• mes

Dantų studentų pageidaujamų mokymosi stilių, o ne atitinkamų mokymosi strategijų, naudojant sprendimų medžio mašinų mokymosi modelius BMC medicininis išsilavinimas |

Aukštojo mokslo įstaigose, įskaitant odontologiją, auga į studentą orientuoto mokymosi (SCL) poreikis. Tačiau SCL yra ribotas dantų švietimo taikymas. Todėl šiuo tyrimu siekiama skatinti SCL taikymą odontologijoje, naudojant sprendimų medžio mašinų mokymosi (ML) technologiją, kad būtų galima apibūdinti pageidaujamą mokymosi stilių (LS) ir atitinkamas odontologijos studentų mokymosi strategijas (IS), kaip naudingą įrankį kurti, yra gairės. . Perspektyvūs metodai odontologijos studentams.
Iš viso 255 odontologijos studentai iš Malajos universiteto užpildė modifikuotą mokymosi stiliaus (M-ILS) klausimyną, kuriame buvo 44 elementai, skirti juos priskirti atitinkamam LSS. Surinkti duomenys (vadinami duomenų rinkiniu) naudojami prižiūrimame sprendimų medyje, mokantis automatiškai suderinti studentų mokymosi stilius su tinkamiausiu IS. Tada įvertinamas Mašinų mokymosi pagrįsto tikslumo tikslumas.
Taikant sprendimų medžių modelius automatizuotame žemėlapių sudarymo procese tarp LS (įvesties) ir IS (tikslinės išvestis), galima nedelsiant sudaryti tinkamų mokymosi strategijų sąrašą kiekvienam dantų studentui. IS rekomendacinis įrankis parodė puikų bendrojo modelio tikslumo tikslumą ir prisiminimą, rodantį, kad LS suderinimas yra geras jautrumas ir specifiškumas.
IS rekomendacinis įrankis, pagrįstas ML sprendimų medžiu, įrodė savo sugebėjimą tiksliai suderinti dantų studentų mokymosi stilius su tinkamomis mokymosi strategijomis. Šis įrankis suteikia galingų galimybių planuoti besimokančiojo kursus ar modulius, kurie gali pagerinti studentų mokymosi patirtį.
Mokymas ir mokymasis yra pagrindinė švietimo įstaigų veikla. Kuriant aukštos kokybės profesinio mokymo sistemą, svarbu sutelkti dėmesį į studentų mokymosi poreikius. Studentų ir jų mokymosi aplinkos sąveiką galima nustatyti per jų LS. Tyrimai rodo, kad mokytojų neįvykdyti studentų LS neatitikimai ir IS gali turėti neigiamų padarinių studentų mokymuisi, pavyzdžiui, sumažėjusį dėmesį ir motyvaciją. Tai netiesiogiai paveiks studentų rezultatus [1,2].
IS yra metodas, kurį mokytojai naudoja mokiniams suteikti žinių ir įgūdžių, įskaitant padėti mokiniams mokytis [3]. Paprastai tariant, geri mokytojai planuoja mokymo strategijas arba yra geriausiai suderintos su jų mokinių žinių lygiu, sąvokomis, kurių jie mokosi, ir jų mokymosi etapą. Teoriškai, kai LS ir yra atitikmuo, studentai galės organizuoti ir panaudoti konkretų įgūdžių rinkinį, kad galėtų efektyviai mokytis. Paprastai pamokų planas apima keletą perėjimų tarp etapų, tokių kaip mokymas iki vadovaujamos praktikos arba nuo vadovaujamos praktikos iki savarankiškos praktikos. Atsižvelgdami į tai, veiksmingi mokytojai dažnai planuoja mokymą, siekdami ugdyti studentų žinias ir įgūdžius [4].
SCL paklausa auga aukštojo mokslo įstaigose, įskaitant odontologiją. SCL strategijos yra skirtos patenkinti studentų mokymosi poreikius. Tai galima pasiekti, pavyzdžiui, jei studentai aktyviai dalyvauja mokymosi veikloje, o mokytojai veikia kaip tarpininkai ir yra atsakingi už vertingų atsiliepimų teikimą. Sakoma, kad mokymosi medžiagos ir veiklos, tinkančios studentų švietimo lygiui ar nuostatoms, teikimas gali pagerinti studentų mokymosi aplinką ir skatinti teigiamą mokymosi patirtį [5].
