Egyre nagyobb az igény a hallgatóközpontú tanulásra (SCL) a felsőoktatási intézményekben, így a fogászaton is.Az SCL azonban korlátozottan alkalmazható a fogorvosképzésben.Ezért ennek a tanulmánynak az a célja, hogy elősegítse az SCL alkalmazását a fogászatban azáltal, hogy döntési fa gépi tanulási (ML) technológiát használ a fogorvostanhallgatók preferált tanulási stílusának (LS) és megfelelő tanulási stratégiáinak (IS) feltérképezésére, amely hasznos eszköz az IS irányelvek kidolgozásához. .Ígéretes módszerek fogorvostanhallgatók számára.
A Malaya Egyetem összesen 255 fogorvostanhallgatója töltötte ki a módosított tanulási stílusok indexe (m-ILS) kérdőívet, amely 44 elemet tartalmazott, hogy besorolja őket a megfelelő LS-be.Az összegyűjtött adatokat (az úgynevezett adatkészletet) a felügyelt döntési fa tanulásban használják fel, hogy a tanulók tanulási stílusát automatikusan a legmegfelelőbb IS-hez igazítsák.Ezután kiértékeli a gépi tanuláson alapuló információs információs eszköz pontosságát.
A döntési fa modellek alkalmazása az LS (input) és az IS (célkimenet) közötti automatizált leképezési folyamatban lehetővé teszi a megfelelő tanulási stratégiák azonnali listáját minden fogorvostanhallgató számára.Az IS-ajánló eszköz tökéletes pontosságot és a modell általános pontosságának felidézését mutatta, jelezve, hogy az LS és az IS egyeztetése jó érzékenységgel és specifikussággal rendelkezik.
Az ML döntési fán alapuló IS-ajánló eszköz bebizonyította, hogy képes pontosan párosítani a fogorvostanhallgatók tanulási stílusát a megfelelő tanulási stratégiákkal.Ez az eszköz hatékony lehetőségeket kínál a tanulóközpontú kurzusok vagy modulok tervezésére, amelyek javíthatják a hallgatók tanulási élményét.
A tanítás és a tanulás alapvető tevékenység az oktatási intézményekben.A színvonalas szakképzési rendszer kialakításánál fontos a tanulók tanulási igényeinek figyelembe vétele.A tanulók és tanulási környezetük közötti interakció az LS-en keresztül határozható meg.A kutatások azt sugallják, hogy a tanárok szándéka szerinti eltérések a tanulók LS és IS között negatív következményekkel járhatnak a tanulók tanulásában, például csökkenhet a figyelem és a motiváció.Ez közvetve hatással lesz a tanulók teljesítményére [1,2].
Az IS egy olyan módszer, amelyet a tanárok használnak arra, hogy ismereteket és készségeket adjanak át a diákoknak, beleértve a tanulók tanulásának segítését [3].Általánosságban elmondható, hogy a jó tanárok olyan tanítási stratégiákat vagy IS-t terveznek, amelyek a legjobban megfelelnek diákjaik tudásszintjének, az általuk tanult fogalmaknak és tanulási szakaszuknak.Elméletileg, amikor az LS és az IS egyezik, a tanulók képesek lesznek megszervezni és használni egy adott készségkészletet a hatékony tanuláshoz.Az óraterv általában több átmenetet is tartalmaz a szakaszok között, például a tanításból az irányított gyakorlatba vagy az irányított gyakorlatból az önálló gyakorlatba.Ezt szem előtt tartva a hatékony tanárok gyakran úgy tervezik meg az oktatást, hogy fejlesszék a tanulók tudását és készségeit [4].
Az SCL iránti igény növekszik a felsőoktatási intézményekben, beleértve a fogászatot is.Az SCL stratégiákat úgy alakították ki, hogy megfeleljenek a hallgatók tanulási igényeinek.Ez például akkor érhető el, ha a tanulók aktívan részt vesznek a tanulási tevékenységekben, a tanárok pedig facilitátorként működnek, és felelősek az értékes visszajelzések biztosításáért.Azt mondják, hogy a tanulók iskolai végzettségének vagy preferenciáinak megfelelő tananyagok és tevékenységek javíthatják a tanulók tanulási környezetét és elősegíthetik a pozitív tanulási tapasztalatokat [5].
