Augstākās izglītības iestādēs, tostarp zobārstniecībā, pieaug nepieciešamība pēc uz studentu centrētas mācīšanās (SCL). Tomēr SCL pielietojums zobārstniecības izglītībā ir ierobežots. Tāpēc šī pētījuma mērķis ir veicināt SCL pielietojumu zobārstniecībā, izmantojot lēmumu koka mašīnmācīšanās (ML) tehnoloģiju, lai kartētu zobārstniecības studentu vēlamo mācīšanās stilu (LS) un atbilstošās mācīšanās stratēģijas (IS) kā noderīgu rīku IS vadlīniju izstrādei. Daudzsološas metodes zobārstniecības studentiem.
Kopumā 255 zobārstniecības studenti no Malajas Universitātes aizpildīja modificēto mācību stilu indeksa (m-ILS) anketu, kas saturēja 44 jautājumus, lai tos klasificētu attiecīgajos mācību stilus (MS). Apkopotie dati (saukti par datu kopu) tiek izmantoti uzraudzītā lēmumu koka mācīšanās procesā, lai automātiski saskaņotu studentu mācību stilus ar atbilstošāko informācijas sistēmu (IS). Pēc tam tiek novērtēta uz mašīnmācīšanos balstītā IS ieteikumu rīka precizitāte.
Lēmumu koku modeļu pielietošana automatizētā kartēšanas procesā starp LS (ievadi) un IS (mērķa izvadi) ļauj nekavējoties izveidot atbilstošu mācību stratēģiju sarakstu katram zobārstniecības studentam. IS ieteikumu rīks uzrādīja perfektu precizitāti un kopējās modeļa precizitātes atpazīstamību, norādot, ka LS un IS saskaņošanai ir laba jutība un specifiskums.
Informācijas sistēmu ieteikumu rīks, kas balstīts uz mašīnmācīšanās lēmumu koku, ir pierādījis savu spēju precīzi saskaņot zobārstniecības studentu mācīšanās stilus ar atbilstošām mācību stratēģijām. Šis rīks nodrošina jaudīgas iespējas uz studentu orientētu kursu vai moduļu plānošanai, kas var uzlabot studentu mācību pieredzi.
Mācīšana un mācīšanās ir pamatdarbības izglītības iestādēs. Izstrādājot augstas kvalitātes profesionālās izglītības sistēmu, ir svarīgi koncentrēties uz skolēnu mācību vajadzībām. Mijiedarbību starp skolēniem un viņu mācību vidi var noteikt, izmantojot viņu mācību valodu (LS). Pētījumi liecina, ka skolotāju paredzētās neatbilstības starp skolēnu mācību valodu (LS) un informācijas sistēmām (IS) var negatīvi ietekmēt skolēnu mācības, piemēram, samazināt uzmanību un motivāciju. Tas netieši ietekmēs skolēnu sniegumu [1,2].
IS ir metode, ko skolotāji izmanto, lai sniegtu skolēniem zināšanas un prasmes, tostarp palīdzētu skolēniem mācīties [3]. Vispārīgi runājot, labi skolotāji plāno mācību stratēģijas jeb IS, kas vislabāk atbilst viņu skolēnu zināšanu līmenim, apgūstamajiem jēdzieniem un mācību posmam. Teorētiski, ja LS un IS sakrīt, skolēni varēs organizēt un izmantot noteiktu prasmju kopumu, lai efektīvi mācītos. Parasti stundas plānā ir iekļautas vairākas pārejas starp posmiem, piemēram, no mācīšanas uz vadītu praksi vai no vadītas prakses uz patstāvīgu praksi. Paturot to prātā, efektīvi skolotāji bieži plāno mācību procesu ar mērķi attīstīt skolēnu zināšanas un prasmes [4].
Augstākās izglītības iestādēs, tostarp zobārstniecībā, pieaug pieprasījums pēc SCL. SCL stratēģijas ir izstrādātas, lai apmierinātu studentu mācību vajadzības. To var panākt, piemēram, ja studenti aktīvi piedalās mācību aktivitātēs un skolotāji darbojas kā veicinātāji un ir atbildīgi par vērtīgas atgriezeniskās saites sniegšanu. Tiek uzskatīts, ka mācību materiālu un aktivitāšu nodrošināšana, kas ir atbilstošas studentu izglītības līmenim vai vēlmēm, 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 zobārstniecības pamatzināšanas ar zobārstniecības klīniskajām prasmēm un pielietot iegūtās zināšanas jaunās klīniskās situācijās [6, 7]. Agrīnie pētījumi par LS un IS saistību atklāja, ka mācību stratēģiju pielāgošana vēlamajai LS palīdzētu uzlabot izglītības procesu [8]. Autori arī iesaka izmantot dažādas mācību un vērtēšanas metodes, lai pielāgotos studentu mācībām un vajadzībām.
