Aukštojo mokslo įstaigose, įskaitant odontologiją, vis labiau reikia į studentą orientuoto mokymosi (ĮMP). Tačiau ĮMP taikymas odontologiniame švietime yra ribotas. Todėl šio tyrimo tikslas – skatinti ĮMP taikymą odontologijoje, naudojant sprendimų medžio mašininio mokymosi (ML) technologiją, siekiant nustatyti odontologijos studentų pageidaujamą mokymosi stilių (MS) ir atitinkamas mokymosi strategijas (IS), kaip naudingą įrankį IS gairėms rengti. Perspektyvūs metodai odontologijos studentams.
Iš viso 255 Malajos universiteto odontologijos studentai užpildė modifikuotą mokymosi stilių indekso (m-ILS) klausimyną, kurį sudarė 44 elementai, skirti jiems klasifikuoti pagal atitinkamus mokymosi stilius. Surinkti duomenys (vadinamieji duomenų rinkiniai) naudojami prižiūrimo sprendimų medžio mokymosi procese, siekiant automatiškai susieti studentų mokymosi stilius su tinkamiausia informacine sistema (IS). Tada įvertinamas mašininio mokymosi pagrindu sukurtos IS rekomendacijų priemonės tikslumas.
Sprendimų medžio modelių taikymas automatizuotame LS (įvesties) ir IS (tikslinės išvesties) atvaizdavimo procese leidžia iš karto sudaryti tinkamų mokymosi strategijų sąrašą kiekvienam odontologijos studentui. IS rekomendavimo įrankis pasižymėjo puikiu tikslumu ir bendro modelio tikslumo atkūrimu, o tai rodo, kad LS ir IS atitikimas yra jautrus ir specifiškas.
IS rekomendavimo įrankis, pagrįstas mašininio mokymosi 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 esminės švietimo įstaigų veiklos. Kuriant aukštos kokybės profesinio mokymo sistemą, svarbu atkreipti dėmesį į mokinių mokymosi poreikius. Mokinių ir jų mokymosi aplinkos sąveiką galima nustatyti per jų mokymosi įgūdžius (LS). Tyrimai rodo, kad mokytojų numatytas mokinių mokymosi įgūdžių ir informacinių sistemų neatitikimas gali turėti neigiamų pasekmių mokinių mokymuisi, pavyzdžiui, sumažinti dėmesį ir motyvaciją. Tai netiesiogiai paveiks mokinių rezultatus [1, 2].
IS – tai metodas, kurį mokytojai naudoja mokiniams perteikti žinias ir įgūdžius, įskaitant pagalbą mokiniams mokytis [3]. Apskritai geri mokytojai planuoja mokymo strategijas arba IS, kurios geriausiai atitinka jų mokinių žinių lygį, mokomas sąvokas ir mokymosi etapą. Teoriškai, kai LS ir IS sutampa, mokiniai galės organizuoti ir naudoti konkretų įgūdžių rinkinį, kad galėtų efektyviai mokytis. Paprastai pamokos planas apima kelis perėjimus tarp etapų, pavyzdžiui, nuo mokymo prie vadovaujamos praktikos arba nuo vadovaujamos praktikos prie savarankiškos praktikos. Turėdami tai omenyje, veiksmingi mokytojai dažnai planuoja mokymą, siekdami lavinti mokinių žinias ir įgūdžius [4].
Įvairių pasirinkimų (SCL) poreikis auga aukštojo mokslo įstaigose, įskaitant odontologiją. SCL strategijos yra sukurtos siekiant patenkinti studentų mokymosi poreikius. Tai galima pasiekti, pavyzdžiui, jei studentai aktyviai dalyvauja mokymosi veikloje, o dėstytojai atlieka moderatoriaus vaidmenį ir yra atsakingi už vertingo grįžtamojo ryšio teikimą. Teigiama, kad mokymosi medžiagos ir veiklų, atitinkančių studentų išsilavinimo lygį ar pageidavimus, teikimas gali pagerinti studentų mokymosi aplinką ir skatinti teigiamą mokymosi patirtį [5].