Általánosságban elmondható, hogy a fogorvostanhallgatók tanulási folyamatát befolyásolják a különböző klinikai eljárások, amelyeket végre kell hajtaniuk, valamint az a klinikai környezet, amelyben hatékony interperszonális készségeket fejlesztenek.A képzés célja, hogy a hallgatók a fogászat alapismereteit a fogászati klinikai készségekkel ötvözzék, és a megszerzett tudást új klinikai helyzetekben alkalmazzák [6, 7].Az LS és az IS közötti kapcsolat korai kutatása azt találta, hogy a preferált LS-hez leképezett tanulási stratégiák hozzáigazítása elősegítené az oktatási folyamat javítását [8].A szerzők azt is javasolják, hogy különféle tanítási és értékelési módszereket alkalmazzanak, hogy alkalmazkodjanak a tanulók tanulásához és igényeihez.
A tanárok hasznot húznak az LS-ismeretek alkalmazásából, hogy segítsenek nekik olyan oktatást megtervezni, kidolgozni és végrehajtani, amely elősegíti a tanulók mélyebb ismereteinek elsajátítását és a tantárgy megértését.A kutatók számos LS-értékelési eszközt fejlesztettek ki, mint például a Kolb Experiential Learning Model, a Felder-Silverman Learning Style Model (FSLSM) és a Fleming VAK/VARK Model [5, 9, 10].A szakirodalom szerint ezek a tanulási modellek a leggyakrabban használt és legtöbbet tanulmányozott tanulási modellek.A jelenlegi kutatómunka során az FSLSM-et használják a fogorvostanhallgatók LS felmérésére.
Az FSLSM egy széles körben használt modell a mérnöki adaptív tanulás értékelésére.Számos publikált munka létezik az egészségtudományban (beleértve az orvostudományt, az ápolást, a gyógyszerészetet és a fogászatot), amelyek megtalálhatók az FSLSM modellek segítségével [5, 11, 12, 13].Az LS dimenzióinak mérésére használt eszközt az FLSM-ben a tanulási stílusok indexének (ILS) [8] nevezik, amely 44 elemet tartalmaz, amelyek az LS négy dimenzióját értékelik: feldolgozás (aktív/reflexió), észlelés (észlelési/intuitív), bemenet (vizuális)./verbális) és megértés (szekvenciális/globális) [14].
Amint az 1. ábrán látható, minden FSLSM dimenziónak van egy domináns preferenciája.Például a feldolgozás dimenziójában az „aktív” LS-vel rendelkező tanulók szívesebben dolgozzák fel az információkat úgy, hogy közvetlenül interakcióba lépnek a tananyagokkal, a cselekvés során tanulnak, és inkább csoportokban tanulnak.A „reflektív” LS a gondolkodáson keresztüli tanulásra utal, és inkább egyedül dolgozik.Az LS „észlelési” dimenziója „érzésre” és/vagy „intuícióra” osztható.Az „érző” tanulók a konkrétabb információkat és gyakorlatias eljárásokat részesítik előnyben, tényorientáltak az „intuitív” tanulókhoz képest, akik inkább az absztrakt anyagokat részesítik előnyben, és innovatívabbak és kreatívabbak.Az LS „bemeneti” dimenziója „vizuális” és „verbális” tanulókból áll.A „vizuális” LS-ben szenvedők szívesebben tanulnak vizuális bemutatókon (például diagramokon, videókon vagy élő bemutatókon keresztül), míg a „verbális” LS-ben szenvedők szívesebben tanulnak szavakon keresztül, írásos vagy szóbeli magyarázatokban.Az LS dimenziók „megértéséhez” az ilyen tanulók „szekvenciális” és „globális” csoportokra oszthatók.„A szekvenciális tanulók a lineáris gondolkodási folyamatot részesítik előnyben, és lépésről lépésre tanulnak, míg a globális tanulók általában holisztikus gondolkodási folyamatot folytatnak, és mindig jobban megértik, amit tanulnak.
A közelmúltban sok kutató elkezdte feltárni az automatikus adatvezérelt felfedezés módszereit, beleértve olyan új algoritmusok és modellek kifejlesztését, amelyek képesek nagy mennyiségű adat értelmezésére [15, 16].A szolgáltatott adatok alapján a felügyelt ML (gépi tanulás) képes olyan mintákat és hipotéziseket generálni, amelyek az algoritmusok felépítése alapján a jövőbeli eredményeket jósolják [17].Egyszerűen fogalmazva, a felügyelt gépi tanulási technikák manipulálják a bemeneti adatokat és betanítják az algoritmusokat.Ezután létrehoz egy tartományt, amely osztályozza vagy előrejelzi az eredményt a megadott bemeneti adatok hasonló helyzetei alapján.A felügyelt gépi tanulási algoritmusok fő előnye, hogy képesek ideális és kívánt eredményeket elérni [17].
Adatvezérelt módszerek és döntési fa vezérlési modellek használatával lehetséges az LS automatikus észlelése.Beszámoltak arról, hogy a döntési fákat széles körben használják képzési programokban különböző területeken, beleértve az egészségtudományokat is [18, 19].Ebben a tanulmányban a modellt a rendszerfejlesztők kifejezetten arra képezték ki, hogy azonosítsák a hallgatók LS-jét, és ajánlják számukra a legjobb IS-t.
Ennek a tanulmánynak az a célja, hogy a hallgatók LS-én alapuló információs információszolgáltatási stratégiákat dolgozzon ki, és az SCL-megközelítést alkalmazza egy, az LS-hez leképezett IS-ajánló eszköz kidolgozásával.Az IS ajánló eszköz tervezési folyamatát, mint az SCL módszer stratégiáját az 1. ábra mutatja be. Az IS ajánló eszköz két részre oszlik, beleértve az ILS-t használó LS osztályozási mechanizmust és a hallgatók számára legmegfelelőbb IS megjelenítést.
Az információbiztonsági ajánlási eszközök jellemzői közé tartozik különösen a webes technológiák használata és a döntési fa gépi tanulása.A rendszerfejlesztők javítják a felhasználói élményt és a mobilitást azáltal, hogy hozzáigazítják azokat mobileszközökhöz, például mobiltelefonokhoz és táblagépekhez.
A kísérletet két szakaszban hajtották végre, és a Malaya Egyetem Fogorvostudományi Karának hallgatói önkéntes alapon vettek részt benne.A résztvevők egy fogorvostanhallgató online m-ILS-ére válaszoltak angolul.A kezdeti fázisban egy 50 tanulóból álló adatkészletet használtak a döntési fa gépi tanulási algoritmusának betanításához.A fejlesztés második szakaszában egy 255 hallgatóból álló adatsort használtak fel a kifejlesztett műszer pontosságának javítására.
Minden résztvevő online eligazítást kap minden szakasz elején, a tanévtől függően a Microsoft Teams segítségével.Elmagyarázták a vizsgálat célját, és tájékozott beleegyezést kaptak.Minden résztvevő kapott egy linket az m-ILS eléréséhez.Minden tanulónak meg kellett válaszolnia a kérdőív mind a 44 elemét.Egy hetet kaptak a módosított ILS-nek a számukra megfelelő időpontban és helyen történő kitöltésére a félév kezdete előtti félévi szünetben.Az m-ILS az eredeti ILS műszeren alapul, és a fogorvostanhallgatók számára módosították.Az eredeti ILS-hez hasonlóan 44 egyenletesen elosztott elemet (a, b) tartalmaz, egyenként 11 elemmel, amelyeket az egyes FSLSM-dimenziók szempontjainak értékelésére használnak.