Skolotāji gūst labumu no LS zināšanu pielietošanas, lai palīdzētu viņiem izstrādāt, attīstīt un ieviest mācības, kas veicinās studentu dziļāku zināšanu un izpratnes iegūšanu par mācību priekšmetu. Pētnieki ir izstrādājuši vairākus LS novērtēšanas rīkus, piemēram, Kolba pieredzes mācīšanās modeli, Feldera-Silvermana mācīšanās stila modeli (FSLSM) un Fleminga VAK/VARK modeli [5, 9, 10]. Saskaņā ar literatūru, šie mācību modeļi ir visbiežāk izmantotie un visvairāk pētītie mācību modeļi. Pašreizējā pētījumā FSLSM tiek izmantots, lai novērtētu LS zobārstniecības studentu vidū.
FSLSM ir plaši izmantots modelis adaptīvās mācīšanās novērtēšanai inženierzinātnēs. Veselības zinātnēs (tostarp medicīnā, māszinībās, farmācijā un zobārstniecībā) ir publicēti daudzi darbi, kuros izmantoti FSLSM modeļi [5, 11, 12, 13]. Instruments, ko izmanto LS dimensiju mērīšanai FLSM, ir Mācīšanās stilu indekss (ILS) [8], kas satur 44 vienības, kas novērtē četras LS dimensijas: apstrādi (aktīvā/reflektīvā), uztveri (uztveres/intuitīvā), ievadi (vizuālo/verbālo) un izpratni (secīgo/globālo) [14].
Kā parādīts 1. attēlā, katrai FSLS dimensijai ir dominējoša priekšroka. Piemēram, apstrādes dimensijā studenti ar “aktīvu” LS dod priekšroku informācijas apstrādei, tieši mijiedarbojoties ar mācību materiāliem, mācās darot un mēdz mācīties grupās. “Refleksīvā” LS attiecas uz mācīšanos domājot un dod priekšroku darbam vienatnē. LS “uztveres” dimensiju var iedalīt “sajūtās” un/vai “intuīcijā”. “Sajūtošie” studenti dod priekšroku konkrētākai informācijai un praktiskākām procedūrām, ir orientēti uz faktiem, salīdzinot ar “intuitīviem” studentiem, kuri dod priekšroku abstraktam materiālam un ir inovatīvāki un radošāki. LS “ievades” dimensiju veido “vizuālie” un “verbālie” studenti. Cilvēki ar “vizuālu” LS dod priekšroku mācībām, izmantojot vizuālas demonstrācijas (piemēram, diagrammas, video vai tiešraides demonstrācijas), savukārt cilvēki ar “verbālu” LS dod priekšroku mācībām, izmantojot vārdus rakstiskos vai mutiskos skaidrojumos. Lai “izprastu” LS dimensijas, šādus studentus var iedalīt “secīgos” un “globālos”. “Secīgie mācīšanās dalībnieki dod priekšroku lineāram domāšanas procesam un mācās soli pa solim, savukārt globālie mācīšanās dalībnieki mēdz domāt holistiski un vienmēr labāk izprot to, ko viņi apgūst.”
Nesen daudzi pētnieki ir sākuši pētīt metodes automātiskai datu vadītai atklāšanai, tostarp jaunu algoritmu un modeļu izstrādi, kas spēj interpretēt lielu datu apjomu [15, 16]. Pamatojoties uz sniegtajiem datiem, uzraudzītā mašīnmācīšanās (ML) spēj ģenerēt modeļus un hipotēzes, kas paredz nākotnes rezultātus, pamatojoties uz algoritmu konstrukciju [17]. Vienkārši sakot, uzraudzītās mašīnmācīšanās metodes manipulē ar ievades datiem un apmāca algoritmus. Pēc tam tā ģenerē diapazonu, kas klasificē vai prognozē rezultātu, pamatojoties uz līdzīgām situācijām sniegtajiem ievades datiem. Uzraudzīto mašīnmācīšanās algoritmu galvenā priekšrocība ir to spēja noteikt ideālus un vēlamos rezultātus [17].