Apskritai odontologijos studentų mokymosi procesą įtakoja įvairios klinikinės procedūros, kurias jiems reikia atlikti, ir klinikinė aplinka, kurioje jie lavina veiksmingus tarpasmeninius įgūdžius. Mokymo tikslas – suteikti studentams galimybę derinti pagrindines odontologijos žinias su odontologiniais klinikiniais įgūdžiais ir pritaikyti įgytas žinias naujose klinikinėse situacijose [6, 7]. Ankstyvieji LS ir IS ryšio tyrimai parodė, kad mokymosi strategijų koregavimas pagal pageidaujamą LS padėtų pagerinti ugdymo procesą [8]. Autoriai taip pat rekomenduoja naudoti įvairius mokymo ir vertinimo metodus, kad jie būtų pritaikyti prie studentų mokymosi ir poreikių.
Mokytojai gali pritaikyti LS žinias, kad galėtų kurti, plėtoti ir įgyvendinti mokymą, kuris padėtų studentams įgyti gilesnių žinių ir supratimo apie dalyką. Tyrėjai sukūrė keletą LS vertinimo priemonių, 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. Dabartiniame tyrime FSLSM naudojamas LS vertinimui tarp odontologijos studentų.
FSLSM yra plačiai naudojamas adaptyvaus mokymosi inžinerijoje vertinimo modelis. Sveikatos mokslų (įskaitant mediciną, slaugą, farmaciją ir odontologiją) srityse yra daug publikuotų darbų, kuriuose naudojami FSLSM modeliai [5, 11, 12, 13]. Instrumentas, naudojamas LS dimensijoms FLSM modelyje matuoti, vadinamas mokymosi stilių indeksu (ILS) [8], kurį sudaro 44 elementai, vertinantys keturias LS dimensijas: apdorojimą (aktyvų/reflektyvų), suvokimą (suvokimo/intuityvų), įvestį (vizualinį/verbalinį) ir supratimą (nuoseklų/globalų) [14].
Kaip parodyta 1 paveiksle, kiekvienas FSLSM matmuo turi dominuojantį prioritetą. Pavyzdžiui, apdorojimo matmenyje studentai, turintys „aktyvų“ LS, renkasi apdoroti informaciją tiesiogiai sąveikaudami su mokymosi medžiaga, mokosi darydami ir linkę mokytis grupėse. „Reflektyvusis“ LS reiškia mokymąsi mąstant ir pirmenybę teikia darbui savarankiškai. LS „suvokimo“ matmenį galima suskirstyti į „jausmą“ ir (arba) „intuiciją“. „Jausmą“ turintys studentai renkasi konkretesnę informaciją ir praktines procedūras, yra orientuoti į faktus, palyginti su „intuityviais“ studentais, kurie teikia pirmenybę abstrakčiai medžiagai ir yra labiau novatoriški bei kūrybingi. LS „įvesties“ matmenį sudaro „vizualiniai“ ir „verbaliniai“ besimokantieji. Žmonės, turintys „vizualinį“ LS, renkasi mokytis per vaizdines demonstracijas (pvz., diagramas, vaizdo įrašus ar gyvas demonstracijas), o žmonės, turintys „verbalinį“ LS, renkasi mokytis žodžiais, rašytiniais arba žodiniais paaiškinimais. Norėdami „suprasti“ LS matmenis, tokius besimokančiuosius galima suskirstyti į „nuosekliuosius“ ir „globaliuosius“. „Nuosekliai besimokantieji renkasi linijinį mąstymo procesą ir mokosi žingsnis po žingsnio, o globalūs besimokantieji linkę mąstyti holistiniu būdu ir visada geriau supranta, ko mokosi.“
Pastaruoju metu daugelis tyrėjų pradėjo tyrinėti automatinio duomenimis pagrįsto atradimo metodus, įskaitant naujų algoritmų ir modelių, gebančių interpretuoti didelius duomenų kiekius, kūrimą [15, 16]. Remdamasis pateiktais duomenimis, prižiūrimas mašininis mokymasis (ML) gali generuoti modelius ir hipotezes, kurios prognozuoja būsimus rezultatus, remdamosi algoritmų konstrukcija [17]. Paprastai tariant, prižiūrimo mašininio mokymosi metodai manipuliuoja įvesties duomenimis ir moko algoritmus. Tada jie generuoja diapazoną, kuris klasifikuoja arba prognozuoja rezultatą, remdamasis panašiomis situacijomis pateiktiems įvesties duomenims. Pagrindinis prižiūrimo mašininio mokymosi algoritmų privalumas yra jų gebėjimas nustatyti idealius ir norimus rezultatus [17].
