Даваа–Баасан 08:30–20:00 · Бямба 09:00–16:00
Now showing 1 - 5 of 5
  • Some of the metrics are blocked by your 
    Item type:Publication,
    Өсвөр үеийнхний сэтгэл хөдлөл, зан үйлийн машин сургалтын загваруудыг харьцуулсан дүн
    (2025-01-01)
    Г.Батнаст
    ;
    ; ; ;
    В.Баярмаа
    Үндэслэл: Дэлхийн хэмжээнд 10-19 насныхны 13% сэтгэцийн эмгэгтэй байна. 2020 оны байдлаар 19 хүртэлх насны 1.289.587 хүүхэд байгаа нь 2015 оныхоос 0.9%-иар өссөн үзүүлэлттэй. 2013 оны өсвөр үеийнхний судалгаагаар эрүүл саруул 60.5%, сэтгэл хөдлөл, зан үйлийн асуудалтай 30.5%, эмгэгтэй 9% байна. Говь-Алтай аймагт (2018-2019 он) хийсэн судалгаагаар 58.6% эрүүл, 36.1% асуудалтай, 5.2% эмгэгтэй байна. Олон улсад өсвөр үеийнхний сэтгэцийн эрүүл мэндийг 8 ^ ^ асуулгаар үнэлэн, хиймэл оюуны аргаар таамагласан судалгааны ажлууд нилээд бий болж байна. Монгол улсын хувьд сэтгэцийн эрүүл мэндийн салбарт цугларсан их өгөгдөлд хиймэл оюун, машин сургалтын аргаар тооцоолсон судалгааны ажил хомс байгаа нь энэхүү судалгааны ажлыг гүйцэтгэх үндэслэл болж байна. Зорилго: Өсвөр насныхны сэтгэл хөдлөл, зан үйлийн машин сургалтын загваруудыг харьцуулах. Арга, аргачлал: Эрүүл Мэндийн Яамны Анагаах Ухааны Ёс Зүйн Хяналтын Хорооны 2022 оны 262 тоот тогтоолоор тус судалгааг хэрэгжүүлэх зөвшөөрөл авсан. СЭМҮТ-тэй хамтран Говь-Алтай аймгийн 6-12 дугаар ангийн 3764 сурагч, тэдний асран хамгаалагч, ангийн багшийн “Хүчтэй ба сул талын тухай-8^^” асуумжаар өгөгдөл цуглуулан, сурагч, асран хамгаалагч, ангийн багш тус бүрийн өгөгдлийн сан үүсгэсэн. Сурагчийн санг машин сургалтын С50, бейс, дүрэмд үндэслэсэн аргуудаар шинжлэн, загварууд үүсгэн, загварын гүйцэтгэлийг үнэлэх хэмжүүрээр үнэлэн, харьцууллаа. Үр дүн: Судалгаанд хамрагдсан сурагчдын сэтгэл хөдлөлийн толгой өвдөх, олон зүйлд санаа зовох, аз жаргалгүй байх зэрэг шинж тэмдгээс эмгэг үүсэх магадлал 0.57, амархан айх, шинэ нөхцөл байдалд сандрахад зааг буюу сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлал 0.55 байна.Зан үйлийн хувьд уур уцаартай, дуулгаваргүй, бусад хүүхдүүдтэй зодолддог, гэр, сургууль, бусад газраас хулгай хийдэг зэрэг үзүүлэлтээс тулгамдсан асуудал үүсэх магадлалтай (0.67) байна. Хэт идэвхтэй байдлын тайван бус, анхаарал сарних зэрэг хүчин зүйлээс хамааран сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлал 0.65, эмгэг нь байнга эргэлзэх, үйлдэл хийхээсээ өмнө аливааг тунгаахгүй, даалгавраа эцэс хүртэл нь хийхгүй зэрэг шинж тэмдгээс шалтгаалан үүсэх магадлалтай. Үе тэнгийнхний харилцааны хувьд ганц дотны найзтай, бусдад таалагдахгүй зэрэг үзүүлэлтээс эмгэг, ихэнхдээ ганцаараа тоглох, дарамтлуулах, томчуудтай байх амар зэрэг шинж тэмдгээс сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлалтай. Дүгнэлт: Хөндлөн баталгаажуулалт нь НоШ-Ои1 аргаас 10-12% илүү загварын гүйцэтгэлийн хэмжүүрүүдийн үр дүн үзүүлсэн нь өгөгдлийн хэмжээ ихсэхэд хөндлөн баталгаажуулалт илүү үр дүнтэй болохыг харуулж байна. С50 алгоритмаар тооцсон загварын гүйцэтгэлийн хэмжүүрүүд бейсийн загвараас маш бага 1% илүү байсан ч хэт олон салаатай мод үүсэж, тайлбарлахад хүндрэлтэй байсан. Статистик ач холбогдлын шалгуураар загваруудын хооронд ялгаа гараагүй тул тайлбарлахад хялбар, маш бага зөрүүтэй бейсийн загвараар үр дүнг илтгэсэн. Энэ нь өгөгдлийн сангийн мөр болон аттрибутын тоог ихэсгэхэд бейсийн арга сайн ажиллаж буйг харуулж байна. Өгөгдлийн тандалт Ангилал Гүйцэтгэлийн хэмжүүр Статистик туршилт
  • Some of the metrics are blocked by your 
    Item type:Publication,
    C5.0 алгоритмд суурилсан сэтгэл ханамжийн ангиллын дүрэмт загварын судалгаа
    (2026-03-30)
    Б.Одгэрэл
    ;
    ; ;
    Ч.Баасандорж
    ;
    Үндэслэл: Likert төрлийн асуулгад суурилсан өгөгдлийг сэтгэл ханамжийг үнэлэхэд өргөн ашигладаг боловч бодит хэрэглээнд зөвхөн ангиллын өндөр нарийвчлал бус, загварын тайлбарлах чадвар чухал шаардлагатай болдог. Дүрэмд суурилсан машин сургалтын аргууд нь эдгээр хоёр шаардлагыг зэрэг хангах боломж олгодог. Сүүлийн жилүүдэд машин сургалтын аргуудыг ашиглан ангилал, таамаглал хийх судалгаа эрчимтэй хөгжиж байгаа ч сэтгэл ханамжийн Likert төрлийн асуулгад С5.0 ангиллын алгоритм ашиглсан судалгаа хомс байгаа тул уг судалгааг хийх үндэслэл болсон. Зорилго: Сэтгэл ханамжийн хоёр ангиллыг (High/Medium) таамаглахад C5.0 ангиллын алгоритмыг 10fold cross-validation аргаар хэрэгжүүлж, загварын гүйцэтгэл болон тайлбарлах чадварыг үнэлэх. Арга, аргачлал: Судалгааг АШУҮИСийн