Izmantojot datu vadītas metodes un lēmumu koku vadības 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 sistēmas izstrādātāji īpaši apmācīja modeli, lai identificētu studentu LS un ieteiktu viņiem labāko informācijas sistēmu (IS).
Šī pētījuma mērķis ir izstrādāt IS piegādes stratēģijas, kuru pamatā ir studentu LS, un pielietot SCL pieeju, izstrādājot IS ieteikšanas rīku, kas ir sasaistīts ar LS. IS ieteikšanas rīka projektēšanas plūsma kā SCL metodes stratēģija ir parādīta 1. attēlā. IS ieteikšanas rīks ir sadalīts divās daļās, tostarp LS klasifikācijas mehānisms, izmantojot ILS, un studentiem vispiemērotākais IS attēlojums.
Jo īpaši informācijas drošības ieteikumu rīku raksturlielumi ietver tīmekļa tehnoloģiju izmantošanu un lēmumu koka mašīnmācīšanās izmantošanu. Sistēmu izstrādātāji uzlabo lietotāja pieredzi un mobilitāti, pielāgojot tos mobilajām ierīcēm, piemēram, mobilajiem tālruņiem un planšetdatoriem.
Eksperiments tika veikts divos posmos, un tajā brīvprātīgi piedalījās studenti no Malajas Universitātes Zobārstniecības fakultātes. Dalībnieki atbildēja uz zobārstniecības studenta tiešsaistes m-ILS anketu angļu valodā. Sākotnējā posmā lēmumu koka mašīnmācīšanās algoritma apmācībai tika izmantots 50 studentu datu kopums. Izstrādes procesa otrajā posmā tika izmantots 255 studentu datu kopums, lai uzlabotu izstrādātā instrumenta precizitāti.
Katra posma sākumā, atkarībā no akadēmiskā gada, visi dalībnieki, izmantojot Microsoft Teams, saņem tiešsaistes instruktāžu. Tika izskaidrots pētījuma mērķis un iegūta informēta piekrišana. Visiem dalībniekiem tika nodrošināta saite, lai piekļūtu m-ILS. Katram studentam tika uzdots atbildēt uz visiem 44 anketas jautājumiem. Viņiem tika dota viena nedēļa, lai aizpildītu modificēto ILS viņiem ērtā laikā un vietā semestra pārtraukumā pirms semestra sākuma. m-ILS ir balstīta uz sākotnējo ILS instrumentu un modificēta zobārstniecības studentiem. Līdzīgi kā sākotnējā ILS, tā satur 44 vienmērīgi sadalītus jautājumus (a, b), katrā pa 11 jautājumiem, kas tiek izmantoti, lai novērtētu katras FSLSM dimensijas aspektus.
Rīka izstrādes sākumposmā pētnieki manuāli anotēja kartes, izmantojot 50 zobārstniecības studentu datu kopu. Saskaņā ar FSLM sistēma sniedz atbilžu “a” un “b” summu. Katrai dimensijai, ja students izvēlas atbildi “a”, LS tiek klasificēts kā aktīvs/uztveres/vizuāls/secīgs, un, ja students izvēlas atbildi “b”, students tiek klasificēts kā reflektīvs/intuitīvs/lingvistisks/globāls skolēns.
Pēc zobārstniecības izglītības pētnieku un sistēmu izstrādātāju darbplūsmas kalibrēšanas jautājumi tika atlasīti, pamatojoties uz FLSSM domēnu, un ievadīti mašīnmācīšanās modelī, lai prognozētu katra studenta LS. “Atkritumi iekšā, atkritumi ārā” ir populārs teiciens mašīnmācīšanās jomā, uzsverot datu kvalitāti. Ievades datu kvalitāte nosaka mašīnmācīšanās modeļa precizitāti un pareizību. Funkciju izstrādes fāzē tiek izveidots jauns funkciju kopums, kas ir atbilžu “a” un “b” summa, pamatojoties uz FLSSM. Zāļu pozīciju identifikācijas numuri ir norādīti 1. tabulā.
