Didėja į studentą orientuoto mokymosi (SCM) poreikis aukštosiose mokyklose, įskaitant odontologiją.Tačiau SCL taikomas ribotai odontologiniame išsilavinime.Todėl šiuo tyrimu siekiama skatinti SCL taikymą odontologijoje, naudojant sprendimų medžio mašininio mokymosi (ML) technologiją, kad būtų galima nustatyti pageidaujamą odontologijos studentų mokymosi stilių (LS) ir atitinkamas mokymosi strategijas (IS), kaip naudingą priemonę kuriant IS gaires. .Perspektyvūs metodai odontologijos studentams.
Iš viso 255 odontologijos studentai iš Malajos universiteto užpildė modifikuotą mokymosi stilių indekso (m-ILS) klausimyną, kuriame buvo 44 elementai, pagal kuriuos jie buvo klasifikuojami į atitinkamus LS.Surinkti duomenys (vadinami duomenų rinkiniu) naudojami prižiūrint sprendimų medžio mokymąsi, siekiant automatiškai suderinti mokinių mokymosi stilius su tinkamiausia IS.Tada įvertinamas mašininiu mokymusi pagrįsto IS rekomendacijų įrankio tikslumas.
Sprendimų medžio modelių taikymas automatizuotame atvaizdavimo procese tarp LS (įvesties) ir IS (tikslinės išvesties) leidžia nedelsiant sudaryti tinkamų mokymosi strategijų sąrašą kiekvienam odontologijos studentui.IS rekomendacijos įrankis parodė puikų tikslumą ir atpažįsta bendrą modelio tikslumą, o tai rodo, kad LS suderinimas su IS turi gerą jautrumą ir specifiškumą.
IS rekomendacijų įrankis, pagrįstas ML sprendimų medžiu, įrodė savo gebėjimą tiksliai suderinti odontologijos studentų mokymosi stilius su atitinkamomis mokymosi strategijomis.Šis įrankis suteikia galingų galimybių planuoti į besimokantįjį orientuotus kursus ar modulius, kurie gali pagerinti studentų mokymosi patirtį.
Mokymas ir mokymasis yra pagrindinė švietimo įstaigų veikla.Kuriant kokybišką profesinio mokymo sistemą, svarbu orientuotis į mokinių mokymosi poreikius.Studentų ir jų mokymosi aplinkos sąveiką galima nustatyti per jų LS.Tyrimai rodo, kad mokytojų numatyti neatitikimai tarp studentų LS ir IS gali turėti neigiamų pasekmių mokinių mokymuisi, pavyzdžiui, sumažėti dėmesys ir motyvacija.Tai netiesiogiai paveiks mokinių rezultatus [1,2].
IS yra metodas, kurį mokytojai naudoja mokiniams perteikti žinias ir įgūdžius, įskaitant pagalbą mokiniams mokytis [3].Paprastai tariant, geri mokytojai planuoja mokymo strategijas arba IS, kurios geriausiai atitinka jų mokinių žinių lygį, jų mokomas sąvokas ir mokymosi etapus.Teoriškai, kai LS ir IS sutampa, studentai galės organizuoti ir naudoti tam tikrą įgūdžių rinkinį, kad galėtų efektyviai mokytis.Paprastai pamokos planas apima kelis perėjimus tarp etapų, pvz., nuo mokymo prie vadovaujamos praktikos arba nuo vadovaujamos praktikos prie savarankiškos praktikos.Turėdami tai omenyje, veiksmingi mokytojai dažnai planuoja mokymą, siekdami stiprinti mokinių žinias ir įgūdžius [4].
SCL paklausa auga aukštosiose mokyklose, įskaitant odontologiją.SCL strategijos yra sukurtos taip, kad atitiktų studentų mokymosi poreikius.Tai galima pasiekti, pavyzdžiui, jei mokiniai aktyviai dalyvauja mokymosi veikloje, o mokytojai veikia kaip pagalbininkai ir yra atsakingi už vertingo grįžtamojo ryšio teikimą.Teigiama, kad mokymosi medžiagą ir veiklą, atitinkančią mokinių išsilavinimo lygį ar pageidavimus, galima pagerinti mokinių mokymosi aplinką ir skatinti teigiamą mokymosi patirtį [5].