Az eszközfejlesztés kezdeti szakaszában a kutatók manuálisan annotálták a térképeket egy 50 fogorvostanhallgató adatkészletével.Az FSLM szerint a rendszer az „a” és „b” válaszok összegét adja.Minden dimenzió esetében, ha a hallgató az „a”-t választja válaszként, az LS besorolása az Aktív/Perceptuális/Vizuális/Szekvenciális, ha pedig a „b”-t választja válaszként, a tanuló a Reflektív/Intuitív/Nyelvi kategóriába kerül besorolásra. ./ globális tanuló.
A fogorvosképzés kutatói és a rendszerfejlesztők közötti munkafolyamat kalibrálása után az FLSSM tartomány alapján választották ki a kérdéseket, és betáplálták az ML-modellbe, hogy megjósolhassák az egyes hallgatók LS-jét.A „szemetet be, a szemét ki” népszerű mondás a gépi tanulás területén, az adatminőségre helyezve a hangsúlyt.A bemeneti adatok minősége határozza meg a gépi tanulási modell pontosságát és pontosságát.A funkciótervezési szakasz során egy új szolgáltatáskészlet jön létre, amely az FLSSM alapján az „a” és „b” válaszok összege.A gyógyszerpozíciók azonosító számait az 1. táblázat tartalmazza.
Számítsa ki a pontszámot a válaszok alapján, és határozza meg a tanuló LS-jét!Minden tanuló esetében a pontszám 1-től 11-ig terjed. Az 1-től 3-ig terjedő pontszámok a tanulási preferenciák egyensúlyát jelzik ugyanazon a dimenzión belül, az 5-től 7-ig terjedő pontszámok pedig mérsékelt preferenciát jeleznek, ami azt jelzi, hogy a tanulók hajlamosak egy olyan környezetet előnyben részesíteni, amely másokat tanít. .Ugyanennek a dimenziónak egy másik változata, hogy a 9-től 11-ig tartó pontszámok az egyik vagy a másik vég erős preferenciáját tükrözik [8].
Minden dimenzió esetében a drogokat „aktív”, „visszaverő” és „kiegyensúlyozott” kategóriába sorolták.Például, ha egy tanuló gyakrabban válaszol „a”-ra, mint „b”-re egy kijelölt elemre, és pontszáma meghaladja az 5-ös küszöbértéket egy adott elemnél, amely a feldolgozási LS dimenziót képviseli, akkor az „aktív” LS-hez tartozik. tartomány..Azonban a tanulók „reflexiós” LS-nek minősültek, ha 11 kérdésben több „b”-t választottak, mint „a”-t (1. táblázat), és több mint 5 pontot értek el.Végül a tanuló az „egyensúlyi állapot” állapotában van.Ha a pontszám nem haladja meg az 5 pontot, akkor ez egy „folyamat” LS.Az osztályozási folyamatot megismételtük a többi LS dimenzió esetében is, nevezetesen az észlelésnél (aktív/reflexiós), az inputnál (vizuális/verbális) és a megértésnél (szekvenciális/globális).
A döntési famodellek az osztályozási folyamat különböző szakaszaiban különböző jellemzők és döntési szabályok részhalmazait használhatják.Népszerű osztályozási és előrejelző eszköznek számít.Ez egy fastruktúrával ábrázolható, például egy folyamatábrával [20], amelyben vannak belső csomópontok, amelyek attribútum szerint reprezentálják a teszteket, minden ág a teszteredményeket reprezentálja, és minden levélcsomópont (levélcsomópont) tartalmaz egy osztálycímkét.
Egy egyszerű, szabályalapú programot készítettek, amely automatikusan pontozza és megjegyzésekkel látja el minden tanuló LS-ét a válaszaik alapján.A szabály alapú egy IF utasítás formáját ölti, ahol az „IF” a triggert, a „THEN” pedig a végrehajtandó műveletet írja le, például: „Ha X történik, akkor csináld Y”-t (Liu et al., 2014).Ha az adatkészlet korrelációt mutat, és a döntési fa modellt megfelelően képezték és értékelték, ez a megközelítés hatékony módja lehet az LS és az IS egyeztetésének folyamatának automatizálásának.
