பல் மருத்துவம் உட்பட உயர்கல்வி நிறுவனங்களில் மாணவர் மையக் கற்றலுக்கான (SCL) தேவை அதிகரித்து வருகிறது. இருப்பினும், பல் மருத்துவக் கல்வியில் SCL-இன் பயன்பாடு குறைவாகவே உள்ளது. எனவே, இந்த ஆய்வு, பல் மருத்துவ மாணவர்களின் விருப்பமான கற்றல் பாணி (LS) மற்றும் அதற்கேற்ற கற்றல் உத்திகளை (IS) வரைபடமாக்குவதற்கு முடிவெடுக்கும் மர இயந்திரக் கற்றல் (ML) தொழில்நுட்பத்தைப் பயன்படுத்தி, பல் மருத்துவ மாணவர்களுக்கான உத்திசார் கற்றல் (IS) வழிகாட்டுதல்களை உருவாக்குவதற்கான ஒரு பயனுள்ள கருவியாக, பல் மருத்துவத்தில் SCL-இன் பயன்பாட்டை ஊக்குவிப்பதை நோக்கமாகக் கொண்டுள்ளது.
மலாயா பல்கலைக்கழகத்தைச் சேர்ந்த மொத்தம் 255 பல் மருத்துவ மாணவர்கள், தங்களை அவரவர் கற்றல் பாணிகளின் (LSs) படி வகைப்படுத்துவதற்காக 44 உருப்படிகளைக் கொண்ட, மாற்றியமைக்கப்பட்ட கற்றல் பாணிகள் குறியீட்டு (m-ILS) வினாப்பட்டியலைப் பூர்த்தி செய்தனர். சேகரிக்கப்பட்ட தரவுகள் (தரவுத்தொகுப்பு என அழைக்கப்படுகிறது), மாணவர்களின் கற்றல் பாணிகளை மிகவும் பொருத்தமான தகவல் அமைப்புடன் (IS) தானாகவே பொருத்துவதற்காக, மேற்பார்வையிடப்பட்ட முடிவெடுக்கும் மரக் கற்றலில் (supervised decision tree learning) பயன்படுத்தப்படுகிறது. பின்னர், இயந்திரக் கற்றல் அடிப்படையிலான இந்த IS பரிந்துரைக் கருவியின் துல்லியம் மதிப்பிடப்படுகிறது.
LS (உள்ளீடு) மற்றும் IS (இலக்கு வெளியீடு) ஆகியவற்றுக்கு இடையேயான ஒரு தானியங்கு பொருத்தச் செயல்பாட்டில் முடிவெடுக்கும் மர மாதிரிகளைப் பயன்படுத்துவது, ஒவ்வொரு பல் மருத்துவ மாணவருக்கும் பொருத்தமான கற்றல் உத்திகளின் உடனடிப் பட்டியலை வழங்குகிறது. IS பரிந்துரைக் கருவியானது, ஒட்டுமொத்த மாதிரித் துல்லியத்தில் முழுமையான சரித்தன்மை மற்றும் மீளப்பெறுதலை வெளிப்படுத்தியது. இது, LS-ஐ IS உடன் பொருத்துவதற்கு நல்ல உணர்திறன் மற்றும் தனித்தன்மை உள்ளது என்பதைக் குறிக்கிறது.
இயந்திர கற்றல் முடிவெடுக்கும் மரத்தை அடிப்படையாகக் கொண்ட ஒரு தகவல் அமைப்புப் பரிந்துரைக் கருவி, பல் மருத்துவ மாணவர்களின் கற்றல் பாணிகளைப் பொருத்தமான கற்றல் உத்திகளுடன் துல்லியமாகப் பொருத்தும் திறனை நிரூபித்துள்ளது. இந்தக் கருவி, மாணவர்களின் கற்றல் அனுபவத்தை மேம்படுத்தக்கூடிய, கற்பவரை மையமாகக் கொண்ட பாடத்திட்டங்கள் அல்லது தொகுதிகளைத் திட்டமிடுவதற்கான சக்திவாய்ந்த வழிமுறைகளை வழங்குகிறது.
கல்வி நிறுவனங்களில் கற்பித்தலும் கற்றலும் அடிப்படைச் செயல்பாடுகளாகும். உயர்தரமான தொழிற்கல்வி முறையை உருவாக்கும்போது, மாணவர்களின் கற்றல் தேவைகளில் கவனம் செலுத்துவது முக்கியம். மாணவர்களுக்கும் அவர்களின் கற்றல் சூழலுக்கும் இடையிலான தொடர்பை அவர்களின் கற்றல் தேவைகள் (LS) மூலம் தீர்மானிக்க முடியும். மாணவர்களின் கற்றல் தேவைகள் (LS) மற்றும் கற்றல் அமைப்புகள் (IS) ஆகியவற்றுக்கு இடையே ஆசிரியரால் ஏற்படுத்தப்படும் பொருத்தமின்மைகள், கவனம் மற்றும் ஊக்கம் குறைதல் போன்ற எதிர்மறையான விளைவுகளை மாணவர்களின் கற்றலில் ஏற்படுத்தும் என்று ஆய்வுகள் தெரிவிக்கின்றன. இது மாணவர்களின் செயல்திறனை மறைமுகமாகப் பாதிக்கும் [1,2].
IS என்பது ஆசிரியர்கள் மாணவர்களுக்கு அறிவையும் திறன்களையும் புகட்டுவதற்குப் பயன்படுத்தும் ஒரு முறையாகும், இதில் மாணவர்கள் கற்றுக்கொள்ள உதவுவதும் அடங்கும் [3]. பொதுவாக, நல்ல ஆசிரியர்கள் தங்கள் மாணவர்களின் அறிவு நிலை, அவர்கள் கற்கும் கருத்துகள் மற்றும் அவர்களின் கற்றல் நிலை ஆகியவற்றுக்கு மிகவும் பொருத்தமான கற்பித்தல் உத்திகள் அல்லது IS-ஐத் திட்டமிடுகிறார்கள். கோட்பாட்டளவில், LS மற்றும் IS பொருந்தும்போது, மாணவர்கள் திறம்படக் கற்றுக்கொள்வதற்கு ஒரு குறிப்பிட்ட திறன்களை ஒழுங்கமைத்து பயன்படுத்த முடியும். பொதுவாக, ஒரு பாடத்திட்டம் கற்பித்தலில் இருந்து வழிகாட்டப்பட்ட பயிற்சிக்கு அல்லது வழிகாட்டப்பட்ட பயிற்சியிலிருந்து சுயாதீன பயிற்சிக்கு என நிலைகளுக்கு இடையில் பல மாற்றங்களை உள்ளடக்கியது. இதை மனதில் கொண்டு, திறமையான ஆசிரியர்கள் பெரும்பாலும் மாணவர்களின் அறிவையும் திறன்களையும் வளர்க்கும் நோக்கத்துடன் கற்பித்தலைத் திட்டமிடுகிறார்கள் [4].
பல் மருத்துவம் உட்பட உயர் கல்வி நிறுவனங்களில் SCL-க்கான தேவை அதிகரித்து வருகிறது. SCL உத்திகள் மாணவர்களின் கற்றல் தேவைகளைப் பூர்த்தி செய்யும் வகையில் வடிவமைக்கப்பட்டுள்ளன. எடுத்துக்காட்டாக, மாணவர்கள் கற்றல் செயல்பாடுகளில் தீவிரமாகப் பங்கேற்று, ஆசிரியர்கள் வழிகாட்டிகளாகச் செயல்பட்டு, மதிப்புமிக்க பின்னூட்டத்தை வழங்குவதற்குப் பொறுப்பாக இருந்தால் இதை அடைய முடியும். மாணவர்களின் கல்வி நிலை அல்லது விருப்பங்களுக்கு ஏற்ற கற்றல் பொருட்கள் மற்றும் செயல்பாடுகளை வழங்குவது மாணவர்களின் கற்றல் சூழலை மேம்படுத்தி, நேர்மறையான கற்றல் அனுபவங்களை ஊக்குவிக்கும் என்று கூறப்படுகிறது [5].
