W instytucjach szkolnictwa wyższego istnieje rosnąca potrzeba uczenia się skoncentrowanego na uczniach (SCL), w tym stomatologii. Jednak SCL ma ograniczone zastosowanie w zakresie edukacji dentystycznej. Dlatego niniejsze badanie ma na celu promowanie zastosowania SCL w stomatologii za pomocą technologii uczenia maszynowego (ML) w celu mapowania preferowanego stylu uczenia się (LS) i odpowiednich strategii uczenia się (IS) studentów dentystycznych jako przydatnego narzędzia do rozwijania jest wytyczne . Obiecujące metody studentów dentystycznych.
W sumie 255 studentów dentystycznych z University of Malaya zakończyło kwestionariusz zmodyfikowany wskaźnik stylów uczenia się (M-ILS), który zawierał 44 pozycje, aby sklasyfikować je do odpowiednich LSS. Zebrane dane (zwane zestawem danych) są wykorzystywane do nadzorowanego uczenia się drzewa decyzyjnego, aby automatycznie dopasować style uczenia się uczniów do najbardziej odpowiednie. Dokładność oparcia się na uczeniu maszynowym jest następnie oceniana narzędzie rekomendacji.
Zastosowanie modeli drzew decyzyjnych w zautomatyzowanym procesie mapowania między LS (wejście) i IS (wyniki docelowe) pozwala na natychmiastową listę odpowiednich strategii uczenia się dla każdego ucznia dentystycznego. Narzędzie IS zalecenie wykazało doskonałą dokładność i przywołanie ogólnej dokładności modelu, co wskazuje, że dopasowanie LS do IS ma dobrą czułość i swoistość.
Narzędzie jest zaleceniem oparte na drzewie decyzyjnym ML, udowodniło jego zdolność do dokładnego dopasowania stylów uczenia się studentów dentystycznych do odpowiednich strategii uczenia się. To narzędzie zapewnia potężne opcje planowania kursów lub modułów skoncentrowanych na uczniach, które mogą poprawić doświadczenie edukacyjne uczniów.
Nauczanie i uczenie się są fundamentalnymi działaniami w instytucjach edukacyjnych. Opracowując wysokiej jakości system edukacji zawodowej, ważne jest, aby skupić się na potrzebach edukacyjnych uczniów. Interakcję między uczniami a ich środowiskiem uczenia się można określić za pośrednictwem ich LS. Badania sugerują, że niedopasowania nauczycieli między LS uczniów i IS mogą mieć negatywne konsekwencje dla uczenia się uczniów, takie jak zmniejszona uwaga i motywacja. Będzie to pośrednio wpływać na wydajność uczniów [1,2].
IS jest metodą stosowaną przez nauczycieli do przekazywania uczniom wiedzy i umiejętności, w tym pomagającym uczniom w nauce [3]. Ogólnie rzecz biorąc, dobrzy nauczyciele planują strategie nauczania lub najlepiej pasują do poziomu wiedzy swoich uczniów, koncepcji, których się uczą i etap nauki. Teoretycznie, gdy LS i IS pasują, uczniowie będą mogli organizować i wykorzystywać określony zestaw umiejętności do skutecznego uczenia się. Zazwyczaj plan lekcji obejmuje kilka przejść między etapami, takimi jak nauczanie do praktyki przewodniej lub od praktyki przewodniej do niezależnej praktyki. Mając to na uwadze, skuteczni nauczyciele często planują nauczanie w celu budowania wiedzy i umiejętności uczniów [4].
Zapotrzebowanie na SCL rośnie w instytucjach szkolnictwa wyższego, 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 działają jako facylitatorzy i są odpowiedzialni za przekazanie cennych informacji zwrotnych. Mówi się, że dostarczanie materiałów edukacyjnych i zajęć są odpowiednie dla poziomu edukacyjnego uczniów lub preferencji może poprawić środowisko uczenia się uczniów i promować pozytywne doświadczenia uczenia się [5].
Ogólnie rzecz biorąc, na proces uczenia się studentów dentystycznych wpływają różne procedury kliniczne, które są zobowiązane do wykonania oraz środowisko kliniczne, w którym rozwijają skuteczne umiejętności interpersonalne. Celem szkolenia jest umożliwienie studentom połączenia podstawowej wiedzy o stomatologii z umiejętnościami klinicznymi dentystycznymi i zastosowanie nabytej wiedzy do nowych sytuacji klinicznych [6, 7]. Wczesne badania dotyczące związku między LS i stwierdzono, że dostosowanie strategii uczenia się zmapowane na preferowane LS pomogłyby poprawić proces edukacyjny [8]. Autorzy zalecają również zastosowanie różnych metod nauczania i oceny w celu dostosowania się do nauki i potrzeb uczniów.
