Egyre nagyobb az igény a hallgató-központú tanulásra (SCL) a felsőoktatási intézményekben, beleértve a fogászatot is. Az SCL alkalmazási területei azonban korlátozottak a fogászati képzésben. Ezért ez a tanulmány az SCL fogászati alkalmazásának előmozdítását célozza a döntési fa gépi tanulási (ML) technológia alkalmazásával, hogy feltérképezze a fogorvostan-hallgatók preferált tanulási stílusát (LS) és a hozzá tartozó tanulási stratégiákat (IS), ami hasznos eszköz lehet az IS irányelvek kidolgozásához. Ígéretes módszerek fogorvostan-hallgatók számára.
A Malaya Egyetem összesen 255 fogorvostan-hallgatója töltötte ki a módosított Tanulási Stílusok Indexe (m-ILS) kérdőívet, amely 44 tételt tartalmazott a megfelelő tanulási stílusokba való besoroláshoz. A gyűjtött adatokat (adatkészletnek nevezik) felügyelt döntési fa tanulásban használják, hogy automatikusan összekapcsolják a hallgatók tanulási stílusát a legmegfelelőbb információs rendszerrel (IS). Ezután kiértékelik a gépi tanuláson alapuló IS ajánlóeszköz pontosságát.
A döntési fa modellek alkalmazása az LS (bemenet) és IS (célkimenet) közötti automatizált leképezési folyamatban lehetővé teszi a megfelelő tanulási stratégiák azonnali listájának elkészítését minden fogorvostanhallgató számára. Az IS ajánlóeszköz tökéletes pontosságot és a modell teljes pontosságának felidézhetőségét mutatta, ami azt jelzi, hogy az LS és az IS párosítása jó érzékenységgel és specificitással rendelkezik.
Egy gépi tanulási döntési fán alapuló információs rendszer ajánlóeszköz bizonyította, hogy képes pontosan összehangolni a fogorvostan-hallgatók tanulási stílusát a megfelelő tanulási stratégiákkal. Ez az eszköz hatékony lehetőségeket kínál a tanulóközpontú kurzusok vagy modulok megtervezéséhez, amelyek javíthatják a hallgatók tanulási élményét.
A tanítás és a tanulás alapvető tevékenységek az oktatási intézményekben. Egy magas színvonalú szakképzési rendszer fejlesztésekor fontos a diákok tanulási igényeire összpontosítani. A diákok és tanulási környezetük közötti interakció a tanulási nyelvükön (LS) keresztül határozható meg. A kutatások azt sugallják, hogy a diákok LS és IS közötti, tanár által szándékolt eltérések negatív következményekkel járhatnak a tanulásra nézve, például csökkenthetik a figyelmet és a motivációt. Ez közvetve befolyásolja a diákok teljesítményét [1,2].
Az információs társadalom (IS) egy olyan módszer, amelyet a tanárok használnak a tudás és a készségek átadására a diákoknak, beleértve a tanulók tanulásának segítését is [3]. Általánosságban elmondható, hogy a jó tanárok olyan tanítási stratégiákat vagy IS-t terveznek, amelyek a legjobban illeszkednek a tanulók tudásszintjéhez, a tanult fogalmakhoz és a tanulási szakaszukhoz. Elméletileg, amikor az LS és az IS illeszkedik, a diákok képesek lesznek egy adott készségkészletet megszervezni és használni a hatékony tanuláshoz. Egy tanterv jellemzően több átmenetet tartalmaz a szakaszok között, például a tanítástól az irányított gyakorlásig vagy az irányított gyakorlástól az önálló gyakorlásig. Ezt szem előtt tartva a hatékony tanárok gyakran azzal a céllal tervezik meg az oktatást, hogy fejlesszék a tanulók tudását és készségeit [4].
Az SCL iránti igény egyre növekszik a felsőoktatási intézményekben, beleértve 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, a tanárok pedig facilitátorként működnek, és felelősek az értékes visszajelzések adásáért. Állítólag a hallgatók iskolai végzettségének vagy preferenciáinak megfelelő tananyagok és tevékenységek biztosítása javíthatja a hallgatók tanulási környezetét, és elősegítheti a pozitív tanulási élményeket [5].
