-ਵੱਖ ਕਲੀਨਿਕਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਨੂੰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਕਲੀਨਿਕਲ ਵਾਤਾਵਰਣ ਜਿਸ ਵਿੱਚ ਉਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅੰਤਰ-ਵਿਅਕਤੀਗਤ ਹੁਨਰ ਵਿਕਸਤ ਕਰਦੇ ਹਨ। ਸਿਖਲਾਈ ਦਾ ਉਦੇਸ਼ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਦੰਦਾਂ ਦੇ ਡਾਕਟਰੀ ਹੁਨਰਾਂ ਦੇ ਨਾਲ ਦੰਦਾਂ ਦੇ ਡਾਕਟਰੀ ਦੇ ਮੁੱਢਲੇ ਗਿਆਨ ਨੂੰ ਜੋੜਨ ਅਤੇ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਨਵੀਆਂ ਕਲੀਨਿਕਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ [6, 7]। LS ਅਤੇ IS ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਨੇ ਪਾਇਆ ਕਿ ਪਸੰਦੀਦਾ LS ਨਾਲ ਮੈਪ ਕੀਤੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਐਡਜਸਟ ਕਰਨ ਨਾਲ ਵਿਦਿਅਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲੇਗੀ [8]। ਲੇਖਕ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿਖਲਾਈ ਅਤੇ ਜ਼ਰੂਰਤਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਸਿੱਖਿਆ ਅਤੇ ਮੁਲਾਂਕਣ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਵੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ।
ਅਧਿਆਪਕਾਂ ਨੂੰ LS ਗਿਆਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ ਲਾਭ ਹੁੰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹਨਾਂ ਨੂੰ ਹਦਾਇਤਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ, ਵਿਕਸਤ ਅਤੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕੇ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੂੰਘੇ ਗਿਆਨ ਅਤੇ ਵਿਸ਼ੇ ਦੀ ਸਮਝ ਨੂੰ ਵਧਾਉਣਗੀਆਂ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਕਈ LS ਮੁਲਾਂਕਣ ਸਾਧਨ ਵਿਕਸਤ ਕੀਤੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕੋਲਬ ਐਕਸਪੀਰੀਐਂਸ਼ੀਅਲ ਲਰਨਿੰਗ ਮਾਡਲ, ਫੈਲਡਰ-ਸਿਲਵਰਮੈਨ ਲਰਨਿੰਗ ਸਟਾਈਲ ਮਾਡਲ (FSLSM), ਅਤੇ ਫਲੇਮਿੰਗ VAK/VARK ਮਾਡਲ [5, 9, 10]। ਸਾਹਿਤ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਸਿਖਲਾਈ ਮਾਡਲ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਅਧਿਐਨ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਸਿਖਲਾਈ 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 ਸਿੱਖਿਆ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਮਾਡਲ ਹੈ। ਸਿਹਤ ਵਿਗਿਆਨ (ਦਵਾਈ, ਨਰਸਿੰਗ, ਫਾਰਮੇਸੀ ਅਤੇ ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਸਮੇਤ) ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕੰਮ ਹਨ ਜੋ FSLSM ਮਾਡਲਾਂ [5, 11, 12, 13] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ। FLSM ਵਿੱਚ LS ਦੇ ਮਾਪਾਂ ਨੂੰ ਮਾਪਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਯੰਤਰ ਨੂੰ ਸਿੱਖਣ ਸ਼ੈਲੀਆਂ ਦਾ ਸੂਚਕਾਂਕ (ILS) [8] ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ LS ਦੇ ਚਾਰ ਮਾਪਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲੀਆਂ 44 ਚੀਜ਼ਾਂ ਹਨ: ਪ੍ਰੋਸੈਸਿੰਗ (ਕਿਰਿਆਸ਼ੀਲ/ਪ੍ਰਤੀਬਿੰਬਤ), ਧਾਰਨਾ (ਅਨੁਭਵੀ/ਅਨੁਭਵੀ), ਇਨਪੁਟ (ਦ੍ਰਿਸ਼ਟੀਗਤ)। /ਮੌਖਿਕ) ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ/ਗਲੋਬਲ) [14]।
ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ, ਹਰੇਕ FSLSM ਆਯਾਮ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਤਰਜੀਹ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰੋਸੈਸਿੰਗ ਆਯਾਮ ਵਿੱਚ, "ਸਰਗਰਮ" LS ਵਾਲੇ ਵਿਦਿਆਰਥੀ ਸਿੱਖਣ ਸਮੱਗਰੀ ਨਾਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਗੱਲਬਾਤ ਕਰਕੇ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ, ਕਰਨਾ ਸਿੱਖਣਾ ਅਤੇ ਸਮੂਹਾਂ ਵਿੱਚ ਸਿੱਖਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ। "ਪ੍ਰਤੀਬਿੰਬਤ" LS ਸੋਚ ਦੁਆਰਾ ਸਿੱਖਣ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਇਕੱਲੇ ਕੰਮ ਕਰਨਾ ਪਸੰਦ ਕਰਦਾ ਹੈ। LS ਦੇ "ਸਮਝਣ ਵਾਲੇ" ਆਯਾਮ ਨੂੰ "ਮਹਿਸੂਸ" ਅਤੇ/ਜਾਂ "ਅੰਤਰ-ਅਨੁਭਵ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ। "ਮਹਿਸੂਸ ਕਰਨ ਵਾਲੇ" ਵਿਦਿਆਰਥੀ ਵਧੇਰੇ ਠੋਸ ਜਾਣਕਾਰੀ ਅਤੇ ਵਿਹਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, "ਅੰਤਰ-ਅਨੁਭਵੀ" ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਤੱਥ-ਅਧਾਰਿਤ ਹੁੰਦੇ ਹਨ ਜੋ ਸੰਖੇਪ ਸਮੱਗਰੀ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਅਤੇ ਕੁਦਰਤ ਵਿੱਚ ਵਧੇਰੇ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਰਚਨਾਤਮਕ ਹੁੰਦੇ ਹਨ। LS ਦੇ "ਇਨਪੁਟ" ਆਯਾਮ ਵਿੱਚ "ਵਿਜ਼ੂਅਲ" ਅਤੇ "ਮੌਖਿਕ" ਸਿੱਖਣ ਵਾਲੇ ਹੁੰਦੇ ਹਨ। "ਵਿਜ਼ੂਅਲ" LS ਵਾਲੇ ਲੋਕ ਵਿਜ਼ੂਅਲ ਪ੍ਰਦਰਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ, ਵੀਡੀਓ, ਜਾਂ ਲਾਈਵ ਪ੍ਰਦਰਸ਼ਨਾਂ) ਰਾਹੀਂ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ "ਮੌਖਿਕ" LS ਵਾਲੇ ਲੋਕ ਲਿਖਤੀ ਜਾਂ ਮੌਖਿਕ ਵਿਆਖਿਆਵਾਂ ਵਿੱਚ ਸ਼ਬਦਾਂ ਰਾਹੀਂ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ। LS ਮਾਪਾਂ ਨੂੰ "ਸਮਝਣ" ਲਈ, ਅਜਿਹੇ ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ "ਕ੍ਰਮਵਾਰ" ਅਤੇ "ਗਲੋਬਲ" ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ। "ਕ੍ਰਮਵਾਰ ਸਿੱਖਣ ਵਾਲੇ ਇੱਕ ਰੇਖਿਕ ਸੋਚ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਅਤੇ ਕਦਮ ਦਰ ਕਦਮ ਸਿੱਖਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਗਲੋਬਲ ਸਿੱਖਣ ਵਾਲੇ ਇੱਕ ਸੰਪੂਰਨ ਸੋਚ ਪ੍ਰਕਿਰਿਆ ਰੱਖਦੇ ਹਨ ਅਤੇ ਹਮੇਸ਼ਾ ਉਹਨਾਂ ਨੂੰ ਇਸ ਬਾਰੇ ਬਿਹਤਰ ਸਮਝ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਕੀ ਸਿੱਖ ਰਹੇ ਹਨ।"
ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਟੋਮੈਟਿਕ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਖੋਜ ਲਈ ਤਰੀਕਿਆਂ ਦੀ ਪੜਚੋਲ ਕਰਨੀ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਨਵੇਂ ਐਲਗੋਰਿਦਮ ਅਤੇ ਮਾਡਲਾਂ ਦਾ ਵਿਕਾਸ ਸ਼ਾਮਲ ਹੈ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ [15, 16]। ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ, ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ML (ਮਸ਼ੀਨ ਸਿਖਲਾਈ) ਪੈਟਰਨ ਅਤੇ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜੋ ਐਲਗੋਰਿਦਮ ਦੇ ਨਿਰਮਾਣ ਦੇ ਅਧਾਰ ਤੇ ਭਵਿੱਖ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ [17]। ਸਿੱਧੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਇਨਪੁਟ ਡੇਟਾ ਵਿੱਚ ਹੇਰਾਫੇਰੀ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਇਹ ਫਿਰ ਇੱਕ ਰੇਂਜ ਤਿਆਰ ਕਰਦੀ ਹੈ ਜੋ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਇਨਪੁਟ ਡੇਟਾ ਲਈ ਸਮਾਨ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ ਤੇ ਨਤੀਜੇ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ। ਨਿਰੀਖਣ ਕੀਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਆਦਰਸ਼ ਅਤੇ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ [17]।
ਡੇਟਾ-ਸੰਚਾਲਿਤ ਤਰੀਕਿਆਂ ਅਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਨਿਯੰਤਰਣ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਦੁਆਰਾ, LS ਦੀ ਆਟੋਮੈਟਿਕ ਖੋਜ ਸੰਭਵ ਹੈ। ਫੈਸਲੇ ਦੇ ਰੁੱਖਾਂ ਨੂੰ ਸਿਹਤ ਵਿਗਿਆਨ [18, 19] ਸਮੇਤ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਮਾਡਲ ਨੂੰ ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ IS ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ।
ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੇ ਆਧਾਰ 'ਤੇ IS ਡਿਲੀਵਰੀ ਰਣਨੀਤੀਆਂ ਵਿਕਸਤ ਕਰਨਾ ਅਤੇ LS ਨਾਲ ਮੈਪ ਕੀਤੇ IS ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਨੂੰ ਵਿਕਸਤ ਕਰਕੇ SCL ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਹੈ। SCL ਵਿਧੀ ਦੀ ਰਣਨੀਤੀ ਵਜੋਂ IS ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਦਾ ਡਿਜ਼ਾਈਨ ਪ੍ਰਵਾਹ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। IS ਸਿਫ਼ਾਰਸ਼ 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 ਸਿਫਾਰਸ਼ ਸਾਧਨਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਵੈੱਬ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਫੈਸਲਾ ਟ੍ਰੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੈ। ਸਿਸਟਮ ਡਿਵੈਲਪਰ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਅਤੇ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਮੋਬਾਈਲ ਫੋਨਾਂ ਅਤੇ ਟੈਬਲੇਟਾਂ ਵਰਗੇ ਮੋਬਾਈਲ ਡਿਵਾਈਸਾਂ ਦੇ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹਨ।
ਇਹ ਪ੍ਰਯੋਗ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਲਾਇਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਦੰਦਾਂ ਦੇ ਫੈਕਲਟੀ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸਵੈਇੱਛੁਕ ਆਧਾਰ 'ਤੇ ਹਿੱਸਾ ਲਿਆ। ਭਾਗੀਦਾਰਾਂ ਨੇ ਇੱਕ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀ ਦੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਔਨਲਾਈਨ m-ILS ਦਾ ਜਵਾਬ ਦਿੱਤਾ। ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ, ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ 50 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਵਿਕਸਤ ਯੰਤਰ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ 255 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।
ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਹਰੇਕ ਪੜਾਅ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ, ਅਕਾਦਮਿਕ ਸਾਲ ਦੇ ਆਧਾਰ 'ਤੇ, ਮਾਈਕ੍ਰੋਸਾਫਟ ਟੀਮਾਂ ਰਾਹੀਂ ਇੱਕ ਔਨਲਾਈਨ ਬ੍ਰੀਫਿੰਗ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ। ਅਧਿਐਨ ਦੇ ਉਦੇਸ਼ ਬਾਰੇ ਦੱਸਿਆ ਗਿਆ 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 'ਤੇ ਸਾਰੀਆਂ 44 ਆਈਟਮਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਨਿਰਦੇਸ਼ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਉਨ੍ਹਾਂ ਨੂੰ ਸਮੈਸਟਰ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪਹਿਲਾਂ ਸਮੈਸਟਰ ਬ੍ਰੇਕ ਦੌਰਾਨ ਉਨ੍ਹਾਂ 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 ਗਈਆਂ ਆਈਟਮਾਂ (a, b) ਹਨ, ਹਰੇਕ ਵਿੱਚ 11 ਆਈਟਮਾਂ ਹਨ, ਜੋ ਹਰੇਕ FSLSM ਮਾਪ ਦੇ ਪਹਿਲੂਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਟੂਲ ਡਿਵੈਲਪਮੈਂਟ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਦੌਰਾਨ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ 50 ਡੈਂਟਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਕਸ਼ਿਆਂ ਨੂੰ ਹੱਥੀਂ ਐਨੋਟੇਟ ਕੀਤਾ। FSLM ਦੇ ਅਨੁਸਾਰ, ਸਿਸਟਮ "a" ਅਤੇ "b" ਉੱਤਰਾਂ ਦਾ ਜੋੜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਹਰੇਕ ਆਯਾਮ ਲਈ, ਜੇਕਰ ਵਿਦਿਆਰਥੀ "a" ਨੂੰ ਇੱਕ ਉੱਤਰ ਵਜੋਂ ਚੁਣਦਾ ਹੈ, ਤਾਂ LS ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ/ਅਨੁਭਵੀ/ਵਿਜ਼ੂਅਲ/ਕ੍ਰਮਵਾਰ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਵਿਦਿਆਰਥੀ "b" ਨੂੰ ਇੱਕ ਉੱਤਰ ਵਜੋਂ ਚੁਣਦਾ ਹੈ, ਤਾਂ ਵਿਦਿਆਰਥੀ ਨੂੰ ਪ੍ਰਤੀਬਿੰਬਤ/ਅਨੁਭਵੀ/ਭਾਸ਼ਾਈ / ਗਲੋਬਲ ਸਿੱਖਣ ਵਾਲੇ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸਿਸਟਮ ਡਿਵੈਲਪਰਾਂ ਵਿਚਕਾਰ ਵਰਕਫਲੋ ਨੂੰ ਕੈਲੀਬ੍ਰੇਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, FLSSM ਡੋਮੇਨ ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰਸ਼ਨ ਚੁਣੇ ਗਏ ਅਤੇ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਦੇ LS ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ML ਮਾਡਲ ਵਿੱਚ ਫੀਡ ਕੀਤੇ ਗਏ। "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ" ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਪ੍ਰਸਿੱਧ ਕਹਾਵਤ ਹੈ, ਜਿਸ ਵਿੱਚ ਡੇਟਾ ਗੁਣਵੱਤਾ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਗਿਆ 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 ਜਾਂਦਾ ਹੈ ਜੋ FLSSM ਦੇ ਆਧਾਰ 'ਤੇ "a" ਅਤੇ "b" ਉੱਤਰਾਂ ਦਾ ਜੋੜ ਹੈ। ਡਰੱਗ ਪੋਜੀਸ਼ਨਾਂ ਦੇ ਪਛਾਣ ਨੰਬਰ ਸਾਰਣੀ 1 ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਹਨ।
ਉੱਤਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਕੋਰ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਵਿਦਿਆਰਥੀ ਦਾ LS ਨਿਰਧਾਰਤ ਕਰੋ। ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਲਈ, ਸਕੋਰ ਰੇਂਜ 1 ਤੋਂ 11 ਤੱਕ ਹੈ। 1 ਤੋਂ 3 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕੋ ਆਯਾਮ ਦੇ ਅੰਦਰ ਸਿੱਖਣ ਦੀਆਂ ਤਰਜੀਹਾਂ ਦੇ ਸੰਤੁਲਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ 5 ਤੋਂ 7 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕ ਮੱਧਮ ਪਸੰਦ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀ ਦੂਜਿਆਂ ਨੂੰ ਸਿਖਾਉਣ ਵਾਲੇ ਇੱਕ ਵਾਤਾਵਰਣ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ। ਉਸੇ ਆਯਾਮ 'ਤੇ ਇੱਕ ਹੋਰ ਭਿੰਨਤਾ ਇਹ ਹੈ ਕਿ 9 ਤੋਂ 11 ਤੱਕ ਦੇ ਸਕੋਰ ਇੱਕ ਜਾਂ ਦੂਜੇ ਸਿਰੇ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਪਸੰਦ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ [8]।
ਹਰੇਕ ਆਯਾਮ ਲਈ, ਦਵਾਈਆਂ ਨੂੰ "ਕਿਰਿਆਸ਼ੀਲ", "ਪ੍ਰਤੀਬਿੰਬਤ" ਅਤੇ "ਸੰਤੁਲਿਤ" ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਕੋਈ ਵਿਦਿਆਰਥੀ ਕਿਸੇ ਨਿਰਧਾਰਤ ਆਈਟਮ 'ਤੇ "b" ਨਾਲੋਂ "a" ਦਾ ਜਵਾਬ ਜ਼ਿਆਦਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਉਸਦਾ ਸਕੋਰ ਪ੍ਰੋਸੈਸਿੰਗ LS ਆਯਾਮ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਇੱਕ ਖਾਸ ਆਈਟਮ ਲਈ 5 ਦੀ ਸੀਮਾ ਤੋਂ ਵੱਧ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ "ਕਿਰਿਆਸ਼ੀਲ" LS ਡੋਮੇਨ ਨਾਲ ਸਬੰਧਤ ਹੁੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ "ਪ੍ਰਤੀਬਿੰਬਤ" LS ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ ਜਦੋਂ ਉਹਨਾਂ ਨੇ ਖਾਸ 11 ਪ੍ਰਸ਼ਨਾਂ (ਸਾਰਣੀ 1) ਵਿੱਚ "a" ਨਾਲੋਂ "b" ਨੂੰ ਵੱਧ ਚੁਣਿਆ ਅਤੇ 5 ਤੋਂ ਵੱਧ ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਅੰਤ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ "ਸੰਤੁਲਨ" ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ। ਜੇਕਰ ਸਕੋਰ 5 ਅੰਕਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਇਹ ਇੱਕ "ਪ੍ਰਕਿਰਿਆ" LS ਹੈ। ਵਰਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਹੋਰ LS ਆਯਾਮਾਂ ਲਈ ਦੁਹਰਾਇਆ ਗਿਆ ਸੀ, ਅਰਥਾਤ ਧਾਰਨਾ (ਕਿਰਿਆਸ਼ੀਲ/ਪ੍ਰਤੀਬਿੰਬਤ), ਇਨਪੁਟ (ਵਿਜ਼ੂਅਲ/ਮੌਖਿਕ), ਅਤੇ ਸਮਝ (ਕ੍ਰਮਵਾਰ/ਗਲੋਬਲ)।