Nauczyciele korzystają z zastosowania wiedzy LS, aby pomóc im w projektowaniu, opracowaniu i wdrażaniu instrukcji, które zwiększą nabywanie głębszej wiedzy i zrozumienia tematu przez uczniów. Naukowcy opracowali kilka narzędzi oceny LS, takich jak model uczenia się Kolb, model stylu uczenia się Felder-Silverman (FSLSM) i model Fleming Vak/Vark [5, 9, 10]. Zgodnie z literaturą te modele uczenia się są najczęściej stosowanymi i najczęściej badanymi modelami uczenia się. W bieżących pracach badawczych FSLSM jest wykorzystywany do oceny LS wśród studentów dentystycznych.
FSLSM jest szeroko stosowanym modelem do oceny uczenia się adaptacyjnego w inżynierii. Istnieje wiele opublikowanych prac w naukach o zdrowiu (w tym medycyna, pielęgniarstwo, farmacja i stomatologia), które można znaleźć przy użyciu modeli FSLSM [5, 11, 12, 13]. Instrument użyty do pomiaru wymiarów LS w FLSM nazywa się wskaźnikiem stylów uczenia się (ILS) [8], który zawiera 44 pozycje oceniające cztery wymiary LS: przetwarzanie (aktywne/refleksyjne), percepcja (percepcyjna/intuicyjna), wejście (wizualne). /werbalne) i zrozumienie (sekwencjonalne/globalne) [14].
Jak pokazano na rycinie 1, każdy wymiar FSLSM ma dominujące preferencje. Na przykład w wymiarach przetwarzania uczniowie z „aktywnym” LS wolą przetwarzać informacje poprzez bezpośrednią interakcję z materiałami uczenia się, uczyć się, wykonując i uczą się w grupach. „Refleksyjne” LS odnosi się do nauki poprzez myślenie i woli pracować sam. „Postrzegający” wymiar LS można podzielić na „uczucie” i/lub „intuicję”. „Uczucie” studenci wolą bardziej konkretne informacje i praktyczne procedury, są zorientowani na fakty w porównaniu do „intuicyjnych” studentów, którzy preferują materiał abstrakcyjny i mają bardziej innowacyjny i kreatywny charakter. „Wymiar wejściowy” LS składa się z uczniów „wizualnych” i „werbalnych”. Ludzie z „wizualnymi” LS wolą uczyć się poprzez demonstracje wizualne (takie jak diagramy, filmy lub demonstracje na żywo), podczas gdy osoby z „słownymi” LS wolą uczyć się poprzez słowa pisemne lub ustne. Aby „zrozumieć” wymiary LS, takich uczniów można podzielić na „sekwencyjny” i „globalny”. „Sekwencyjne uczniowie wolą liniowy proces myślowy i uczą się krok po kroku, podczas gdy globalni uczniowie mają zwykle całościowy proces myślowy i zawsze lepiej rozumieją, czego się uczą.
Niedawno wielu badaczy zaczęło badać metody automatycznego odkrycia opartego na danych, w tym opracowywanie nowych algorytmów i modeli zdolnych do interpretacji dużych ilości danych [15, 16]. Na podstawie dostarczonych danych nadzorowany ML (uczenie maszynowe) jest w stanie generować wzorce i hipotezy, które przewidują przyszłe wyniki na podstawie budowy algorytmów [17]. Mówiąc najprościej, nadzorowane techniki uczenia maszynowego manipuluj danymi wejściowymi i algorytmami pociągów. Następnie generuje zakres, który klasyfikuje lub przewiduje wynik na podstawie podobnych sytuacji dla dostarczonych danych wejściowych. Główną zaletą nadzorowanego algorytmów uczenia maszynowego jest jego zdolność do ustanowienia idealnych i pożądanych rezultatów [17].
Dzięki zastosowaniu metod opartych na danych i modeli kontroli drzew decyzyjnych możliwe jest automatyczne wykrywanie LS. Dredy decyzyjne są szeroko stosowane w programach szkoleniowych w różnych dziedzinach, w tym nauk o zdrowiu [18, 19]. W tym badaniu model został specjalnie przeszkolony przez programistów systemu w celu identyfikacji LS uczniów i zalecania najlepszych jest dla nich.