A fejlesztés második szakaszában az adatkészletet 255-re növelték, hogy javítsák az ajánlóeszköz pontosságát.Az adatkészlet 1:4 arányban van felosztva.Az adatsor 25%-a (64) a tesztkészlethez, a fennmaradó 75%-a (191) pedig képzési halmazként (2. ábra).Az adatkészletet fel kell osztani, hogy a modell ne legyen betanítva és ugyanazon az adatkészleten tesztelve, ami azt eredményezheti, hogy a modell inkább emlékezni fog, mintsem tanulni.A modellt betanítják a betanító halmazon, és kiértékeli a teljesítményét a tesztkészleten – olyan adatok, amelyeket a modell még soha nem látott.
Az IS eszköz kifejlesztése után az alkalmazás webes felületen keresztül képes lesz osztályozni az LS-t a fogorvostanhallgatók válaszai alapján.A webalapú információbiztonsági ajánlóeszköz rendszer Python programozási nyelvre épül, háttérként a Django keretrendszerrel.A 2. táblázat felsorolja a rendszer fejlesztése során használt könyvtárakat.
Az adatkészlet egy döntési fa modellbe kerül a tanulói válaszok kiszámításához és kinyeréséhez, hogy automatikusan osztályozza a hallgatói LS-méréseket.
A zavaros mátrixot egy döntési fa gépi tanulási algoritmus pontosságának értékelésére használják egy adott adathalmazon.Ugyanakkor értékeli az osztályozási modell teljesítményét.Összefoglalja a modell előrejelzéseit, és összehasonlítja azokat a tényleges adatcímkékkel.Az értékelési eredmények négy különböző értéken alapulnak: True Positive (TP) – a modell helyesen jelezte előre a pozitív kategóriát, False Positive (FP) – a modell a pozitív kategóriát jósolta, de a valódi címke negatív volt, True Negative (TN) – a modell helyesen jelezte előre a negatív osztályt, és hamis negatív (FN) – A modell negatív osztályt jósol, de a valódi címke pozitív.
Ezeket az értékeket azután a Python scikit-learn osztályozási modelljének különféle teljesítménymutatóinak kiszámítására használják, nevezetesen a pontosságot, a precizitást, a visszahívást és az F1 pontszámot.Íme, példák:
A visszahívás (vagy érzékenység) a modell azon képességét méri, hogy az m-ILS kérdőív megválaszolása után pontosan osztályozza a tanuló LS-ét.
A fajlagosságot valódi negatív rátának nevezzük.Amint a fenti képletből látható, ez a valódi negatívok (TN) és a valódi negatívok és a hamis pozitívak (FP) aránya.A tanulói drogok osztályozására javasolt eszköz részeként képesnek kell lennie a pontos azonosításra.
A döntési fa ML-modelljének betanításához használt 50 hallgatóból álló eredeti adatkészlet emberi hiba miatt viszonylag alacsony pontosságot mutatott a megjegyzésekben (3. táblázat).Egy egyszerű, szabályalapú program létrehozása után az LS-pontszámok és a tanulói megjegyzések automatikus kiszámításához egyre több adatkészletet (255) használtak az ajánlórendszer betanításához és teszteléséhez.
A többosztályú összetévesztési mátrixban az átlós elemek az egyes LS típusok helyes előrejelzéseinek számát jelentik (4. ábra).A döntési fa modell segítségével összesen 64 mintát jósoltunk helyesen.Így ebben a tanulmányban az átlós elemek a várt eredményeket mutatják, jelezve, hogy a modell jól teljesít, és pontosan megjósolja az egyes LS-besorolások osztálycímkéjét.Így az ajánlási eszköz általános pontossága 100%.
A pontosság, precizitás, visszahívás és F1 pontszám értékeit az 5. ábra mutatja. A döntési fa modellt használó ajánlási rendszer esetében az F1 pontszám 1,0 „tökéletes”, ami tökéletes pontosságot és visszahívást jelez, jelentős érzékenységet és specifitást tükrözve. értékeket.