பொதுவாக, பல் மருத்துவ மாணவர்களின் கற்றல் செயல்முறையானது, அவர்கள் செய்ய வேண்டிய பல்வேறு மருத்துவ நடைமுறைகள் மற்றும் அவர்கள் திறம்பட்ட தனிப்பட்ட திறன்களை வளர்த்துக் கொள்ளும் மருத்துவச் சூழல் ஆகியவற்றால் பாதிக்கப்படுகிறது. இந்தப் பயிற்சியின் நோக்கம், மாணவர்கள் பல் மருத்துவத்தின் அடிப்படை அறிவை பல் மருத்துவத் திறன்களுடன் இணைத்து, பெற்ற அறிவை புதிய மருத்துவச் சூழ்நிலைகளில் பயன்படுத்த உதவுவதாகும் [6, 7]. கற்றல் உத்திக்கும் (LS) தகவல் உத்திக்கும் (IS) இடையிலான உறவு குறித்த ஆரம்பகால ஆராய்ச்சி, விரும்பப்படும் கற்றல் உத்திக்கு ஏற்ப கற்றல் உத்திகளைச் சரிசெய்வது கல்விச் செயல்முறையை மேம்படுத்த உதவும் என்று கண்டறிந்தது [8]. மாணவர்களின் கற்றல் மற்றும் தேவைகளுக்கு ஏற்ப பல்வேறு கற்பித்தல் மற்றும் மதிப்பீட்டு முறைகளைப் பயன்படுத்தவும் ஆசிரியர்கள் பரிந்துரைக்கின்றனர்.
பாடப்பொருளைப் பற்றிய மாணவர்களின் ஆழமான அறிவையும் புரிதலையும் மேம்படுத்தும் கற்பித்தலை வடிவமைக்கவும், உருவாக்கவும், செயல்படுத்தவும் ஆசிரியர்கள் கற்றல் பாணி (LS) அறிவைப் பயன்படுத்துவதன் மூலம் பயனடைகிறார்கள். ஆராய்ச்சியாளர்கள் கோல்ப் அனுபவக் கற்றல் மாதிரி, ஃபெல்டர்-சில்வர்மேன் கற்றல் பாணி மாதிரி (FSLSM), மற்றும் ஃபிளெமிங் VAK/VARK மாதிரி [5, 9, 10] போன்ற பல கற்றல் பாணி மதிப்பீட்டுக் கருவிகளை உருவாக்கியுள்ளனர். இலக்கியங்களின்படி, இந்தக் கற்றல் மாதிரிகள் மிகவும் பொதுவாகப் பயன்படுத்தப்படும் மற்றும் அதிகம் ஆய்வு செய்யப்பட்ட கற்றல் மாதிரிகளாகும். தற்போதைய ஆராய்ச்சிப் பணியில், பல் மருத்துவ மாணவர்களிடையே கற்றல் பாணியை மதிப்பிடுவதற்கு FSLSM பயன்படுத்தப்படுகிறது.
பொறியியலில் தகவமைப்பு கற்றலை மதிப்பிடுவதற்கு FSLSM பரவலாகப் பயன்படுத்தப்படும் ஒரு மாதிரியாகும். சுகாதார அறிவியலில் (மருத்துவம், செவிலியம், மருந்தியல் மற்றும் பல் மருத்துவம் உட்பட) FSLSM மாதிரிகளைப் பயன்படுத்தும் பல வெளியிடப்பட்ட படைப்புகளைக் காணலாம் [5, 11, 12, 13]. FLSM-இல் கற்றல் பாணிகளின் (LS) பரிமாணங்களை அளவிடப் பயன்படுத்தப்படும் கருவி, கற்றல் பாணிகளின் குறியீடு (ILS) [8] என்று அழைக்கப்படுகிறது, இது கற்றல் பாணிகளின் நான்கு பரிமாணங்களை மதிப்பிடும் 44 உருப்படிகளைக் கொண்டுள்ளது: செயலாக்கம் (செயலில்/பிரதிபலிப்பு), புலனுணர்வு (புலனுணர்வு/உள்ளுணர்வு), உள்ளீடு (காட்சி/வாய்மொழி) மற்றும் புரிதல் (வரிசைமுறை/உலகளாவிய) [14].
படம் 1-இல் காட்டப்பட்டுள்ளபடி, ஒவ்வொரு FSLSM பரிமாணத்திற்கும் ஒரு மேலாதிக்க விருப்பம் உள்ளது. எடுத்துக்காட்டாக, செயலாக்கப் பரிமாணத்தில், "செயல்திறன் மிக்க" கற்றல் விருப்பம் கொண்ட மாணவர்கள், கற்றல் பொருட்களுடன் நேரடியாக ஊடாடுவதன் மூலம் தகவல்களைச் செயலாக்கவும், செய்து கற்றுக் கொள்ளவும், குழுக்களாகக் கற்கவும் விரும்புகிறார்கள். "சிந்தனைமிக்க" கற்றல் விருப்பம் என்பது சிந்திப்பதன் மூலம் கற்பதைக் குறிக்கிறது மற்றும் தனியாக வேலை செய்ய விரும்புகிறது. கற்றல் விருப்பத்தின் "உணர்தல்" பரிமாணத்தை "உணர்வு" மற்றும்/அல்லது "உள்ளுணர்வு" எனப் பிரிக்கலாம். "உணர்வு" மாணவர்கள் உறுதியான தகவல்களையும் நடைமுறை வழிமுறைகளையும் விரும்புகிறார்கள், மேலும் அவர்கள் உண்மை சார்ந்தவர்களாக இருக்கிறார்கள். ஆனால், "உள்ளுணர்வு" மாணவர்கள் அருவமான விஷயங்களை விரும்புகிறார்கள், மேலும் இயல்பிலேயே புதுமையானவர்களாகவும் படைப்பாற்றல் மிக்கவர்களாகவும் இருக்கிறார்கள். கற்றல் விருப்பத்தின் "உள்ளீடு" பரிமாணம் "காட்சிவழி" மற்றும் "வாய்மொழிவழி" கற்பவர்களைக் கொண்டுள்ளது. "காட்சிவழி" கற்றல் விருப்பம் கொண்டவர்கள் காட்சி விளக்கங்கள் (வரைபடங்கள், காணொளிகள் அல்லது நேரடி விளக்கங்கள் போன்றவை) மூலம் கற்க விரும்புகிறார்கள், அதேசமயம் "வாய்மொழிவழி" கற்றல் விருப்பம் கொண்டவர்கள் எழுதப்பட்ட அல்லது வாய்மொழி விளக்கங்களில் உள்ள வார்த்தைகள் மூலம் கற்க விரும்புகிறார்கள். கற்றல் விருப்பத்தின் பரிமாணங்களைப் "புரிந்துகொள்ள", அத்தகைய கற்பவர்களை "வரிசைமுறை" மற்றும் "முழுமையான" எனப் பிரிக்கலாம். வரிசைமுறைக் கற்பவர்கள் நேர்கோட்டுச் சிந்தனை முறையை விரும்பி, படிப்படியாகக் கற்கிறார்கள்; அதேசமயம், ஒட்டுமொத்தக் கற்பவர்கள் ஒரு முழுமையான சிந்தனை முறையைக் கொண்டிருப்பதோடு, தாங்கள் கற்பவற்றை எப்போதும் சிறப்பாகப் புரிந்துகொள்கிறார்கள்.
