දන්ත වෛද්ය විද්‍යාව ඇතුළු උසස් අධ්‍යාපන ආයතනවල ශිෂ්ය කේන්ද්‍රීය ඉගෙනීමේ (SCL) අවශ්‍යතාවය වැඩිවෙමින් පවතී.කෙසේ වෙතත්, SCL හට දන්ත වෛද්ය අධ්‍යාපනයේ සීමිත යෙදුමක් ඇත.එබැවින්, IS මාර්ගෝපදේශ සංවර්ධනය සඳහා ප්‍රයෝජනවත් මෙවලමක් ලෙස දන්ත වෛද්ය සිසුන්ගේ කැමති ඉගෙනුම් විලාසය (LS) සහ අනුරූප ඉගෙනුම් උපාය මාර්ග (IS) සිතියම් ගත කිරීම සඳහා තීරණ ගස් යන්ත්‍ර ඉගෙනීමේ (ML) තාක්‍ෂණය භාවිතා කරමින් දන්ත වෛද්ය විද්‍යාවේ SCL යෙදීම ප්‍රවර්ධනය කිරීම මෙම අධ්‍යයනයේ අරමුණයි. .දන්ත වෛද්ය සිසුන් සඳහා පොරොන්දු වූ ක්රම.
මලයා විශ්ව විද්‍යාලයේ දන්ත වෛද්ය සිසුන් 255 දෙනෙකු විසින් නවීකරණය කරන ලද ඉගෙනුම් ශෛලීන් පිළිබඳ දර්ශකය (m-ILS) ප්‍රශ්නාවලිය සම්පූර්ණ කරන ලද අතර, ඒවායේ අදාළ LS වලට වර්ගීකරණය කිරීමට අයිතම 44ක් අඩංගු විය.එකතු කරන ලද දත්ත (දත්ත කට්ටලයක් ලෙස හැඳින්වේ) සිසුන්ගේ ඉගෙනුම් විලාසයන් වඩාත් සුදුසු IS වෙත ස්වයංක්‍රීයව ගැළපීමට අධීක්ෂණය කළ තීරණ ගස් ඉගෙනීමේදී භාවිතා වේ.යන්ත්‍ර ඉගෙනීම පදනම් කරගත් IS නිර්දේශ මෙවලමෙහි නිරවද්‍යතාවය පසුව ඇගයීමට ලක් කෙරේ.
LS (ආදාන) සහ IS (ඉලක්ක ප්‍රතිදානය) අතර ස්වයංක්‍රීය සිතියම්කරණ ක්‍රියාවලියක තීරණ ගස් ආකෘති යෙදීම එක් එක් දන්ත වෛද්ය ශිෂ්‍යයෙකු සඳහා සුදුසු ඉගෙනුම් උපාය මාර්ග ක්ෂණික ලැයිස්තුවක් සඳහා ඉඩ සලසයි.IS නිර්දේශ මෙවලම පරිපූර්ණ නිරවද්‍යතාවයක් සහ සමස්ත මාදිලියේ නිරවද්‍යතාවයේ නැවත කැඳවීමක් පෙන්නුම් කරයි, LS IS ට ගැලපීම හොඳ සංවේදීතාවයක් සහ නිශ්චිතතාවයක් ඇති බව පෙන්නුම් කරයි.
ML තීරණ ගසක් මත පදනම් වූ IS නිර්දේශ මෙවලමක් දන්ත වෛද්ය සිසුන්ගේ ඉගෙනුම් විලාසයන් සුදුසු ඉගෙනුම් උපාය මාර්ග සමඟ නිවැරදිව ගැලපීමේ හැකියාව ඔප්පු කර ඇත.මෙම මෙවලම සිසුන්ගේ ඉගෙනුම් අත්දැකීම් වැඩිදියුණු කළ හැකි ඉගෙනුම් කේන්ද්‍ර කරගත් පාඨමාලා හෝ මොඩියුල සැලසුම් කිරීම සඳහා ප්‍රබල විකල්ප සපයයි.
ඉගැන්වීම සහ ඉගෙනීම අධ්‍යාපන ආයතනවල මූලික ක්රියාකාරකම් වේ.උසස් තත්ත්වයේ වෘත්තීය අධ්‍යාපන ක්‍රමයක් සංවර්ධනය කිරීමේදී සිසුන්ගේ ඉගෙනුම් අවශ්‍යතා කෙරෙහි අවධානය යොමු කිරීම වැදගත් වේ.සිසුන් සහ ඔවුන්ගේ ඉගෙනුම් පරිසරය අතර අන්තර්ක්‍රියා ඔවුන්ගේ LS හරහා තීරණය කළ හැකිය.සිසුන්ගේ LS සහ IS අතර ගුරු-අභිප්‍රාප්ත නොගැලපීම්, අවධානය අඩුවීම සහ අභිප්‍රේරණය වැනි ශිෂ්ය ඉගෙනීම සඳහා ඍණාත්මක ප්‍රතිවිපාක ඇති කළ හැකි බව පර්යේෂණවලින් පෙනී යයි.මෙය වක්‍රව ශිෂ්ය කාර්ය සාධනයට බලපානු ඇත [1,2].
IS යනු සිසුන්ට ඉගෙනීමට උපකාර කිරීම ඇතුළුව සිසුන්ට දැනුම සහ කුසලතා ලබා දීමට ගුරුවරුන් භාවිතා කරන ක්‍රමයකි [3].සාමාන්‍යයෙන් කථා කරන විට, හොඳ ගුරුවරුන් තම සිසුන්ගේ දැනුම මට්ටම, ඔවුන් ඉගෙන ගන්නා සංකල්ප සහ ඔවුන්ගේ ඉගෙනුම් අවධියට වඩාත් ගැලපෙන ඉගැන්වීම් උපාය මාර්ග සැලසුම් කරයි.න්‍යායාත්මකව, LS සහ IS ගැලපෙන විට, සිසුන්ට ඵලදායී ලෙස ඉගෙනීමට නිශ්චිත කුසලතා සමූහයක් සංවිධානය කිරීමට සහ භාවිතා කිරීමට හැකි වනු ඇත.සාමාන්‍යයෙන්, පාඩම් සැලැස්මකට ඉගැන්වීමේ සිට මාර්ගෝපදේශක පුහුණුව දක්වා හෝ මාර්ගෝපදේශක භාවිතයේ සිට ස්වාධීන භාවිතය දක්වා වැනි අදියර අතර සංක්‍රාන්ති කිහිපයක් ඇතුළත් වේ.මෙය මනසේ තබාගෙන, ඵලදායී ගුරුවරුන් බොහෝ විට සිසුන්ගේ දැනුම සහ කුසලතා ගොඩනැගීමේ අරමුණින් උපදෙස් සැලසුම් කරයි [4].
