Rośnie zapotrzebowanie na kształcenie skoncetrowane na studencie (SCL) w instytucjach szkolnictwa wyższego, w tym w stomatologii.Jednak SCL ma ograniczone zastosowanie w edukacji stomatologicznej.Dlatego też niniejsze badanie ma na celu promowanie zastosowania SCL w stomatologii poprzez wykorzystanie technologii uczenia maszynowego opartego na drzewie decyzyjnym (ML) do mapowania preferowanego stylu uczenia się (LS) i odpowiadających mu strategii uczenia się (IS) studentów stomatologii jako przydatnego narzędzia do opracowywania wytycznych IS .Obiecujące metody dla studentów stomatologii.
W sumie 255 studentów stomatologii z Uniwersytetu Malajskiego wypełniło zmodyfikowany kwestionariusz dotyczący indeksu stylów uczenia się (m-ILS), który zawierał 44 pozycje umożliwiające zaklasyfikowanie ich do odpowiednich LS.Zebrane dane (zwane zbiorem danych) są wykorzystywane w nadzorowanym uczeniu się za pomocą drzewa decyzyjnego, aby automatycznie dopasowywać style uczenia się uczniów do najodpowiedniejszego IS.Następnie oceniana jest dokładność narzędzia rekomendującego IS opartego na uczeniu maszynowym.
Zastosowanie modeli drzewa decyzyjnego w zautomatyzowanym procesie mapowania pomiędzy LS (wejście) a IS (docelowy wynik) pozwala na natychmiastowe utworzenie listy odpowiednich strategii uczenia się dla każdego studenta stomatologii.Narzędzie do rekomendacji IS wykazało doskonałą dokładność i przypomnienie ogólnej dokładności modelu, wskazując, że dopasowanie LS do IS charakteryzuje się dobrą czułością i swoistością.
Narzędzie rekomendujące IS oparte na drzewie decyzyjnym ML udowodniło, że potrafi dokładnie dopasować style uczenia się studentów stomatologii do odpowiednich strategii uczenia się.To narzędzie zapewnia zaawansowane opcje planowania kursów lub modułów skoncentrowanych na uczniu, które mogą poprawić jakość uczenia się uczniów.
Nauczanie i uczenie się to podstawowe działania w instytucjach edukacyjnych.Tworząc wysokiej jakości system kształcenia zawodowego, należy skupić się na potrzebach edukacyjnych uczniów.Interakcję pomiędzy uczniami i ich środowiskiem uczenia się można określić poprzez ich LS.Badania sugerują, że zamierzone przez nauczycieli rozbieżności między LS i IS uczniów mogą mieć negatywne konsekwencje dla uczenia się uczniów, takie jak zmniejszona uwaga i motywacja.Będzie to pośrednio wpływać na wyniki uczniów [1,2].
IS to metoda stosowana przez nauczycieli w celu przekazywania uczniom wiedzy i umiejętności, w tym pomagania uczniom w nauce [3].Ogólnie rzecz biorąc, dobrzy nauczyciele planują strategie nauczania, czyli SI, które najlepiej odpowiadają poziomowi wiedzy ich uczniów, poznanym koncepcjom i etapowi uczenia się.Teoretycznie, gdy LS i IS pasują do siebie, uczniowie będą w stanie zorganizować i wykorzystać określony zestaw umiejętności, aby skutecznie się uczyć.Zazwyczaj plan lekcji obejmuje kilka przejść między etapami, np. od nauczania do praktyki z przewodnikiem lub od praktyki z przewodnikiem do niezależnej praktyki.Mając to na uwadze, skuteczni nauczyciele często planują nauczanie tak, aby rozwijać wiedzę i umiejętności uczniów [4].