Általánosságban elmondható, hogy a fogorvostan-hallgatók tanulási folyamatát befolyásolják a különféle klinikai eljárások, amelyeket el kell végezniük, valamint az a klinikai környezet, amelyben hatékony interperszonális készségeket fejlesztenek. A képzés célja, hogy a hallgatók képesek legyenek a fogászati alapismereteket a fogászati klinikai készségekkel ötvözni, és a megszerzett ismereteket új klinikai helyzetekben alkalmazni [6, 7]. Az LS és az IS közötti kapcsolat korai kutatásai azt mutatták, hogy az előnyben részesített LS-hez igazított tanulási stratégiák módosítása elősegítené az oktatási folyamat javítását [8]. A szerzők azt is javasolják, hogy a hallgatók tanulási igényeihez és tanulási igényeihez igazodva különféle tanítási és értékelési módszereket alkalmazzanak.
A tanárok számára hasznos az LS-tudás alkalmazása, amely segít nekik olyan oktatás megtervezésében, fejlesztésében és megvalósításában, amely elősegíti a hallgatók mélyebb ismereteinek elsajátítását és a tantárgy megértését. A kutatók számos LS-értékelési eszközt fejlesztettek ki, mint például a Kolb Tapasztalati Tanulási Modell, a Felder-Silverman Tanulási Stílus Modell (FSLSM) és a Fleming VAK/VARK Modell [5, 9, 10]. A szakirodalom szerint ezek a tanulási modellek a leggyakrabban használt és legtöbbet tanulmányozott tanulási modellek. A jelenlegi kutatásban az FSLSM-et alkalmazzák a fogorvostan-hallgatók LS-szintjének felmérésére.
Az FSLSM egy széles körben használt modell az adaptív tanulás értékelésére a mérnöki tudományokban. Számos publikált munka jelent meg az egészségtudományokban (beleértve az orvostudományt, az ápolást, a gyógyszerészetet és a fogászatot), amelyek FSLSM modelleket használnak [5, 11, 12, 13]. Az LS dimenzióinak mérésére az FLSM-ben használt eszközt Tanulási Stílusok Indexének (ILS) nevezik [8], amely 44 tételt tartalmaz, amelyek az LS négy dimenzióját értékelik: feldolgozás (aktív/reflektív), észlelés (perceptuális/intuitív), bemenet (vizuális/verbális) és megértés (szekvenciális/globális) [14].
Amint az az 1. ábrán látható, minden FSLSM dimenziónak van egy domináns preferenciája. Például a feldolgozási dimenzióban az „aktív” LS-sel rendelkező diákok szívesebben dolgozzák fel az információkat a tananyagok közvetlen interakciója révén, cselekvés útján tanulnak, és hajlamosak a csoportos tanulásra. A „reflektív” LS a gondolkodás útján történő tanulásra utal, és az önálló munkát részesíti előnyben. Az LS „észlelő” dimenziója „érzésre” és/vagy „intuícióra” osztható. Az „érző” diákok a konkrétabb információkat és a gyakorlati eljárásokat részesítik előnyben, tényorientáltabbak az „intuitív” diákokkal szemben, akik az absztrakt anyagokat részesítik előnyben, és természetüknél fogva innovatívabbak és kreatívabbak. Az LS „bemenet” dimenziója „vizuális” és „verbális” tanulókból áll. A „vizuális” LS-sel rendelkezők szívesebben tanulnak vizuális demonstrációk (például diagramok, videók vagy élő bemutatók) útján, míg a „verbális” LS-sel rendelkezők inkább szavakon, írásbeli vagy szóbeli magyarázatok útján. Az LS dimenziók „megértése” érdekében az ilyen tanulók „szekvenciális” és „globális” tanulókra oszthatók. „A szekvenciális tanulást alkalmazók a lineáris gondolkodási folyamatot részesítik előnyben, és lépésről lépésre tanulnak, míg a globális tanulást végzők holisztikus gondolkodásmóddal rendelkeznek, és mindig jobban értik, amit tanulnak.”
