A felsőoktatási intézményekben, ideértve a fogászatot is, egyre növekszik a hallgatóközpontú tanulásra (SCL). Az SCL -nek azonban korlátozott alkalmazása van a fogképzésben. Ezért a tanulmány célja, hogy elősegítse az SCL alkalmazását a fogászatban a döntésfa -gépi tanulási (ML) technológia felhasználásával a fogászati hallgatók előnyben részesített tanulási stílusának (LS) és a megfelelő tanulási stratégiák (IS) feltérképezésére az IS iránymutatások kidolgozásához. - Ígéretes módszerek a fogászati hallgatók számára.
A Malaya Egyetemen összesen 255 fogászati hallgató készítette el a módosított tanulási stílusok (M-ILS) kérdőívet, amely 44 elemet tartalmazott, hogy osztályozzák őket a megfelelő LSS-be. Az összegyűjtött adatokat (úgynevezett adatkészletnek) használják a felügyelt döntésfa megtanulásában, hogy automatikusan illeszkedjenek a hallgatók tanulási stílusához a legmegfelelőbb IS -hez. Ezután kiértékeljük a gépi tanulási alapú IS Ajánlási eszköz pontosságát.
A döntési fa modellek alkalmazása az LS (bemenet) és az IS (célkimenet) közötti automatizált leképezési folyamatban lehetővé teszi az egyes fogászati hallgatók számára a megfelelő tanulási stratégiák azonnali listáját. Az IS Ajánlási eszköz tökéletes pontosságot és a modell pontosságának visszahívását mutatta be, jelezve, hogy az LS -nek az IS -hez való illesztése jó érzékenységgel és specifitással rendelkezik.
Az AN ajánlási eszköz, amely egy ML döntési fán alapul, bebizonyította, hogy képes pontosan egyeztetni a fogászati hallgatók tanulási stílusát a megfelelő tanulási stratégiákkal. Ez az eszköz hatékony lehetőségeket kínál a tanulóközpontú tanfolyamok vagy modulok tervezésére, amelyek javíthatják a hallgatók tanulási tapasztalatait.
A tanítás és a tanulás alapvető tevékenységek az oktatási intézményekben. A magas színvonalú szakképzési rendszer kidolgozásakor fontos a hallgatók tanulási igényeire összpontosítani. A hallgatók és tanulási környezetük közötti interakció meghatározható LS -jén keresztül. A kutatások azt sugallják, hogy a hallgatók és az IS közötti tanárok közötti eltérések negatív következményekkel járhatnak a hallgatók tanulására, például a csökkent figyelem és a motiváció. Ez közvetett módon befolyásolja a hallgatói teljesítményt [1,2].
Az IS egy olyan módszer, amelyet a tanárok használnak az ismeretek és készségek átadására a hallgatók számára, ideértve a hallgatóknak a tanulás segítését is [3]. Általánosságban elmondható, hogy a jó tanárok tanítási stratégiákat terveznek, vagy hogy a legjobban megfelelnek a hallgatóik tudásának szintjének, az általuk megtanult fogalmaknak és a tanulás szakaszának. Elméletileg, amikor az LS és egyezik, a hallgatók képesek lesznek megszervezni és felhasználni egy adott készségkészletet a hatékony tanuláshoz. Általában az óraterv több átmenetet tartalmaz a szakaszok között, például a tanítástól az irányított gyakorlatig vagy az irányított gyakorlattól a független gyakorlatig. Ezt szem előtt tartva a hatékony tanárok gyakran az oktatást tervezik azzal a céllal, hogy felépítsék a hallgatók ismereteit és készségeit [4].
Az SCL iránti kereslet növekszik a felsőoktatási intézményekben, ideértve a fogászatot is. Az SCL stratégiákat úgy tervezték, hogy megfeleljenek a hallgatók tanulási igényeinek. Ez például akkor érhető el, ha a hallgatók aktívan részt vesznek a tanulási tevékenységekben, és a tanárok segítőként járnak el, és felelősek az értékes visszajelzések nyújtásáért. Azt mondják, hogy a hallgatók oktatási szintjéhez vagy preferenciáinak megfelelő tanulási anyagok és tevékenységek biztosítása javíthatja a hallgatók tanulási környezetét és elősegítheti a pozitív tanulási tapasztalatokat [5].