சமீபத்தில், பல ஆராய்ச்சியாளர்கள் அதிக அளவிலான தரவுகளைப் புரிந்துகொள்ளும் திறன் கொண்ட புதிய வழிமுறைகள் மற்றும் மாதிரிகளின் உருவாக்கம் உட்பட, தானியங்கி தரவு சார்ந்த கண்டுபிடிப்பு முறைகளை ஆராயத் தொடங்கியுள்ளனர் [15, 16]. வழங்கப்பட்ட தரவுகளின் அடிப்படையில், மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் (supervised ML) வழிமுறைகளின் கட்டமைப்பின் அடிப்படையில் எதிர்கால முடிவுகளைக் கணிக்கும் வடிவங்களையும் கருதுகோள்களையும் உருவாக்க முடிகிறது [17]. எளிமையாகச் சொன்னால், மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் நுட்பங்கள் உள்ளீட்டுத் தரவைக் கையாண்டு வழிமுறைகளுக்குப் பயிற்சி அளிக்கின்றன. பின்னர் அது வழங்கப்பட்ட உள்ளீட்டுத் தரவிற்கான ஒத்த சூழ்நிலைகளின் அடிப்படையில் முடிவை வகைப்படுத்தும் அல்லது கணிக்கும் ஒரு வரம்பை உருவாக்குகிறது. மேற்பார்வையிடப்பட்ட இயந்திர கற்றல் வழிமுறைகளின் முக்கிய நன்மை, சிறந்த மற்றும் விரும்பிய முடிவுகளை நிறுவும் அதன் திறன் ஆகும் [17].
தரவு சார்ந்த முறைகள் மற்றும் முடிவெடுக்கும் மரக் கட்டுப்பாட்டு மாதிரிகளைப் பயன்படுத்துவதன் மூலம், கற்றல் சிரமத்தை (LS) தானாகக் கண்டறிவது சாத்தியமாகும். சுகாதார அறிவியல் உட்பட பல்வேறு துறைகளில் உள்ள பயிற்சித் திட்டங்களில் முடிவெடுக்கும் மரங்கள் பரவலாகப் பயன்படுத்தப்படுவதாகக் கூறப்படுகிறது [18, 19]. இந்த ஆய்வில், மாணவர்களின் கற்றல் சிரமத்தை (LS) அடையாளம் காணவும், அவர்களுக்கு சிறந்த தகவல் ஆதரவை (IS) பரிந்துரைக்கவும் கணினி அமைப்பு உருவாக்குநர்களால் இந்த மாதிரி குறிப்பாகப் பயிற்றுவிக்கப்பட்டது.
மாணவர்களின் கற்றல் திறன்களை (LS) அடிப்படையாகக் கொண்டு தகவல் அமைப்பு (IS) வழங்கல் உத்திகளை உருவாக்குவதும், கற்றல் திறன்களுடன் பொருந்தக்கூடிய ஒரு தகவல் அமைப்பு பரிந்துரைக் கருவியை உருவாக்குவதன் மூலம் திறன் வகைப்படுத்தல் அணுகுமுறையைப் (SCL) பயன்படுத்துவதும் இந்த ஆய்வின் நோக்கமாகும். திறன் வகைப்படுத்தல் முறையின் ஒரு உத்தியாக, தகவல் அமைப்பு பரிந்துரைக் கருவியின் வடிவமைப்பு ஓட்டம் படம் 1-இல் காட்டப்பட்டுள்ளது. தகவல் அமைப்பு பரிந்துரைக் கருவியானது, ஒருங்கிணைந்த கற்றல் அமைப்பைப் (ILS) பயன்படுத்தும் கற்றல் திறன் வகைப்படுத்தல் பொறிமுறை மற்றும் மாணவர்களுக்கு மிகவும் பொருத்தமான தகவல் அமைப்பு காட்சிப்படுத்தல் என இரண்டு பகுதிகளாகப் பிரிக்கப்பட்டுள்ளது.
குறிப்பாக, தகவல் பாதுகாப்பு பரிந்துரைக் கருவிகளின் சிறப்பியல்புகளில் வலைத் தொழில்நுட்பங்களின் பயன்பாடு மற்றும் முடிவெடுக்கும் மர இயந்திரக் கற்றலின் பயன்பாடு ஆகியவை அடங்கும். கணினி அமைப்பாளர்கள், கைபேசிகள் மற்றும் டேப்லெட்டுகள் போன்ற அலைபேசி சாதனங்களுக்கு ஏற்ப அவற்றை மாற்றி அமைப்பதன் மூலம் பயனர் அனுபவத்தையும் இயங்குதன்மையையும் மேம்படுத்துகின்றனர்.
இந்தச் சோதனை இரண்டு கட்டங்களாக நடத்தப்பட்டது. இதில் மலாயா பல்கலைக்கழகத்தின் பல் மருத்துவப் பீட மாணவர்கள் தன்னார்வ அடிப்படையில் பங்கேற்றனர். பங்கேற்பாளர்கள், ஒரு பல் மருத்துவ மாணவரின் ஆங்கில ஆன்லைன் m-ILS-க்கு பதிலளித்தனர். ஆரம்பக் கட்டத்தில், முடிவெடுக்கும் மர இயந்திர கற்றல் நெறிமுறைக்குப் பயிற்சி அளிக்க 50 மாணவர்களின் தரவுத்தொகுப்பு பயன்படுத்தப்பட்டது. மேம்பாட்டுச் செயல்முறையின் இரண்டாம் கட்டத்தில், உருவாக்கப்பட்ட கருவியின் துல்லியத்தை மேம்படுத்த 255 மாணவர்களின் தரவுத்தொகுப்பு பயன்படுத்தப்பட்டது.
கல்வியாண்டைப் பொறுத்து, ஒவ்வொரு கட்டத்தின் தொடக்கத்திலும் அனைத்துப் பங்கேற்பாளர்களுக்கும் மைக்ரோசாஃப்ட் டீம்ஸ் வழியாக ஒரு இணையவழி விளக்கவுரை வழங்கப்படுகிறது. ஆய்வின் நோக்கம் விளக்கப்பட்டு, தகவலறிந்த ஒப்புதல் பெறப்பட்டது. அனைத்துப் பங்கேற்பாளர்களுக்கும் m-ILS-ஐ அணுகுவதற்கான இணைப்பு வழங்கப்பட்டது. ஒவ்வொரு மாணவரும் கேள்வித்தாளில் உள்ள 44 கேள்விகளுக்கும் பதிலளிக்குமாறு அறிவுறுத்தப்பட்டனர். பருவத் தொடக்கத்திற்கு முன், பருவ இடைவேளையின் போது, தங்களுக்கு வசதியான நேரத்திலும் இடத்திலும் மாற்றியமைக்கப்பட்ட ILS-ஐப் பூர்த்தி செய்ய அவர்களுக்கு ஒரு வாரம் அவகாசம் வழங்கப்பட்டது. m-ILS என்பது அசல் ILS கருவியை அடிப்படையாகக் கொண்டு பல் மருத்துவ மாணவர்களுக்காக மாற்றியமைக்கப்பட்டதாகும். அசல் ILS-ஐப் போலவே, இதுவும் FSLSM-இன் ஒவ்வொரு பரிமாணத்தின் அம்சங்களையும் மதிப்பிடுவதற்குப் பயன்படுத்தப்படும், தலா 11 கேள்விகளைக் கொண்ட, சமமாகப் பிரிக்கப்பட்ட 44 கேள்விகளைக் (a, b) கொண்டுள்ளது.