Zapotrzebowanie na SCL rośnie w szkołach wyższych, w tym w stomatologii.Strategie SCL mają na celu zaspokojenie potrzeb edukacyjnych uczniów.Można to osiągnąć na przykład, jeśli uczniowie aktywnie uczestniczą w zajęciach edukacyjnych, a nauczyciele pełnią rolę facylitatorów i są odpowiedzialni za przekazywanie cennych informacji zwrotnych.Mówi się, że zapewnienie materiałów edukacyjnych i zajęć odpowiednich do poziomu wykształcenia lub preferencji uczniów może poprawić środowisko uczenia się uczniów i promować pozytywne doświadczenia edukacyjne [5].
Ogólnie rzecz biorąc, na proces uczenia się studentów stomatologii wpływają różne procedury kliniczne, które muszą wykonywać, oraz środowisko kliniczne, w którym rozwijają skuteczne umiejętności interpersonalne.Celem szkolenia jest umożliwienie studentom połączenia podstawowej wiedzy z zakresu stomatologii z umiejętnościami klinicznymi i zastosowania zdobytej wiedzy w nowych sytuacjach klinicznych [6, 7].Wczesne badania nad związkiem między LS i IS wykazały, że dostosowanie strategii uczenia się dostosowanych do preferowanego LS pomogłoby ulepszyć proces edukacyjny [8].Autorzy zalecają również stosowanie różnorodnych metod nauczania i oceniania, aby dostosować je do nauki i potrzeb uczniów.
Nauczyciele odnoszą korzyści z zastosowania wiedzy LS, aby pomóc im w projektowaniu, opracowywaniu i wdrażaniu instrukcji, które poprawią nabywanie przez uczniów głębszej wiedzy i zrozumienia przedmiotu.Badacze opracowali kilka narzędzi oceny LS, takich jak model uczenia się przez doświadczenie Kolba, model stylu uczenia się Feldera-Silvermana (FSLSM) i model Fleminga VAK/VARK [5, 9, 10].Jak wynika z literatury, te modele uczenia się są najczęściej stosowanymi i najczęściej badanymi modelami uczenia się.W bieżących pracach badawczych do oceny LS wśród studentów stomatologii wykorzystuje się FSLSM.
FSLSM jest szeroko stosowanym modelem oceny uczenia się adaptacyjnego w inżynierii.Istnieje wiele opublikowanych prac z zakresu nauk o zdrowiu (m.in. medycyny, pielęgniarstwa, farmacji i stomatologii), które można znaleźć wykorzystując modele FSLSM [5, 11, 12, 13].Narzędziem używanym do pomiaru wymiarów LS w FLSM jest Indeks Stylów Uczenia się (ILS) [8], który zawiera 44 pozycje oceniające cztery wymiary LS: przetwarzanie (aktywne/refleksyjne), percepcja (percepcyjna/intuicyjna), wejście (wizualne)./werbalne) i rozumienie (sekwencyjne/globalne) [14].
Jak pokazano na rysunku 1, każdy wymiar FSLSM ma dominującą preferencję.Na przykład w wymiarze przetwarzania uczniowie z „aktywnym” LS wolą przetwarzać informacje poprzez bezpośrednią interakcję z materiałami do nauki, uczyć się poprzez działanie i mają tendencję do uczenia się w grupach.„Refleksyjny” LS nawiązuje do uczenia się poprzez myślenie i woli pracować sam.Wymiar „postrzegania” LS można podzielić na „uczucie” i/lub „intuicję”.Uczniowie „czujący” wolą bardziej konkretne informacje i praktyczne procedury, są zorientowani na fakty w porównaniu do uczniów „intuicyjnych”, którzy wolą materiał abstrakcyjny i są z natury bardziej innowacyjni i kreatywni.Wymiar „wkładowy” LS obejmuje uczniów „wizualnych” i „werbalnych”.Osoby z „wizualnym” LS wolą uczyć się poprzez wizualne demonstracje (takie jak diagramy, filmy lub demonstracje na żywo), podczas gdy osoby z „werbalnym” LS wolą uczyć się poprzez słowa w pisemnych lub ustnych wyjaśnieniach.Aby „zrozumieć” wymiary LS, takich uczniów można podzielić na „sekwencyjnych” i „globalnych”.„Uczniowie sekwencyjni preferują liniowy proces myślenia i uczą się krok po kroku, podczas gdy uczniowie globalni mają tendencję do myślenia holistycznego i zawsze lepiej rozumieją, czego się uczą.
