V vysokoškolských inštitúciách vrátane stomatológie je stále potrebné vzdelávanie zamerané na študentov (SCL). SCL však má obmedzené použitie v zubnom vzdelávaní. Cieľom tejto štúdie je preto podporovať aplikáciu SCL v stomatológii pomocou technológie rozhodovacích stromov (ML) na mapovanie preferovaného štýlu učenia (LS) a zodpovedajúcich vzdelávacích stratégií (IS) zubných študentov ako užitočného nástroja na rozvoj je pokyny . Sľubné metódy pre zubných študentov.
Celkom 255 zubných študentov z University of Malaya vyplnilo dotazník Modifikovaného indexu vzdelávacích štýlov (M-ILS), ktorý obsahoval 44 položiek na ich klasifikáciu do svojich príslušných LSS. Zhromaždené údaje (nazývané súbor údajov) sa používajú pri výučbe stromov s dohľadom, aby sa automaticky prispôsobili vzdelávacie štýly študentov s najvhodnejšími, je. Presnosť nástroja založeného na strojovom učení je potom odporúčaný nástroj.
Aplikácia modelov rozhodovacích stromov v automatizovanom procese mapovania medzi LS (vstup) a IS (cieľový výstup) umožňuje okamžitý zoznam vhodných vzdelávacích stratégií pre každého zubného študenta. Nástroj na odporúčanie preukázal dokonalú presnosť a vyvolanie celkovej presnosti modelu, čo naznačuje, že zodpovedajúci LS je má dobrú citlivosť a špecifickosť.
AS odporúčajúci nástroj založený na rozhodovacom strome ML preukázal svoju schopnosť presne porovnávať vzdelávacie štýly študentov zubných lekárov s vhodnými stratégiami učenia. Tento nástroj poskytuje výkonné možnosti na plánovanie kurzov alebo modulov zameraných na študentov, ktoré môžu zlepšiť vzdelávacie skúsenosti študentov.
Výučba a vzdelávanie sú základnými aktivitami vo vzdelávacích inštitúciách. Pri vývoji vysoko kvalitného systému odborného vzdelávania je dôležité zamerať sa na vzdelávacie potreby študentov. Interakciu medzi študentmi a ich vzdelávacím prostredím možno určiť prostredníctvom ich LS. Výskum naznačuje, že nesúlady zamerané na učiteľov medzi študentskými LS a IS môžu mať negatívne následky pre vzdelávanie študentov, ako napríklad znížená pozornosť a motivácia. To nepriamo ovplyvní výkonnosť študentov [1,2].
IS je metóda, ktorú učitelia používajú na poskytovanie vedomostí a zručností študentom, vrátane pomoci študentom učiť sa [3]. Všeobecne povedané, dobrí učitelia plánujú výučbové stratégie alebo je to, že najlepšie zodpovedajú úrovni vedomostí svojich študentov, konceptov, ktoré sa učia a ich fáza vzdelávania. Teoreticky, keď sa LS a IS zhodujú, študenti budú môcť zorganizovať a využívať konkrétny súbor zručností, aby sa mohli efektívne učiť. Plán hodiny zvyčajne zahŕňa niekoľko prechodov medzi etapami, napríklad od výučby po vedúcu prax alebo od vedenej praxe po nezávislú prax. S týmto vedomím efektívni učitelia často plánujú výučbu s cieľom budovať vedomosti a zručnosti študentov [4].
Dopyt po SCL rastie vo vysokoškolských inštitúciách vrátane stomatológie. Stratégie SCL sú navrhnuté tak, aby vyhovovali vzdelávacím potrebám študentov. To sa dá dosiahnuť napríklad, ak sa študenti aktívne zúčastňujú na vzdelávacích aktivitách a učitelia pôsobia ako sprostredkovatelia a sú zodpovední za poskytnutie cennej spätnej väzby. Hovorí sa, že poskytovanie vzdelávacích materiálov a aktivít, ktoré sú vhodné pre vzdelávaciu úroveň alebo preferencie študentov, môže zlepšiť vzdelávacie prostredie študentov a podporovať pozitívne vzdelávacie skúsenosti [5].