கருவி உருவாக்கத்தின் ஆரம்ப கட்டங்களில், ஆராய்ச்சியாளர்கள் 50 பல் மருத்துவ மாணவர்களின் தரவுத்தொகுப்பைப் பயன்படுத்தி வரைபடங்களை கைமுறையாகக் குறித்தார்கள். FSLM-இன் படி, இந்த அமைப்பு "a" மற்றும் "b" ஆகிய பதில்களின் கூட்டுத்தொகையை வழங்குகிறது. ஒவ்வொரு பரிமாணத்திலும், மாணவர் "a" என்பதைப் பதிலாகத் தேர்ந்தெடுத்தால், அந்த கற்றல் திறன் (LS) செயல்மிகு/புலனுணர்வு/காட்சி/தொடர் கற்றல் என வகைப்படுத்தப்படுகிறது, மேலும் மாணவர் "b" என்பதைப் பதிலாகத் தேர்ந்தெடுத்தால், அவர் சிந்தனைத் திறன்/உள்ளுணர்வு/மொழியியல்/உலகளாவிய கற்றல் திறன் என வகைப்படுத்தப்படுகிறார்.
பல் மருத்துவக் கல்வி ஆராய்ச்சியாளர்களுக்கும் கணினி அமைப்பு உருவாக்குநர்களுக்கும் இடையிலான பணிப்பாய்வு சீரமைக்கப்பட்ட பிறகு, FLSSM களத்தின் அடிப்படையில் கேள்விகள் தேர்ந்தெடுக்கப்பட்டு, ஒவ்வொரு மாணவரின் LS-ஐயும் கணிக்க ML மாதிரியில் உள்ளீடு செய்யப்பட்டன. தரவின் தரத்திற்கு முக்கியத்துவம் அளித்து, "குப்பையை உள்ளீடு செய்தால், குப்பையே வெளியீடாக வரும்" என்பது இயந்திரக் கற்றல் துறையில் ஒரு பிரபலமான கூற்றாகும். உள்ளீட்டுத் தரவின் தரம், இயந்திரக் கற்றல் மாதிரியின் துல்லியத்தையும் சரித்தன்மையையும் தீர்மானிக்கிறது. பண்புக்கூறு பொறியியல் கட்டத்தின் போது, FLSSM-ஐ அடிப்படையாகக் கொண்டு "a" மற்றும் "b" பதில்களின் கூட்டுத்தொகையாக ஒரு புதிய பண்புக்கூறுத் தொகுப்பு உருவாக்கப்படுகிறது. மருந்து நிலைகளின் அடையாள எண்கள் அட்டவணை 1-இல் கொடுக்கப்பட்டுள்ளன.
பதில்களின் அடிப்படையில் மதிப்பெண்ணைக் கணக்கிட்டு, மாணவரின் கற்றல் விருப்பத்தை (LS) தீர்மானிக்கவும். ஒவ்வொரு மாணவருக்கும், மதிப்பெண் வரம்பு 1 முதல் 11 வரை இருக்கும். 1 முதல் 3 வரையிலான மதிப்பெண்கள் ஒரே பரிமாணத்திற்குள் கற்றல் விருப்பங்களின் சமநிலையைக் குறிக்கின்றன, மேலும் 5 முதல் 7 வரையிலான மதிப்பெண்கள் மிதமான விருப்பத்தைக் குறிக்கின்றன, அதாவது மாணவர்கள் ஒரு சூழலில் கற்பிப்பதையே விரும்புகிறார்கள். அதே பரிமாணத்தில் மற்றொரு மாறுபாடு என்னவென்றால், 9 முதல் 11 வரையிலான மதிப்பெண்கள் ஒரு முனை அல்லது மற்றொன்றிற்கான வலுவான விருப்பத்தை பிரதிபலிக்கின்றன [8].
ஒவ்வொரு பரிமாணத்திற்கும், கற்றல் நிலைகள் “செயல்திறன் மிக்க”, “சிந்தனைமிக்க” மற்றும் “சமநிலையான” என வகைப்படுத்தப்பட்டன. எடுத்துக்காட்டாக, ஒரு மாணவர் ஒரு குறிப்பிட்ட கேள்விக்கு “b”-ஐ விட “a”-விற்கு அதிகமாகப் பதிலளித்து, செயலாக்க கற்றல் நிலை (Processing LS) பரிமாணத்தைக் குறிக்கும் ஒரு குறிப்பிட்ட கேள்விக்கான அவரது மதிப்பெண் 5 என்ற வரம்பைத் தாண்டும்போது, அவர் “செயல்திறன் மிக்க” கற்றல் நிலைப் பிரிவைச் சேர்ந்தவர் ஆவார். இருப்பினும், குறிப்பிட்ட 11 கேள்விகளில் (அட்டவணை 1) “a”-வை விட “b”-ஐ அதிகமாகத் தேர்ந்தெடுத்து, 5 புள்ளிகளுக்கு மேல் மதிப்பெண் பெற்ற மாணவர்கள் “சிந்தனைமிக்க” கற்றல் நிலைப் பிரிவினராக வகைப்படுத்தப்பட்டனர். இறுதியாக, அந்த மாணவர் “சமநிலை” நிலையில் இருக்கிறார். மதிப்பெண் 5 புள்ளிகளைத் தாண்டவில்லை என்றால், அது “செயலாக்க” கற்றல் நிலைப் பிரிவாகும். இந்த வகைப்படுத்தும் செயல்முறை மற்ற கற்றல் நிலைப் பரிமாணங்களான புலனுணர்வு (செயல்திறன் மிக்க/சிந்தனைமிக்க), உள்ளீடு (காட்சி/வாய்மொழி) மற்றும் புரிதல் (வரிசைமுறை/முழுமையான) ஆகியவற்றுக்கும் மீண்டும் செய்யப்பட்டது.
வகைப்படுத்தல் செயல்முறையின் வெவ்வேறு நிலைகளில், முடிவெடுக்கும் மர மாதிரிகள் அம்சங்களின் வெவ்வேறு துணைக்குழுக்களையும் முடிவெடுக்கும் விதிகளையும் பயன்படுத்தலாம். இது ஒரு பிரபலமான வகைப்படுத்தல் மற்றும் கணிப்புக் கருவியாகக் கருதப்படுகிறது. இதை ஒரு பாய்வு வரைபடம் [20] போன்ற மர அமைப்பைப் பயன்படுத்தி குறிப்பிடலாம், இதில் பண்புக்கூறு வாரியாக சோதனைகளைக் குறிக்கும் உள் முனைகள், சோதனை முடிவுகளைக் குறிக்கும் ஒவ்வொரு கிளையும், மற்றும் ஒவ்வொரு இலை முனையும் (இலை முனை) ஒரு வகுப்பு லேபிளைக் கொண்டுள்ளது.
ஒவ்வொரு மாணவரின் பதில்களின் அடிப்படையில் அவர்களின் கற்றல் நோக்கத்தை (LS) தானாகவே மதிப்பிட்டு, அதற்கான குறிப்புகளைச் சேர்க்க ஒரு எளிய விதி அடிப்படையிலான நிரல் உருவாக்கப்பட்டது. விதி அடிப்படையிலானது ஒரு 'IF' கூற்றின் வடிவத்தை எடுக்கும், இதில் "IF" என்பது தூண்டுதலையும், "THEN" என்பது செய்யப்பட வேண்டிய செயலையும் குறிப்பிடுகிறது, எடுத்துக்காட்டாக: "X நடந்தால், Y-ஐச் செய்" (Liu et al., 2014). தரவுத் தொகுப்பு தொடர்பைக் காட்டினால் மற்றும் முடிவெடுக்கும் மர மாதிரி சரியாகப் பயிற்றுவிக்கப்பட்டு மதிப்பிடப்பட்டால், கற்றல் நோக்கம் (LS) மற்றும் உள்ளுணர்வு நோக்கம் (IS) ஆகியவற்றை பொருத்தும் செயல்முறையைத் தானியக்கமாக்குவதற்கு இந்த அணுகுமுறை ஒரு சிறந்த வழியாக இருக்கும்.
