اعلیٰ تعلیمی اداروں بشمول دندان سازی میں طلبہ پر مبنی سیکھنے (SCL) کی بڑھتی ہوئی ضرورت ہے۔تاہم، SCL کا دانتوں کی تعلیم میں محدود اطلاق ہے۔لہٰذا، اس مطالعہ کا مقصد ڈینٹسٹری میں ایس سی ایل کے اطلاق کو فروغ دینا ہے تاکہ ڈیسیشل ٹری مشین لرننگ (ML) ٹیکنالوجی کا استعمال کرتے ہوئے IS رہنما خطوط تیار کرنے کے لیے ایک کارآمد ٹول کے طور پر دانتوں کے طلباء کی ترجیحی لرننگ اسٹائل (LS) اور متعلقہ سیکھنے کی حکمت عملی (IS) کا نقشہ بنایا جا سکے۔ .دانتوں کے طلباء کے لیے امید افزا طریقے۔
ملایا یونیورسٹی کے ڈینٹل کے کل 255 طلباء نے ترمیم شدہ انڈیکس آف لرننگ اسٹائلز (m-ILS) سوالنامہ مکمل کیا، جس میں 44 آئٹمز تھے تاکہ انہیں ان کے متعلقہ LS میں درجہ بندی کیا جاسکے۔جمع کردہ ڈیٹا (جسے ڈیٹاسیٹ کہا جاتا ہے) کو زیر نگرانی فیصلہ ٹری لرننگ میں استعمال کیا جاتا ہے تاکہ طلباء کے سیکھنے کے انداز کو خود بخود موزوں ترین IS سے ملایا جا سکے۔اس کے بعد مشین لرننگ پر مبنی IS سفارشی ٹول کی درستگی کا جائزہ لیا جاتا ہے۔
LS (ان پٹ) اور IS (ٹارگٹ آؤٹ پٹ) کے درمیان خودکار نقشہ سازی کے عمل میں فیصلے کے درخت کے ماڈلز کا اطلاق ہر دانتوں کے طالب علم کے لیے مناسب سیکھنے کی حکمت عملیوں کی فوری فہرست کی اجازت دیتا ہے۔IS کے تجویز کردہ ٹول نے کامل درستگی کا مظاہرہ کیا اور ماڈل کی مجموعی درستگی کو یاد کیا، جس سے ظاہر ہوتا ہے کہ LS کا IS سے مماثل ہونا اچھی حساسیت اور مخصوصیت کا حامل ہے۔
ML فیصلے کے درخت پر مبنی IS کی سفارش کرنے والے ٹول نے مناسب سیکھنے کی حکمت عملیوں کے ساتھ دانتوں کے طلباء کے سیکھنے کے انداز کو درست طریقے سے میچ کرنے کی اپنی صلاحیت کو ثابت کیا ہے۔یہ ٹول سیکھنے والے پر مبنی کورسز یا ماڈیولز کی منصوبہ بندی کے لیے طاقتور اختیارات فراہم کرتا ہے جو طلبہ کے سیکھنے کے تجربے کو بڑھا سکتے ہیں۔
تعلیمی اداروں میں پڑھانا اور سیکھنا بنیادی سرگرمیاں ہیں۔اعلیٰ معیار کا پیشہ ورانہ تعلیمی نظام تیار کرتے وقت، طلباء کی سیکھنے کی ضروریات پر توجہ مرکوز کرنا ضروری ہے۔طلباء اور ان کے تعلیمی ماحول کے درمیان تعامل کا تعین ان کے LS کے ذریعے کیا جا سکتا ہے۔تحقیق سے پتہ چلتا ہے کہ طالب علموں کے LS اور IS کے درمیان استاد کے ارادے سے مماثلت طلباء کے سیکھنے پر منفی اثرات مرتب کر سکتی ہے، جیسے توجہ اور حوصلہ میں کمی۔یہ بالواسطہ طور پر طلباء کی کارکردگی کو متاثر کرے گا [1,2]۔
IS ایک طریقہ ہے جو اساتذہ کے ذریعہ طلباء کو علم اور ہنر فراہم کرنے کے لئے استعمال کیا جاتا ہے، بشمول طلباء کو سیکھنے میں مدد کرنا [3]۔عام طور پر، اچھے اساتذہ تدریسی حکمت عملی یا IS کی منصوبہ بندی کرتے ہیں جو ان کے طلباء کے علم کی سطح، وہ تصورات جو وہ سیکھ رہے ہیں، اور ان کے سیکھنے کے مرحلے سے بہترین میل کھاتے ہیں۔نظریاتی طور پر، جب LS اور IS آپس میں مماثل ہوں گے، طلباء مؤثر طریقے سے سیکھنے کے لیے مہارتوں کے مخصوص سیٹ کو منظم اور استعمال کر سکیں گے۔عام طور پر، ایک سبق کے منصوبے میں مراحل کے درمیان کئی تبدیلیاں شامل ہوتی ہیں، جیسے کہ پڑھائی سے گائیڈڈ پریکٹس تک یا گائیڈڈ پریکٹس سے آزاد پریکٹس تک۔اس بات کو ذہن میں رکھتے ہوئے، موثر اساتذہ اکثر طلباء کے علم اور ہنر کو بڑھانے کے مقصد کے ساتھ ہدایات کی منصوبہ بندی کرتے ہیں [4]۔
دندان سازی سمیت اعلیٰ تعلیمی اداروں میں ایس سی ایل کی مانگ بڑھ رہی ہے۔SCL حکمت عملی طلباء کی سیکھنے کی ضروریات کو پورا کرنے کے لیے بنائی گئی ہے۔یہ حاصل کیا جا سکتا ہے، مثال کے طور پر، اگر طلباء سیکھنے کی سرگرمیوں میں سرگرمی سے حصہ لیں اور اساتذہ بطور سہولت کار کام کریں اور قیمتی آراء فراہم کرنے کے ذمہ دار ہوں۔کہا جاتا ہے کہ تعلیمی مواد اور سرگرمیاں فراہم کرنا جو طلباء کی تعلیمی سطح یا ترجیحات کے مطابق ہوں طلباء کے سیکھنے کے ماحول کو بہتر بنا سکتے ہیں اور سیکھنے کے مثبت تجربات کو فروغ دے سکتے ہیں [5]۔