Az utóbbi időben számos kutató kezdte el vizsgálni az automatikus, adatvezérelt felfedezés módszereit, beleértve új algoritmusok és modellek fejlesztését, amelyek képesek nagy mennyiségű adat értelmezésére [15, 16]. A megadott adatok alapján a felügyelt gépi tanulás (ML) képes olyan mintákat és hipotéziseket generálni, amelyek az algoritmusok konstrukciója alapján előrejelzik a jövőbeli eredményeket [17]. Egyszerűen fogalmazva, a felügyelt gépi tanulási technikák manipulálják a bemeneti adatokat és betanítják az algoritmusokat. Ezután generál egy tartományt, amely a megadott bemeneti adatokra vonatkozó hasonló helyzetek alapján osztályozza vagy megjósolja az eredményt. A felügyelt gépi tanulási algoritmusok fő előnye az ideális és kívánt eredmények meghatározásának képessége [17].
Az adatvezérelt módszerek és a döntési fa vezérlési modellek használatával lehetővé válik a LS automatikus felismerése. A döntési fákról beszámoltak, hogy széles körben használják őket képzési programokban különböző területeken, beleértve az egészségtudományokat is [18, 19]. Ebben a tanulmányban a modellt a rendszerfejlesztők kifejezetten betanították, hogy azonosítsa a hallgatók LS-ét, és ajánlja számukra a legjobb IS-t.
A tanulmány célja információs rendszer (IS) szállítási stratégiák kidolgozása a hallgatók LS-én alapulva, és az SCL-megközelítés alkalmazása egy LS-hez rendelt információs rendszer ajánlóeszköz fejlesztésével. Az IS ajánlóeszköz tervezési folyamatát az SCL-módszer stratégiájaként az 1. ábra mutatja. Az IS ajánlóeszköz két részre oszlik, beleértve az ILS-t használó LS osztályozási mechanizmust és a hallgatók számára legmegfelelőbb információs rendszer megjelenítést.
Az információbiztonsági ajánlóeszközök jellemzői közé tartozik különösen a webes technológiák használata és a döntési fa gépi tanulás alkalmazása. A rendszerfejlesztők a felhasználói élményt és a mobilitást azáltal javítják, hogy mobil eszközökhöz, például mobiltelefonokhoz és táblagépekhez igazítják azokat.
A kísérletet két szakaszban végezték, és a Malaya Egyetem Fogorvostudományi Karának hallgatói önkéntes alapon vettek részt benne. A résztvevők egy fogorvostanhallgató online m-ILS kérdőívét töltötték ki angol nyelven. A kezdeti fázisban 50 hallgató adatkészletét használták a döntési fa gépi tanulási algoritmus betanításához. A fejlesztési folyamat második fázisában 255 hallgató adatkészletét használták a kifejlesztett eszköz pontosságának javítására.
Minden résztvevő online tájékoztatót kap minden szakasz elején, a tanévtől függően, a Microsoft Teamsen keresztül. Elmagyarázták a tanulmány célját, és tájékoztatáson alapuló beleegyezést szereztek be. Minden résztvevő kapott egy linket az m-ILS eléréséhez. Minden hallgatót arra utasítottak, hogy válaszoljon a kérdőív mind a 44 tételére. Egy hetet kaptak a módosított ILS kitöltésére, a félév kezdete előtti félévi szünetben, számukra megfelelő időpontban és helyszínen. Az m-ILS az eredeti ILS eszközön alapul, és fogorvostan-hallgatók számára módosították. Az eredeti ILS-hez hasonlóan 44 egyenletesen elosztott tételt (a, b) tartalmaz, egyenként 11 tétellel, amelyeket az egyes FSLSM dimenziók szempontjainak értékelésére használnak.
