• ہم

دانتوں کے طلباء کی میپنگ ٹری مشین لرننگ ماڈلز بی ایم سی میڈیکل ایجوکیشن کا استعمال کرتے ہوئے اسی طرح کے سیکھنے کی حکمت عملیوں کے لئے سیکھنے کی ترجیحات |

دندان سازی سمیت اعلی تعلیمی اداروں میں طلباء پر مبنی سیکھنے (ایس سی ایل) کی بڑھتی ہوئی ضرورت ہے۔ تاہم ، ایس سی ایل کا دانتوں کی تعلیم میں محدود اطلاق ہے۔ لہذا ، اس مطالعے کا مقصد ڈینٹر ٹری مشین لرننگ (ایم ایل) ٹکنالوجی کا استعمال کرتے ہوئے دندان سازی میں ایس سی ایل کے اطلاق کو فروغ دینا ہے۔ . دانتوں کے طلباء کے لئے وعدہ کرنے والے طریقے۔
یونیورسٹی آف ملایا کے کل 255 دانتوں کے طلباء نے لرننگ اسٹائلز (M-ILS) سوالنامہ کا ترمیم شدہ انڈیکس مکمل کیا ، جس میں ان کے متعلقہ ایل ایس ایس میں درجہ بندی کرنے کے لئے 44 آئٹمز موجود تھے۔ جمع کردہ ڈیٹا (جسے ڈیٹاسیٹ کہا جاتا ہے) زیر نگرانی فیصلہ ٹری لرننگ میں استعمال ہوتا ہے تاکہ طلباء کے سیکھنے کے انداز کو خود بخود مناسب طور پر مناسب بنایا جاسکے۔ اس کے بعد مشین لرننگ پر مبنی آئی ایس کی درستگی کی سفارش کی جاتی ہے۔
ایل ایس (ان پٹ) اور آئی ایس (ٹارگٹ آؤٹ پٹ) کے مابین خودکار نقشہ سازی کے عمل میں فیصلے کے درخت کے ماڈلز کا اطلاق دانتوں کے ہر طالب علم کے لئے سیکھنے کی مناسب حکمت عملیوں کی فوری فہرست کی اجازت دیتا ہے۔ آئی ایس کی سفارش کے آلے نے مجموعی طور پر ماڈل کی درستگی کی کامل درستگی اور یاد کا مظاہرہ کیا ، جس سے یہ ظاہر ہوتا ہے کہ ایل ایس سے ملنے والے آئی ایس سے اچھی حساسیت اور خصوصیت ہے۔
ایم ایل فیصلے کے درخت پر مبنی آئی ایس کی سفارش کا آلہ اس نے دانتوں کے طلباء کے سیکھنے کے مناسب طریقے سے سیکھنے کی مناسب حکمت عملیوں کے ساتھ صحیح طور پر میچ کرنے کی صلاحیت کو ثابت کیا ہے۔ یہ ٹول سیکھنے والے مراکز کورسز یا ماڈیول کی منصوبہ بندی کے لئے طاقتور اختیارات فراہم کرتا ہے جو طلباء کے سیکھنے کے تجربے کو بڑھا سکتا ہے۔
تعلیم اور تعلیم تعلیمی اداروں میں بنیادی سرگرمیاں ہیں۔ جب اعلی معیار کے پیشہ ورانہ تعلیمی نظام کی تیاری کرتے ہو تو ، طلباء کی سیکھنے کی ضروریات پر توجہ مرکوز کرنا ضروری ہے۔ طلباء اور ان کے سیکھنے کے ماحول کے مابین تعامل کا تعین ان کے ایل ایس کے ذریعے کیا جاسکتا ہے۔ تحقیق سے پتہ چلتا ہے کہ طلباء کے ایل ایس اور آئی ایس کے مابین اساتذہ کی خواہش مند مماثلت طلباء کی تعلیم کے منفی نتائج ہوسکتی ہے ، جیسے توجہ اور حوصلہ افزائی میں کمی۔ اس سے طلباء کی کارکردگی کو بالواسطہ اثر پڑے گا [1،2]۔
آئی ایس ایک ایسا طریقہ ہے جو اساتذہ کے ذریعہ طلباء کو علم اور مہارت فراہم کرنے کے لئے استعمال ہوتا ہے ، بشمول طلباء کو سیکھنے میں مدد کرنا [3]۔ عام طور پر ، اچھے اساتذہ تدریسی حکمت عملی کا منصوبہ بناتے ہیں یا یہ ہے کہ ان کے طلباء کے علم کی سطح ، وہ تصورات جو وہ سیکھ رہے ہیں ، اور ان کے سیکھنے کے مرحلے سے ملتے ہیں۔ نظریاتی طور پر ، جب ایل ایس اور آئی ایس کا میچ ہوتا ہے تو ، طلبا مؤثر طریقے سے سیکھنے کے ل skills مہارت کا ایک مخصوص سیٹ منظم اور استعمال کرسکیں گے۔ عام طور پر ، ایک سبق کے منصوبے میں مراحل کے مابین متعدد ٹرانزیشن شامل ہوتی ہیں ، جیسے تعلیم سے لے کر ہدایت یافتہ مشق تک یا ہدایت نامہ سے آزادانہ مشق تک۔ اس کو ذہن میں رکھتے ہوئے ، موثر اساتذہ اکثر طلباء کے علم اور مہارت کی تعمیر کے مقصد کے ساتھ ہدایت کی منصوبہ بندی کرتے ہیں [4]۔
دندان سازی سمیت اعلی تعلیمی اداروں میں ایس سی ایل کی طلب بڑھ رہی ہے۔ ایس سی ایل کی حکمت عملی طلباء کی سیکھنے کی ضروریات کو پورا کرنے کے لئے تیار کی گئی ہے۔ یہ حاصل کیا جاسکتا ہے ، مثال کے طور پر ، اگر طلبا سیکھنے کی سرگرمیوں میں فعال طور پر حصہ لیتے ہیں اور اساتذہ سہولت کار کی حیثیت سے کام کرتے ہیں اور قیمتی آراء فراہم کرنے کے ذمہ دار ہیں۔ کہا جاتا ہے کہ سیکھنے کے مواد اور سرگرمیاں فراہم کرنا جو طلباء کی تعلیمی سطح یا ترجیحات کے لئے موزوں ہیں وہ طلباء کے سیکھنے کے ماحول کو بہتر بناسکتے ہیں اور سیکھنے کے مثبت تجربات کو فروغ دے سکتے ہیں [5]۔
