Development and validation of a machine learning-based predictive model for work readiness in Chinese vocational nursing students
इस अध्ययन ने 854 चीनी व्यावसायिक नर्सिंग छात्रों के बहु-केंद्रित डेटा का उपयोग करके एक मशीन लर्निंग-आधारित भविष्य कहनेवाला मॉडल विकसित और मान्य किया है, जिसमें 'फ्यूचर वर्क सेल्फ-क्लैरिटी' को कार्य तत्परता (वर्क रेडीनेस) के प्रमुख भविष्यवक्ता के रूप में पहचाना गया है और यह प्रदर्शित किया गया है कि इलास्टिक नेट (Elastic Net) और एसवीएम (SVM) जैसे एल्गोरिदम लक्षित शैक्षिक हस्तक्षेपों को सक्षम करने के लिए जोखिम वाले छात्रों की पहचान करने में प्रभावी हो सकते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
स्वास्थ्य सेवा की दुनिया एक शांत लेकिन बढ़ती हुई समस्या का सामना कर रही है: बढ़ती उम्र वाली आबादी की देखभाल के लिए पर्याप्त नर्सें उपलब्ध नहीं हैं। चीन में, यह कमी विशेष रूप से गंभीर है, और इसका समाधान अक्सर उन छात्रों के पास होता है जो व्यावसायिक नर्सिंग कार्यक्रमों में प्रवेश करते हैं। ये छात्र नए नर्सों में बहुमत में होते हैं, फिर भी उन्हें एक अनूठी बाधा का सामना करना पड़ता है। चार साल के विश्वविद्यालय कार्यक्रमों के अपने साथियों के विपरीत, वे कम समय वाले, कौशल-केंद्रित पाठ्यक्रमों में प्रशिक्षण लेते हैं और अक्सर कम सैद्धांतिक पृष्ठभूमि के साथ कार्यबल में प्रवेश करते हैं। कक्षा के बाहर, वे एक ऐसे जॉब मार्केट का सामना करते हैं जो तेजी से उच्च योग्यताओं की मांग कर रहा है, जिससे कई लोग अस्पताल के जीवन की वास्तविकताओं के लिए खुद को अपर्याप्त महसूस करते हैं। मुख्य प्रश्न शिक्षकों के लिए केवल यह नहीं है कि क्या ये छात्र अपनी परीक्षा पास कर सकते हैं, बल्कि यह है कि क्या वे वास्तव में आत्मविश्वास के साथ अस्पताल के कमरे में कदम रखने और मरीजों की देखभाल करने के लिए तैयार हैं।
इसका उत्तर देने के लिए, शोधकर्ताओं की एक टीम ने यह समझने के लिए प्रयास किया कि वास्तव में क्या एक छात्र को कार्यबल के लिए तैयार करता है। उन्होंने "कार्य तत्परता" (वर्क रेडीनेस) पर ध्यान केंद्रित किया, जो एक ऐसी अवधारणा है जो केवल चिकित्सा तथ्यों को जानने से कहीं अधिक है। इसमें छात्र की अनुकूलन करने की क्षमता, अपने कौशल में उनका आत्मविश्वास, उनकी पेशेवर पहचान की भावना और चीजें गलत होने पर उनकी मानसिक सहनशीलता शामिल है। जबकि पिछले अध्ययनों ने इन कारकों को एक-एक करके देखा था, जो अक्सर सरल सांख्यिकीय विधियों का उपयोग करते थे, इस समूह ने पूरी तस्वीर देखना चाहा। वे मशीन लर्निंग की ओर मुड़े, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ एल्गोरिदम डेटा से सीखते हैं ताकि वे उन पैटर्न को खोज सकें जिन्हें इंसान मिस कर सकते हैं। छात्रों की पृष्ठभूमि, भावनाओं और आत्म-मूल्यांकन के बारे में बड़ी मात्रा में जानकारी कंप्यूटर को फीड करके, शोधकर्ताओं को उम्मीद थी कि वे एक ऐसा उपकरण बना सकेंगे जो स्नातक होने से बहुत पहले ही यह अनुमान लगा सके कि कौन संघर्ष करेगा और कौन सफल होगा।
यह अध्ययन चीन के हेनान प्रांत के चार कॉलेजों में हुआ, जिसमें अंतिम वर्ष के 854 व्यावसायिक नर्सिंग छात्रों को शामिल किया गया। इन छात्रों से केवल उनकी राय ही नहीं पूछी गई; उन्होंने नर्सिंग कौशल में अपने आत्मविश्वास, अपने भविष्य के करियर के बारे में स्पष्टता, अपनी पेशेवर पहचान और निराशा को संभालने के तरीके को मापने वाले विस्तृत सर्वेक्षण पूरे किए। शोधकर्ताओं ने इस डेटा का विश्लेषण करने के लिए सात अलग-अलग कंप्यूटर एल्गोरिदम का उपयोग किया, यह परीक्षण करने के लिए कि कौन सी विधि छात्र के समग्र कार्य तत्परता स्कोर की भविष्यवाणी करने में सबसे अच्छा कर सकती है। लक्ष्य एक ऐसा मॉडल खोजना था जो न केवल सटीक हो बल्कि समझने योग्य भी हो, ताकि शिक्षक परिणामों का उपयोग छात्रों की मदद करने के लिए कर सकें।