மேம்பாட்டின் இரண்டாம் கட்டத்தில், பரிந்துரைக் கருவியின் துல்லியத்தை மேம்படுத்துவதற்காக தரவுத்தொகுப்பு 255 ஆக அதிகரிக்கப்பட்டது. தரவுத்தொகுப்பு 1:4 என்ற விகிதத்தில் பிரிக்கப்பட்டுள்ளது. தரவுத்தொகுப்பின் 25% (64) சோதனைத் தொகுப்பிற்கும், மீதமுள்ள 75% (191) பயிற்சித் தொகுப்பிற்கும் பயன்படுத்தப்பட்டது (படம் 2). ஒரே தரவுத்தொகுப்பில் மாதிரிக்கு பயிற்சி அளித்து சோதிப்பதைத் தடுப்பதற்காக தரவுத்தொகுப்பு பிரிக்கப்பட வேண்டும், ஏனெனில் இது மாதிரி கற்றுக்கொள்வதற்குப் பதிலாக நினைவில் வைத்துக்கொள்ள வழிவகுக்கும். மாதிரி பயிற்சித் தொகுப்பில் பயிற்றுவிக்கப்பட்டு, அது இதுவரை பார்த்திராத தரவுகளான சோதனைத் தொகுப்பில் அதன் செயல்திறனை மதிப்பிடுகிறது.
தகவல் பாதுகாப்பு கருவி உருவாக்கப்பட்டவுடன், அந்தப் பயன்பாடு ஒரு வலை இடைமுகம் வழியாக பல் மருத்துவ மாணவர்களின் பதில்களின் அடிப்படையில் LS-ஐ வகைப்படுத்த முடியும். இந்த வலை அடிப்படையிலான தகவல் பாதுகாப்பு பரிந்துரைக் கருவி அமைப்பானது, ஜாங்கோ கட்டமைப்பை பின்தளமாகப் பயன்படுத்தி பைதான் நிரலாக்க மொழியில் உருவாக்கப்பட்டுள்ளது. இந்த அமைப்பின் உருவாக்கத்தில் பயன்படுத்தப்பட்ட நூலகங்கள் அட்டவணை 2-இல் பட்டியலிடப்பட்டுள்ளன.
மாணவர்களின் LS அளவீடுகளைத் தானாகவே வகைப்படுத்துவதற்காக, அவர்களின் பதில்களைக் கணக்கிட்டுப் பிரித்தெடுக்க, தரவுத்தொகுப்பு ஒரு முடிவெடுக்கும் மர மாதிரிக்கு அளிக்கப்படுகிறது.
கொடுக்கப்பட்ட தரவுத் தொகுப்பில் ஒரு முடிவெடுக்கும் மர இயந்திர கற்றல் வழிமுறையின் துல்லியத்தை மதிப்பிடுவதற்கு குழப்ப அணி பயன்படுத்தப்படுகிறது. அதே நேரத்தில், இது வகைப்படுத்தல் மாதிரியின் செயல்திறனையும் மதிப்பிடுகிறது. இது மாதிரியின் கணிப்புகளைத் தொகுத்து, அவற்றை உண்மையான தரவு லேபிள்களுடன் ஒப்பிடுகிறது. மதிப்பீட்டு முடிவுகள் நான்கு வெவ்வேறு மதிப்புகளை அடிப்படையாகக் கொண்டவை: உண்மை நேர்மறை (TP) – மாதிரி நேர்மறை வகையைச் சரியாகக் கணித்துள்ளது, தவறான நேர்மறை (FP) – மாதிரி நேர்மறை வகையைக் கணித்துள்ளது, ஆனால் உண்மையான லேபிள் எதிர்மறையாக இருந்தது, உண்மை எதிர்மறை (TN) – மாதிரி எதிர்மறை வகுப்பைச் சரியாகக் கணித்துள்ளது, மற்றும் தவறான எதிர்மறை (FN) – மாதிரி ஒரு எதிர்மறை வகுப்பைக் கணிக்கிறது, ஆனால் உண்மையான லேபிள் நேர்மறையாக உள்ளது.
இந்த மதிப்புகள் பின்னர் பைத்தானில் உள்ள ஸ்கிகிட்-லெர்ன் வகைப்படுத்தல் மாதிரியின் பல்வேறு செயல்திறன் அளவீடுகளான துல்லியம், மீள்நினைவு மற்றும் F1 மதிப்பெண் ஆகியவற்றைக் கணக்கிடப் பயன்படுத்தப்படுகின்றன. இதோ சில எடுத்துக்காட்டுகள்:
m-ILS கேள்வித்தாளுக்குப் பதிலளித்த பிறகு, ஒரு மாணவரின் கற்றல் நிலையை (LS) துல்லியமாக வகைப்படுத்தும் மாதிரியின் திறனை மீட்டழைப்பு (அல்லது உணர்திறன்) அளவிடுகிறது.
துல்லியத்தன்மை என்பது உண்மை எதிர்மறை விகிதம் என அழைக்கப்படுகிறது. மேலே உள்ள சூத்திரத்திலிருந்து நீங்கள் காண்பது போல, இது உண்மை எதிர்மறைகள் (TN) மற்றும் உண்மை எதிர்மறைகள் மற்றும் தவறான நேர்மறைகள் (FP) ஆகியவற்றின் விகிதமாக இருக்க வேண்டும். மாணவர்களின் போதைப்பொருட்களை வகைப்படுத்தப் பரிந்துரைக்கப்பட்ட கருவியின் ஒரு பகுதியாக, இது துல்லியமாக அடையாளம் காணும் திறன் கொண்டதாக இருக்க வேண்டும்.
முடிவெடுக்கும் மர ML மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்பட்ட 50 மாணவர்களின் அசல் தரவுத்தொகுப்பு, குறிப்புரைகளில் ஏற்பட்ட மனிதப் பிழை காரணமாக ஒப்பீட்டளவில் குறைந்த துல்லியத்தைக் காட்டியது (அட்டவணை 3). LS மதிப்பெண்களையும் மாணவர் குறிப்புரைகளையும் தானாகக் கணக்கிடுவதற்கான ஒரு எளிய விதி அடிப்படையிலான நிரலை உருவாக்கிய பிறகு, பரிந்துரை அமைப்பைப் பயிற்றுவிக்கவும் சோதிக்கவும் அதிக எண்ணிக்கையிலான தரவுத்தொகுப்புகள் (255) பயன்படுத்தப்பட்டன.
பலவகை குழப்ப அணிவரிசையில், மூலைவிட்டக் கூறுகள் ஒவ்வொரு LS வகைக்கும் உரிய சரியான கணிப்புகளின் எண்ணிக்கையைக் குறிக்கின்றன (படம் 4). முடிவெடுக்கும் மர மாதிரியைப் பயன்படுத்தி, மொத்தம் 64 மாதிரிகள் சரியாகக் கணிக்கப்பட்டன. எனவே, இந்த ஆய்வில், மூலைவிட்டக் கூறுகள் எதிர்பார்க்கப்பட்ட முடிவுகளைக் காட்டுகின்றன; இது, இந்த மாதிரி சிறப்பாகச் செயல்படுவதையும், ஒவ்வொரு LS வகைப்பாட்டிற்கும் வகுப்பு லேபிளைத் துல்லியமாகக் கணிப்பதையும் குறிக்கிறது. ஆகையால், இந்தப் பரிந்துரைக் கருவியின் ஒட்டுமொத்தத் துல்லியம் 100% ஆகும்.