عام طور پر ، دانتوں کے طلباء کے سیکھنے کا عمل مختلف طبی طریقہ کار سے متاثر ہوتا ہے جن کی انہیں انجام دینے کی ضرورت ہوتی ہے اور وہ طبی ماحول جس میں وہ موثر باہمی مہارت پیدا کرتے ہیں۔ تربیت کا مقصد طلبا کو دانتوں کی طبی مہارت کے ساتھ دندان سازی کے بنیادی علم کو جوڑنے اور حاصل شدہ علم کو نئے کلینیکل حالات [6 ، 7] پر لاگو کرنے کے قابل بنانا ہے۔ ایل ایس کے مابین تعلقات کے بارے میں ابتدائی تحقیق سے پتہ چلا ہے کہ ترجیحی ایل ایس میں نقشہ کی گئی سیکھنے کی حکمت عملیوں کو ایڈجسٹ کرنے سے تعلیمی عمل کو بہتر بنانے میں مدد ملے گی [8]۔ مصنفین طلباء کی تعلیم اور ضروریات کو اپنانے کے لئے متعدد تدریسی اور تشخیص کے طریقوں کو استعمال کرنے کی بھی سفارش کرتے ہیں۔
اساتذہ ایل ایس علم کو لاگو کرنے سے فائدہ اٹھاتے ہیں تاکہ ان کی ہدایت کو ڈیزائن ، ترقی اور ان پر عمل درآمد کیا جاسکے جو طلباء کے اس موضوع کے گہرے علم اور تفہیم کے حصول میں اضافہ کرے گا۔ محققین نے ایل ایس کی تشخیص کے متعدد ٹولز تیار کیے ہیں ، جیسے کولب تجرباتی لرننگ ماڈل ، فیلڈر سلور مین لرننگ اسٹائل ماڈل (ایف ایس ایل ایس ایم) ، اور فلیمنگ واک/ورارک ماڈل [5 ، 9 ، 10]۔ ادب کے مطابق ، یہ سیکھنے کے ماڈل عام طور پر استعمال ہونے والے اور سب سے زیادہ زیر تعلیم سیکھنے کے ماڈل ہیں۔ موجودہ تحقیقی کام میں ، FSLSM دانتوں کے طلباء میں LS کا اندازہ کرنے کے لئے استعمال ہوتا ہے۔
انجینئرنگ میں انکولی سیکھنے کا اندازہ کرنے کے لئے ایف ایس ایل ایس ایم ایک وسیع پیمانے پر استعمال شدہ ماڈل ہے۔ ہیلتھ سائنسز (بشمول میڈیسن ، نرسنگ ، فارمیسی اور دندان سازی) میں بہت سے شائع شدہ کام ہیں جو ایف ایس ایل ایس ایم ماڈل [5 ، 11 ، 12 ، 13] کا استعمال کرتے ہوئے پایا جاسکتا ہے۔ ایف ایل ایس ایم میں ایل ایس کے طول و عرض کی پیمائش کے لئے استعمال ہونے والے آلے کو سیکھنے کے انداز (ILS) کا انڈیکس کہا جاتا ہے [8] ، جس میں ایل ایس کے چار جہتوں کا اندازہ کرنے والی 44 آئٹمز شامل ہیں: پروسیسنگ (فعال/عکاس) ، تاثر (ادراک/بدیہی) ، ان پٹ (بصری) /زبانی) اور تفہیم (ترتیب/عالمی) [14]۔
جیسا کہ شکل 1 میں دکھایا گیا ہے ، ہر FSLSM طول و عرض میں ایک غالب ترجیح ہے۔ مثال کے طور پر ، پروسیسنگ کے طول و عرض میں ، "فعال" ایل والے طلباء سیکھنے کے مواد کے ساتھ براہ راست بات چیت کرکے معلومات پر کارروائی کرنا پسند کرتے ہیں ، کرنے سے سیکھیں ، اور گروپوں میں سیکھتے ہیں۔ "عکاس" ایل ایس سے مراد سوچ کے ذریعے سیکھنے اور تنہا کام کرنے کو ترجیح دی جاتی ہے۔ ایل ایس کی "سمجھنے" جہت کو "احساس" اور/یا "بدیہی" میں تقسیم کیا جاسکتا ہے۔ "احساس" طلباء زیادہ ٹھوس معلومات اور عملی طریقہ کار کو ترجیح دیتے ہیں ، "بدیہی" طلباء کے مقابلے میں حقیقت پر مبنی ہیں جو تجریدی مواد کو ترجیح دیتے ہیں اور فطرت میں زیادہ جدید اور تخلیقی ہوتے ہیں۔ ایل ایس کی "ان پٹ" جہت "بصری" اور "زبانی" سیکھنے والوں پر مشتمل ہے۔ "بصری" LS والے لوگ بصری مظاہرے (جیسے آریگرام ، ویڈیوز ، یا براہ راست مظاہرے) کے ذریعے سیکھنے کو ترجیح دیتے ہیں ، جبکہ "زبانی" LS والے لوگ تحریری یا زبانی وضاحتوں میں الفاظ کے ذریعے سیکھنے کو ترجیح دیتے ہیں۔ ایل ایس طول و عرض کو "سمجھنے" کے ل such ، اس طرح کے سیکھنے والوں کو "ترتیب وار" اور "عالمی" میں تقسیم کیا جاسکتا ہے۔ "ترتیب دینے والے سیکھنے والے ایک لکیری سوچ کے عمل کو ترجیح دیتے ہیں اور قدم بہ قدم سیکھتے ہیں ، جبکہ عالمی سیکھنے والوں میں ایک جامع سوچ کا عمل ہوتا ہے اور وہ ہمیشہ اس کی بہتر تفہیم رکھتے ہیں کہ وہ کیا سیکھ رہے ہیں۔