ਫੈਸਲਾ ਟ੍ਰੀ ਮਾਡਲ ਵਰਗੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਦੇ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਫੈਸਲੇ ਨਿਯਮਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਉਪ ਸਮੂਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ। ਇਸਨੂੰ ਇੱਕ ਪ੍ਰਸਿੱਧ ਵਰਗੀਕਰਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਟੂਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇਸਨੂੰ ਇੱਕ ਫਲੋਚਾਰਟ [20] ਵਰਗੇ ਰੁੱਖ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਦੁਆਰਾ ਟੈਸਟਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਅੰਦਰੂਨੀ ਨੋਡ ਹੁੰਦੇ ਹਨ, ਹਰੇਕ ਸ਼ਾਖਾ ਟੈਸਟ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਅਤੇ ਹਰੇਕ ਲੀਫ ਨੋਡ (ਲੀਫ ਨੋਡ) ਜਿਸ ਵਿੱਚ ਇੱਕ ਕਲਾਸ ਲੇਬਲ ਹੁੰਦਾ ਹੈ।
ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ-ਅਧਾਰਤ ਪ੍ਰੋਗਰਾਮ ਬਣਾਇਆ ਗਿਆ ਸੀ ਜੋ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਦੇ ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਉਸਦੇ LS ਨੂੰ ਆਪਣੇ ਆਪ ਸਕੋਰ ਅਤੇ ਐਨੋਟੇਟ ਕਰਦਾ ਹੈ। ਨਿਯਮ-ਅਧਾਰਤ 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 ਸੈੱਟ ਸਹਿ-ਸਬੰਧ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲਾ ਟ੍ਰੀ ਮਾਡਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਇਹ ਪਹੁੰਚ LS ਅਤੇ IS ਨੂੰ ਮੇਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨ ਦਾ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੋ ਸਕਦਾ ਹੈ।
ਵਿਕਾਸ ਦੇ ਦੂਜੇ ਪੜਾਅ ਵਿੱਚ, ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਡੇਟਾਸੈੱਟ ਨੂੰ 255 ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਡੇਟਾ ਸੈੱਟ ਨੂੰ 1:4 ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ। ਡੇਟਾ ਸੈੱਟ ਦਾ 25% (64) ਟੈਸਟ ਸੈੱਟ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਬਾਕੀ 75% (191) ਸਿਖਲਾਈ ਸੈੱਟ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ (ਚਿੱਤਰ 2)। ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਵੰਡਣ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਮਾਡਲ ਨੂੰ ਉਸੇ ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕੀਤੇ ਜਾਣ ਤੋਂ ਰੋਕਿਆ ਜਾ ਸਕੇ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਯਾਦ ਰੱਖ ਸਕਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਇਸਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ - ਡੇਟਾ ਜੋ ਮਾਡਲ ਨੇ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।
ਇੱਕ ਵਾਰ IS ਟੂਲ ਵਿਕਸਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਐਪਲੀਕੇਸ਼ਨ ਇੱਕ ਵੈੱਬ ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ LS ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗੀ। ਵੈੱਬ-ਅਧਾਰਤ ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਸਿਫਾਰਸ਼ ਟੂਲ ਸਿਸਟਮ ਪਾਈਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Django ਫਰੇਮਵਰਕ ਨੂੰ ਬੈਕਐਂਡ ਵਜੋਂ ਵਰਤਦੇ ਹੋਏ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਸਾਰਣੀ 2 ਇਸ ਸਿਸਟਮ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਸੂਚੀ ਦਿੰਦੀ ਹੈ।
ਡੇਟਾਸੈਟ ਨੂੰ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਵਿਦਿਆਰਥੀ LS ਮਾਪਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਜਵਾਬਾਂ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕੇ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕੱਢਿਆ ਜਾ ਸਕੇ।
ਕੰਫਿਊਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਿਸੇ ਦਿੱਤੇ ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸਦੇ ਨਾਲ ਹੀ, ਇਹ ਵਰਗੀਕਰਨ ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਅਸਲ ਡੇਟਾ ਲੇਬਲਾਂ ਨਾਲ 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 ਨਕਾਰਾਤਮਕ (TN) - ਮਾਡਲ ਨੇ ਨਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਅਤੇ ਗਲਤ ਨਕਾਰਾਤਮਕ (FN) - ਮਾਡਲ ਇੱਕ ਨਕਾਰਾਤਮਕ ਸ਼੍ਰੇਣੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਪਰ ਸੱਚਾ ਲੇਬਲ ਸਕਾਰਾਤਮਕ ਹੈ।
ਇਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਫਿਰ ਪਾਈਥਨ ਵਿੱਚ ਸਾਇਕਿਟ-ਲਰਨ ਵਰਗੀਕਰਣ ਮਾਡਲ ਦੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਰਥਾਤ ਸ਼ੁੱਧਤਾ, ਸ਼ੁੱਧਤਾ, ਯਾਦ, ਅਤੇ F1 ਸਕੋਰ। ਇੱਥੇ ਉਦਾਹਰਣਾਂ ਹਨ:
ਰੀਕਾਲ (ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ) m-ILS ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੇ ਜਵਾਬ ਦੇਣ ਤੋਂ ਬਾਅਦ ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੇ LS ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ 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 ਸੱਚੇ ਨਕਾਰਾਤਮਕ (TN) ਤੋਂ ਸੱਚੇ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ (FP) ਦਾ ਅਨੁਪਾਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਵਿਦਿਆਰਥੀ ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੇ ਗਏ ਸਾਧਨ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, ਇਹ ਸਹੀ ਪਛਾਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਡਿਸੀਜ਼ਨ ਟ੍ਰੀ ਐਮਐਲ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ 50 ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਅਸਲ ਡੇਟਾਸੈਟ ਨੇ ਐਨੋਟੇਸ਼ਨਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਗਲਤੀ ਦੇ ਕਾਰਨ ਮੁਕਾਬਲਤਨ ਘੱਟ ਸ਼ੁੱਧਤਾ ਦਿਖਾਈ (ਸਾਰਣੀ 3)। ਐਲਐਸ ਸਕੋਰਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀ ਐਨੋਟੇਸ਼ਨਾਂ ਦੀ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਨ ਨਿਯਮ-ਅਧਾਰਤ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ, ਸਿਫਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਜਾਂਚ ਕਰਨ ਲਈ ਡੇਟਾਸੈਟ (255) ਦੀ ਵੱਧਦੀ ਗਿਣਤੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ।
ਮਲਟੀਕਲਾਸ ਕੰਫਿਊਜ਼ਨ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ, ਵਿਕਰਣ ਤੱਤ ਹਰੇਕ LS ਕਿਸਮ ਲਈ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ (ਚਿੱਤਰ 4)। ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਕੁੱਲ 64 ਨਮੂਨਿਆਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ। ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਵਿਕਰਣ ਤੱਤ ਉਮੀਦ ਕੀਤੇ ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਨ, ਜੋ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰੇਕ LS ਵਰਗੀਕਰਣ ਲਈ ਕਲਾਸ ਲੇਬਲ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਸਿਫਾਰਸ਼ ਟੂਲ ਦੀ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ 100% ਹੈ।
ਸ਼ੁੱਧਤਾ, ਸ਼ੁੱਧਤਾ, ਯਾਦ, ਅਤੇ F1 ਸਕੋਰ ਦੇ ਮੁੱਲ ਚਿੱਤਰ 5 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੀ ਸਿਫ਼ਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਲਈ, ਇਸਦਾ F1 ਸਕੋਰ 1.0 "ਸੰਪੂਰਨ" ਹੈ, ਜੋ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਯਾਦ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਮਹੱਤਵਪੂਰਨ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਮੁੱਲਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਚਿੱਤਰ 6 ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟਿੰਗ ਪੂਰੀ ਹੋਣ ਤੋਂ ਬਾਅਦ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਦਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦਰਸਾਉਂਦਾ 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 ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾ ਘਟਾਉਣ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ, ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ।
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੀ ਨਿਗਰਾਨੀ ਹੇਠ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ, LS (ਇਨਪੁਟ) ਅਤੇ IS (ਟਾਰਗੇਟ ਆਉਟਪੁੱਟ) ਵਿਚਕਾਰ ਮੈਪਿੰਗ ਆਪਣੇ ਆਪ ਤਿਆਰ ਹੋ ਜਾਂਦੀ ਹੈ ਅਤੇ ਹਰੇਕ LS ਲਈ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ।
ਨਤੀਜਿਆਂ ਤੋਂ ਪਤਾ ਲੱਗਾ ਕਿ 255 ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚੋਂ 34.9% ਨੇ ਇੱਕ (1) LS ਵਿਕਲਪ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ। ਬਹੁਗਿਣਤੀ (54.3%) ਕੋਲ ਦੋ ਜਾਂ 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। ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ, ਧਾਰਨਾ, ਦ੍ਰਿਸ਼ਟੀ, ਅਤੇ ਧਾਰਨਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਦਾ ਸੁਮੇਲ ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਮੁੱਖ LS ਹਨ (ਚਿੱਤਰ 7)।