Celem tego badania jest opracowanie strategii dostarczania opartych na LS studentów i zastosowanie podejścia SCL poprzez opracowanie narzędzia IS rekomendację odwzorowane na LS. Przepływ projektowania narzędzia IS FORETACJA jako strategia metody SCL pokazano na rysunku 1. Narzędzie IS jest podzielone na dwie części, w tym mechanizm klasyfikacji LS przy użyciu ILS, a najbardziej odpowiedni jest wyświetlacz dla uczniów.
W szczególności cechy narzędzi rekomendacji bezpieczeństwa informacji obejmują korzystanie z technologii internetowych i korzystanie z uczenia maszynowego drzewa decyzyjnego. Deweloperzy systemów poprawiają wrażenia użytkownika i mobilność, dostosowując je do urządzeń mobilnych, takich jak telefony komórkowe i tablety.
Eksperyment przeprowadzono na dwóch etapach, a studenci z wydziału stomatologii na University of Malaya uczestniczyli w dobrowolnym zasadzie. Uczestnicy odpowiedzieli na internetowe M-ILS studenta dentystycznego w języku angielskim. W początkowej fazie użyto zestawu danych 50 uczniów do szkolenia algorytmu uczenia maszynowego drzewa decyzyjnego. W drugiej fazie procesu rozwoju wykorzystano zestaw danych 255 studentów do poprawy dokładności opracowanego instrumentu.
Wszyscy uczestnicy otrzymują odprawę online na początku każdego etapu, w zależności od roku akademickiego, za pośrednictwem zespołów Microsoft. Wyjaśniono cel badania i uzyskano świadomą zgodę. Wszyscy uczestnicy otrzymali link do dostępu do M-ILS. Każdy uczeń został poinstruowany, aby odpowiedzieć na wszystkie 44 pozycje na kwestionariuszu. Dano im tydzień na ukończenie zmodyfikowanych ILS na raz i lokalizację wygodną dla nich podczas przerwy semestralnej przed rozpoczęciem semestru. M-ILS opiera się na oryginalnym instrumencie ILS i zmodyfikowane dla studentów dentystycznych. Podobnie jak oryginalne IL, zawiera 44 równomiernie rozproszone elementy (A, B), z 11 pozycjami, które są używane do oceny aspektów każdego wymiaru FSLSM.
Na początkowych etapach rozwoju narzędzi naukowcy ręcznie adnotowali mapy za pomocą zestawu danych 50 studentów dentystycznych. Według FSLM system zapewnia sumę odpowiedzi „A” i „B”. Dla każdego wymiaru, jeśli uczeń wybierze „A” jako odpowiedź, LS jest klasyfikowane jako aktywne/percepcyjne/wizualne/sekwencyjne, a jeśli uczeń wybiera „B” jako odpowiedź, uczeń jest klasyfikowany jako refleksyjny/intuicyjny/język . / Global Learner.
Po kalibracji przepływu pracy między badaczami edukacji dentystycznej a programistami systemu wybrano pytania na podstawie domeny FLSSM i wprowadzone do modelu ML w celu przewidzenia LS każdego ucznia. „Garbage in, Garbage Out” to popularne powiedzenie w dziedzinie uczenia maszynowego, z naciskiem na jakość danych. Jakość danych wejściowych określa precyzję i dokładność modelu uczenia maszynowego. Podczas fazy inżynierii funkcji powstaje nowy zestaw funkcji, który jest sumą odpowiedzi „A” i „B” opartego na FLSSM. Identyfikacja liczby pozycji narkotykowych podano w tabeli 1.
Oblicz wynik na podstawie odpowiedzi i określ LS ucznia. Dla każdego ucznia zakres wyników 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 umiarkowane preferencje, co wskazuje, że uczniowie preferują jedno środowisko uczące innych . Kolejną odmianą tego samego wymiaru jest to, że wyniki od 9 do 11 odzwierciedlają silną preferencję dla jednego lub drugiego końca [8].
