Rastie potreba vzdelávania zameraného na študenta (SCL) vo vysokoškolských inštitúciách vrátane zubného lekárstva.SCL má však obmedzené uplatnenie v zubnom vzdelávaní.Cieľom tejto štúdie je preto podporiť aplikáciu SCL v zubnom lekárstve pomocou technológie strojového učenia rozhodovacieho stromu (ML) na zmapovanie preferovaného štýlu učenia (LS) a zodpovedajúcich stratégií učenia (IS) študentov zubného lekárstva ako užitočného nástroja na vývoj smerníc IS. .Sľubné metódy pre študentov zubného lekárstva.
Celkovo 255 študentov zubného lekárstva z Malajskej univerzity vyplnilo upravený dotazník Index of Learning Styles (m-ILS), ktorý obsahoval 44 položiek na ich zaradenie do príslušných LS.Zhromaždené údaje (nazývané množina údajov) sa používajú pri učení riadeného rozhodovacieho stromu na automatické priradenie učebných štýlov študentov k najvhodnejšiemu IS.Potom sa vyhodnotí presnosť nástroja na odporúčanie IS založeného na strojovom učení.
Aplikácia modelov rozhodovacích stromov v automatizovanom procese mapovania medzi LS (vstup) a IS (cieľový výstup) umožňuje okamžitý zoznam vhodných učebných stratégií pre každého študenta zubného lekárstva.Nástroj odporúčaní IS preukázal dokonalú presnosť a vyvolanie celkovej presnosti modelu, čo naznačuje, že porovnávanie LS s IS má dobrú citlivosť a špecifickosť.
Nástroj odporúčaní IS založený na rozhodovacom strome ML preukázal svoju schopnosť presne zladiť štýly učenia študentov zubného lekárstva s vhodnými stratégiami učenia.Tento nástroj poskytuje výkonné možnosti plánovania kurzov alebo modulov zameraných na študenta, ktoré môžu zlepšiť vzdelávacie skúsenosti študentov.
Vyučovanie a učenie sú základné činnosti vo vzdelávacích inštitúciách.Pri vytváraní kvalitného systému odborného vzdelávania je dôležité zamerať sa na vzdelávacie potreby žiakov.Interakciu medzi študentmi a ich vzdelávacím prostredím možno určiť prostredníctvom ich LS.Výskum naznačuje, že učiteľom zamýšľaný nesúlad medzi LS a IS žiakov môže mať negatívne dôsledky na učenie sa žiakov, ako je znížená pozornosť a motivácia.To nepriamo ovplyvní výkon žiakov [1,2].
IS je metóda, ktorú používajú učitelia na odovzdávanie vedomostí a zručností študentom, vrátane pomoci študentom učiť sa [3].Vo všeobecnosti dobrí učitelia plánujú vyučovacie stratégie alebo IS, ktoré najlepšie zodpovedajú úrovni vedomostí ich študentov, konceptom, ktoré sa učia, a ich štádiu učenia.Teoreticky, keď sa LS a IS zhodujú, študenti budú schopní zorganizovať a použiť špecifický súbor zručností na efektívne učenie.Plán hodiny zvyčajne zahŕňa niekoľko prechodov medzi jednotlivými fázami, ako napríklad od vyučovania k riadenej praxi alebo od riadenej praxe k samostatnej praxi.S týmto vedomím efektívni učitelia často plánujú vyučovanie s cieľom budovania vedomostí a zručností žiakov [4].
Dopyt po SCL rastie v inštitúciách vysokoškolského vzdelávania, vrátane zubného lekárstva.Stratégie SCL sú navrhnuté tak, aby vyhovovali vzdelávacím potrebám študentov.Dá sa to dosiahnuť napríklad tak, že sa študenti aktívne zapoja do vzdelávacích aktivít a učitelia vystupujú ako facilitátori a sú zodpovední za poskytovanie cennej spätnej väzby.Hovorí sa, že poskytovanie učebných materiálov a aktivít, ktoré sú primerané vzdelanostnej úrovni alebo preferenciám študentov, môže zlepšiť vzdelávacie prostredie študentov a podporiť pozitívne vzdelávacie skúsenosti [5].