عام طور پر، دانتوں کے طالب علموں کے سیکھنے کا عمل مختلف طبی طریقہ کار سے متاثر ہوتا ہے جن کو انجام دینے کے لیے انہیں درکار ہوتا ہے اور طبی ماحول جس میں وہ مؤثر باہمی مہارتیں تیار کرتے ہیں۔تربیت کا مقصد طلباء کو دندان سازی کے بنیادی علم کو دانتوں کی طبی مہارتوں کے ساتھ جوڑنے اور حاصل کردہ علم کو نئے طبی حالات پر لاگو کرنے کے قابل بنانا ہے [6، 7]۔LS اور IS کے درمیان تعلقات کے بارے میں ابتدائی تحقیق سے پتہ چلا ہے کہ سیکھنے کی حکمت عملیوں کو ترجیحی LS کے مطابق بنانے سے تعلیمی عمل کو بہتر بنانے میں مدد ملے گی [8]۔مصنفین طالب علموں کے سیکھنے اور ضروریات کے مطابق ڈھالنے کے لیے مختلف تدریسی اور تشخیصی طریقے استعمال کرنے کی بھی تجویز کرتے ہیں۔
اساتذہ کو LS علم کو لاگو کرنے سے فائدہ ہوتا ہے تاکہ وہ ان ہدایات کو ڈیزائن کرنے، تیار کرنے اور لاگو کرنے میں ان کی مدد کر سکیں جو طلباء کے موضوع کے بارے میں گہرے علم اور سمجھ کے حصول میں اضافہ کرے گی۔محققین نے ایل ایس اسیسمنٹ کے کئی ٹولز تیار کیے ہیں، جیسے کولب ایکسپیریئنشل لرننگ ماڈل، فیلڈر-سلورمین لرننگ اسٹائل ماڈل (FSLSM)، اور فلیمنگ VAK/VARK ماڈل [5, 9, 10]۔ادب کے مطابق، یہ سیکھنے کے ماڈل سب سے زیادہ استعمال ہونے والے اور سب سے زیادہ مطالعہ کیے جانے والے سیکھنے کے ماڈل ہیں۔موجودہ تحقیقی کام میں، FSLSM کا استعمال دانتوں کے طلباء میں LS کا اندازہ لگانے کے لیے کیا جاتا ہے۔
FSLSM انجینئرنگ میں انکولی سیکھنے کا اندازہ لگانے کے لیے ایک وسیع پیمانے پر استعمال شدہ ماڈل ہے۔ہیلتھ سائنسز (بشمول دوائی، نرسنگ، فارمیسی اور دندان سازی) میں بہت سے شائع شدہ کام ہیں جو FSLSM ماڈلز [5, 11, 12, 13] کا استعمال کرتے ہوئے مل سکتے ہیں۔FLSM میں LS کے طول و عرض کی پیمائش کے لیے استعمال ہونے والے آلے کو Index of Learning Styles (ILS) [8] کہا جاتا ہے، جس میں LS کے چار جہتوں کا اندازہ کرنے والی 44 اشیاء شامل ہیں: پروسیسنگ (فعال/عکاس)، ادراک (ادراک/بدیہی)، ان پٹ (بصری)۔/زبانی) اور تفہیم (تسلسل/عالمی) [14]۔
جیسا کہ شکل 1 میں دکھایا گیا ہے، ہر FSLSM طول و عرض کی ایک غالب ترجیح ہوتی ہے۔مثال کے طور پر، پروسیسنگ کے طول و عرض میں، "فعال" LS والے طلباء سیکھنے کے مواد کے ساتھ براہ راست تعامل کرکے معلومات پر کارروائی کرنے کو ترجیح دیتے ہیں، کر کے سیکھتے ہیں، اور گروپوں میں سیکھنے کا رجحان رکھتے ہیں۔"عکاسی" LS سے مراد سوچ کے ذریعے سیکھنا ہے اور وہ تنہا کام کرنے کو ترجیح دیتا ہے۔LS کے "سمجھنے" کے طول و عرض کو "احساس" اور/یا "انتظام" میں تقسیم کیا جا سکتا ہے۔"احساس" طلبا زیادہ ٹھوس معلومات اور عملی طریقہ کار کو ترجیح دیتے ہیں، "بدیہی" طلباء کے مقابلے میں حقیقت پر مبنی ہوتے ہیں جو تجریدی مواد کو ترجیح دیتے ہیں اور فطرت میں زیادہ اختراعی اور تخلیقی ہوتے ہیں۔LS کا "ان پٹ" طول و عرض "بصری" اور "زبانی" سیکھنے والوں پر مشتمل ہے۔"بصری" LS والے لوگ بصری مظاہروں کے ذریعے سیکھنے کو ترجیح دیتے ہیں (جیسے کہ خاکے، ویڈیوز، یا لائیو مظاہرے)، جب کہ "زبانی" LS والے لوگ تحریری یا زبانی وضاحت میں الفاظ کے ذریعے سیکھنے کو ترجیح دیتے ہیں۔ایل ایس کے طول و عرض کو "سمجھنے" کے لیے، ایسے سیکھنے والوں کو "تسلسل" اور "عالمی" میں تقسیم کیا جا سکتا ہے۔"تسلسل سے سیکھنے والے ایک لکیری سوچ کے عمل کو ترجیح دیتے ہیں اور مرحلہ وار سیکھتے ہیں، جب کہ عالمی سیکھنے والے ایک جامع سوچ کے عمل کے حامل ہوتے ہیں اور وہ جو کچھ سیکھ رہے ہیں اس کی ہمیشہ بہتر سمجھ رکھتے ہیں۔
