Istnieje rosnące zapotrzebowanie na nauczanie zorientowane na studenta (SCL) w instytucjach szkolnictwa wyższego, w tym w stomatologii. Jednakże SCL ma ograniczone zastosowanie w edukacji stomatologicznej. Dlatego też niniejsze badanie ma na celu promowanie stosowania SCL w stomatologii poprzez wykorzystanie technologii uczenia maszynowego (ML) opartej na drzewach decyzyjnych do mapowania preferowanego stylu uczenia się (LS) i odpowiadających mu strategii uczenia się (IS) studentów stomatologii, jako użytecznego narzędzia do opracowywania wytycznych IS. Obiecujące metody dla studentów stomatologii.
Łącznie 255 studentów stomatologii z Uniwersytetu Malajskiego wypełniło zmodyfikowany kwestionariusz Indeksu Stylów Uczenia się (m-ILS), zawierający 44 pytania klasyfikujące ich do odpowiednich LS. Zebrane dane (nazywane zbiorem danych) są wykorzystywane w nadzorowanym uczeniu się metodą drzew decyzyjnych, aby automatycznie dopasować style uczenia się studentów do najodpowiedniejszego IS. Następnie oceniana jest dokładność narzędzia rekomendacji IS opartego na uczeniu maszynowym.
Zastosowanie modeli drzew decyzyjnych w zautomatyzowanym procesie mapowania między LS (wejście) a IS (docelowy wynik) pozwala na natychmiastowe utworzenie listy odpowiednich strategii uczenia się dla każdego studenta stomatologii. Narzędzie rekomendacji IS wykazało doskonałą dokładność i przypomnienie ogólnej dokładności modelu, co wskazuje, że dopasowanie LS do IS charakteryzuje się dobrą czułością i swoistością.
Narzędzie rekomendacji IS oparte na drzewie decyzyjnym uczenia maszynowego udowodniło swoją zdolność do precyzyjnego dopasowywania stylów uczenia się studentów stomatologii do odpowiednich strategii nauczania. Narzędzie to oferuje zaawansowane opcje planowania kursów lub modułów zorientowanych na ucznia, które mogą wzbogacić doświadczenia edukacyjne studentów.
Nauczanie i uczenie się to fundamentalne działania w instytucjach edukacyjnych. Tworząc wysokiej jakości system kształcenia zawodowego, należy skupić się na potrzebach edukacyjnych uczniów. Interakcję między uczniami a ich środowiskiem edukacyjnym można określić poprzez ich poziom kompetencji językowych (LS). Badania sugerują, że celowe niedopasowanie poziomu kompetencji językowych (LS) i intelektualnych (IS) uczniów, zamierzone przez nauczycieli, może mieć negatywne konsekwencje dla procesu uczenia się, takie jak spadek uwagi i motywacji. Pośrednio wpływa to na wyniki uczniów [1,2].
IS to metoda stosowana przez nauczycieli do przekazywania wiedzy i umiejętności uczniom, w tym pomagania im w uczeniu się [3]. Ogólnie rzecz biorąc, dobrzy nauczyciele planują strategie nauczania, czyli IS, które najlepiej odpowiadają poziomowi wiedzy uczniów, poznawanym koncepcjom i etapowi ich nauki. Teoretycznie, gdy LS i IS są ze sobą zgodne, uczniowie będą w stanie organizować i wykorzystywać określony zestaw umiejętności, aby uczyć się efektywnie. Zazwyczaj plan lekcji obejmuje kilka przejść między etapami, takich jak od nauczania do praktyki kierowanej lub od praktyki kierowanej do praktyki samodzielnej. Mając to na uwadze, skuteczni nauczyciele często planują nauczanie z myślą o budowaniu wiedzy i umiejętności uczniów [4].
Zapotrzebowanie na SCL rośnie w instytucjach szkolnictwa wyższego, w tym w stomatologii. Strategie SCL są projektowane tak, aby sprostać potrzebom edukacyjnym studentów. Można to osiągnąć na przykład poprzez aktywny udział studentów w zajęciach dydaktycznych, a nauczyciele pełnią rolę animatorów i odpowiadają za dostarczanie wartościowych informacji zwrotnych. Uważa się, że dostarczanie materiałów edukacyjnych i aktywności dostosowanych do poziomu edukacyjnego lub preferencji studentów może poprawić środowisko edukacyjne i promować pozytywne doświadczenia edukacyjne [5].