Apskritai, odontologų studentų mokymosi procesui daro įtaką įvairios klinikinės procedūros, kurių jie privalo atlikti, ir klinikinė aplina, kurioje jie ugdo veiksmingus tarpasmeninius įgūdžius. Mokymo tikslas yra suteikti studentams galimybę sujungti pagrindines odontologijos žinias su dantų klinikiniais įgūdžiais ir pritaikyti įgytas žinias naujoms klinikinėms situacijoms [6, 7]. Ankstyvieji LS santykio tyrimai ir nustatoma, kad koreguojant mokymosi strategijas, susietas su pageidaujamu LS, padėtų pagerinti švietimo procesą [8]. Autoriai taip pat rekomenduoja naudoti įvairius mokymo ir vertinimo metodus, kad galėtų pritaikyti studentų mokymąsi ir poreikius.
Mokytojams naudinga pritaikyti LS žinias, kad padėtų jiems kurti, kurti ir įgyvendinti instrukcijas, kurios sustiprins mokinių įgijimą gilesnių žinių ir supratimo apie dalyką. Tyrėjai sukūrė keletą LS vertinimo priemonių, tokių kaip Kolb patirtinio mokymosi modelis, „Felder-Silverman“ mokymosi stiliaus modelis (FSLSM) ir „Fleming Vak/Vark“ modelis [5, 9, 10]. Remiantis literatūra, šie mokymosi modeliai yra dažniausiai naudojami ir labiausiai tiriami mokymosi modeliai. Dabartiniame tyrimo darbe FSLSM naudojamas LS įvertinti tarp odontologijos studentų.
FSLSM yra plačiai naudojamas modelis adaptyviam mokymosi inžinerijoje įvertinimui. Sveikatos mokslų (įskaitant mediciną, slaugą, vaistinę ir odontologiją) yra daugybė paskelbtų darbų, kuriuos galima rasti naudojant FSLSM modelius [5, 11, 12, 13]. Instrumentas, naudojamas LS matmenims matuoti FLSM, yra vadinamas mokymosi stiliaus (ILS) indeksu [8], kuriame yra 44 elementai, vertinantys keturias LS: apdorojimo (aktyvaus/atspindinčio), suvokimas (suvokimas/intuityvus). įvestis (vaizdinis). /žodinis) ir supratimas (nuoseklus/globalus) [14].
Kaip parodyta 1 paveiksle, kiekvienas FSLSM dimensija turi dominuojančią pirmenybę. Pavyzdžiui, apdorojimo dimensijoje studentai, turintys „aktyvų“ LS, nori apdoroti informaciją tiesiogiai sąveikaudami su mokymosi medžiaga, mokosi darydami ir linkę mokytis grupėse. „Atspindintis“ LS reiškia mokymąsi per mąstymą ir nori dirbti vienas. LS „suvokimo“ dimensiją galima suskirstyti į „jausmą“ ir (arba) „intuiciją“. „Jausmas“ studentai renkasi konkrečią informaciją ir praktines procedūras, orientuoti į faktus, palyginti su „intuityviais“ studentais, kurie teikia pirmenybę abstrakčiai medžiagai ir yra novatoriškesni bei kūrybiškesni. LS „įvesties“ dimensiją sudaro „vaizdiniai“ ir „žodiniai“ besimokantieji. Žmonės, turintys „vaizdinį“ LS, nori mokytis per vaizdines demonstracijas (tokias kaip schemos, vaizdo įrašai ar gyvos demonstracijos), tuo tarpu žmonės, turintys „žodinį“ LS, nori mokytis žodžiais rašytiniais ar žodiniais paaiškinimais. Norėdami „suprasti“ LS dimensijas, tokius besimokančiuosius galima suskirstyti į „nuoseklius“ ir „globalius“. „Nuoseklūs besimokantieji renkasi linijinį mąstymo procesą ir mokosi žingsnis po žingsnio, tuo tarpu pasauliniai besimokantieji linkę turėti holistinį mąstymo procesą ir visada geriau suprasti, ko mokosi.
