Augstākās izglītības iestādēs, ieskaitot zobārstniecību, arvien pieaug vajadzība pēc studentiem vērstas mācības (SCL). Tomēr SCL ir ierobežots pielietojums zobārstniecības izglītībā. Tāpēc šī pētījuma mērķis ir veicināt SCL pielietojumu zobārstniecībā, izmantojot lēmumu koku mašīnu apguves (ML) tehnoloģiju, lai kartētu vēlamo mācību stilu (LS) un atbilstošās mācību stratēģijas (IS) zobārstniecības studentiem kā noderīgu instrumentu izstrādei ir vadlīnijas Apvidū Daudzsološas metodes zobārstniecības studentiem.
Kopumā 255 Malajas universitātes zobārstniecības studenti aizpildīja modificēto mācību stilu indeksu (M-IL), kurā bija 44 priekšmeti, lai tos klasificētu attiecīgajā LSS. Apkopotie dati (saukti par datu kopu) tiek izmantoti uzraudzītā lēmumu koku apguvē, lai automātiski saskaņotu studentu mācību stilus ar vispiemērotāko IS. Pēc tam tiek novērtēta uz mašīnmācīšanās balstīta rīka precizitāte ir ieteikuma rīks.
Lēmumu koku modeļu piemērošana automatizētā kartēšanas procesā starp LS (ievadi) un IS (mērķa izvade) ļauj nekavējoties sarakstam katram zobārstniecības studentam. IS ieteikuma rīks parādīja perfektu vispārējās modeļa precizitātes precizitāti un atsaukšanu, norādot, ka LS atbilstībai ir laba jutība un specifiskums.
IS ieteikumu rīks, kas balstīts uz ML lēmumu koku, ir pierādījis savu spēju precīzi saskaņot zobārstniecības studentu mācību stilu ar atbilstošām mācību stratēģijām. Šis rīks nodrošina jaudīgas iespējas plānot uz izglītojamiem orientētiem kursiem vai moduļiem, kas var uzlabot studentu mācīšanās pieredzi.
Mācīšana un mācīšanās ir būtiskas aktivitātes izglītības iestādēs. Izstrādājot augstas kvalitātes profesionālās izglītības sistēmu, ir svarīgi koncentrēties uz studentu mācību vajadzībām. Studentu un viņu mācību vides mijiedarbību var noteikt caur viņu LS. Pētījumi liecina, ka skolotāju paredzētām neatbilstībām starp studentu LS un IS var būt negatīvas sekas studentu mācībām, piemēram, samazināta uzmanība un motivācija. Tas netieši ietekmēs studentu sniegumu [1,2].
IS ir metode, ko skolotāji izmanto studentiem zināšanu un prasmju piešķiršanai, tostarp palīdzot studentiem mācīties [3]. Vispārīgi runājot, labi skolotāji plāno mācīšanas stratēģijas vai arī tas vislabāk atbilst viņu studentu zināšanu līmenim, jēdzieniem, kurus viņi mācās, un viņu mācīšanās posmu. Teorētiski, kad LS un ir sakritība, studenti varēs organizēt un izmantot īpašu prasmju kopumu, lai efektīvi apgūtu. Parasti nodarbības plānā ir iekļautas vairākas pārejas starp posmiem, piemēram, no mācīšanas līdz vadošai praksei vai no vadāmās prakses uz neatkarīgu praksi. Paturot to prātā, efektīvi skolotāji bieži plāno norādījumus ar mērķi veidot studentu zināšanas un prasmes [4].
Pieprasījums pēc SCL pieaug augstākās izglītības iestādēs, ieskaitot zobārstniecību. SCL stratēģijas ir izstrādātas, lai apmierinātu studentu mācību vajadzības. To var panākt, piemēram, ja studenti aktīvi piedalās mācību aktivitātēs un skolotāji darbojas kā koordinatori un ir atbildīgi par vērtīgu atgriezenisko saiti. Mēdz teikt, ka mācību materiālu un aktivitāšu nodrošināšana, kas ir piemērota studentu izglītības līmenim vai preferencēm, var uzlabot studentu mācību vidi un veicināt pozitīvu mācību pieredzi [5].