Az eszközfejlesztés kezdeti szakaszában a kutatók manuálisan annotálták a térképeket 50 fogorvostanhallgató adatkészletét felhasználva. Az FSLM szerint a rendszer az „a” és „b” válaszok összegét adja meg. Minden dimenzió esetében, ha a hallgató az „a” választ választja, az LS-t aktív/észlelési/vizuális/szekvenciális kategóriákba sorolja, ha pedig a hallgató a „b” választ választja, akkor reflektív/intuitív/nyelvi/globális tanuló kategóriákba sorolja.
A fogászati oktatási kutatók és a rendszerfejlesztők közötti munkafolyamat kalibrálása után a kérdéseket az FLSSM tartomány alapján választották ki, és betáplálták az ML modellbe, hogy megjósolják az egyes hallgatók LS-ét. A „garbage in, garbage out” egy népszerű mondás a gépi tanulás területén, a hangsúly az adatminőségen van. A bemeneti adatok minősége határozza meg a gépi tanulási modell pontosságát és helyességét. A jellemzőtervezési fázisban egy új jellemzőkészlet jön létre, amely az „a” és „b” válaszok összege az FLSSM alapján. A gyógyszerpozíciók azonosító számait az 1. táblázat tartalmazza.
A válaszok alapján számítsa ki a pontszámot, és határozza meg a tanuló LS-ét. Minden tanuló esetében a pontszámtartomány 1 és 11 között van. Az 1 és 3 közötti pontszámok az azonos dimenzión belüli tanulási preferenciák egyensúlyát jelzik, az 5 és 7 közötti pontszámok pedig mérsékelt preferenciát, ami azt jelzi, hogy a tanulók hajlamosak egy környezetet előnyben részesíteni másokat tanítva. Ugyanezen dimenzió egy másik változata, hogy a 9 és 11 közötti pontszámok az egyik vagy a másik végpont iránti erős preferenciát tükrözik [8].
Minden dimenzió esetében a drogokat „aktív”, „reflektív” és „kiegyensúlyozott” kategóriákba sorolták. Például, ha egy diák egy adott tételnél gyakrabban válaszol „a”-ra, mint „b”-re, és az eredménye meghaladja az 5-ös küszöbértéket egy adott, a Feldolgozás LS dimenzióját reprezentáló tételnél, akkor az „aktív” LS tartományba tartozik. A diákokat azonban „reflektív” LS-ként osztályozták, ha adott 11 kérdésben (1. táblázat) többször választották a „b”-t, mint az „a”-t, és több mint 5 pontot értek el. Végül a diák „egyensúlyi” állapotban van. Ha az eredmény nem haladja meg az 5 pontot, akkor ez egy „folyamat” LS. Az osztályozási folyamatot megismételték a többi LS dimenzió, nevezetesen az észlelés (aktív/reflektív), a bemenet (vizuális/verbális) és a megértés (szekvenciális/globális) esetében.
A döntési fa modellek a jellemzők és döntési szabályok különböző részhalmazait használhatják az osztályozási folyamat különböző szakaszaiban. Népszerű osztályozási és előrejelző eszköznek tekintik. Ábrázolható egy fa struktúrával, például egy folyamatábrával [20], amelyben belső csomópontok vannak, amelyek attribútumok szerinti teszteket képviselnek, minden ág a teszteredményeket képviseli, és minden levélcsomópont (levélcsomópont) egy osztálycímkét tartalmaz.
Egy egyszerű, szabályalapú programot készítettek, amely automatikusan pontozza és feljegyzi az egyes diákok LS-ét a válaszaik alapján. A szabályalapú program egy HA utasítás formáját ölti, ahol az „HA” leírja a kiváltó okot, az „AKKOR” pedig a végrehajtandó műveletet határozza meg, például: „Ha X történik, akkor tedd meg Y-t” (Liu et al., 2014). Ha az adathalmaz korrelációt mutat, és a döntési fa modell megfelelően van betanítva és kiértékelve, ez a megközelítés hatékony módja lehet az LS és az IS illesztési folyamatának automatizálására.