Ostatnio wielu badaczy zaczęło poszukiwać metod automatycznego odkrywania w oparciu o dane, w tym opracowywać nowe algorytmy i modele zdolne do interpretacji dużych ilości danych [15, 16].Na podstawie dostarczonych danych nadzorowane ML (uczenie maszynowe) jest w stanie generować wzorce i hipotezy, które przewidują przyszłe wyniki w oparciu o konstrukcję algorytmów [17].Mówiąc najprościej, nadzorowane techniki uczenia maszynowego manipulują danymi wejściowymi i uczą algorytmów.Następnie generuje zakres, który klasyfikuje lub przewiduje wynik na podstawie podobnych sytuacji dla dostarczonych danych wejściowych.Główną zaletą nadzorowanych algorytmów uczenia maszynowego jest zdolność do ustalania idealnych i pożądanych wyników [17].
Dzięki zastosowaniu metod opartych na danych i modeli kontroli drzewa decyzyjnego możliwe jest automatyczne wykrywanie LS.Donoszono, że drzewa decyzyjne są szeroko stosowane w programach szkoleniowych z różnych dziedzin, w tym nauk o zdrowiu [18, 19].W tym badaniu twórcy systemu specjalnie przeszkolili model, aby identyfikować LS uczniów i zalecać im najlepszy IS.
Celem tego badania jest opracowanie strategii dostarczania SI w oparciu o LS uczniów i zastosowanie podejścia SCL poprzez opracowanie narzędzia rekomendującego IS odwzorowanego na LS.Schemat projektowania narzędzia rekomendacji IS jako strategii metody SCL pokazano na rysunku 1. Narzędzie rekomendacji IS jest podzielone na dwie części, obejmujące mechanizm klasyfikacji LS wykorzystujący ILS oraz najbardziej odpowiedni sposób wyświetlania IS dla uczniów.
W szczególności cechą narzędzi rekomendujących bezpieczeństwo informacji jest wykorzystanie technologii sieciowych oraz wykorzystanie uczenia maszynowego opartego na drzewie decyzyjnym.Twórcy systemów poprawiają wygodę i mobilność użytkowników, dostosowując je do urządzeń mobilnych, takich jak telefony komórkowe i tablety.
Eksperyment przeprowadzono w dwóch etapach, a studenci Wydziału Stomatologii Uniwersytetu Malajskiego uczestniczyli w nim na zasadzie dobrowolności.Uczestnicy odpowiedzieli na internetowy test m-ILS studenta stomatologii w języku angielskim.W początkowej fazie do szkolenia algorytmu uczenia maszynowego opartego na drzewie decyzyjnym wykorzystano zbiór danych obejmujący 50 uczniów.W drugiej fazie procesu opracowywania wykorzystano zbiór danych obejmujący 255 uczniów, aby poprawić dokładność opracowanego instrumentu.
Wszyscy uczestnicy otrzymują odprawę online na początku każdego etapu, w zależności od roku akademickiego, za pośrednictwem Microsoft Teams.Wyjaśniono cel badania i uzyskano świadomą zgodę.Wszyscy uczestnicy otrzymali łącze umożliwiające dostęp do m-ILS.Każdy uczeń został poinstruowany, aby odpowiedzieć na wszystkie 44 pytania zawarte w kwestionariuszu.Dostali tydzień na ukończenie zmodyfikowanego ILS w dogodnym dla nich czasie i miejscu, podczas przerwy semestralnej przed rozpoczęciem semestru.m-ILS jest oparty na oryginalnym instrumencie ILS i zmodyfikowany dla studentów stomatologii.Podobnie jak oryginalny ILS, zawiera 44 równomiernie rozłożone pozycje (a, b), po 11 pozycji każda, które służą do oceny aspektów każdego wymiaru FSLSM.