Neseniai daugelis tyrėjų pradėjo tyrinėti automatinio duomenų pagrįstų atradimų metodus, įskaitant naujų algoritmų ir modelių, galinčių interpretuoti didelius duomenų kiekius, kūrimą [15, 16]. Remiantis pateiktais duomenimis, prižiūrimas ML (mašininis mokymasis) gali generuoti modelius ir hipotezes, kurios numato būsimus rezultatus, remiantis algoritmų konstravimu [17]. Paprasčiau tariant, prižiūrimi mašinų mokymosi metodai manipuliuoja įvesties duomenimis ir traukinių algoritmais. Tada jis sukuria diapazoną, kuris klasifikuoja arba numato rezultatą, remiantis panašiomis pateiktų įvesties duomenų situacijomis. Pagrindinis prižiūrimų mašinų mokymosi algoritmų pranašumas yra jo sugebėjimas nustatyti idealius ir norimus rezultatus [17].
Naudojant duomenis pagrįstus metodus ir sprendimų medžio valdymo modelius, galima automatiškai aptikti LS. Buvo pranešta, kad sprendimų medžiai yra plačiai naudojami mokymo programose įvairiose srityse, įskaitant sveikatos mokslus [18, 19]. Šiame tyrime sistemos kūrėjai specialiai mokė modelį nustatyti studentų LS ir rekomenduoti jiems geriausius.
Šio tyrimo tikslas yra kurti pristatymo strategijas, pagrįstas studentų LS, ir pritaikyti SCL metodą kuriant LS rekomendacinę priemonę. IS rekomendacinis įrankis, kaip SCL metodo strategija, projektinis srautas parodytas 1 paveiksle. IS rekomendacinis įrankis yra padalintas į dvi dalis, įskaitant LS klasifikavimo mechanizmą, naudojant ILS, ir tinkamiausias yra rodomas studentams.
Visų pirma, informacijos saugumo rekomendacijų įrankių charakteristikos apima žiniatinklio technologijų naudojimą ir sprendimų medžio mašinų mokymosi naudojimą. Sistemos kūrėjai pagerina vartotojo patirtį ir mobilumą, pritaikydami juos mobiliesiems įrenginiams, tokiems kaip mobilieji telefonai ir planšetiniai kompiuteriai.
Eksperimentas buvo atliktas dviem etapais, o Malajos universiteto odontologijos fakulteto studentai dalyvavo savanoriškai. Dalyviai reagavo į dantų studento internetinius M-IL anglų kalbą. Pradiniame etape sprendimų medžio mašinų mokymosi algoritmas buvo naudojamas 50 studentų duomenų rinkinys. Antrame kūrimo proceso etape buvo naudojamas 255 studentų duomenų rinkinys, siekiant pagerinti sukurto instrumento tikslumą.
Visi dalyviai kiekvieno etapo pradžioje gauna internetinį instruktažą, atsižvelgiant į mokslo metus per „Microsoft“ komandas. Tyrimo tikslas buvo paaiškintas ir buvo gautas informuotas sutikimas. Visiems dalyviams buvo pateikta nuoroda, kaip pasiekti M-IL. Kiekvienam studentui buvo pavesta atsakyti į visus 44 klausimyno elementus. Jiems buvo suteikta viena savaitė, kad būtų galima užpildyti modifikuotus ILS vienu metu ir vieta jiems patogiai per semestro pertrauką prieš pradedant semestrą. „M-ILS“ remiasi originaliu ILS instrumentu ir modifikuotas odontologijos studentams. Panašiai kaip originaliame ILS, jame yra 44 tolygiai paskirstytos elementai (A, B), kurių kiekvienas yra po 11 elementų, kurie naudojami įvertinti kiekvieno FSLSM dimensijos aspektus.