Paprastai tariant, odontologijos studentų mokymosi procesą įtakoja įvairios klinikinės procedūros, kurias jie privalo atlikti, ir klinikinė aplinka, kurioje jie ugdo efektyvius tarpasmeninius įgūdžius.Mokymų tikslas – suteikti studentams galimybę sujungti pagrindines odontologijos žinias su odontologiniais klinikiniais įgūdžiais ir įgytas žinias pritaikyti naujose klinikinėse situacijose [6, 7].Ankstyvieji LS ir IS ryšio tyrimai parodė, kad mokymosi strategijų pritaikymas prie pageidaujamo LS padėtų pagerinti ugdymo procesą [8].Taip pat autoriai rekomenduoja naudoti įvairius mokymo ir vertinimo metodus, kurie prisitaikytų prie mokinių mokymosi ir poreikių.
Mokytojams naudinga taikyti LS žinias, padedančias jiems kurti, plėtoti ir įgyvendinti instrukcijas, kurios padės mokiniams įgyti gilesnių žinių ir suprasti dalyką.Tyrėjai sukūrė keletą LS vertinimo įrankių, tokių kaip Kolbo patirtinio mokymosi modelis, Felderio-Silvermano mokymosi stiliaus modelis (FSLSM) ir Flemingo VAK/VARK modelis [5, 9, 10].Remiantis literatūra, šie mokymosi modeliai yra dažniausiai naudojami ir labiausiai tiriami mokymosi modeliai.Dabartiniame tiriamajame darbe FSLSM naudojamas stomatologijos studentų LS vertinimui.
FSLSM yra plačiai naudojamas adaptyvaus mokymosi inžinerijos srityje vertinimo modelis.Yra daug publikuotų sveikatos mokslų (įskaitant mediciną, slaugą, farmaciją ir odontologiją) darbų, kuriuos galima rasti naudojant FSLSM modelius [5, 11, 12, 13].Prietaisas, naudojamas LS matmenims matuoti FLSM, vadinamas mokymosi stilių indeksu (ILS) [8], kuriame yra 44 elementai, įvertinantys keturias LS dimensijas: apdorojimas (aktyvus / atspindintis), suvokimas (suvokimas / intuityvus), įvestis (vaizdinė)./žodinis) ir supratimas (nuoseklus/pasaulinis) [14].
Kaip parodyta 1 paveiksle, kiekvienas FSLSM matmuo turi dominuojančią pirmenybę.Pavyzdžiui, apdorojimo dimensijoje studentai, turintys „aktyvų“ LS, nori apdoroti informaciją tiesiogiai sąveikaudami su mokymosi medžiaga, mokosi darydami ir yra linkę mokytis grupėse.„Atspindintis“ LS reiškia mokymąsi mąstant ir teikia pirmenybę darbui vienam.LS „suvokimo“ dimensiją galima suskirstyti į „jausmą“ ir (arba) „intuiciją“.„Jausmingi“ studentai teikia pirmenybę konkretesnei informacijai ir praktinėms procedūroms, yra orientuoti į faktus, palyginti su „intuityviais“ studentais, kurie teikia pirmenybę abstrakčiai medžiagai, yra novatoriškesni ir kūrybiškesni.LS „įvesties“ dimensiją sudaro „vizualūs“ ir „žodiniai“ besimokantys asmenys.Žmonės, turintys „vaizdinį“ LS, nori mokytis per vaizdines demonstracijas (pvz., diagramas, vaizdo įrašus ar tiesiogines demonstracijas), o žmonės, turintys „žodinį“ LS, nori mokytis per žodžius, paaiškindami raštu arba žodžiu.Norint „suprasti“ LS dimensijas, tokius besimokančiuosius galima suskirstyti į „nuoseklius“ ir „pasaulinius“.„Nuosekliai besimokantys asmenys teikia pirmenybę linijiniam mąstymo procesui ir mokosi žingsnis po žingsnio, o globalūs besimokantieji paprastai mąsto holistiškai ir visada geriau supranta, ko mokosi.