Általánosságban elmondható, hogy a fogászati hallgatók tanulási folyamatát befolyásolják a végrehajtáshoz szükséges különféle klinikai eljárások, valamint a klinikai környezet, amelyben hatékony interperszonális készségeket fejlesztenek ki. A képzés célja, hogy lehetővé tegye a hallgatók számára, hogy a fogászat alapvető ismereteit és a fogászati klinikai készségeket kombinálják, és a megszerzett ismereteket új klinikai helyzetekben alkalmazzák [6, 7]. Az LS közötti kapcsolat korai kutatása, és megállapítják, hogy az előnyben részesített LS -hez feltérképezett tanulási stratégiák kiigazítása elősegítené az oktatási folyamat javítását [8]. A szerzők azt is javasolják, hogy különféle oktatási és értékelési módszereket alkalmazzanak a hallgatók tanulásához és igényeihez való alkalmazkodáshoz.
A tanárok részesülnek abban, hogy az LS ismereteit alkalmazzák, hogy elősegítsék számukra az oktatás megtervezését, fejlesztését és megvalósítását, amelyek javítják a hallgatók mélyebb ismereteinek megszerzését és a tárgy megértését. A kutatók számos LS értékelési eszközt fejlesztettek ki, mint például a Kolb tapasztalati tanulási modell, a Felder-Silverman tanulási stílusmodell (FSLSM) és a Fleming VAK/VARK modell [5, 9, 10]. Az irodalom szerint ezek a tanulási modellek a leggyakrabban használt és leginkább vizsgált tanulási modellek. A jelenlegi kutatási munkában az FSLSM -et használják az LS értékelésére a fogászati hallgatók körében.
Az FSLSM egy széles körben alkalmazott modell az adaptív tanulás értékelésére a mérnöki munkában. Számos közzétett mű található az egészségtudományban (beleértve az orvostudományt, az ápolást, a gyógyszertárat és a fogászatot), amelyek az FSLSM modellek felhasználásával találhatók [5, 11, 12, 13]. Az LS méretének mérésére használt eszköz az FLSM -ben a tanulási stílusok indexének (IL) [8] nevezzük, amely 44 elemet tartalmaz, amelyek az LS négy dimenzióját értékelik: feldolgozás (aktív/reflektív), észlelés (észlelési/intuitív),, bemenet (vizuális). /verbális) és megértés (szekvenciális/globális) [14].
Amint az az 1. ábrán látható, minden FSLSM dimenziónak domináns preferenciája van. Például a feldolgozási dimenzióban az „aktív” LS -ben szenvedő hallgatók inkább az információkat fejlesztik ki azáltal, hogy közvetlenül kölcsönhatásba lépnek a tanulási anyagokkal, tanulnak és csoportokban tanulnak. A „reflektív” LS a gondolkodáson keresztül történő tanulásra utal, és inkább egyedül dolgozik. Az LS „érzékelő” dimenziója oszlik „érzésre” és/vagy „intuícióra”. A „érzés” hallgatók inkább konkrétabb információkat és gyakorlati eljárásokat részesítenek előnyben, tényorientáltak az „intuitív” hallgatókhoz képest, akik inkább az absztrakt anyagot részesítik előnyben, és innovatívabbak és kreatívabbak. Az LS „bemeneti” dimenziója „vizuális” és „verbális” tanulókból áll. A „vizuális” LS -ben szenvedő emberek inkább vizuális demonstrációkon keresztül tanulnak (például diagramok, videók vagy élő demonstrációk), míg a „verbális” emberek inkább a szavak útján tanulnak írásbeli vagy szóbeli magyarázatban. Az LS dimenziók „megértése” érdekében az ilyen tanulók „szekvenciális” és „globális” -ra oszthatók. „A szekvenciális tanulók inkább a lineáris gondolkodási folyamatot részesítik előnyben, és lépésről lépésre tanulnak, míg a globális tanulók hajlamosak holisztikus gondolkodási folyamattal, és mindig jobban megértik, mit tanulnak.