Pradiniuose įrankių kūrimo etapuose tyrėjai rankiniu būdu anotuodavo žemėlapius naudodamiesi 50 dantų studentų duomenų rinkiniu. Remiantis FSLM, sistema pateikia atsakymų „A“ ir „B“ sumą. Kiekvienam dimensijai, jei studentas pasirenka „A“ kaip atsakymą, LS klasifikuojamas kaip aktyvus/suvokimo/vaizdinis/nuoseklus, o jei studentas pasirenka „B“ kaip atsakymą, studentas klasifikuojamas kaip atspindintis/intuityvus/kalbinis . / Pasaulinis besimokantysis.
Po to, kai kalibravo darbo eigą tarp dantų švietimo tyrėjų ir sistemos kūrėjų, buvo atrinkti klausimai, pagrįsti FLSSM sritimi ir įtraukti į ML modelį, kad būtų galima numatyti kiekvieno studento LS. „Šiukšlės, šiukšlės“ yra populiarus posakis mašinų mokymosi srityje, pabrėžiant duomenų kokybę. Įvesties duomenų kokybė nustato mašininio mokymosi modelio tikslumą ir tikslumą. Funkcijų inžinerijos etape sukuriamas naujas funkcijų rinkinys, kuris yra atsakymų „A“ ir „B“, pagrįstų FLSSM, suma. Narkotikų pozicijų identifikavimo skaičius pateiktas 1 lentelėje.
Apskaičiuokite balą pagal atsakymus ir nustatykite studento LS. Kiekvienam studentui balų diapazonas yra nuo 1 iki 11. Baltai nuo 1 iki 3 rodo mokymosi nuostatų balansą toje pačioje dimensijoje, o balai nuo 5 iki 7 rodo vidutinį pirmenybę, tai rodo, kad studentai linkę pirmenybę teikti vienai aplinkai, mokantiems kitus, mokydami kitus. . Kitas to paties dimensijos variantas yra tas, kad balai nuo 9 iki 11 atspindi tvirtą pirmenybę vienam ar kitam galui [8].
Kiekvienai dimensijai vaistai buvo suskirstyti į „aktyvų“, „atspindintį“ ir „subalansuotą“. Pvz., Kai studentas atsako „A“ dažniau nei „B“ ant nurodyto elemento, o jo balas viršija 5 slenkstį tam tikram elementui, vaizduojančiam apdorojimo LS dimensiją, jis/ji priklauso „aktyviam“ LS. Domenas. . Tačiau studentai buvo klasifikuojami kaip „atspindintys“ LS, kai jie pasirinko „B“ daugiau nei „A“ konkrečiuose 11 klausimų (1 lentelė) ir surinko daugiau nei 5 taškus. Galiausiai studentas yra „pusiausvyros“ būsenoje. Jei balas neviršija 5 taškų, tai yra „procesas“ LS. Klasifikavimo procesas buvo pakartotas kitoms LS matmenims, būtent suvokimui (aktyviam/atspindinčiam), įvesties (vaizdiniam/žodiniam) ir supratimui (nuosekli/globali).
Sprendimų medžių modeliai gali naudoti skirtingus funkcijų pogrupius ir sprendimų taisykles skirtinguose klasifikavimo proceso etapuose. Tai laikoma populiaria klasifikavimo ir prognozavimo įrankiu. Jis gali būti pavaizduotas naudojant medžio struktūrą, tokią kaip schema [20], kurioje yra vidinių mazgų, vaizduojančių bandymus pagal atributą, kiekviena šaka, vaizduojanti bandymo rezultatus, ir kiekvienas lapų (lapų mazgas), turintys klasės etiketę.
Buvo sukurta paprasta taisyklių programa, skirta automatiškai įvertinti ir komentuoti kiekvieno studento LS, remiantis jų atsakymais. Taisyklėmis pagrįsta IF teiginio forma, kai „jei“ apibūdina gaiduką ir „tada“ nurodo veiksmą, kuris turi būti atliktas, pavyzdžiui: „Jei x atsitinka, tada daryk y“ (Liu ir kt., 2014). Jei duomenų rinkinyje yra koreliacija, o sprendimų medžio modelis yra tinkamai apmokytas ir įvertintas, šis požiūris gali būti veiksmingas būdas automatizuoti LS suderinimo procesą ir yra.