Naudojant duomenimis pagrįstus metodus ir sprendimų medžių valdymo modelius, galima automatiškai aptikti žemesnio lygio (LS). Pranešama, kad sprendimų medžiai yra plačiai naudojami įvairių sričių, įskaitant sveikatos mokslus, mokymo programose [18, 19]. Šiame tyrime sistemos kūrėjai specialiai apmokė modelį, kad jis nustatytų studentų žemesnio lygio (LS) ir rekomenduotų jiems geriausią informacinę sistemą (IS).
Šio tyrimo tikslas – sukurti IS teikimo strategijas, pagrįstas studentų LS, ir pritaikyti SCL metodą, sukuriant IS rekomendavimo įrankį, susietą su LS. IS rekomendavimo įrankio, kaip SCL metodo strategijos, projektavimo eiga parodyta 1 paveiksle. IS rekomendavimo įrankis yra padalintas į dvi dalis, įskaitant LS klasifikavimo mechanizmą naudojant ILS ir tinkamiausią IS rodymą studentams.
Visų pirma, informacijos saugumo rekomendacijų įrankiai pasižymi žiniatinklio technologijų naudojimu ir sprendimų medžio mašininio mokymosi taikymu. Sistemų kūrėjai gerina naudotojų patirtį ir mobilumą, pritaikydami juos 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 internetinę m-ILS anglų kalba pateiktą klausimyną. Pradiniame etape 50 studentų duomenų rinkinys buvo naudojamas sprendimų medžio mašininio mokymosi algoritmui apmokyti. Antrajame kūrimo proceso etape 255 studentų duomenų rinkinys buvo naudojamas sukurto instrumento tikslumui pagerinti.
Kiekvieno etapo pradžioje, priklausomai nuo akademinių metų, visi dalyviai per „Microsoft Teams“ gauna internetinį instruktažą. Buvo paaiškintas tyrimo tikslas ir gautas informuotas sutikimas. Visiems dalyviams buvo pateikta nuoroda prisijungti prie m-ILS. Kiekvienam studentui buvo nurodyta atsakyti į visus 44 klausimyno klausimus. Jiems buvo duota viena savaitė užpildyti modifikuotą ILS jiems patogiu laiku ir vietoje per semestro pertrauką prieš semestro pradžią. m-ILS yra pagrįstas originalia ILS priemone ir modifikuotas odontologijos studentams. Panašiai kaip originali ILS, ji susideda iš 44 tolygiai paskirstytų elementų (a, b), po 11 elementų kiekviename, kurie naudojami kiekvieno FSLSM matmens aspektams įvertinti.
Pradiniuose įrankio kūrimo etapuose tyrėjai rankiniu būdu anotuodavo žemėlapius naudodami 50 odontologijos studentų duomenų rinkinį. Remiantis FSLM, sistema pateikia atsakymų „a“ ir „b“ sumą. Kiekvienam matmeniui, jei studentas pasirenka atsakymą „a“, LS klasifikuojamas kaip aktyvus / suvokimo / vaizdinis / nuoseklus, o jei studentas pasirenka atsakymą „b“, studentas klasifikuojamas kaip reflektyvus / intuityvus / kalbinis / globalus besimokantysis.