Ogólnie rzecz biorąc, proces uczenia się studentów stomatologii jest uwarunkowany różnymi procedurami klinicznymi, które muszą wykonywać, oraz środowiskiem klinicznym, w którym rozwijają skuteczne umiejętności interpersonalne. Celem szkolenia jest umożliwienie studentom połączenia podstawowej wiedzy stomatologicznej z umiejętnościami klinicznymi w stomatologii oraz zastosowania zdobytej wiedzy w nowych sytuacjach klinicznych [6, 7]. Wczesne badania nad związkiem między LS a IS wykazały, że dostosowanie strategii uczenia się do preferowanego LS pomogłoby ulepszyć proces edukacyjny [8]. Autorzy zalecają również stosowanie różnorodnych metod nauczania i oceny, aby dostosować je do uczenia się i potrzeb studentów.
Nauczyciele korzystają z wiedzy z zakresu LS, aby projektować, rozwijać i wdrażać metody nauczania, które pogłębią wiedzę i zrozumienie przedmiotu przez uczniów. Naukowcy opracowali kilka narzędzi oceny LS, takich jak Model Uczenia Się Doświadczalnego Kolba, Model Stylu Uczenia się Feldera-Silvermana (FSLSM) oraz Model VAK/VARK Fleminga [5, 9, 10]. Według literatury, te modele uczenia się są najczęściej stosowanymi i najchętniej badanymi modelami uczenia się. W obecnych badaniach FSLSM jest wykorzystywany do oceny LS wśród studentów stomatologii.
FSLSM to powszechnie stosowany model oceny adaptacyjnego uczenia się w inżynierii. Istnieje wiele opublikowanych prac z zakresu nauk o zdrowiu (w tym medycyny, pielęgniarstwa, farmacji i stomatologii), w których wykorzystano modele FSLSM [5, 11, 12, 13]. Narzędziem służącym do pomiaru wymiarów LS w FLSM jest Indeks Stylów Uczenia się (ILS) [8], który zawiera 44 pozycje oceniające cztery wymiary LS: przetwarzanie (aktywne/refleksyjne), percepcję (percepcyjną/intuicyjną), dane wejściowe (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 preferują przetwarzanie informacji poprzez bezpośrednią interakcję z materiałami edukacyjnymi, uczą się przez działanie i mają tendencję do uczenia się w grupach. „Refleksyjny” LS odnosi się do uczenia się poprzez myślenie i preferuje pracę samodzielną. Wymiar „percepcji” LS można podzielić na „odczuwanie” i/lub „intuicję”. Uczniowie „odczuwający” preferują bardziej konkretne informacje i praktyczne procedury, są zorientowani na fakty w porównaniu z uczniami „intuicyjnymi”, którzy preferują materiały abstrakcyjne i są z natury bardziej innowacyjni i kreatywni. Wymiar „wkładu” LS obejmuje uczniów „wzrokowych” i „werbalnych”. Osoby z „wzrokowym” LS preferują naukę poprzez demonstracje wizualne (takie jak diagramy, filmy lub demonstracje na żywo), podczas gdy osoby z „werbalnym” LS wolą uczyć się za pomocą słów w formie pisemnych lub ustnych wyjaśnień. Aby „zrozumieć” wymiary LS, takich uczniów można podzielić na „sekwencyjnych” i „globalnych”. Osoby uczące się sekwencyjnie preferują liniowy proces myślowy i uczą się krok po kroku, natomiast osoby uczące się globalnie mają tendencję do holistycznego procesu myślowego i zawsze lepiej rozumieją to, czego się uczą.
Ostatnio wielu badaczy rozpoczęło badania nad metodami automatycznego odkrywania danych, w tym nad rozwojem nowych algorytmów i modeli zdolnych do interpretowania dużych ilości danych [15, 16]. Na podstawie dostarczonych danych, nadzorowane uczenie maszynowe (ML) jest w stanie generować wzorce i hipotezy, które przewidują przyszłe wyniki w oparciu o konstrukcję algorytmów [17]. Mówiąc prościej, nadzorowane techniki uczenia maszynowego manipulują danymi wejściowymi i trenują algorytmy. Następnie generują zakres, który klasyfikuje lub przewiduje wynik na podstawie podobnych sytuacji dla dostarczonych danych wejściowych. Główną zaletą algorytmów nadzorowanego uczenia maszynowego jest ich zdolność do ustalania idealnych i pożądanych wyników [17].