Antrame kūrimo etape duomenų rinkinys buvo padidintas iki 255, siekiant pagerinti rekomendacijų įrankio tikslumą. Duomenų rinkinys yra padalintas santykiu 1: 4. Bandymo rinkiniui buvo naudojama 25% (64) duomenų rinkinio, o likusieji 75% (191) buvo naudojami kaip treniruočių rinkinys (2 paveikslas). Duomenų rinkinį reikia padalyti, kad modelis būtų mokomas ir išbandytas tame pačiame duomenų rinkinyje, dėl kurio modelis gali atsiminti, o ne mokytis. Modelis yra mokomas mokymo rinkinio ir įvertina jo našumą bandymo rinkinyje - data, kurio modelis dar niekada nebuvo matęs.
Kai bus sukurtas įrankis, programa galės klasifikuoti LS, remdamasis odontologijos studentų atsakymais per interneto sąsają. Internetinės informacijos saugumo rekomendacijų įrankių sistema sukurta naudojant „Python“ programavimo kalbą, naudojant „Django“ sistemą kaip pagrindinę. 2 lentelėje išvardytos bibliotekos, naudojamos kuriant šią sistemą.
Duomenų rinkinys tiekiamas į sprendimų medžio modelį, kad būtų galima apskaičiuoti ir išgauti studentų reakcijas, kad automatiškai klasifikuotų studentų LS matavimus.
Sumišimo matrica naudojama norint įvertinti sprendimų medžio mašininio mokymosi algoritmo tikslumą pagal nurodytą duomenų rinkinį. Tuo pat metu jis įvertina klasifikavimo modelio veikimą. Tai apibendrina modelio prognozes ir lygina jas su faktinėmis duomenų etiketėmis. Vertinimo rezultatai grindžiami keturiomis skirtingomis vertybėmis: teisinga teigiama (TP) - modelis teisingai numatė teigiamą kategoriją, klaidingai teigiamą (FP) - modelis numatė teigiamą kategoriją, tačiau tikroji etiketė buvo neigiama, tikroji neigiama (TN) - Modelis teisingai numatė neigiamą klasę, o klaidingai neigiamas (FN) - modelis prognozuoja neigiamą klasę, tačiau tikroji etiketė yra teigiama.
Tada šios vertės naudojamos apskaičiuojant įvairius SCIKIT-Learn klasifikavimo modelių Python'o našumo metriką, būtent tikslumą, tikslumą, atšaukimą ir F1 balą. Čia yra pavyzdžiai:
Atsiminimas (arba jautrumas) išmatuoja modelio sugebėjimą tiksliai klasifikuoti studento LS, atsakant į M-ILS klausimyną.
Specifiškumas vadinamas tikru neigiamu greičiu. Kaip matote iš aukščiau pateiktos formulės, tai turėtų būti tikrų neigiamų (TN) ir tikrų negatyvų ir klaidingų teigiamų (FP) santykis. Kaip rekomenduojamos studentų narkotikų klasifikavimo įrankio dalis, ji turėtų būti pajėgi tiksliai nustatyti.
Originalus 50 studentų duomenų rinkinys, naudojamas mokyti sprendimų medžio ML modelį, parodė santykinai mažą tikslumą dėl žmogaus klaidų anotacijose (3 lentelė). Sukūrus paprastą taisyklėmis pagrįstą programą, skirtą automatiškai apskaičiuoti LS balus ir studentų komentarus, rekomenduojamųjų sistemai mokyti ir išbandyti buvo naudojamas vis daugiau duomenų rinkinių (255).
Daugiaklasės painiavos matricoje įstrižainės elementai rodo teisingų prognozių skaičių kiekvienam LS tipui (4 paveikslas). Naudojant sprendimų medžio modelį, iš viso buvo teisingai numatyta 64 pavyzdžiai. Taigi šiame tyrime įstrižainės elementai rodo numatomus rezultatus, tai rodo, kad modelis veikia gerai ir tiksliai numato klasės etiketę kiekvienai LS klasifikacijai. Taigi bendras rekomendacijų įrankio tikslumas yra 100%.