Vispārīgi runājot, zobārstniecības studentu mācību procesu ietekmē dažādas klīniskās procedūras, kas viņiem jāveic, un klīniskā vide, kurā viņi attīsta efektīvas starppersonu prasmes. Apmācības mērķis ir dot iespēju studentiem apvienot pamatzināšanas par zobārstniecību ar zobārstniecības klīniskajām prasmēm un izmantot iegūtās zināšanas jaunās klīniskās situācijās [6, 7]. Agrīni pētījumi par LS attiecībām un tiek atklāti, ka mācību stratēģiju pielāgošana, kas kartēta ar vēlamo LS, palīdzētu uzlabot izglītības procesu [8]. Autori arī iesaka izmantot dažādas mācību un novērtēšanas metodes, lai pielāgotos studentu mācībām un vajadzībām.
Skolotāji gūst labumu no LS zināšanu pielietošanas, lai palīdzētu viņiem izstrādāt, izstrādāt un ieviest instrukcijas, kas uzlabos studentu dziļāku zināšanu iegūšanu un izpratni par priekšmetu. Pētnieki ir izstrādājuši vairākus LS novērtēšanas rīkus, piemēram, KOLB pieredzes mācīšanās modeli, Felder-Silverman mācīšanās stila modeli (FSLSM) un Fleming VAK/VARK modeli [5, 9, 10]. Saskaņā ar literatūru šie mācību modeļi ir visbiežāk izmantotie un pētītākie mācību modeļi. Pašreizējā pētniecības darbā FSLSM tiek izmantots, lai novērtētu LS zobārstniecības studentu vidū.
FSLSM ir plaši izmantots modelis adaptīvās mācīšanās novērtēšanai inženierzinātnēs. Veselības zinātnēs (ieskaitot medicīnu, māsu, aptieku un zobārstniecību) ir daudz publicētu darbu, kurus var atrast, izmantojot FSLSM modeļus [5, 11, 12, 13]. Instrumentu, ko izmanto, lai izmērītu LS izmērus FLSM, sauc par mācību stilu (IL) indeksu [8], kurā ir 44 priekšmeti, kas novērtē četras LS dimensijas: apstrāde (aktīva/reflektīva), uztvere (uztveres/intuitīva), ievade (vizuālā). /verbāls) un izpratne (secīga/globāla) [14].
Kā parādīts 1. attēlā, katrai FSLSM dimensijai ir dominējoša izvēle. Piemēram, apstrādes dimensijā studenti ar “aktīvu” LS dod priekšroku apstrādei, tieši mijiedarbojoties ar mācību materiāliem, mācoties darot, un mēdz mācīties grupās. “Reflektīvais” LS attiecas uz mācīšanos, izmantojot domāšanu un dod priekšroku strādāt vienam. LS “uztveršanas” dimensiju var iedalīt “sajūtā” un/vai “intuīcijā”. “Sajūta” studenti dod priekšroku konkrētākai informācijai un praktiskām procedūrām, ir orientētas uz faktiem, salīdzinot ar “intuitīviem” studentiem, kuri dod priekšroku abstraktajiem materiāliem un ir novatoriskāki un radošāki. LS “ievades” dimensija sastāv no “vizuāliem” un “verbāliem” izglītojamajiem. Cilvēki ar “vizuālo” LS dod priekšroku mācīties, izmantojot vizuālas demonstrācijas (piemēram, diagrammas, video vai tiešraides demonstrācijas), turpretī cilvēki ar “verbālu” LS dod priekšroku mācīties, izmantojot vārdus rakstiski vai mutiski skaidrojumos. Lai “saprastu” LS dimensijas, šādus izglītojamos var iedalīt “secīgi” un “globālā”. “Secīgie izglītojamie dod priekšroku lineāram domāšanas procesam un mācīties soli pa solim, savukārt globālajiem izglītojamajiem parasti ir holistisks domāšanas process un vienmēr ir labāka izpratne par to, ko viņi mācās.