Vo všeobecnosti je proces učenia študentov zubného lekárstva ovplyvnený rôznymi klinickými postupmi, ktoré musia vykonávať, a klinickým prostredím, v ktorom si rozvíjajú efektívne interpersonálne zručnosti.Účelom školenia je umožniť študentom spojiť základné poznatky zubného lekárstva so zubno-klinickými zručnosťami a aplikovať získané poznatky na nové klinické situácie [6, 7].Skorý výskum vzťahu medzi LS a IS zistil, že úprava učebných stratégií mapovaných na preferované LS by pomohla zlepšiť vzdelávací proces [8].Autori tiež odporúčajú používať rôzne metódy výučby a hodnotenia na prispôsobenie sa učeniu a potrebám študentov.
Učitelia ťažia z aplikovania vedomostí LS, ktoré im pomôžu navrhnúť, rozvíjať a implementovať výučbu, ktorá študentom zlepší osvojenie si hlbších vedomostí a pochopenia predmetu.Výskumníci vyvinuli niekoľko nástrojov hodnotenia LS, ako napríklad Kolbov model skúsenostného učenia, Felder-Silvermanov model učebného štýlu (FSLSM) a Flemingov VAK/VARK model [5, 9, 10].Podľa literatúry sú tieto modely učenia najčastejšie používané a najviac študované modely učenia.V súčasnej výskumnej práci sa FSLSM používa na hodnotenie LS medzi študentmi zubného lekárstva.
FSLSM je široko používaný model na hodnotenie adaptívneho učenia v inžinierstve.Existuje mnoho publikovaných prác v oblasti zdravotníckych vied (vrátane medicíny, ošetrovateľstva, farmácie a zubného lekárstva), ktoré možno nájsť pomocou modelov FSLSM [5, 11, 12, 13].Nástroj používaný na meranie dimenzií LS vo FLSM sa nazýva Index učebných štýlov (ILS) [8], ktorý obsahuje 44 položiek hodnotiacich štyri dimenzie LS: spracovanie (aktívna/reflektívna), percepcia (percepčná/intuitívna), vstup (vizuálny)./verbálne) a porozumenie (sekvenčné/globálne) [14].
Ako je znázornené na obrázku 1, každá dimenzia FSLSM má dominantnú preferenciu.Napríklad v dimenzii spracovania študenti s „aktívnym“ LS uprednostňujú spracovanie informácií priamou interakciou s učebnými materiálmi, učia sa praxou a majú tendenciu učiť sa v skupinách.„Reflexívny“ LS sa týka učenia sa myslením a uprednostňuje prácu osamote.Dimenzia „vnímania“ LS sa dá rozdeliť na „pocit“ a/alebo „intuíciu“.Študenti „pocitoví“ uprednostňujú konkrétnejšie informácie a praktické postupy, sú orientovaní na fakty v porovnaní s „intuitívnymi“ študentmi, ktorí uprednostňujú abstraktný materiál a sú inovatívnejšie a kreatívnejšie.„Vstupná“ dimenzia LS pozostáva z „vizuálnych“ a „verbálnych“ študentov.Ľudia s „vizuálnou“ LS sa radšej učia prostredníctvom vizuálnych demonštrácií (ako sú diagramy, videá alebo živé ukážky), zatiaľ čo ľudia s „verbálnou“ LS uprednostňujú učenie sa prostredníctvom slov v písomnom alebo ústnom vysvetlení.Aby sme „pochopili“ dimenzie LS, takýchto študentov možno rozdeliť na „sekvenčné“ a „globálne“.„Postupní študenti preferujú lineárny myšlienkový proces a učia sa krok za krokom, zatiaľ čo globálni študenti majú tendenciu mať holistický myšlienkový proces a vždy lepšie rozumejú tomu, čo sa učia.
V poslednej dobe mnohí výskumníci 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 riadené ML (strojové učenie) schopné generovať vzory a hypotézy, ktoré predpovedajú budúce výsledky na základe konštrukcie algoritmov [17].Jednoducho povedané, techniky strojového učenia pod dohľadom manipulujú so vstupnými údajmi a trénujú algoritmy.Potom vygeneruje rozsah, ktorý klasifikuje alebo predpovedá výsledok na základe podobných situácií pre poskytnuté vstupné údaje.Hlavnou výhodou supervidovaných algoritmov strojového učenia je ich schopnosť stanoviť ideálne a požadované výsledky [17].