Dla każdego wymiaru leki pogrupowano w „aktywne”, „refleksyjne” i „zrównoważone”. Na przykład, gdy uczeń odpowiada „A” częściej niż „B” na wyznaczonym elemencie, a jego wynik przekracza próg 5 dla konkretnego elementu reprezentującego wymiar przetwarzania LS, należy do „aktywnego” LS domena. . Jednak uczniowie zostali sklasyfikowani jako „refleksyjne” LS, gdy wybrali „B” więcej niż „A” w określonych 11 pytaniach (Tabela 1) i zdobyli ponad 5 punktów. Wreszcie uczeń jest w stanie „równowagi”. Jeśli wynik nie przekracza 5 punktów, to jest to „proces” LS. Proces klasyfikacji powtórzono dla innych wymiarów LS, a mianowicie percepcja (aktywna/refleksyjna), wejście (wizualne/werbalne) i rozumienie (sekwencyjne/globalne).
Modele drzewa decyzyjnego mogą wykorzystywać różne podzbiory funkcji i zasad decyzyjnych na różnych etapach procesu klasyfikacji. Jest uważany za popularne narzędzie klasyfikacyjne i prognozowane. Można go reprezentować za pomocą struktury drzewa, takiej jak schemat blokowy [20], w którym istnieją węzły wewnętrzne reprezentujące testy według atrybutu, każda gałąź reprezentuje wyniki testu i każdy węzeł liści (węzeł liści) zawierający etykietę klasy.
Prosty program oparty na regułach został utworzony w celu automatycznego oceny i adnotacji LS każdego ucznia na podstawie jego odpowiedzi. Oparta na regułach przyjmuje formę instrukcji IF, w której „jeśli” opisuje wyzwalacz, a „następnie” określa działanie, które należy wykonać, na przykład: „Jeśli x się wydarzy, to zrobisz y” (Liu i in., 2014). Jeśli zestaw danych wykazuje korelację, a model drzewa decyzyjnego jest odpowiednio wyszkolony i oceniany, podejście to może być skutecznym sposobem zautomatyzowania procesu dopasowywania LS i IS.
W drugiej fazie rozwoju zestaw danych został zwiększony do 255, aby poprawić dokładność narzędzia rekomendacji. Zestaw danych jest podzielony w stosunku 1: 4. W zestawie testowym zastosowano 25% (64) zestawu danych, a pozostałe 75% (191) zastosowano jako zestaw treningowy (ryc. 2). Zestaw danych musi zostać podzielony, aby zapobiec przeszkoleniu i testowaniu modelu na tym samym zestawie danych, co może spowodować zapamiętanie modelu, a nie uczyć się. Model jest przeszkolony w zestawie szkoleniowym i ocenia jego wydajność w zestawie testowym - Data Model nigdy wcześniej nie widział.
Po opracowaniu narzędzia IS aplikacja będzie mogła klasyfikować LS na podstawie odpowiedzi studentów dentystycznych za pośrednictwem interfejsu internetowego. Internetowy system narzędzi rekomendacji bezpieczeństwa informacji jest budowany przy użyciu języka programowania Python za pomocą Django Framework jako backend. Tabela 2 zawiera listę bibliotek używanych do opracowywania tego systemu.
Zestaw danych jest przekazywany do modelu drzewa decyzyjnego w celu obliczenia i wyodrębnienia odpowiedzi uczniów w celu automatycznego klasyfikowania pomiarów LS Student.
Matryca zamieszania służy do oceny dokładności algorytmu uczenia maszynowego drzewa decyzyjnego w danym zestawie danych. Jednocześnie ocenia wydajność modelu klasyfikacji. Podsumowuje prognozy modelu i porównuje je z rzeczywistymi etykietami danych. Wyniki oceny są oparte na czterech różnych wartościach: prawdziwie dodatnie (TP) - model poprawnie przewidywał kategorię dodatnią, fałszywie dodatni (FP) - model przewidywał kategorię dodatnią, ale prawdziwa etykieta była ujemna, prawdziwa negatywna (TN) - Model poprawnie przewidział klasę ujemną i fałszywie ujemny (FN) - model przewiduje klasę ujemną, ale prawdziwa etykieta jest pozytywna.
Wartości te są następnie wykorzystywane do obliczenia różnych wskaźników wydajności modelu klasyfikacji Scikit-Learn w Pythonie, a mianowicie precyzji, precyzji, wycofania i wyniku F1. Oto przykłady:
Przypomnienie (lub wrażliwość) mierzy zdolność modelu do dokładnego sklasyfikowania LS ucznia po udzieleniu odpowiedzi na kwestionariusz M-ILS.
