Augstākās izglītības iestādēs, tostarp zobārstniecībā, pieaug nepieciešamība pēc uz studentiem vērstas mācīšanās (SCL).Tomēr SCL ir ierobežots pielietojums zobārstniecības izglītībā.Tāpēc šī pētījuma mērķis ir veicināt SCL pielietojumu zobārstniecībā, izmantojot lēmumu koka mašīnmācīšanās (ML) tehnoloģiju, lai kartētu zobārstniecības studentu vēlamo mācību stilu (LS) un atbilstošās mācīšanās stratēģijas (IS) kā noderīgu instrumentu IS vadlīniju izstrādei. .Daudzsološas metodes zobārstniecības studentiem.
Pavisam 255 zobārstniecības studenti no Malajas Universitātes aizpildīja modificēto mācīšanās stilu indeksa (m-ILS) anketu, kurā bija 44 vienumi, lai tos klasificētu attiecīgajās LS.Apkopotie dati (saukti par datu kopu) tiek izmantoti uzraudzītā lēmumu koka mācībās, lai automātiski saskaņotu skolēnu mācīšanās stilus ar vispiemērotāko IS.Pēc tam tiek novērtēta uz mašīnmācīšanos balstītā IS ieteikumu rīka precizitāte.
Lēmumu koka modeļu pielietošana automatizētā kartēšanas procesā starp LS (ievade) un IS (mērķa izvade) ļauj nekavējoties izveidot atbilstošu mācību stratēģiju sarakstu katram zobārstniecības studentam.IS ieteikumu rīks demonstrēja perfektu precizitāti un vispārējās modeļa precizitātes atsaukšanu, norādot, ka LS saskaņošanai ar IS ir laba jutība un specifiskums.
IS ieteikumu rīks, kas balstīts uz ML lēmumu koku, ir pierādījis savu spēju precīzi saskaņot zobārstniecības studentu mācīšanās stilus ar atbilstošām mācīšanās stratēģijām.Šis rīks nodrošina jaudīgas iespējas, lai plānotu uz studentiem vērstus kursus vai moduļus, kas var uzlabot studentu mācību pieredzi.
Mācīšana un mācīšanās ir pamatdarbība izglītības iestādēs.Veidojot kvalitatīvu profesionālās izglītības sistēmu, ir svarīgi pievērsties skolēnu mācību vajadzībām.Mijiedarbība starp studentiem un viņu mācību vidi var tikt noteikta caur viņu LS.Pētījumi liecina, ka skolotāju iecerētā neatbilstība starp studentu LS un IS var negatīvi ietekmēt skolēnu mācīšanos, piemēram, samazinātu uzmanību un motivāciju.Tas netieši ietekmēs studentu sniegumu [1,2].
IS ir metode, ko skolotāji izmanto, lai sniegtu skolēniem zināšanas un prasmes, tostarp palīdzot skolēniem mācīties [3].Vispārīgi runājot, labi skolotāji plāno mācību stratēģijas vai IS, kas vislabāk atbilst viņu skolēnu zināšanu līmenim, jēdzieniem, kurus viņi apgūst, un viņu mācīšanās stadiju.Teorētiski, sakrītot LS un IS, skolēni varēs organizēt un izmantot konkrētu prasmju kopumu, lai efektīvi mācītos.Parasti stundu plāns ietver vairākas pārejas starp posmiem, piemēram, no mācīšanas uz vadītu praksi vai no vadītas prakses uz neatkarīgu praksi.Paturot to prātā, efektīvi skolotāji bieži plāno apmācību ar mērķi attīstīt studentu zināšanas un prasmes [4].