දන්ත වෛද්ය විද්‍යාව ඇතුළු උසස් අධ්‍යාපන ආයතනවල SCL සඳහා ඇති ඉල්ලුම වර්ධනය වෙමින් පවතී.SCL උපාය මාර්ග සැලසුම් කර ඇත්තේ සිසුන්ගේ ඉගෙනුම් අවශ්‍යතා සපුරාලීම සඳහා ය.නිදසුනක් වශයෙන්, සිසුන් ඉගෙනුම් ක්‍රියාකාරකම්වලට ක්‍රියාකාරීව සහභාගී වන විට සහ ගුරුවරුන් පහසුකම් සපයන්නන් ලෙස ක්‍රියා කරන්නේ නම් සහ වටිනා ප්‍රතිපෝෂණ සැපයීමේ වගකීම දරන්නේ නම් මෙය සාක්ෂාත් කරගත හැකිය.සිසුන්ගේ අධ්‍යාපන මට්ටමට හෝ මනාපයන්ට ගැලපෙන ඉගෙනුම් ද්රව්ය සහ ක්රියාකාරකම් ලබා දීමෙන් සිසුන්ගේ ඉගෙනුම් පරිසරය වැඩිදියුණු කර ධනාත්මක ඉගෙනුම් අත්දැකීම් ප්‍රවර්ධනය කළ හැකි බව පැවසේ [5].
සාමාන්‍යයෙන් කිවහොත්, දන්ත වෛද්ය සිසුන්ගේ ඉගෙනුම් ක්‍රියාවලියට ඔවුන් විසින් සිදුකිරීමට අවශ්‍ය විවිධ සායනික ක්‍රියා පටිපාටි සහ ඔවුන් ඵලදායී අන්තර් පුද්ගල කුසලතා වර්ධනය කරන සායනික පරිසරය බලපායි.පුහුණුවේ පරමාර්ථය වන්නේ දන්ත වෛද්ය විද්‍යාව පිළිබඳ මූලික දැනුම දන්ත වෛද්ය සායනික කුසලතා සමඟ ඒකාබද්ධ කිරීම සහ ලබාගත් දැනුම නව සායනික තත්වයන් සඳහා යොදා ගැනීමයි [6, 7].LS සහ IS අතර ඇති සම්බන්ධය පිළිබඳ මුල් කාලීන පර්යේෂණවලින් පෙනී ගියේ කැමති LS වෙත සිතියම්ගත කර ඇති ඉගෙනුම් උපාය මාර්ග සකස් කිරීම අධ්‍යාපන ක්‍රියාවලිය වැඩිදියුණු කිරීමට උපකාරී වන බවයි [8].සිසුන්ගේ ඉගෙනීමට සහ අවශ්‍යතාවලට අනුවර්තනය වීමට විවිධ ඉගැන්වීම් සහ ඇගයීම් ක්රම භාවිතා කිරීම ද කතුවරුන් නිර්දේශ කරයි.
සිසුන්ගේ විෂය කරුණු පිළිබඳ ගැඹුරු දැනුමක් සහ අවබෝධයක් ලබා ගැනීම වැඩි දියුණු කරන උපදෙස් සැලසුම් කිරීමට, සංවර්ධනය කිරීමට සහ ක්‍රියාත්මක කිරීමට උපකාර කිරීම සඳහා LS දැනුම යෙදීමෙන් ගුරුවරුන්ට ප්‍රතිලාභ ලැබේ.පර්යේෂකයන් විසින් Kolb Experiential Learning Model, the Felder-Silverman Learning Style Model (FSLSM) සහ Fleming VAK/VARK Model [5, 9, 10] වැනි LS ඇගයීම් මෙවලම් කිහිපයක් සංවර්ධනය කර ඇත.සාහිත්‍යයට අනුව, මෙම ඉගෙනුම් ආකෘති වඩාත් බහුලව භාවිතා වන සහ වඩාත්ම අධ්‍යයනය කරන ලද ඉගෙනුම් ආකෘති වේ.වත්මන් පර්යේෂණ කාර්යයේදී, දන්ත වෛද්ය සිසුන් අතර LS තක්සේරු කිරීමට FSLSM භාවිතා කරයි.
FSLSM යනු ඉංජිනේරු විද්‍යාවේ අනුවර්තන ඉගෙනීම ඇගයීම සඳහා බහුලව භාවිතා වන ආකෘතියකි.FSLSM ආකෘති [5, 11, 12, 13] භාවිතයෙන් සොයා ගත හැකි සෞඛ්‍ය විද්‍යාවන්හි (වෛද්ය, හෙද, ෆාමසිය සහ දන්ත වෛද්ය විද්‍යාව ඇතුළුව) බොහෝ ප්‍රකාශිත කෘතීන් තිබේ.FLSM හි LS හි මානයන් මැනීමට භාවිතා කරන උපකරණය ඉගෙනුම් ශෛලීන්ගේ දර්ශකය (ILS) [8] ලෙස හැඳින්වේ, LS හි මානයන් හතරක් තක්සේරු කරන අයිතම 44 ක් අඩංගු වේ: සැකසීම (ක්රියාකාරී/පරාවර්තක), සංජානනය (ප්‍රත්‍යක්ෂ/අනුභූතිය), ආදානය (දෘශ්ය)./වාචික) සහ අවබෝධය (අනුක්රමික/ගෝලීය) [14].
රූප සටහන 1 හි පෙන්වා ඇති පරිදි, සෑම FSLSM මානයකටම ප්‍රමුඛ මනාපයක් ඇත.උදාහරණයක් ලෙස, සැකසුම් මානය තුළ, "ක්රියාකාරී" LS සහිත සිසුන් ඉගෙනුම් ද්රව්ය සමඟ සෘජුව අන්තර්ක්‍රියා කිරීමෙන් තොරතුරු සැකසීමට කැමැත්තක් දක්වයි, කිරීමෙන් ඉගෙන ගන්න, සහ කණ්ඩායම් වශයෙන් ඉගෙනීමට නැඹුරු වේ."පරාවර්තක" LS යනු චින්තනය තුළින් ඉගෙනීම වන අතර තනිවම වැඩ කිරීමට කැමැත්තක් දක්වයි.LS හි "දැනගැනීමේ" මානය "හැඟීම" සහ/හෝ "intuition" ලෙස බෙදිය හැකිය."හැඟීම්" සිසුන් වඩාත් සංයුක්ත තොරතුරු සහ ප්‍රායෝගික ක්‍රියා පටිපාටි වලට කැමැත්තක් දක්වයි, වියුක්ත ද්රව්ය වලට වැඩි කැමැත්තක් දක්වන සහ වඩාත් නව්‍ය සහ නිර්මාණාත්මක ස්වභාවයක් ඇති "ඉන්ටිටිව්" සිසුන් හා සසඳන විට කරුණු නැඹුරු වේ.LS හි "ආදාන" මානය සමන්විත වන්නේ "දෘශ්ය" සහ "වාචික" ඉගෙන ගන්නන්ගෙනි."දෘශ්ය" LS ඇති පුද්ගලයින් දෘශ්ය ආදර්ශන (රූප සටහන්, වීඩියෝ හෝ සජීවී ආදර්ශන වැනි) හරහා ඉගෙන ගැනීමට කැමැත්තක් දක්වන අතර, "වාචික" LS ඇති පුද්ගලයින් ලිඛිත හෝ වාචික පැහැදිලි කිරීම් වලින් වචන හරහා ඉගෙන ගැනීමට කැමැත්තක් දක්වයි.LS මානයන් "තේරුම් ගැනීමට", එවැනි ඉගෙන ගන්නන් "අනුක්රමික" සහ "ගෝලීය" ලෙස බෙදිය හැකිය.“අනුක්රමික ඉගෙන ගන්නන් රේඛීය චින්තන ක්‍රියාවලියකට ප්‍රිය කරන අතර පියවරෙන් පියවර ඉගෙන ගන්නා අතර ගෝලීය ඉගෙන ගන්නන් සාකල්‍ය චින්තන ක්‍රියාවලියකට නැඹුරු වන අතර සෑම විටම ඔවුන් ඉගෙන ගන්නා දේ පිළිබඳව වඩා හොඳ අවබෝධයක් ඇත.