Specyficzność nazywa się prawdziwą wskaźnikiem ujemnym. Jak widać z powyższego formuły, powinien to być stosunek prawdziwych negatywów (TN) do prawdziwych negatywów i fałszywych pozytywów (FP). W ramach zalecanego narzędzia do klasyfikacji narkotyków studenckich powinno być zdolne do dokładnej identyfikacji.
Oryginalny zestaw danych 50 uczniów używanych do szkolenia modelu ML drzewa decyzyjnego wykazywał stosunkowo niską dokładność z powodu błędu ludzkiego w adnotacjach (Tabela 3). Po utworzeniu prostego programu opartego na regułach w celu automatycznego obliczania wyników LS i adnotacji studentów, do szkolenia i testowania systemu rekomendacji zastosowano rosnącą liczbę zestawów danych (255).
W macierzy zamieszania wieloklasowego elementy ukośne reprezentują liczbę prawidłowych prognoz dla każdego typu LS (ryc. 4). Korzystając z modelu drzewa decyzyjnego, w sumie 64 próbek zostało poprawnie przewidzianych. Zatem w tym badaniu elementy ukośne pokazują oczekiwane wyniki, co wskazuje, że model działa dobrze i dokładnie przewiduje etykietę klasy dla każdej klasyfikacji LS. Zatem ogólna dokładność narzędzia zalecenia wynosi 100%.
Wartości dokładności, precyzji, wycofania i wyniku F1 pokazano na rycinie 5. Dla systemu rekomendacji przy użyciu modelu drzewa decyzyjnego jego wynik F1 wynosi 1,0 „doskonały”, co wskazuje na doskonałą precyzję i wycofanie, odzwierciedlając znaczącą czułość i swoistość i specyficzność wartości.
Rysunek 6 pokazuje wizualizację modelu drzewa decyzyjnego po zakończeniu szkolenia i testowania. W porównaniu obok siebie model drzewa decyzyjnego wyszkolony z mniejszą liczbą funkcji wykazał wyższą dokładność i łatwiejszą wizualizację modelu. To pokazuje, że inżynieria funkcji prowadząca do redukcji funkcji jest ważnym krokiem w poprawie wydajności modelu.
Stosując naukę nadzorowaną na drzewie decyzyjnym, mapowanie między LS (dane wejściowe) i (docelowe wyjście) jest automatycznie generowane i zawiera szczegółowe informacje dla każdego LS.
Wyniki wykazały, że 34,9% z 255 studentów preferowało jedną (1) opcję LS. Większość (54,3%) miała dwie lub więcej preferencji LS. 12,2% studentów zauważyło, że LS jest dość zrównoważona (Tabela 4). Oprócz ośmiu głównych LS, istnieje 34 kombinacje klasyfikacji LS dla studentów dentystycznych University of Malaya. Wśród nich percepcja, widzenie i połączenie percepcji i wizji są głównymi LS zgłaszanymi przez uczniów (ryc. 7).
Jak widać z tabeli 4, większość studentów miała dominujący sensoryczny (13,7%) lub wizualny (8,6%) LS. Doniesiono, że 12,2% uczniów połączyło postrzeganie z wizją (percepcyjno-wizualne LS). Odkrycia te sugerują, że uczniowie wolą uczyć się i pamiętać za pomocą ustalonych metod, przestrzegać określonych i szczegółowych procedur i mają charakter uważny. Jednocześnie lubią uczyć się, patrząc (przy użyciu diagramów itp.) I mają tendencję do omawiania i stosowania informacji w grupach lub samodzielnie.
To badanie zawiera przegląd technik uczenia maszynowego stosowanych w eksploracji danych, ze szczególnym naciskiem na natychmiastowe i dokładne przewidywanie LS uczniów i zalecanie odpowiedniego IS. Zastosowanie modelu drzewa decyzyjnego zidentyfikowało czynniki najbardziej związane z ich życiem i doświadczeniami edukacyjnymi. Jest to nadzorowany algorytm uczenia maszynowego, który wykorzystuje strukturę drzewa do klasyfikowania danych poprzez podzielenie zestawu danych na podkategorie na podstawie określonych kryteriów. Działa poprzez rekurencyjne dzielenie danych wejściowych na podzbiory w oparciu o wartość jednego z cech wejściowych każdego węzła wewnętrznego, dopóki decyzja nie zostanie podjęta w węźle liści.