Všeobecne povedané, vzdelávací proces študentov zubov je ovplyvnený rôznymi klinickými postupmi, ktoré sú povinní vykonávať, a klinické prostredie, v ktorom vyvíjajú účinné medziľudské zručnosti. Účelom výcviku je umožniť študentom kombinovať základné znalosti zubného lekárstva so zubnými klinickými zručnosťami a uplatniť získané znalosti na nové klinické situácie [6, 7]. Včasný výskum vzťahu medzi LS a zistilo sa, že úprava vzdelávacích stratégií zmapovaných na preferovanú LS by pomohlo zlepšiť vzdelávací proces [8]. Autori tiež odporúčajú použiť rôzne metódy výučby a hodnotenia na prispôsobenie sa vzdelávaniu a potrebám študentov.
Učitelia majú úžitok z uplatňovania znalostí LS, ktoré im pomôžu navrhovať, rozvíjať a implementovať výučbu, ktoré zlepší získanie hlbších vedomostí študentov a porozumenie predmetu. Vedci vyvinuli niekoľko nástrojov na hodnotenie LS, ako napríklad model zážitkového vzdelávania KOLB, model učenia sa Felder-Silverman (FSLSM) a model Fleming VAK/Vark [5, 9, 10]. Podľa literatúry sú tieto vzdelávacie modely najbežnejšie používané a najškodlivejšie vzdelávacie modely. V súčasnej výskumnej práci sa FSLSM používa na hodnotenie LS medzi zubnými študentmi.
FSLSM je široko používaný model na hodnotenie adaptívneho vzdelávania v inžinierstve. Existuje mnoho publikovaných diel v oblasti zdravotníckych vied (vrátane medicíny, ošetrovateľstva, farmácie a stomatológie), ktoré možno nájsť pomocou modelov FSLSM [5, 11, 12, 13]. Nástroj použitý na meranie rozmerov LS v FLSM sa nazýva index učiacich sa štýlov (ILS) [8], ktorý obsahuje 44 položiek hodnotiacich štyri dimenzie LS: spracovanie (aktívne/reflexné), vnímanie (percepčné/intuitívne), vstup (vizuálny). /verbálne) a porozumenie (sekvenčné/globálne) [14].
Ako je znázornené na obrázku 1, každá dimenzia FSLSM má dominantnú preferenciu. Napríklad v rozmere spracovania študenti s „aktívnym“ LS uprednostňujú spracovanie informácií priamym interakciou s učebnými materiálmi, učia sa pomocou a majú tendenciu učiť sa v skupinách. „Reflexný“ LS sa týka učenia sa prostredníctvom myslenia a uprednostňuje prácu sám. „Vnímajúci“ rozmer LS možno rozdeliť na „pocit“ a/alebo „intuíciu“. Študenti „Feeling“ uprednostňujú konkrétnejšie informácie a praktické postupy, sú orientované na fakty v porovnaní s „intuitívnymi“ študentmi, ktorí uprednostňujú abstraktný materiál a majú inovatívnejší a kreatívnejší charakter. „Vstupná“ dimenzia LS pozostáva z „vizuálnych“ a „verbálnych“ študentov. Ľudia s „vizuálnymi“ LS sa radšej učia prostredníctvom vizuálnych demonštrácií (ako sú diagramy, videá alebo živé demonštrácie), zatiaľ čo ľudia s „verbálnymi“ LS sa radšej učia slovami písanými alebo ústnymi vysvetleniami. Aby sme „pochopili“ rozmery LS, títo študenti možno rozdeliť na „sekvenčné“ a „globálne“. „Postupní študenti uprednostňujú proces lineárneho myslenia a učia sa krok za krokom, zatiaľ čo globálni študenti majú tendenciu mať holistický proces myslenia a vždy lepšie porozumieť tomu, čo sa učia.
Nedávno mnohí vedci začali skúmať metódy automatického objavovania založeného na údajoch vrátane vývoja nových algoritmov a modelov schopných interpretovať veľké množstvo údajov [15, 16]. Na základe poskytnutých údajov je dohľad nad ML (strojové učenie) schopný generovať vzorce a hypotézy, ktoré predpovedajú budúce výsledky založené na výstavbe algoritmov [17]. Jednoducho povedané, techniky pod dohľadom strojového učenia manipulujú s vstupnými údajmi a algoritmami vlaku. Potom generuje rozsah, ktorý klasifikuje alebo predpovedá výsledok na základe podobných situácií pre poskytnuté vstupné údaje. Hlavnou výhodou algoritmov strojového učenia pod dohľadom je jeho schopnosť stanoviť ideálne a požadované výsledky [17].