Dzięki zastosowaniu metod opartych na danych i modeli sterowania drzewami decyzyjnymi możliwe jest automatyczne wykrywanie LS. Donoszono o szerokim zastosowaniu drzew decyzyjnych w programach szkoleniowych w różnych dziedzinach, w tym w naukach o zdrowiu [18, 19]. W niniejszym badaniu model został specjalnie wytrenowany przez twórców systemu w celu identyfikacji LS studentów i rekomendowania dla nich najlepszego IS.
Celem niniejszego badania jest opracowanie strategii dostarczania usług IS w oparciu o LS studentów i zastosowanie podejścia SCL poprzez opracowanie narzędzia rekomendacji IS zmapowanego na LS. Schemat projektowania narzędzia rekomendacji IS jako strategii metody SCL przedstawiono na rysunku 1. Narzędzie rekomendacji IS jest podzielone na dwie części, obejmujące mechanizm klasyfikacji LS z wykorzystaniem ILS oraz najbardziej odpowiedni dla studentów sposób prezentacji IS.
W szczególności, narzędzia rekomendacji bezpieczeństwa informacji obejmują wykorzystanie technologii internetowych oraz uczenie maszynowe oparte na drzewach decyzyjnych. Twórcy systemów poprawiają komfort użytkowania i mobilność, 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 dobrowolnie. Uczestnicy odpowiadali na pytania studenta stomatologii w języku angielskim na internetowym systemie m-ILS. W fazie początkowej do trenowania algorytmu uczenia maszynowego drzewa decyzyjnego wykorzystano zbiór danych 50 studentów. W drugiej fazie procesu rozwoju, zbiór danych 255 studentów wykorzystano w celu poprawy dokładności opracowanego narzędzia.
Wszyscy uczestnicy otrzymują instruktaż online na początku każdego etapu, w zależności od roku akademickiego, za pośrednictwem Microsoft Teams. Wyjaśniono cel badania i uzyskano świadomą zgodę. Wszyscy uczestnicy otrzymali link do dostępu do m-ILS. Każdy student został poinstruowany, aby odpowiedzieć na wszystkie 44 pytania w kwestionariuszu. Mieli tydzień na wypełnienie zmodyfikowanego ILS w dogodnym dla siebie 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 pytania (a, b), po 11 pytań każde, które służą do oceny aspektów każdego wymiaru FSLSM.
Na początkowych etapach opracowywania narzędzia badacze ręcznie adnotowali mapy, korzystając z zestawu danych 50 studentów stomatologii. Według FSLM, system oblicza sumę odpowiedzi „a” i „b”. Dla każdego wymiaru, jeśli student wybierze odpowiedź „a”, LS jest klasyfikowany jako Aktywny/Percepcyjny/Wzrokowy/Sekwencyjny, a jeśli student wybierze odpowiedź „b”, jest klasyfikowany jako Refleksyjny/Intuicyjny/Lingwistyczny/Uczący się globalnie.
Po skalibrowaniu przepływu pracy między badaczami edukacji stomatologicznej a programistami systemu, pytania wybrano w oparciu o domenę FLSSM i wprowadzono do modelu uczenia maszynowego, aby przewidzieć LS każdego studenta. „Garbage in, garbage out” to popularne powiedzenie w dziedzinie uczenia maszynowego, kładące nacisk na jakość danych. Jakość danych wejściowych decyduje o precyzji i dokładności modelu uczenia maszynowego. Podczas fazy inżynierii cech tworzony jest nowy zestaw cech, który jest sumą odpowiedzi „a” i „b” w oparciu o FLSSM. Numery identyfikacyjne pozycji leków podano w tabeli 1.
Oblicz wynik na podstawie odpowiedzi i określ najniższą średnią ucznia. Dla każdego ucznia zakres wyników wynosi od 1 do 11. Wyniki od 1 do 3 wskazują na równowagę preferencji edukacyjnych w ramach tego samego wymiaru, a wyniki od 5 do 7 oznaczają umiarkowaną preferencję, co oznacza, że uczniowie preferują jedno środowisko nauczania innych. Inną odmianą tego samego wymiaru jest to, że wyniki od 9 do 11 odzwierciedlają silną preferencję w jednym lub drugim kierunku [8].