A közelmúltban sok kutató megkezdte az automatikus adatközpontú felfedezés módszereinek feltárását, ideértve az új algoritmusok és modellek kifejlesztését, amelyek nagy mennyiségű adat értelmezésére képesek [15, 16]. A megadott adatok alapján a felügyelt ML (gépi tanulás) képes olyan mintákat és hipotéziseket generálni, amelyek előrejelzik a jövőbeli eredményeket az algoritmusok felépítése alapján [17]. Egyszerűen fogalmazva: a felügyelt gépi tanulási technikák manipulálják a bemeneti adatokat és a képzési algoritmusokat. Ezután egy tartományt generál, amely a megadott bemeneti adatok hasonló helyzetei alapján osztályozza vagy előrejelzi az eredményt. A felügyelt gépi tanulási algoritmusok fő előnye az, hogy képes ideális és kívánt eredményeket létrehozni [17].
Az adatközpontú módszerek és a döntésfa-vezérlő modellek használatával az LS automatikus észlelése lehetséges. A döntési fákat arról számoltak be, hogy széles körben használják a különféle területeken, ideértve az egészségtudományokat is [18, 19]. Ebben a tanulmányban a modellt a rendszerfejlesztők kifejezetten kiképezték a hallgatók LS -jének azonosítására, és azt javasolták, hogy a legjobb a számukra.
Ennek a tanulmánynak az a célja, hogy a hallgatók LS -en alapuló szállítási stratégiák kidolgozása, és az SCL megközelítést alkalmazni az IS Ajánlási eszköz kidolgozásával, amelyet az LS -hez térképeznek. Az IS Ajánlási eszköz mint SCL módszer stratégiájának tervezési áramlása az 1. ábrán látható. Az IS Ajánlati eszköz két részre oszlik, beleértve az ILS -t használó LS osztályozási mechanizmust, és a legmegfelelőbb a hallgatók számára.
Különösen az információbiztonsági ajánlási eszközök jellemzői között szerepel a webes technológiák használata és a döntésfa gépi tanulás használata. A rendszerfejlesztők javítják a felhasználói élményt és a mobilitást azáltal, hogy adaptálják azokat mobil eszközökhöz, például mobiltelefonokhoz és táblagépekhez.
A kísérletet két szakaszban végezték el, és a maláji egyetem fogorvosi karának hallgatói önkéntes alapon vettek részt. A résztvevők válaszoltak egy fogászati hallgató online M-IS-jére. A kezdeti szakaszban 50 hallgatóból álló adatkészletet használtunk a döntésfa gépi tanulási algoritmus kiképzéséhez. A fejlesztési folyamat második szakaszában 255 hallgatóból álló adatkészletet használtunk a fejlett eszköz pontosságának javítására.
Minden résztvevő online eligazítást kap az egyes szakaszok elején, a tanévtől függően, a Microsoft csapatokon keresztül. A tanulmány célját elmagyarázták, és tájékozott beleegyezést kaptunk. Az összes résztvevőnek linkre került sor az M-IS-hez való hozzáféréshez. Minden hallgatót arra utasítottak, hogy válaszoljon a kérdőív mind a 44 elemére. Egy hetet kaptak nekik a módosított IL -ek befejezéséhez a szemeszter szünetében a szemeszter kezdete előtti időben és helyen. Az M-IS-k az eredeti ILS műszeren alapulnak, és a fogászati hallgatók számára módosítják. Az eredeti IL -khez hasonlóan 44 egyenletesen elosztott elemet (A, B) tartalmaz, mindegyik 11 elemmel, amelyeket az egyes FSLSM dimenzióinak aspektusainak felmérésére használnak.