துல்லியம், நுட்பம், மீட்டெடுப்பு மற்றும் F1 மதிப்பெண் ஆகியவற்றின் மதிப்புகள் படம் 5-இல் காட்டப்பட்டுள்ளன. முடிவெடுக்கும் மர மாதிரியைப் பயன்படுத்தும் பரிந்துரை அமைப்பைப் பொறுத்தவரை, அதன் F1 மதிப்பெண் 1.0 "சரியானது" ஆகும். இது சரியான நுட்பம் மற்றும் மீட்டெடுப்பைக் குறிப்பதோடு, குறிப்பிடத்தக்க உணர்திறன் மற்றும் தனித்தன்மை மதிப்புகளையும் பிரதிபலிக்கிறது.
படம் 6, பயிற்சி மற்றும் சோதனை முடிந்த பிறகு முடிவெடுக்கும் மர மாதிரியின் காட்சிப்படுத்தலைக் காட்டுகிறது. பக்கவாட்டு ஒப்பீட்டில், குறைவான அம்சங்களுடன் பயிற்சி அளிக்கப்பட்ட முடிவெடுக்கும் மர மாதிரி அதிக துல்லியத்தையும் எளிதான மாதிரி காட்சிப்படுத்தலையும் வெளிப்படுத்தியது. அம்சக் குறைப்பிற்கு வழிவகுக்கும் அம்சப் பொறியியல், மாதிரியின் செயல்திறனை மேம்படுத்துவதில் ஒரு முக்கியமான படி என்பதை இது காட்டுகிறது.
முடிவெடுக்கும் மர மேற்பார்வையிடப்பட்ட கற்றலைப் பயன்படுத்துவதன் மூலம், LS (உள்ளீடு) மற்றும் IS (இலக்கு வெளியீடு) ஆகியவற்றுக்கு இடையேயான தொடர்பு தானாகவே உருவாக்கப்பட்டு, ஒவ்வொரு LS-க்குமான விரிவான தகவல்களைக் கொண்டுள்ளது.
255 மாணவர்களில் 34.9% பேர் ஒரு (1) LS விருப்பத்தைத் தேர்ந்தெடுத்ததாக முடிவுகள் காட்டின. பெரும்பான்மையானவர்கள் (54.3%) இரண்டு அல்லது அதற்கு மேற்பட்ட LS விருப்பங்களைக் கொண்டிருந்தனர். 12.2% மாணவர்கள் LS மிகவும் சமச்சீராக இருப்பதாகக் குறிப்பிட்டனர் (அட்டவணை 4). எட்டு முக்கிய LS-களுக்கு கூடுதலாக, மலாயா பல்கலைக்கழக பல் மருத்துவ மாணவர்களுக்கான LS வகைப்பாடுகளின் 34 சேர்க்கைகள் உள்ளன. அவற்றுள், புலனுணர்வு, பார்வை, மற்றும் புலனுணர்வு மற்றும் பார்வையின் கலவை ஆகியவை மாணவர்களால் தெரிவிக்கப்பட்ட முக்கிய LS-கள் ஆகும் (படம் 7).
அட்டவணை 4-இல் காணப்படுவது போல, பெரும்பாலான மாணவர்கள் முதன்மையான புலன்சார் (13.7%) அல்லது காட்சிசார் (8.6%) கற்றல் முறையைக் கொண்டிருந்தனர். 12.2% மாணவர்கள் புலனுணர்வையும் பார்வையையும் இணைத்திருந்ததாக (புலனுணர்வு-காட்சிசார் கற்றல் முறை) தெரிவிக்கப்பட்டது. இந்தக் கண்டுபிடிப்புகள், மாணவர்கள் நிறுவப்பட்ட முறைகள் மூலம் கற்கவும் நினைவில் கொள்ளவும் விரும்புவதையும், குறிப்பிட்ட மற்றும் விரிவான செயல்முறைகளைப் பின்பற்றுவதையும், இயல்பிலேயே கவனமுள்ளவர்களாக இருப்பதையும் சுட்டிக்காட்டுகின்றன. அதே நேரத்தில், அவர்கள் பார்த்து கற்பதை (வரைபடங்கள் போன்றவற்றைப் பயன்படுத்தி) விரும்புகிறார்கள், மேலும் குழுக்களாகவோ அல்லது தாங்களாகவேவோ தகவல்களை விவாதித்து நடைமுறைப்படுத்த முனைகிறார்கள்.
இந்த ஆய்வு, தரவுச் சுரங்கத்தில் பயன்படுத்தப்படும் இயந்திரக் கற்றல் நுட்பங்களின் ஒரு மேலோட்டத்தை வழங்குகிறது. இது மாணவர்களின் வாழ்க்கை முறையை (LS) உடனடியாகவும் துல்லியமாகவும் கணிப்பதிலும், பொருத்தமான உள்நிலைக் கற்றலை (IS) பரிந்துரைப்பதிலும் கவனம் செலுத்துகிறது. ஒரு முடிவெடுக்கும் மர மாதிரியின் பயன்பாடு, அவர்களின் வாழ்க்கை மற்றும் கல்வி அனுபவங்களுடன் மிகவும் நெருக்கமாக தொடர்புடைய காரணிகளை அடையாளம் கண்டது. இது ஒரு மேற்பார்வையிடப்பட்ட இயந்திரக் கற்றல் நெறிமுறையாகும். இது ஒரு மர அமைப்பைப் பயன்படுத்தி, சில அளவுகோல்களின் அடிப்படையில் ஒரு தரவுத் தொகுப்பைத் துணைப்பிரிவுகளாகப் பிரித்து, தரவை வகைப்படுத்துகிறது. இது, இலை முனையில் ஒரு முடிவு எடுக்கப்படும் வரை, ஒவ்வொரு உள் முனையின் உள்ளீட்டு அம்சங்களில் ஒன்றின் மதிப்பின் அடிப்படையில் உள்ளீட்டுத் தரவை மீண்டும் மீண்டும் துணைத்தொகுப்புகளாகப் பிரிப்பதன் மூலம் செயல்படுகிறது.
முடிவெடுக்கும் மரத்தின் உள் கணுக்கள், m-ILS சிக்கலின் உள்ளீட்டுப் பண்புகளின் அடிப்படையிலான தீர்வைக் குறிக்கின்றன, மேலும் அதன் இலைக் கணுக்கள் இறுதி LS வகைப்பாட்டுக் கணிப்பைக் குறிக்கின்றன. இந்த ஆய்வு முழுவதும், உள்ளீட்டு அம்சங்களுக்கும் வெளியீட்டுக் கணிப்புகளுக்கும் இடையிலான உறவைப் பார்ப்பதன் மூலம், முடிவெடுக்கும் செயல்முறையை விளக்கி காட்சிப்படுத்தும் முடிவெடுக்கும் மரங்களின் படிநிலையை எளிதாகப் புரிந்துகொள்ள முடிகிறது.
கணினி அறிவியல் மற்றும் பொறியியல் துறைகளில், மாணவர்களின் நுழைவுத் தேர்வு மதிப்பெண்கள் [21], மக்கள்தொகைத் தகவல் மற்றும் கற்றல் நடத்தை [22] ஆகியவற்றின் அடிப்படையில் மாணவர்களின் செயல்திறனைக் கணிக்க இயந்திர கற்றல் வழிமுறைகள் பரவலாகப் பயன்படுத்தப்படுகின்றன. இந்த வழிமுறை மாணவர்களின் செயல்திறனைத் துல்லியமாகக் கணித்தது மற்றும் கல்விச் சிக்கல்களுக்கு ஆளாகக்கூடிய மாணவர்களை அடையாளம் காண உதவியது என்று ஆராய்ச்சி காட்டியது.