Nesen daudzi pētnieki ir sākuši izpētīt automātisku uz datiem balstītu atklājumu metodes, ieskaitot jaunu algoritmu un modeļu izstrādi, kas spēj interpretēt lielu datu daudzumu [15, 16]. Balstoties uz sniegtajiem datiem, uzraudzītais ML (mašīnmācība) spēj ģenerēt modeļus un hipotēzes, kas paredz nākotnes rezultātus, pamatojoties uz algoritmu veidošanu [17]. Vienkārši sakot, pārraudzītas mašīnmācīšanās metodes manipulē ar ievades datiem un vilciena algoritmiem. Pēc tam tas ģenerē diapazonu, kas klasificē vai paredz rezultātu, pamatojoties uz līdzīgām situācijām sniegtajiem ievades datiem. Uzraudzīto mašīnmācības algoritmu galvenā priekšrocība ir spēja noteikt ideālus un vēlamus rezultātus [17].
Izmantojot uz datiem balstītas metodes un lēmumu koku kontroles modeļus, ir iespējama LS automātiska noteikšana. Tiek ziņots, ka lēmumu koki tiek plaši izmantoti apmācības programmās dažādās jomās, ieskaitot veselības zinātnes [18, 19]. Šajā pētījumā sistēmas izstrādātāji īpaši apmācīja modeli, lai identificētu studentu LS un ieteiktu viņiem labāko.
Šī pētījuma mērķis ir attīstīt ir piegādes stratēģijas, kuru pamatā ir studentu LS, un pielietot SCL pieeju, izstrādājot IS ieteikuma rīku, kas kartēts LS. IS ieteikuma rīka projektēšanas plūsma kā SCL metodes stratēģija ir parādīta 1. attēlā. IS ieteikuma rīks ir sadalīts divās daļās, ieskaitot LS klasifikācijas mehānismu, izmantojot IL, un vispiemērotākais ir parādīts studentiem.
Jo īpaši informācijas drošības ieteikumu rīku raksturlielumi ietver tīmekļa tehnoloģiju izmantošanu un lēmumu koku mašīnu apguves izmantošanu. Sistēmas izstrādātāji uzlabo lietotāja pieredzi un mobilitāti, pielāgojot tos mobilajām ierīcēm, piemēram, mobilajiem tālruņiem un planšetdatoriem.
Eksperiments tika veikts divos posmos, un Malajas universitātes Zobārstniecības fakultātes studenti piedalījās brīvprātīgi. Dalībnieki atbildēja uz zobārstniecības studenta tiešsaistes M-IL angļu valodā. Sākotnējā posmā lēmumu koku mašīnu apguves algoritma apmācībai tika izmantota 50 studentu datu kopa. Attīstības procesa otrajā posmā tika izmantota 255 studentu datu kopa, lai uzlabotu izstrādātā instrumenta precizitāti.
Visi dalībnieki saņem tiešsaistes instruktāžu katra posma sākumā, atkarībā no akadēmiskā gada, izmantojot Microsoft komandas. Tika izskaidrots pētījuma mērķis un tika iegūta informēta piekrišana. Visiem dalībniekiem tika nodrošināta saite, lai piekļūtu M-ILS. Katram studentam tika uzdots atbildēt uz visiem 44 anketas priekšmetiem. Viņiem tika dota viena nedēļa, lai pabeigtu modificēto IL laikā un atrašanās vietu, kas viņiem ir ērta semestra pārtraukumā pirms semestra sākuma. M-ILS pamatā ir oriģinālais ILS instruments un tiek modificēts zobārstniecības studentiem. Līdzīgi kā oriģinālie IL, tas satur 44 vienmērīgi sadalītus priekšmetus (A, B) ar 11 vienumiem, kurus izmanto, lai novērtētu katras FSLSM dimensijas aspektus.
Sākotnējo instrumentu attīstības posmā pētnieki manuāli anotēja kartes, izmantojot 50 zobārstniecības studentu datu kopu. Saskaņā ar FSLM, sistēma nodrošina atbilžu summu “A” un “B”. Par katru dimensiju, ja students izvēlas “A” kā atbildi, LS tiek klasificēts kā aktīvs/uztveres/vizuāls/secīgs, un, ja students izvēlas “B” kā atbildi, students tiek klasificēts kā refleksīvs/intuitīvs/lingvistisks Apvidū / Globālais audzēknis.