حال ہی میں ، بہت سارے محققین نے خود کار طریقے سے ڈیٹا سے چلنے والی دریافت کے طریقوں کی کھوج کرنا شروع کردی ہے ، جس میں نئے الگورتھم اور ماڈلز کی ترقی بھی شامل ہے جو بڑی مقدار میں ڈیٹا [15 ، 16] کی ترجمانی کرنے کے قابل ہے۔ فراہم کردہ اعداد و شمار کی بنیاد پر ، زیر نگرانی ایم ایل (مشین لرننگ) نمونوں اور مفروضے پیدا کرنے کے قابل ہے جو الگورتھم کی تعمیر پر مبنی مستقبل کے نتائج کی پیش گوئی کرتے ہیں [17]۔ سیدھے الفاظ میں ، نگرانی کرنے والی مشین لرننگ کی تکنیک ان پٹ ڈیٹا اور ٹرین الگورتھم میں ہیرا پھیری کرتی ہے۔ اس کے بعد یہ ایک ایسی حد تیار کرتا ہے جو فراہم کردہ ان پٹ ڈیٹا کے لئے اسی طرح کے حالات کی بنیاد پر نتائج کی درجہ بندی کرتا ہے یا پیش گوئی کرتا ہے۔ زیر نگرانی مشین لرننگ الگورتھم کا بنیادی فائدہ مثالی اور مطلوبہ نتائج [17] کو قائم کرنے کی صلاحیت ہے۔
ڈیٹا سے چلنے والے طریقوں اور فیصلے کے درختوں پر قابو پانے والے ماڈلز کے استعمال کے ذریعے ، ایل ایس کا خودکار پتہ لگانا ممکن ہے۔ صحت کے علوم [18 ، 19] سمیت مختلف شعبوں میں تربیتی پروگراموں میں فیصلے کے درختوں کو بڑے پیمانے پر استعمال کیا گیا ہے۔ اس مطالعے میں ، ماڈل کو خاص طور پر سسٹم ڈویلپرز نے طلباء کے ایل ایس کی شناخت کرنے اور ان کے لئے بہترین سفارش کرنے کی تربیت دی تھی۔
اس مطالعے کا مقصد یہ ہے کہ طلباء کے ایل ایس پر مبنی ترسیل کی حکمت عملی ہے اور ایس سی ایل کے نقطہ نظر کو ایل ایس میں نقشہ بنانے والی آئی ایس کی سفارش کا آلہ تیار کرکے لاگو کریں۔ ایس سی ایل کے طریقہ کار کی حکمت عملی کے طور پر آئی ایس کی سفارش کے آلے کے ڈیزائن کا بہاؤ شکل 1 میں دکھایا گیا ہے۔ آئی ایس کی سفارش کے آلے کو دو حصوں میں تقسیم کیا گیا ہے ، جس میں ایل ایس کا استعمال کرتے ہوئے ایل ایس درجہ بندی کا طریقہ کار بھی شامل ہے اور طلباء کے لئے سب سے مناسب ہے۔
خاص طور پر ، انفارمیشن سیکیورٹی کی سفارشات کے اوزاروں کی خصوصیات میں ویب ٹکنالوجیوں کا استعمال اور فیصلہ ٹری مشین لرننگ کا استعمال شامل ہے۔ سسٹم ڈویلپرز صارف کے تجربے اور نقل و حرکت کو موبائل فون اور ٹیبلٹ جیسے موبائل آلات میں ڈھال کر ان میں بہتری لاتے ہیں۔
یہ تجربہ دو مراحل میں کیا گیا تھا اور ملایا یونیورسٹی میں دندان سازی کی فیکلٹی کے طلباء نے رضاکارانہ بنیادوں پر حصہ لیا۔ شرکاء نے انگریزی میں دانتوں کے طالب علم کے آن لائن M-ILS کا جواب دیا۔ ابتدائی مرحلے میں ، فیصلے ٹری مشین لرننگ الگورتھم کو تربیت دینے کے لئے 50 طلباء کا ایک ڈیٹاسیٹ استعمال کیا گیا تھا۔ ترقیاتی عمل کے دوسرے مرحلے میں ، ترقی یافتہ آلے کی درستگی کو بہتر بنانے کے لئے 255 طلباء کا ڈیٹاسیٹ استعمال کیا گیا تھا۔
تمام شرکاء کو مائیکرو سافٹ ٹیموں کے توسط سے تعلیمی سال پر منحصر ہر مرحلے کے آغاز میں ایک آن لائن بریفنگ ملتی ہے۔ اس مطالعے کے مقصد کی وضاحت کی گئی اور باخبر رضامندی حاصل کی گئی۔ تمام شرکاء کو M-ILS تک رسائی کے ل a ایک لنک فراہم کیا گیا تھا۔ ہر طالب علم کو ہدایت کی گئی تھی کہ وہ سوالیہ نشان پر موجود تمام 44 آئٹمز کا جواب دیں۔ سیمسٹر کے آغاز سے پہلے سمسٹر بریک کے دوران ان کے لئے آسان وقت اور مقام پر ترمیم شدہ ILs کو مکمل کرنے کے لئے انہیں ایک ہفتہ دیا گیا تھا۔ M-ILS اصل ILS آلہ پر مبنی ہے اور دانتوں کے طلباء کے لئے اس میں ترمیم کی گئی ہے۔ اصل ILs کی طرح ، اس میں 44 یکساں طور پر تقسیم شدہ اشیاء (A ، B) شامل ہیں ، جن میں سے ہر ایک میں 11 آئٹمز ہیں ، جو ہر FSLSM جہت کے پہلوؤں کا اندازہ کرنے کے لئے استعمال ہوتے ہیں۔