Dla każdego wymiaru leki zostały pogrupowane na „aktywne”, „refleksyjne” i „zrównoważone”. Na przykład, gdy uczeń odpowiada „a” częściej niż „b” na wskazane pytanie, a jego/jej wynik przekracza próg 5 dla konkretnego pytania reprezentującego wymiar Przetwarzania LS, należy on/ona do „aktywnej” domeny LS. Jednakże uczniowie zostali sklasyfikowani jako „refleksyjni” LS, gdy wybrali „b” częściej niż „a” w określonych 11 pytaniach (Tabela 1) i zdobyli więcej niż 5 punktów. Wreszcie, uczeń jest w stanie „równowagi”. Jeśli wynik nie przekracza 5 punktów, to jest to „procesowy” LS. Proces klasyfikacji został powtórzony dla pozostałych wymiarów LS, mianowicie percepcji (aktywnej/refleksyjnej), danych wejściowych (wizualnych/werbalnych) i zrozumienia (sekwencyjnego/globalnego).
Modele drzew decyzyjnych mogą wykorzystywać różne podzbiory cech i reguł decyzyjnych na różnych etapach procesu klasyfikacji. Są one uważane za popularne narzędzie klasyfikacji i predykcji. Można je przedstawić za pomocą struktury drzewa, takiej jak schemat blokowy [20], w którym występują węzły wewnętrzne reprezentujące testy według atrybutu, każda gałąź reprezentuje wyniki testów, a każdy węzeł liścia zawiera etykietę klasy.
Stworzono prosty program oparty na regułach, który automatycznie ocenia i opatruje adnotacjami LS każdego ucznia na podstawie jego odpowiedzi. Program oparty na regułach ma formę instrukcji JEŻELI, gdzie „JEŻELI” opisuje wyzwalacz, a „WÓWCZAS” określa działanie, które ma zostać wykonane, na przykład: „Jeśli X się zdarzy, to wykonaj Y” (Liu i in., 2014). Jeśli zbiór danych wykazuje korelację, a model drzewa decyzyjnego jest prawidłowo wytrenowany i ewaluowany, takie podejście może być skutecznym sposobem automatyzacji procesu dopasowywania LS i IS.
W drugiej fazie rozwoju zbiór danych zwiększono do 255, aby poprawić dokładność narzędzia rekomendacji. Zbiór danych podzielono w stosunku 1:4. 25% (64) zbioru danych wykorzystano jako zbiór testowy, a pozostałe 75% (191) jako zbiór treningowy (rysunek 2). Zbiór danych należy podzielić, aby zapobiec trenowaniu i testowaniu modelu na tym samym zbiorze danych, co mogłoby spowodować, że model będzie zapamiętywał dane zamiast się ich uczyć. Model jest trenowany na zbiorze treningowym i ocenia swoją wydajność na zbiorze testowym – danych, których nigdy wcześniej nie widział.
Po opracowaniu narzędzia IS, aplikacja będzie mogła klasyfikować LS na podstawie odpowiedzi studentów stomatologii za pośrednictwem interfejsu internetowego. Internetowy system rekomendacji bezpieczeństwa informacji został zbudowany w języku programowania Python, a backendem jest framework Django. Tabela 2 zawiera listę bibliotek użytych w rozwoju tego systemu.
Zbiór danych jest przekazywany do modelu drzewa decyzyjnego w celu obliczenia i wyodrębnienia odpowiedzi studentów, co pozwala na automatyczną klasyfikację pomiarów LS studentów.
Macierz pomyłek służy do oceny dokładności algorytmu uczenia maszynowego drzewa decyzyjnego na danym zbiorze danych. Jednocześnie ocenia ona wydajność modelu klasyfikacji. Podsumowuje przewidywania modelu i porównuje je z rzeczywistymi etykietami danych. Wyniki oceny oparte są na czterech różnych wartościach: prawdziwie dodatnia (TP) – model poprawnie przewidział kategorię pozytywną, fałszywie dodatnia (FP) – model poprawnie przewidział kategorię pozytywną, ale prawdziwa etykieta była negatywna, prawdziwie ujemna (TN) – model poprawnie przewidział klasę negatywną oraz fałszywie ujemna (FN) – model przewiduje klasę negatywną, ale prawdziwa etykieta jest pozytywna.