Pastaruoju metu daugelis tyrėjų pradėjo tyrinėti automatinio duomenimis pagrįsto atradimo metodus, įskaitant naujų algoritmų ir modelių, galinčių interpretuoti didelius duomenų kiekius, kūrimą [15, 16].Remdamasis pateiktais duomenimis, prižiūrimas ML (machine learning) gali generuoti modelius ir hipotezes, kurios prognozuoja ateities rezultatus, remiantis algoritmų konstravimu [17].Paprasčiau tariant, prižiūrimi mašininio mokymosi metodai manipuliuoja įvesties duomenimis ir moko algoritmus.Tada jis sugeneruoja diapazoną, kuris klasifikuoja arba numato rezultatą pagal panašias pateiktas įvesties duomenų situacijas.Pagrindinis prižiūrimų mašininio mokymosi algoritmų pranašumas yra galimybė pasiekti idealius ir norimus rezultatus [17].
Naudojant duomenimis pagrįstus metodus ir sprendimų medžio valdymo modelius, galimas automatinis LS aptikimas.Pranešama, kad sprendimų medžiai plačiai naudojami įvairių sričių, įskaitant sveikatos mokslus, mokymo programose [18, 19].Šiame tyrime modelis buvo specialiai apmokytas sistemos kūrėjų, kad nustatytų studentų LS ir rekomenduotų jiems geriausią IS.
Šio tyrimo tikslas – sukurti IS pristatymo strategijas, pagrįstas studentų LS ir taikyti SCL metodą, kuriant IS rekomendacijų įrankį, susietą su LS.IS rekomendacinio įrankio, kaip SCL metodo strategijos, projektavimo eiga parodyta 1 pav. IS rekomendacijos įrankis yra padalintas į dvi dalis, įskaitant LS klasifikavimo mechanizmą naudojant ILS ir tinkamiausią IS ekraną studentams.
Visų pirma, informacijos saugumo rekomendacijų įrankių savybės apima žiniatinklio technologijų naudojimą ir sprendimų medžio mašininio mokymosi naudojimą.Sistemos kūrėjai pagerina vartotojo patirtį ir mobilumą, pritaikydami jas mobiliesiems įrenginiams, tokiems kaip mobilieji telefonai ir planšetiniai kompiuteriai.
Eksperimentas buvo atliktas dviem etapais, jame savanoriškai dalyvavo Malajos universiteto Odontologijos fakulteto studentai.Dalyviai atsakė į odontologijos studento internetinį m-ILS anglų kalba.Pradiniame etape sprendimų medžio mašininio mokymosi algoritmui mokyti buvo naudojamas 50 studentų duomenų rinkinys.Antrajame kūrimo proceso etape buvo naudojamas 255 studentų duomenų rinkinys, siekiant pagerinti sukurto instrumento tikslumą.
Visi dalyviai kiekvieno etapo pradžioje, priklausomai nuo akademinių metų, gauna internetinį instruktažą per „Microsoft Teams“.Buvo paaiškintas tyrimo tikslas ir gautas informuotas sutikimas.Visiems dalyviams buvo suteikta nuoroda į m-ILS.Kiekvienas studentas turėjo atsakyti į visus 44 klausimyno klausimus.Jiems per semestro pertrauką prieš semestro pradžią buvo suteikta viena savaitė užbaigti pakeistą ILS jiems patogiu laiku ir vietoje.m-ILS sukurtas remiantis originaliu ILS instrumentu ir pritaikytas odontologijos studentams.Panašiai kaip ir pradiniame ILS, jame yra 44 tolygiai paskirstyti elementai (a, b), po 11 elementų, kurie naudojami kiekvieno FSLSM aspekto aspektams įvertinti.