Pēc zobārstniecības izglītības pētnieku un sistēmas izstrādātāju darbplūsmas kalibrēšanas jautājumi tika izvēlēti, pamatojoties uz FLSSM domēnu un tika ievadīts ML modelī, lai prognozētu katra studenta LS. “Atkritumi, atkritumi ārā” ir populārs teiciens mašīnmācīšanās jomā, uzsverot datu kvalitāti. Ievades datu kvalitāte nosaka mašīnmācīšanās modeļa precizitāti un precizitāti. Funkciju inženierijas posmā tiek izveidots jauns funkciju kopums, kas ir atbilžu “A” un “B” summa, pamatojoties uz FLSSM. Narkotiku pozīciju identifikācijas skaits ir norādīts 1. tabulā.
Aprēķiniet rezultātu, pamatojoties uz atbildēm, un nosakiet studenta LS. Katram studentam rezultātu diapazons ir no 1 līdz 11. Rādītāji no 1 līdz 3 norāda uz mācību preferenču līdzsvaru vienā un tajā pašā dimensijā, un punkti no 5 līdz 7 norāda uz mērenu izvēli, norādot, ka studenti mēdz dot priekšroku vienai videi, mācot citus Apvidū Vēl viena tā paša dimensijas variācija ir tāda, ka rādītāji no 9 līdz 11 atspoguļo spēcīgu priekšroku vienam vai otram galam [8].
Katrā dimensijā narkotikas tika sagrupētas “aktīvās”, “reflektējošās” un “līdzsvarotās”. Piemēram, kad students atbild “A” biežāk nekā “B” uz norādītā priekšmeta un viņa rezultāts pārsniedz 5. slieksni konkrētam priekšmetam, kas attēlo apstrādes LS dimensiju, viņš/viņa pieder “aktīvajam” LS domēns. Apvidū Tomēr studenti tika klasificēti kā “reflektējoši” LS, kad viņi izvēlējās “B” vairāk nekā “A” noteiktos 11 jautājumos (1. tabula) un guva vairāk nekā 5 punktus. Visbeidzot, students atrodas “līdzsvara stāvoklī”. Ja rezultāts nepārsniedz 5 punktus, tad tas ir “process”. Klasifikācijas process tika atkārtots pārējām LS izmēriem, proti, uztvere (aktīva/atstarojoša), ieeja (vizuālā/verbālā) un izpratne (secīga/globāla).
Lēmumu koku modeļi dažādos klasifikācijas procesa posmos var izmantot dažādas funkciju un lēmumu noteikumu apakšgrupas. Tas tiek uzskatīts par populāru klasifikācijas un prognozēšanas rīku. To var attēlot, izmantojot koku struktūru, piemēram, blokshēmu [20], kurā ir iekšēji mezgli, kas attēlo testus pēc atribūta, katrs filiāle, kas attēlo testa rezultātus, un katrs lapu mezgls (lapu mezgls), kas satur klases etiķeti.
Tika izveidota vienkārša uz noteikumiem balstīta programma, lai automātiski novērtētu un anotētu katra studenta LS, pamatojoties uz viņu atbildēm. Uz noteikumiem balstīts ir IF paziņojuma veids, kurā “ja” apraksta sprūdu un “tad” norāda veikto darbību, piemēram, “ja x notiek, tad dari y” (Liu et al., 2014). Ja datu kopai ir korelācija un lēmumu koku modelis ir pareizi apmācīts un novērtēts, šī pieeja var būt efektīvs veids, kā automatizēt LS saskaņošanas procesu un IS.