حال ہی میں، بہت سے محققین نے خودکار ڈیٹا سے چلنے والی دریافت کے طریقوں کو تلاش کرنا شروع کر دیا ہے، جس میں نئے الگورتھم اور ماڈلز کی ترقی بھی شامل ہے جو ڈیٹا کی بڑی مقدار کی تشریح کرنے کے قابل ہیں [15, 16]۔فراہم کردہ ڈیٹا کی بنیاد پر، زیر نگرانی ایم ایل (مشین لرننگ) ایسے نمونے اور مفروضے پیدا کرنے کے قابل ہے جو الگورتھم کی تعمیر کی بنیاد پر مستقبل کے نتائج کی پیش گوئی کرتے ہیں [17]۔سیدھے الفاظ میں، زیر نگرانی مشین لرننگ تکنیک ان پٹ ڈیٹا اور ٹرین الگورتھم میں ہیرا پھیری کرتی ہے۔اس کے بعد یہ ایک رینج تیار کرتا ہے جو فراہم کردہ ان پٹ ڈیٹا کے لیے ملتے جلتے حالات کی بنیاد پر نتائج کی درجہ بندی یا پیش گوئی کرتا ہے۔زیر نگرانی مشین لرننگ الگورتھم کا بنیادی فائدہ مثالی اور مطلوبہ نتائج قائم کرنے کی صلاحیت ہے [17]۔
ڈیٹا پر مبنی طریقوں اور فیصلے کے درخت کنٹرول ماڈل کے استعمال کے ذریعے، LS کا خودکار پتہ لگانا ممکن ہے۔فیصلے کے درختوں کو مختلف شعبوں میں تربیتی پروگراموں میں بڑے پیمانے پر استعمال کرنے کی اطلاع دی گئی ہے، بشمول صحت سائنس [18، 19]۔اس مطالعہ میں، ماڈل کو خاص طور پر سسٹم ڈویلپرز کی طرف سے تربیت دی گئی تھی کہ وہ طالب علموں کے ایل ایس کی شناخت کریں اور ان کے لیے بہترین آئی ایس تجویز کریں۔
اس مطالعہ کا مقصد طلباء کے LS کی بنیاد پر IS کی ترسیل کی حکمت عملی تیار کرنا اور LS میں IS کی سفارشی ٹول تیار کر کے SCL اپروچ کو لاگو کرنا ہے۔ایس سی ایل کے طریقہ کار کی حکمت عملی کے طور پر IS سفارشی ٹول کا ڈیزائن بہاؤ شکل 1 میں دکھایا گیا ہے۔ IS سفارشی ٹول کو دو حصوں میں تقسیم کیا گیا ہے، بشمول ILS کا استعمال کرتے ہوئے LS درجہ بندی کا طریقہ کار اور طلباء کے لیے سب سے موزوں IS ڈسپلے۔
خاص طور پر، انفارمیشن سیکیورٹی کی سفارش کرنے والے ٹولز کی خصوصیات میں ویب ٹیکنالوجیز کا استعمال اور فیصلہ سازی کی مشین لرننگ کا استعمال شامل ہے۔سسٹم ڈویلپرز صارف کے تجربے اور نقل و حرکت کو موبائل ڈیوائسز جیسے کہ موبائل فون اور ٹیبلیٹس میں ڈھال کر بہتر بناتے ہیں۔
یہ تجربہ دو مراحل میں کیا گیا اور ملایا یونیورسٹی کی فیکلٹی آف ڈینٹسٹری کے طلباء نے رضاکارانہ بنیادوں پر حصہ لیا۔شرکاء نے دانتوں کے طالب علم کے آن لائن m-ILS کا انگریزی میں جواب دیا۔ابتدائی مرحلے میں، فیصلہ ٹری مشین لرننگ الگورتھم کی تربیت کے لیے 50 طلباء کا ڈیٹا سیٹ استعمال کیا گیا۔ترقی کے عمل کے دوسرے مرحلے میں، 255 طلبا کا ڈیٹا سیٹ تیار کردہ آلے کی درستگی کو بہتر بنانے کے لیے استعمال کیا گیا۔
تمام شرکاء کو مائیکروسافٹ ٹیموں کے ذریعے تعلیمی سال کے لحاظ سے ہر مرحلے کے آغاز میں ایک آن لائن بریفنگ موصول ہوتی ہے۔مطالعہ کے مقصد کی وضاحت کی گئی اور باخبر رضامندی حاصل کی گئی۔تمام شرکاء کو m-ILS تک رسائی کے لیے ایک لنک فراہم کیا گیا تھا۔ہر طالب علم کو ہدایت کی گئی تھی کہ وہ سوالنامے پر موجود تمام 44 آئٹمز کے جوابات دے۔انہیں سمسٹر کے آغاز سے پہلے سمسٹر کے وقفے کے دوران ایک ایسے وقت اور مقام پر ترمیم شدہ ILS کو مکمل کرنے کے لیے ایک ہفتہ دیا گیا تھا۔m-ILS اصل ILS آلے پر مبنی ہے اور دانتوں کے طلباء کے لیے ترمیم شدہ ہے۔اصل ILS کی طرح، اس میں یکساں طور پر تقسیم شدہ 44 آئٹمز (a, b) شامل ہیں، جن میں سے ہر ایک میں 11 آئٹمز ہیں، جن کا استعمال ہر FSLSM جہت کے پہلوؤں کا جائزہ لینے کے لیے کیا جاتا ہے۔