මෑතකදී, බොහෝ පර්යේෂකයන් විශාල දත්ත ප්‍රමාණයක් පරිවර්ථනය කිරීමේ හැකියාව ඇති නව ඇල්ගොරිතම සහ ආකෘති සංවර්ධනය ඇතුළුව ස්වයංක්‍රීය දත්ත මත පදනම් වූ සොයාගැනීම් සඳහා ක්රම ගවේෂණය කිරීමට පටන් ගෙන ඇත [15, 16].සපයන ලද දත්ත මත පදනම්ව, අධීක්ෂණය කරන ලද ML (යන්ත්‍ර ඉගෙනීම) හට ඇල්ගොරිතම ගොඩනැගීම මත පදනම්ව අනාගත ප්රතිඵල පුරෝකථනය කරන රටා සහ උපකල්පන ජනනය කිරීමට හැකි වේ [17].සරලව කිවහොත්, අධීක්ෂණය කරන ලද යන්ත්‍ර ඉගෙනුම් ශිල්පීය ක්රම මඟින් ආදාන දත්ත සහ පුහුණු ඇල්ගොරිතම හසුරුවයි.එය පසුව සපයන ලද ආදාන දත්ත සඳහා සමාන තත්වයන් මත පදනම්ව ප්‍රතිඵලය වර්ගීකරණය කරන හෝ අනාවැකි පළ කරන පරාසයක් ජනනය කරයි.අධීක්ෂණය කරන ලද යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතමවල ප්‍රධාන වාසිය වන්නේ පරමාදර්ශී සහ අපේක්ෂිත ප්රතිඵල පිහිටුවීමේ හැකියාවයි [17].
දත්ත මත පදනම් වූ ක්රම සහ තීරණ ගස් පාලන ආකෘති භාවිතයෙන්, LS ස්වයංක්‍රීයව හඳුනාගැනීමේ හැකියාව ඇත.සෞඛ්‍ය විද්‍යාව ඇතුළු විවිධ ක්ෂේත්‍රවල පුහුණු වැඩසටහන් සඳහා තීරණ ගස් බහුලව භාවිතා වන බව වාර්තා වී ඇත [18, 19].මෙම අධ්‍යයනයේ දී, සිසුන්ගේ LS හඳුනා ගැනීමට සහ ඔවුන් සඳහා හොඳම IS නිර්දේශ කිරීමට පද්ධති සංවර්ධකයින් විසින් ආකෘතිය විශේෂයෙන් පුහුණු කරන ලදී.
මෙම අධ්‍යයනයේ අරමුණ වන්නේ සිසුන්ගේ LS මත පදනම්ව IS බෙදාහැරීමේ උපාය මාර්ග සංවර්ධනය කිරීම සහ LS වෙත සිතියම්ගත කර ඇති IS නිර්දේශ මෙවලමක් සංවර්ධනය කිරීම මගින් SCL ප්‍රවේශය යෙදීමයි.SCL ක්‍රමයේ උපාය මාර්ගයක් ලෙස IS නිර්දේශ මෙවලමෙහි සැලසුම් ප්‍රවාහය රූප සටහන 1 හි පෙන්වා ඇත. IS නිර්දේශ මෙවලම ILS භාවිතා කරන LS වර්ගීකරණ යාන්ත්‍රණය සහ සිසුන් සඳහා වඩාත් සුදුසු IS සංදර්ශකය ඇතුළුව කොටස් දෙකකට බෙදා ඇත.
විශේෂයෙන්ම, තොරතුරු ආරක්ෂණ නිර්දේශ මෙවලම්වල ලක්ෂණ අතරට වෙබ් තාක්ෂණයන් භාවිතය සහ තීරණ ගස් යන්ත්‍ර ඉගෙනීමේ භාවිතය ඇතුළත් වේ.පද්ධති සංවර්ධකයින් ජංගම දුරකථන සහ ටැබ්ලට් වැනි ජංගම උපාංගවලට අනුවර්තනය කිරීමෙන් පරිශීලක අත්දැකීම් සහ සංචලතාව වැඩි දියුණු කරයි.
මෙම අත්හදා බැලීම අදියර දෙකකින් සිදු කරන ලද අතර මලයා විශ්ව විද්‍යාලයේ දන්ත වෛද්ය පීඨයේ සිසුන් ස්වේච්ඡා පදනමින් සහභාගී විය.සහභාගිවන්නන් දන්ත වෛද්ය ශිෂ්‍යයෙකුගේ මාර්ගගත m-ILS වෙත ඉංග්‍රීසි භාෂාවෙන් ප්‍රතිචාර දැක්වීය.ආරම්භක අදියරේදී, තීරණ ගස් යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම පුහුණු කිරීම සඳහා සිසුන් 50 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරන ලදී.සංවර්ධන ක්‍රියාවලියේ දෙවන අදියරේදී, සංවර්ධිත උපකරණයේ නිරවද්‍යතාවය වැඩි දියුණු කිරීම සඳහා සිසුන් 255 දෙනෙකුගෙන් යුත් දත්ත කට්ටලයක් භාවිතා කරන ලදී.
මයික්‍රොසොෆ්ට් කණ්ඩායම් හරහා අධ්‍යයන වර්ෂය අනුව එක් එක් අදියර ආරම්භයේදී සියලුම සහභාගිවන්නන්ට මාර්ගගත විස්තරයක් ලැබේ.අධ්‍යයනයේ අරමුණ පැහැදිලි කරන ලද අතර දැනුවත් කැමැත්ත ලබා ගන්නා ලදී.සියලුම සහභාගිවන්නන්ට m-ILS වෙත ප්‍රවේශ වීමට සබැඳියක් ලබා දී ඇත.ප්‍රශ්නාවලියෙහි ඇති අයිතම 44ටම පිළිතුරු සපයන ලෙස සෑම සිසුවෙකුටම උපදෙස් දෙන ලදී.අධ්‍යයන වාරය ආරම්භ වීමට පෙර අධ්‍යයන වාරයේ විවේකයේදී ඔවුන්ට පහසු වේලාවකට සහ ස්ථානයට නවීකරණය කරන ලද ILS සම්පූර්ණ කිරීමට සතියක කාලයක් ලබා දෙන ලදී.m-ILS මුල් ILS උපකරණය මත පදනම් වන අතර දන්ත වෛද්ය සිසුන් සඳහා වෙනස් කර ඇත.මුල් ILS හා සමානව, එහි ඒකාකාරව බෙදා හරින ලද අයිතම 44ක් (a, b) අඩංගු වන අතර, එක් එක් අයිතම 11 බැගින්, එක් එක් FSLSM මානයන්හි අංග තක්සේරු කිරීමට භාවිතා කරයි.