परिणाम चौंकाने वाले थे। कंप्यूटर मॉडलों ने पाया कि एक छात्र की तत्परता कुछ मनोवैज्ञानिक कारकों के आधार पर अत्यधिक अनुमान लगाने योग्य थी। सबसे शक्तिशाली भविष्यवक्ता उनकी आयु, उनकी पारिवारिक पृष्ठभूमि या वे कहाँ से आए हैं, यह नहीं था। इसके बजाय, सबसे महत्वपूर्ण कारक "भविष्य के कार्य की स्पष्टता" (फ्यूचर वर्क सेल्फ-क्लैरिटी) था। यह एक पैमाना है कि एक छात्र अपने भविष्य के स्वयं को एक नर्स के रूप में कितनी स्पष्टता से देख सकता है। जिन छात्रों के पास अपने भविष्य के करियर की एक जीवंत और स्पष्ट तस्वीर थी, वे काम के लिए काफी अधिक तैयार थे। इसके ठीक पीछे उनके अपने व्यावहारिक कौशल में आत्मविश्वास और उनके पेशेवर समुदाय से मिलने वाला समर्थन था। कंप्यूटर मॉडलों ने दिखाया कि इन आंतरिक, मनोवैज्ञानिक कारकों ने किसी भी जनसांख्यिकीय विवरण की तुलना में छात्र की तत्परता के बारे में बहुत अधिक स्पष्ट किया।
एक सबसे महत्वपूर्ण निष्कर्ष वह था जिसे मॉडलों ने खारिज कर दिया। डेटा ने दिखाया कि एक छात्र के लिंग, आयु या पारिवारिक मूल का उनकी कार्य तत्परता पर लगभग कोई प्रभाव नहीं पड़ा। यह सुझाव देता है कि एक आत्मविश्वासी नर्स बनने की बाधाएं इस बात में निहित नहीं हैं कि छात्र कौन है, बल्कि इस बात में है कि उन्हें कैसे समर्थित किया जाता है और वे अपनी क्षमता को कैसे देखते हैं। अध्ययन ने स्पष्ट रूप से प्रदर्शित किया कि पृष्ठभूमि नियति तय नहीं करती है; बल्कि, छात्र की मानसिकता और उनके पास उपलब्ध संसाधन करते हैं। यह एक महत्वपूर्ण अंतर है, क्योंकि यह शिक्षा के फोकस को छात्रों की पृष्ठभूमि के आधार पर उन्हें "ठीक" करने से बदलकर उनका आत्मविश्वास और दृष्टि बनाने की ओर स्थानांतरित करता है।
शोधकर्ताओं ने मॉडलों का परीक्षण यह देखने के लिए भी किया कि क्या वे उन छात्रों की पहचान कर सकते हैं जो संघर्ष करने के जोखिम में हैं। उन्होंने पाया कि कंप्यूटर प्रोग्राम उच्च सटीकता के साथ कम तत्परता वाले छात्रों को सफलतापूर्वक चिह्नित कर सकते हैं। व्यावहारिक अर्थों में, इसका मतलब है कि स्कूल ऐसे उपकरण का उपयोग शुरुआती स्तर पर छात्रों की स्क्रीनिंग के लिए कर सकते हैं। यदि किसी छात्र में अपने भविष्य के बारे में कम स्पष्टता या अपने कौशल में कम आत्मविश्वास दिखता है, तो शिक्षक तुरंत हस्तक्षेप कर सकते हैं। अध्ययन विशिष्ट हस्तक्षेप के चरणों का सुझाव देता है: कार्यशालाओं के माध्यम से छात्रों को उनके भविष्य के करियर की कल्पना करने में मदद करना, कौशल विश्वास बनाने के लिए लक्षित कोचिंग प्रदान करना, और नैदानिक अभ्यास के तनाव से निपटने में मदद करने के लिए लचीलापन (रेसिलिएंस) प्रशिक्षण देना।
अध्ययन ने यह दावा नहीं किया कि इसने वैश्विक नर्सिंग संकट को हल कर दिया है, न ही यह सुझाव दिया कि एक कंप्यूटर प्रोग्राम मानव शिक्षकों की जगह ले सकता है। शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि उनका कार्य एक निश्चित समय का स्नैपशॉट था और छात्रों की अपनी रिपोर्ट में पूर्वाग्रह हो सकते हैं। उन्होंने स्वीकार किया कि डेटा एक प्रांत से आया है और मॉडलों को सार्वभौमिक रूप से काम करने के लिए अन्य स्थानों पर भी परीक्षण करने की आवश्यकता होगी। हालांकि, उनके द्वारा एकत्र किए गए साक्ष्य इतने मजबूत थे कि वे एक नया रास्ता सुझा सकें। मशीन लर्निंग का उपयोग करके कार्य तत्परता के मनोवैज्ञानिक चालकों को डिकोड करके, उन्होंने शिक्षकों के लिए एक स्पष्ट, डेटा-संचालित मानचित्र प्रदान किया है।
अंततः, यह शोध व्यावसायिक नर्सिंग छात्रों के लिए स्थिति को बदलने का एक तरीका प्रदान करता है। यह दिखाता है कि छात्र और पेशेवर के बीच का अंतर एक स्थिर गुण नहीं है बल्कि एक परिवर्तनशील अवस्था है जो स्पष्टता, आत्मविश्वास और समर्थन से प्रभावित होती है। इस अध्ययन द्वारा विकसित उपकरण रचनाकारों को अनुमान लगाने के बजाय सटीकता की ओर बढ़ने की अनुमति देते हैं। किसी छात्र के विफल होने की प्रतीक्षा करने के बजाय, स्कूल अब उस विशिष्ट मनोवैज्ञानिक घटक की पहचान कर सकते हैं जिसकी छात्र को कमी है और ठीक वही प्रदान कर सकते हैं जिसकी आवश्यकता है। एक ऐसी दुनिया में जहाँ हर नर्स मायने रखती है, छात्र के स्नातक होने से पहले ही उसकी तत्परता को विकसित करने की यह क्षमता एक ऐसे कार्यबल के बीच का अंतर हो सकती है जो केवल पर्याप्त है और जो वास्तव में तैयार है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।