Wartości te są następnie wykorzystywane do obliczania różnych metryk wydajności modelu klasyfikacji scikit-learn w Pythonie, a mianowicie precyzji, precyzji, współczynnika odtworzenia i wyniku F1. Oto przykłady:
Pamięć (lub wrażliwość) mierzy zdolność modelu do dokładnej klasyfikacji LS ucznia po wypełnieniu kwestionariusza m-ILS.
Swoistość nazywana jest wskaźnikiem prawdziwie ujemnym. Jak widać z powyższego wzoru, powinien to być stosunek wyników prawdziwie ujemnych (TN) do wyników prawdziwie ujemnych i fałszywie dodatnich (FP). Jako część rekomendowanego narzędzia do klasyfikacji narkotyków studenckich, powinna ona umożliwiać dokładną identyfikację.
Pierwotny zbiór danych 50 studentów, użyty do trenowania modelu uczenia maszynowego drzewa decyzyjnego, wykazał stosunkowo niską dokładność z powodu błędu ludzkiego w adnotacjach (tabela 3). Po stworzeniu prostego programu opartego na regułach, który automatycznie obliczał wyniki LS i adnotacje studentów, do trenowania i testowania systemu rekomendacji wykorzystano coraz większą liczbę zbiorów danych (255).
W wieloklasowej macierzy pomyłek elementy diagonalne reprezentują liczbę prawidłowych predykcji dla każdego typu LS (rysunek 4). Za pomocą modelu drzewa decyzyjnego poprawnie przewidziano łącznie 64 próbki. Zatem w niniejszym badaniu elementy diagonalne przedstawiają oczekiwane wyniki, co wskazuje, że model działa dobrze i dokładnie przewiduje etykietę klasy dla każdej klasyfikacji LS. Zatem ogólna dokładność narzędzia rekomendacji wynosi 100%.
Wartości dokładności, precyzji, czułości i wyniku F1 przedstawiono na rysunku 5. W przypadku systemu rekomendacji wykorzystującego model drzewa decyzyjnego wynik F1 wynosi 1,0 „doskonały”, co wskazuje na doskonałą precyzję i czułość, odzwierciedlając istotne wartości czułości i swoistości.
Rysunek 6 przedstawia wizualizację modelu drzewa decyzyjnego po zakończeniu treningu i testowania. W porównaniu bezpośrednim, model drzewa decyzyjnego trenowany z mniejszą liczbą cech wykazał wyższą dokładność i łatwiejszą wizualizację. Pokazuje to, że inżynieria cech prowadząca do redukcji cech jest ważnym krokiem w poprawie wydajności modelu.
Dzięki zastosowaniu nadzorowanego uczenia drzew decyzyjnych mapowanie pomiędzy LS (wejściem) i IS (docelowym wyjściem) jest generowane automatycznie i zawiera szczegółowe informacje dla każdego LS.
Wyniki pokazały, że 34,9% z 255 studentów preferowało jedną (1) opcję LS. Większość (54,3%) preferowała dwie lub więcej opcji LS. 12,2% studentów stwierdziło, że LS jest dość zrównoważony (Tabela 4). Oprócz ośmiu głównych LS, studenci stomatologii Uniwersytetu Malaya wyróżnili 34 kombinacje klasyfikacji LS. Wśród nich, percepcja, widzenie oraz połączenie percepcji i widzenia to główne LS zgłaszane przez studentów (Rysunek 7).
Jak wynika z tabeli 4, większość uczniów charakteryzowała się dominującym LS sensorycznym (13,7%) lub wzrokowym (8,6%). Stwierdzono, że 12,2% uczniów łączyło percepcję ze wzrokiem (LS percepcyjno-wzrokowy). Wyniki te sugerują, że uczniowie wolą uczyć się i zapamiętywać za pomocą ustalonych metod, stosować konkretne i szczegółowe procedury oraz są z natury uważni. Jednocześnie lubią uczyć się poprzez obserwację (korzystając z diagramów itp.) i mają tendencję do omawiania i stosowania informacji w grupach lub samodzielnie.