Otrajā attīstības posmā datu kopa tika palielināta līdz 255, lai uzlabotu ieteikuma rīka precizitāti. Datu kopa ir sadalīta attiecībā 1: 4. Pārbaudes komplektam tika izmantoti 25% (64) datu kopas, bet atlikušie 75% (191) tika izmantoti kā apmācības komplekts (2. attēls). Datu kopa ir jāsadala, lai novērstu modeļa apmācību un pārbaudi vienā un tajā pašā datu kopā, kas modelim varētu izraisīt atcerēties, nevis mācīties. Modelis ir apmācīts apmācības komplektā un novērtē tā veiktspēju testa komplektā - dati, ko modelis vēl nekad nav redzējis.
Kad rīks ir izstrādāts, lietojumprogramma varēs klasificēt LS, pamatojoties uz zobārstniecības studentu atbildēm, izmantojot tīmekļa saskarni. Web balstīta informācijas drošības ieteikumu rīka sistēma tiek veidota, izmantojot Python programmēšanas valodu, izmantojot Django ietvaru kā aizmuguri. 2. tabulā ir uzskaitītas bibliotēkas, kas izmantotas šīs sistēmas izstrādē.
Datu kopa tiek barota ar lēmumu koku modeli, lai aprēķinātu un iegūtu studentu atbildes, lai automātiski klasificētu studentu LS mērījumus.
Apjukuma matrica tiek izmantota, lai novērtētu lēmumu koku mašīnu apguves algoritma precizitāti noteiktā datu kopā. Tajā pašā laikā tas novērtē klasifikācijas modeļa veiktspēju. Tas apkopo modeļa prognozes un salīdzina tās ar faktiskajām datu etiķetēm. Novērtēšanas rezultāti ir balstīti uz četrām dažādām vērtībām: patiesi pozitīvi (TP) - modelis pareizi prognozēja pozitīvo kategoriju, viltus pozitīvs (FP) - modelis paredzēja pozitīvo kategoriju, bet patiesā etiķete bija negatīva, patiesa negatīva (TN) - Modelis pareizi paredzēja negatīvo klasi un viltus negatīvu (FN) - modelis prognozē negatīvu klasi, bet patiesā etiķete ir pozitīva.
Pēc tam šīs vērtības izmanto, lai aprēķinātu dažādus Scikit-Learn klasifikācijas modeļa veiktspējas rādītājus Python, proti, precizitāte, precizitāte, atsaukšana un F1 vērtējums. Šeit ir piemēri:
Atsaukšana (vai jutība) mēra modeļa spēju precīzi klasificēt studenta LS pēc atbildēšanas uz M-ILS anketu.
Specifiskums tiek saukts par īstu negatīvu likmi. Kā redzat no iepriekšminētās formulas, tam vajadzētu būt patieso negatīvu (TN) attiecībai pret patiesiem negatīviem un viltus pozitīviem (FP). Kā daļu no ieteicamā studentu narkotiku klasificēšanas rīka, tai jābūt precīzai identifikācijai.
Sākotnējā 50 studentu datu kopa, ko izmantoja lēmumu koka ML modeļa apmācībai, parādīja salīdzinoši zemu precizitāti cilvēku kļūdu dēļ anotācijās (3. tabula). Pēc vienkāršas uz noteikumiem balstītas programmas izveidošanas, lai automātiski aprēķinātu LS rādītājus un studentu anotācijas, arvien vairāk datu kopu (255) tika izmantots, lai apmācītu un pārbaudītu ieteikumu sistēmu.
Daudzklases apjukuma matricā diagonālie elementi apzīmē pareizo prognožu skaitu katram LS tipam (4. attēls). Izmantojot lēmumu koku modeli, tika pareizi prognozēti 64 paraugi. Tādējādi šajā pētījumā diagonālie elementi parāda paredzamos rezultātus, norādot, ka modelis darbojas labi un precīzi prognozē katras LS klasifikācijas klases etiķeti. Tādējādi ieteikuma rīka vispārējā precizitāte ir 100%.
Precizitātes, precizitātes, atsaukšanas un F1 vērtības vērtības ir parādītas 5. attēlā. Ieteikumu sistēmai, izmantojot lēmumu koku modeli, tā F1 rādītājs ir 1,0 “perfekts”, norādot uz perfektu precizitāti un atsaukšanu, atspoguļojot būtisku jutīgumu un specifiskumu vērtības.