Na początkowych etapach opracowywania narzędzia badacze ręcznie opisali mapy, korzystając ze zbioru danych 50 studentów stomatologii.Według FSLM system podaje sumę odpowiedzi „a” i „b”.Dla każdego wymiaru, jeśli uczeń wybierze odpowiedź „a”, LS zostanie sklasyfikowany jako aktywny/percepcyjny/wizualny/sekwencyjny, a jeśli uczeń wybierze odpowiedź „b”, uczeń zostanie sklasyfikowany jako refleksyjny/intuicyjny/językowy ./ globalny uczeń.
Po skalibrowaniu przepływu pracy pomiędzy badaczami zajmującymi się edukacją dentystyczną a twórcami systemów, wybrano pytania w oparciu o domenę FLSSM i wprowadzono do modelu ML, aby przewidzieć LS każdego ucznia.„Garbage in, śmieci out” to popularne powiedzenie w dziedzinie uczenia maszynowego, kładącego nacisk na jakość danych.Jakość danych wejściowych determinuje precyzję i dokładność modelu uczenia maszynowego.Na etapie inżynierii cech tworzony jest nowy zestaw funkcji będący sumą odpowiedzi „a” i „b” w oparciu o FLSSM.Numery identyfikacyjne pozycji leków podano w tabeli 1.
Oblicz wynik na podstawie odpowiedzi i określ LS ucznia.Zakres punktacji dla każdego ucznia wynosi od 1 do 11. Wyniki od 1 do 3 wskazują równowagę preferencji uczenia się w tym samym wymiarze, a wyniki od 5 do 7 wskazują na preferencje umiarkowane, wskazując, że uczniowie preferują jedno środowisko nauczania innych .Inną odmianą tego samego wymiaru jest to, że wyniki od 9 do 11 odzwierciedlają silną preferencję jednego lub drugiego końca [8].
Dla każdego wymiaru leki pogrupowano na „aktywne”, „refleksyjne” i „zrównoważone”.Na przykład, jeśli uczeń częściej odpowiada „a” niż „b” w określonej pozycji, a jego wynik przekracza próg 5 dla danej pozycji reprezentującej wymiar Przetwarzania LS, należy do „aktywnego” LS domena..Jednakże uczniowie zostali sklasyfikowani jako „refleksyjni” LS, gdy w określonych 11 pytaniach wybrali „b” częściej niż „a” (Tabela 1) i zdobyli więcej niż 5 punktów.Wreszcie uczeń znajduje się w stanie „równowagi”.Jeśli wynik nie przekracza 5 punktów, jest to „procesowy” LS.Proces klasyfikacji powtórzono dla pozostałych wymiarów LS, a mianowicie percepcji (aktywnej/refleksyjnej), wkładu (wizualnego/werbalnego) i rozumienia (sekwencyjnego/globalnego).
Modele drzew decyzyjnych mogą wykorzystywać różne podzbiory cech i reguł decyzyjnych na różnych etapach procesu klasyfikacji.Jest uważany za popularne narzędzie klasyfikacji i przewidywania.Można to przedstawić za pomocą struktury drzewiastej, takiej jak schemat blokowy [20], w którym znajdują się wewnętrzne węzły reprezentujące testy według atrybutu, każda gałąź reprezentująca wyniki testu, a każdy węzeł-liść (węzeł-liść) zawiera etykietę klasy.
Stworzono prosty program oparty na regułach, który automatycznie ocenia i opisuje LS każdego ucznia na podstawie jego odpowiedzi.Oparte na regułach przyjmuje formę instrukcji JEŻELI, gdzie „JEŻELI” opisuje wyzwalacz, a „WTEDY” określa akcję, która ma zostać wykonana, na przykład: „Jeśli zdarzy się X, wykonaj Y” (Liu i in., 2014).Jeśli zbiór danych wykazuje korelację, a model drzewa decyzyjnego zostanie odpowiednio przeszkolony i oceniony, podejście to może być skutecznym sposobem na automatyzację procesu dopasowywania LS i IS.