Vďaka použitiu metód založených na údajoch a modeloch riadenia stromov rozhodovania je možná automatická detekcia LS. Uvádza sa, že rozhodovacie stromy sa široko používajú v školiacich programoch v rôznych oblastiach vrátane zdravotných vied [18, 19]. V tejto štúdii bol model špecificky vyškolený vývojármi systému, aby identifikoval LS študentov a odporučil to najlepšie, je pre nich.
Účelom tejto štúdie je vyvinúť dodávkové stratégie založené na LS študentov a aplikovať prístup SCL vývojom AS odporúčací nástroj mapovaný na LS. Konštrukčný tok nástroja IS odporúčania ako stratégia metódy SCL je znázornená na obrázku 1. Nástroj IS odporúčania je rozdelený na dve časti, vrátane klasifikačného mechanizmu LS pomocou ILS a najvhodnejšie sa zobrazuje pre študentov.
Medzi charakteristiky nástrojov odporúčaní za bezpečnosť informácií zahŕňajú najmä použitie webových technológií a použitie učenia sa strojov s rozhodovacími stromami. Vývojári systému zlepšujú užívateľskú skúsenosť a mobilitu ich prispôsobením mobilným zariadeniam, ako sú mobilné telefóny a tablety.
Experiment sa uskutočnil v dvoch etapách a študenti zubného lekárstva na Malajskej univerzite sa dobrovoľne zúčastnili. Účastníci reagovali na online M-ILS študenta zubného študenta v angličtine. V počiatočnej fáze sa na školenie algoritmu učenia strojového učenia rozhodovacích stromov použil súbor 50 študentov. V druhej fáze vývojového procesu sa na zlepšenie presnosti rozvinutého nástroja použil súbor údajov 255 študentov.
Všetci účastníci dostávajú online briefing na začiatku každej fázy, v závislosti od akademického roka, prostredníctvom tímov spoločnosti Microsoft. Účel štúdie bol vysvetlený a získal sa informovaný súhlas. Všetci účastníci dostali odkaz na prístup k M-ILS. Každý študent dostal pokyn, aby odpovedal na všetkých 44 položiek v dotazníku. Dostali jeden týždeň na dokončenie upravených ILS naraz a umiestnením, ktoré im bolo vhodné počas semestra prestávky pred začiatkom semestra. M-ILS je založená na pôvodnom nástroji ILS a modifikovaných pre zubných študentov. Podobne ako v pôvodných ILS obsahuje 44 rovnomerne distribuovaných položiek (A, B), z ktorých každá je 11 položiek, z ktorých každá sa používa na hodnotenie aspektov každej dimenzie FSLSM.
Počas počiatočných štádií vývoja nástroja vedci manuálne anotovali mapy pomocou súboru údajov 50 zubných študentov. Podľa FSLM systém poskytuje súčet odpovedí „A“ a „B“. Pre každú dimenziu, ak študent vyberie ako odpoveď „A“, LS je klasifikovaný ako aktívny/percepčný/vizuálny/sekvenčný a ak študent ako odpoveď vyberie „B“, študent je klasifikovaný ako reflexný/intuitívny/lingvistický . / Globálny študent.
Po kalibrácii pracovného postupu medzi výskumnými pracovníkmi zubného vzdelávania a vývojármi systému boli otázky vybrané na základe domény FLSSM a priviedli sa do modelu ML, aby sa predpovedali LS každého študenta. „Odpadky v, odpadky“ je populárne príslovie v oblasti strojového učenia s dôrazom na kvalitu údajov. Kvalita vstupných údajov určuje presnosť a presnosť modelu strojového učenia. Počas fázy funkcie sa vytvorí nová súprava funkcií, ktorá je súčtom odpovedí „A“ a „B“ založená na FLSSM. Identifikačné čísla pozícií liečiva sú uvedené v tabuľke 1.
Vypočítajte skóre na základe odpovedí a určte študentské LS. Pre každého študenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 naznačuje rovnováhu preferencií učenia v rovnakej dimenzii a skóre od 5 do 7 naznačuje miernu preferenciu, čo naznačuje, že študenti majú tendenciu uprednostňovať jedno prostredie, ktoré učia ostatných . Ďalšou variáciou v rovnakej dimenzii je to, že skóre od 9 do 11 odráža silnú preferenciu pre jeden alebo druhý koniec [8].