A fejlesztés második fázisában az adathalmazt 255-re növelték az ajánlóeszköz pontosságának javítása érdekében. Az adathalmazt 1:4 arányban osztották fel. Az adathalmaz 25%-át (64) teszthalmazként, a fennmaradó 75%-ot (191) pedig tanulóhalmazként használták fel (2. ábra). Az adathalmazt fel kell osztani, hogy megakadályozzuk a modell ugyanazon az adathalmazon való betanítását és tesztelését, ami azt eredményezhetné, hogy a modell inkább emlékezik, mint tanul. A modellt a tanulóhalmazon tanítják, és a teszthalmazon – olyan adatokon – értékeli a teljesítményét – amelyeket a modell korábban még soha nem látott.
Az IS eszköz kifejlesztése után az alkalmazás képes lesz a fogorvostan-hallgatók válaszai alapján osztályozni az LS-t egy webes felületen keresztül. A webalapú információbiztonsági ajánlóeszköz-rendszer Python programozási nyelven épül fel, a Django keretrendszert használva háttérként. A 2. táblázat felsorolja a rendszer fejlesztése során használt könyvtárakat.
Az adathalmazt egy döntési fa modellbe táplálják, amely kiszámítja és kinyeri a hallgatói válaszokat, és automatikusan osztályozza a hallgatók LS-méréseit.
A zavaros mátrix egy döntési fa gépi tanulási algoritmus pontosságának értékelésére szolgál egy adott adathalmazon. Ugyanakkor az osztályozási modell teljesítményét is értékeli. Összefoglalja a modell előrejelzéseit, és összehasonlítja azokat a tényleges adatcímkékkel. Az értékelési eredmények négy különböző értéken alapulnak: Igaz Pozitív (TP) – a modell helyesen jósolta meg a pozitív kategóriát, Hamis Pozitív (FP) – a modell helyesen jósolta meg a pozitív kategóriát, de a valódi címke negatív volt, Igaz Negatív (TN) – a modell helyesen jósolta meg a negatív osztályt, és Hamis Negatív (FN) – a modell negatív osztályt jósolt, de a valódi címke pozitív.
Ezeket az értékeket ezután a Pythonban található scikit-learn osztályozási modell különböző teljesítménymutatóinak kiszámítására használják, nevezetesen a pontosság, a precizitás, a visszahívás és az F1 pontszám. Íme néhány példa:
A felidézés (vagy érzékenység) a modell azon képességét méri, hogy pontosan osztályozza egy diák LS-ét az m-ILS kérdőív megválaszolása után.
A specificitást valódi negatív aránynak nevezzük. Amint a fenti képletből látható, ez a valódi negatívok (TN) és a valódi negatívok, valamint az álpozitívak (FP) aránya. A diákok drogjainak osztályozására ajánlott eszköz részeként képesnek kell lennie a pontos azonosításra.
Az 50 hallgatóból álló eredeti adathalmaz, amelyet a döntési fa gépi tanulási modell betanításához használtak, viszonylag alacsony pontosságot mutatott az annotációkban előforduló emberi hibák miatt (3. táblázat). Miután létrehoztunk egy egyszerű, szabályalapú programot az LS pontszámok és a hallgatói annotációk automatikus kiszámítására, egyre több adathalmazt (255) használtunk fel az ajánlórendszer betanításához és teszteléséhez.
A többosztályos zavaros mátrixban az átlós elemek az egyes LS-típusok helyes predikcióinak számát jelölik (4. ábra). A döntési fa modell segítségével összesen 64 mintát jósoltak meg helyesen. Így ebben a tanulmányban az átlós elemek a várt eredményeket mutatják, ami azt jelzi, hogy a modell jól teljesít és pontosan megjósolja az osztálycímkét minden LS-osztályozáshoz. Így az ajánlóeszköz teljes pontossága 100%.