මෙවලම් සංවර්ධනයේ ආරම්භක අදියරේදී, පර්යේෂකයන් විසින් දන්ත සිසුන් 50 දෙනෙකුගේ දත්ත කට්ටලයක් භාවිතා කරමින් සිතියම් අතින් සටහන් කර ඇත.FSLM ට අනුව, පද්ධතිය "a" සහ "b" යන පිළිතුරු වල එකතුව සපයයි.එක් එක් මානය සඳහා, ශිෂ්යයා පිළිතුරක් ලෙස “a” තෝරා ගන්නේ නම්, LS ක්රියාකාරී/ප්‍රත්‍යක්ෂ/දෘෂ්‍ය/අනුක්රමික ලෙස වර්ගීකරණය කර ඇති අතර, ශිෂ්යයා “b” පිළිතුරක් ලෙස තෝරා ගන්නේ නම්, ශිෂ්යයා පරාවර්තක/ප්‍රතිභාන/භාෂාමය වශයෙන් වර්ග කෙරේ. ./ ගෝලීය ඉගෙන ගන්න.
දන්ත අධ්‍යාපන පර්යේෂකයන් සහ පද්ධති සංවර්ධකයින් අතර කාර්ය ප්‍රවාහය ක්‍රමාංකනය කිරීමෙන් පසුව, FLSSM වසම මත පදනම්ව ප්‍රශ්න තෝරාගෙන එක් එක් ශිෂ්‍යයාගේ LS පුරෝකථනය කිරීම සඳහා ML ආකෘතියට ලබා දෙන ලදී.“කසළ ඇතුලට, කුණු පිටතට” යනු දත්ත ගුණාත්මක බව අවධාරණය කරමින් යන්ත්‍ර ඉගෙනීමේ ක්‍ෂේත්‍රයේ ජනප්රිය කියමනකි.ආදාන දත්තවල ගුණාත්මකභාවය යන්ත්‍ර ඉගෙනුම් ආකෘතියේ නිරවද්‍යතාවය සහ නිරවද්‍යතාවය තීරණය කරයි.විශේෂාංග ඉංජිනේරු අවධියේදී, FLSSM මත පදනම් වූ “a” සහ “b” පිළිතුරු එකතුව වන නව විශේෂාංග කට්ටලයක් සාදනු ලැබේ.ඖෂධ ස්ථාන හඳුනාගැනීමේ අංක 1 වගුවේ දක්වා ඇත.
පිළිතුරු මත පදනම්ව ලකුණු ගණනය කර ශිෂ්‍යයාගේ LS තීරණය කරන්න.සෑම සිසුවෙකු සඳහාම, ලකුණු පරාසය 1 සිට 11 දක්වා වේ. ලකුණු 1 සිට 3 දක්වා වූ අගයන් එකම මානය තුළ ඉගෙනුම් මනාප සමතුලිතතාවයක් පෙන්නුම් කරයි, සහ 5 සිට 7 දක්වා ලකුණු මධ්‍යස්ථ මනාපයක් පෙන්නුම් කරයි, එයින් පෙන්නුම් කරන්නේ සිසුන් අන් අයට ඉගැන්වීම සඳහා එක් පරිසරයකට වැඩි කැමැත්තක් දක්වන බවයි. .එකම මානයක ඇති තවත් විචලනය වන්නේ 9 සිට 11 දක්වා වූ ලකුණු එක් අන්තයකට හෝ අනෙක් අන්තයකට ඇති දැඩි මනාපය [8] පිළිබිඹු කරයි.
එක් එක් මානයන් සඳහා, ඖෂධ "ක්රියාකාරී", "පරාවර්තක" සහ "සමබර" ලෙස කාණ්ඩගත කර ඇත.උදාහරණයක් ලෙස, ශිෂ්‍යයෙක් නම් කරන ලද අයිතමයකට “b” ට වඩා බොහෝ විට “a” පිළිතුරු දෙන විට සහ ඔහුගේ/ඇයගේ ලකුණු සැකසුම් LS මානය නියෝජනය කරන යම් අයිතමයක් සඳහා 5 සීමාව ඉක්මවන විට, ඔහු/ඇය “ක්රියාකාරී” LS වලට අයත් වේ. වසම්..කෙසේ වෙතත්, සිසුන් විශේෂිත ප්‍රශ්න 11 (වගුව 1) තුළ "ආ" ට වඩා "ආ" තෝරා ලකුණු 5 කට වඩා ලබා ගත් විට "පරාවර්තක" LS ලෙස වර්ගීකරණය කරන ලදී.අවසාන වශයෙන්, ශිෂ්යයා "සමතුලිතතාවයේ" තත්වයක සිටී.ලකුණු 5 ක් නොඉක්මවන නම්, මෙය "ක්රියාවලියක්" LS වේ.අනෙකුත් LS මානයන් සඳහා වර්ගීකරණ ක්‍රියාවලිය නැවත නැවතත් සිදු කරන ලදී, එනම් සංජානනය (ක්රියාකාරී/පරාවර්තක), ආදානය (දෘශ්ය/වාචික) සහ අවබෝධය (අනුක්රමික/ගෝලීය).
තීරණ ගස් ආකෘති වර්ගීකරණ ක්‍රියාවලියේ විවිධ අවස්ථා වලදී විවිධ ලක්ෂණ සහ තීරණ නීතිවල විවිධ උප කුලක භාවිතා කළ හැක.එය ජනප්රිය වර්ගීකරණය සහ අනාවැකි මෙවලමක් ලෙස සැලකේ.එය ප්‍රවාහ සටහනක් [20] වැනි ගස් ව්‍යුහයක් භාවිතයෙන් නිරූපණය කළ හැක, එහි ගුණාංග අනුව පරීක්ෂණ නියෝජනය කරන අභ්‍යන්තර නෝඩ්, පරීක්ෂණ ප්රතිඵල නියෝජනය කරන සෑම ශාඛාවක්ම සහ පන්ති ලේබලයක් අඩංගු සෑම කොළ නෝඩයක්ම (කොළ නෝඩයක්) ඇත.
සෑම සිසුවෙකුගේම ප්‍රතිචාර මත පදනම්ව ස්වයංක්‍රීයව ලකුණු කිරීමට සහ විවරණ කිරීමට සරල රීති මත පදනම් වූ වැඩසටහනක් නිර්මාණය කරන ලදී.රීතිය මත පදනම් වූ IF ප්‍රකාශයක ස්වරූපය ගනී, එහිදී “IF” ප්‍රේරකය විස්තර කරන අතර “එවිට” සිදු කළ යුතු ක්‍රියාව සඳහන් කරයි, උදාහරණයක් ලෙස: “X සිදුවුවහොත්, Y කරන්න” (Liu et al., 2014).දත්ත කට්ටලය සහසම්බන්ධතාවය ප්‍රදර්ශනය කරන්නේ නම් සහ තීරණ ගසේ ආකෘතිය නිසි ලෙස පුහුණු කර ඇගයීමට ලක් කර ඇත්නම්, මෙම ප්‍රවේශය LS සහ IS ගැලපීමේ ක්‍රියාවලිය ස්වයංක්‍රීය කිරීමට ඵලදායී ක්‍රමයක් විය හැක.