Pieprasījums pēc SCL pieaug augstskolās, tostarp zobārstniecībā.SCL stratēģijas ir izstrādātas, lai apmierinātu studentu mācību vajadzības.To var panākt, piemēram, ja skolēni aktīvi piedalās mācību aktivitātēs un skolotāji darbojas kā veicinātāji un ir atbildīgi par vērtīgu atgriezenisko saiti.Ir teikts, ka skolēnu izglītības līmenim vai vēlmēm atbilstošu mācību materiālu un aktivitāšu nodrošināšana var uzlabot skolēnu 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.Apmācību mērķis ir dot iespēju studentiem apvienot zobārstniecības pamatzināšanas ar zobārstniecības klīniskajām prasmēm un iegūtās zināšanas pielietot jaunās klīniskās situācijās [6, 7].Sākotnējie pētījumi par attiecībām starp LS un IS atklāja, ka mācību stratēģiju pielāgošana vēlamajam LS palīdzētu uzlabot izglītības procesu [8].Autori arī iesaka izmantot dažādas mācību un vērtēšanas metodes, lai pielāgotos skolēnu mācībām un vajadzībām.
Skolotāji gūst labumu no LS zināšanu pielietošanas, lai palīdzētu viņiem izstrādāt, izstrādāt un īstenot mācības, kas veicinās studentu dziļāku zināšanu apguvi un izpratni par mācību priekšmetu.Pētnieki ir izstrādājuši vairākus LS novērtēšanas rīkus, piemēram, Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) un Fleming VAK/VARK modeli [5, 9, 10].Saskaņā ar literatūru šie mācīšanās modeļi ir visbiežāk izmantotie un visvairāk pētītie mācību modeļi.Pašreizējā pētnieciskajā darbā FSLSM tiek izmantots, lai novērtētu LS zobārstniecības studentu vidū.
FSLSM ir plaši izmantots modelis adaptīvās mācīšanās novērtēšanai inženierzinātnēs.Ir daudz publicētu darbu veselības zinātnēs (tostarp medicīnā, māsniecībā, farmācijā un zobārstniecībā), kurus var atrast, izmantojot FSLSM modeļus [5, 11, 12, 13].Instrumentu, ko izmanto LS dimensiju mērīšanai FLSM, sauc par mācīšanās stilu indeksu (ILS) [8], kas satur 44 vienumus, kas novērtē četras LS dimensijas: apstrāde (aktīva/atstarojoša), uztvere (uztveres/intuitīva), ievade (vizuāla)./verbāls) un izpratne (secīga/globāla) [14].
Kā parādīts 1. attēlā, katrai FSLSM dimensijai ir dominējošā izvēle.Piemēram, apstrādes dimensijā skolēni ar “aktīvu” LS dod priekšroku informācijas apstrādei, tieši mijiedarbojoties ar mācību materiāliem, mācās darot un mēdz mācīties grupās.“Atstarojošais” LS attiecas uz mācīšanos caur domāšanu un dod priekšroku darbam vienatnē.LS “uztveres” dimensiju var iedalīt “sajūtā” un/vai “intuīcijā”.“Sajūtas” studenti dod priekšroku konkrētākai informācijai un praktiskām procedūrām, ir orientēti uz faktiem salīdzinājumā ar “intuitīviem” studentiem, kuri dod priekšroku abstraktam materiālam un ir inovatīvāki un radošāki.LS “ievades” dimensiju veido “vizuālie” un “verbālie” apmācāmie.Cilvēki ar “vizuālo” LS dod priekšroku mācīties, izmantojot vizuālas demonstrācijas (piemēram, diagrammas, video vai dzīvās demonstrācijas), turpretim cilvēki ar “verbālo” LS dod priekšroku mācīties, izmantojot vārdus rakstiskos vai mutvārdos paskaidrojumos.Lai “saprastu” LS dimensijas, šādus apmācāmos var iedalīt “secīgajos” un “globālajos”.“Secīgie izglītojamie dod priekšroku lineāram domāšanas procesam un mācās soli pa solim, savukārt globālajiem studentiem parasti ir holistisks domāšanas process un viņiem vienmēr ir labāka izpratne par to, ko viņi mācās.