A pontosság, precizitás, felidézhetőség és az F1 pontszám értékeit az 5. ábra mutatja. A döntési fa modellt használó ajánlórendszer esetében az F1 pontszám 1,0, „tökéletes”, ami tökéletes pontosságot és felidézhetőséget jelez, és jelentős érzékenységi és specificitási értékeket tükröz.
A 6. ábra a döntési fa modell vizualizációját mutatja a betanítás és tesztelés befejezése után. Egymás melletti összehasonlításban a kevesebb jellemzővel betanított döntési fa modell nagyobb pontosságot és könnyebb modellvizualizációt mutatott. Ez azt mutatja, hogy a jellemzőcsökkentéshez vezető jellemzőmérnökség fontos lépés a modell teljesítményének javításában.
Döntési fa alapú felügyelt tanulás alkalmazásával az LS (bemenet) és IS (célkimenet) közötti leképezés automatikusan generálódik, és részletes információkat tartalmaz minden egyes LS-ről.
Az eredmények azt mutatták, hogy a 255 hallgató 34,9%-a egy (1) LS opciót választott. A többségnek (54,3%) két vagy több LS preferenciája volt. A hallgatók 12,2%-a jegyezte meg, hogy az LS meglehetősen kiegyensúlyozott (4. táblázat). A nyolc fő LS mellett a Malaya Egyetem fogorvostan-hallgatói számára még 34 LS-osztályozási kombináció létezik. Ezek közül az érzékelés, a látás, valamint az érzékelés és a látás kombinációja a hallgatók által jelentett fő LS (7. ábra).
Amint a 4. táblázatból látható, a diákok többségének domináns szenzoros (13,7%) vagy vizuális (8,6%) LS-e volt. A beszámolók szerint a diákok 12,2%-a kombinálta az érzékelést a látással (perceptuális-vizuális LS). Ezek az eredmények arra utalnak, hogy a diákok szívesebben tanulnak és emlékeznek bevált módszerekkel, konkrét és részletes eljárásokat követnek, és figyelmesek. Ugyanakkor élvezik a szemlélés útján történő tanulást (ábrák stb. használatával), és hajlamosak csoportokban vagy önállóan megvitatni és alkalmazni az információkat.
Ez a tanulmány áttekintést nyújt az adatbányászatban használt gépi tanulási technikákról, különös tekintettel a hallgatók LS-jének azonnali és pontos előrejelzésére és a megfelelő IS ajánlására. Egy döntési fa modell alkalmazása azonosította azokat a tényezőket, amelyek a legszorosabban kapcsolódnak az életükhöz és tanulmányi tapasztalataikhoz. Ez egy felügyelt gépi tanulási algoritmus, amely egy fa struktúrát használ az adatok osztályozására úgy, hogy egy adathalmazt alkategóriákba oszt bizonyos kritériumok alapján. Úgy működik, hogy rekurzívan osztja a bemeneti adatokat részhalmazokra az egyes belső csomópontok egyik bemeneti jellemzőjének értéke alapján, amíg döntés nem születik a levélcsomópontban.
A döntési fa belső csomópontjai az m-ILS probléma bemeneti jellemzőin alapuló megoldást képviselik, a levélcsomópontok pedig a végső LS osztályozási predikciót. A tanulmány során könnyen megérthető a döntési folyamatot magyarázó és vizualizáló döntési fák hierarchiája a bemeneti jellemzők és a kimeneti predikciók közötti kapcsolat vizsgálatával.
A számítástechnika és a mérnöki tudományok területén a gépi tanulási algoritmusokat széles körben használják a diákok teljesítményének előrejelzésére a felvételi vizsgaeredményeik [21], demográfiai adataik és tanulási viselkedésük [22] alapján. A kutatások kimutatták, hogy az algoritmus pontosan megjósolta a diákok teljesítményét, és segített nekik azonosítani a tanulmányi nehézségek kockázatának kitett diákokat.