සංවර්ධනයේ දෙවන අදියරේදී, නිර්දේශ මෙවලමෙහි නිරවද්‍යතාවය වැඩි දියුණු කිරීම සඳහා දත්ත කට්ටලය 255 දක්වා වැඩි කරන ලදී.දත්ත කට්ටලය 1:4 අනුපාතයට බෙදී ඇත.දත්ත කට්ටලයෙන් 25% (64) පරීක්ෂණ කට්ටලය සඳහා භාවිතා කරන ලද අතර ඉතිරි 75% (191) පුහුණු කට්ටලය ලෙස භාවිතා කරන ලදී (රූපය 2).ආකෘතිය ඉගෙනීමට වඩා මතක තබා ගැනීමට හේතු විය හැකි එකම දත්ත කට්ටලයක් මත ආකෘතිය පුහුණු කිරීම සහ පරීක්ෂා කිරීම වැළැක්වීම සඳහා දත්ත කට්ටලය බෙදිය යුතුය.ආකෘතිය පුහුණු කට්ටලය මත පුහුණු කර ඇති අතර පරීක්ෂණ කට්ටලය මත එහි කාර්ය සාධනය ඇගයීමට ලක් කරයි - ආකෘතිය පෙර කවදාවත් දැක නැති දත්ත.
IS මෙවලම සංවර්ධනය කළ පසු, වෙබ් අතුරු මුහුණතක් හරහා දන්ත වෛද්ය සිසුන්ගේ ප්‍රතිචාර මත පදනම්ව LS වර්ගීකරණය කිරීමට යෙදුමට හැකි වේ.වෙබ් පාදක තොරතුරු ආරක්ෂණ නිර්දේශ මෙවලම් පද්ධතිය ගොඩනගා ඇත්තේ Python ක්‍රමලේඛන භාෂාව භාවිතා කරමින් Django රාමුව භාවිතා කරමින් පසුබිම් ලෙස ය.වගුව 2 මෙම පද්ධතියේ සංවර්ධනය සඳහා භාවිතා කරන පුස්තකාල ලැයිස්තුගත කරයි.
ශිෂ්ය LS මිනුම් ස්වයංක්‍රීයව වර්ගීකරණය කිරීම සඳහා ශිෂ්ය ප්‍රතිචාර ගණනය කිරීම සහ උපුටා ගැනීම සඳහා දත්ත කට්ටලය තීරණ වෘක්ෂ ආකෘතියකට පෝෂණය වේ.
ව්‍යාකූල න්‍යාසය ලබා දී ඇති දත්ත කට්ටලයක් මත තීරණ ගස් යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතමයේ නිරවද්‍යතාවය තක්සේරු කිරීමට භාවිතා කරයි.ඒ සමගම, එය වර්ගීකරණ ආකෘතියේ කාර්ය සාධනය ඇගයීමට ලක් කරයි.එය ආකෘතියේ අනාවැකි සාරාංශ කර ඒවා සත්‍ය දත්ත ලේබල සමඟ සංසන්දනය කරයි.ඇගයීම් ප්රතිඵල විවිධ අගයන් හතරක් මත පදනම් වේ: True Positive (TP) - ආදර්ශය ධනාත්මක ප්‍රවර්ගය නිවැරදිව පුරෝකථනය කර ඇත, False Positive (FP) - ආකෘතිය ධනාත්මක ප්‍රවර්ගය පුරෝකථනය කර ඇත, නමුත් සත්‍ය ලේබලය සෘණ, සත්‍ය සෘණ (TN) - ආදර්ශය සෘණ පන්තිය නිවැරදිව පුරෝකථනය කර ඇති අතර ව්‍යාජ සෘණ (FN) - ආකෘතිය සෘණ පන්තියක් පුරෝකථනය කරයි, නමුත් සත්‍ය ලේබලය ධනාත්මක වේ.
මෙම අගයන් පසුව Python හි ඇති scikit-Learn වර්ගීකරණ ආකෘතියේ විවිධ කාර්ය සාධන මිතික, එනම් නිරවද්‍යතාවය, නිරවද්‍යතාවය, නැවත කැඳවීම සහ F1 ලකුණු ගණනය කිරීමට භාවිතා කරයි.මෙන්න උදාහරණ:
නැවත කැඳවීම (හෝ සංවේදීතාව) m-ILS ප්‍රශ්නාවලියට පිළිතුරු දීමෙන් පසු ශිෂ්‍යයෙකුගේ LS නිවැරදිව වර්ග කිරීමට ආකෘතියට ඇති හැකියාව මනිනු ලබයි.
විශේෂත්වය සැබෑ සෘණ අනුපාතයක් ලෙස හැඳින්වේ.ඉහත සූත්‍රයෙන් ඔබට පෙනෙන පරිදි, මෙය සත්‍ය සෘණ (TN) සහ සත්‍ය ඍණ සහ ව්‍යාජ ධන (FP) අනුපාතය විය යුතුය.ශිෂ්ය ඖෂධ වර්ගීකරණය සඳහා නිර්දේශිත මෙවලමෙහි කොටසක් ලෙස, එය නිවැරදිව හඳුනාගැනීමේ හැකියාව තිබිය යුතුය.
තීරණ ගස ML ආකෘතිය පුහුණු කිරීම සඳහා භාවිතා කරන ලද සිසුන් 50 දෙනෙකුගේ මුල් දත්ත කට්ටලය විවරණවල මානව දෝෂ හේතුවෙන් සාපේක්ෂව අඩු නිරවද්‍යතාවයක් පෙන්නුම් කළේය (වගුව 3).LS ලකුණු සහ ශිෂ්ය අනුසටහන් ස්වයංක්‍රීයව ගණනය කිරීම සඳහා සරල රීති-පාදක වැඩසටහනක් නිර්මාණය කිරීමෙන් පසුව, නිර්දේශ කිරීමේ පද්ධතිය පුහුණු කිරීමට සහ පරීක්ෂා කිරීමට වැඩි වන දත්ත කට්ටල සංඛ්‍යාවක් (255) භාවිතා කරන ලදී.
බහු පංති ව්‍යාකූල න්‍යාසයේ, විකර්ණ මූලද්‍රව්‍ය එක් එක් LS වර්ගය සඳහා නිවැරදි පුරෝකථන ගණන නියෝජනය කරයි (රූපය 4).තීරන ගස ආකෘතිය භාවිතා කරමින්, සම්පූර්ණ සාම්පල 64ක් නිවැරදිව පුරෝකථනය කරන ලදී.මේ අනුව, මෙම අධ්‍යයනයේ දී, විකර්ණ මූලද්‍රව්‍ය අපේක්ෂිත ප්රතිඵල පෙන්වයි, ආකෘතිය හොඳින් ක්‍රියා කරන බව සහ එක් එක් LS වර්ගීකරණය සඳහා පන්ති ලේබලය නිවැරදිව පුරෝකථනය කරයි.මේ අනුව, නිර්දේශ මෙවලමෙහි සමස්ත නිරවද්‍යතාවය 100% කි.
නිරවද්‍යතාවය, නිරවද්‍යතාවය, නැවත කැඳවීම සහ F1 ලකුණු වල අගයන් රූප සටහන 5 හි පෙන්වා ඇත. තීරණ ගස් ආකෘතිය භාවිතා කරන නිර්දේශ පද්ධතිය සඳහා, එහි F1 ලකුණු 1.0 "පරිපූර්ණ" වේ, පරිපූර්ණ නිරවද්‍යතාවය සහ නැවත කැඳවීම, සැලකිය යුතු සංවේදීතාව සහ නිශ්චිතභාවය පිළිබිඹු කරයි. අගයන්.