W drugiej fazie rozwoju zbiór danych zwiększono do 255, aby poprawić dokładność narzędzia rekomendującego.Zbiór danych jest dzielony w stosunku 1:4.25% (64) zbioru danych wykorzystano do zbioru testowego, a pozostałe 75% (191) do zbioru uczącego (rysunek 2).Zbiór danych należy podzielić, aby zapobiec trenowaniu i testowaniu modelu na tym samym zestawie danych, co mogłoby spowodować, że model będzie zapamiętywał, a nie uczył się.Model jest szkolony na zestawie szkoleniowym i ocenia swoje działanie na zestawie testowym — danych, których model nigdy wcześniej nie widział.
Po opracowaniu narzędzia IS aplikacja będzie w stanie klasyfikować LS na podstawie odpowiedzi studentów stomatologii za pośrednictwem interfejsu internetowego.Internetowy system narzędzi do rekomendacji bezpieczeństwa informacji jest zbudowany przy użyciu języka programowania Python i wykorzystującego framework Django jako backend.Tabela 2 zawiera listę bibliotek używanych przy opracowywaniu tego systemu.
Zbiór danych jest wprowadzany do modelu drzewa decyzyjnego w celu obliczenia i wyodrębnienia odpowiedzi uczniów w celu automatycznej klasyfikacji pomiarów LS uczniów.
Macierz zamieszania służy do oceny dokładności algorytmu uczenia maszynowego drzewa decyzyjnego na danym zbiorze danych.Jednocześnie ocenia wydajność modelu klasyfikacyjnego.Podsumowuje przewidywania modelu i porównuje je z rzeczywistymi etykietami danych.Wyniki oceny opierają się na czterech różnych wartościach: True Positive (TP) – model poprawnie przewidział kategorię pozytywną, False Positive (FP) – model przewidział kategorię pozytywną, ale prawdziwa etykieta była negatywna, True Negative (TN) – model poprawnie przewidział klasę ujemną, oraz fałszywie ujemny (FN) – model przewiduje klasę ujemną, ale prawdziwa etykieta jest dodatnia.
Wartości te są następnie wykorzystywane do obliczania różnych wskaźników wydajności modelu klasyfikacji scikit-learn w Pythonie, a mianowicie precyzji, precyzji, zapamiętywania i wyniku F1.Oto przykłady:
Przypomnienie (lub czułość) mierzy zdolność modelu do dokładnego sklasyfikowania LS ucznia po udzieleniu odpowiedzi na kwestionariusz m-ILS.
Specyficzność nazywa się prawdziwie ujemną stopą.Jak widać z powyższego wzoru, powinien to być stosunek prawdziwie ujemnych wyników (TN) do prawdziwie ujemnych i fałszywie dodatnich (FP).Jako część zalecanego narzędzia do klasyfikacji narkotyków studenckich, powinno ono umożliwiać dokładną identyfikację.
Oryginalny zbiór danych 50 uczniów wykorzystany do szkolenia modelu ML drzewa decyzyjnego wykazał stosunkowo niską dokładność ze względu na błąd ludzki w adnotacjach (Tabela 3).Po stworzeniu prostego programu opartego na regułach do automatycznego obliczania wyników LS i adnotacji uczniów, do szkolenia i testowania systemu rekomendującego wykorzystano coraz większą liczbę zbiorów danych (255).
W wieloklasowej macierzy zamieszania elementy przekątne reprezentują liczbę poprawnych przewidywań dla każdego typu LS (Rysunek 4).Korzystając z modelu drzewa decyzyjnego, poprawnie przewidziano łącznie 64 próbki.Zatem w tym badaniu elementy diagonalne pokazują oczekiwane wyniki, wskazując, że model działa dobrze i dokładnie przewiduje etykietę klasy dla każdej klasyfikacji LS.Zatem ogólna dokładność narzędzia rekomendującego wynosi 100%.
Wartości dokładności, precyzji, przypominania i wyniku F1 pokazano na rysunku 5. W przypadku systemu rekomendacji wykorzystującego model drzewa decyzyjnego jego wynik F1 wynosi 1,0 „idealny”, co wskazuje na doskonałą precyzję i przypominanie, odzwierciedlając znaczną czułość i swoistość wartości.