Wewnętrzne węzły drzewa decyzyjnego reprezentują rozwiązanie oparte na charakterystyce wejściowej problemu M-ILS, a węzły liści reprezentują końcową prognozę klasyfikacji LS. W całym badaniu łatwo jest zrozumieć hierarchię drzew decyzyjnych, które wyjaśniają i wizualizują proces decyzyjny, patrząc na związek między funkcjami wejściowymi a przewidywaniami wyjściowymi.
W dziedzinie informatyki i inżynierii algorytmy uczenia maszynowego są powszechnie wykorzystywane do przewidywania wydajności uczniów na podstawie wyników egzaminów wstępnych [21], informacji demograficznych i zachowań uczenia się [22]. Badania wykazały, że algorytm dokładnie przewidział wydajność uczniów i pomógł im zidentyfikować studentów zagrożonych trudnościami w nauce.
Zgłoszono zastosowanie algorytmów ML w opracowywaniu wirtualnych symulatorów pacjentów do szkolenia dentystycznego. Symulator jest w stanie dokładnie odtworzyć fizjologiczne odpowiedzi prawdziwych pacjentów i może być wykorzystywany do szkolenia studentów dentystycznych w bezpiecznym i kontrolowanym środowisku [23]. Kilka innych badań pokazuje, że algorytmy uczenia maszynowego mogą potencjalnie poprawić jakość i wydajność edukacji dentystycznej i medycznej oraz opieki nad pacjentem. Algorytmy uczenia maszynowego zastosowano do pomocy w diagnozie chorób dentystycznych na podstawie zestawów danych, takich jak objawy i cechy pacjenta [24, 25]. Podczas gdy inne badania badały stosowanie algorytmów uczenia maszynowego do wykonywania zadań, takich jak przewidywanie wyników pacjentów, identyfikacja pacjentów wysokiego ryzyka, opracowanie spersonalizowanych planów leczenia [26], leczenia przyzębia [27] i leczenia próchnicy [25].
Chociaż opublikowano raporty na temat zastosowania uczenia maszynowego w stomatologii, jego zastosowanie w edukacji dentystycznej pozostaje ograniczone. Dlatego badanie to miało na celu wykorzystanie modelu drzewa decyzyjnego do identyfikacji czynników najbardziej związanych z LS i należy do studentów dentystycznych.
Wyniki tego badania pokazują, że opracowane narzędzie rekomendacji ma wysoką dokładność i doskonałą dokładność, co wskazuje, że nauczyciele mogą skorzystać z tego narzędzia. Korzystając z procesu klasyfikacji opartej na danych, może zapewnić spersonalizowane rekomendacje i poprawić doświadczenia edukacyjne i wyniki dla nauczycieli i studentów. Wśród nich informacje uzyskane w ramach narzędzi rekomendacji mogą rozwiązać konflikty między preferowanymi metodami nauczania nauczycieli a potrzebami edukacyjnymi uczniów. Na przykład ze względu na automatyczne wyjście narzędzi rekomendacji czas wymagany do zidentyfikowania adresu IP ucznia i dopasowania go do odpowiedniego IP zostanie znacznie zmniejszony. W ten sposób można zorganizować odpowiednie zajęcia szkoleniowe i materiały szkoleniowe. Pomaga to rozwinąć pozytywne zachowanie uczniów i zdolność koncentracji. Jedno badanie podało, że zapewnienie uczniom materiałów edukacyjnych i zajęć edukacyjnych, które pasują do ich preferowanego LS, może pomóc uczniom w integracji, przetwarzaniu i cieszeniu się uczeniem się na wiele sposobów w celu osiągnięcia większego potencjału [12]. Badania pokazują również, że oprócz poprawy uczestnictwa uczniów w klasie, zrozumienie procesu uczenia się uczniów odgrywa również kluczową rolę w poprawie praktyk nauczania i komunikacji z uczniami [28, 29].
Jednak, podobnie jak w przypadku każdej nowoczesnej technologii, występują problemy i ograniczenia. Obejmują one problemy związane z prywatnością danych, uprzedzeniami i uczciwością oraz umiejętności i zasobów zawodowych potrzebnych do opracowania i wdrażania algorytmów uczenia maszynowego w zakresie edukacji dentystycznej; Jednak rosnące zainteresowanie i badania w tej dziedzinie sugerują, że technologie uczenia maszynowego mogą mieć pozytywny wpływ na edukację dentystyczną i usługi dentystyczne.