Aprēķiniet rezultātu, pamatojoties uz atbildēm, un nosakiet studenta LS. Katram studentam rezultātu diapazons ir no 1 līdz 11. Rezultāti no 1 līdz 3 norāda uz mācību preferenču līdzsvaru vienā dimensijā, un rezultāti no 5 līdz 7 norāda uz mērenu izvēli, kas norāda, ka studenti mēdz dot priekšroku vienai videi, mācot citus. Vēl viena variācija tajā pašā dimensijā ir tāda, ka rezultāti no 9 līdz 11 atspoguļo spēcīgu izvēli par vienu vai otru galu [8].
Katrā dimensijā narkotikas tika grupētas kā “aktīvās”, “reflektīvās” un “līdzsvarotās”. Piemēram, ja students norādītajā jautājumā atbild ar “a” biežāk nekā ar “b” un viņa/viņas rezultāts pārsniedz 5 punktu slieksni konkrētam jautājumam, kas pārstāv LS apstrādes dimensiju, viņš/viņa pieder pie “aktīvās” LS domēna. Tomēr studenti tika klasificēti kā “reflektīvi” LS, ja konkrētos 11 jautājumos (1. tabula) viņi izvēlējās “b” biežāk nekā “a” un ieguva vairāk nekā 5 punktus. Visbeidzot, students atrodas “līdzsvara” stāvoklī. Ja rezultāts nepārsniedz 5 punktus, tad šī ir “procesa” LS. Klasifikācijas process tika atkārtots pārējām LS dimensijām, proti, uztverei (aktīvā/reflektīvā), ievadei (vizuālajai/verbālajai) un izpratnei (secīgajai/globālajai).
Lēmumu koku modeļi var izmantot dažādas pazīmju apakškopas un lēmumu noteikumus dažādos klasifikācijas procesa posmos. Tas tiek uzskatīts par populāru klasifikācijas un prognozēšanas rīku. To var attēlot, izmantojot koka struktūru, piemēram, blokshēmu [20], kurā ir iekšējie mezgli, kas attēlo testus pēc atribūta, katrs zars attēlo testa rezultātus un katrs lapas mezgls (lapas mezgls) satur klases etiķeti.
Tika izveidota vienkārša, uz noteikumiem balstīta programma, lai automātiski novērtētu un anotētu katra studenta LS, pamatojoties uz viņu atbildēm. Uz noteikumiem balstīta programma ir IF priekšraksta formā, kur “IF” apraksta aktivizētāju un “THEN” norāda veicamo darbību, piemēram: “Ja notiek X, tad veiciet Y” (Liu et al., 2014). Ja datu kopa uzrāda korelāciju un lēmumu koka modelis ir pareizi apmācīts un novērtēts, šī pieeja var būt efektīvs veids, kā automatizēt LS un IS saskaņošanas procesu.
Otrajā izstrādes fāzē 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 novērstu modeļa apmācību un testēšanu ar vienu un to pašu datu kopu, kas varētu izraisīt modeļa atcerēšanos, nevis mācīšanos. Modelis tiek apmācīts ar apmācības kopu un novērtē savu veiktspēju testa kopā — datos, ko modelis nekad iepriekš nav redzējis.
Kad IS rīks būs izstrādāts, lietojumprogramma varēs klasificēt LS, pamatojoties uz zobārstniecības studentu atbildēm, izmantojot tīmekļa saskarni. Tīmeklī balstītā informācijas drošības ieteikumu rīku sistēma ir veidota, izmantojot Python programmēšanas valodu un Django ietvaru kā aizmugursistēmu. 2. tabulā ir uzskaitītas bibliotēkas, kas izmantotas šīs sistēmas izstrādē.
Datu kopa tiek padota lēmumu koka modelim, lai aprēķinātu un iegūtu studentu atbildes, lai automātiski klasificētu studentu LS mērījumus.
Apjukuma matrica tiek izmantota, lai novērtētu lēmumu koka mašīnmācīšanās algoritma precizitāti dotajā datu kopā. Vienlaikus tā novērtē klasifikācijas modeļa veiktspēju. Tā apkopo modeļa prognozes un salīdzina tās ar faktiskajām datu etiķetēm. Novērtēšanas rezultāti ir balstīti uz četrām dažādām vērtībām: Patiesi pozitīvs (TP) – modelis pareizi prognozēja pozitīvo kategoriju, Kļūdaini pozitīvs (FP) – modelis pareizi prognozēja pozitīvo kategoriju, bet patiesā etiķete bija negatīva, Patiesi negatīvs (TN) – modelis pareizi prognozēja negatīvo klasi un Kļūdaini negatīvs (FN) – modelis pareizi prognozēja negatīvu klasi, bet patiesā etiķete ir pozitīva.