Pēdējā laikā daudzi pētnieki ir sākuši pētīt metodes automātiskai datu virzītai atklāšanai, tostarp jaunu algoritmu un modeļu izstrādi, kas spēj interpretēt lielu datu apjomu [15, 16].Pamatojoties uz sniegtajiem datiem, uzraudzītā ML (machine learning) spēj ģenerēt modeļus un hipotēzes, kas prognozē nākotnes rezultātus, balstoties uz algoritmu konstruēšanu [17].Vienkārši sakot, uzraudzītas mašīnmācīšanās metodes manipulē ar ievades datiem un apmāca algoritmus.Pēc tam tas ģenerē diapazonu, kas klasificē vai prognozē iznākumu, pamatojoties uz līdzīgām situācijām sniegtajiem ievades datiem.Galvenā uzraudzīto mašīnmācīšanās algoritmu priekšrocība ir spēja noteikt ideālus un vēlamos rezultātus [17].
Izmantojot uz datiem balstītas metodes un lēmumu koka kontroles modeļus, ir iespējama automātiska LS noteikšana.Ir ziņots, ka lēmumu koki tiek plaši izmantoti apmācību programmās dažādās jomās, tostarp veselības zinātnēs [18, 19].Šajā pētījumā sistēmu izstrādātāji īpaši apmācīja modeli, lai identificētu studentu LS un ieteiktu viņiem labāko IS.
Šī pētījuma mērķis ir izstrādāt IS piegādes stratēģijas, pamatojoties uz studentu LS un pielietot SCL pieeju, izstrādājot IS ieteikumu rīku, kas kartēts ar LS.IS ieteikumu rīka projektēšanas plūsma kā SCL metodes stratēģija ir parādīta 1. attēlā. IS ieteikumu rīks ir sadalīts divās daļās, tajā skaitā LS klasifikācijas mehānisms, izmantojot ILS, un studentiem piemērotākais IS displejs.
Jo īpaši informācijas drošības ieteikumu rīku īpašības ietver tīmekļa tehnoloģiju izmantošanu un lēmumu koka mašīnmācības izmantošanu.Sistēmas izstrādātāji uzlabo lietotāja pieredzi un mobilitāti, pielāgojot tās mobilajām ierīcēm, piemēram, mobilajiem tālruņiem un planšetdatoriem.
Eksperiments tika veikts divos posmos, un tajā brīvprātīgi piedalījās Malajas Universitātes Zobārstniecības fakultātes studenti.Dalībnieki atbildēja uz zobārstniecības studenta tiešsaistes m-ILS angļu valodā.Sākotnējā posmā tika izmantota 50 studentu datu kopa, lai apmācītu lēmumu koka mašīnmācīšanās algoritmu.Otrajā izstrādes 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 Teams.Tika izskaidrots pētījuma mērķis un saņemta informēta piekrišana.Visiem dalībniekiem tika nodrošināta saite, lai piekļūtu m-ILS.Katram studentam tika uzdots atbildēt uz visiem 44 jautājumiem anketā.Viņiem tika dota viena nedēļa, lai pabeigtu modificēto ILS sev ērtā laikā un vietā semestra pārtraukumā pirms semestra sākuma.m-ILS ir balstīts uz oriģinālo ILS instrumentu un ir pārveidots zobārstniecības studentiem.Līdzīgi kā sākotnējā ILS, tajā ir 44 vienmērīgi sadalīti vienumi (a, b) ar 11 vienumiem katrā, ko izmanto, lai novērtētu katras FSLSM dimensijas aspektus.
Sākotnējā rīku izstrādes stadijā pētnieki manuāli anotēja kartes, izmantojot 50 zobārstniecības studentu datu kopu.Saskaņā ar FSLM sistēma nodrošina atbilžu “a” un “b” summu.Katrai dimensijai, ja students atlasa “a” kā atbildi, LS tiek klasificēts kā Aktīvs/Uztvere/Vizuāls/Secīgs, un, ja students izvēlas “b” kā atbildi, students tiek klasificēts kā Reflektīvs/Intuitīvs/Lingvistisks. ./ globālais apmācāmais.