Jelentés született a gépi tanulási algoritmusok alkalmazásáról virtuális betegszimulátorok fejlesztésében a fogászati képzéshez. A szimulátor képes pontosan reprodukálni a valódi betegek fiziológiai válaszait, és felhasználható a fogorvostan-hallgatók biztonságos és ellenőrzött környezetben történő képzésére [23]. Számos más tanulmány is kimutatta, hogy a gépi tanulási algoritmusok potenciálisan javíthatják a fogászati és orvosi oktatás, valamint a betegellátás minőségét és hatékonyságát. A gépi tanulási algoritmusokat már alkalmazták a fogászati betegségek diagnosztizálásában olyan adathalmazok alapján, mint a tünetek és a betegek jellemzői [24, 25]. Más tanulmányok pedig a gépi tanulási algoritmusok használatát vizsgálták olyan feladatok elvégzésére, mint a betegek kimenetelének előrejelzése, a magas kockázatú betegek azonosítása, személyre szabott kezelési tervek kidolgozása [26], parodontológiai kezelés [27] és fogszuvasodás kezelése [25].
Bár a gépi tanulás fogászati alkalmazásáról már megjelentek jelentések, a fogászati képzésben való alkalmazása továbbra is korlátozott. Ezért ez a tanulmány egy döntési fa modell segítségével kívánta azonosítani a fogorvostan-hallgatók körében az LS-sel és IS-sel legszorosabban összefüggő tényezőket.
A tanulmány eredményei azt mutatják, hogy a kifejlesztett ajánlóeszköz nagy pontossággal és tökéletes pontossággal rendelkezik, ami azt jelzi, hogy a tanárok is profitálhatnak ebből az eszközből. Egy adatvezérelt osztályozási folyamat segítségével személyre szabott ajánlásokat tud nyújtani, és javíthatja az oktatók és a diákok oktatási élményeit és eredményeit. Többek között az ajánlóeszközökön keresztül szerzett információk feloldhatják a tanárok által preferált tanítási módszerek és a diákok tanulási igényei közötti konfliktusokat. Például az ajánlóeszközök automatizált kimenetének köszönhetően jelentősen csökken a diák szellemi tulajdonának azonosításához és a megfelelő szellemi tulajdonsággal való összeillesztéséhez szükséges idő. Ily módon megfelelő képzési tevékenységek és képzési anyagok szervezhetők. Ez segít a diákok pozitív tanulási viselkedésének és koncentrációs képességének fejlesztésében. Egy tanulmány arról számolt be, hogy a diákok számára az általuk preferált tanulási céloknak megfelelő tanulási anyagok és tanulási tevékenységek biztosítása segíthet a diákoknak a tanulás integrálásában, feldolgozásában és élvezetében többféleképpen, hogy nagyobb potenciált érjenek el [12]. A kutatások azt is mutatják, hogy a diákok osztálytermi részvételének javítása mellett a diákok tanulási folyamatának megértése is kritikus szerepet játszik a tanítási gyakorlatok és a diákokkal való kommunikáció javításában [28, 29].
Azonban, mint minden modern technológiának, ennek is vannak problémái és korlátai. Ilyenek például az adatvédelemmel, az elfogultsággal és a méltányossággal kapcsolatos kérdések, valamint a gépi tanulási algoritmusok fogászati képzésben való fejlesztéséhez és megvalósításához szükséges szakmai készségek és erőforrások. Az ezen a területen tapasztalható növekvő érdeklődés és kutatások azonban arra utalnak, hogy a gépi tanulási technológiák pozitív hatással lehetnek a fogászati képzésre és a fogászati szolgáltatásokra.