ٹول ڈویلپمنٹ کے ابتدائی مراحل کے دوران، محققین نے دستی طور پر 50 ڈینٹل طلباء کے ڈیٹاسیٹ کا استعمال کرتے ہوئے نقشوں کی تشریح کی۔FSLM کے مطابق، نظام جوابات "a" اور "b" کا مجموعہ فراہم کرتا ہے۔ہر جہت کے لیے، اگر طالب علم جواب کے طور پر "a" کو منتخب کرتا ہے، تو LS کی درجہ بندی ایکٹو/پرسیپچوئل/بصری/تسلسل کے طور پر کی جاتی ہے، اور اگر طالب علم جواب کے طور پر "b" کو منتخب کرتا ہے، تو طالب علم کو عکاسی/ بدیہی/ لسانی کے طور پر درجہ بندی کیا جاتا ہے۔ ./ عالمی سیکھنے والا۔
ڈینٹل ایجوکیشن ریسرچرز اور سسٹم ڈویلپرز کے درمیان ورک فلو کیلیبریٹ کرنے کے بعد، FLSSM ڈومین کی بنیاد پر سوالات کا انتخاب کیا گیا اور ہر طالب علم کے LS کی پیشین گوئی کرنے کے لیے ML ماڈل میں کھلایا گیا۔ڈیٹا کے معیار پر زور دینے کے ساتھ، مشین لرننگ کے شعبے میں "کچرا اندر، کچرا باہر" ایک مشہور کہاوت ہے۔ان پٹ ڈیٹا کا معیار مشین لرننگ ماڈل کی درستگی اور درستگی کا تعین کرتا ہے۔فیچر انجینئرنگ کے مرحلے کے دوران، ایک نیا فیچر سیٹ بنایا گیا ہے جو FLSSM پر مبنی جوابات "a" اور "b" کا مجموعہ ہے۔منشیات کی پوزیشنوں کے شناختی نمبر ٹیبل 1 میں دیئے گئے ہیں۔
جوابات کی بنیاد پر اسکور کا حساب لگائیں اور طالب علم کے LS کا تعین کریں۔ہر طالب علم کے لیے، اسکور کی حد 1 سے 11 تک ہوتی ہے۔ 1 سے 3 تک کے اسکور ایک ہی جہت میں سیکھنے کی ترجیحات کے توازن کی نشاندہی کرتے ہیں، اور 5 سے 7 تک کے اسکور ایک اعتدال پسند ترجیح کی نشاندہی کرتے ہیں، جس سے یہ ظاہر ہوتا ہے کہ طالب علم دوسروں کو پڑھانے والے ماحول کو ترجیح دیتے ہیں۔ .اسی جہت پر ایک اور تغیر یہ ہے کہ 9 سے 11 تک کے اسکور ایک سرے یا دوسرے کے لیے مضبوط ترجیح کی عکاسی کرتے ہیں [8]۔
ہر جہت کے لیے، منشیات کو "فعال"، "عکاس" اور "متوازن" میں گروپ کیا گیا تھا۔مثال کے طور پر، جب ایک طالب علم کسی مقررہ آئٹم پر "b" سے زیادہ کثرت سے "a" کا جواب دیتا ہے اور اس کا سکور پروسیسنگ LS کے طول و عرض کی نمائندگی کرنے والی کسی خاص آئٹم کے لیے 5 کی حد سے تجاوز کر جاتا ہے، تو وہ "فعال" LS سے تعلق رکھتا ہے۔ ڈومین.تاہم، طلباء کو "انعکاسی" LS کے طور پر درجہ بندی کیا گیا 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 سکور 5 پوائنٹس سے زیادہ نہیں ہے، تو یہ ایک "عمل" LS ہے۔درجہ بندی کے عمل کو دیگر LS جہتوں کے لیے دہرایا گیا، یعنی ادراک (فعال/عکاس)، ان پٹ (بصری/زبانی)، اور فہم (تسلسل/عالمی)۔
فیصلے کے درخت کے ماڈل درجہ بندی کے عمل کے مختلف مراحل میں خصوصیات کے مختلف ذیلی سیٹوں اور فیصلے کے اصولوں کو استعمال کر سکتے ہیں۔یہ 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 جا سکتی ہے، جس میں وصف کے لحاظ سے ٹیسٹ کی نمائندگی کرنے والے اندرونی نوڈس ہوتے ہیں، ہر شاخ ٹیسٹ کے نتائج کی نمائندگی کرتی ہے، اور ہر لیف نوڈ (لیف نوڈ) جس میں کلاس لیبل ہوتا ہے۔
ہر طالب علم کے جوابات کی بنیاد پر LS کو خود بخود اسکور کرنے اور تشریح کرنے کے لیے ایک سادہ اصول پر مبنی پروگرام بنایا گیا تھا۔اصول پر مبنی ایک IF بیان کی شکل اختیار کرتا ہے، جہاں "IF" ٹرگر کی وضاحت کرتا ہے اور "THEN" انجام دینے والی کارروائی کی وضاحت کرتا ہے، مثال کے طور پر: "اگر X ہوتا ہے، تو Y کریں" (Liu et al., 2014)۔اگر ڈیٹا سیٹ باہمی تعلق کو ظاہر کرتا ہے اور فیصلے کے درخت کے ماڈل کو مناسب طریقے سے تربیت دی جاتی ہے اور اس کا جائزہ لیا جاتا ہے، تو یہ نقطہ نظر LS اور IS کے ملاپ کے عمل کو خودکار کرنے کا ایک مؤثر طریقہ ہو سکتا ہے۔