Rysunek 6 przedstawia wizualizację modelu drzewa decyzyjnego po zakończeniu uczenia i testowania.W bezpośrednim porównaniu model drzewa decyzyjnego wytrenowany przy użyciu mniejszej liczby funkcji wykazał większą dokładność i łatwiejszą wizualizację modelu.To pokazuje, że inżynieria cech prowadząca do redukcji cech jest ważnym krokiem w poprawie wydajności modelu.
Dzięki zastosowaniu uczenia się nadzorowanego za pomocą drzewa decyzyjnego mapowanie pomiędzy LS (wejście) i IS (docelowy wynik) jest generowane automatycznie i zawiera szczegółowe informacje dla każdego LS.
Wyniki pokazały, że 34,9% z 255 uczniów preferowało jedną (1) opcję LS.Większość (54,3%) miała dwie lub więcej preferencji LS.12,2% uczniów stwierdziło, że LS jest dość zrównoważone (tab. 4).Oprócz ośmiu głównych LS, istnieją 34 kombinacje klasyfikacji LS dla studentów stomatologii Uniwersytetu Malajskiego.Wśród nich głównymi LS zgłaszanymi przez uczniów są percepcja, widzenie oraz połączenie percepcji i wzroku (rysunek 7).
Jak widać z Tabeli 4, większość uczniów miała dominujący LS sensoryczny (13,7%) lub wzrokowy (8,6%).Odnotowano, że 12,2% uczniów łączyło percepcję z widzeniem (percepcyjno-wizualny LS).Odkrycia te sugerują, że uczniowie wolą uczyć się i zapamiętywać ustalonymi metodami, postępować według określonych i szczegółowych procedur oraz są z natury uważni.Jednocześnie lubią uczyć się poprzez patrzenie (używając diagramów itp.) i mają tendencję do omawiania i stosowania informacji w grupach lub samodzielnie.
Niniejsze badanie stanowi przegląd technik uczenia maszynowego stosowanych w eksploracji danych, ze szczególnym uwzględnieniem natychmiastowego i dokładnego przewidywania LS uczniów i rekomendowania odpowiedniego IS.Zastosowanie modelu drzewa decyzyjnego pozwoliło zidentyfikować czynniki najściślej związane z ich doświadczeniami życiowymi i edukacyjnymi.Jest to nadzorowany algorytm uczenia maszynowego, który wykorzystuje strukturę drzewa do klasyfikowania danych poprzez podzielenie zbioru danych na podkategorie w oparciu o określone kryteria.Działa poprzez rekurencyjne dzielenie danych wejściowych na podzbiory w oparciu o wartość jednej z cech wejściowych każdego węzła wewnętrznego, aż do momentu podjęcia decyzji w węźle-liście.
Wewnętrzne węzły drzewa decyzyjnego reprezentują rozwiązanie oparte na charakterystyce wejściowej problemu m-ILS, a węzły liściowe reprezentują ostateczną prognozę klasyfikacji LS.W całym badaniu łatwo jest zrozumieć hierarchię drzew decyzyjnych, które wyjaśniają i wizualizują proces decyzyjny, patrząc na związek między cechami wejściowymi a przewidywaniami wyjściowymi.
W dziedzinie informatyki i inżynierii algorytmy uczenia maszynowego są szeroko stosowane do przewidywania wyników uczniów na podstawie ich wyników z egzaminów wstępnych [21], informacji demograficznych i zachowań edukacyjnych [22].Badania wykazały, że algorytm dokładnie przewidywał wyniki uczniów i pomagał im identyfikować uczniów zagrożonych trudnościami w nauce.
Doniesiono o zastosowaniu algorytmów ML w opracowywaniu wirtualnych symulatorów pacjenta do szkolenia stomatologicznego.Symulator jest w stanie dokładnie odtworzyć reakcje fizjologiczne rzeczywistych pacjentów i może być używany do szkolenia studentów stomatologii w bezpiecznym i kontrolowanym środowisku [23].Kilka innych badań pokazuje, że algorytmy uczenia maszynowego mogą potencjalnie poprawić jakość i efektywność edukacji stomatologicznej i medycznej oraz opieki nad pacjentem.Algorytmy uczenia maszynowego zostały wykorzystane do pomocy w diagnozowaniu chorób zębów na podstawie zbiorów danych, takich jak objawy i charakterystyka pacjenta [24, 25].Podczas gdy w innych badaniach badano zastosowanie algorytmów uczenia maszynowego do wykonywania zadań, takich jak przewidywanie wyników leczenia pacjenta, identyfikacja pacjentów wysokiego ryzyka, opracowywanie spersonalizowanych planów leczenia [26], leczenie przyzębia [27] i leczenie próchnicy [25].
Mimo publikacji raportów na temat zastosowania uczenia maszynowego w stomatologii, jego zastosowanie w edukacji stomatologicznej pozostaje ograniczone.Dlatego też niniejsze badanie miało na celu wykorzystanie modelu drzewa decyzyjnego w celu zidentyfikowania czynników najściślej związanych z LS i IS wśród studentów stomatologii.
Wyniki tego badania pokazują, że opracowane narzędzie rekomendacyjne charakteryzuje się dużą trafnością i doskonałą trafnością, co wskazuje, że nauczyciele mogą z tego narzędzia skorzystać.Dzięki procesowi klasyfikacji opartemu na danych może dostarczać spersonalizowanych rekomendacji oraz poprawiać doświadczenia i wyniki edukacyjne dla nauczycieli i uczniów.Wśród nich informacje uzyskane za pomocą narzędzi rekomendacyjnych mogą rozwiązać konflikty między preferowanymi przez nauczycieli metodami nauczania a potrzebami edukacyjnymi uczniów.Na przykład, dzięki automatycznemu wyjściu narzędzi rekomendacyjnych, czas potrzebny na identyfikację adresu IP studenta i dopasowanie go do odpowiedniego adresu IP zostanie znacznie skrócony.W ten sposób można zorganizować odpowiednie zajęcia szkoleniowe i materiały szkoleniowe.Pomaga to rozwijać pozytywne zachowania uczniów i zdolność koncentracji.Jedno z badań wykazało, że zapewnienie uczniom materiałów do nauki i zajęć edukacyjnych odpowiadających ich preferowanym LS może pomóc uczniom w integracji, przetwarzaniu i czerpaniu przyjemności z nauki na wiele sposobów, aby osiągnąć większy potencjał [12].Badania pokazują również, że oprócz poprawy uczestnictwa uczniów w zajęciach lekcyjnych, zrozumienie procesu uczenia się uczniów odgrywa również kluczową rolę w poprawie praktyk nauczania i komunikacji z uczniami [28, 29].
Jednakże, jak w przypadku każdej nowoczesnej technologii, istnieją problemy i ograniczenia.Należą do nich kwestie związane z prywatnością danych, stronniczością i uczciwością oraz umiejętnościami zawodowymi i zasobami niezbędnymi do opracowania i wdrożenia algorytmów uczenia maszynowego w edukacji dentystycznej;Jednak rosnące zainteresowanie i badania w tym obszarze sugerują, że technologie uczenia maszynowego mogą mieć pozytywny wpływ na edukację stomatologiczną i usługi stomatologiczne.