Био-Анагаахын сургуулийн Физик мэдээлэл зүйн тэнхимийг түшиглэн Эрүүл мэндийн мэдээллийн технологич мэргэжлээр төгссөн төгсөгчдийн сэтгэл ханамжийн судалгааны өгөгдлийг ашиглан хийсэн. Судалгаанд Likert төрлийн дөрвөн хувьсагч (V1–V4) бүхий өгөгдлийг ашигласан. C5.0 загварыг параметрийн торон хайлтаар сургаж, 10-fold cross-validation-ын хүрээнд accuracy болон confusion matrix ашиглан үнэлсэн. Мөн эцсийн дүрэмд суурилсан загвараас IF–THEN дүрмүүдийг гарган авч, шийдвэрийн логикийг flowchart хэлбэрээр дүрсэлсэн. Үр дүн: Судалгааны үр дүнд дүрэмд суурилсан C5.0 загвар хамгийн оновчтой гэж сонгогдож, cross-validation-ын хүрээнд тогтвортой гүйцэтгэл үзүүлсэн. Confusion matrix-ийн үр дүн нь High ангиллыг өндөр нарийвчлалтай илрүүлж байгааг харуулсан. Гарсан дүрмүүдээс V4 болон V2 хувьсагчид сэтгэл ханамжийг тодорхойлох голлох нөлөөтэй болох нь илэрхий болсон. Дүгнэлт: C5.0 алгоритмыг cross-validation-ын хүрээнд ашиглах нь Likert өгөгдөлд суурилсан сэтгэл ханамжийн ангиллыг үр дүнтэй, ойлгомжтой байдлаар гүйцэтгэх боломжтой ба дүрэмд суурилсан бүтэц нь загварыг тайлбарлах, шийдвэр дэмжих хэрэглээнд ашиглахад тохиромжтой давуу тал болж байгаа нь тус тус батлагдлаа.
  • Some of the metrics are blocked by your 
    Item type:Publication,
    Reform of the Health Informatics Curriculum in Mongolia: Needs and Development Perspectives
    (2025-09-16) ; ; ; ;
    Baasandorj Chilkhaasuren
    This To reform the Bachelor of Health Informatics curriculum in Mongolia, a comparative analysis was conducted with similar international programs, and the revised curriculum was developed based on satisfaction surveys from both graduates and employers. A satisfaction survey was conducted in which 49 graduates evaluated the curriculum using a 19-question questionnaire, and 14 employers assessed the graduates' competencies through an 8-question questionnaire, forming the basis for two distinct datasets. Factor analysis (PCA and EFA with Varimax rotation) was performed on the resulting dataset. The analysis identified five latent factors from the graduates' evaluations—Quality of Instruction, Practical Training and Skills, Learning Environment and Resources, Curriculum Structure, and Professional Development Opportunities–and one factor from the employers' assessments: Job Requirements and Skills Evaluation. Based on these findings, the revised curriculum was developed through a comparative analysis with programs from the University of Sydney, Oregon Tech, and Montana Tech. The updated curriculum consists of 120 credit hours and complies with Order A/147 of the Minister of Education and Science, as well as the IT Curriculum Guide 2017. A notable feature of the revised program is its emphasis on specialization in health data processing, information systems architecture, and computer networking. This research contributes to enhancing the quality of Health Informatics education and aligning the academic training with the needs of graduates and labor market demands.
  • Some of the metrics are blocked by your 
    Item type:Publication,
    Comparison of classification models for adolescent's emotional and behavioral problems
    (Oxford University Press (OUP), 2026-08) ; ; ;
    Vaanchindorj, Bayarmaa
    ;
    OBJECTIVES: Mental disorders are very common among children and adolescents around the world. In Mongolia, the international Strengths and Difficulties Questionnaire (SDQ) is used to detect mental disorders in adolescents. In this article, different types of classification methods were compared to determine adolescent emotional and behavioral problems using the SDQ. MATERIALS AND METHODS: Data were collected from teenagers, teachers, and parents in Govi-Altai Province, and the databases were created for each group. The teenager database was divided into 10 folds using cross-validation, and the models were developed using classification methods and evaluated using performance measures. The results were mainly analyzed using the Bayes model. RESULTS: The teenagers have emotional and behavioral problems due to emotional and peer interactions, but they were at risk of developing disorders due to hyperactivity and behavioral changes. CONCLUSION: Future work will examine the difficulties encountered in the creation of emotional and behavioral problems among the teenagers involved in the study using a progressive classification method.