Niniejsze badanie przedstawia przegląd technik uczenia maszynowego stosowanych w eksploracji danych, ze szczególnym uwzględnieniem natychmiastowego i dokładnego przewidywania LS uczniów oraz 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 klasyfikacji danych poprzez podział zbioru danych na podkategorie w oparciu o określone kryteria. Działa on poprzez rekurencyjny podział danych wejściowych na podzbiory w oparciu o wartość jednej z cech wejściowych każdego węzła wewnętrznego, aż do momentu podjęcia decyzji w węźle liściowym.
Wewnętrzne węzły drzewa decyzyjnego reprezentują rozwiązanie oparte na charakterystykach wejściowych problemu m-ILS, a węzły liściowe reprezentują ostateczną prognozę klasyfikacji LS. W trakcie badania łatwo zrozumieć hierarchię drzew decyzyjnych, które wyjaśniają i wizualizują proces decyzyjny, analizując relację między cechami wejściowymi a prognozami wyjściowymi.
W dziedzinie informatyki i inżynierii algorytmy uczenia maszynowego są szeroko stosowane do przewidywania wyników studentów na podstawie ich wyników egzaminów wstępnych [21], danych demograficznych i zachowań edukacyjnych [22]. Badania wykazały, że algorytm ten dokładnie przewidywał wyniki studentów i pomagał im identyfikować uczniów zagrożonych trudnościami w nauce.
Przedstawiono zastosowanie algorytmów ML w rozwoju wirtualnych symulatorów pacjentów do szkoleń stomatologicznych. Symulator jest w stanie dokładnie odtworzyć reakcje fizjologiczne prawdziwych 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 były wykorzystywane do wspomagania diagnozowania chorób zębów na podstawie zestawów danych, takich jak objawy i cechy pacjenta [24, 25]. Podczas gdy inne badania badały wykorzystanie algorytmów uczenia maszynowego do wykonywania zadań, takich jak przewidywanie wyników leczenia pacjentów, identyfikacja pacjentów wysokiego ryzyka, opracowywanie spersonalizowanych planów leczenia [26], leczenie przyzębia [27] i leczenie próchnicy [25].
Chociaż opublikowano już doniesienia na temat zastosowania uczenia maszynowego w stomatologii, jego zastosowanie w edukacji stomatologicznej pozostaje ograniczone. Dlatego celem niniejszego badania było wykorzystanie modelu drzewa decyzyjnego do identyfikacji czynników najsilniej powiązanych z LS i IS wśród studentów stomatologii.
Wyniki tego badania pokazują, że opracowane narzędzie rekomendacji ma wysoką dokładność i doskonałą precyzję, co wskazuje, że nauczyciele mogą czerpać z niego korzyści. Wykorzystując proces klasyfikacji oparty na danych, może ono dostarczać spersonalizowane rekomendacje i poprawiać doświadczenia edukacyjne oraz wyniki nauczycieli i uczniów. Wśród nich, informacje uzyskane za pomocą narzędzi rekomendacji mogą rozwiązywać konflikty między preferowanymi przez nauczycieli metodami nauczania a potrzebami edukacyjnymi uczniów. Na przykład, dzięki zautomatyzowanemu wyjściu narzędzi rekomendacji, czas potrzebny na zidentyfikowanie IP ucznia i dopasowanie go do odpowiadającego IP zostanie znacznie skrócony. W ten sposób można zorganizować odpowiednie działania szkoleniowe i materiały szkoleniowe. Pomaga to rozwijać pozytywne zachowania uczniów w uczeniu się i zdolność koncentracji. W jednym z badań doniesiono, że zapewnienie uczniom materiałów edukacyjnych i działań edukacyjnych, które odpowiadają ich preferowanemu językowi nauczania, 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 klasie, zrozumienie procesu uczenia się uczniów odgrywa również kluczową rolę w doskonaleniu praktyk nauczania i komunikacji z uczniami [28, 29].