Použitím dátovo riadených metód a modelov riadenia rozhodovacieho stromu je možná automatická detekcia LS.Uvádza sa, že rozhodovacie stromy sú široko používané v tréningových programoch v rôznych oblastiach, vrátane zdravotníckych vied [18, 19].V tejto štúdii bol model špeciálne vyškolený vývojármi systému, aby identifikoval LS študentov a odporučil im najlepší IS.
Účelom tejto štúdie je vyvinúť stratégie poskytovania IS založené na LS študentov a aplikovať prístup SCL vytvorením nástroja odporúčaní IS mapovaného na LS.Návrhový tok nástroja na odporúčanie IS ako stratégie metódy SCL je znázornený na obrázku 1. Nástroj na odporúčanie IS je rozdelený na dve časti vrátane klasifikačného mechanizmu LS pomocou ILS a najvhodnejšieho zobrazenia IS pre študentov.
Medzi charakteristiky nástrojov odporúčaní informačnej bezpečnosti patrí najmä používanie webových technológií a používanie strojového učenia rozhodovacieho stromu.Vývojári systémov zlepšujú používateľskú skúsenosť a mobilitu tým, že ich prispôsobujú mobilným zariadeniam, ako sú mobilné telefóny a tablety.
Experiment prebiehal v dvoch etapách a dobrovoľne sa ho zúčastnili študenti Fakulty zubného lekárstva Malajskej univerzity.Účastníci odpovedali na online m-ILS študenta zubného lekárstva v angličtine.V počiatočnej fáze sa použil súbor údajov 50 študentov na trénovanie algoritmu strojového učenia rozhodovacieho stromu.V druhej fáze vývojového procesu bol na zlepšenie presnosti vyvinutého prístroja použitý súbor údajov 255 študentov.
Všetci účastníci dostanú online brífing na začiatku každej fázy, v závislosti od akademického roka, prostredníctvom Microsoft Teams.Bol vysvetlený účel štúdie a bol získaný informovaný súhlas.Všetkým účastníkom bol poskytnutý odkaz na prístup k m-ILS.Každý študent dostal pokyn, aby odpovedal na všetkých 44 položiek v dotazníku.Dostali jeden týždeň na to, aby dokončili modifikovaný ILS v čase a na mieste, ktoré im vyhovuje počas semestrálnej prestávky pred začiatkom semestra.m-ILS vychádza z pôvodného prístroja ILS a je upravený pre študentov zubného lekárstva.Podobne ako pôvodný ILS obsahuje 44 rovnomerne rozdelených položiek (a, b), pričom každá obsahuje 11 položiek, ktoré sa používajú na posúdenie aspektov každej dimenzie FSLSM.
Počas počiatočných fáz vývoja nástroja výskumníci manuálne anotovali mapy pomocou súboru údajov 50 študentov zubného lekárstva.Podľa FSLM systém poskytuje súčet odpovedí „a“ a „b“.Pre každú dimenziu, ak študent vyberie „a“ ako odpoveď, LS je klasifikovaný ako aktívny/perceptuálny/vizuálny/sekvenčný a ak študent vyberie „b“ ako odpoveď, študent je klasifikovaný ako reflexný/intuitívny/lingvistický ./ globálny študent.
Po kalibrácii pracovného toku medzi výskumníkmi v oblasti zubného vzdelávania a vývojármi systému boli vybrané otázky na základe domény FLSSM a vložené do modelu ML na predpovedanie LS každého študenta.„Garbage in, garbage out“ je populárny výrok v oblasti strojového učenia s dôrazom na kvalitu dát.Kvalita vstupných údajov určuje presnosť a presnosť modelu strojového učenia.Počas fázy inžinierstva funkcií sa vytvorí nová sada funkcií, ktorá je súčtom odpovedí „a“ a „b“ na základe FLSSM.Identifikačné čísla pozícií liečiv sú uvedené v tabuľke 1.
Na základe odpovedí vypočítajte skóre a určte LS žiaka.Pre každého študenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 označuje rovnováhu preferencií učenia v rámci tej istej dimenzie a skóre od 5 do 7 označuje miernu preferenciu, čo naznačuje, že študenti majú tendenciu uprednostňovať jedno prostredie, v ktorom učia ostatných. .Ďalšou variáciou tej istej dimenzie je, že skóre od 9 do 11 odráža silnú preferenciu jedného alebo druhého konca [8].