6. attēlā parādīta lēmumu koku modeļa vizualizācija pēc apmācības un testēšanas. Salīdzinājumā ar blakus esošo lēmumu koku modeli, kas apmācīts ar mazākām īpašībām, bija augstāka precizitāte un vienkāršāka modeļa vizualizācija. Tas parāda, ka funkciju inženierija, kas izraisa funkciju samazināšanu, ir svarīgs solis modeļa veiktspējas uzlabošanā.
Pielietojot lēmumu koku uzraudzītu mācīšanos, tiek automātiski ģenerēta kartēšana starp LS (ievadi) un IS (mērķa izvade), un tajā ir detalizēta informācija par katru LS.
Rezultāti parādīja, ka 34,9% no 255 studentiem deva priekšroku vienai (1) LS opcijai. Lielākajai daļai (54,3%) bija divas vai vairākas LS preferences. 12,2% studentu atzīmēja, ka LS ir diezgan līdzsvarots (4. tabula). Papildus astoņiem galvenajiem LS ir 34 LS klasifikāciju kombinācijas Malajas Universitātes zobārstniecības studentiem. Starp tiem uztvere, redze un uztveres un redzes kombinācija ir galvenie LS, par kuriem ziņo studenti (7. attēls).
Kā redzams no 4. tabulas, lielākajai daļai studentu bija dominējošā maņu (13,7%) vai vizuālā (8,6%) LS. Tika ziņots, ka 12,2% studentu apvienoja uztveri ar redzi (uztveres un vizuālais LS). Šie atklājumi liek domāt, ka studenti dod priekšroku mācīties un atcerēties, izmantojot noteiktas metodes, ievēro īpašas un detalizētas procedūras un ir uzmanīgi. Tajā pašā laikā viņiem patīk mācīties, meklējot (izmantojot diagrammas utt.), Un mēdz apspriest un izmantot informāciju grupās vai paši.
Šis pētījums sniedz pārskatu par mašīnu apguves paņēmieniem, ko izmanto datu ieguvē, koncentrējoties uz uzreiz un precīzi paredzot studentu LS un iesakot piemērotu IS. Lēmuma koka modeļa piemērošana identificēja faktorus, kas visvairāk saistīti ar viņu dzīvi un izglītības pieredzi. Tas ir uzraudzīts mašīnmācīšanās algoritms, kas izmanto koka struktūru, lai klasificētu datus, sadalot datu kopumu apakškategorijās, pamatojoties uz noteiktiem kritērijiem. Tas darbojas, rekursīvi sadalot ievades datus apakšgrupās, pamatojoties uz viena no katra iekšējā mezgla ieejas funkciju vērtību, līdz lēmums tiek pieņemts lapu mezglā.
Lēmumu koka iekšējie mezgli attēlo risinājumu, pamatojoties uz M-ILS problēmas ievades īpašībām, un lapu mezgli attēlo galīgo LS klasifikācijas prognozi. Pētījuma laikā ir viegli izprast lēmumu koku hierarhiju, kas izskaidro un vizualizē lēmumu pieņemšanas procesu, aplūkojot saistību starp ievades pazīmēm un izejas prognozēm.
Datorzinātnes un inženierzinātņu jomā mašīnmācīšanās algoritmi tiek plaši izmantoti, lai prognozētu studentu sniegumu, pamatojoties uz viņu iestājpārbaudījumu rezultātiem [21], demogrāfisko informāciju un mācību uzvedību [22]. Pētījumi parādīja, ka algoritms precīzi paredzēja studentu sniegumu un palīdzēja viņiem identificēt studentus, kuriem ir akadēmisku grūtību risks.