A szerszámfejlesztés kezdeti szakaszaiban a kutatók 50 fogászati hallgató adatkészletével manuálisan megjegyezték a térképeket. Az FSLM szerint a rendszer megadja az „A” és a „B” válaszok összegét. Mindegyik dimenzióra, ha a hallgató választ választ válaszként, akkor az LS -t aktív/észlelési/vizuális/szekvenciális osztályba sorolják, és ha a hallgató választ választ válaszként, akkor a hallgatót reflektáló/intuitív/nyelvi/nyelvi osztályba sorolják. - / Globális tanuló.
A fogászati oktatás kutatói és a rendszerfejlesztők közötti munkafolyamat kalibrása után a kérdéseket az FLSSM domain alapján választották ki, és beillesztették az ML modellbe, hogy megjósolják az egyes hallgatók LS -jét. A „szemétbe, a szemétkiterítés” népszerű mondás a gépi tanulás területén, hangsúlyt fektetve az adatminőségre. A bemeneti adatok minősége meghatározza a gépi tanulási modell pontosságát és pontosságát. A szolgáltatásmérnöki szakaszban egy új szolgáltatáskészlet jön létre, amely az FLSSM -en alapuló „A” és „B” válaszok összege. A gyógyszerpozíciók azonosítási számát az 1. táblázat tartalmazza.
Számítsa ki a pontszámot a válaszok alapján, és határozza meg a hallgató LS -jét. Minden hallgató esetében a pontszám tartomány 1 és 11 között van. A pontszámok 1 és 3 között jelzik a tanulási preferenciák egyensúlyát ugyanazon dimenzión belül, és az 5 -től 7 -ig terjedő pontszámok mérsékelt preferenciát jeleznek, jelezve, hogy a hallgatók inkább az egyik környezetet részesítik előnyben, és másokat tanítanak. - Ugyanazon dimenzió másik változata az, hogy a 9 -től 11 -ig terjedő pontszámok az egyik vagy a másik végének erőteljes preferenciáját tükrözik [8].
Mindegyik dimenzióhoz a gyógyszereket „aktív”, „reflektív” és „kiegyensúlyozott” csoportba csoportosítottuk. Például, amikor egy hallgató gyakrabban válaszol az „A” -re, mint a „B” a kijelölt elemre, és pontszáma meghaladja az 5 küszöbértéket egy adott elemnél, amely a feldolgozási LS dimenziót képviseli, akkor az „aktív” LS -hez tartozik. domain. - A hallgatókat azonban „reflektív” LS -ként osztályozták, amikor a „B” -et több, mint „A” -nel választották meg a 11 kérdésben (1. táblázat), és több mint 5 pontot szereztek. Végül, a hallgató „egyensúlyi” állapotban van. Ha a pontszám nem haladja meg az 5 pontot, akkor ez egy „folyamat” LS. A besorolási folyamatot megismételtük a többi LS dimenzióra, nevezetesen az észlelésre (aktív/reflektív), a bemenet (vizuális/verbális) és a megértés (szekvenciális/globális).
A döntési fa modellek a szolgáltatások és a döntési szabályok különböző részhalmazát használhatják az osztályozási folyamat különböző szakaszaiban. Ezt népszerű osztályozási és előrejelzési eszköznek tekintik. Ábrázolható egy faszerkezet, például egy folyamatábrával [20], amelyben vannak olyan belső csomópontok, amelyek attribútumonként teszteket képviselnek, az egyes ágok a teszteredményeket képviselik, és az egyes levélcsomópontok (levélcsomópont), amely osztálycímkét tartalmaz.
Egy egyszerű, szabályalapú programot hoztak létre, hogy az egyes hallgatók LS-jét automatikusan pontszámolja és kommentálja a válaszuk alapján. A szabály-alapú IF utasítás formájában történik, ahol a „ha” leírja a triggert, és „akkor” meghatározza az elvégzendő műveletet, például: „Ha X történik, akkor tegye Y” (Liu et al., 2014). Ha az adatkészlet korrelációt mutat, és a döntési fa modellt megfelelően képzik és értékelik, akkor ez a megközelítés hatékony módja lehet az LS és az IS illesztésének folyamatának automatizálására.