Pre každú dimenziu boli lieky zoskupené do „aktívneho“, „reflexného“ a „vyváženého“. Napríklad, keď študent odpovie „A“ častejšie ako „B“ na určenom predmete a jeho skóre presahuje prahovú hodnotu 5 pre konkrétnu položku predstavujúcu spracovateľskú dimenziu, patrí do „aktívneho“ LS doména. . Študenti však boli klasifikovaní ako „reflexné“ LS, keď si vybrali „B“ viac ako „A“ v konkrétnych 11 otázkach (tabuľka 1) a získali viac ako 5 bodov. Nakoniec je študent v stave „rovnováhy“. Ak skóre nepresiahne 5 bodov, potom je to „proces“ LS. Proces klasifikácie sa opakoval pre ostatné rozmery LS, konkrétne vnímanie (aktívne/reflexné), vstup (vizuálne/verbálne) a porozumenie (sekvenčné/globálne).
Modely s rozhodovacími stromami môžu používať rôzne podskupiny funkcií a pravidiel rozhodovania v rôznych fázach procesu klasifikácie. Považuje sa za populárny nástroj klasifikácie a predikcie. Môže byť reprezentovaný pomocou stromovej štruktúry, ako je vývojový diagram [20], v ktorej existujú vnútorné uzly predstavujúce testy pomocou atribútov, každá vetva predstavujúca výsledky testov a každý uzol listov (uzol listov) obsahujúci štítok triedy.
Bol vytvorený jednoduchý program založený na pravidlách, ktorý automaticky skóre a anotuje LS každého študenta na základe ich odpovedí. Pravidlá majú podobu vyhlásenia IF, kde „ak“ opisuje spúšťač a „potom“ určuje akciu, ktorá sa má vykonať, napríklad: „Ak sa stane X, potom áno“ (Liu et al., 2014). Ak súbor údajov vykazuje koreláciu a model rozhodovacieho stromu je správne vyškolený a vyhodnotený, tento prístup môže byť efektívnym spôsobom, ako automatizovať proces porovnávania LS a IS.
V druhej fáze vývoja sa súbor údajov zvýšil na 255, aby sa zlepšila presnosť nástroja na odporúčanie. Súbor údajov je rozdelený do pomeru 1: 4. Na testovaciu súpravu sa použilo 25% (64) súboru údajov a zostávajúcich 75% (191) sa použilo ako výcviková súprava (obrázok 2). Súbor údajov musí byť rozdelený, aby sa zabránilo vyškoleniu a testovaniu modelu na rovnakom súbore údajov, čo by mohlo spôsobiť, že model bude skôr zapamätať, než sa učiť. Model je trénovaný na výcvikovej súprave a hodnotí jeho výkon v testovacej sade - model nikdy predtým nevidel.
Po vyvinutí nástroja IS bude aplikácia schopná klasifikovať LS na základe odpovedí zubných študentov prostredníctvom webového rozhrania. Systém nástrojov odporúčaní za zabezpečenie informácií o webovej zabezpečení je vytvorený pomocou programovacieho jazyka Python pomocou rámca Django ako backend. Tabuľka 2 uvádza knižnice použité pri vývoji tohto systému.
Súbor údajov sa privádza do modelu rozhodovacieho stromu na výpočet a extrahovanie odpovedí študentov na automatické klasifikácie meraní Student LS.
Matica zámeny sa používa na vyhodnotenie presnosti algoritmu učenia sa rozhodovacích stromov v danom súbore údajov. Zároveň hodnotí výkon klasifikačného modelu. Sumarizuje predpovede modelu a porovnáva ich so skutočnými dátovými štítkami. Výsledky hodnotenia sú založené na štyroch rôznych hodnotách: True pozitívne (TP) - model správne predpovedal pozitívnu kategóriu, falošnú pozitívnu (FP) - model predpovedal pozitívnu kategóriu, ale skutočné štítok bol negatívny, skutočný negatívny (TN) - Model správne predpovedal negatívnu triedu a falošne negatívne (FN) - model predpovedá negatívnu triedu, ale skutočný štítok je pozitívny.