Tiek ziņots par ML algoritmu piemērošanu virtuālo pacientu simulatoru izstrādē zobārstniecības apmācībā. Simulators spēj precīzi reproducēt reālu pacientu fizioloģiskās reakcijas, un to var izmantot, lai apmācītu zobārstniecības studentus drošā un kontrolētā vidē [23]. Vairāki citi pētījumi rāda, ka mašīnmācīšanās algoritmi var potenciāli uzlabot zobārstniecības un medicīniskās izglītības un pacientu aprūpes kvalitāti un efektivitāti. Mašīnmācīšanās algoritmi ir izmantoti, lai palīdzētu diagnosticēt zobu slimības, pamatojoties uz tādām datu kopām kā simptomi un pacienta īpašības [24, 25]. Kaut arī citos pētījumos ir izpētīta mašīnmācīšanās algoritmu izmantošana, lai veiktu tādus uzdevumus kā pacienta rezultātu prognozēšana, paaugstināta riska pacientu identificēšana, personalizētu ārstēšanas plānu izstrāde [26], periodonta ārstēšana [27] un kariesa ārstēšana [25].
Lai gan ir publicēti ziņojumi par mašīnmācības piemērošanu zobārstniecībā, tā piemērošana zobārstniecības izglītībā joprojām ir ierobežota. Tāpēc šī pētījuma mērķis bija izmantot lēmumu koku modeli, lai identificētu faktorus, kas visvairāk saistīti ar LS, un tas ir starp zobārstniecības studentiem.
Šī pētījuma rezultāti rāda, ka izstrādātajam ieteikumu rīkam ir augsta precizitāte un pilnīga precizitāte, norādot, ka skolotāji var gūt labumu no šī rīka. Izmantojot uz datiem balstītu klasifikācijas procesu, tas var sniegt personalizētus ieteikumus un uzlabot izglītības pieredzi un rezultātus pedagogiem un studentiem. Starp tiem informācija, kas iegūta, izmantojot ieteikumu rīkus, var atrisināt konfliktus starp skolotāju vēlamajām mācību metodēm un studentu mācību vajadzībām. Piemēram, sakarā ar automatizētu ieteikumu rīku izvadi, būs ievērojami samazināts laiks, lai identificētu studenta IP un saskaņotu to ar atbilstošo IP. Tādā veidā var organizēt piemērotas apmācības aktivitātes un apmācības materiālus. Tas palīdz attīstīt studentu pozitīvo uzvedību un spēju koncentrēties. Vienā pētījumā tika ziņots, ka studentu nodrošināšana ar mācību materiāliem un mācību aktivitātēm, kas atbilst viņu vēlamajai LS, var palīdzēt studentiem integrēt, apstrādāt un baudīt mācīšanos vairākos veidos, lai sasniegtu lielāku potenciālu [12]. Pētījumi arī rāda, ka papildus studentu līdzdalības uzlabošanai klasē studentu mācību procesa izpratne ir arī kritiska loma mācību prakses un komunikācijas uzlabošanā ar studentiem [28, 29].
Tomēr, tāpat kā jebkurai modernai tehnoloģijai, pastāv problēmas un ierobežojumi. Tie ietver jautājumus, kas saistīti ar datu privātumu, neobjektivitāti un taisnīgumu, kā arī profesionālās prasmes un resursus, kas nepieciešami, lai izstrādātu un ieviestu mašīnmācības algoritmus zobārstniecības izglītībā; Tomēr pieaugošā interese un pētniecība šajā jomā liecina, ka mašīnmācīšanās tehnoloģijas var pozitīvi ietekmēt zobārstniecības izglītību un zobārstniecības pakalpojumus.
Šī pētījuma rezultāti norāda, ka pusei zobārstniecības studentu ir tendence “uztvert” narkotikas. Šāda veida izglītojamajam ir priekšroka faktiem un konkrētiem piemēriem, praktisku orientāciju, pacietību pēc detaļām un “vizuālu” izvēli, kur izglītojamie dod priekšroku attēliem, grafikai, krāsām un kartēm, lai nodotu idejas un domas. Pašreizējie rezultāti saskan ar citiem pētījumiem, izmantojot IL, lai novērtētu LS zobārstniecības un medicīnas studentus, no kuriem lielākajai daļai ir uztveres un vizuālās LS īpašības [12, 30]. Dalmolins et al. Ieteicams, ka studentu informēšana par viņu LS ļauj viņiem sasniegt mācību potenciālu. Pētnieki apgalvo, ka tad, kad skolotāji pilnībā izprot studentu izglītības procesu, var ieviest dažādas mācību metodes un aktivitātes, kas uzlabos studentu sniegumu un mācīšanās pieredzi [12, 31, 32]. Citi pētījumi parādīja, ka studentu LS pielāgošana arī parāda uzlabojumus studentu mācīšanās pieredzē un sniegumā pēc tam, kad mainīja mācību stilus, lai tie atbilstu viņu pašu LS [13, 33].