A 6. ábra a döntési fa modelljének vizualizációját mutatja be a betanítás és a tesztelés befejezése után.Egymás melletti összehasonlításban a kevesebb jellemzővel betanított döntési fa modell nagyobb pontosságot és könnyebb modellvizualizációt mutatott.Ez azt mutatja, hogy a funkciók csökkentéséhez vezető jellemzők tervezése fontos lépés a modell teljesítményének javításában.
A döntési fa felügyelt tanulásának alkalmazásával az LS (bemenet) és az IS (célkimenet) közötti leképezés automatikusan generálódik, és minden egyes LS-hez részletes információkat tartalmaz.
Az eredmények azt mutatták, hogy a 255 hallgató 34,9%-a egy (1) LS opciót preferált.A többségnek (54,3%) kettő vagy több LS preferenciája volt.A hallgatók 12,2%-a jegyezte meg, hogy az LS meglehetősen kiegyensúlyozott (4. táblázat).A nyolc fő LS mellett az LS besorolás 34 kombinációja létezik a Malaya Egyetem fogorvoshallgatói számára.Közülük az észlelés, a látás, valamint az észlelés és a látás kombinációja a hallgatók által jelentett fő LS (7. ábra).
Amint a 4. táblázatból látható, a hallgatók többsége domináns szenzoros (13,7%) vagy vizuális (8,6%) LS-vel rendelkezett.Beszámoltak arról, hogy a tanulók 12,2%-a kombinálta az észlelést látással (perceptuális-vizuális LS).Ezek az eredmények arra utalnak, hogy a tanulók szívesebben tanulnak és emlékeznek a bevált módszerekkel, konkrét és részletes eljárásokat követnek, és figyelmesek.Ugyanakkor élvezik a nézéssel való tanulást (diagramok segítségével stb.), és hajlamosak csoportosan vagy önállóan megbeszélni és alkalmazni az információkat.
Ez a tanulmány áttekintést nyújt az adatbányászatban használt gépi tanulási technikákról, különös tekintettel a hallgatók LS azonnali és pontos előrejelzésére, valamint a megfelelő IS ajánlására.A döntési fa modell alkalmazása azonosította azokat a tényezőket, amelyek a legszorosabban kapcsolódnak életükhöz és oktatási tapasztalataikhoz.Ez egy felügyelt gépi tanulási algoritmus, amely fastruktúrát használ az adatok osztályozására úgy, hogy bizonyos kritériumok alapján alkategóriákra osztja az adathalmazt.Úgy működik, hogy a bemeneti adatokat rekurzívan részhalmazokra osztja az egyes belső csomópontok egyik bemeneti jellemzőjének értéke alapján, amíg a levélcsomópontnál döntés nem születik.
A döntési fa belső csomópontjai jelentik az m-ILS probléma bemeneti jellemzői alapján a megoldást, a levél csomópontok pedig a végső LS osztályozási előrejelzést.A vizsgálat során könnyen megérthető a döntési folyamatot magyarázó és megjelenítő döntési fák hierarchiája, ha megvizsgáljuk a bemeneti jellemzők és a kimeneti előrejelzések közötti kapcsolatot.
A számítástechnika és a mérnöki tudományok területén a gépi tanulási algoritmusokat széles körben használják a tanulók teljesítményének előrejelzésére a felvételi vizsgák [21], a demográfiai információk és a tanulási viselkedés alapján [22].A kutatások kimutatták, hogy az algoritmus pontosan megjósolta a tanulók teljesítményét, és segített azonosítani azokat a diákokat, akiknél tanulmányi nehézségek fenyegetnek.