Sukalibravus odontologijos mokymo tyrėjų ir sistemų kūrėjų darbo eigą, klausimai buvo parinkti remiantis FLSSM sritimi ir įvesti į ML modelį, kad būtų galima numatyti kiekvieno studento LS. „Šiukšlės į vidų, šiukšlės iš vidų“ – tai populiarus posakis mašininio mokymosi srityje, kuriame daugiausia dėmesio skiriama duomenų kokybei. Įvesties duomenų kokybė lemia mašininio mokymosi modelio tikslumą ir teisingumą. Funkcijų inžinerijos etape sukuriamas naujas funkcijų rinkinys, kuris yra atsakymų „a“ ir „b“ suma, pagrįsta FLSSM. Vaistų pozicijų identifikaciniai numeriai pateikti 1 lentelėje.
Remdamiesi atsakymais, apskaičiuokite balą ir nustatykite studento LS. Kiekvieno studento balų intervalas yra nuo 1 iki 11. Balai nuo 1 iki 3 rodo mokymosi preferencijų pusiausvyrą toje pačioje dimensijoje, o balai nuo 5 iki 7 rodo vidutinį preferenciją, rodančią, kad studentai linkę teikti pirmenybę vienai aplinkai, mokydami kitus. Kitas to paties matmens variantas yra tas, kad balai nuo 9 iki 11 atspindi stiprų pirmenybę vienai ar kitai pusei [8].
Kiekvienam matmeniui narkotikai buvo suskirstyti į „aktyvius“, „refleksyvius“ ir „subalansuotus“. Pavyzdžiui, kai mokinys į nurodytą klausimą atsako „a“ dažniau nei „b“, o jo/jos balas viršija 5 balų ribą už konkretų klausimą, atitinkantį Apdorojimo LS matmenį, jis/ji priklauso „aktyviai“ LS sričiai. Tačiau mokiniai buvo priskirti „refleksyvių“ LS grupei, kai konkrečiuose 11 klausimų (1 lentelė) pasirinko „b“ dažniau nei „a“ ir surinko daugiau nei 5 balus. Galiausiai, mokinys yra „pusiausvyros“ būsenoje. Jei balas neviršija 5 balų, tai yra „proceso“ LS. Klasifikavimo procesas buvo pakartotas kitiems LS matmenims, būtent suvokimui (aktyvus/refleksyvus), įvesties (vizualinis/žodinis) ir supratimo (nuoseklus/globalus).
Sprendimų medžio modeliai gali naudoti skirtingus požymių pogrupius ir sprendimų taisykles skirtinguose klasifikavimo proceso etapuose. Tai laikoma populiaria klasifikavimo ir prognozavimo priemone. Jį galima pavaizduoti naudojant medžio struktūrą, pvz., srautų diagramą [20], kurioje yra vidiniai mazgai, vaizduojantys testus pagal atributą, kiekviena šaka vaizduoja testo rezultatus, o kiekvienas lapo mazgas (lapo mazgas) turi klasės žymę.
Sukurta paprasta taisyklėmis pagrįsta programa, skirta automatiškai įvertinti ir komentuoti kiekvieno studento LS pagal jų atsakymus. Taisyklėmis pagrįsta programa pateikiama IF sakinio forma, kur „IF“ apibūdina trigerį, o „THEN“ nurodo atliekamą veiksmą, pavyzdžiui: „Jei įvyksta X, tada atlikite Y“ (Liu ir kt., 2014). Jei duomenų rinkinys rodo koreliaciją ir sprendimų medžio modelis yra tinkamai apmokytas ir įvertintas, šis metodas gali būti veiksmingas būdas automatizuoti LS ir IS atitikimo procesą.