Tikslumo, tikslumo, atšaukimo ir F1 balų vertės parodytos 5 paveiksle. Rekomendacijų sistemai, naudojant sprendimų medžio modelį, jo F1 balas yra 1,0 „tobulas“, rodantis tobulą tikslumą ir atšaukimą, atspindintį reikšmingą jautrumą ir specifiškumą vertės.
6 paveiksle parodyta sprendimo medžio modelio vizualizacija po treniruotės ir bandymų. Palyginus šalutinį palyginimą, sprendimų medžio modelis, apmokytas su mažiau funkcijų, parodė didesnį tikslumą ir lengvesnę modelio vizualizaciją. Tai rodo, kad funkcijų inžinerija, lemianti funkcijų mažinimą, yra svarbus žingsnis gerinant modelio našumą.
Taikant prižiūrimų mokymosi sprendimų medį, automatiškai sugeneruojamas LS (įvesties) ir IS (tikslo išvestis) žemėlapis ir jame yra išsami kiekvienos LS informacija.
Rezultatai parodė, kad 34,9% iš 255 studentų pirmenybę teikė vienai (1) LS pasirinkimui. Didžioji dalis (54,3%) turėjo du ar daugiau LS nuostatų. 12,2% studentų pažymėjo, kad LS yra gana subalansuota (4 lentelė). Be aštuonių pagrindinių LS, Malajos universiteto odontologijos studentų LS klasifikacijų yra 34 LS klasifikacijų deriniai. Tarp jų, suvokimas, regėjimas ir suvokimo bei regėjimo derinys yra pagrindiniai LS, apie kuriuos praneša studentai (7 paveikslas).
Kaip matyti iš 4 lentelės, dauguma studentų turėjo vyraujantį sensorinį (13,7%) arba regos (8,6%) LS. Buvo pranešta, kad 12,2% studentų sujungė suvokimą su regėjimu (suvokimo ir vaizdo LS). Šios išvados rodo, kad studentai mieliau mokytis ir atsiminti naudodamiesi nustatytais metodais, laikytis konkrečių ir išsamių procedūrų ir yra dėmesingi. Tuo pat metu jie mėgsta mokytis ieškodami (naudodami diagramas ir pan.) Ir linkę diskutuoti ir pritaikyti informaciją grupėse ar savarankiškai.
Šiame tyrime apžvelgiami mašininio mokymosi metodai, naudojami duomenų gavyboje, daugiausia dėmesio skiriant akimirksniu ir tiksliai numatyti studentų LS ir rekomenduoti tinkamą. Sprendimų medžio modelio pritaikymas nustatė veiksnius, kurie labiausiai susiję su jų gyvenimu ir švietimo patirtimi. Tai yra prižiūrimas mašininio mokymosi algoritmas, kuris naudoja medžio struktūrą, kad klasifikuotų duomenis, padalijant duomenų rinkinį į subkategorijas pagal tam tikrus kriterijus. Jis veikia rekursyviai padalijant įvesties duomenis į pogrupius, remiantis vienos iš kiekvieno vidinio mazgo įvesties funkcijų verte, kol sprendimas priimamas lapo mazge.
Vidiniai sprendimo medžio mazgai atspindi sprendimą, pagrįstą M-ILS problemos įvesties charakteristikomis, o lapų mazgai parodo galutinę LS klasifikavimo prognozę. Viso tyrimo metu nesunku suprasti sprendimų medžių hierarchiją, kuri paaiškina ir vizualizuoja sprendimo procesą, atsižvelgiant į įvesties ypatybių ir išvesties prognozių santykį.
Kompiuterių mokslo ir inžinerijos srityse mašinų mokymosi algoritmai yra plačiai naudojami numatyti studentų rezultatus pagal jų stojamojo egzamino balus [21], demografinę informaciją ir mokymosi elgseną [22]. Tyrimai parodė, kad algoritmas tiksliai numatė studentų rezultatus ir padėjo jiems nustatyti studentams, kuriems gresia akademiniai sunkumai.