பல் மருத்துவப் பயிற்சிக்கான மெய்நிகர் நோயாளி சிமுலேட்டர்களின் உருவாக்கத்தில் ML அல்காரிதம்களின் பயன்பாடு தெரிவிக்கப்பட்டுள்ளது. இந்த சிமுலேட்டர் உண்மையான நோயாளிகளின் உடலியல் பதில்களைத் துல்லியமாக மீண்டும் உருவாக்கக்கூடியது மற்றும் பல் மருத்துவ மாணவர்களுக்கு பாதுகாப்பான மற்றும் கட்டுப்படுத்தப்பட்ட சூழலில் பயிற்சி அளிக்கப் பயன்படுத்தப்படலாம் [23]. இயந்திர கற்றல் அல்காரிதம்கள் பல் மற்றும் மருத்துவக் கல்வி மற்றும் நோயாளி பராமரிப்பின் தரம் மற்றும் செயல்திறனை மேம்படுத்தும் ஆற்றலைக் கொண்டுள்ளன என்பதை பல ஆய்வுகள் காட்டுகின்றன. அறிகுறிகள் மற்றும் நோயாளியின் பண்புகள் போன்ற தரவுத் தொகுப்புகளின் அடிப்படையில் பல் நோய்களைக் கண்டறிய இயந்திர கற்றல் அல்காரிதம்கள் பயன்படுத்தப்பட்டுள்ளன [24, 25]. மற்ற ஆய்வுகள் நோயாளியின் விளைவுகளைக் கணித்தல், அதிக ஆபத்துள்ள நோயாளிகளை அடையாளம் காணுதல், தனிப்பயனாக்கப்பட்ட சிகிச்சைத் திட்டங்களை உருவாக்குதல் [26], பீரியண்டல் சிகிச்சை [27], மற்றும் பல் சொத்தை சிகிச்சை [25] போன்ற பணிகளைச் செய்ய இயந்திர கற்றல் அல்காரிதம்களின் பயன்பாட்டை ஆராய்ந்துள்ளன.
பல் மருத்துவத்தில் இயந்திரக் கற்றலின் பயன்பாடு குறித்த அறிக்கைகள் வெளியிடப்பட்டிருந்தாலும், பல் மருத்துவக் கல்வியில் அதன் பயன்பாடு குறைவாகவே உள்ளது. எனவே, பல் மருத்துவ மாணவர்களிடையே LS மற்றும் IS உடன் மிகவும் நெருக்கமாக தொடர்புடைய காரணிகளைக் கண்டறிய, இந்த ஆய்வு ஒரு முடிவெடுக்கும் மர மாதிரியைப் பயன்படுத்துவதை நோக்கமாகக் கொண்டது.
இந்த ஆய்வின் முடிவுகள், உருவாக்கப்பட்ட பரிந்துரைக் கருவி அதிக துல்லியத்தையும் முழுமையான துல்லியத்தையும் கொண்டிருப்பதைக் காட்டுகின்றன, இது ஆசிரியர்கள் இந்தக் கருவியால் பயனடைய முடியும் என்பதைக் குறிக்கிறது. தரவு சார்ந்த வகைப்படுத்தல் செயல்முறையைப் பயன்படுத்தி, இது தனிப்பயனாக்கப்பட்ட பரிந்துரைகளை வழங்கவும், கல்வியாளர்கள் மற்றும் மாணவர்களுக்கான கல்வி அனுபவங்களையும் விளைவுகளையும் மேம்படுத்தவும் முடியும். அவற்றுள், பரிந்துரைக் கருவிகள் மூலம் பெறப்பட்ட தகவல்கள், ஆசிரியர்களின் விருப்பமான கற்பித்தல் முறைகளுக்கும் மாணவர்களின் கற்றல் தேவைகளுக்கும் இடையிலான முரண்பாடுகளைத் தீர்க்க முடியும். உதாரணமாக, பரிந்துரைக் கருவிகளின் தானியங்கி வெளியீட்டின் காரணமாக, ஒரு மாணவரின் கற்றல் செயல்முறையைக் கண்டறிந்து அதற்கேற்ற கற்றல் செயல்முறையுடன் பொருத்துவதற்குத் தேவைப்படும் நேரம் கணிசமாகக் குறைக்கப்படும். இதன் மூலம், பொருத்தமான பயிற்சிச் செயல்பாடுகளையும் பயிற்சிப் பொருட்களையும் ஒழுங்கமைக்க முடியும். இது மாணவர்களின் நேர்மறையான கற்றல் நடத்தையையும் ஒருமுகப்படுத்தும் திறனையும் வளர்க்க உதவுகிறது. ஒரு ஆய்வின்படி, மாணவர்களின் விருப்பமான கற்றல் செயல்முறையுடன் பொருந்தக்கூடிய கற்றல் பொருட்கள் மற்றும் கற்றல் செயல்பாடுகளை வழங்குவது, மாணவர்கள் கற்றலை ஒருங்கிணைக்கவும், செயலாக்கவும், பல வழிகளில் அதை அனுபவிக்கவும், அதன் மூலம் அதிக ஆற்றலை அடையவும் உதவும் என்று தெரிவிக்கப்பட்டுள்ளது [12]. வகுப்பறையில் மாணவர்களின் பங்கேற்பை மேம்படுத்துவதோடு மட்டுமல்லாமல், மாணவர்களின் கற்றல் செயல்முறையைப் புரிந்துகொள்வது, கற்பித்தல் நடைமுறைகளையும் மாணவர்களுடனான தொடர்பையும் மேம்படுத்துவதில் முக்கியப் பங்கு வகிக்கிறது என்றும் ஆய்வுகள் காட்டுகின்றன [28, 29].
இருப்பினும், எந்தவொரு நவீன தொழில்நுட்பத்தையும் போலவே, இதிலும் சிக்கல்களும் வரம்புகளும் உள்ளன. தரவு தனியுரிமை, சார்பு மற்றும் நேர்மை தொடர்பான சிக்கல்கள், மற்றும் பல் மருத்துவக் கல்வியில் இயந்திர கற்றல் வழிமுறைகளை உருவாக்கிச் செயல்படுத்துவதற்குத் தேவைப்படும் தொழில்முறைத் திறன்கள் மற்றும் வளங்கள் ஆகியவை இதில் அடங்கும்; ஆயினும், இத்துறையில் வளர்ந்து வரும் ஆர்வமும் ஆராய்ச்சியும், இயந்திர கற்றல் தொழில்நுட்பங்கள் பல் மருத்துவக் கல்வி மற்றும் பல் மருத்துவ சேவைகளில் ஒரு நேர்மறையான தாக்கத்தை ஏற்படுத்தக்கூடும் என்று சுட்டிக்காட்டுகின்றன.
இந்த ஆய்வின் முடிவுகள், பல் மருத்துவ மாணவர்களில் பாதி பேர் மருந்துகளை "உணரும்" போக்கைக் கொண்டுள்ளனர் என்பதைக் காட்டுகின்றன. இந்த வகை கற்பவர்கள் உண்மைகள் மற்றும் உறுதியான எடுத்துக்காட்டுகளுக்கு முன்னுரிமை, நடைமுறை நோக்கு, விவரங்களில் பொறுமை, மற்றும் "காட்சி" கற்றல் பாணி விருப்பம் ஆகியவற்றைக் கொண்டுள்ளனர். இதில் கற்பவர்கள் தங்கள் கருத்துக்களையும் எண்ணங்களையும் வெளிப்படுத்த படங்கள், வரைபடங்கள், வண்ணங்கள் மற்றும் வரைபடங்களைப் பயன்படுத்த விரும்புகிறார்கள். தற்போதைய முடிவுகள், பல் மற்றும் மருத்துவ மாணவர்களின் கற்றல் பாணியை மதிப்பிடுவதற்கு ஒருங்கிணைந்த கற்றல் முறையைப் (ILS) பயன்படுத்தும் பிற ஆய்வுகளுடன் ஒத்துப்போகின்றன. அவர்களில் பெரும்பாலோர் புலனுணர்வு மற்றும் காட்சி கற்றல் பாணியின் பண்புகளைக் கொண்டுள்ளனர் [12, 30]. டால்மோலின் மற்றும் குழுவினர், மாணவர்களுக்கு அவர்களின் கற்றல் பாணியைப் பற்றித் தெரிவிப்பது, அவர்கள் தங்கள் கற்றல் திறனை அடைய அனுமதிக்கிறது என்று கூறுகின்றனர். ஆசிரியர்கள் மாணவர்களின் கல்விச் செயல்முறையை முழுமையாகப் புரிந்து கொள்ளும்போது, மாணவர்களின் செயல்திறனையும் கற்றல் அனுபவத்தையும் மேம்படுத்தும் பல்வேறு கற்பித்தல் முறைகளையும் செயல்பாடுகளையும் செயல்படுத்த முடியும் என்று ஆராய்ச்சியாளர்கள் வாதிடுகின்றனர் [12, 31, 32]. மாணவர்களின் கற்றல் பாணியைச் சரிசெய்வது, அவர்களின் சொந்த கற்றல் பாணிக்கு ஏற்றவாறு அவர்களின் கற்றல் பாணிகளை மாற்றிய பிறகு, மாணவர்களின் கற்றல் அனுபவத்திலும் செயல்திறனிலும் முன்னேற்றங்களைக் காட்டுகிறது என்று பிற ஆய்வுகள் நிரூபித்துள்ளன [13, 33].