آلے کی نشوونما کے ابتدائی مراحل کے دوران ، محققین نے دانتوں کے 50 طلباء کے ڈیٹاسیٹ کا استعمال کرتے ہوئے نقشوں کو دستی طور پر بیان کیا۔ ایف ایس ایل ایم کے مطابق ، نظام جوابات "A" اور "B" کا مجموعہ فراہم کرتا ہے۔ ہر جہت کے ل if ، اگر طالب علم "A" کو جواب کے طور پر منتخب کرتا ہے تو ، ایل ایس کو فعال/ادراک/بصری/ترتیب وار درجہ بندی کیا جاتا ہے ، اور اگر طالب علم "B" کو جواب کے طور پر منتخب کرتا ہے تو ، طالب علم کو عکاس/بدیہی/لسانی درجہ بندی کیا جاتا ہے۔ . / عالمی سیکھنے والا۔
دانتوں کی تعلیم کے محققین اور سسٹم ڈویلپرز کے مابین ورک فلو کو کیلیبریٹ کرنے کے بعد ، سوالات کا انتخاب ایف ایل ایس ایس ایم ڈومین کی بنیاد پر کیا گیا تھا اور ہر طالب علم کے ایل ایس کی پیش گوئی کے لئے ایم ایل ماڈل میں کھلایا گیا تھا۔ "کوڑا کرکٹ ان ، کوڑا کرکٹ آؤٹ" مشین لرننگ کے میدان میں ایک مشہور قول ہے ، جس میں ڈیٹا کے معیار پر زور دیا گیا ہے۔ ان پٹ ڈیٹا کا معیار مشین لرننگ ماڈل کی صحت سے متعلق اور درستگی کا تعین کرتا ہے۔ فیچر انجینئرنگ مرحلے کے دوران ، ایک نیا فیچر سیٹ تیار کیا گیا ہے جو ایف ایل ایس ایس ایم پر مبنی جوابات "اے" اور "بی" کا مجموعہ ہے۔ منشیات کی پوزیشنوں کی شناختی نمبر ٹیبل 1 میں دیئے گئے ہیں۔
جوابات کی بنیاد پر اسکور کا حساب لگائیں اور طالب علم کے ایل ایس کا تعین کریں۔ ہر طالب علم کے لئے ، اسکور کی حد 1 سے 11 تک ہوتی ہے۔ 1 سے 3 تک اسکور ایک ہی جہت میں سیکھنے کی ترجیحات کے توازن کی نشاندہی کرتے ہیں ، اور 5 سے 7 تک اسکور ایک اعتدال پسند ترجیح کی نشاندہی کرتے ہیں ، جس سے یہ ظاہر ہوتا ہے کہ طلبا دوسروں کو پڑھانے والے ماحول کو ترجیح دیتے ہیں۔ . اسی جہت میں ایک اور تغیر یہ ہے کہ 9 سے 11 تک کے اسکور ایک سرے یا دوسرے کے لئے مضبوط ترجیح کی عکاسی کرتے ہیں [8]۔
ہر جہت کے لئے ، منشیات کو "فعال" ، "عکاس" اور "متوازن" میں گروپ کیا جاتا تھا۔ مثال کے طور پر ، جب کوئی طالب علم کسی نامزد آئٹم پر "B" سے زیادہ بار "A" کا جواب دیتا ہے اور اس کا اسکور کسی خاص شے کے لئے 5 کی حد سے تجاوز کرتا ہے جس میں پروسیسنگ ایل ایس طول و عرض کی نمائندگی ہوتی ہے تو ، اس کا تعلق "فعال" ایل ایس سے ہے۔ ڈومین . تاہم ، طلباء کو "عکاس" ایل کے طور پر درجہ بندی کیا گیا تھا جب انہوں نے مخصوص 11 سوالات (ٹیبل 1) میں "A" سے زیادہ "B" کا انتخاب کیا اور 5 سے زیادہ پوائنٹس حاصل کیے۔ آخر میں ، طالب علم "توازن" کی حالت میں ہے۔ اگر اسکور 5 پوائنٹس سے تجاوز نہیں کرتا ہے ، تو یہ ایک "عمل" ایل ایس ہے۔ درجہ بندی کے عمل کو دوسرے LS طول و عرض ، یعنی تاثر (فعال/عکاس) ، ان پٹ (بصری/زبانی) ، اور فہم (ترتیب/عالمی) کے لئے دہرایا گیا تھا۔
فیصلے کے درخت کے ماڈل درجہ بندی کے عمل کے مختلف مراحل پر خصوصیات اور فیصلے کے قواعد کے مختلف ذیلی ذخیرے استعمال کرسکتے ہیں۔ اسے ایک مقبول درجہ بندی اور پیشن گوئی کا آلہ سمجھا جاتا ہے۔ اس کی نمائندگی درخت کے ڈھانچے جیسے فلو چارٹ [20] کے ذریعے کی جاسکتی ہے ، جس میں اندرونی نوڈس ہوتے ہیں جو انتساب کے ذریعہ ٹیسٹ کی نمائندگی کرتے ہیں ، ہر شاخ ٹیسٹ کے نتائج کی نمائندگی کرتی ہے ، اور ہر پتی نوڈ (پتی نوڈ) جس میں کلاس لیبل ہوتا ہے۔
ہر طالب علم کے LS کو ان کے ردعمل کی بنیاد پر خود بخود اسکور اور تشریح کرنے کے لئے ایک آسان قاعدہ پر مبنی پروگرام تشکیل دیا گیا تھا۔ قاعدہ پر مبنی ایک آئی ایف بیان کی شکل اختیار کرتا ہے ، جہاں "اگر" محرک کی وضاحت کرتا ہے اور "پھر" انجام دینے والی کارروائی کی وضاحت کرتا ہے ، مثال کے طور پر: "اگر ایکس ہوتا ہے تو ، پھر Y کرو" (لیو ایٹ ال۔ ، 2014)۔ اگر ڈیٹا سیٹ ارتباط کی نمائش کرتا ہے اور فیصلے کے درخت کے ماڈل کی صحیح تربیت اور جانچ کی جاتی ہے تو ، یہ نقطہ نظر ایل ایس اور آئی ایس کے ملاپ کے عمل کو خود کار بنانے کا ایک موثر طریقہ ہوسکتا ہے۔