රූප සටහන 6 හි දැක්වෙන්නේ පුහුණුවීම් සහ පරීක්ෂණ අවසන් වූ පසු තීරණ ගසේ ආකෘතියේ දෘශ්‍යකරණයකි.පැති-පසෙකින් සංසන්දනය කිරීමේදී, අඩු විශේෂාංග සමඟ පුහුණු කරන ලද තීරණ ගස ආකෘතිය ඉහළ නිරවද්‍යතාවයක් සහ පහසු ආකෘති දෘශ්‍යකරණයක් පෙන්නුම් කළේය.මෙමගින් පෙන්නුම් කරන්නේ විශේෂාංග අඩු කිරීමට තුඩු දෙන විශේෂාංග ඉංජිනේරුකරණය ආදර්ශ කාර්ය සාධනය වැඩිදියුණු කිරීමේ වැදගත් පියවරක් බවයි.
තීරණ ගස අධීක්ෂණ ඉගෙනීම යෙදීමෙන්, LS (ආදාන) සහ IS (ඉලක්ක ප්‍රතිදානය) අතර සිතියම්ගත කිරීම ස්වයංක්‍රීයව උත්පාදනය වන අතර එක් එක් LS සඳහා සවිස්තරාත්මක තොරතුරු අඩංගු වේ.
ප්රතිඵල පෙන්නුම් කළේ සිසුන් 255 න් 34.9% ක් එක් (1) LS විකල්පයකට කැමති බවයි.බහුතරයකට (54.3%) LS මනාප දෙකක් හෝ වැඩි ගණනක් තිබුණි.12.2% සිසුන් LS තරමක් සමබර බව සටහන් කර ඇත (වගුව 4).ප්‍රධාන LS අටට අමතරව, මලයා විශ්ව විද්‍යාලයේ දන්ත වෛද්ය සිසුන් සඳහා LS වර්ගීකරණයන්හි සංයෝජන 34ක් ඇත.ඒවා අතර, සංජානනය, දැක්ම සහ සංජානනය සහ දැක්ම යන සංයෝජනය සිසුන් විසින් වාර්තා කරන ලද ප්‍රධාන LS වේ (රූපය 7).
4 වගුවෙන් දැකිය හැකි පරිදි, සිසුන්ගෙන් බහුතරයකට ප්‍රධාන සංවේදී (13.7%) හෝ දෘශ්ය (8.6%) LS තිබුණි.සිසුන්ගෙන් 12.2% ක් සංජානනය දර්ශනය සමඟ ඒකාබද්ධ කළ බව වාර්තා විය (ප්‍රත්‍යක්ෂ-දෘෂ්‍ය LS).මෙම සොයාගැනීම්වලින් පෙනී යන්නේ සිසුන් ස්ථාපිත ක්රම හරහා ඉගෙනීමට සහ මතක තබා ගැනීමට කැමති බවත්, නිශ්චිත සහ සවිස්තරාත්මක ක්‍රියා පටිපාටි අනුගමනය කිරීමටත්, ස්වභාවයෙන්ම අවධානයෙන් සිටින බවත්ය.ඒ අතරම, ඔවුන් බැලීමෙන් (රූපසටහන් ආදිය භාවිතා කරමින්) ඉගෙනීමෙන් සතුටක් ලබන අතර කණ්ඩායම් වශයෙන් හෝ තමන් විසින්ම තොරතුරු සාකච්ඡා කිරීමට සහ අදාළ කිරීමට නැඹුරු වෙති.
මෙම අධ්‍යයනය මඟින් සිසුන්ගේ LS ක්ෂණිකව සහ නිවැරදිව පුරෝකථනය කිරීම සහ සුදුසු IS නිර්දේශ කිරීම කෙරෙහි අවධානය යොමු කරමින් දත්ත කැණීමේදී භාවිතා කරන යන්ත්‍ර ඉගෙනුම් ශිල්පීය ක්රම පිළිබඳ දළ විශ්ලේෂණයක් සපයයි.තීරණ ගස් ආකෘතියක් යෙදීමෙන් ඔවුන්ගේ ජීවිතයට සහ අධ්‍යාපනික අත්දැකීම්වලට වඩාත් සමීපව සම්බන්ධ වූ සාධක හඳුනා ගන්නා ලදී.එය අධීක්ෂණ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතමයක් වන අතර එය යම් නිර්ණායක මත පදනම්ව දත්ත සමූහයක් උපප්‍රවර්ගවලට බෙදා දත්ත වර්ගීකරණය කිරීමට ගස් ව්‍යුහයක් භාවිතා කරයි.එය ක්‍රියා කරන්නේ පත්‍ර නෝඩයේ තීරණයක් ගන්නා තෙක් එක් එක් අභ්‍යන්තර නෝඩයේ එක් ආදාන විශේෂාංගයක අගය මත පදනම්ව ආදාන දත්ත උප කුලකවලට බෙදා හැරීමෙනි.
තීරණ ගසේ අභ්‍යන්තර නෝඩ් m-ILS ගැටලුවේ ආදාන ලක්ෂණ මත පදනම් වූ විසඳුම නියෝජනය කරන අතර පත්‍ර නෝඩ් අවසාන LS වර්ගීකරණ අනාවැකිය නියෝජනය කරයි.අධ්‍යයනය පුරාම, ආදාන විශේෂාංග සහ ප්‍රතිදාන අනාවැකි අතර සම්බන්ධය දෙස බැලීමෙන් තීරණ ක්‍රියාවලිය පැහැදිලි කරන සහ දෘශ්‍යමාන කරන තීරණ ගස්වල ධුරාවලිය තේරුම් ගැනීම පහසුය.
පරිගණක විද්‍යාව සහ ඉංජිනේරු ක්ෂේත්‍රවල, සිසුන්ගේ ප්‍රවේශ විභාග ලකුණු [21], ජනවිකාස තොරතුරු සහ ඉගෙනුම් හැසිරීම් [22] මත පදනම්ව සිසුන්ගේ කාර්ය සාධනය පුරෝකථනය කිරීමට යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම බහුලව භාවිතා වේ.පර්යේෂණයකින් පෙන්නුම් කළේ ඇල්ගොරිතම සිසුන්ගේ කාර්ය සාධනය නිවැරදිව පුරෝකථනය කර ඇති අතර අධ්‍යයන දුෂ්කරතා සඳහා අවදානම් සහිත සිසුන් හඳුනා ගැනීමට ඔවුන්ට උපකාර කළ බවයි.
දන්ත වෛද්ය පුහුණුව සඳහා අතථ්‍ය රෝගී සිමියුලේටර් සංවර්ධනය කිරීමේදී ML ඇල්ගොරිතම යෙදීම වාර්තා වේ.සිමියුලේටරය සැබෑ රෝගීන්ගේ කායික විද්‍යාත්මක ප්‍රතිචාර නිවැරදිව ප්‍රතිනිෂ්පාදනය කිරීමට සමත් වන අතර ආරක්ෂිත සහ පාලිත පරිසරයක දන්ත වෛද්ය සිසුන් පුහුණු කිරීමට භාවිතා කළ හැක [23].යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම මගින් දන්ත හා වෛද්ය අධ්‍යාපනයේ සහ රෝගී සත්කාරයේ ගුණාත්මක භාවය සහ කාර්යක්ෂමතාව වැඩිදියුණු කළ හැකි බව තවත් අධ්‍යයනයන් කිහිපයක් පෙන්වා දෙයි.රෝග ලක්ෂණ සහ රෝගියාගේ ලක්ෂණ [24, 25] වැනි දත්ත කට්ටල මත පදනම්ව දන්ත රෝග හඳුනා ගැනීමට සහාය වීමට යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම භාවිතා කර ඇත.රෝගීන්ගේ ප්රතිඵල පුරෝකථනය කිරීම, අධි අවදානම් සහිත රෝගීන් හඳුනා ගැනීම, පුද්ගලාරෝපිත ප්‍රතිකාර සැලසුම් [26] සංවර්ධනය කිරීම, කාලාන්තර ප්‍රතිකාර [27], සහ කැරීස් ප්‍රතිකාරය [25] වැනි කාර්යයන් ඉටු කිරීම සඳහා යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම භාවිතය වෙනත් අධ්‍යයනයන් විසින් ගවේෂණය කර ඇත.