A fejlesztés második szakaszában az adatkészletet 255 -re növelték az ajánlási eszköz pontosságának javítása érdekében. Az adatkészlet 1: 4 arányra osztódik. Az adatkészlet 25% -át (64) használtuk a tesztkészlethez, és a fennmaradó 75% -ot (191) használtuk az edzőkészletként (2. ábra). Az adatkészletet fel kell osztani, hogy megakadályozzák a modell képzését és tesztelését ugyanazon adatkészleten, ami a modell emlékezetét, mint megtanulást okozhat. A modellt képzik az edzőkészletre, és kiértékeli annak teljesítményét a tesztkészleten - az adatokat, amelyeket a modell még soha nem látott.
Az IS eszköz kidolgozása után az alkalmazás képes lesz osztályozni az LS -t a fogászati hallgatók válaszai alapján egy webes felületen keresztül. A web alapú információbiztonsági ajánlási eszközrendszert a Python programozási nyelv felhasználásával építették fel, a Django keretrendszert használva háttérképként. A 2. táblázat felsorolja a rendszer fejlesztéséhez használt könyvtárakat.
Az adatkészletet egy döntési fa modellhez adják, hogy kiszámítsák és kibontják a hallgatói válaszokat a hallgatói LS mérések automatikus osztályozására.
A zavart mátrixot egy adott adatkészletben a döntési fa gépi tanulási algoritmus pontosságának értékelésére használják. Ugyanakkor kiértékeli az osztályozási modell teljesítményét. Összefoglalja a modell előrejelzéseit, és összehasonlítja azokat a tényleges adatcímkékkel. Az értékelési eredmények négy különböző értéken alapulnak: igaz pozitív (TP) - a modell helyesen megjósolta a pozitív kategóriát, a False Pozitívot (FP) - a modell megjósolta a pozitív kategóriát, de a valódi címke negatív volt, igazi negatív (TN) - - A modell helyesen megjósolta a negatív osztályt, és a hamis negatív (FN) - a modell negatív osztályt jósol, de a valódi címke pozitív.
Ezeket az értékeket ezután használják a Pythonban a Scikit-Learn osztályozási modell különféle teljesítménymutatóinak kiszámításához, nevezetesen a pontosság, a pontosság, a visszahívás és az F1 pontszám. Íme példák:
A visszaemlékezés (vagy az érzékenység) méri a modell azon képességét, hogy pontosan osztályozza a hallgató LS-jét, miután megválaszolta az M-ILS kérdőívet.
A specifitást valódi negatív aránynak nevezzük. Mint a fenti képletből látható, ennek a valódi negatívok (TN) és a valódi negatívok és a hamis pozitívok (FP) arányának kell lennie. A hallgatói drogok osztályozására vonatkozó ajánlott eszköz részeként képesnek kell lennie a pontos azonosításra.
Az 50 hallgató eredeti adatkészlete, amelyet a döntési fa ML modell kiképzésére használtak, viszonylag alacsony pontosságot mutatott a kommentárok emberi hibája miatt (3. táblázat). Miután létrehozott egy egyszerű szabályalapú programot az LS pontszámok és a hallgatói kommentárok automatikus kiszámításához, egyre több adatkészletet (255) használtunk az ajánlórendszer kiképzéséhez és teszteléséhez.
A multiclass zavar mátrixban az átlós elemek az egyes LS típusok helyes előrejelzéseinek számát képviselik (4. ábra). A döntési fa modell alkalmazásával összesen 64 mintát jósoltak helyesen. Így ebben a tanulmányban az átlós elemek megmutatják a várt eredményeket, jelezve, hogy a modell jól teljesít, és pontosan megjósolja az osztálycímkét az egyes LS osztályozásokhoz. Így az ajánlási eszköz általános pontossága 100%.