Antrajame kūrimo etape duomenų rinkinys buvo padidintas iki 255, siekiant pagerinti rekomendacijų įrankio tikslumą. Duomenų rinkinys padalintas santykiu 1:4. 25 % (64) duomenų rinkinio buvo panaudota bandymų rinkiniui, o likę 75 % (191) – kaip mokymo rinkinys (2 pav.). Duomenų rinkinį reikia padalinti, kad modelis nebūtų apmokytas ir testuojamas su tuo pačiu duomenų rinkiniu, nes dėl to modelis gali įsiminti, o ne mokytis. Modelis apmokomas su mokymo rinkiniu ir įvertina savo veikimą su bandymų rinkiniu – duomenimis, kurių modelis niekada anksčiau nematė.
Sukūrus IS įrankį, programa galės klasifikuoti LS pagal odontologijos studentų atsakymus per žiniatinklio sąsają. Žiniatinklio pagrindu sukurta informacijos saugumo rekomendacijų įrankių sistema sukurta naudojant Python programavimo kalbą, o „Django“ sistema yra pagrindinė platforma. 2 lentelėje išvardytos bibliotekos, naudotos kuriant šią sistemą.
Duomenų rinkinys tiekiamas į sprendimų medžio modelį, kad būtų apskaičiuoti ir išgauti studentų atsakymai, siekiant automatiškai klasifikuoti studentų LS matavimus.
Painiavos matrica naudojama sprendimų medžio mašininio mokymosi algoritmo tikslumui įvertinti tam tikrame duomenų rinkinyje. Tuo pačiu metu ji įvertina klasifikavimo modelio našumą. Ji apibendrina modelio prognozes ir palygina jas su faktinėmis duomenų etiketėmis. Vertinimo rezultatai pagrįsti keturiomis skirtingomis reikšmėmis: Tikrai teigiama (TP) – modelis teisingai numatė teigiamą kategoriją, Klaidingai teigiama (FP) – modelis teisingai numatė teigiamą kategoriją, bet tikroji etiketė buvo neigiama, Tikrai neigiama (TN) – modelis teisingai numatė neigiamą klasę ir Klaidingai neigiama (FN) – modelis teisingai numatė neigiamą klasę, bet tikroji etiketė yra teigiama.
Šios vertės naudojamos įvairiems „scikit-learn“ klasifikavimo modelio „Python“ kalboje našumo rodikliams apskaičiuoti, būtent tikslumui, tikslumui, atkūrimui ir F1 balui. Pateikiame pavyzdžių:
Jautrumas (arba atkūrimo gebėjimas) matuoja modelio gebėjimą tiksliai klasifikuoti studento LS, atsakius į m-ILS klausimyną.
Specifiškumas vadinamas tikruoju neigiamų rezultatų santykiu. Kaip matyti iš aukščiau pateiktos formulės, tai turėtų būti tikrųjų neigiamų (TN) ir tikrųjų neigiamų bei klaidingai teigiamų (KP) rezultatų santykis. Kaip rekomenduojama studentų narkotikų klasifikavimo priemonė, ji turėtų galėti tiksliai identifikuoti.
Pradinis 50 studentų duomenų rinkinys, naudotas sprendimų medžio ML modeliui apmokyti, parodė santykinai mažą tikslumą dėl žmogiškųjų klaidų anotacijose (3 lentelė). Sukūrus paprastą taisyklėmis pagrįstą programą, skirtą automatiškai apskaičiuoti LS balus ir studentų anotacijas, vis daugiau duomenų rinkinių (255) buvo naudojami rekomendavimo sistemai apmokyti ir išbandyti.
Daugiaklasėje painiavos matricoje įstrižainės elementai žymi teisingų prognozių skaičių kiekvienam LS tipui (4 pav.). Naudojant sprendimų medžio modelį, iš viso teisingai numatytos 64 imtys. Taigi, šiame tyrime įstrižainės elementai rodo laukiamus rezultatus, rodančius, kad modelis veikia gerai ir tiksliai prognozuoja klasės žymę kiekvienai LS klasifikacijai. Taigi, bendras rekomendacijų įrankio tikslumas yra 100 %.