ترقی کے دوسرے مرحلے میں ، سفارش کے آلے کی درستگی کو بہتر بنانے کے لئے ڈیٹاسیٹ کو 255 کردیا گیا تھا۔ ڈیٹا سیٹ 1: 4 تناسب میں تقسیم ہے۔ ڈیٹا سیٹ کا 25 ٪ (64) ٹیسٹ سیٹ کے لئے استعمال کیا گیا تھا ، اور بقیہ 75 ٪ (191) ٹریننگ سیٹ (شکل 2) کے طور پر استعمال کیا گیا تھا۔ ماڈل کو اسی ڈیٹا سیٹ پر تربیت دینے اور جانچنے سے روکنے کے لئے ڈیٹا سیٹ کو تقسیم کرنے کی ضرورت ہے ، جس کی وجہ سے ماڈل سیکھنے کے بجائے یاد رکھنے کا سبب بن سکتا ہے۔ ماڈل کو ٹریننگ سیٹ پر تربیت دی جاتی ہے اور ٹیسٹ سیٹ پر اپنی کارکردگی کا اندازہ ہوتا ہے - ڈیٹا اس ماڈل نے پہلے کبھی نہیں دیکھا تھا۔
ایک بار آئی ایس ٹول تیار ہونے کے بعد ، ایپلی کیشن ویب انٹرفیس کے ذریعہ دانتوں کے طلباء کے ردعمل کی بنیاد پر ایل ایس کی درجہ بندی کرسکے گی۔ ویب پر مبنی انفارمیشن سیکیورٹی کی سفارش ٹول سسٹم جیانگو فریم ورک کو بیک اینڈ کے طور پر استعمال کرتے ہوئے ازگر پروگرامنگ زبان کا استعمال کرتے ہوئے بنایا گیا ہے۔ جدول 2 میں اس نظام کی ترقی میں استعمال ہونے والی لائبریریوں کی فہرست دی گئی ہے۔
ڈیٹاسیٹ کو طلباء کے ایل ایس پیمائشوں کی خود بخود درجہ بندی کرنے کے لئے طلباء کے ردعمل کا حساب لگانے اور نکالنے کے لئے فیصلہ کن ٹری ماڈل کو کھلایا جاتا ہے۔
کنفیوژن میٹرکس کو دیئے گئے ڈیٹا سیٹ پر فیصلہ ٹری مشین لرننگ الگورتھم کی درستگی کا اندازہ کرنے کے لئے استعمال کیا جاتا ہے۔ ایک ہی وقت میں ، یہ درجہ بندی کے ماڈل کی کارکردگی کا اندازہ کرتا ہے۔ یہ ماڈل کی پیش گوئوں کا خلاصہ پیش کرتا ہے اور ان کا موازنہ ڈیٹا لیبل سے کرتا ہے۔ تشخیص کے نتائج چار مختلف اقدار پر مبنی ہیں: حقیقی مثبت (ٹی پی) - ماڈل نے مثبت زمرے کی صحیح پیش گوئی کی ، غلط مثبت (ایف پی) - ماڈل نے مثبت زمرے کی پیش گوئی کی ، لیکن حقیقی لیبل منفی ، حقیقی منفی (ٹی این) تھا - ماڈل نے منفی طبقے ، اور غلط منفی (FN) کی صحیح پیش گوئی کی ہے - ماڈل منفی طبقے کی پیش گوئی کرتا ہے ، لیکن حقیقی لیبل مثبت ہے۔
اس کے بعد ان اقدار کا استعمال ازگر میں سکیٹ لرن درجہ بندی کے ماڈل کی مختلف کارکردگی میٹرکس ، یعنی صحت سے متعلق ، صحت سے متعلق ، یاد ، اور F1 اسکور کا حساب کتاب کرنے کے لئے کیا جاتا ہے۔ یہاں مثالیں ہیں:
یاد (یا حساسیت) M-ILS سوالنامے کے جواب کے بعد کسی طالب علم کے LS کو درست طریقے سے درجہ بندی کرنے کی ماڈل کی صلاحیت کی پیمائش کرتا ہے۔
خصوصیت کو ایک حقیقی منفی شرح کہا جاتا ہے۔ جیسا کہ آپ مندرجہ بالا فارمولے سے دیکھ سکتے ہیں ، یہ حقیقی منفی (TN) کا تناسب حقیقی منفی اور غلط مثبت (ایف پی) سے ہونا چاہئے۔ طلباء کی دوائیوں کی درجہ بندی کرنے کے لئے تجویز کردہ ٹول کے ایک حصے کے طور پر ، یہ درست شناخت کے قابل ہونا چاہئے۔
فیصلے کے درخت کے ایم ایل ماڈل کو تربیت دینے کے لئے استعمال ہونے والے 50 طلباء کا اصل ڈیٹاسیٹ تشریحات (ٹیبل 3) میں انسانی غلطی کی وجہ سے نسبتا low کم درستگی ظاہر کرتا ہے۔ ایل ایس اسکورز اور طلباء کی تشریحات کا خود بخود حساب لگانے کے لئے ایک سادہ قاعدہ پر مبنی پروگرام بنانے کے بعد ، تجویز کنندہ نظام کی تربیت اور جانچ کے لئے ڈیٹاسیٹس کی بڑھتی ہوئی تعداد (255) استعمال کی گئی تھی۔
ملٹی کلاس کنفیوژن میٹرکس میں ، اخترن عناصر ہر LS قسم (شکل 4) کے لئے صحیح پیش گوئوں کی تعداد کی نمائندگی کرتے ہیں۔ فیصلے کے درخت کے ماڈل کا استعمال کرتے ہوئے ، مجموعی طور پر 64 نمونوں کی صحیح پیش گوئی کی گئی تھی۔ اس طرح ، اس مطالعے میں ، اخترن عناصر متوقع نتائج کو ظاہر کرتے ہیں ، جس سے یہ ظاہر ہوتا ہے کہ ماڈل ہر ایل ایس درجہ بندی کے لئے کلاس لیبل کو اچھی طرح سے انجام دیتا ہے اور درست طریقے سے پیش گوئی کرتا ہے۔ اس طرح ، سفارش کے آلے کی مجموعی درستگی 100 ٪ ہے۔
درستگی ، صحت سے متعلق ، یاد ، اور F1 اسکور کی اقدار کو شکل 5 میں دکھایا گیا ہے۔ فیصلہ ٹری ماڈل کا استعمال کرتے ہوئے سفارش کے نظام کے لئے ، اس کا F1 اسکور 1.0 "کامل ہے ،" کامل صحت سے متعلق اور یاد کی نشاندہی کرتا ہے ، جس میں اہم حساسیت اور وضاحت کی عکاسی ہوتی ہے۔ اقدار۔