Pradiniuose įrankių kūrimo etapuose tyrėjai rankiniu būdu anotavo žemėlapius, naudodami 50 odontologijos studentų duomenų rinkinį.Pagal FSLM, sistema pateikia atsakymų „a“ ir „b“ sumą.Kiekvienos dimensijos atveju, jei studentas pasirenka „a“ kaip atsakymą, LS klasifikuojamas kaip aktyvus / suvokiamas / vizualinis / nuoseklus, o jei studentas pasirenka „b“ kaip atsakymą, studentas klasifikuojamas kaip atspindintis / intuityvus / kalbinis. ./ pasaulinis besimokantis.
Kalibravus darbo eigą tarp odontologinio išsilavinimo tyrėjų ir sistemų kūrėjų, klausimai buvo atrinkti pagal FLSSM domeną ir įtraukti į ML modelį, kad būtų galima numatyti kiekvieno studento LS.„Šiukšles į, šiukšles išvežkite“ yra populiarus posakis mašininio mokymosi srityje, pabrėžiant duomenų kokybę.Įvesties duomenų kokybė lemia mašininio mokymosi modelio tikslumą ir tikslumą.Funkcijų projektavimo etape sukuriamas naujas funkcijų rinkinys, kuris yra atsakymų „a“ ir „b“ suma, pagrįsta FLSSM.Vaistų pozicijų identifikavimo numeriai pateikti 1 lentelėje.
Pagal atsakymus apskaičiuokite balą ir nustatykite mokinio LS.Kiekvieno mokinio balų diapazonas yra nuo 1 iki 11. Balai nuo 1 iki 3 rodo mokymosi pasirinkimų pusiausvyrą toje pačioje dimensijoje, o balai nuo 5 iki 7 rodo vidutinį pasirinkimą, o tai rodo, kad mokiniai linkę pirmenybę teikti vienai aplinkai, kuri moko kitus. .Kitas to paties aspekto variantas yra tas, kad balai nuo 9 iki 11 rodo didelį pirmenybę vienam ar kitam galui [8].
Kiekvienai dimensijai vaistai buvo suskirstyti į „aktyvius“, „atspindinčius“ ir „subalansuotus“.Pavyzdžiui, kai mokinys į nurodytą elementą atsako „a“ dažniau nei „b“, o jo balas viršija 5 balų slenkstį tam tikram elementui, atitinkančiam apdorojimo LS dimensiją, jis priklauso „aktyviajai“ LS. domenas..Tačiau studentai buvo klasifikuojami kaip „atspindintys“ LS, kai konkrečiuose 11 klausimų pasirinko „b“ daugiau nei „a“ (1 lentelė) ir surinko daugiau nei 5 balus.Galiausiai studentas yra „pusiausvyros“ būsenoje.Jei balas neviršija 5 taškų, tai yra „procesas“ LS.Klasifikavimo procesas buvo pakartotas kitiems LS dimensijoms, ty suvokimui (aktyvus / atspindintis), įvestis (vaizdinis / žodinis) ir supratimas (nuoseklus / globalus).
Skirtinguose klasifikavimo proceso etapuose sprendimų medžio modeliai gali naudoti skirtingus ypatybių ir sprendimų taisyklių pogrupius.Tai laikoma populiaria klasifikavimo ir prognozavimo priemone.Jį galima pavaizduoti naudojant medžio struktūrą, pvz., schemą [20], kurioje yra vidiniai mazgai, vaizduojantys testus pagal požymius, kiekviena šaka atspindi bandymo rezultatus ir kiekvienas lapo mazgas (lapo mazgas), kuriame yra klasės etiketė.
Sukurta paprasta taisyklėmis pagrįsta programa, skirta automatiškai įvertinti ir komentuoti kiekvieno mokinio LS pagal jų atsakymus.Taisyklėmis pagrįstas teiginys yra IF, kur „IF“ apibūdina trigerį, o „THEN“ nurodo veiksmą, kurį reikia atlikti, pavyzdžiui: „Jei įvyksta X, tada daryk Y“ (Liu ir kt., 2014).Jei duomenų rinkinys koreliuoja, o sprendimų medžio modelis yra tinkamai parengtas ir įvertintas, šis metodas gali būti veiksmingas būdas automatizuoti LS ir IS suderinimo procesą.