A pontosság, a pontosság, a visszahívás és az F1 pontszám értékeit az 5. ábra mutatja. A döntési fa modellt használó ajánlási rendszer esetében az F1 pontszám 1,0 „tökéletes”, jelezve a tökéletes pontosságot és a visszahívást, tükrözve a jelentős érzékenységet és a specifitást. értékek.
A 6. ábra a döntési fa modell megjelenítését mutatja az edzés és a tesztelés befejezése után. Egyoldalú összehasonlításban a kevesebb tulajdonsággal kiképzett döntési fa modell magasabb pontosságot és könnyebb modell megjelenítést mutatott. Ez azt mutatja, hogy a funkciócsökkentéshez vezető szolgáltatás fontos lépés a modell teljesítményének javításában.
A döntésfa felügyelt tanulásának alkalmazásával az LS (bemeneti) és az IS (célkimenet) közötti leképezés automatikusan generálódik, és részletes információkat tartalmaz minden egyes LS -hez.
Az eredmények azt mutatták, hogy a 255 hallgató 34,9% -a részesítette előnyben egy (1) LS opciót. A többségnek (54,3%) két vagy több LS preferenciája volt. A hallgatók 12,2% -a megjegyezte, hogy az LS meglehetősen kiegyensúlyozott (4. táblázat). A nyolc fő LS mellett az LS osztályozások 34 kombinációja létezik a malajai egyetemi hallgatók számára. Közülük az észlelés, a látás és az észlelés és a látás kombinációja a hallgatók által jelentett fő LS (7. ábra).
Amint az a 4. táblázatból látható, a hallgatók többségének domináns szenzoros (13,7%) vagy vizuális (8,6%) LS volt. Azt jelentették, hogy a hallgatók 12,2% -a kombinálta az észlelést a Vision-rel (észlelési-vizuális LS). Ezek az eredmények azt sugallják, hogy a hallgatók inkább megtanulják és emlékeznek a bevált módszerekkel, konkrét és részletes eljárásokat követnek, és figyelmesek. Ugyanakkor élvezik a tanulást a megjelenéssel (diagramok segítségével stb.), És hajlamosak az információkat csoportokban vagy önmagukban megvitatni és alkalmazni.
Ez a tanulmány áttekintést nyújt az adatbányászatban alkalmazott gépi tanulási technikákról, különös tekintettel a hallgatók LS -jének azonnali és pontos előrejelzésére, és a megfelelő IS ajánlása. A döntési fa modell alkalmazása meghatározta az életükhöz és az oktatási tapasztalatokhoz legszorosabb tényezőket. Ez egy felügyelt gépi tanulási algoritmus, amely egy faszerkezetet használ az adatok osztályozására azáltal, hogy az adatkészletet egyes kritériumok alapján alkategóriákba osztja. Úgy működik, hogy rekurzív módon osztja el a bemeneti adatokat az egyes belső csomópontok egyik bemeneti tulajdonságának értéke alapján, amíg a levélcsomóponton nem dönt.
A döntési fa belső csomópontjai az M-ILS probléma bemeneti jellemzői alapján, a levélcsomópontok pedig a végső LS osztályozási előrejelzést képviselik. A tanulmány során könnyű megérteni a döntési fák hierarchiáját, amelyek megmagyarázzák és megjelenítik a döntési folyamatot a bemeneti jellemzők és a output előrejelzések közötti kapcsolat megvizsgálásával.
A számítástechnika és a mérnöki munka területén a gépi tanulási algoritmusokat széles körben használják a hallgatói teljesítmény előrejelzésére a felvételi vizsga pontszámaik [21], a demográfiai információk és a tanulási viselkedés alapján [22]. A kutatások azt mutatták, hogy az algoritmus pontosan megjósolta a hallgatói teljesítményt, és segített nekik azonosítani a hallgatókat, akiknek az akadémiai nehézségek kockázata van.