ترقی کے دوسرے مرحلے میں، ڈیٹا سیٹ کو بڑھا کر 255 کر دیا گیا تاکہ سفارشی ٹول کی درستگی کو بہتر بنایا جا سکے۔ڈیٹا سیٹ کو 1:4 کے تناسب میں تقسیم کیا گیا ہے۔ڈیٹا سیٹ کا 25% (64) ٹیسٹ سیٹ کے لیے استعمال کیا گیا تھا، اور بقیہ 75% (191) کو ٹریننگ سیٹ کے طور پر استعمال کیا گیا تھا (شکل 2)۔ماڈل کو ایک ہی ڈیٹا سیٹ پر تربیت دینے اور جانچنے سے روکنے کے لیے ڈیٹا سیٹ کو تقسیم کرنے کی ضرورت ہے، جس کی وجہ سے ماڈل سیکھنے کے بجائے یاد رکھ سکتا ہے۔ماڈل کو ٹریننگ سیٹ پر تربیت دی جاتی ہے اور ٹیسٹ سیٹ پر اس کی کارکردگی کا جائزہ لیتا ہے—ڈیٹا جو ماڈل نے پہلے کبھی نہیں دیکھا۔
IS ٹول تیار ہونے کے بعد، ایپلیکیشن ویب انٹرفیس کے ذریعے ڈینٹل طلباء کے جوابات کی بنیاد پر LS کی درجہ بندی کر سکے گی۔ویب پر مبنی انفارمیشن سیکیورٹی کی سفارش کا ٹول سسٹم Python پروگرامنگ لینگویج کا استعمال کرتے ہوئے Django فریم ورک کو بیک اینڈ کے طور پر استعمال کرتے ہوئے بنایا گیا ہے۔جدول 2 اس نظام کی ترقی میں استعمال ہونے والی لائبریریوں کی فہرست دیتا ہے۔
ڈیٹاسیٹ کو فیصلہ سازی کے ماڈل میں فیڈ کیا جاتا ہے تاکہ طالب علم کی LS پیمائشوں کی خود بخود درجہ بندی کرنے کے لیے طلبہ کے جوابات کا حساب لگایا جا سکے۔
کنفیوژن میٹرکس کا استعمال ایک دیے گئے ڈیٹا سیٹ پر فیصلہ ٹری مشین لرننگ الگورتھم کی درستگی کا جائزہ لینے کے لیے کیا جاتا ہے۔ایک ہی وقت میں، یہ درجہ بندی کے ماڈل کی کارکردگی کا جائزہ لیتا ہے۔یہ ماڈل کی پیشین گوئیوں کا خلاصہ کرتا ہے اور اصل ڈیٹا لیبلز سے ان کا موازنہ کرتا ہے۔تشخیص کے نتائج چار مختلف اقدار پر مبنی ہیں: True Positive (TP) – ماڈل نے مثبت زمرے کی صحیح پیشین گوئی کی، False Positive (FP) – ماڈل نے مثبت زمرے کی پیش گوئی کی، لیکن حقیقی لیبل منفی تھا، True Negative (TN) – ماڈل نے منفی طبقے کی صحیح پیشین گوئی کی ہے، اور غلط منفی (FN) - ماڈل نے منفی طبقے کی پیش گوئی کی ہے، لیکن حقیقی لیبل مثبت ہے۔
اس کے بعد ان اقدار کا استعمال Python میں سکیٹ لرن کلاسیفکیشن ماڈل کی کارکردگی کے مختلف میٹرکس کا حساب لگانے کے لیے کیا جاتا ہے، یعنی درستگی، درستگی، یاد کرنا، اور F1 سکور۔یہاں مثالیں ہیں:
یاد کرنا (یا حساسیت) m-ILS سوالنامے کا جواب دینے کے بعد طالب علم کے LS کو درست طریقے سے درجہ بندی کرنے کے ماڈل کی صلاحیت کی پیمائش کرتا ہے۔
مخصوصیت کو حقیقی منفی شرح کہا جاتا ہے۔جیسا کہ آپ اوپر والے فارمولے سے دیکھ سکتے ہیں، یہ صحیح منفی (TN) اور حقیقی منفی اور غلط مثبت (FP) کا تناسب ہونا چاہیے۔طالب علم کی ادویات کی درجہ بندی کے لیے تجویز کردہ ٹول کے حصے کے طور پر، یہ درست شناخت کے قابل ہونا چاہیے۔
فیصلہ ٹری ایم ایل ماڈل کی تربیت کے لیے استعمال ہونے والے 50 طلباء کے اصل ڈیٹاسیٹ نے تشریحات میں انسانی غلطی کی وجہ سے نسبتاً کم درستگی دکھائی (ٹیبل 3)۔LS سکور اور طالب علم کی تشریحات کا خود بخود حساب لگانے کے لیے ایک سادہ اصول پر مبنی پروگرام بنانے کے بعد، ڈیٹا سیٹس کی بڑھتی ہوئی تعداد (255) کو سفارش کرنے والے نظام کی تربیت اور جانچ کے لیے استعمال کیا گیا۔
ملٹی کلاس کنفیوژن میٹرکس میں، اخترن عناصر ہر LS قسم کے لیے درست پیشین گوئیوں کی تعداد کی نمائندگی کرتے ہیں (شکل 4)۔فیصلے کے درخت کے ماڈل کا استعمال کرتے ہوئے، کل 64 نمونوں کی صحیح پیش گوئی کی گئی۔اس طرح، اس مطالعہ میں، اخترن عناصر متوقع نتائج دکھاتے ہیں، جس سے ظاہر ہوتا ہے کہ ماڈل اچھی کارکردگی کا مظاہرہ کرتا ہے اور ہر LS درجہ بندی کے لیے کلاس لیبل کی درست پیش گوئی کرتا ہے۔اس طرح، سفارشی ٹول کی مجموعی درستگی 100% ہے۔
درستگی، درستگی، یاد کرنے، اور F1 سکور کی قدریں شکل 5 میں دکھائی گئی ہیں۔ فیصلے کے درخت کے ماڈل کا استعمال کرتے ہوئے سفارشی نظام کے لیے، اس کا F1 سکور 1.0 "کامل" ہے، جو کامل درستگی اور یاد کو ظاہر کرتا ہے، جو اہم حساسیت اور مخصوصیت کی عکاسی کرتا ہے۔ اقدار