Antrajame kūrimo etape duomenų rinkinys buvo padidintas iki 255, kad būtų pagerintas rekomendacinio įrankio tikslumas.Duomenų rinkinys padalytas santykiu 1:4.25% (64) duomenų rinkinio buvo panaudoti bandymų rinkiniui, o likę 75% (191) buvo naudojami kaip mokymo rinkinys (2 pav.).Duomenų rinkinys turi būti padalintas, kad modelis nebūtų mokomas ir išbandomas naudojant tą patį duomenų rinkinį, todėl modelis gali įsiminti, o ne mokytis.Modelis yra apmokytas mokymo rinkinyje ir įvertina jo veikimą bandymo rinkinyje – duomenys, kurių modelis dar niekada nematė.
Sukūrus IS įrankį, programa galės klasifikuoti LS pagal odontologijos studentų atsakymus per žiniatinklio sąsają.Žiniatinklio informacijos saugos rekomendacijų įrankių sistema sukurta naudojant Python programavimo kalbą, naudojant Django sistemą kaip užpakalinę programą.2 lentelėje išvardytos bibliotekos, naudojamos kuriant šią sistemą.
Duomenų rinkinys įvedamas į sprendimų medžio modelį, kad būtų galima apskaičiuoti ir išgauti studentų atsakymus, kad būtų automatiškai klasifikuojami studento LS matavimai.
Sumišimo matrica naudojama tam tikro duomenų rinkinio sprendimų medžio mašininio mokymosi algoritmo tikslumui įvertinti.Kartu jis įvertina klasifikavimo modelio veikimą.Jis apibendrina modelio prognozes ir palygina jas su faktinėmis duomenų etiketėmis.Vertinimo rezultatai pagrįsti keturiomis skirtingomis reikšmėmis: True Positive (TP) – modelis teisingai numatė teigiamą kategoriją, klaidingai teigiamas (FP) – modelis numatė teigiamą kategoriją, bet tikroji etiketė buvo neigiama, True Negative (TN) – modelis teisingai numatė neigiamą klasę, o klaidingai neigiamas (FN) – modelis numato neigiamą klasę, tačiau tikroji etiketė yra teigiama.
Tada šios vertės naudojamos apskaičiuojant įvairias Python scikit-learn klasifikavimo modelio našumo metrikas, ty tikslumą, tikslumą, atšaukimą ir F1 balą.Štai pavyzdžiai:
Prisiminimas (arba jautrumas) matuoja modelio gebėjimą tiksliai klasifikuoti studento LS, atsakius į m-ILS klausimyną.
Specifiškumas vadinamas tikruoju neigiamu rodikliu.Kaip matote iš aukščiau pateiktos formulės, tai turėtų būti tikrų neigiamų (TN) ir tikrųjų neigiamų bei klaidingų teigiamų (FP) santykis.Kaip rekomenduojamos studentų narkotikų klasifikavimo priemonės dalis, ji turėtų galėti tiksliai identifikuoti.
Pradinis 50 studentų duomenų rinkinys, naudojamas sprendimų medžio ML modeliui mokyti, parodė santykinai mažą tikslumą dėl žmogaus klaidų anotacijose (3 lentelė).Sukūrus paprastą taisyklėmis pagrįstą programą, skirtą automatiškai apskaičiuoti LS balus ir studentų anotacijas, vis daugiau duomenų rinkinių (255) buvo naudojami treniruoti ir išbandyti rekomendacijų sistemą.
Kelių klasių painiavos matricoje įstrižainės elementai parodo teisingų prognozių skaičių kiekvienam LS tipui (4 pav.).Naudojant sprendimų medžio modelį, iš viso buvo teisingai numatyti 64 mėginiai.Taigi šiame tyrime įstrižainės elementai rodo laukiamus rezultatus, o tai rodo, kad modelis veikia gerai ir tiksliai numato kiekvienos LS klasifikacijos klasės etiketę.Taigi bendras rekomendacinio įrankio tikslumas yra 100%.