Pēc zobārstniecības izglītības pētnieku un sistēmu izstrādātāju darbplūsmas kalibrēšanas jautājumi tika atlasīti, pamatojoties uz FLSSM domēnu, un tika ievadīti ML modelī, lai prognozētu katra studenta LS.“Atkritumi iekšā, atkritumi ārā” ir populārs teiciens mašīnmācības jomā, uzsvaru liekot uz datu kvalitāti.Ievades datu kvalitāte nosaka mašīnmācīšanās modeļa precizitāti un precizitāti.Funkcijas izstrādes posmā tiek izveidota jauna funkciju kopa, kas ir atbilžu “a” un “b” summa, pamatojoties uz FLSSM.Zāļu pozīciju identifikācijas numuri ir norādīti 1. tabulā.
Aprēķiniet punktu skaitu, pamatojoties uz atbildēm, un nosakiet studenta LS.Katram skolēnam punktu skaits ir no 1 līdz 11. Rezultāti no 1 līdz 3 norāda uz mācīšanās preferenču līdzsvaru tajā pašā dimensijā, un rādītāji no 5 līdz 7 norāda uz mērenu izvēli, norādot, ka skolēni mēdz dot priekšroku vienai videi, kas māca citus. .Vēl viena tās pašas dimensijas variācija ir tāda, ka rādītāji no 9 līdz 11 atspoguļo spēcīgu izvēli vienam vai otram galam [8].
Katrai dimensijai zāles tika grupētas “aktīvajos”, “atstarojošajos” un “līdzsvarotajos”.Piemēram, ja students atbild “a” biežāk nekā “b” uz norādīto vienumu un viņa/viņas rezultāts pārsniedz slieksni 5 konkrētam vienumam, kas pārstāv LS dimensiju, viņš/viņa pieder “aktīvajai” LS. domēns..Tomēr studenti tika klasificēti kā “atspoguļojoši” LS, ja viņi izvēlējās “b” vairāk nekā “a” konkrētos 11 jautājumos (1. tabula) un ieguva vairāk nekā 5 punktus.Visbeidzot, students atrodas “līdzsvara stāvoklī”.Ja rezultāts nepārsniedz 5 punktus, tas ir “process” LS.Klasifikācijas process tika atkārtots citām LS dimensijām, proti, uztverei (aktīva/atstarojoša), ievade (vizuāla/verbāla) un izpratne (secīga/globāla).
Lēmumu koka modeļos dažādos klasifikācijas procesa posmos var izmantot dažādas pazīmju un lēmumu noteikumu apakškopas.To uzskata par populāru klasifikācijas un prognozēšanas rīku.To var attēlot, izmantojot koka struktūru, piemēram, blokshēmu [20], kurā ir iekšējie mezgli, kas attēlo testus pēc atribūtiem, katrs zars attēlo testa rezultātus un katrs lapas 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 kārtulām balstīts paziņojums ir IF, kur “IF” apraksta trigeri un “THEN” norāda veicamo darbību, piemēram: “Ja notiek X, tad dari Y” (Liu et al., 2014).Ja datu kopai ir korelācija un lēmumu koka modelis ir pareizi apmācīts un novērtēts, šī pieeja var būt efektīvs veids, kā automatizēt LS un IS saskaņošanas procesu.
Otrajā izstrādes posmā datu kopa tika palielināta līdz 255, lai uzlabotu ieteikumu rīka precizitāti.Datu kopa ir sadalīta proporcijā 1:4.25% (64) no datu kopas tika izmantoti testa kopai, bet atlikušie 75% (191) tika izmantoti kā apmācības kopa (2. attēls).Datu kopa ir jāsadala, lai modelis netiktu apmācīts un pārbaudīts tajā pašā datu kopā, kas varētu likt modelim atcerēties, nevis mācīties.Modelis tiek apmācīts apmācības komplektā un novērtē tā veiktspēju testa komplektā — datus, ko modelis vēl nekad nav redzējis.