Beszámoltak az ML algoritmusok alkalmazásáról virtuális páciensszimulátorok fejlesztésében fogászati képzéshez.A szimulátor képes a valós betegek élettani reakcióinak pontos reprodukálására, és biztonságos és ellenőrzött környezetben használható fogorvostanhallgatók képzésére [23].Számos más tanulmány is azt mutatja, hogy a gépi tanulási algoritmusok potenciálisan javíthatják a fogorvosi és orvosi oktatás, valamint a betegellátás minőségét és hatékonyságát.Gépi tanulási algoritmusokat használtak a fogászati betegségek diagnosztizálására olyan adatkészletek alapján, mint a tünetek és a páciens jellemzői [24, 25].Míg más tanulmányok a gépi tanulási algoritmusok használatát tárták fel olyan feladatok elvégzésére, mint a betegek kimenetelének előrejelzése, a magas kockázatú betegek azonosítása, személyre szabott kezelési tervek kidolgozása [26], parodontális kezelés [27] és fogszuvasodás [25].
Bár megjelentek már jelentések a gépi tanulás fogászatban történő alkalmazásáról, alkalmazása a fogorvosképzésben továbbra is korlátozott.Ezért ennek a tanulmánynak az volt a célja, hogy egy döntési fa modell segítségével azonosítsa azokat a tényezőket, amelyek a fogorvostanhallgatók körében a legszorosabban kapcsolódnak az LS-hez és az IS-hez.
A tanulmány eredményei azt mutatják, hogy a kifejlesztett ajánlóeszköz nagy pontossággal és tökéletes pontossággal rendelkezik, ami azt jelzi, hogy a tanárok számára előnyös ez az eszköz.Az adatvezérelt osztályozási folyamat segítségével személyre szabott ajánlásokat tud nyújtani, és javítja az oktatási tapasztalatokat és eredményeket az oktatók és a diákok számára.Ezek közül az ajánlási eszközökön keresztül szerzett információk feloldhatják a tanárok által preferált tanítási módszerek és a tanulók tanulási igényei közötti konfliktusokat.Például az ajánlóeszközök automatizált kimenete miatt jelentősen csökken a hallgató IP-jének azonosításához és a megfelelő IP-vel való párosításához szükséges idő.Ily módon megfelelő képzési tevékenységeket és képzési anyagokat lehet szervezni.Ez segíti a tanulók pozitív tanulási magatartásának és koncentrációs képességének fejlesztését.Egy tanulmány arról számolt be, hogy az általuk preferált LS-nek megfelelő tananyagok és tanulási tevékenységek biztosítása a tanulóknak többféle módon segítheti a tanulókat a beilleszkedésben, a feldolgozásban és a tanulás élvezetében, hogy nagyobb potenciált érjenek el [12].A kutatások azt is kimutatják, hogy a tanulók tantermi részvételének javítása mellett a tanulók tanulási folyamatának megértése is kritikus szerepet játszik a tanítási gyakorlat és a tanulókkal való kommunikáció javításában [28, 29].
Azonban, mint minden modern technológiának, itt is vannak problémák és korlátok.Ide tartoznak az adatvédelemmel, az elfogultsággal és a méltányossággal kapcsolatos kérdések, valamint a fogorvosképzésben a gépi tanulási algoritmusok fejlesztéséhez és megvalósításához szükséges szakmai készségek és erőforrások;Az e terület iránti növekvő érdeklődés és kutatás azonban azt sugallja, hogy a gépi tanulási technológiák pozitív hatással lehetnek a fogorvosi oktatásra és a fogászati szolgáltatásokra.
A tanulmány eredményei azt mutatják, hogy a fogorvostanhallgatók fele hajlamos a drogok „érzékelésére”.Az ilyen típusú tanulók előnyben részesítik a tényeket és a konkrét példákat, gyakorlatias orientációt, türelmet mutatnak a részletekhez, és „vizuális” LS preferenciát mutatnak, ahol a tanulók szívesebben használnak képeket, grafikákat, színeket és térképeket ötletek és gondolatok közvetítésére.A jelenlegi eredmények összhangban vannak más olyan tanulmányokkal, amelyek ILS-t használnak a fogorvos- és orvostanhallgatók LS-ének felmérésére, akik többsége a perceptuális és vizuális LS jellemzőivel rendelkezik [12, 30].Dalmolin és munkatársai azt sugallják, hogy a hallgatók LS-ről való tájékoztatása lehetővé teszi számukra, hogy elérjék tanulási potenciáljukat.A kutatók azzal érvelnek, hogy ha a tanárok teljesen megértik a tanulók oktatási folyamatát, akkor különféle tanítási módszerek és tevékenységek alkalmazhatók, amelyek javítják a tanulók teljesítményét és tanulási tapasztalatait [12, 31, 32].Más tanulmányok kimutatták, hogy a tanulók LS-ének módosítása a tanulók tanulási tapasztalatában és teljesítményében is javulást mutat, miután tanulási stílusukat saját LS-jüknek megfelelően változtatták [13, 33].