Pranešama apie ML algoritmų taikymą kuriant virtualius paciento treniruoklius dantų mokymui. Simuliatorius gali tiksliai atkurti realių pacientų fiziologinę reakciją ir gali būti naudojamas mokant odontologų studentus saugioje ir kontroliuojamoje aplinkoje [23]. Keli kiti tyrimai rodo, kad mašinų mokymosi algoritmai gali pagerinti dantų ir medicininio išsilavinimo bei pacientų priežiūros kokybę ir efektyvumą. Mašinų mokymosi algoritmai buvo naudojami diagnozuojant dantų ligas, remiantis tokiais duomenų rinkiniais kaip simptomai ir paciento charakteristikos [24, 25]. Nors kiti tyrimai ištyrė mašinų mokymosi algoritmų naudojimą atliekant užduotis, tokias kaip paciento rezultatų prognozavimas, didelės rizikos pacientų nustatymas, individualizuotų gydymo planai [26], periodonto gydymas [27] ir ėduonies gydymas [25].
Nors pranešimai apie mašinų mokymosi taikymą odontologijoje buvo paskelbtos, jos pritaikymas odontologijos švietime išlieka ribotas. Todėl šiuo tyrimu buvo siekiama naudoti sprendimų medžio modelį, kad būtų galima nustatyti veiksnius, kurie labiausiai susiję su LS, ir yra tarp dantų studentų.
Šio tyrimo rezultatai rodo, kad sukurta rekomendacinė priemonė yra labai tikslumas ir tobulas tikslumas, tai rodo, kad mokytojai gali būti naudingi šiam įrankiui. Naudodamas duomenis pagrįstą klasifikavimo procesą, jis gali pateikti suasmenintas rekomendacijas ir pagerinti pedagogų ir studentų švietimo patirtį ir rezultatus. Tarp jų informacija, gauta naudojant rekomendacines priemones, gali išspręsti konfliktus tarp mokytojų pageidaujamų mokymo metodų ir studentų mokymosi poreikių. Pvz., Dėl automatinio rekomendacijų priemonių išvesties reikia laiko, reikalingo studento IP ir suderinti jį su atitinkamu IP, bus žymiai sutrumpintas. Tokiu būdu galima organizuoti tinkamą mokymo veiklą ir mokymo medžiagą. Tai padeda ugdyti teigiamą studentų mokymosi elgseną ir sugebėjimą susikaupti. Vienas tyrimas pranešė, kad teikiant studentams mokymosi medžiagą ir mokymosi veiklą, atitinkančią jų pageidaujamą LS, gali padėti studentams integruoti, apdoroti ir mėgautis mokymuisi įvairiais būdais, kad būtų pasiektas didesnis potencialas [12]. Tyrimai taip pat rodo, kad ne tik gerinant studentų dalyvavimą klasėje, bet ir studentų mokymosi proceso supratimas vaidina svarbų vaidmenį gerinant mokymo praktiką ir bendravimą su studentais [28, 29].
Tačiau, kaip ir bet kokios šiuolaikinės technologijos, yra problemų ir apribojimų. Tai apima klausimus, susijusius su duomenų privatumu, šališkumu ir sąžiningumu bei profesinius įgūdžius ir išteklius, reikalingus statomo ugdymo mašinų mokymosi algoritmams kurti ir įgyvendinti; Tačiau augantis susidomėjimas ir šios srities tyrimai rodo, kad mašinų mokymosi technologijos gali turėti teigiamos įtakos dantų švietimui ir odontologijos paslaugoms.