Tieto hodnoty sa potom používajú na výpočet rôznych výkonnostných metrík klasifikačného modelu SCIKIT-LEARN v Pythone, konkrétne presnosť, presnosť, stiahnutie a skóre F1. Tu sú príklady:
Pripomeňte si (alebo citlivosť) meria schopnosť modelu presne klasifikovať študentský LS po odpovedi na dotazník M-ILS.
Špecifickosť sa nazýva skutočná negatívna miera. Ako vidíte z vyššie uvedeného vzorca, malo by to byť pomer skutočných negatív (TN) k skutočným negatívom a falošným pozitívom (FP). V rámci odporúčaného nástroja na klasifikáciu študentských liekov by malo byť schopné presnej identifikácie.
Pôvodný súbor údajov 50 študentov použitých na školenie modelu ML ML s rozhodovacími prostriedkami vykazoval relatívne nízku presnosť v dôsledku ľudských chýb v anotáciách (tabuľka 3). Po vytvorení jednoduchého programu založeného na pravidlách na automatické výpočet skóre LS a anotácií študentov sa na školenie a testovanie systému odporúčania použilo rastúci počet súborov údajov (255).
V matici zámeny viacnásobného tried predstavujú diagonálne prvky počet správnych predpovedí pre každý typ LS (obrázok 4). Pomocou modelu rozhodovacieho stromu bolo správne predpovedané celkom 64 vzoriek. V tejto štúdii teda diagonálne prvky ukazujú očakávané výsledky, čo naznačuje, že model funguje dobre a presne predpovedá štítok triedy pre každú klasifikáciu LS. Celková presnosť nástroja na odporúčanie je teda 100%.
Hodnoty presnosti, presnosti, vyvolania a skóre F1 sú znázornené na obrázku 5. Pre systém odporúčaní pomocou modelu rozhodovacieho stromu je jeho skóre F1 1,0 „dokonalý“, čo naznačuje dokonalú presnosť a stiahnutie, čo odráža významnú citlivosť a špecifickosť hodnoty.
Obrázok 6 ukazuje vizualizáciu modelu rozhodovacieho stromu po ukončení tréningu a testovania. V porovnaní vedľa seba modelový model s menším počtom funkcií vykazoval vyššiu presnosť a ľahšiu vizualizáciu modelu. To ukazuje, že inžinierstvo, ktoré vedú k zníženiu funkcií, je dôležitým krokom pri zlepšovaní výkonu modelu.
Uplatňovaním učenia sa pod dohľadom rozhodovania sa mapovanie medzi LS (vstup) a IS (cieľový výstup) sa automaticky vygeneruje a obsahuje podrobné informácie pre každú LS.
Výsledky ukázali, že 34,9% z 255 študentov uprednostňovalo jednu (1) možnosť LS. Väčšina (54,3%) mala dve alebo viac preferencií LS. 12,2% študentov poznamenalo, že LS je dosť vyvážená (tabuľka 4). Okrem ôsmich hlavných LS existuje 34 kombinácií klasifikácií LS pre zubných študentov University of Malaya. Medzi nimi sú vnímanie, vízia a kombinácia vnímania a vízie hlavnými LS, ktoré uviedli študenti (obrázok 7).
Ako je zrejmé z tabuľky 4, väčšina študentov mala prevládajúci senzorický (13,7%) alebo vizuálny (8,6%) LS. Uvádza sa, že 12,2% študentov kombinovalo vnímanie s víziou (perceptuálne vizuálne LS). Tieto zistenia naznačujú, že študenti sa radšej učia a pamätajú si prostredníctvom zavedených metód, riadia sa konkrétnymi a podrobnými postupmi a majú pozornosť pozornosti. Zároveň sa tešia učeniu tým, že hľadajú (pomocou diagramov atď.) A majú tendenciu diskutovať a uplatňovať informácie v skupinách alebo samostatne.
Táto štúdia poskytuje prehľad techník strojového učenia používaných pri získavaní údajov so zameraním na okamžité a presne predpovedanie LS študentov a odporúčanie vhodného je. Aplikácia modelu rozhodovacieho stromu identifikovala faktory, ktoré najviac súvisia s ich životnými a vzdelávacími skúsenosťami. Je to algoritmus strojového učenia pod dohľadom, ktorý používa stromovú štruktúru na klasifikáciu údajov rozdelením súboru údajov do podkategórií na základe určitých kritérií. Funguje rekurzívne rozdelením vstupných údajov na podmnožiny na základe hodnoty jednej zo vstupných funkcií každého vnútorného uzla, až kým sa rozhodnutie neurobí v listovom uzle.