Jelentettek ML algoritmusok alkalmazását a fogászati képzés virtuális beteg -szimulátorainak kidolgozásában. A szimulátor képes pontosan reprodukálni a valódi betegek fiziológiai reakcióit, és felhasználható a fogászati hallgatók biztonságos és ellenőrzött környezetben történő képzésére [23]. Számos más tanulmány azt mutatja, hogy a gépi tanulási algoritmusok potenciálisan javíthatják a fogászati és orvosi oktatás és a betegellátás minőségét és hatékonyságát. Gépi tanulási algoritmusokat használtak a fogászati betegségek diagnosztizálásában az adatkészletek, például a tünetek és a betegjellemzők alapján [24, 25]. Míg más tanulmányok feltárták a gépi tanulási algoritmusok alkalmazását olyan feladatok elvégzésére, mint például a betegek kimenetele, a magas kockázatú betegek azonosítása, személyre szabott kezelési tervek kidolgozása [26], parodontális kezelés [27] és caries kezelés [25].
Noha a gépi tanulásról a fogászatban történő alkalmazásról szóló jelentéseket tettek közzé, a fogászati oktatásban alkalmazott kérelme továbbra is korlátozott. Ezért ez a tanulmány célja egy döntési fa modell felhasználása az LS -hez legszorosabban kapcsolódó tényezők azonosítására, és a fogászati hallgatók közé tartozik.
A tanulmány eredményei azt mutatják, hogy a kidolgozott ajánlási eszköz nagy pontossággal és tökéletes pontossággal rendelkezik, jelezve, hogy a tanárok előnyösek lehetnek ebből az eszközből. Az adatközpontú osztályozási folyamat felhasználásával személyre szabott ajánlásokat nyújthat, és javíthatja az oktatási tapasztalatokat és az eredményeket az oktatók és a hallgatók számára. Közülük az ajánlási eszközökkel beszerzett információk megoldhatják a tanárok preferált tanítási módszerei és a hallgatók tanulási igényeinek konfliktusait. Például, az ajánlási eszközök automatizált kimenete miatt a hallgatói IP -i azonosításához szükséges idő és a megfelelő IP -vel való megfelelés jelentősen csökken. Ilyen módon megfelelő képzési tevékenységeket és képzési anyagokat lehet szervezni. Ez elősegíti a hallgatók pozitív tanulási viselkedésének és a koncentrációs képesség fejlesztését. Az egyik tanulmány arról számolt be, hogy a hallgatók számára olyan tanulási anyagok és tanulási tevékenységek biztosítása, amelyek megfelelnek az előnyben részesített LS -nek, elősegítheti a hallgatók integrálását, feldolgozását és élvezését a tanulást többféle módon, hogy nagyobb potenciált érjenek el [12]. A kutatások azt is kimutatják, hogy a hallgatók osztálytermi részvételének javítása mellett a hallgatók tanulási folyamatának megértése kritikus szerepet játszik az oktatási gyakorlatok és a hallgatókkal való kommunikáció javításában is [28, 29].
Ugyanakkor, mint minden modern technológiához, vannak problémák és korlátozások. Ide tartoznak az adatvédelemmel, az elfogultsággal és a méltányossággal, valamint a gépi tanulási algoritmusok fejlesztéséhez és megvalósításához szükséges szakmai készségek és erőforrásokkal kapcsolatos kérdések; Azonban a növekvő érdeklődés és kutatás ezen a területen azt sugallja, hogy a gépi tanulási technológiák pozitív hatással lehetnek a fogászati oktatásra és a fogászati szolgáltatásokra.