දන්ත වෛද්ය විද්‍යාවේ යන්ත්‍ර ඉගෙනීමේ යෙදීම් පිළිබඳ වාර්තා ප්‍රකාශයට පත් කර ඇතත්, දන්ත වෛද්ය අධ්‍යාපනය සඳහා එහි යෙදීම් සීමිතය.එබැවින්, මෙම අධ්‍යයනයේ අරමුණ වූයේ දන්ත වෛද්ය සිසුන් අතර LS සහ IS සමඟ වඩාත් සමීපව සම්බන්ධ වන සාධක හඳුනා ගැනීම සඳහා තීරණ ගස් ආකෘතියක් භාවිතා කිරීමයි.
මෙම අධ්‍යයනයේ ප්රතිඵල පෙන්නුම් කරන්නේ සංවර්ධිත නිර්දේශ මෙවලමෙහි ඉහළ නිරවද්‍යතාවයක් සහ පරිපූර්ණ නිරවද්‍යතාවයක් ඇති බවයි, ගුරුවරුන්ට මෙම මෙවලමෙන් ප්‍රයෝජන ගත හැකි බව පෙන්නුම් කරයි.දත්ත මත පදනම් වූ වර්ගීකරණ ක්රියාවලියක් භාවිතා කරමින්, එය පුද්ගලාරෝපිත නිර්දේශ සැපයීමට සහ අධ්‍යාපනඥයින් සහ සිසුන් සඳහා අධ්‍යාපනික අත්දැකීම් සහ ප්රතිඵල වැඩිදියුණු කළ හැක.ඒ අතරින් නිර්දේශ මෙවලම් හරහා ලබාගන්නා තොරතුරු ගුරුවරුන් කැමති ඉගැන්වීම් ක්රම සහ සිසුන්ගේ ඉගෙනුම් අවශ්‍යතා අතර ගැටුම් නිරාකරණය කළ හැක.උදාහරණයක් ලෙස, නිර්දේශ මෙවලම්වල ස්වයංක්‍රීය ප්‍රතිදානය හේතුවෙන්, ශිෂ්‍යයෙකුගේ IP හඳුනාගෙන එය අනුරූප IP සමඟ ගැලපීමට ගතවන කාලය සැලකිය යුතු ලෙස අඩු වේ.මේ ආකාරයෙන්, සුදුසු පුහුණු ක්රියාකාරකම් සහ පුහුණු ද්රව්ය සංවිධානය කළ හැකිය.මෙය සිසුන්ගේ ධනාත්මක ඉගෙනුම් හැසිරීම් සහ අවධානය යොමු කිරීමේ හැකියාව වර්ධනය කිරීමට උපකාරී වේ.එක් අධ්‍යයනයක් වාර්තා කළේ සිසුන්ට ඉගෙනුම් ද්රව්ය සහ ඔවුන් කැමති LS වලට ගැලපෙන ඉගෙනුම් ක්රියාකාරකම් සැපයීම සිසුන්ට වැඩි විභවයක් ලබා ගැනීමට විවිධ ආකාරවලින් ඉගෙනීම ඒකාබද්ධ කිරීමට, සැකසීමට සහ භුක්ති විඳීමට උපකාර කළ හැකි බවයි [12].පන්ති කාමරයේ ශිෂ්ය සහභාගීත්වය වැඩිදියුණු කිරීමට අමතරව, සිසුන්ගේ ඉගෙනුම් ක්‍රියාවලිය අවබෝධ කර ගැනීම ඉගැන්වීමේ භාවිතයන් සහ සිසුන් සමඟ සන්නිවේදනය වැඩිදියුණු කිරීමේදී තීරණාත්මක කාර්යභාරයක් ඉටු කරන බව පර්යේෂණ ද පෙන්වා දෙයි [28, 29].
කෙසේ වෙතත්, ඕනෑම නවීන තාක්ෂණයක් මෙන්, ගැටළු සහ සීමාවන් තිබේ.මේවාට දත්ත රහස්‍යතාව, පක්ෂග්‍රාහීත්වය සහ සාධාරණත්වය සම්බන්ධ ගැටළු සහ දන්ත වෛද්ය අධ්‍යාපනයේ යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම සංවර්ධනය කිරීමට සහ ක්‍රියාත්මක කිරීමට අවශ්‍ය වෘත්තීය කුසලතා සහ සම්පත් ඇතුළත් වේ;කෙසේ වෙතත්, මෙම ප්‍රදේශයේ වර්ධනය වන උනන්දුව සහ පර්යේෂණවලින් පෙනී යන්නේ යන්ත්‍ර ඉගෙනීමේ තාක්ෂණයන් දන්ත අධ්‍යාපනය සහ දන්ත වෛද්ය සේවාවන් කෙරෙහි ධනාත්මක බලපෑමක් ඇති කළ හැකි බවයි.
මෙම අධ්‍යයනයේ ප්‍රතිඵලවලින් පෙනී යන්නේ දන්ත වෛද්ය සිසුන්ගෙන් අඩකට ඖෂධ “දැනගැනීමේ” ප්‍රවණතාවක් ඇති බවයි.මෙම වර්ගයේ ඉගෙන ගන්නන්ට කරුණු සහ සංයුක්ත උදාහරණ සඳහා මනාපයක්, ප්‍රායෝගික දිශානතියක්, විස්තර සඳහා ඉවසීමක් සහ “දෘශ්ය” LS මනාපයක් ඇත, එහිදී ඉගෙන ගන්නන් අදහස් සහ සිතුවිලි ප්‍රකාශ කිරීමට පින්තූර, ග්‍රැෆික්ස්, වර්ණ සහ සිතියම් භාවිතා කිරීමට කැමැත්තක් දක්වයි.වර්තමාන ප්රතිඵල දන්ත වෛද්ය සහ වෛද්ය සිසුන්ගේ LS තක්සේරු කිරීම සඳහා ILS භාවිතා කරන අනෙකුත් අධ්‍යයනයන්ට අනුකූල වේ, ඔවුන්ගෙන් බොහෝ දෙනෙකුට ප්‍රත්‍යක්ෂ සහ දෘශ්ය LS ලක්ෂණ ඇත [12, 30].Dalmolin et al යෝජනා කරන්නේ සිසුන්ට ඔවුන්ගේ LS පිළිබඳව දැනුම් දීමෙන් ඔවුන්ගේ ඉගෙනීමේ හැකියාව වෙත ළඟා වීමට ඉඩ සැලසෙන බවයි.පර්යේෂකයන් තර්ක කරන්නේ ගුරුවරුන් සිසුන්ගේ අධ්‍යාපන ක්‍රියාවලිය සම්පූර්ණයෙන් අවබෝධ කරගත් විට සිසුන්ගේ කාර්ය සාධනය සහ ඉගෙනීමේ අත්දැකීම් වැඩිදියුණු කරන විවිධ ඉගැන්වීම් ක්රම සහ ක්රියාකාරකම් ක්‍රියාත්මක කළ හැකි බවයි [12, 31, 32].වෙනත් අධ්‍යයනයන් පෙන්වා දී ඇත්තේ සිසුන්ගේ LS ගැලපීම මගින් සිසුන්ගේ ඉගෙනුම් අත්දැකීම් සහ ඔවුන්ගේ ඉගෙනුම් විලාසයන් ඔවුන්ගේම LS වලට ගැලපෙන පරිදි වෙනස් කිරීමෙන් පසු කාර්ය සාධනය වැඩිදියුණු වන බවයි [13, 33].