E tanulmány eredményei azt mutatják, hogy a fogorvostanhallgatók fele hajlamos „észlelni” a gyógyszereket. Ez a tanulótípus a tényeket és a konkrét példákat részesíti előnyben, gyakorlatias orientációjú, türelmes a részletek iránt, és „vizuális” LS-preferenciával rendelkezik, ahol a tanulók szívesebben használnak képeket, grafikákat, színeket és térképeket az ötletek és gondolatok közvetítésére. A jelenlegi eredmények összhangban vannak más tanulmányokkal, amelyek ILS-t használnak a LS felmérésére fogorvostan- és orvostanhallgatóknál, akik többségénél perceptuális és vizuális LS jellemzői mutatkoznak [12, 30]. Dalmolin és munkatársai szerint a hallgatók LS-ről való tájékoztatása lehetővé teszi számukra, hogy kiaknázzák tanulási potenciáljukat. A kutatók azzal érvelnek, hogy amikor a tanárok teljes mértékben megértik a hallgatók oktatási folyamatát, különféle tanítási módszerek és tevékenységek alkalmazhatók, amelyek javítják a hallgatók teljesítményét és tanulási élményét [12, 31, 32]. Más tanulmányok kimutatták, hogy a hallgatók LS-ének módosítása a hallgatók tanulási élményében és teljesítményében is javulást mutat, miután tanulási stílusukat a saját LS-ükhöz igazították [13, 33].
A tanárok véleménye eltérő lehet a diákok tanulási képességein alapuló tanítási stratégiák megvalósításával kapcsolatban. 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 diákközpontú hozzáállás kialakításához. A felsőoktatási hatóságok, például az egyetemi adminisztrátorok, fontos szerepet játszhatnak a pozitív változások előmozdításában az innovatív gyakorlatok bevezetésével és a kari fejlődés támogatásával [34]. Egy valóban dinamikus és reagálóképes felsőoktatási rendszer létrehozása érdekében a politikai döntéshozóknak merész lépéseket kell tenniük, például szakpolitikai változtatásokat kell végrehajtaniuk, erőforrásokat kell fordítaniuk a technológiai integrációra, és olyan keretrendszereket kell létrehozniuk, amelyek elősegítik a diákközpontú megközelítéseket. Ezek az intézkedések kritikus fontosságúak a kívánt eredmények eléréséhez. A differenciált oktatással kapcsolatos legújabb kutatások egyértelműen kimutatták, hogy a differenciált oktatás sikeres megvalósítása folyamatos képzési és fejlődési lehetőségeket igényel a tanárok számára [35].
Ez az eszköz értékes támogatást nyújt azoknak a fogorvosi oktatóknak, akik diákközpontú megközelítést szeretnének alkalmazni a diákbarát tanulási tevékenységek megtervezésében. Ez a tanulmány azonban a döntési fa gépi tanulási modellek használatára korlátozódik. A jövőben több adatot kell gyűjteni a különböző gépi tanulási modellek teljesítményének összehasonlításához, hogy összehasonlíthassuk az ajánlóeszközök pontosságát, megbízhatóságát és precizitását. Ezenkívül egy adott feladathoz legmegfelelőbb gépi tanulási módszer kiválasztásakor fontos figyelembe venni más tényezőket is, például a modell összetettségét és értelmezését.
A tanulmány egyik korlátja, hogy csak a fogorvostan-hallgatók körében mért LS és IS feltérképezésére összpontosított. Ezért a kidolgozott ajánlórendszer csak azokat fogja ajánlani, amelyek alkalmasak a fogorvostan-hallgatók számára. Változtatások szükségesek az általános felsőoktatási hallgatói használat érdekében.
Az újonnan kifejlesztett gépi tanuláson alapuló ajánlóeszköz képes azonnal osztályozni és összepárosítani a hallgatók nyelvi osztályait (LS) a megfelelő IS-szel (intézményi osztályozással), így ez az első olyan fogászati képzési program, amely segít a fogorvosi oktatóknak a releváns oktatási és tanulási tevékenységek megtervezésében. Egy adatvezérelt triázs folyamat segítségével személyre szabott ajánlásokat tud adni, időt takarít meg, javítja a tanítási stratégiákat, támogatja a célzott beavatkozásokat és elősegíti a folyamatos szakmai fejlődést. Alkalmazása elősegíti a hallgatóközpontú megközelítéseket a fogászati képzésben.
Gilak Jani, Associated Press. A diák tanulási stílusa és a tanár tanítási stílusa közötti egyezés vagy eltérés. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Közzététel ideje: 2024. április 29.