ਜਿਵੇਂ ਕਿ ਸਾਰਣੀ 4 ਤੋਂ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜ਼ਿਆਦਾਤਰ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਸੰਵੇਦੀ (13.7%) ਜਾਂ ਦ੍ਰਿਸ਼ਟੀ (8.6%) LS ਪ੍ਰਮੁੱਖ ਸੀ। ਇਹ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀ ਕਿ 12.2% ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਦ੍ਰਿਸ਼ਟੀ (ਪ੍ਰਤੀਕ੍ਰਿਤੀ-ਦ੍ਰਿਸ਼ਟੀ LS) ਨਾਲ ਧਾਰਨਾ ਨੂੰ ਜੋੜਿਆ। ਇਹ ਖੋਜਾਂ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀ ਸਥਾਪਿਤ ਤਰੀਕਿਆਂ ਰਾਹੀਂ ਸਿੱਖਣਾ ਅਤੇ ਯਾਦ ਰੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਖਾਸ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ, ਅਤੇ ਸੁਭਾਅ ਵਿੱਚ ਧਿਆਨ ਦੇਣ ਵਾਲੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਦੇ ਨਾਲ ਹੀ, ਉਹ ਦੇਖ ਕੇ (ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਆਦਿ) ਸਿੱਖਣ ਦਾ ਆਨੰਦ ਮਾਣਦੇ ਹਨ ਅਤੇ ਸਮੂਹਾਂ ਵਿੱਚ ਜਾਂ ਆਪਣੇ ਆਪ ਜਾਣਕਾਰੀ 'ਤੇ ਚਰਚਾ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ।
ਇਹ ਅਧਿਐਨ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦਾ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਦੀ ਤੁਰੰਤ ਅਤੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਢੁਕਵੇਂ IS ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨੇ ਉਨ੍ਹਾਂ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਜੀਵਨ ਅਤੇ ਵਿਦਿਅਕ ਤਜ਼ਰਬਿਆਂ ਨਾਲ ਸਭ ਤੋਂ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹਨ। ਇਹ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਕੁਝ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਉਪ-ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਇੱਕ ਰੁੱਖ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਹਰੇਕ ਅੰਦਰੂਨੀ ਨੋਡ ਦੀਆਂ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਮੁੱਲ ਦੇ ਅਧਾਰ ਤੇ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਸਬਸੈੱਟਾਂ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਵੰਡ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਲੀਫ ਨੋਡ 'ਤੇ ਫੈਸਲਾ ਨਹੀਂ ਲਿਆ ਜਾਂਦਾ।
ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੇ ਅੰਦਰੂਨੀ ਨੋਡ m-ILS ਸਮੱਸਿਆ ਦੀਆਂ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਹੱਲ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ ਪੱਤਾ ਨੋਡ ਅੰਤਿਮ LS ਵਰਗੀਕਰਣ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਅਧਿਐਨ ਦੌਰਾਨ, ਫੈਸਲੇ ਦੇ ਰੁੱਖਾਂ ਦੀ ਲੜੀ ਨੂੰ ਸਮਝਣਾ ਆਸਾਨ ਹੈ ਜੋ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਆਉਟਪੁੱਟ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦੇਖ ਕੇ ਫੈਸਲੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਕਲਪਨਾ ਕਰਦੇ ਹਨ।
ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਵੇਸ਼ ਪ੍ਰੀਖਿਆ ਦੇ ਅੰਕਾਂ [21], ਜਨਸੰਖਿਆ ਜਾਣਕਾਰੀ, ਅਤੇ ਸਿੱਖਣ ਵਿਵਹਾਰ [22] ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਖੋਜ ਨੇ ਦਿਖਾਇਆ ਕਿ ਐਲਗੋਰਿਦਮ ਨੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਅਕਾਦਮਿਕ ਮੁਸ਼ਕਲਾਂ ਦੇ ਜੋਖਮ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕੀਤੀ।
ਦੰਦਾਂ ਦੀ ਸਿਖਲਾਈ ਲਈ ਵਰਚੁਅਲ ਮਰੀਜ਼ ਸਿਮੂਲੇਟਰਾਂ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ML ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ। ਸਿਮੂਲੇਟਰ ਅਸਲ ਮਰੀਜ਼ਾਂ ਦੇ ਸਰੀਰਕ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸੁਰੱਖਿਅਤ ਅਤੇ ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ [23]। ਕਈ ਹੋਰ ਅਧਿਐਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਦੰਦਾਂ ਅਤੇ ਡਾਕਟਰੀ ਸਿੱਖਿਆ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀ ਦੇਖਭਾਲ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ। ਲੱਛਣਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ [24, 25] ਵਰਗੇ ਡੇਟਾ ਸੈੱਟਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਦੰਦਾਂ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਦੇ ਨਿਦਾਨ ਵਿੱਚ ਸਹਾਇਤਾ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। ਜਦੋਂ ਕਿ ਹੋਰ ਅਧਿਐਨਾਂ ਨੇ ਮਰੀਜ਼ਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ, ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਵਿਅਕਤੀਗਤ ਇਲਾਜ ਯੋਜਨਾਵਾਂ ਵਿਕਸਤ ਕਰਨ [26], ਪੀਰੀਅਡੋਂਟਲ ਇਲਾਜ [27], ਅਤੇ ਕੈਰੀਜ਼ ਇਲਾਜ [25] ਵਰਗੇ ਕਾਰਜ ਕਰਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਦੀ ਪੜਚੋਲ ਕੀਤੀ ਹੈ।
ਹਾਲਾਂਕਿ ਦੰਦਾਂ ਦੇ ਵਿਗਿਆਨ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਉਪਯੋਗ ਬਾਰੇ ਰਿਪੋਰਟਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਪਰ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਸੀਮਤ ਹੈ। ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ LS ਅਤੇ IS ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਜੁੜੇ ਕਾਰਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੀ।
ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਿਕਸਤ ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਵਿੱਚ ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸੰਪੂਰਨ ਸ਼ੁੱਧਤਾ ਹੈ, ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਅਧਿਆਪਕ ਇਸ ਟੂਲ ਤੋਂ ਲਾਭ ਉਠਾ ਸਕਦੇ ਹਨ। ਡੇਟਾ-ਸੰਚਾਲਿਤ ਵਰਗੀਕਰਣ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਅਧਿਆਪਕਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਿਦਿਅਕ ਅਨੁਭਵਾਂ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦਾ ਹੈ। ਉਹਨਾਂ ਵਿੱਚੋਂ, ਸਿਫ਼ਾਰਸ਼ ਟੂਲਾਂ ਰਾਹੀਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਣਕਾਰੀ ਅਧਿਆਪਕਾਂ ਦੇ ਪਸੰਦੀਦਾ ਅਧਿਆਪਨ ਤਰੀਕਿਆਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਵਿਚਕਾਰ ਟਕਰਾਅ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਸਿਫ਼ਾਰਸ਼ ਟੂਲਾਂ ਦੇ ਸਵੈਚਾਲਿਤ ਆਉਟਪੁੱਟ ਦੇ ਕਾਰਨ, ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੇ IP ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਸੰਬੰਧਿਤ IP ਨਾਲ ਮੇਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਸਮਾਂ ਕਾਫ਼ੀ ਘੱਟ ਜਾਵੇਗਾ। ਇਸ ਤਰ੍ਹਾਂ, ਢੁਕਵੀਆਂ ਸਿਖਲਾਈ ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਸਿਖਲਾਈ ਸਮੱਗਰੀਆਂ ਨੂੰ ਸੰਗਠਿਤ 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 ਸਮੱਗਰੀ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਪ੍ਰਦਾਨ ਕਰਨਾ ਜੋ ਉਹਨਾਂ ਦੇ ਪਸੰਦੀਦਾ LS ਨਾਲ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਵਧੇਰੇ ਸੰਭਾਵਨਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਸਿੱਖਣ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ, ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਆਨੰਦ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ [12]। ਖੋਜ ਇਹ ਵੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਲਾਸਰੂਮ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਭਾਗੀਦਾਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਨਾਲ-ਨਾਲ, ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਮਝਣਾ ਵੀ ਅਧਿਆਪਨ ਅਭਿਆਸਾਂ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਸੰਚਾਰ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ [28, 29]।
ਹਾਲਾਂਕਿ, ਕਿਸੇ ਵੀ ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਵਾਂਗ, ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਹਨ। ਇਹਨਾਂ ਵਿੱਚ ਡੇਟਾ ਗੋਪਨੀਯਤਾ, ਪੱਖਪਾਤ ਅਤੇ ਨਿਰਪੱਖਤਾ, ਅਤੇ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਪੇਸ਼ੇਵਰ ਹੁਨਰ ਅਤੇ ਸਰੋਤਾਂ ਨਾਲ ਸਬੰਧਤ ਮੁੱਦੇ ਸ਼ਾਮਲ ਹਨ; ਹਾਲਾਂਕਿ, ਇਸ ਖੇਤਰ ਵਿੱਚ ਵਧ ਰਹੀ ਦਿਲਚਸਪੀ ਅਤੇ ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਅਤੇ ਦੰਦਾਂ ਦੀਆਂ ਸੇਵਾਵਾਂ 'ਤੇ ਸਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਪੈ ਸਕਦਾ ਹੈ।
ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਦੰਦਾਂ ਦੇ ਅੱਧੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਨਸ਼ਿਆਂ ਨੂੰ "ਸਮਝਣ" ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੁੰਦੀ ਹੈ। ਇਸ ਕਿਸਮ ਦੇ ਸਿੱਖਣ ਵਾਲੇ ਨੂੰ ਤੱਥਾਂ ਅਤੇ ਠੋਸ ਉਦਾਹਰਣਾਂ, ਇੱਕ ਵਿਹਾਰਕ ਸਥਿਤੀ, ਵੇਰਵੇ ਲਈ ਧੀਰਜ, ਅਤੇ ਇੱਕ "ਵਿਜ਼ੂਅਲ" LS ਪਸੰਦ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਸਿੱਖਣ ਵਾਲੇ ਵਿਚਾਰਾਂ ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਤਸਵੀਰਾਂ, ਗ੍ਰਾਫਿਕਸ, ਰੰਗਾਂ ਅਤੇ ਨਕਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ। ਮੌਜੂਦਾ ਨਤੀਜੇ ਦੰਦਾਂ ਅਤੇ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ LS ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ILS ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਹੋਰ ਅਧਿਐਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਵਿੱਚ ਅਨੁਭਵੀ ਅਤੇ ਵਿਜ਼ੂਅਲ LS [12, 30] ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। ਡਾਲਮੋਲਿਨ ਅਤੇ ਹੋਰ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਉਹਨਾਂ ਦੀ LS ਬਾਰੇ ਸੂਚਿਤ ਕਰਨ ਨਾਲ ਉਹਨਾਂ ਦੀ ਸਿੱਖਣ ਦੀ ਸਮਰੱਥਾ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਤਰਕ ਹੈ ਕਿ ਜਦੋਂ ਅਧਿਆਪਕ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਿਦਿਅਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝਦੇ ਹਨ, ਤਾਂ ਵੱਖ-ਵੱਖ ਸਿੱਖਿਆ ਵਿਧੀਆਂ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਗੇ [12, 31, 32]। ਹੋਰ ਅਧਿਐਨਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਨੂੰ ਐਡਜਸਟ ਕਰਨ ਨਾਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਆਪਣੇ LS [13, 33] ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਤੋਂ ਬਾਅਦ ਸੁਧਾਰ ਵੀ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਯੋਗਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਅਧਿਆਪਨ ਰਣਨੀਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਸੰਬੰਧੀ ਅਧਿਆਪਕਾਂ ਦੇ ਵਿਚਾਰ ਵੱਖੋ-ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ। ਜਦੋਂ ਕਿ ਕੁਝ ਇਸ ਪਹੁੰਚ ਦੇ ਲਾਭਾਂ ਨੂੰ ਦੇਖਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਦੇ ਮੌਕੇ, ਸਲਾਹ-ਮਸ਼ਵਰਾ, ਅਤੇ ਭਾਈਚਾਰਕ ਸਹਾਇਤਾ ਸ਼ਾਮਲ ਹੈ, ਦੂਸਰੇ ਸਮੇਂ ਅਤੇ ਸੰਸਥਾਗਤ ਸਹਾਇਤਾ ਬਾਰੇ ਚਿੰਤਤ ਹੋ ਸਕਦੇ ਹਨ। ਸੰਤੁਲਨ ਲਈ ਯਤਨ ਕਰਨਾ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਰਵੱਈਆ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ। ਉੱਚ ਸਿੱਖਿਆ ਅਧਿਕਾਰੀ, ਜਿਵੇਂ ਕਿ ਯੂਨੀਵਰਸਿਟੀ ਪ੍ਰਸ਼ਾਸਕ, ਨਵੀਨਤਾਕਾਰੀ ਅਭਿਆਸਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਕੇ ਅਤੇ ਫੈਕਲਟੀ ਵਿਕਾਸ ਦਾ ਸਮਰਥਨ ਕਰਕੇ ਸਕਾਰਾਤਮਕ ਤਬਦੀਲੀ ਲਿਆਉਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾ ਸਕਦੇ ਹਨ [34]। ਇੱਕ ਸੱਚਮੁੱਚ ਗਤੀਸ਼ੀਲ ਅਤੇ ਜਵਾਬਦੇਹ ਉੱਚ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣ ਲਈ, ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਦਲੇਰਾਨਾ ਕਦਮ ਚੁੱਕਣੇ ਚਾਹੀਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਨੀਤੀਗਤ ਤਬਦੀਲੀਆਂ ਕਰਨਾ, ਤਕਨਾਲੋਜੀ ਏਕੀਕਰਨ ਲਈ ਸਰੋਤ ਸਮਰਪਿਤ ਕਰਨਾ, ਅਤੇ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਵਾਲੇ ਢਾਂਚੇ ਬਣਾਉਣਾ। ਇਹ ਉਪਾਅ ਲੋੜੀਂਦੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਵਿਭਿੰਨ ਹਦਾਇਤਾਂ 'ਤੇ ਹਾਲੀਆ ਖੋਜ ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਵਿਭਿੰਨ ਹਦਾਇਤਾਂ ਦੇ ਸਫਲ ਲਾਗੂਕਰਨ ਲਈ ਅਧਿਆਪਕਾਂ ਲਈ ਨਿਰੰਤਰ ਸਿਖਲਾਈ ਅਤੇ ਵਿਕਾਸ ਦੇ ਮੌਕਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ [35]।
ਇਹ ਔਜ਼ਾਰ ਦੰਦਾਂ ਦੇ ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਕੀਮਤੀ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀ-ਅਨੁਕੂਲ ਸਿੱਖਣ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚ ਅਪਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਅਧਿਐਨ ਫੈਸਲਾ ਟ੍ਰੀ ML ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਤੱਕ ਸੀਮਿਤ ਹੈ। ਭਵਿੱਖ ਵਿੱਚ, ਸਿਫਾਰਸ਼ ਔਜ਼ਾਰਾਂ ਦੀ ਸ਼ੁੱਧਤਾ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਹੋਰ ਡੇਟਾ ਇਕੱਠਾ 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 ਹੈ।
ਇਸ ਅਧਿਐਨ ਦੀ ਇੱਕ ਸੀਮਾ ਇਹ ਹੈ ਕਿ ਇਹ ਸਿਰਫ਼ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ LS ਅਤੇ IS ਦੀ ਮੈਪਿੰਗ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ। ਇਸ ਲਈ, ਵਿਕਸਤ ਸਿਫ਼ਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੇਗੀ ਜੋ ਦੰਦਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਢੁਕਵੇਂ ਹਨ। ਆਮ ਉੱਚ ਸਿੱਖਿਆ ਵਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਰਤੋਂ ਲਈ ਬਦਲਾਅ ਜ਼ਰੂਰੀ ਹਨ।
ਨਵਾਂ ਵਿਕਸਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਤ ਸਿਫ਼ਾਰਸ਼ ਟੂਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ LS ਨੂੰ ਤੁਰੰਤ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਅਤੇ ਸੰਬੰਧਿਤ IS ਨਾਲ ਮੇਲ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਦੰਦਾਂ ਦੇ ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਸੰਬੰਧਿਤ ਸਿੱਖਿਆ ਅਤੇ ਸਿੱਖਣ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲਾ ਪਹਿਲਾ ਦੰਦਾਂ ਦਾ ਸਿੱਖਿਆ ਪ੍ਰੋਗਰਾਮ ਬਣ ਜਾਂਦਾ ਹੈ। ਡੇਟਾ-ਸੰਚਾਲਿਤ ਟ੍ਰਾਈਏਜ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਸਮਾਂ ਬਚਾ ਸਕਦਾ ਹੈ, ਸਿੱਖਿਆ ਰਣਨੀਤੀਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਨਿਸ਼ਾਨਾਬੱਧ ਦਖਲਅੰਦਾਜ਼ੀ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਚੱਲ ਰਹੇ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਇਸਦੀ ਐਪਲੀਕੇਸ਼ਨ ਦੰਦਾਂ ਦੀ ਸਿੱਖਿਆ ਲਈ ਵਿਦਿਆਰਥੀ-ਕੇਂਦ੍ਰਿਤ ਪਹੁੰਚਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰੇਗੀ।
ਗਿਲਕ ਜਾਨੀ ਐਸੋਸੀਏਟਿਡ ਪ੍ਰੈਸ। ਵਿਦਿਆਰਥੀ ਦੀ ਸਿੱਖਣ ਸ਼ੈਲੀ ਅਤੇ ਅਧਿਆਪਕ ਦੀ ਸਿੱਖਿਆ ਸ਼ੈਲੀ ਵਿਚਕਾਰ ਮੇਲ ਜਾਂ ਬੇਮੇਲ। ਇੰਟ ਜੇ ਮਾਡ ਐਜੂਕੇਸ਼ਨ ਕੰਪਿਊਟਰ ਸਾਇੰਸ। 2012;4(11):51–60। https://doi.org/10.5815/ijmecs.2012.11.05
ਪੋਸਟ ਸਮਾਂ: ਅਪ੍ਰੈਲ-29-2024