A tanárok véleménye eltérő lehet a tanulók tanulási képességein alapuló tanítási stratégiák megvalósításáról.Míg egyesek látják ennek a megközelítésnek az előnyeit, beleértve a szakmai fejlődési lehetőségeket, a mentorálást és a közösségi támogatást, mások aggódhatnak az idő és az intézményi támogatás miatt.Az egyensúlyra való törekvés kulcsfontosságú a tanulóközpontú szemlélet kialakításában.A felsőoktatási hatóságok, például az egyetemi adminisztrátorok fontos szerepet játszhatnak a pozitív változás előmozdításában azáltal, hogy innovatív gyakorlatokat vezetnek be és támogatják a kari fejlesztést [34].Egy valóban dinamikus és érzékeny felsőoktatási rendszer létrehozásához a döntéshozóknak merész lépéseket kell tenniük, például politikai változtatásokat kell végrehajtaniuk, erőforrásokat kell fordítaniuk a technológiai integrációra, és olyan kereteket kell létrehozniuk, amelyek elősegítik a hallgatóközpontú megközelítést.Ezek az intézkedések elengedhetetlenek a kívánt eredmények eléréséhez.A differenciált oktatással kapcsolatos legújabb kutatások egyértelműen kimutatták, hogy a differenciált oktatás sikeres megvalósítása folyamatos képzést és fejlődési lehetőséget igényel a tanárok számára [35].
Ez az eszköz értékes támogatást nyújt azoknak a fogorvosok oktatóinak, akik diákközpontú megközelítést szeretnének alkalmazni a diákbarát tanulási tevékenységek tervezésében.Ez a tanulmány azonban a döntési fa ML modellek használatára korlátozódik.A jövőben több adatot kell gyűjteni a különböző gépi tanulási modellek teljesítményének összehasonlításához, hogy összehasonlíthassuk az ajánlóeszközök pontosságát, megbízhatóságát és precizitását.Ezen túlmenően, amikor egy adott feladathoz a legmegfelelőbb gépi tanulási módszert választjuk, fontos figyelembe venni más tényezőket is, például a modell összetettségét és az értelmezést.
Ennek a tanulmánynak az a korlátja, hogy csak a fogorvostanhallgatók LS és IS feltérképezésére összpontosított.Ezért a kidolgozott ajánlási rendszer csak azokat ajánlja, amelyek alkalmasak fogorvostanhallgatók számára.Változások szükségesek az általános felsőoktatási hallgatói használathoz.
Az újonnan kifejlesztett gépi tanuláson alapuló ajánlóeszköz képes azonnal osztályozni és a megfelelő IS-hez illeszteni a hallgatók LS-jét, így ez az első fogászati oktatási program, amely segít a fogorvosok oktatóinak a releváns tanítási és tanulási tevékenységek megtervezésében.Adatvezérelt osztályozási folyamat segítségével személyre szabott ajánlásokat adhat, időt takaríthat meg, javíthatja a tanítási stratégiákat, támogathatja a célzott beavatkozásokat, és elősegítheti a folyamatos szakmai fejlődést.Alkalmazása elősegíti a fogorvosi oktatás hallgatóközpontú megközelítését.
Gilak Jani Associated Press.Egyezés vagy eltérés a tanuló tanulási stílusa és a tanár tanítási stílusa között.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Feladás időpontja: 2024.04.29