Šīs vērtības pēc tam tiek izmantotas, lai aprēķinātu dažādus scikit-learn klasifikācijas modeļa veiktspējas rādītājus Python valodā, proti, precizitāti, precizitāti, atcerēšanos un F1 rezultātu. Šeit ir piemēri:
Atgādināšana (vai jutīgums) mēra modeļa spēju precīzi klasificēt studenta LS pēc atbilžu sniegšanas uz m-ILS anketu.
Specifiskumu sauc par patiesi negatīvu rezultātu rādītāju. Kā redzams no iepriekš minētās formulas, tai jābūt patiesi negatīvu (TN) un patiesi negatīvu un viltus pozitīvu (FP) attiecību attiecībai. Kā daļai no ieteicamā rīka studentu narkotiku klasificēšanai, tai jāspēj precīzi identificēt.
Sākotnējais 50 studentu datu kopums, kas tika izmantots lēmumu koka ML modeļa apmācībai, uzrādīja relatīvi zemu precizitāti cilvēcisko kļūdu dēļ anotācijās (3. tabula). Pēc vienkāršas uz noteikumiem balstītas programmas izveides LS rādītāju un studentu anotāciju automātiskai aprēķināšanai, ieteikšanas sistēmas apmācībai un testēšanai tika izmantots arvien lielāks datu kopu skaits (255).
Daudzklases apjukuma matricā diagonālie elementi attēlo pareizo prognožu skaitu katram LS tipam (4. attēls). Izmantojot lēmumu koka modeli, kopumā tika pareizi prognozēti 64 paraugi. Tādējādi šajā pētījumā diagonālie elementi parāda paredzamos rezultātus, norādot, ka modelis darbojas labi un precīzi prognozē klases etiķeti katrai LS klasifikācijai. Tādējādi ieteikumu rīka kopējā precizitāte ir 100%.
Precizitātes, precizitātes, atcerēšanās un F1 rādītāja vērtības ir parādītas 5. attēlā. Ieteikumu sistēmai, kas izmanto lēmumu koka modeli, tās F1 rādītājs ir 1,0 “ideāls”, kas norāda uz perfektu precizitāti un atcerēšanos, atspoguļojot nozīmīgas jutīguma un specifiskuma vērtības.
6. attēlā redzama lēmumu koka modeļa vizualizācija pēc apmācības un testēšanas pabeigšanas. Salīdzinot to ar mazāku skaitu funkciju, lēmumu koka modelis uzrādīja augstāku precizitāti un vieglāku modeļa vizualizāciju. Tas parāda, ka funkciju inženierija, kas noved pie funkciju samazināšanas, ir svarīgs solis modeļa veiktspējas uzlabošanā.
Pielietojot lēmumu koka uzraudzītu mācīšanos, automātiski tiek ģenerēta kartēšana starp LS (ievadi) un IS (mērķa izvadi), un tā satur detalizētu informāciju par katru LS.
Rezultāti parādīja, ka 34,9% no 255 studentiem deva priekšroku vienai (1) LS iespējai. Lielākajai daļai (54,3%) bija divas vai vairākas LS preferences. 12,2% studentu atzīmēja, ka LS ir diezgan līdzsvarots (4. tabula). Papildus astoņām galvenajām LS, Malajas Universitātes zobārstniecības studentiem ir 34 LS klasifikāciju kombinācijas. Starp tām uztvere, redze un uztveres un redzes kombinācija ir galvenās LS, par kurām ziņo studenti (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 vizuālā LS). Šie atklājumi liecina, ka skolēni dod priekšroku mācīties un atcerēties, izmantojot noteiktas metodes, ievēro konkrētas un detalizētas procedūras un ir uzmanīgi pēc dabas. Tajā pašā laikā viņiem patīk mācīties, skatoties (izmantojot diagrammas utt.), un viņi mēdz apspriest un pielietot informāciju grupās vai patstāvīgi.
Šis pētījums sniedz pārskatu par mašīnmācīšanās metodēm, ko izmanto datu ieguvē, koncentrējoties uz studentu LS tūlītēju un precīzu prognozēšanu un piemērotu IS ieteikšanu. Lēmumu koka modeļa pielietošana identificēja faktorus, kas ir 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 pazīmes vērtību, līdz tiek pieņemts lēmums lapu mezglā.