Vnútorné uzly rozhodovacieho stromu predstavujú riešenie založené na vstupných charakteristikách problému M-ILS a listové uzly predstavujú konečnú predikciu klasifikácie LS. V priebehu štúdie je ľahké porozumieť hierarchii rozhodovacích stromov, ktoré vysvetľujú a vizualizujú proces rozhodovania pri pohľade na vzťah medzi vstupnými prvkami a predpovedami výstupu.
V oblasti informatiky a inžinierstva sa algoritmy strojového učenia široko používajú na predpovedanie výkonu študentov na základe skóre prijímacej skúšky [21], demografických informácií a učenia sa [22]. Výskum ukázal, že algoritmus presne predpovedal výkon študentov a pomohol im identifikovať študentov, ktorým sú ohrozené akademické ťažkosti.
Uvádza sa uvádzanie algoritmov ML pri vývoji simulátorov virtuálnych pacientov na zubné školenie. Simulátor je schopný presne reprodukovať fyziologické reakcie skutočných pacientov a môže sa použiť na školenie zubných študentov v bezpečnom a kontrolovanom prostredí [23]. Niekoľko ďalších štúdií ukazuje, že algoritmy strojového učenia môžu potenciálne zlepšiť kvalitu a efektívnosť zubného a lekárskeho vzdelávania a starostlivosti o pacientov. Algoritmy strojového učenia sa používajú na pomoc pri diagnostike zubných chorôb na základe súborov údajov, ako sú príznaky a charakteristiky pacienta [24, 25]. Zatiaľ čo iné štúdie skúmali použitie algoritmov strojového učenia na vykonávanie úloh, ako je predpovedanie výsledkov pacienta, identifikácia vysoko rizikových pacientov, vývoj osobných liečebných plánov [26], periodontálna liečba [27] a liečba zubného kazu [25].
Aj keď boli uverejnené správy o aplikácii strojového učenia v stomatológii, jeho aplikácia v zubnom vzdelávaní zostáva obmedzená. Cieľom tejto štúdie bolo preto použiť model rozhodovacieho stromu na identifikáciu faktorov, ktoré sú najťažšie spojené s LS a patrí medzi zubné študentov.
Výsledky tejto štúdie ukazujú, že vyvinutý nástroj na odporúčanie má vysokú presnosť a dokonalú presnosť, čo naznačuje, že učitelia môžu z tohto nástroja ťažiť. Pomocou procesu klasifikácie založeného na údajoch môže poskytnúť osobné odporúčania a zlepšiť vzdelávacie skúsenosti a výsledky pre pedagógov a študentov. Medzi nimi môžu informácie získané prostredníctvom odporúčaní nástrojov vyriešiť konflikty medzi preferovanými učiteľskými metódami učiteľov a vzdelávacími potrebami študentov. Napríklad z dôvodu automatizovaného výstupu nástrojov odporúčania sa čas potrebný na identifikáciu IP študenta a jej zhodu s príslušnou IP výrazne zníži. Týmto spôsobom je možné zorganizovať vhodné školiace aktivity a školiace materiály. To pomáha rozvíjať pozitívne vzdelávacie správanie študentov a schopnosť sústrediť sa. Jedna štúdia uviedla, že poskytovanie vzdelávacích materiálov a vzdelávacích aktivít, ktoré sa zodpovedajú ich preferovaným LS Výskum tiež ukazuje, že okrem zlepšovania účasti študentov v triede, porozumenie vzdelávacieho procesu študentov zohráva aj pri zlepšovaní vyučovacích postupov a komunikácii so študentmi [28, 29].
Rovnako ako v prípade všetkých moderných technológií však existujú problémy a obmedzenia. Patria sem problémy týkajúce sa súkromia, zaujatosti a spravodlivosti údajov a odborných zručností a zdrojov potrebných na rozvoj a implementáciu algoritmov strojového učenia v zubnom vzdelávaní; Rastúci záujem a výskum v tejto oblasti však naznačuje, že technológie strojového učenia môžu mať pozitívny vplyv na zubné vzdelávanie a stomatologické služby.