Šio tyrimo rezultatai rodo, kad pusė odontologijos studentų turi tendenciją „suvokti“ narkotikus. Šio tipo besimokantysis pirmenybę teikia faktams ir konkrečiems pavyzdžiams, praktinei orientacija, kantrybė detalėms ir „vaizdinis“ LS pirmenybė, kai besimokantieji renkasi nuotraukas, grafiką, spalvas ir žemėlapius, kad perteiktų idėjas ir mintis. Dabartiniai rezultatai atitinka kitus tyrimus, naudojančius ILS, siekiant įvertinti LS dantų ir medicinos studentams, kurių dauguma pasižymi suvokimo ir regos LS savybėmis [12, 30]. Dalmolin ir kt. Siūlo informuoti studentus apie savo LS, leidžia jiems pasiekti savo mokymosi potencialą. Tyrėjai teigia, kad kai mokytojai visiškai supranta mokinių švietimo procesą, galima įgyvendinti įvairius mokymo metodus ir veiklą, kuri pagerins studentų veiklos ir mokymosi patirtį [12, 31, 32]. Kiti tyrimai parodė, kad pakoregavus studentų LS, taip pat rodo studentų mokymosi patirties ir atlikimo pagerėjimą pakeitus jų mokymosi stilių, kad jis atitiktų savo LS [13, 33].
Mokytojų nuomonė gali skirtis dėl mokymo strategijų, pagrįstų mokinių mokymosi gebėjimais, įgyvendinimą. Nors vieni mato šio požiūrio pranašumus, įskaitant profesinio tobulėjimo galimybes, mentorystę ir bendruomenės paramą, kiti gali būti susirūpinę dėl laiko ir institucinės paramos. Siekti pusiausvyros yra labai svarbus norint sukurti į studentą orientuotą požiūrį. Aukštojo mokslo valdžios institucijos, tokios kaip universiteto administratoriai, gali vaidinti svarbų vaidmenį skatinant teigiamus pokyčius įvedant novatorišką praktiką ir palaikant fakulteto plėtrą [34]. Norėdami sukurti tikrai dinamišką ir reaguojančią aukštojo mokslo sistemą, politikos formuotojai turi imtis drąsių veiksmų, tokių kaip politikos pakeitimų keitimas, išteklių skyrimas technologijų integracijai ir kurti sistemas, skatinančias studentus orientuotus metodus. Šios priemonės yra labai svarbios siekiant norimų rezultatų. Naujausi diferencijuotų instrukcijų tyrimai aiškiai parodė, kad norint sėkmingai įgyvendinti diferencijuotus mokymus, reikia nuolatinių mokytojų mokymo ir tobulinimo galimybių [35].
Ši priemonė teikia vertingą paramą odontologų pedagogams, norintiems laikytis studentų orientuoto požiūrio planuodami studentams draugišką mokymosi veiklą. Tačiau šis tyrimas apsiriboja sprendimų medžio ML modelių naudojimu. Ateityje turėtų būti renkama daugiau duomenų, kad būtų galima palyginti skirtingų mašinų mokymosi modelių veikimą, kad būtų galima palyginti rekomendacinių priemonių tikslumą, patikimumą ir tikslumą. Be to, renkantis tinkamiausią mašininio mokymosi metodą tam tikrai užduotims, svarbu atsižvelgti į kitus veiksnius, tokius kaip modelio sudėtingumas ir aiškinimas.
Šio tyrimo apribojimas yra tas, kad jis buvo sutelktas tik į LS žemėlapius ir yra tarp odontologijos studentų. Todėl sukurta rekomendacijų sistema rekomenduos tik tuos, kurie yra tinkami odontologijos studentams. Pokyčiai yra būtini bendram aukštojo mokslo studentų naudojimui.
Naujai sukurta mašinų mokymosi pagrįsta rekomendacijų priemonė gali iškart klasifikuoti ir suderinti studentų LS su atitinkamu IS, todėl tai yra pirmoji dantų švietimo programa, padedanti dantų pedagogams planuoti atitinkamą mokymo ir mokymosi veiklą. Naudodamas duomenimis pagrįstą triburo procesą, jis gali pateikti individualizuotas rekomendacijas, sutaupyti laiko, patobulinti mokymo strategijas, palaikyti tikslines intervencijas ir skatinti nuolatinį profesinį tobulėjimą. Jos taikymas skatins studentus orientuotus požiūrius į dantų ugdymą.
„Gilak Jani Associated Press“. Susitikimas ar neatitikimas tarp mokinio mokymosi stiliaus ir mokytojo mokymo stiliaus. Int J Mod Eduh Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Pašto laikas: 2014 m. Balandžio 29 d