Tikslumo, preciziškumo, atšaukimo ir F1 balo reikšmės parodytos 5 paveiksle. Rekomendacijų sistemos, naudojančios sprendimų medžio modelį, F1 balas yra 1,0 „tobulas“, o tai rodo tobulą tikslumą ir atšaukimą, atspindintį didelį jautrumą ir specifiškumą. vertybes.
6 paveiksle parodyta sprendimų medžio modelio vizualizacija po mokymo ir testavimo.Lyginant vienas šalia kito, sprendimų medžio modelis, parengtas naudojant mažiau funkcijų, parodė didesnį tikslumą ir lengvesnį modelio vizualizavimą.Tai rodo, kad funkcijų inžinerija, leidžianti sumažinti funkcijas, yra svarbus žingsnis gerinant modelio veikimą.
Taikant sprendimų medžio prižiūrimą mokymąsi, automatiškai sugeneruojamas LS (įvesties) ir IS (tikslinės išvesties) atvaizdavimas ir pateikiama išsami informacija apie kiekvieną LS.
Rezultatai parodė, kad 34,9% iš 255 studentų pirmenybę teikia vienam (1) LS pasirinkimui.Dauguma (54,3 proc.) turėjo dvi ar daugiau LS pirmenybių.12,2% studentų pažymėjo, kad LS yra gana subalansuotas (4 lentelė).Be aštuonių pagrindinių LS, Malajos universiteto odontologijos studentams yra 34 LS klasifikacijų deriniai.Tarp jų suvokimas, regėjimas ir suvokimo bei regėjimo derinys yra pagrindiniai studentų LS (7 pav.).
Kaip matyti iš 4 lentelės, daugumai mokinių vyravo jutimo (13,7 proc.) arba regos (8,6 proc.) LS.Buvo pranešta, kad 12,2% studentų suvokimą derino su regėjimu (suvokimo-vizualinis LS).Šios išvados rodo, kad studentai nori mokytis ir atsiminti taikant nusistovėjusius metodus, laikytis konkrečių ir išsamių procedūrų ir yra dėmesingi.Tuo pat metu jie mėgsta mokytis žiūrėdami (naudodami diagramas ir pan.), yra linkę diskutuoti ir taikyti informaciją grupėse arba savarankiškai.
Šiame tyrime apžvelgiami mašininio mokymosi metodai, naudojami duomenų gavyboje, daugiausia dėmesio skiriant momentiniam ir tiksliam studentų LS prognozavimui ir tinkamos IS rekomenduojimui.Taikant sprendimų medžio modelį buvo nustatyti veiksniai, labiausiai susiję su jų gyvenimu ir mokymosi patirtimi.Tai prižiūrimas mašininio mokymosi algoritmas, kuris naudoja medžio struktūrą duomenims klasifikuoti, suskirstydamas duomenų rinkinį į subkategorijas pagal tam tikrus kriterijus.Jis veikia rekursyviai padalijant įvesties duomenis į pogrupius pagal kiekvieno vidinio mazgo vienos iš įvesties ypatybių vertę, kol bus priimtas sprendimas lapo mazge.
Vidiniai sprendimų medžio mazgai atspindi sprendimą, pagrįstą m-ILS problemos įvesties charakteristikomis, o lapų mazgai – galutinę LS klasifikacijos prognozę.Viso tyrimo metu nesunku suprasti sprendimų medžių, kurie paaiškina ir vizualizuoja sprendimo procesą, hierarchiją, žiūrint į įvesties savybių ir išvesties prognozių ryšį.
Kompiuterių mokslo ir inžinerijos srityse mašininio mokymosi algoritmai plačiai naudojami prognozuojant mokinių rezultatus pagal stojamųjų egzaminų balus [21], demografinę informaciją ir mokymosi elgseną [22].Tyrimai parodė, kad algoritmas tiksliai numatė studentų rezultatus ir padėjo jiems nustatyti studentus, kuriems gresia akademiniai sunkumai.