Tikslumo, preciziškumo, atkūrimo ir F1 balo vertės pateiktos 5 paveiksle. Rekomendavimo sistemos, naudojančios sprendimų medžio modelį, F1 balas yra 1,0 „idealus“, rodantis idealų tikslumą ir atkūrimą, atspindinčius reikšmingas jautrumo ir specifiškumo vertes.
6 paveiksle parodyta sprendimų medžio modelio vizualizacija po mokymo ir testavimo. Lyginant su mažiau funkcijų apmokytas sprendimų medžio modelis pasižymėjo didesniu tikslumu ir lengvesne modelio vizualizacija. Tai rodo, kad funkcijų inžinerija, lemianti funkcijų mažinimą, yra svarbus žingsnis gerinant modelio našumą.
Taikant prižiūrimą mokymąsi sprendimų medžio metodu, automatiškai generuojamas LS (įvesties) ir IS (tikslinės išvesties) susiejimas, kuriame pateikiama išsami informacija apie kiekvieną LS.
Rezultatai parodė, kad 34,9 % iš 255 studentų pasirinko vieną (1) LS variantą. Dauguma (54,3 %) turėjo du ar daugiau LS pasirinkimų. 12,2 % studentų pažymėjo, kad LS yra gana subalansuotas (4 lentelė). Be aštuonių pagrindinių LS, yra 34 LS klasifikacijų deriniai, skirti Malajos universiteto odontologijos studentams. Tarp jų suvokimas, rega bei suvokimo ir regos derinys yra pagrindinės studentų nurodytos LS (7 pav.).
Kaip matyti iš 4 lentelės, dauguma mokinių turėjo vyraujantį sensorinį (13,7 %) arba regimąjį (8,6 %) LS. Pranešta, kad 12,2 % mokinių derino suvokimą su rega (suvokimo-regimąjį LS). Šie duomenys rodo, kad mokiniai renkasi mokytis ir įsiminti taikydami nusistovėjusius metodus, laikosi konkrečių ir išsamių procedūrų ir yra dėmesingi. Tuo pačiu metu jiems patinka mokytis žiūrint (naudojant diagramas ir pan.) ir jie linkę aptarti bei taikyti informaciją grupėse arba savarankiškai.
Šiame tyrime pateikiama duomenų gavyboje naudojamų mašininio mokymosi metodų apžvalga, daugiausia dėmesio skiriant momentiniam ir tiksliam studentų žemesnio lygio (LS) prognozavimui ir tinkamų informacinių sistemų (IS) rekomendavimui. Pritaikius sprendimų medžio modelį, buvo nustatyti veiksniai, labiausiai susiję su jų gyvenimo ir mokymosi patirtimi. Tai prižiūrimas mašininio mokymosi algoritmas, kuris naudoja medžio struktūrą duomenims klasifikuoti, padalijant duomenų rinkinį į subkategorijas pagal tam tikrus kriterijus. Jis veikia rekursyviai padalijant įvesties duomenis į pogrupius pagal kiekvieno vidinio mazgo vienos iš įvesties savybių vertę, kol priimamas sprendimas lapo mazge.
Sprendimų medžio vidiniai mazgai vaizduoja sprendimą, pagrįstą m-ILS problemos įvesties charakteristikomis, o lapų mazgai – galutinę LS klasifikavimo prognozę. Visame tyrime lengva suprasti sprendimų medžių, kurie paaiškina ir vizualizuoja sprendimų priėmimo procesą, hierarchiją, nagrinėjant įvesties ypatybių ir išvesties prognozių ryšį.