Lēmumu koka iekšējie mezgli attēlo risinājumu, kas balstīts uz m-ILS problēmas ievades raksturlielumiem, un lapu mezgli attēlo galīgo LS klasifikācijas prognozi. Visā pētījumā ir viegli izprast lēmumu koku hierarhiju, kas izskaidro un vizualizē lēmumu pieņemšanas procesu, aplūkojot saistību starp ievades raksturlielumiem un izejas prognozēm.
Datorzinātņu un inženierzinātņu jomā mašīnmācīšanās algoritmi tiek plaši izmantoti, lai prognozētu studentu sniegumu, pamatojoties uz viņu iestājeksāmenu rezultātiem [21], demogrāfisko informāciju un mācību uzvedību [22]. Pētījumi parādīja, ka algoritms precīzi prognozēja studentu sniegumu un palīdzēja viņiem identificēt studentus, kuriem ir akadēmisku grūtību risks.
Tiek ziņots par mašīnmācīšanās algoritmu pielietojumu virtuālu pacientu simulatoru izstrādē zobārstniecības apmācībai. Simulators spēj precīzi reproducēt reālu pacientu fizioloģiskās reakcijas un to var izmantot zobārstniecības studentu apmācībai drošā un kontrolētā vidē [23]. Vairāki citi pētījumi liecina, 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 tādiem datu kopumiem kā simptomi un pacientu raksturojums [24, 25]. Savukārt citi pētījumi ir pētījuši mašīnmācīšanās algoritmu izmantošanu tādu uzdevumu veikšanai kā pacientu iznākumu prognozēšana, augsta riska pacientu identificēšana, personalizētu ārstēšanas plānu izstrāde [26], periodontāla ārstēšana [27] un kariesa ārstēšana [25].
Lai gan ir publicēti ziņojumi par mašīnmācīšanās pielietojumu zobārstniecībā, tās pielietojums zobārstniecības izglītībā joprojām ir ierobežots. Tāpēc šī pētījuma mērķis bija izmantot lēmumu koka modeli, lai identificētu faktorus, kas ir visciešāk saistīti ar LS un IS zobārstniecības studentu vidū.
Šī pētījuma rezultāti liecina, ka izstrādātajam ieteikumu rīkam ir augsta precizitāte un nevainojama precizitāte, kas norāda, ka skolotāji var gūt labumu no šī rīka. Izmantojot uz datiem balstītu klasifikācijas procesu, tas var sniegt personalizētus ieteikumus un uzlabot gan pedagogu, gan skolēnu mācību pieredzi un rezultātus. Starp citu, informācija, kas iegūta, izmantojot ieteikumu rīkus, var atrisināt konfliktus starp skolotāju vēlamajām mācību metodēm un skolēnu mācību vajadzībām. Piemēram, ieteikumu rīku automatizētās izvades dēļ ievērojami samazināsies laiks, kas nepieciešams, lai identificētu skolēna intelektuālo pusi (IP) un saskaņotu to ar atbilstošo IP. Tādā veidā var organizēt piemērotas apmācības aktivitātes un materiālus. Tas palīdz attīstīt skolēnu pozitīvu mācību uzvedību un koncentrēšanās spējas. Vienā pētījumā tika ziņots, ka, nodrošinot skolēnus ar mācību materiāliem un mācību aktivitātēm, kas atbilst viņu vēlamajām mācību prioritātēm (ML), var palīdzēt skolēniem integrēt, apstrādāt un izbaudīt mācīšanos vairākos veidos, lai sasniegtu lielāku potenciālu [12]. Pētījumi arī liecina, ka papildus skolēnu līdzdalības uzlabošanai klasē, izpratne par skolēnu mācību procesu ir arī kritiski svarīga mācību prakses un komunikācijas ar skolēniem uzlabošanā [28, 29].