Pre každú dimenziu boli drogy rozdelené do skupín „aktívne“, „reflexné“ a „vyvážené“.Napríklad, keď študent odpovie „a“ častejšie ako „b“ na určenú položku a jeho/jej skóre prekročí hranicu 5 pre konkrétnu položku reprezentujúcu dimenziu Spracovanie LS, patrí do „aktívnej“ LS. domény..Študenti však boli klasifikovaní ako „reflektívne“ LS, keď si v konkrétnych 11 otázkach (tabuľka 1) vybrali „b“ viac ako „a“ a dosiahli viac ako 5 bodov.Nakoniec je študent v stave „rovnováhy“.Ak skóre nepresiahne 5 bodov, ide o „procesnú“ LS.Proces klasifikácie sa opakoval pre ďalšie dimenzie LS, a to vnímanie (aktívne/reflexné), vstup (vizuálne/verbálne) a porozumenie (sekvenčné/globálne).
Modely rozhodovacích stromov môžu využívať rôzne podmnožiny funkcií a rozhodovacích pravidiel v rôznych fázach klasifikačného procesu.Považuje sa za populárny klasifikačný a predikčný nástroj.Môže byť reprezentovaný pomocou stromovej štruktúry, ako je vývojový diagram [20], v ktorom sú interné uzly reprezentujúce testy podľa atribútu, každá vetva predstavuje výsledky testu a každý listový uzol (listový uzol) obsahuje označenie triedy.
Bol vytvorený jednoduchý program založený na pravidlách, ktorý automaticky skóroval a anotoval LS každého študenta na základe ich odpovedí.Na základe pravidiel má formu príkazu IF, kde „IF“ popisuje spúšťač a „THEN“ špecifikuje akciu, ktorá sa má vykonať, napríklad: „Ak sa stane X, potom urob Y“ (Liu et al., 2014).Ak súbor údajov vykazuje koreláciu a model rozhodovacieho stromu je správne vyškolený a vyhodnotený, tento prístup môže byť efektívnym spôsobom automatizácie procesu porovnávania LS a IS.
V druhej fáze vývoja sa súbor údajov zvýšil na 255, aby sa zlepšila presnosť nástroja odporúčaní.Súbor údajov je rozdelený v pomere 1:4.25 % (64) súboru údajov sa použilo pre testovací súbor a zvyšných 75 % (191) sa použilo ako tréningový súbor (obrázok 2).Súbor údajov je potrebné rozdeliť, aby sa zabránilo trénovaniu a testovaniu modelu na rovnakom súbore údajov, čo by mohlo spôsobiť, že si model zapamätá, a nie sa bude učiť.Model je trénovaný na trénovacej množine a hodnotí svoj výkon v testovacej množine – dáta, ktoré model ešte nikdy nevidel.
Po vyvinutí nástroja IS bude aplikácia schopná klasifikovať LS na základe odpovedí študentov zubného lekárstva cez webové rozhranie.Webový systém odporúčaní informačnej bezpečnosti je zostavený pomocou programovacieho jazyka Python s použitím rámca Django ako backendu.Tabuľka 2 uvádza knižnice použité pri vývoji tohto systému.
Súbor údajov sa privádza do modelu rozhodovacieho stromu na výpočet a extrakciu odpovedí študentov na automatickú klasifikáciu meraní LS študentov.
Matica zmätku sa používa na vyhodnotenie presnosti algoritmu strojového učenia rozhodovacieho stromu na danom súbore údajov.Zároveň hodnotí výkonnosť klasifikačného modelu.Zhŕňa predpovede modelu a porovnáva ich so skutočnými štítkami údajov.Výsledky hodnotenia sú založené na štyroch rôznych hodnotách: True Positive (TP) – model správne predpovedal pozitívnu kategóriu, False Positive (FP) – model predpovedal pozitívnu kategóriu, ale pravdivé označenie bolo negatívne, True Negative (TN) – model správne predpovedal negatívnu triedu a falošne negatívnu (FN) – model predpovedá negatívnu triedu, ale skutočné označenie je pozitívne.
Tieto hodnoty sa potom používajú na výpočet rôznych výkonnostných metrík klasifikačného modelu scikit-learn v Pythone, konkrétne presnosti, presnosti, vybavovania a skóre F1.Tu sú príklady:
Recall (alebo citlivosť) meria schopnosť modelu presne klasifikovať LS študenta po zodpovedaní dotazníka m-ILS.