A tanulmány eredményei azt mutatják, hogy a fogászati hallgatók fele hajlamos arra, hogy „érzékelje” a drogokat. Az ilyen típusú tanulók inkább a tényeket és a konkrét példákat, a gyakorlati orientációt, a részletek türelmét és a „vizuális” LS preferenciát részesítik előnyben, ahol a tanulók inkább képeket, grafikákat, színeket és térképeket használnak az ötletek és gondolatok közvetítéséhez. A jelenlegi eredmények összhangban állnak az ILS -t alkalmazó egyéb vizsgálatokkal az LS értékeléséhez fogászati és orvostanhallgatókban, akiknek többsége az észlelési és a vizuális LS jellemzői vannak [12, 30]. Dalmolin és munkatársai azt sugallják, hogy a hallgatók tájékoztatása az LS -ről lehetővé teszi számukra, hogy elérjék tanulási potenciáljukat. A kutatók azzal érvelnek, hogy amikor a tanárok teljes mértékben megértik a tanulók oktatási folyamatát, különféle oktatási módszereket és tevékenységeket lehet végrehajtani, amelyek javítják a hallgatók teljesítményét és tanulási tapasztalatait [12, 31, 32]. Más tanulmányok kimutatták, hogy a hallgatók LS -jének kiigazítása a hallgatók tanulási tapasztalatának és teljesítményének javulását is mutatja, miután megváltoztatta a tanulási stílusukat, hogy megfeleljen a saját LS -nek [13, 33].
A tanárok véleménye eltérő lehet a tanítási stratégiák végrehajtásáról a hallgatók tanulási képességein belül. Míg néhányan látják ennek a megközelítésnek az előnyeit, ideértve a szakmai fejlesztési lehetőségeket, a mentorálást és a közösségi támogatást, mások aggódhatnak az idő és az intézményi támogatás miatt. Az egyensúlyra való törekvés kulcsfontosságú a hallgatóközpontú hozzáállás megteremtéséhez. A felsőoktatási hatóságok, például az egyetemi adminisztrátorok, fontos szerepet játszhatnak a pozitív változások ösztönzésében az innovatív gyakorlatok bevezetésével és a kar fejlesztésének támogatásával [34]. Egy igazán dinamikus és reagáló felsőoktatási rendszer létrehozásához a politikai döntéshozóknak merész lépéseket kell tenniük, például a politikai változtatásokat, az erőforrásokat a technológiai integrációra fordítják, és olyan kereteket hoznak létre, amelyek elősegítik a hallgatóközpontú megközelítéseket. Ezek az intézkedések kritikus fontosságúak a kívánt eredmények eléréséhez. A differenciált oktatásról szóló legfrissebb kutatások egyértelműen kimutatták, hogy a differenciált oktatás sikeres végrehajtása folyamatos képzési és fejlesztési lehetőségeket igényel a tanárok számára [35].
Ez az eszköz értékes támogatást nyújt azoknak a fogképzőknek, akik hallgatói központú megközelítést akarnak alkalmazni a hallgatókbarát tanulási tevékenységek megtervezéséhez. 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 összehasonlítsák az ajánlási eszközök pontosságát, megbízhatóságát és pontosságát. Ezenkívül, amikor egy adott feladathoz a legmegfelelőbb gépi tanulási módszert választja, fontos figyelembe venni más tényezőket, például a modell bonyolultságát és értelmezését.
Ennek a tanulmánynak a korlátozása az, hogy csak az LS feltérképezésére összpontosított, és a fogászati hallgatók közé tartozik. Ezért a kidolgozott ajánlási rendszer csak azokat javasolja, amelyek alkalmas a fogászati hallgatók számára. A változások szükségesek az általános felsőoktatási hallgatók használatához.
Az újonnan kifejlesztett gépi tanuláson alapuló ajánlási eszköz képes azonnali osztályozni és illeszteni a hallgatók LS-jét a megfelelő IS-hez, így ez az első fogászati oktatási program, amely segít a fogképzőknek a releváns oktatási és tanulási tevékenységek megtervezésében. Az adatközpontú triage-eljárás felhasználásával személyre szabott ajánlásokat nyújthat, időt takaríthat meg, javíthatja az oktatási stratégiákat, támogathatja a célzott beavatkozásokat és elősegítheti a folyamatos szakmai fejlődést. Alkalmazása elősegíti a fogászati oktatás hallgatói központú megközelítéseit.
Gilak Jani Associated Press. Mérni vagy eltérni a hallgató 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
A postai idő: április-29-2024