Jednak, jak w przypadku każdej nowoczesnej technologii, istnieją problemy i ograniczenia. Należą do nich kwestie związane z prywatnością danych, stronniczością i uczciwością, a także umiejętnościami zawodowymi i zasobami niezbędnymi do opracowywania i wdrażania algorytmów uczenia maszynowego w edukacji stomatologicznej. Rosnące zainteresowanie i badania w tym obszarze sugerują jednak, 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” leków. Ten typ ucznia preferuje fakty i konkretne przykłady, orientację praktyczną, cierpliwość do szczegółów i „wizualną” preferencję LS, gdzie uczniowie wolą używać obrazów, grafiki, kolorów i map do przekazywania idei i myśli. Obecne wyniki są zgodne 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 ich potencjał uczenia się. Naukowcy twierdzą, że gdy nauczyciele w pełni rozumieją proces edukacyjny uczniów, można wdrożyć różne metody nauczania i działania, które poprawią wyniki uczniów i doświadczenie uczenia się [12, 31, 32]. Inne badania wykazały, że dostosowanie LS uczniów również powoduje poprawę w doświadczeniach uczenia się uczniów i ich wynikach po zmianie ich stylów uczenia się, aby dopasować je do ich własnego LS [13, 33].
Opinie nauczycieli mogą być różne w kwestii wdrażania strategii nauczania opartych na zdolnościach uczenia się uczniów. Podczas gdy niektórzy dostrzegają korzyści z tego podejścia, w tym możliwości rozwoju zawodowego, mentoring i wsparcie społeczności, inni mogą być zaniepokojeni czasem i wsparciem instytucjonalnym. Dążenie do równowagi jest kluczem do stworzenia postawy skoncentrowanej na studencie. Władze szkolnictwa wyższego, takie jak administratorzy uniwersytetów, mogą odegrać ważną rolę w napędzaniu pozytywnych zmian poprzez wprowadzanie innowacyjnych praktyk i wspieranie rozwoju kadry dydaktycznej [34]. Aby stworzyć prawdziwie dynamiczny i responsywny system szkolnictwa wyższego, decydenci muszą podjąć odważne kroki, takie jak wprowadzanie zmian w polityce, przeznaczanie zasobów na integrację technologii i tworzenie ram promujących podejścia skoncentrowane na studencie. Środki te mają kluczowe znaczenie dla osiągnięcia pożądanych rezultatów. Najnowsze badania nad zróżnicowanym nauczaniem wyraźnie pokazały, że skuteczne wdrożenie zróżnicowanego nauczania wymaga ciągłego szkolenia i możliwości rozwoju dla nauczycieli [35].
To narzędzie stanowi cenne wsparcie dla nauczycieli stomatologii, którzy chcą stosować podejście skoncentrowane na uczniu w planowaniu zajęć edukacyjnych przyjaznych dla ucznia. Jednak niniejsze badanie ogranicza się do wykorzystania modeli uczenia maszynowego opartych na drzewach decyzyjnych. W przyszłości należy zebrać więcej danych, aby porównać wydajność różnych modeli uczenia maszynowego i porównać dokładność, niezawodność i precyzję narzędzi rekomendacyjnych. Ponadto, wybierając najodpowiedniejszą metodę uczenia maszynowego dla danego zadania, należy wziąć pod uwagę inne czynniki, takie jak złożoność modelu i jego interpretacja.
Ograniczeniem tego badania jest to, że skupiło się ono wyłącznie na mapowaniu LS i IS wśród studentów stomatologii. Dlatego opracowany system rekomendacji będzie rekomendował tylko te, które są odpowiednie dla studentów stomatologii. Konieczne są zmiany w ogólnym wykorzystaniu systemu przez studentów studiów wyższych.
Nowo opracowane narzędzie rekomendacji oparte na uczeniu maszynowym umożliwia natychmiastową klasyfikację i dopasowanie LS studentów do odpowiedniego IS, co czyni je pierwszym programem edukacji stomatologicznej, który pomaga edukatorom stomatologicznym w planowaniu odpowiednich działań dydaktycznych i edukacyjnych. Wykorzystując proces selekcji oparty na danych, narzędzie to może dostarczać spersonalizowane rekomendacje, oszczędzać czas, ulepszać strategie nauczania, wspierać ukierunkowane interwencje i promować ciągły rozwój zawodowy. Jego zastosowanie będzie promować podejście do edukacji stomatologicznej zorientowane na studenta.
Gilak Jani, Associated Press. Zgodność lub niezgodność 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 publikacji: 29-04-2024