Výsledky tejto štúdie naznačujú, že polovica zubných študentov má tendenciu „vnímať“ drogy. Tento typ žiaka má preferenciu faktov a konkrétnych príkladov, praktickú orientáciu, trpezlivosť pre detail a „vizuálne“ preferencie, kde študenti uprednostňujú používanie obrázkov, grafiky, farieb a máp na sprostredkovanie nápadov a myšlienok. Súčasné výsledky sú v súlade s inými štúdiami využívajúcimi ILS na hodnotenie LS u študentov zubných a medicíny, z ktorých väčšina má charakteristiky vnímavých a vizuálnych LS [12, 30]. Dalmolin a kol. Navrhujú, že informovanie študentov o ich LS im umožňuje dosiahnuť svoj vzdelávací potenciál. Vedci tvrdia, že keď učitelia plne rozumejú vzdelávaciemu procesu študentov, je možné implementovať rôzne vyučovacie metódy a aktivity, ktoré zlepšia výkonnosť a vzdelávacie skúsenosti študentov [12, 31, 32]. Iné štúdie ukázali, že úprava LS študentov tiež vykazuje zlepšenia vzdelávacích skúseností a výkonu študentov po zmene svojich štýlov učenia tak, aby vyhovovali ich vlastným LS [13, 33].
Názory učiteľov sa môžu líšiť v závislosti od implementácie vyučovacích stratégií založených na vzdelávacích schopnostiach študentov. Zatiaľ čo niektorí vidia výhody tohto prístupu, vrátane príležitostí profesionálneho rozvoja, mentorstva a podpory komunity, iní sa môžu zaujímať o čas a inštitucionálnu podporu. Snaha o rovnováhu je kľúčom k vytvoreniu postoja zameraného na študentov. Úrady vysokoškolského vzdelávania, ako sú správcovia univerzít, môžu zohrávať dôležitú úlohu pri vykonávaní pozitívnych zmien zavedením inovatívnych postupov a podporovaním rozvoja fakúlt [34]. Na vytvorenie skutočne dynamického a pohotového systému vysokoškolského vzdelávania musia tvorcovia politík podniknúť odvážne kroky, ako napríklad vykonávanie zmien politiky, venovanie zdrojov technologickej integrácii a vytváranie rámcov, ktoré podporujú prístupy zamerané na študentov. Tieto opatrenia sú rozhodujúce pre dosiahnutie požadovaných výsledkov. Nedávny výskum v oblasti diferencovanej výučby jasne ukázal, že úspešná implementácia diferencovanej výučby si vyžaduje prebiehajúce príležitosti na školenie a rozvoj pre učiteľov [35].
Tento nástroj poskytuje cennú podporu pre zubných pedagógov, ktorí chcú zaujať prístup zameraný na študenta k plánovaniu vzdelávacích aktivít vhodných pre študentov. Táto štúdia je však obmedzená na použitie modelov ML Tree ML. V budúcnosti by sa malo zhromažďovať viac údajov na porovnanie výkonu rôznych modelov strojového učenia s cieľom porovnávať presnosť, spoľahlivosť a presnosť nástrojov odporúčaní. Okrem toho pri výbere najvhodnejšej metódy strojového učenia pre konkrétnu úlohu je dôležité zvážiť ďalšie faktory, ako je zložitosť modelu a interpretácia.
Obmedzením tejto štúdie je, že sa zameriavalo iba na mapovanie LS a patrí medzi zubné študentov. Preto vyvinutý systém odporúčania odporučí iba tie, ktoré sú vhodné pre zubných študentov. Zmeny sú potrebné pre všeobecné využívanie študentov vysokoškolského vzdelávania.
Novo vyvinutý nástroj na odporúčanie založený na strojovom učení je schopný okamžite klasifikovať a zodpovedať LS študentov zodpovedajúcemu, čo z neho robí prvý program zubného vzdelávania, ktorý pomáha zubným pedagógom plánovať relevantné výučbové a vzdelávacie aktivity. Pomocou procesu triedenia založeného na údajoch môže poskytnúť prispôsobené odporúčania, ušetriť čas, zlepšiť výučbové stratégie, podporovať cielené zásahy a podporovať prebiehajúci profesionálny rozvoj. Jeho aplikácia bude podporovať prístupy zamerané na študentov k zubnému vzdelávaniu.
Gilak Jani Associated Press. Zápas alebo nesúlad medzi štýlom učenia študenta a štýlom výučby učiteľa. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Čas príspevku: Apr-29-2024