Pranešama apie ML algoritmų taikymą kuriant virtualius pacientų simuliatorius odontologiniam mokymui.Simuliatorius gali tiksliai atkurti tikrų pacientų fiziologines reakcijas ir gali būti naudojamas mokant odontologijos studentus saugioje ir kontroliuojamoje aplinkoje [23].Keletas kitų tyrimų rodo, kad mašininio mokymosi algoritmai gali pagerinti odontologinio ir medicininio mokymo bei pacientų priežiūros kokybę ir efektyvumą.Mašininio mokymosi algoritmai buvo naudojami siekiant padėti diagnozuoti dantų ligas, remiantis duomenų rinkiniais, tokiais kaip simptomai ir paciento charakteristikos [24, 25].Nors kituose tyrimuose buvo tiriamas mašininio mokymosi algoritmų naudojimas atliekant tokias užduotis kaip pacientų baigčių prognozavimas, didelės rizikos pacientų nustatymas, individualizuotų gydymo planų kūrimas [26], periodonto gydymas [27] ir ėduonies gydymas [25].
Nors buvo paskelbtos ataskaitos apie mašininio mokymosi taikymą odontologijoje, jo taikymas odontologiniame mokyme išlieka ribotas.Todėl šio tyrimo tikslas buvo panaudoti sprendimų medžio modelį, siekiant nustatyti veiksnius, labiausiai susijusius su LS ir IS tarp odontologijos studentų.
Šio tyrimo rezultatai rodo, kad sukurta rekomendacijų priemonė pasižymi dideliu tikslumu ir nepriekaištingu tikslumu, o tai rodo, kad mokytojams šis įrankis gali būti naudingas.Naudodamas duomenimis pagrįstą klasifikavimo procesą, jis gali teikti asmenines rekomendacijas ir pagerinti pedagogų ir mokinių mokymosi patirtį bei rezultatus.Be to, informacija, gauta naudojant rekomendacines priemones, gali išspręsti konfliktus tarp mokytojų pageidaujamų mokymo metodų ir mokinių mokymosi poreikių.Pavyzdžiui, dėl automatizuoto rekomendacijų įrankių išvesties žymiai sutrumpės laikas, reikalingas studento IP identifikavimui ir suderinimui su atitinkamu IP.Tokiu būdu galima organizuoti tinkamą mokymo veiklą ir mokymo medžiagą.Tai padeda ugdyti teigiamą mokinių mokymosi elgesį ir gebėjimą susikaupti.Viename tyrime buvo pranešta, kad suteikiant studentams mokymosi medžiagą ir mokymosi veiklą, atitinkančią jų pageidaujamą LS, studentai gali integruotis, apdoroti ir mėgautis mokymusi įvairiais būdais, siekiant didesnio potencialo [12].Tyrimai taip pat rodo, kad be mokinių dalyvavimo klasėje gerinimo, mokinių mokymosi proceso supratimas taip pat vaidina svarbų vaidmenį gerinant mokymo praktiką ir bendravimą su mokiniais [28, 29].
Tačiau, kaip ir bet kuri šiuolaikinė technologija, yra problemų ir apribojimų.Tai apima problemas, susijusias su duomenų privatumu, šališkumu ir sąžiningumu bei profesiniais įgūdžiais ir ištekliais, kurių reikia norint sukurti ir įdiegti mašininio mokymosi algoritmus odontologų mokyme;Tačiau augantis susidomėjimas ir tyrimai šia sfera rodo, kad mašininio mokymosi technologijos gali turėti teigiamos įtakos odontologiniam švietimui ir odontologijos paslaugoms.