Wyniki tego badania wskazują, że połowa studentów dentystycznych ma tendencję do „postrzegania” leków. Ten typ uczeń preferuje fakty i konkretne przykłady, praktyczną orientację, cierpliwość do szczegółów oraz „wizualne” preferencje LS, w których uczniowie wolą używać zdjęć, grafiki, kolorów i map, aby przekazać pomysły i myśli. Obecne wyniki są zgodne z innymi badaniami wykorzystującymi ILS do oceny LS u studentów dentystycznych i medycyny, z których większość ma cechy percepcyjne i wizualne LS [12, 30]. Dalmolin i wsp. Sugerują, że informowanie uczniów o ich LS pozwala im osiągnąć potencjał uczenia się. Naukowcy twierdzą, że gdy nauczyciele w pełni rozumieją proces edukacyjny uczniów, można wdrożyć różne metody nauczania i zajęcia, które poprawi wydajność uczniów i doświadczenie uczenia się [12, 31, 32]. Inne badania wykazały, że dostosowanie LS uczniów wykazuje również poprawę doświadczenia uczenia się i wydajności uczniów po zmianie stylów uczenia się w celu dostosowania do własnego LS [13, 33].
Opinie nauczycieli mogą się różnić w odniesieniu do wdrażania strategii nauczania opartych na zdolnościach uczenia się uczniów. Podczas gdy niektórzy widzą korzyści z tego podejścia, w tym możliwości rozwoju zawodowego, mentoringu i wsparcia społeczności, inni mogą martwić się czasem i wsparciem instytucjonalnym. Dążenie do równowagi jest kluczem do stworzenia postawy skoncentrowanej na uczniach. Władze szkolnictwa wyższego, takie jak administratorzy uniwersytetów, mogą odgrywać ważną rolę w kierowaniu pozytywnymi zmianami poprzez wprowadzenie innowacyjnych praktyk i wspieranie rozwoju wydziałów [34]. Aby stworzyć naprawdę dynamiczny i responsywny system szkolnictwa wyższego, decydenci muszą podjąć odważne kroki, takie jak wprowadzanie zmian zasad, poświęcenie zasobów integracji technologii i tworzenie ram promujących podejścia skoncentrowane na uczniach. Miary te mają kluczowe znaczenie dla osiągnięcia pożądanych wyników. Ostatnie badania dotyczące zróżnicowanych instrukcji wyraźnie wykazały, że pomyślne wdrożenie zróżnicowanych instrukcji wymaga ciągłego szkolenia i możliwości rozwoju dla nauczycieli [35].
To narzędzie zapewnia cenne wsparcie dla nauczycieli dentystycznych, którzy chcą przyjąć podejście skoncentrowane na uczniach do planowania zajęć edukacyjnych przyjaznych dla uczniów. Jednak badanie to ogranicza się do zastosowania modeli drzewa decyzyjnego ML. W przyszłości należy zebrać więcej danych w celu porównania wydajności różnych modeli uczenia maszynowego w celu porównania dokładności, niezawodności i precyzji narzędzi rekomendacji. Ponadto, wybierając najbardziej odpowiednią metodę uczenia maszynowego dla konkretnego zadania, ważne jest, aby wziąć pod uwagę inne czynniki, takie jak złożoność modelu i interpretacja.
Ograniczeniem tego badania jest to, że koncentrowało się ono jedynie na mapowaniu LS i jest wśród studentów dentystycznych. Dlatego opracowany system rekomendacji poleci tylko te, które są odpowiednie dla studentów dentystycznych. Zmiany są niezbędne do ogólnego wykorzystania studentów szkolnictwa wyższego.
Nowo opracowane narzędzie rekomendacji oparte na uczeniu maszynowym jest w stanie natychmiast klasyfikować i dopasować LS uczniów do odpowiedniego IS, co czyni go pierwszym programem edukacji dentystycznej, który pomaga edukatorom dentystycznym zaplanować odpowiednie działania nauczania i edukacyjne. Korzystając z procesu segregacji opartej na danych, może zapewnić spersonalizowane zalecenia, oszczędzać czas, poprawić strategie nauczania, wspierać ukierunkowane interwencje i promować ciągły rozwój zawodowy. Jego aplikacja będzie promować podejście skoncentrowane na uczniach do edukacji dentystycznej.
Gilak Jani Associated Press. Mecz lub niedopasowanie między stylem uczenia się ucznia a stylem nauczania nauczyciela. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Czas postu: 29-2024 kwietnia