Skolotāju viedokļi var atšķirties attiecībā uz mācību stratēģiju īstenošanu, pamatojoties uz studentu mācīšanās spējām. Kaut arī daži redz šīs pieejas priekšrocības, ieskaitot profesionālās pilnveides iespējas, mentoru un sabiedrības atbalstu, citi var uztraukties par laiku un institucionālo atbalstu. Tiecšanās uz līdzsvaru ir atslēga, lai izveidotu uz studentu vērstu attieksmi. Augstākās izglītības iestādēm, piemēram, universitāšu administratoriem, var būt nozīmīga loma pozitīvu pārmaiņu virzīšanā, ieviešot novatorisku praksi un atbalstot fakultātes attīstību [34]. Lai izveidotu patiesi dinamisku un atsaucīgu augstākās izglītības sistēmu, politikas veidotājiem ir jāveic drosmīgi pasākumi, piemēram, veikt politikas izmaiņas, resursu veltīšana tehnoloģiju integrācijai un izveidošana, kas veicina uz studentiem vērstas pieejas. Šie pasākumi ir kritiski svarīgi, lai sasniegtu vēlamos rezultātus. Jaunākie pētījumi par diferencētām instrukcijām ir skaidri parādījuši, ka veiksmīgai diferencētu apmācību ieviešanai ir vajadzīgas pastāvīgas apmācības un attīstības iespējas skolotājiem [35].
Šis rīks sniedz vērtīgu atbalstu zobārstniecības pedagogiem, kuri vēlas izvēlēties uz studentiem vērstu pieeju studentiem draudzīgu mācību aktivitāšu plānošanai. Tomēr šis pētījums aprobežojas ar lēmumu koku ML modeļu izmantošanu. Nākotnē, lai salīdzinātu dažādu mašīnmācīšanās modeļu veiktspēju, ir jāsavāc vairāk datu, lai salīdzinātu ieteikumu rīku precizitāti, uzticamību un precizitāti. Turklāt, izvēloties vispiemērotāko mašīnmācīšanās metodi noteiktam uzdevumam, ir svarīgi ņemt vērā citus faktorus, piemēram, modeļa sarežģītību un interpretāciju.
Šī pētījuma ierobežojums ir tāds, ka tas koncentrējās tikai uz LS kartēšanu un ir zobārstniecības studentu vidū. Tāpēc izstrādātā ieteikumu sistēma ieteiks tikai tos, kas ir piemēroti zobārstniecības studentiem. Izmaiņas ir vajadzīgas vispārējās augstākās izglītības studentu izmantošanai.
Jaunizveidotais uz mašīnām balstītais ieteikumu rīks ir spējīgs uzreiz klasificēt un saskaņot studentu LS ar atbilstošo IS, padarot to par pirmo zobārstniecības izglītības programmu, lai palīdzētu zobārstniecības pedagogiem plānot atbilstošas mācīšanas un mācību aktivitātes. Izmantojot uz datiem balstītu triation procesu, tas var sniegt personalizētus ieteikumus, ietaupīt laiku, uzlabot mācību stratēģijas, atbalstīt mērķtiecīgu iejaukšanos un veicināt pastāvīgu profesionālo attīstību. Tās pieteikums veicinās uz studentiem vērstu pieeju zobārstniecības izglītībai.
Gilak Jani Associated Press. Saskaņošana vai neatbilstība starp studenta mācīšanās stilu un skolotāja mācīšanas stilu. Int j mod izglītības datorzinātne. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Pasta laiks: 29.-2024. Aprīlis