اعداد و شمار 6 تربیت اور جانچ کے مکمل ہونے کے بعد فیصلے کے درخت کے ماڈل کا تصور ظاہر کرتا ہے۔ ایک ساتھ ساتھ موازنہ میں ، فیصلے کے درخت کے ماڈل نے کم خصوصیات کے ساتھ تربیت یافتہ ماڈل کو اعلی درستگی اور آسان ماڈل تصور کو ظاہر کیا۔ اس سے ظاہر ہوتا ہے کہ فیچر انجینئرنگ جس میں خصوصیت میں کمی واقع ہوتی ہے وہ ماڈل کی کارکردگی کو بہتر بنانے کا ایک اہم قدم ہے۔
فیصلے کے درخت کی زیر نگرانی سیکھنے کا اطلاق کرکے ، ایل ایس (ان پٹ) اور آئی ایس (ٹارگٹ آؤٹ پٹ) کے مابین نقشہ سازی خود بخود تیار ہوتی ہے اور اس میں ہر ایل ایس کے لئے تفصیلی معلومات ہوتی ہے۔
نتائج سے پتہ چلتا ہے کہ 255 طلباء میں سے 34.9 ٪ نے ایک (1) ایل ایس آپشن کو ترجیح دی۔ اکثریت (54.3 ٪) کی دو یا زیادہ LS ترجیحات تھیں۔ 12.2 ٪ طلباء نے نوٹ کیا کہ ایل ایس کافی متوازن ہے (ٹیبل 4)۔ آٹھ اہم ایل ایس کے علاوہ ، یونیورسٹی آف ملایا دانتوں کے طلباء کے لئے ایل ایس درجہ بندی کے 34 امتزاج ہیں۔ ان میں ، تاثر ، وژن ، اور تاثر اور وژن کا مجموعہ طلباء کے ذریعہ رپورٹ کردہ اہم ایل ایس ہیں (شکل 7)۔
جیسا کہ جدول 4 سے دیکھا جاسکتا ہے ، طلباء کی اکثریت میں ایک اہم حسی (13.7 ٪) یا بصری (8.6 ٪) ایل تھا۔ بتایا گیا ہے کہ 12.2 ٪ طلباء نے وژن (ادراک کے مطابق ایل ایس) کے ساتھ تاثرات کو مشترکہ کیا۔ ان نتائج سے پتہ چلتا ہے کہ طلبا قائم طریقوں کے ذریعے سیکھنے اور یاد رکھنے کو ترجیح دیتے ہیں ، مخصوص اور تفصیلی طریقہ کار پر عمل کرتے ہیں ، اور فطرت میں توجہ دیتے ہیں۔ ایک ہی وقت میں ، وہ (آریگرام وغیرہ استعمال کرکے) سیکھنے سے لطف اندوز ہوتے ہیں اور گروپوں میں یا خود ہی معلومات پر تبادلہ خیال اور ان کا اطلاق کرتے ہیں۔
یہ مطالعہ ڈیٹا مائننگ میں استعمال ہونے والی مشین لرننگ تکنیکوں کا ایک جائزہ پیش کرتا ہے ، جس میں طلباء کے ایل ایس کی فوری طور پر اور درست طور پر پیش گوئی کرنے اور مناسب IS کی سفارش کرنے پر توجہ دی جاتی ہے۔ فیصلے کے درخت کے ماڈل کے اطلاق نے ان کی زندگی اور تعلیمی تجربات سے زیادہ قریب سے ان عوامل کی نشاندہی کی۔ یہ ایک زیر نگرانی مشین لرننگ الگورتھم ہے جو ڈیٹا کے ایک سیٹ کو کچھ معیارات کی بنیاد پر ذیلی زمرہ جات میں تقسیم کرکے ڈیٹا کی درجہ بندی کرنے کے لئے درخت کے ڈھانچے کا استعمال کرتا ہے۔ یہ ہر داخلی نوڈ کی ان پٹ خصوصیات میں سے کسی ایک کی قیمت کی بنیاد پر ان پٹ ڈیٹا کو ذیلی سیٹوں میں بار بار تقسیم کرکے کام کرتا ہے جب تک کہ لیف نوڈ پر فیصلہ نہ ہوجائے۔
فیصلے کے درخت کے اندرونی نوڈس M-ILS مسئلے کی ان پٹ خصوصیات کی بنیاد پر حل کی نمائندگی کرتے ہیں ، اور پتی کے نوڈس حتمی LS درجہ بندی کی پیش گوئی کی نمائندگی کرتے ہیں۔ پورے مطالعے کے دوران ، ان پٹ کی خصوصیات اور آؤٹ پٹ کی پیش گوئوں کے مابین تعلقات کو دیکھ کر فیصلے کے عمل کی وضاحت اور تصور کرنے والے فیصلے کے درختوں کے درجہ بندی کو سمجھنا آسان ہے۔
کمپیوٹر سائنس اور انجینئرنگ کے شعبوں میں ، مشین لرننگ الگورتھم اپنے داخلہ امتحان کے اسکور [21] ، آبادیاتی معلومات ، اور سیکھنے کے رویے [22] کی بنیاد پر طلباء کی کارکردگی کی پیش گوئی کرنے کے لئے بڑے پیمانے پر استعمال ہوتے ہیں۔ تحقیق سے پتہ چلتا ہے کہ الگورتھم نے طلبہ کی کارکردگی کی درست پیش گوئی کی اور تعلیمی مشکلات کے خطرے میں پڑنے والے طلباء کی شناخت میں ان کی مدد کی۔