تصویر 6 تربیت اور جانچ مکمل ہونے کے بعد فیصلے کے درخت کے ماڈل کا تصور دکھاتی ہے۔ایک دوسرے کے ساتھ موازنہ میں، کم خصوصیات کے ساتھ تربیت یافتہ فیصلہ سازی کے ماڈل نے اعلی درستگی اور آسان ماڈل کا تصور دکھایا۔اس سے ظاہر ہوتا ہے کہ فیچر انجینئرنگ ماڈل کی کارکردگی کو بہتر بنانے میں ایک اہم قدم ہے۔
فیصلے کے درخت کے زیر نگرانی سیکھنے کو لاگو کرنے سے، LS (ان پٹ) اور IS (ٹارگٹ آؤٹ پٹ) کے درمیان نقشہ خود بخود تیار ہوتا ہے اور ہر LS کے لیے تفصیلی معلومات پر مشتمل ہوتا ہے۔
نتائج سے ظاہر ہوا کہ 255 طلباء میں سے 34.9% نے ایک (1) LS آپشن کو ترجیح دی۔اکثریت (54.3%) کی دو یا زیادہ LS ترجیحات تھیں۔12.2% طلباء نے نوٹ کیا کہ LS کافی متوازن ہے (ٹیبل 4)۔آٹھ اہم LS کے علاوہ، ملایا یونیورسٹی کے ڈینٹل طلباء کے لیے LS درجہ بندی کے 34 مجموعے ہیں۔ان میں، ادراک، وژن، اور ادراک اور بصارت کا امتزاج طلباء کے ذریعہ رپورٹ کردہ اہم LS ہیں (شکل 7)۔
جیسا کہ جدول 4 سے دیکھا جا سکتا ہے، طلباء کی اکثریت میں غالب حسی (13.7%) یا بصری (8.6%) LS تھا۔یہ اطلاع دی گئی ہے کہ 12.2% طلباء نے وژن (ادراک بصری LS) کے ساتھ ادراک کو ملایا۔یہ نتائج بتاتے ہیں کہ طلباء قائم شدہ طریقوں کے ذریعے سیکھنے اور یاد رکھنے کو ترجیح دیتے ہیں، مخصوص اور تفصیلی طریقہ کار پر عمل کرتے ہیں، اور فطرت میں توجہ رکھتے ہیں۔ایک ہی وقت میں، وہ دیکھ کر (ڈائیگرام وغیرہ کا استعمال کرتے ہوئے) سیکھنے سے لطف اندوز ہوتے ہیں اور گروپوں میں یا اپنے طور پر معلومات پر تبادلہ خیال اور ان کا اطلاق کرتے ہیں۔
یہ مطالعہ ڈیٹا مائننگ میں استعمال ہونے والی مشین لرننگ تکنیکوں کا ایک جائزہ فراہم کرتا ہے، جس میں طلباء کے ایل ایس کی فوری اور درست پیشین گوئی کرنے اور مناسب IS کی سفارش کرنے پر توجہ دی جاتی ہے۔فیصلے کے درخت کے ماڈل کا اطلاق ان عوامل کی نشاندہی کرتا ہے جو ان کی زندگی اور تعلیمی تجربات سے سب سے زیادہ قریبی تعلق رکھتے ہیں۔یہ ایک زیر نگرانی مشین لرننگ الگورتھم ہے جو مخصوص معیارات کی بنیاد پر ڈیٹا کے ایک سیٹ کو ذیلی زمرہ جات میں تقسیم کر کے ڈیٹا کی درجہ بندی کرنے کے لیے درخت کی ساخت کا استعمال کرتا ہے۔یہ ہر اندرونی نوڈ کی ان پٹ خصوصیات میں سے کسی ایک کی قدر کی بنیاد پر ان پٹ ڈیٹا کو بار بار تقسیم کرکے اس وقت تک کام کرتا ہے جب تک کہ لیف نوڈ پر کوئی فیصلہ نہ کر لیا جائے۔
فیصلے کے درخت کے اندرونی نوڈس m-ILS مسئلے کی ان پٹ خصوصیات کی بنیاد پر حل کی نمائندگی کرتے ہیں، اور لیف نوڈس حتمی LS درجہ بندی کی پیشین گوئی کی نمائندگی کرتے ہیں۔پورے مطالعہ کے دوران، فیصلہ کرنے والے درختوں کے درجہ بندی کو سمجھنا آسان ہے جو ان پٹ خصوصیات اور آؤٹ پٹ پیشین گوئیوں کے درمیان تعلق کو دیکھ کر فیصلے کے عمل کی وضاحت اور تصور کرتے ہیں۔
کمپیوٹر سائنس اور انجینئرنگ کے شعبوں میں، مشین لرننگ الگورتھم کا وسیع پیمانے پر استعمال کیا جاتا ہے تاکہ طلبہ کی کارکردگی کا اندازہ ان کے داخلہ امتحان کے اسکور [21]، آبادیاتی معلومات، اور سیکھنے کے رویے [22] کی بنیاد پر کیا جا سکے۔تحقیق سے پتہ چلتا ہے کہ الگورتھم نے طلباء کی کارکردگی کی درست پیشین گوئی کی اور انہیں تعلیمی مشکلات کے خطرے سے دوچار طلباء کی شناخت میں مدد کی۔