Kad IS rīks būs izstrādāts, lietojumprogramma varēs klasificēt LS, pamatojoties uz zobārstniecības studentu atbildēm, izmantojot tīmekļa saskarni.Tīmekļa informācijas drošības ieteikumu rīka sistēma ir veidota, izmantojot Python programmēšanas valodu, kā aizmugursistēmu izmantojot Django ietvaru.2. tabulā ir uzskaitītas šīs sistēmas izstrādē izmantotās bibliotēkas.
Datu kopa tiek ievadīta lēmumu koka modelī, lai aprēķinātu un iegūtu studentu atbildes, lai automātiski klasificētu studentu LS mērījumus.
Sajaukšanas matrica tiek izmantota, lai novērtētu lēmumu koka mašīnmācīšanās algoritma precizitāti noteiktā datu kopā.Tajā pašā laikā tiek novērtēta klasifikācijas modeļa veiktspēja.Tas apkopo modeļa prognozes un salīdzina tās ar faktiskajām datu etiķetēm.Novērtējuma rezultāti ir balstīti uz četrām dažādām vērtībām: patiesi pozitīvs (TP) – modelis pareizi paredzēja pozitīvo kategoriju, viltus pozitīvs (FP) – modelis paredzēja pozitīvo kategoriju, bet patiesais apzīmējums bija negatīvs, patiesi negatīvs (TN) – modelis pareizi paredzēja negatīvo klasi, un viltus negatīvs (FN) – modelis paredz negatīvu klasi, bet patiesā etiķete ir pozitīva.
Pēc tam šīs vērtības tiek izmantotas, lai aprēķinātu dažādus Python scikit-learn klasifikācijas modeļa veiktspējas rādītājus, proti, precizitāti, precizitāti, atsaukšanu un F1 rezultātu.Šeit ir piemēri:
Atgādināšana (vai jutīgums) mēra modeļa spēju precīzi klasificēt studenta LS pēc atbildes uz m-ILS anketu.
Specifiskums tiek saukts par patiesu negatīvu likmi.Kā redzat no iepriekš minētās formulas, tai vajadzētu būt patieso negatīvo (TN) attiecībai pret patieso negatīvo un viltus pozitīvo (FP).Kā daļai no ieteicamā rīka studentu narkotiku klasificēšanai tai jāspēj precīzi identificēt.
Sākotnējā datu kopa, kurā bija 50 studenti, kas tika izmantota lēmumu koka ML modeļa apmācībai, uzrādīja salīdzinoši zemu precizitāti, jo anotācijās bija cilvēka kļūda (3. tabula).Pēc vienkāršas uz noteikumiem balstītas programmas izveides, lai automātiski aprēķinātu LS punktu skaitu un studentu anotācijas, ieteikuma sistēmas apmācībai un pārbaudei tika izmantots arvien lielāks datu kopu skaits (255).
Vairāku klašu sajaukšanas matricā diagonālie elementi attēlo pareizo prognožu skaitu katram LS tipam (4. attēls).Izmantojot lēmumu koka modeli, kopā tika pareizi prognozēti 64 paraugi.Tādējādi šajā pētījumā diagonālie elementi parāda sagaidāmos rezultātus, norādot, ka modelis darbojas labi un precīzi paredz klases marķējumu katrai LS klasifikācijai.Tādējādi ieteikumu rīka kopējā precizitāte ir 100%.
Precizitātes, precizitātes, atsaukšanas un F1 rezultāta vērtības ir parādītas 5. attēlā. Ieteikumu sistēmai, kurā tiek izmantots lēmumu koka modelis, tās F1 rezultāts ir 1,0 “perfekts”, kas norāda uz nevainojamu precizitāti un atsaukšanu, atspoguļojot ievērojamu jutīgumu un specifiskumu. vērtības.