Informatikos ir inžinerijos srityse mašininio mokymosi algoritmai yra plačiai naudojami studentų pasiekimams prognozuoti pagal jų stojamųjų egzaminų rezultatus [21], demografinę informaciją ir mokymosi elgseną [22]. Tyrimai parodė, kad algoritmas tiksliai prognozavo studentų pasiekimus ir padėjo jiems nustatyti studentus, kuriems gresia akademiniai sunkumai.
Pranešama apie mašininio mokymosi algoritmų taikymą kuriant virtualius pacientų simuliatorius odontologiniam mokymui. Simuliatorius geba tiksliai atkurti realių pacientų fiziologines reakcijas ir gali būti naudojamas odontologijos studentams mokyti saugioje ir kontroliuojamoje aplinkoje [23]. Keletas kitų tyrimų rodo, kad mašininio mokymosi algoritmai gali pagerinti odontologinio ir medicininio švietimo bei pacientų priežiūros kokybę ir efektyvumą. Mašininio mokymosi algoritmai buvo naudojami diagnozuojant dantų ligas remiantis tokiais duomenų rinkiniais kaip simptomai ir pacientų charakteristikos [24, 25]. Kituose tyrimuose taip pat buvo nagrinėjamas mašininio mokymosi algoritmų naudojimas tokioms užduotims atlikti kaip pacientų rezultatų prognozavimas, didelės rizikos pacientų nustatymas, individualizuotų gydymo planų sudarymas [26], periodonto ligų gydymas [27] ir karieso gydymas [25].
Nors buvo paskelbta pranešimų apie mašininio mokymosi taikymą odontologijoje, jo taikymas odontologijos studijose 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 sukurtas rekomendacijų įrankis pasižymi dideliu ir puikiu tikslumu, o tai rodo, kad mokytojai gali pasinaudoti šiuo įrankiu. Naudodamas duomenimis pagrįstą klasifikavimo procesą, jis gali teikti suasmenintas rekomendacijas ir pagerinti pedagogų bei mokinių mokymosi patirtį bei rezultatus. Be kita ko, informacija, gauta naudojant rekomendacijų įrankius, gali išspręsti konfliktus tarp mokytojų pageidaujamų mokymo metodų ir mokinių mokymosi poreikių. Pavyzdžiui, dėl automatizuoto rekomendacijų įrankių išvesties laikas, reikalingas mokinio intelekto savybei (IP) nustatyti ir jai susieti su atitinkama IP, bus gerokai sumažintas. Tokiu būdu galima organizuoti tinkamą mokymo veiklą ir mokymo medžiagą. Tai padeda ugdyti teigiamą mokinių mokymosi elgesį ir gebėjimą susikaupti. Viename tyrime teigiama, kad mokiniams suteikiant mokymosi medžiagą ir mokymosi veiklas, atitinkančias jų pageidaujamą mokymosi kryptį (MS), galima padėti mokiniams 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 kurios šiuolaikinės technologijos, yra problemų ir apribojimų. Tai apima klausimus, susijusius su duomenų privatumu, šališkumu ir sąžiningumu, taip pat profesiniais įgūdžiais ir ištekliais, reikalingais mašininio mokymosi algoritmams kurti ir įdiegti odontologiniame švietime. Tačiau augantis susidomėjimas ir tyrimai šioje srityje rodo, kad mašininio mokymosi technologijos gali turėti teigiamą poveikį odontologiniam švietimui ir odontologinėms paslaugoms.