دانتوں کی تربیت کے لیے ورچوئل مریض سمیلیٹروں کی ترقی میں ایم ایل الگورتھم کے اطلاق کی اطلاع دی گئی ہے۔سمیلیٹر حقیقی مریضوں کے جسمانی ردعمل کو درست طریقے سے دوبارہ تیار کرنے کی صلاحیت رکھتا ہے اور اسے دانتوں کے طلباء کو محفوظ اور کنٹرول شدہ ماحول میں تربیت دینے کے لیے استعمال کیا جا سکتا ہے [23]۔کئی دیگر مطالعات سے پتہ چلتا ہے کہ مشین لرننگ الگورتھم ممکنہ طور پر دانتوں اور طبی تعلیم اور مریضوں کی دیکھ بھال کے معیار اور کارکردگی کو بہتر بنا سکتے ہیں۔مشین لرننگ الگورتھم کو ڈیٹا سیٹس جیسے علامات اور مریض کی خصوصیات [24، 25] کی بنیاد پر دانتوں کی بیماریوں کی تشخیص میں مدد کے لیے استعمال کیا گیا ہے۔جب کہ دیگر مطالعات نے مشین لرننگ الگورتھم کے استعمال کو انجام دینے کے لیے دریافت کیا ہے جیسے کہ مریض کے نتائج کی پیشن گوئی کرنا، زیادہ خطرہ والے مریضوں کی شناخت کرنا، ذاتی نوعیت کے علاج کے منصوبے تیار کرنا [26]، پیریڈونٹل علاج [27]، اور کیریز کا علاج [25]۔
اگرچہ دندان سازی میں مشین لرننگ کے اطلاق سے متعلق رپورٹس شائع ہوچکی ہیں، لیکن دانتوں کی تعلیم میں اس کا اطلاق محدود ہے۔لہذا، اس مطالعہ کا مقصد دانتوں کے طالب علموں میں LS اور IS سے زیادہ قریب سے وابستہ عوامل کی نشاندہی کرنے کے لیے فیصلہ سازی کے درخت کا ماڈل استعمال کرنا ہے۔
اس مطالعے کے نتائج سے پتہ چلتا ہے کہ تیار کردہ سفارشی ٹول میں اعلیٰ درستگی اور کامل درستگی ہے، جس سے یہ ظاہر ہوتا ہے کہ اساتذہ اس ٹول سے فائدہ اٹھا سکتے ہیں۔ڈیٹا پر مبنی درجہ بندی کے عمل کا استعمال کرتے ہوئے، یہ شخصی سفارشات فراہم کر سکتا ہے اور اساتذہ اور طلباء کے لیے تعلیمی تجربات اور نتائج کو بہتر بنا سکتا ہے۔ان میں سے، سفارشی ٹولز کے ذریعے حاصل کردہ معلومات اساتذہ کے ترجیحی تدریسی طریقوں اور طلباء کی سیکھنے کی ضروریات کے درمیان تنازعات کو حل کر سکتی ہیں۔مثال کے طور پر، سفارشی ٹولز کے خودکار آؤٹ پٹ کی وجہ سے، طالب علم کے IP کی شناخت کرنے اور اسے متعلقہ IP کے ساتھ ملانے کے لیے درکار وقت میں نمایاں کمی واقع ہو جائے گی۔اس طرح مناسب تربیتی سرگرمیوں اور تربیتی مواد کا اہتمام کیا جا سکتا ہے۔یہ طلباء کے سیکھنے کے مثبت رویے اور توجہ مرکوز کرنے کی صلاحیت کو فروغ دینے میں مدد کرتا ہے۔ایک تحقیق میں بتایا گیا ہے کہ طلبا کو سیکھنے کے مواد اور سیکھنے کی سرگرمیاں فراہم کرنا جو ان کی ترجیحی ایل ایس سے مماثل ہیں طلباء کو زیادہ سے زیادہ صلاحیتوں کو حاصل کرنے کے لیے متعدد طریقوں سے سیکھنے، اس پر عمل کرنے اور لطف اندوز ہونے میں مدد کر سکتے ہیں [12]۔تحقیق سے یہ بھی پتہ چلتا ہے کہ کلاس روم میں طلبہ کی شرکت کو بہتر بنانے کے علاوہ، طلبہ کے سیکھنے کے عمل کو سمجھنا بھی تدریسی طریقوں اور طلبہ کے ساتھ بات چیت کو بہتر بنانے میں اہم کردار ادا کرتا ہے [28, 29]۔
تاہم، کسی بھی جدید ٹیکنالوجی کے ساتھ، مسائل اور حدود ہیں.ان میں ڈیٹا کی رازداری، تعصب اور انصاف پسندی، اور دانتوں کی تعلیم میں مشین لرننگ الگورتھم تیار کرنے اور لاگو کرنے کے لیے درکار پیشہ ورانہ مہارت اور وسائل شامل ہیں۔تاہم، اس شعبے 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 تحقیق کے نتائج سے پتہ چلتا ہے کہ دانتوں کے نصف طلباء میں منشیات کو "سمجھنے" کا رجحان ہے۔اس قسم کے سیکھنے والے کے پاس حقائق اور ٹھوس مثالوں، ایک عملی واقفیت، تفصیل کے لیے صبر، اور "بصری" LS ترجیح ہوتی ہے، جہاں سیکھنے والے خیالات اور خیالات کو پہنچانے کے لیے تصویروں، گرافکس، رنگوں اور نقشوں کو استعمال کرنے کو ترجیح دیتے ہیں۔موجودہ نتائج دانتوں اور طبی طلباء میں LS کا اندازہ لگانے کے لئے ILS کا استعمال کرتے ہوئے دیگر مطالعات کے ساتھ مطابقت رکھتے ہیں، جن میں سے زیادہ تر ادراک اور بصری LS [12، 30] کی خصوصیات رکھتے ہیں۔Dalmolin et al تجویز کرتے ہیں کہ طلباء کو اپنے LS کے بارے میں مطلع کرنے سے وہ اپنی سیکھنے کی صلاحیت تک پہنچ سکتے ہیں۔