دانتوں کی تربیت کے لئے ورچوئل مریض سمیلیٹرز کی ترقی میں ایم ایل الگورتھم کے اطلاق کی اطلاع ہے۔ سمیلیٹر حقیقی مریضوں کے جسمانی ردعمل کو درست طریقے سے دوبارہ تیار کرنے کی اہلیت رکھتا ہے اور دانتوں کے طلباء کو محفوظ اور کنٹرول ماحول میں تربیت دینے کے لئے استعمال کیا جاسکتا ہے [23]۔ کئی دیگر مطالعات سے پتہ چلتا ہے کہ مشین لرننگ الگورتھم دانتوں اور طبی تعلیم اور مریضوں کی دیکھ بھال کے معیار اور کارکردگی کو ممکنہ طور پر بہتر بناسکتے ہیں۔ مشین لرننگ الگورتھم کا استعمال اعداد و شمار کے سیٹ جیسے علامات اور مریضوں کی خصوصیات [24 ، 25] کی بنیاد پر دانتوں کی بیماریوں کی تشخیص میں مدد کے لئے کیا گیا ہے۔ جبکہ دیگر مطالعات میں مریضوں کے نتائج کی پیش گوئی کرنے ، اعلی خطرے والے مریضوں کی نشاندہی کرنے ، علاج کے ذاتی منصوبوں کی نشاندہی کرنے ، علاج معالجے کے منصوبوں [26] ، پیریڈونٹل ٹریٹمنٹ [27] ، اور علاج معالجے [25] جیسے کاموں کو انجام دینے کے لئے مشین لرننگ الگورتھم کے استعمال کی کھوج کی گئی ہے۔
اگرچہ دندان سازی میں مشین لرننگ کے اطلاق کے بارے میں اطلاعات شائع کی گئیں ، لیکن دانتوں کی تعلیم میں اس کا اطلاق محدود ہے۔ لہذا ، اس مطالعے کا مقصد ایل ایس کے ساتھ زیادہ قریب سے وابستہ عوامل کی نشاندہی کرنے کے لئے فیصلہ کن ٹری ماڈل کا استعمال کرنا ہے اور یہ دانتوں کے طلباء میں شامل ہے۔
اس مطالعے کے نتائج سے پتہ چلتا ہے کہ ترقی یافتہ سفارش کے آلے میں اعلی درستگی اور کامل درستگی ہے ، جس سے یہ ظاہر ہوتا ہے کہ اساتذہ اس آلے سے فائدہ اٹھا سکتے ہیں۔ ڈیٹا سے چلنے والی درجہ بندی کے عمل کا استعمال کرتے ہوئے ، یہ ذاتی نوعیت کی سفارشات فراہم کرسکتا ہے اور اساتذہ اور طلباء کے لئے تعلیمی تجربات اور نتائج کو بہتر بنا سکتا ہے۔ ان میں سے ، سفارشات کے اوزار کے ذریعہ حاصل کردہ معلومات اساتذہ کی ترجیحی تدریسی طریقوں اور طلباء کی سیکھنے کی ضروریات کے مابین تنازعات کو حل کرسکتی ہیں۔ مثال کے طور پر ، سفارشاتی ٹولز کی خودکار پیداوار کی وجہ سے ، کسی طالب علم کے IP کی شناخت کرنے اور اس سے متعلقہ IP کے ساتھ ملنے کے لئے درکار وقت میں نمایاں کمی واقع ہوگی۔ اس طرح سے ، مناسب تربیتی سرگرمیاں اور تربیتی مواد کو منظم کیا جاسکتا ہے۔ اس سے طلبا کے مثبت سیکھنے کے طرز عمل اور توجہ دینے کی صلاحیت کو فروغ دینے میں مدد ملتی ہے۔ ایک تحقیق میں بتایا گیا ہے کہ طلبا کو سیکھنے کے مواد اور سیکھنے کی سرگرمیاں فراہم کرنا جو ان کے ترجیحی ایل ایس سے مماثل ہیں وہ طلبا کو زیادہ سے زیادہ صلاحیتوں کے حصول کے ل multiple متعدد طریقوں سے سیکھنے کو مربوط کرنے ، عمل کرنے اور لطف اندوز کرنے میں مدد کرسکتے ہیں [12]۔ تحقیق سے یہ بھی پتہ چلتا ہے کہ کلاس روم میں طلباء کی شرکت کو بہتر بنانے کے علاوہ ، طلباء کے سیکھنے کے عمل کو سمجھنا بھی درس و تدریس کے طریقوں اور طلباء کے ساتھ رابطے میں بہتری لانے میں اہم کردار ادا کرتا ہے [28 ، 29]۔
تاہم ، کسی بھی جدید ٹکنالوجی کی طرح ، مسائل اور حدود ہیں۔ ان میں ڈیٹا کی رازداری ، تعصب اور انصاف پسندی سے متعلق امور شامل ہیں ، اور دانتوں کی تعلیم میں مشین لرننگ الگورتھم تیار کرنے اور ان پر عمل درآمد کے لئے درکار پیشہ ورانہ مہارت اور وسائل شامل ہیں۔ تاہم ، اس علاقے میں بڑھتی ہوئی دلچسپی اور تحقیق سے پتہ چلتا ہے کہ مشین لرننگ ٹیکنالوجیز دانتوں کی تعلیم اور دانتوں کی خدمات پر مثبت اثر ڈال سکتی ہیں۔
اس مطالعے کے نتائج سے پتہ چلتا ہے کہ دانتوں کے آدھے طلباء میں منشیات کو "سمجھنے" کا رجحان ہوتا ہے۔ اس قسم کے سیکھنے والے حقائق اور ٹھوس مثالوں ، ایک عملی رجحان ، تفصیل کے لئے صبر ، اور "بصری" ایل ایس ترجیح کے لئے ترجیح رکھتے ہیں ، جہاں سیکھنے والے خیالات اور خیالات کو پہنچانے کے لئے تصاویر ، گرافکس ، رنگ اور نقشے استعمال کرنے کو ترجیح دیتے ہیں۔ موجودہ نتائج دانتوں اور میڈیکل طلباء میں ایل ایس کا اندازہ کرنے کے لئے آئی ایل کا استعمال کرتے ہوئے دیگر مطالعات کے مطابق ہیں ، جن میں سے بیشتر میں ادراک اور بصری ایل ایس [12 ، 30] کی خصوصیات ہیں۔ ڈالمولن ایٹ ال نے مشورہ دیا ہے کہ طلبا کو اپنے ایل ایس کے بارے میں آگاہ کرنے سے وہ اپنی سیکھنے کی صلاحیت تک پہنچنے کی اجازت دیتے ہیں۔ محققین کا استدلال ہے کہ جب اساتذہ طلباء کے تعلیمی عمل کو پوری طرح سمجھتے ہیں تو ، تدریسی طریقوں اور سرگرمیوں پر عمل درآمد کیا جاسکتا ہے جس سے طلباء کی کارکردگی اور سیکھنے کے تجربے کو بہتر بنایا جاسکے [12 ، 31 ، 32]۔ دیگر مطالعات سے یہ بات سامنے آئی ہے کہ طلباء کے ایل ایس کو ایڈجسٹ کرنے سے طلباء کے سیکھنے کے تجربے اور کارکردگی میں بھی بہتری آتی ہے جس کے بعد ان کے اپنے ایل ایس [13 ، 33] کے مطابق ان کے سیکھنے کے انداز کو تبدیل کیا جاسکتا ہے۔
طلباء کی سیکھنے کی صلاحیتوں پر مبنی تدریسی حکمت عملیوں کے نفاذ کے سلسلے میں اساتذہ کی رائے مختلف ہوسکتی ہے۔ اگرچہ کچھ اس نقطہ نظر کے فوائد دیکھتے ہیں ، بشمول پیشہ ورانہ ترقی کے مواقع ، رہنمائی ، اور معاشرتی مدد ، دوسروں کو وقت اور ادارہ جاتی مدد کے بارے میں فکر مند ہوسکتا ہے۔ توازن کے لئے جدوجہد کرنا طلباء پر مبنی رویہ پیدا کرنے کی کلید ہے۔ اعلی تعلیم کے حکام ، جیسے یونیورسٹی کے منتظمین ، جدید طریقوں کو متعارف کرانے اور فیکلٹی ڈویلپمنٹ کی حمایت کرکے مثبت تبدیلیوں کو آگے بڑھانے میں اہم کردار ادا کرسکتے ہیں [34]۔ واقعی متحرک اور ذمہ دار اعلی تعلیمی نظام کی تشکیل کے ل poly ، پالیسی سازوں کو جر bold ت مندانہ اقدامات کرنا ہوں گے ، جیسے پالیسی میں تبدیلیاں کرنا ، ٹکنالوجی کے انضمام کے لئے وسائل وقف کرنا ، اور فریم ورک بنانے سے جو طلباء پر مبنی نقطہ نظر کو فروغ دیتے ہیں۔ یہ اقدامات مطلوبہ نتائج کے حصول کے لئے اہم ہیں۔ مختلف ہدایت پر حالیہ تحقیق میں واضح طور پر یہ ظاہر ہوا ہے کہ امتیازی ہدایت کے کامیاب نفاذ کے لئے اساتذہ کے لئے جاری تربیت اور ترقی کے مواقع کی ضرورت ہوتی ہے [35]۔
یہ ٹول دانتوں کے اساتذہ کو قیمتی مدد فراہم کرتا ہے جو طلباء کے لئے دوستانہ سیکھنے کی سرگرمیوں کی منصوبہ بندی کے لئے طلباء پر مبنی نقطہ نظر اپنانا چاہتے ہیں۔ تاہم ، یہ مطالعہ فیصلے کے درخت ایم ایل ماڈل کے استعمال تک ہی محدود ہے۔ مستقبل میں ، سفارش کے اوزار کی درستگی ، وشوسنییتا اور صحت سے متعلق موازنہ کرنے کے لئے مختلف مشین لرننگ ماڈل کی کارکردگی کا موازنہ کرنے کے لئے مزید اعداد و شمار جمع کیے جائیں۔ مزید برآں ، جب کسی خاص کام کے ل machine مشین سیکھنے کا انتہائی مناسب طریقہ منتخب کرتے ہو تو ، یہ ضروری ہے کہ ماڈل کی پیچیدگی اور تشریح جیسے دیگر عوامل پر غور کریں۔
اس مطالعے کی ایک حد یہ ہے کہ اس نے صرف ایل ایس کی نقشہ سازی پر توجہ مرکوز کی ہے اور دانتوں کے طلباء میں شامل ہے۔ لہذا ، ترقی یافتہ سفارش کا نظام صرف ان لوگوں کی سفارش کرے گا جو دانتوں کے طلباء کے لئے موزوں ہوں۔ عام طور پر اعلی تعلیم کے طالب علموں کے استعمال کے لئے تبدیلیاں ضروری ہیں۔
نئی تیار شدہ مشین لرننگ پر مبنی سفارش کا آلہ طلباء کے ایل ایس کو فوری طور پر درجہ بندی کرنے اور اس سے متعلقہ آئی ایس سے ملنے کی صلاحیت رکھتا ہے ، جس سے دانتوں کے اساتذہ کو متعلقہ تدریس اور سیکھنے کی سرگرمیوں کی منصوبہ بندی کرنے میں مدد کرنے کا پہلا دانتوں کا تعلیم پروگرام بنایا گیا ہے۔ ڈیٹا سے چلنے والے ٹریج کے عمل کا استعمال کرتے ہوئے ، یہ ذاتی نوعیت کی سفارشات فراہم کرسکتا ہے ، وقت کی بچت کرسکتا ہے ، تدریسی حکمت عملیوں کو بہتر بنا سکتا ہے ، ٹارگٹڈ مداخلتوں کی حمایت کرسکتا ہے ، اور جاری پیشہ ورانہ ترقی کو فروغ دے سکتا ہے۔ اس کی درخواست سے دانتوں کی تعلیم کے لئے طلباء پر مبنی نقطہ نظر کو فروغ ملے گا۔
گیلک جانی ایسوسی ایٹڈ پریس۔ طالب علم کے سیکھنے کے انداز اور اساتذہ کے تدریسی انداز کے مابین میچ یا مماثلت۔ انٹ جے موڈ ایجوکیشن کمپیوٹر سائنس۔ 2012 4 4 (11): 51–60۔ https://doi.org/10.5815/ijmecs.2012.11.05


پوسٹ ٹائم: اپریل 29-2024