Tomēr, tāpat kā ar jebkuru mūsdienu tehnoloģiju, pastāv problēmas un ierobežojumi. Tie ietver jautājumus, kas saistīti ar datu privātumu, neobjektivitāti un taisnīgumu, kā arī profesionālajām prasmēm un resursiem, kas nepieciešami, lai izstrādātu un ieviestu mašīnmācīšanās algoritmus zobārstniecības izglītībā. Tomēr pieaugošā interese un pētījumi šajā jomā 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” zāles. Šāda veida studentiem ir priekšroka faktiem un konkrētiem piemēriem, praktiska orientācija, pacietība pret detaļām un “vizuāla” LS priekšroka, kur studenti dod priekšroku attēlu, grafikas, krāsu un karšu izmantošanai, lai paustu idejas un domas. Pašreizējie rezultāti atbilst citiem pētījumiem, kuros ILS tiek izmantota LS novērtēšanai zobārstniecības un medicīnas studentiem, no kuriem lielākajai daļai ir perceptuālas un vizuālas LS pazīmes [12, 30]. Dalmolins un līdzautori norāda, ka studentu informēšana par viņu LS ļauj viņiem sasniegt savu mācību potenciālu. Pētnieki apgalvo, ka, ja skolotāji pilnībā izprot studentu mācību procesu, var ieviest dažādas mācību metodes un aktivitātes, kas uzlabos studentu sniegumu un mācību pieredzi [12, 31, 32]. Citi pētījumi ir parādījuši, ka studentu LS pielāgošana arī uzlabo studentu mācību pieredzi un sniegumu pēc viņu mācīšanās stilu maiņas, lai tie atbilstu viņu pašu LS [13, 33].
Skolotāju viedokļi par mācību stratēģiju ieviešanu, pamatojoties uz studentu mācīšanās spējām, var atšķirties. Lai gan daži saskata šīs pieejas priekšrocības, tostarp profesionālās pilnveides iespējas, mentorēšanu un sabiedrības atbalstu, citi var būt noraizējušies par laiku un iestādes atbalstu. Tiekšanās pēc līdzsvara ir būtiska, lai veidotu uz studentu orientētu attieksmi. Augstākās izglītības iestādes, piemēram, universitāšu administrācija, var spēlēt svarīgu lomu pozitīvu pārmaiņu veicināšanā, ieviešot inovatīvu praksi un atbalstot mācībspēku attīstību [34]. Lai izveidotu patiesi dinamisku un atsaucīgu augstākās izglītības sistēmu, politikas veidotājiem ir jāveic drosmīgi soļi, piemēram, jāveic politikas izmaiņas, jāvelta resursi tehnoloģiju integrācijai un jāizveido sistēmas, kas veicina uz studentu orientētu pieeju. Šie pasākumi ir kritiski svarīgi vēlamo rezultātu sasniegšanai. Jaunākie pētījumi par diferencētu mācīšanu ir skaidri parādījuši, ka diferencētas mācīšanas veiksmīgai ieviešanai ir nepieciešamas pastāvīgas apmācības un pilnveides iespējas skolotājiem [35].
Šis rīks sniedz vērtīgu atbalstu zobārstniecības pedagogiem, kuri vēlas izmantot uz studentu orientētu pieeju studentiem draudzīgu mācību aktivitāšu plānošanā. Tomēr šis pētījums aprobežojas ar lēmumu koka mašīnmācīšanās modeļu izmantošanu. Nākotnē būtu jāapkopo vairāk datu, lai salīdzinātu dažādu mašīnmācīšanās modeļu veiktspēju, lai salīdzinātu ieteikumu rīku precizitāti, uzticamību un precizitāti. Turklāt, izvēloties piemērotāko mašīnmācīšanās metodi konkrētam uzdevumam, ir svarīgi ņemt vērā arī citus faktorus, piemēram, modeļa sarežģītību un interpretāciju.
Šī pētījuma ierobežojums ir tas, 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 ir nepieciešamas vispārējai augstākās izglītības studentu lietošanai.
Jaunizstrādātais mašīnmācīšanās ieteikumu rīks spēj nekavējoties klasificēt un saskaņot studentu LS ar atbilstošajām IS, padarot to par pirmo zobārstniecības izglītības programmu, kas palīdz zobārstniecības pedagogiem plānot atbilstošas mācību un mācīšanās aktivitātes. Izmantojot uz datiem balstītu triāžas procesu, tas var sniegt personalizētus ieteikumus, ietaupīt laiku, uzlabot mācību stratēģijas, atbalstīt mērķtiecīgas intervences un veicināt pastāvīgu profesionālo attīstību. Tā pielietojums veicinās uz studentu orientētu pieeju zobārstniecības izglītībā.
Gilaks Džani, 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
Publicēšanas laiks: 2024. gada 29. aprīlis