6. attēlā parādīta lēmumu koka modeļa vizualizācija pēc apmācības un testēšanas.Salīdzinot līdzās, lēmumu koka modelis, kas apmācīts ar mazākām funkcijām, uzrādīja lielāku precizitāti un vieglāku modeļa vizualizāciju.Tas parāda, ka funkciju izstrāde, kas noved pie funkciju samazināšanas, ir svarīgs solis modeļa veiktspējas uzlabošanā.
Izmantojot lēmumu koka uzraudzītu mācīšanos, kartēšana starp LS (ievadi) un IS (mērķa izvade) tiek automātiski ģenerēta un satur detalizētu informāciju par katru LS.
Rezultāti parādīja, ka 34,9% no 255 studentiem deva priekšroku vienam (1) LS variantam.Lielākajai daļai (54,3%) bija divas vai vairākas LS preferences.12,2% studentu atzīmēja, ka LS ir diezgan sabalansēts (4. tabula).Papildus astoņām galvenajām LS ir 34 LS klasifikāciju kombinācijas Malajas Universitātes zobārstniecības studentiem.To vidū uztvere, redze un uztveres un redzes kombinācija ir galvenie studentu ziņotie LS (7. attēls).
Kā redzams 4. tabulā, lielākajai daļai skolēnu bija dominējoša sensorā (13,7%) vai vizuālā (8,6%) LS.Tika ziņots, ka 12,2% skolēnu apvienoja uztveri ar redzi (perceptuāli-vizuālais LS).Šie atklājumi liecina, ka skolēni dod priekšroku mācīties un atcerēties, izmantojot noteiktas metodes, ievērot īpašas un detalizētas procedūras un būt uzmanīgiem.Tajā pašā laikā viņiem patīk mācīties, skatoties (izmantojot diagrammas utt.), un viņiem ir tendence apspriest un izmantot informāciju grupās vai patstāvīgi.
Šis pētījums sniedz pārskatu par mašīnmācīšanās paņēmieniem, ko izmanto datu ieguvē, koncentrējoties uz tūlītēju un precīzu studentu LS prognozēšanu un piemērotu IS ieteikšanu.Lēmumu koka modeļa izmantošana identificēja faktorus, kas visciešāk saistīti ar viņu dzīves un izglītības pieredzi.Tas ir uzraudzīts mašīnmācīšanās algoritms, kas izmanto koka struktūru, lai klasificētu datus, sadalot datu kopu apakškategorijās, pamatojoties uz noteiktiem kritērijiem.Tas darbojas, rekursīvi sadalot ievades datus apakškopās, pamatojoties uz katra iekšējā mezgla vienas ievades funkcijas vērtību, līdz tiek pieņemts lēmums lapas mezglā.
Lēmumu koka iekšējie mezgli atspoguļo risinājumu, pamatojoties uz m-ILS problēmas ievades īpašībām, un lapu mezgli atspoguļo galīgo LS klasifikācijas prognozi.Visā pētījumā ir viegli saprast lēmumu koku hierarhiju, kas izskaidro un vizualizē lēmumu pieņemšanas procesu, aplūkojot attiecības starp ievades funkcijām un izvades prognozēm.
Datorzinātnes un inženierzinātņu jomās mašīnmācīšanās algoritmus plaši izmanto, lai prognozētu studentu sniegumu, pamatojoties uz viņu iestājeksāmenu rezultātiem [21], demogrāfisko informāciju un mācīšanās paradumiem [22].Pētījumi parādīja, ka algoritms precīzi paredzēja studentu sniegumu un palīdzēja viņiem identificēt studentus, kuriem ir akadēmisko grūtību risks.