Wyniki tego badania wskazują, że połowa studentów stomatologii ma tendencję do „postrzegania” narkotyków.Ten typ uczniów preferuje fakty i konkretne przykłady, orientację praktyczną, cierpliwość do szczegółów i „wizualną” preferencję LS, gdzie uczniowie wolą używać obrazów, grafik, kolorów i map do przekazywania pomysłów i myśli.Obecne wyniki są spójne z innymi badaniami wykorzystującymi ILS do oceny LS u studentów stomatologii i medycyny, z których większość ma cechy percepcyjnego i wizualnego LS [12, 30].Dalmolin i in. sugerują, że informowanie uczniów o ich LS pozwala im osiągnąć swój potencjał uczenia się.Badacze twierdzą, że gdy nauczyciele w pełni zrozumieją proces edukacyjny uczniów, można wdrożyć różne metody i zajęcia dydaktyczne, które poprawią wyniki uczniów i ich doświadczenie w nauce [12, 31, 32].Inne badania wykazały, że dostosowanie LS uczniów pokazuje również poprawę doświadczenia w nauce i wyników uczniów po zmianie ich stylów uczenia się tak, aby odpowiadały ich własnemu LS [13, 33].
Opinie nauczycieli na temat wdrażania strategii nauczania w oparciu o możliwości uczenia się uczniów mogą się różnić.Niektórzy dostrzegają korzyści płynące z tego podejścia, w tym możliwości rozwoju zawodowego, opiekę mentorską i wsparcie społeczne, inni mogą obawiać się braku czasu i wsparcia instytucjonalnego.Dążenie do równowagi jest kluczem do stworzenia postawy skoncentrowanej na uczniu.Władze szkolnictwa wyższego, takie jak administracja uniwersytetów, mogą odegrać ważną rolę w napędzaniu pozytywnych zmian poprzez wprowadzanie innowacyjnych praktyk i wspieranie rozwoju wydziałów [34].Aby stworzyć naprawdę dynamiczny i responsywny system szkolnictwa wyższego, decydenci muszą podjąć odważne kroki, takie jak wprowadzenie zmian w polityce, przeznaczenie zasobów na integrację technologii i stworzenie ram promujących podejście skoncentrowane na studencie.Środki te mają kluczowe znaczenie dla osiągnięcia pożądanych rezultatów.Niedawne badania dotyczące zróżnicowanego nauczania wyraźnie wykazały, że pomyślne wdrożenie zróżnicowanego nauczania wymaga ciągłego szkolenia i możliwości rozwoju nauczycieli [35].
Narzędzie to zapewnia cenne wsparcie dla nauczycieli dentystów, którzy chcą przyjąć podejście skoncentrowane na studencie w planowaniu zajęć edukacyjnych przyjaznych uczniom.Jednakże niniejsze badanie ogranicza się do wykorzystania modeli ML opartych na drzewie decyzyjnym.W przyszłości należy zebrać więcej danych w celu porównania wydajności różnych modeli uczenia maszynowego w celu porównania dokładności, niezawodności i precyzji narzędzi rekomendacyjnych.Dodatkowo, wybierając najwłaściwszą metodę uczenia maszynowego dla konkretnego zadania, należy wziąć pod uwagę inne czynniki, takie jak złożoność modelu i jego interpretacja.
Ograniczeniem tego badania jest to, że skupiało się ono wyłącznie na mapowaniu LS i IS wśród studentów stomatologii.Dlatego opracowany system rekomendacji będzie rekomendował wyłącznie te, które są odpowiednie dla studentów stomatologii.Zmiany są konieczne dla ogólnego użytku studentów szkół wyższych.
Nowo opracowane narzędzie rekomendacyjne oparte na uczeniu maszynowym jest w stanie natychmiast klasyfikować i dopasowywać LS uczniów do odpowiedniego IS, co czyni go pierwszym programem edukacji stomatologicznej, który pomaga edukatorom stomatologicznym planować odpowiednie działania dydaktyczne i edukacyjne.Wykorzystując proces selekcji oparty na danych, może zapewnić spersonalizowane rekomendacje, zaoszczędzić czas, ulepszyć strategie nauczania, wspierać ukierunkowane interwencje i promować ciągły rozwój zawodowy.Jego zastosowanie będzie promować podejście do edukacji stomatologicznej skupione na studencie.
Associated Press Gilaka Janiego.Dopasowanie lub niedopasowanie stylu uczenia się ucznia do stylu nauczania nauczyciela.Int J Mod Educ Informatyka.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Czas publikacji: 29 kwietnia 2024 r