සිසුන්ගේ ඉගෙනුම් හැකියාවන් මත පදනම්ව ඉගැන්වීමේ උපාය මාර්ග ක්‍රියාත්මක කිරීම සම්බන්ධයෙන් ගුරුවරුන්ගේ අදහස් වෙනස් විය හැකිය.වෘත්තීය සංවර්ධන අවස්ථා, උපදේශනය සහ ප්‍රජා සහයෝගය ඇතුළුව මෙම ප්‍රවේශයේ ප්‍රතිලාභ සමහරු දකින අතර තවත් සමහරු කාලය සහ ආයතනික සහයෝගය ගැන සැලකිලිමත් විය හැකිය.ශිෂ්ය කේන්ද්‍රීය ආකල්පයක් ඇති කිරීම සඳහා සමතුලිතතාවය සඳහා උත්සාහ කිරීම ප්‍රධාන වේ.විශ්ව විද්‍යාල පරිපාලකයින් වැනි උසස් අධ්‍යාපන බලධාරීන්ට නව්‍ය භාවිතයන් හඳුන්වා දීමෙන් සහ පීඨ සංවර්ධනයට අනුබල දීමෙන් ධනාත්මක වෙනසක් ඇති කිරීමට වැදගත් කාර්යභාරයක් ඉටු කළ හැකිය [34].සැබවින්ම ගතික සහ ප්‍රතිචාරාත්මක උසස් අධ්‍යාපන පද්ධතියක් නිර්මාණය කිරීම සඳහා, ප්‍රතිපත්ති සම්පාදකයින් විසින් ප්‍රතිපත්ති වෙනස් කිරීම, තාක්‍ෂණික ඒකාබද්ධතාවය සඳහා සම්පත් කැප කිරීම සහ ශිෂ්ය කේන්ද්‍රීය ප්‍රවේශයන් ප්‍රවර්ධනය කරන රාමු නිර්මාණය කිරීම වැනි නිර්භීත පියවර ගත යුතුය.අපේක්ෂිත ප්රතිඵල ලබා ගැනීම සඳහා මෙම පියවර ඉතා වැදගත් වේ.වෙනස් වූ උපදෙස් පිළිබඳ මෑත කාලීන පර්යේෂණ පැහැදිලිව පෙන්වා දී ඇත්තේ වෙනස් වූ උපදෙස් සාර්ථකව ක්‍රියාත්මක කිරීම සඳහා ගුරුවරුන් සඳහා අඛණ්ඩ පුහුණු සහ සංවර්ධන අවස්ථා අවශ්‍ය වන බවයි [35].
ශිෂ්ය-හිතකාමී ඉගෙනුම් ක්රියාකාරකම් සැලසුම් කිරීම සඳහා ශිෂ්ය කේන්ද්‍රීය ප්‍රවේශයක් ගැනීමට අවශ්‍ය දන්ත වෛද්‍යවරුන් සඳහා මෙම මෙවලම වටිනා සහාය සපයයි.කෙසේ වෙතත්, මෙම අධ්‍යයනය තීරණ ගස් ML ආකෘති භාවිතයට සීමා වේ.අනාගතයේදී, නිර්දේශ මෙවලම්වල නිරවද්‍යතාවය, විශ්වසනීයත්වය සහ නිරවද්‍යතාවය සංසන්දනය කිරීම සඳහා විවිධ යන්ත්‍ර ඉගෙනුම් ආකෘතිවල කාර්ය සාධනය සංසන්දනය කිරීමට වැඩි දත්ත රැස් කළ යුතුය.අතිරේකව, යම් කාර්යයක් සඳහා වඩාත් සුදුසු යන්ත්‍ර ඉගෙනීමේ ක්‍රමය තෝරාගැනීමේදී, ආදර්ශ සංකීර්ණත්වය සහ අර්ථ නිරූපණය වැනි අනෙකුත් සාධක සලකා බැලීම වැදගත් වේ.
මෙම අධ්‍යයනයේ සීමාවක් වන්නේ එය දන්ත වෛද්ය සිසුන් අතර LS සහ IS සිතියම්ගත කිරීම කෙරෙහි පමණක් අවධානය යොමු කර තිබීමයි.එබැවින්, සංවර්ධිත නිර්දේශ පද්ධතිය දන්ත සිසුන් සඳහා සුදුසු ඒවා පමණක් නිර්දේශ කරනු ඇත.සාමාන්‍ය උසස් අධ්‍යාපන සිසුන්ගේ භාවිතය සඳහා වෙනස්කම් අවශ්‍ය වේ.
අලුතින් සංවර්ධනය කරන ලද යන්ත්‍ර ඉගෙනුම් මත පදනම් වූ නිර්දේශ මෙවලමට සිසුන්ගේ LS අනුරූප IS වෙත ක්ෂණිකව වර්ගීකරණය කිරීමට සහ ගැලපීමට හැකියාව ඇත, එය දන්ත අධ්‍යාපනඥයින්ට අදාළ ඉගැන්වීම් සහ ඉගෙනුම් ක්රියාකාරකම් සැලසුම් කිරීමට උපකාර වන පළමු දන්ත අධ්‍යාපන වැඩසටහන බවට පත් කරයි.දත්ත මත පදනම් වූ ට්‍රයිජ් ක්රියාවලියක් භාවිතා කරමින්, එයට පුද්ගලාරෝපිත නිර්දේශ සැපයීම, කාලය ඉතිරි කිරීම, ඉගැන්වීමේ උපාය මාර්ග වැඩිදියුණු කිරීම, ඉලක්කගත මැදිහත්වීම් සඳහා සහය වීම සහ අඛණ්ඩ වෘත්තීය සංවර්ධනය ප්‍රවර්ධනය කළ හැකිය.එහි යෙදුම දන්ත අධ්‍යාපනය සඳහා ශිෂ්ය කේන්ද්‍රීය ප්‍රවේශයන් ප්‍රවර්ධනය කරනු ඇත.
ගිලක් ජානි ඇසෝසියේටඩ් ප්‍රෙස්ශිෂ්‍යයාගේ ඉගෙනුම් විලාසය සහ ගුරුවරයාගේ ඉගැන්වීම් විලාසය අතර ගැළපීම හෝ නොගැලපීම.Int J Mod Educ පරිගණක විද්‍යාව.2012;4(11):51-60.https://doi.org/10.5815/ijmecs.2012.11.05
පසු කාලය: අප්‍රේල්-29-2024