Tiek ziņots par ML algoritmu pielietojumu virtuālo pacientu simulatoru izstrādē zobārstniecības apmācībai.Simulators spēj precīzi reproducēt reālu pacientu fizioloģiskās reakcijas, un to var izmantot, lai apmācītu zobārstniecības studentus drošā un kontrolētā vidē [23].Vairāki citi pētījumi liecina, ka mašīnmācīšanās algoritmi potenciāli var uzlabot zobārstniecības un medicīniskās izglītības un pacientu aprūpes kvalitāti un efektivitāti.Mašīnmācīšanās algoritmi ir izmantoti, lai palīdzētu diagnosticēt zobu slimības, pamatojoties uz datu kopām, piemēram, simptomiem un pacienta īpašībām [24, 25].Lai gan citos pētījumos ir pētīta mašīnmācīšanās algoritmu izmantošana, lai veiktu tādus uzdevumus kā pacientu iznākuma prognozēšana, augsta riska pacientu identificēšana, personalizētu ārstēšanas plānu izstrāde [26], periodonta ārstēšana [27] un kariesa ārstēšana [25].
Lai gan ir publicēti ziņojumi par mašīnmācības pielietojumu zobārstniecībā, tās pielietojums zobārstniecības izglītībā joprojām ir ierobežots.Tāpēc šī pētījuma mērķis bija izmantot lēmumu koka modeli, lai identificētu ar LS un IS visciešāk saistītos faktorus zobārstniecības studentu vidū.
Šī pētījuma rezultāti liecina, ka izstrādātajam ieteikumu rīkam ir augsta precizitāte un nevainojama precizitāte, kas liecina, 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.Tostarp informācija, kas iegūta, izmantojot ieteikumu rīkus, var atrisināt konfliktus starp skolotāju vēlamajām mācību metodēm un skolēnu mācību vajadzībām.Piemēram, rekomendācijas rīku automatizētas izvades dēļ ievērojami samazināsies laiks, kas nepieciešams, lai identificētu studenta IP un saskaņotu to ar atbilstošo IP.Tādā veidā var organizēt piemērotas apmācības aktivitātes un mācību materiālus.Tas palīdz attīstīt skolēnu pozitīvu mācīšanās uzvedību un spēju koncentrēties.Vienā pētījumā tika ziņots, ka studentu nodrošināšana ar mācību materiāliem un mācību aktivitātēm, kas atbilst viņu vēlamajam LS, var palīdzēt studentiem integrēties, apstrādāt un baudīt mācīšanos vairākos veidos, lai sasniegtu lielāku potenciālu [12].Pētījumi arī liecina, ka papildus skolēnu līdzdalības uzlabošanai klasē skolēnu mācību procesa izpratnei ir arī izšķiroša nozīme mācību prakses un komunikācijas ar skolēniem uzlabošanā [28, 29].
Tomēr, tāpat kā jebkurai modernai tehnoloģijai, ir problēmas un ierobežojumi.Tie ietver jautājumus, kas saistīti ar datu privātumu, neobjektivitāti un godīgumu, kā arī profesionālajām prasmēm un resursiem, kas nepieciešami, lai izstrādātu un ieviestu mašīnmācīšanās algoritmus zobārstniecības izglītībā;Tomēr pieaugošā interese un pētījumi par šo jomu liecina, ka mašīnmācīšanās tehnoloģijām var būt pozitīva ietekme uz zobārstniecības izglītību un zobārstniecības pakalpojumiem.
Šī pētījuma rezultāti liecina, ka pusei zobārstniecības studentu ir tendence “uztvert” narkotikas.Šāda veida izglītojamie dod priekšroku faktiem un konkrētiem piemēriem, praktiskai orientācijai, pacietībai pret detaļām un “vizuālajam” LS priekšrokam, kur izglītojamie dod priekšroku attēlu, grafikas, krāsu un karšu izmantošanai, lai izteiktu idejas un domas.Pašreizējie rezultāti saskan ar citiem pētījumiem, kuros izmanto ILS, lai novērtētu LS zobārstniecības un medicīnas studentiem, no kuriem lielākajai daļai ir uztveres un redzes LS pazīmes [12, 30].Dalmolin et al norāda, ka studentu informēšana par viņu LS ļauj viņiem sasniegt savu mācību potenciālu.Pētnieki apgalvo, ka, skolotājiem pilnībā izprotot skolēnu izglītības procesu, var tikt ieviestas dažādas mācību metodes un aktivitātes, kas uzlabos skolēnu sniegumu un mācīšanās pieredzi [12, 31, 32].Citi pētījumi ir parādījuši, ka studentu LS pielāgošana liecina arī par studentu mācīšanās pieredzes un snieguma uzlabošanos pēc mācīšanās stilu maiņas, lai tie atbilstu viņu pašu LS [13, 33].