மாணவர்களின் கற்றல் திறன்களின் அடிப்படையில் கற்பித்தல் உத்திகளைச் செயல்படுத்துவது குறித்து ஆசிரியர்களின் கருத்துக்கள் வேறுபடலாம். தொழில்முறை மேம்பாட்டு வாய்ப்புகள், வழிகாட்டுதல் மற்றும் சமூக ஆதரவு உள்ளிட்ட இந்த அணுகுமுறையின் நன்மைகளைச் சிலர் காணும் அதே வேளையில், மற்றவர்கள் நேரம் மற்றும் நிறுவன ஆதரவு குறித்து கவலைப்படலாம். மாணவர் மைய அணுகுமுறையை உருவாக்குவதற்கு சமநிலையை அடைவது முக்கியமாகும். பல்கலைக்கழக நிர்வாகிகள் போன்ற உயர் கல்வி அதிகாரிகள், புதுமையான நடைமுறைகளை அறிமுகப்படுத்துவதன் மூலமும், ஆசிரியர்களின் மேம்பாட்டிற்கு ஆதரவளிப்பதன் மூலமும் நேர்மறையான மாற்றத்தை ஏற்படுத்துவதில் முக்கிய பங்கு வகிக்க முடியும் [34]. உண்மையிலேயே ஆற்றல்மிக்க மற்றும் பதிலளிக்கக்கூடிய உயர் கல்வி அமைப்பை உருவாக்க, கொள்கை வகுப்பாளர்கள் கொள்கை மாற்றங்களைச் செய்வது, தொழில்நுட்ப ஒருங்கிணைப்புக்கு வளங்களை ஒதுக்குவது மற்றும் மாணவர் மைய அணுகுமுறைகளை ஊக்குவிக்கும் கட்டமைப்புகளை உருவாக்குவது போன்ற துணிச்சலான நடவடிக்கைகளை எடுக்க வேண்டும். விரும்பிய முடிவுகளை அடைவதற்கு இந்த நடவடிக்கைகள் முக்கியமானவை. வேறுபடுத்தப்பட்ட கற்பித்தல் குறித்த சமீபத்திய ஆராய்ச்சி, வேறுபடுத்தப்பட்ட கற்பித்தலை வெற்றிகரமாகச் செயல்படுத்துவதற்கு ஆசிரியர்களுக்குத் தொடர்ச்சியான பயிற்சி மற்றும் மேம்பாட்டு வாய்ப்புகள் தேவை என்பதைத் தெளிவாகக் காட்டியுள்ளது [35].
மாணவர்களுக்கு உகந்த கற்றல் செயல்பாடுகளைத் திட்டமிடுவதில், மாணவர்களை மையமாகக் கொண்ட அணுகுமுறையைக் கையாள விரும்பும் பல் மருத்துவக் கல்வியாளர்களுக்கு இந்தக் கருவி மதிப்புமிக்க ஆதரவை வழங்குகிறது. இருப்பினும், இந்த ஆய்வு முடிவெடுக்கும் மர இயந்திரக் கற்றல் மாதிரிகளின் பயன்பாட்டிற்கு மட்டுமே வரையறுக்கப்பட்டுள்ளது. எதிர்காலத்தில், பரிந்துரைக் கருவிகளின் துல்லியம், நம்பகத்தன்மை மற்றும் நுணுக்கத்தை ஒப்பிடுவதற்காக, வெவ்வேறு இயந்திரக் கற்றல் மாதிரிகளின் செயல்திறனை ஒப்பிட்டுப் பார்க்க மேலும் தரவுகள் சேகரிக்கப்பட வேண்டும். மேலும், ஒரு குறிப்பிட்ட பணிக்கு மிகவும் பொருத்தமான இயந்திரக் கற்றல் முறையைத் தேர்ந்தெடுக்கும்போது, மாதிரியின் சிக்கலான தன்மை மற்றும் விளக்கம் போன்ற பிற காரணிகளையும் கருத்தில் கொள்வது அவசியம்.
இந்த ஆய்வின் ஒரு வரம்பு என்னவென்றால், இது பல் மருத்துவ மாணவர்களிடையே LS மற்றும் IS-ஐ வரைபடமாக்குவதில் மட்டுமே கவனம் செலுத்தியது. எனவே, உருவாக்கப்பட்ட பரிந்துரை அமைப்பு, பல் மருத்துவ மாணவர்களுக்குப் பொருத்தமானவற்றை மட்டுமே பரிந்துரைக்கும். பொதுவான உயர்கல்வி மாணவர்களின் பயன்பாட்டிற்கு மாற்றங்கள் அவசியமாகின்றன.
புதிதாக உருவாக்கப்பட்ட இயந்திரக் கற்றல் அடிப்படையிலான பரிந்துரைக் கருவியானது, மாணவர்களின் கற்றல் திறன்களை (LS) அதற்கேற்ற தகவல் திறன்களுடன் (IS) உடனடியாக வகைப்படுத்திப் பொருத்தும் திறன் கொண்டது. இதன் மூலம், பல் மருத்துவக் கல்வியாளர்கள் பொருத்தமான கற்பித்தல் மற்றும் கற்றல் செயல்பாடுகளைத் திட்டமிட உதவும் முதல் பல் மருத்துவக் கல்வித் திட்டமாக இது விளங்குகிறது. தரவு சார்ந்த வகைப்படுத்தும் செயல்முறையைப் பயன்படுத்தி, இது தனிப்பயனாக்கப்பட்ட பரிந்துரைகளை வழங்கவும், நேரத்தைச் சேமிக்கவும், கற்பித்தல் உத்திகளை மேம்படுத்தவும், இலக்கு சார்ந்த தலையீடுகளை ஆதரிக்கவும், தொடர்ச்சியான தொழில்முறை மேம்பாட்டை ஊக்குவிக்கவும் உதவுகிறது. இதன் பயன்பாடு, பல் மருத்துவக் கல்வியில் மாணவர் மைய அணுகுமுறைகளை ஊக்குவிக்கும்.
கிலக் ஜானி அசோசியேட்டட் பிரஸ். மாணவரின் கற்றல் பாணிக்கும் ஆசிரியரின் கற்பித்தல் பாணிக்கும் இடையிலான பொருத்தம் அல்லது பொருந்தாமை. இன்ட் ஜே மாட் எட்யுக் கம்ப்யூட்டர் சயின்ஸ். 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
பதிவிட்ட நேரம்: ஏப்ரல் 29, 2024