Šio tyrimo rezultatai rodo, kad pusė odontologijos studentų linkę „suvokti“ vaistus. Šio tipo besimokantieji pirmenybę teikia faktams ir konkretiems pavyzdžiams, yra praktiški, kantrūs detalėms ir labiau linkę į vizualinį mokomąjį stilių (LS), kai besimokantieji idėjoms ir mintims perteikti renkasi naudoti paveikslėlius, grafiką, spalvas ir žemėlapius. Dabartiniai rezultatai atitinka kitus tyrimus, kuriuose ILS naudojama LS vertinant odontologijos ir medicinos studentų LS, kurių daugumai būdingi suvokimo ir regos LS požymiai [12, 30]. Dalmolin ir kt. teigia, kad studentų informavimas apie jų LS leidžia jiems pasiekti savo mokymosi potencialą. Tyrėjai teigia, kad kai mokytojai visiškai supranta studentų ugdymo procesą, galima įdiegti įvairius mokymo metodus ir veiklas, kurios pagerins studentų mokymosi rezultatus ir patirtį [12, 31, 32]. Kiti tyrimai parodė, kad studentų LS koregavimas taip pat pagerina studentų mokymosi patirtį ir rezultatus, pakeitus jų mokymosi stilių, kad jis atitiktų jų pačių LS [13, 33].
Mokytojų nuomonės dėl mokymo strategijų įgyvendinimo, pagrįstų studentų mokymosi gebėjimais, gali skirtis. Nors vieni mato šio požiūrio privalumus, įskaitant profesinio tobulėjimo galimybes, mentorystę ir bendruomenės paramą, kiti gali būti susirūpinę dėl laiko ir institucinės paramos. Siekis pusiausvyros yra labai svarbus kuriant į studentą orientuotą požiūrį. Aukštojo mokslo institucijos, pavyzdžiui, universitetų administratoriai, gali atlikti svarbų vaidmenį skatinant teigiamus pokyčius, diegdami novatoriškas praktikas ir remdami dėstytojų tobulėjimą [34]. Norėdami sukurti tikrai dinamišką ir reaguojančią aukštojo mokslo sistemą, politikos formuotojai turi imtis ryžtingų žingsnių, pavyzdžiui, keisti politiką, skirti išteklių technologijų integracijai ir kurti sistemas, kurios skatintų į studentą orientuotą požiūrį. Šios priemonės yra labai svarbios norint pasiekti norimų rezultatų. Naujausi diferencijuoto mokymo tyrimai aiškiai parodė, kad sėkmingam diferencijuoto mokymo įgyvendinimui reikalingi nuolatiniai mokytojų mokymo ir tobulėjimo galimybės [35].
Ši priemonė suteikia vertingą pagalbą odontologijos pedagogams, norintiems taikyti į studentą orientuotą požiūrį planuojant studentams palankią mokymosi veiklą. Tačiau šis tyrimas apsiriboja sprendimų medžio mašininio mokymosi modelių naudojimu. Ateityje reikėtų surinkti daugiau duomenų, kad būtų galima palyginti skirtingų mašininio mokymosi modelių našumą, rekomendacijų įrankių tikslumą, patikimumą ir preciziškumą. Be to, renkantis tinkamiausią mašininio mokymosi metodą konkrečiai užduočiai atlikti, svarbu atsižvelgti į kitus veiksnius, tokius kaip modelio sudėtingumas ir interpretavimas.
Šio tyrimo apribojimas yra tas, kad jis sutelktas tik į LS ir IS kartografavimą tarp odontologijos studentų. Todėl sukurta rekomendacijų sistema rekomenduos tik tas rekomendacijas, kurios tinka odontologijos studentams. Pakeitimai būtini bendram aukštųjų mokyklų studentų naudojimui.
Naujai sukurtas mašininio mokymosi pagrindu sukurtas rekomendacijų įrankis gali akimirksniu klasifikuoti ir susieti studentų LS su atitinkamomis IS, todėl tai yra pirmoji odontologijos mokymo programa, padedanti odontologijos pedagogams planuoti atitinkamą mokymo ir mokymosi veiklą. Naudodama duomenimis pagrįstą triažo procesą, ji gali teikti suasmenintas rekomendacijas, sutaupyti laiko, tobulinti mokymo strategijas, remti tikslines intervencijas ir skatinti nuolatinį profesinį tobulėjimą. Jo taikymas skatins į studentą orientuotą požiūrį į odontologijos mokymą.
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
Įrašo laikas: 2024 m. balandžio 29 d.