محققین کا استدلال ہے کہ جب اساتذہ طلباء کے تعلیمی عمل کو مکمل طور پر سمجھ لیتے ہیں تو مختلف تدریسی طریقے اور سرگرمیاں لاگو کی جا سکتی ہیں جو طلباء کی کارکردگی اور سیکھنے کے تجربے کو بہتر بنائیں گی [12, 31, 32]۔دیگر مطالعات سے پتہ چلتا ہے کہ طلباء کے ایل ایس کو ایڈجسٹ کرنا طلباء کے سیکھنے کے تجربے اور کارکردگی میں بہتری کو ظاہر کرتا ہے جب ان کے سیکھنے کے انداز کو ان کے اپنے ایل ایس کے مطابق تبدیل کیا جاتا ہے [13, 33]۔
طلباء کی سیکھنے کی صلاحیتوں کی بنیاد پر تدریسی حکمت عملیوں کے نفاذ کے حوالے سے اساتذہ کی رائے مختلف ہو سکتی ہے۔اگرچہ کچھ اس نقطہ نظر کے فوائد کو دیکھتے ہیں، بشمول پیشہ ورانہ ترقی کے مواقع، رہنمائی، اور کمیونٹی سپورٹ، دوسروں کو وقت اور ادارہ جاتی مدد کے بارے میں فکر ہو سکتی ہے۔توازن کے لیے کوشش کرنا طالب علم پر مبنی رویہ پیدا کرنے کی کلید ہے۔اعلیٰ تعلیمی حکام، جیسے کہ یونیورسٹی کے منتظمین، اختراعی طریقوں کو متعارف کروا کر اور فیکلٹی کی ترقی کی حمایت کر کے مثبت تبدیلی لانے میں اہم کردار ادا کر سکتے ہیں [34]۔صحیح معنوں میں ایک متحرک اور جوابدہ اعلیٰ تعلیمی نظام کی تشکیل کے لیے، پالیسی سازوں کو جرات مندانہ اقدامات کرنے چاہئیں، جیسے کہ پالیسی میں تبدیلیاں کرنا، وسائل کو ٹیکنالوجی کے انضمام کے لیے وقف کرنا، اور ایسے فریم ورک کی تخلیق کرنا جو طلبہ پر مبنی نقطہ نظر کو فروغ دیں۔یہ اقدامات مطلوبہ نتائج کے حصول کے لیے اہم ہیں۔تفریق شدہ ہدایات پر حالیہ تحقیق نے واضح طور پر ظاہر کیا ہے کہ امتیازی ہدایات کے کامیاب نفاذ کے لیے اساتذہ کے لیے جاری تربیت اور ترقی کے مواقع کی ضرورت ہوتی ہے [35]۔
یہ ٹول ڈینٹل ایجوکیٹرز کو قابل قدر مدد فراہم کرتا ہے جو طالب علم کے لیے دوستانہ سیکھنے کی سرگرمیوں کی منصوبہ بندی کے لیے طالب علم پر مبنی نقطہ نظر اختیار کرنا چاہتے ہیں۔تاہم، یہ مطالعہ فیصلہ ٹری ایم ایل ماڈلز کے استعمال تک محدود ہے۔مستقبل میں، مختلف مشین لرننگ ماڈلز کی کارکردگی کا موازنہ کرنے کے لیے مزید ڈیٹا اکٹھا کیا جانا چاہیے تاکہ سفارشی ٹولز کی درستگی، وشوسنییتا اور درستگی کا موازنہ کیا جا سکے۔مزید برآں، جب کسی خاص کام کے لیے مشین لرننگ کا موزوں ترین طریقہ منتخب کرتے ہیں، تو ماڈل کی پیچیدگی اور تشریح جیسے دیگر عوامل پر غور کرنا ضروری ہے۔
اس مطالعہ کی ایک حد یہ ہے کہ اس نے دانتوں کے طلباء میں صرف LS اور IS کی نقشہ سازی پر توجہ مرکوز کی۔لہذا، ترقی یافتہ سفارشی نظام صرف ان لوگوں کی سفارش کرے گا جو دانتوں کے طلباء کے لیے موزوں ہوں۔اعلیٰ تعلیم کے طلباء کے عمومی استعمال کے لیے تبدیلیاں ضروری ہیں۔
نیا تیار کردہ مشین لرننگ پر مبنی سفارشی ٹول طلباء کے LS کو متعلقہ IS سے فوری طور پر درجہ بندی اور ملاپ کرنے کی صلاحیت رکھتا ہے، جس سے یہ ڈینٹل ایجوکیشن کا پہلا ڈینٹل ایجوکیشن پروگرام ہے جو متعلقہ تدریسی اور سیکھنے کی سرگرمیوں کی منصوبہ بندی کرنے میں مدد کرتا ہے۔ڈیٹا پر مبنی ٹرائیج کے عمل کا استعمال کرتے ہوئے، یہ ذاتی نوعیت کی سفارشات فراہم کر سکتا ہے، وقت بچا سکتا ہے، تدریسی حکمت عملی کو بہتر بنا سکتا ہے، ہدفی مداخلتوں کی حمایت کر سکتا ہے، اور جاری پیشہ ورانہ ترقی کو فروغ دے سکتا ہے۔اس کی ایپلی کیشن دانتوں کی تعلیم کے لیے طلبہ پر مبنی نقطہ نظر کو فروغ دے گی۔
گلک جانی ایسوسی ایٹڈ پریس۔طالب علم کے سیکھنے کے انداز اور استاد کے پڑھانے کے انداز میں مماثلت یا مماثلت۔انٹر جے موڈ ایجوکیشن کمپیوٹر سائنس۔2012؛4(11):51–60۔https://doi.org/10.5815/ijmecs.2012.11.05
پوسٹ ٹائم: اپریل-29-2024