Šio tyrimo rezultatai rodo, kad pusė odontologijos studentų turi polinkį „suvokti“ narkotikus.Šio tipo besimokantieji teikia pirmenybę faktams ir konkretiems pavyzdžiams, turi praktinę orientaciją, kantrybę detalėms ir „vizualų“ LS pirmenybę, kai idėjoms ir mintims perteikti nori naudoti paveikslėlius, grafiką, spalvas ir žemėlapius.Dabartiniai rezultatai atitinka kitus tyrimus, naudojant ILS, siekiant įvertinti stomatologijos ir medicinos studentų LS, kurių dauguma turi suvokimo ir regėjimo LS savybių [12, 30].Dalmolin ir kt. teigia, kad studentų informavimas apie savo LS leidžia jiems pasiekti savo mokymosi potencialą.Mokslininkai teigia, kad mokytojams visapusiškai supratus mokinių ugdymo procesą, gali būti diegiami įvairūs mokymo metodai ir veiklos, kurios pagerins mokinių rezultatus ir mokymosi patirtį [12, 31, 32].Kiti tyrimai parodė, kad koreguojant studentų LS taip pat pagerėjo studentų mokymosi patirtis ir rezultatai, pakeitus mokymosi stilius, kad jie atitiktų jų LS [13, 33].
Mokytojų nuomonės gali skirtis dėl mokymo strategijų, pagrįstų mokinių mokymosi gebėjimais, įgyvendinimo.Nors kai kurie mato šio požiūrio naudą, įskaitant profesinio tobulėjimo galimybes, mentorystę ir bendruomenės paramą, kiti gali būti susirūpinę dėl laiko ir institucinės paramos.Siekiant sukurti į studentą orientuotą požiūrį, labai svarbu siekti pusiausvyros.Aukštojo mokslo institucijos, pvz., universitetų administratoriai, gali atlikti svarbų vaidmenį skatinant teigiamus pokyčius, diegdamos naujovišką praktiką ir remdamos dėstytojų tobulėjimą [34].Norėdami sukurti tikrai dinamišką ir reaguojančią aukštojo mokslo sistemą, politikos formuotojai turi imtis drąsių žingsnių, pavyzdžiui, keisti politiką, skirti išteklių technologijų integracijai ir kurti sistemas, skatinančias į studentą orientuotą požiūrį.Šios priemonės yra labai svarbios norint pasiekti norimų rezultatų.Naujausi diferencijuoto mokymo tyrimai aiškiai parodė, kad sėkmingas diferencijuoto mokymo įgyvendinimas reikalauja nuolatinio mokytojų mokymo ir tobulėjimo galimybių [35].
Šis įrankis suteikia vertingos pagalbos odontologų dėstytojams, norintiems laikytis į studentą orientuoto požiūrio planuodami studentams palankias mokymosi veiklas.Tačiau šis tyrimas apsiriboja sprendimų medžio ML modelių naudojimu.Ateityje reikėtų rinkti daugiau duomenų, kad būtų galima palyginti skirtingų mašininio mokymosi modelių našumą, kad būtų galima palyginti rekomendacijų įrankių tikslumą, patikimumą ir tikslumą.Be to, renkantis tinkamiausią mašininio mokymosi metodą konkrečiai užduočiai, svarbu atsižvelgti į kitus veiksnius, tokius kaip modelio sudėtingumas ir interpretacija.
Šio tyrimo apribojimas yra tas, kad jis buvo skirtas tik stomatologijos studentų LS ir IS kartografavimui.Todėl sukurta rekomendacijų sistema rekomenduos tik tuos, kurie tinkami odontologijos studentams.Pakeitimai būtini bendrojo aukštojo mokslo studentų naudojimui.
Naujai sukurtas mašininiu mokymusi paremtas rekomendacijų įrankis gali akimirksniu klasifikuoti ir suderinti studentų LS su atitinkama IS, todėl tai yra pirmoji odontologo mokymo programa, padedanti odontologų pedagogams planuoti atitinkamą mokymo ir mokymosi veiklą.Naudodamas duomenimis pagrįstą skirstymo procesą, jis gali teikti individualizuotas rekomendacijas, sutaupyti laiko, patobulinti mokymo strategijas, remti tikslines intervencijas ir skatinti nuolatinį profesinį tobulėjimą.Jo taikymas skatins į studentą orientuotą požiūrį į odontologinį išsilavinimą.
Gilak Jani Associated Press.Mokinio mokymosi stiliaus ir mokytojo mokymo stiliaus atitikimas arba neatitikimas.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Paskelbimo laikas: 2024-04-29