Skolotāju viedokļi var atšķirties par mācīšanas stratēģiju ieviešanu, pamatojoties uz skolēnu mācīšanās spējām.Lai gan daži saskata šīs pieejas priekšrocības, tostarp profesionālās izaugsmes iespējas, mentoringu un kopienas atbalstu, citi var būt noraizējušies par laiku un institucionālo atbalstu.Tiekšanās pēc līdzsvara ir galvenais, lai radītu uz studentu vērstu attieksmi.Augstākās izglītības iestādēm, piemēram, universitāšu administratoriem, var būt nozīmīga loma pozitīvu pārmaiņu veicināšanā, ieviešot novatorisku praksi un atbalstot mācībspēku attīstību [34].Lai izveidotu patiesi dinamisku un atsaucīgu augstākās izglītības sistēmu, politikas veidotājiem ir jāsper drosmīgi soļi, piemēram, jāveic izmaiņas politikā, jāvelta resursi tehnoloģiju integrācijai un jāizveido ietvari, kas veicina uz studentiem vērstas pieejas.Šie pasākumi ir ļoti svarīgi, lai sasniegtu vēlamos rezultātus.Jaunākie pētījumi par diferencētu apmācību ir skaidri parādījuši, ka diferencētas apmācības sekmīgai īstenošanai nepieciešama pastāvīga skolotāju apmācība un attīstības iespējas [35].
Šis rīks sniedz vērtīgu atbalstu zobārstniecības pedagogiem, kuri vēlas izmantot uz studentu vērstu pieeju studentiem draudzīgu mācību pasākumu plānošanā.Tomēr šis pētījums aprobežojas ar lēmumu koka ML modeļu izmantošanu.Nākotnē ir jāapkopo vairāk datu, lai salīdzinātu dažādu mašīnmācīšanās modeļu veiktspēju un salīdzinātu ieteikumu rīku precizitāti, uzticamību un precizitāti.Turklāt, izvēloties konkrētam uzdevumam vispiemērotāko mašīnmācīšanās metodi, ir svarīgi ņemt vērā citus faktorus, piemēram, modeļa sarežģītību un interpretāciju.
Šī pētījuma ierobežojums ir tāds, ka tas koncentrējās tikai uz LS un IS kartēšanu zobārstniecības studentu vidū.Tāpēc izstrādātā ieteikumu sistēma ieteiks tikai tos, kas ir piemēroti zobārstniecības studentiem.Izmaiņas nepieciešamas vispārējās augstākās izglītības studentu lietošanai.
Jaunizstrādātais uz mašīnmācīšanos balstītais ieteikumu rīks spēj uzreiz klasificēt un saskaņot studentu LS ar atbilstošo IS, padarot to par pirmo zobārstniecības izglītības programmu, kas palīdz zobārstniecības pedagogiem plānot atbilstošas mācību un mācīšanās aktivitātes.Izmantojot uz datiem balstītu šķirošanas procesu, tas var sniegt personalizētus ieteikumus, ietaupīt laiku, uzlabot mācību stratēģijas, atbalstīt mērķtiecīgu iejaukšanos un veicināt pastāvīgu profesionālo attīstību.Tās pielietojums veicinās uz studentiem vērstas pieejas zobārstniecības izglītībā.
Gilak Jani Associated Press.Atbilstība vai neatbilstība starp skolēna mācīšanās stilu un skolotāja mācīšanas stilu.Int J Mod Educ Computer Science.2012; 4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Izlikšanas laiks: 29.04.2024