Špecifickosť sa nazýva skutočná negatívna miera.Ako môžete vidieť z vyššie uvedeného vzorca, mal by to byť pomer skutočných negatív (TN) k skutočným negatívnym a falošným pozitívam (FP).Ako súčasť odporúčaného nástroja na klasifikáciu študentských drog by mal byť schopný presnej identifikácie.
Pôvodný súbor údajov 50 študentov použitý na trénovanie modelu ML rozhodovacieho stromu vykazoval relatívne nízku presnosť v dôsledku ľudskej chyby v anotáciách (tabuľka 3).Po vytvorení jednoduchého programu založeného na pravidlách na automatický výpočet skóre LS a anotácií študentov sa na trénovanie a testovanie systému odporúčaní použil rastúci počet súborov údajov (255).
Vo viactriednej konfúznej matici predstavujú diagonálne prvky počet správnych predpovedí pre každý typ LS (obrázok 4).Pomocou modelu rozhodovacieho stromu bolo správne predpovedaných celkom 64 vzoriek.V tejto štúdii teda diagonálne prvky ukazujú očakávané výsledky, čo naznačuje, že model funguje dobre a presne predpovedá označenie triedy pre každú klasifikáciu LS.Celková presnosť nástroja na odporúčanie je teda 100 %.
Hodnoty presnosti, presnosti, vybavovania a skóre F1 sú znázornené na obrázku 5. Pre systém odporúčaní využívajúci model rozhodovacieho stromu je jeho skóre F1 1,0 „perfektné“, čo znamená dokonalú presnosť a vybavovanie, čo odráža významnú citlivosť a špecifickosť hodnoty.
Obrázok 6 zobrazuje vizualizáciu modelu rozhodovacieho stromu po dokončení školenia a testovania.V porovnaní vedľa seba model rozhodovacieho stromu trénovaný s menším počtom funkcií vykazoval vyššiu presnosť a jednoduchšiu vizualizáciu modelu.To ukazuje, že inžinierstvo funkcií vedúce k redukcii funkcií je dôležitým krokom pri zlepšovaní výkonu modelu.
Použitím učenia riadeného rozhodovacím stromom sa automaticky generuje mapovanie medzi LS (vstup) a IS (cieľový výstup) a obsahuje podrobné informácie pre každý LS.
Výsledky ukázali, že 34,9 % z 255 študentov preferovalo jednu (1) možnosť LS.Väčšina (54,3 %) mala dve alebo viac preferencií LS.12,2 % študentov poznamenalo, že LS je pomerne vyrovnaná (tabuľka 4).Okrem ôsmich hlavných LS existuje 34 kombinácií klasifikácií LS pre študentov zubného lekárstva University of Malaya.Spomedzi nich sú vnímanie, videnie a kombinácia vnímania a videnia hlavnými LS uvádzanými študentmi (obrázok 7).
Ako vidno z tabuľky 4, väčšina študentov mala prevládajúcu senzorickú (13,7 %) alebo zrakovú (8,6 %) LS.Uvádza sa, že 12,2 % študentov kombinovalo vnímanie s videním (percepčne-vizuálna LS).Tieto zistenia naznačujú, že študenti sa radšej učia a zapamätajú si prostredníctvom zavedených metód, dodržiavajú špecifické a podrobné postupy a sú svojou povahou pozorní.Zároveň sa radi učia pozeraním (pomocou diagramov atď.) a majú tendenciu diskutovať a aplikovať informácie v skupinách alebo sami.
Táto štúdia poskytuje prehľad techník strojového učenia používaných pri dolovaní údajov so zameraním na okamžité a presné predpovedanie LS študentov a odporúčanie vhodných IS.Aplikácia modelu rozhodovacieho stromu identifikovala faktory, ktoré najviac súvisia s ich životnými a vzdelávacími skúsenosťami.Je to riadený algoritmus strojového učenia, ktorý používa stromovú štruktúru na klasifikáciu údajov rozdelením súboru údajov do podkategórií na základe určitých kritérií.Funguje tak, že rekurzívne rozdeľuje vstupné údaje do podmnožín na základe hodnoty jednej zo vstupných vlastností každého interného uzla, až kým sa nerozhodne v koncovom uzle.
Vnútorné uzly rozhodovacieho stromu predstavujú riešenie založené na vstupných charakteristikách úlohy m-ILS a listové uzly predstavujú konečnú predikciu klasifikácie LS.V celej štúdii je ľahké porozumieť hierarchii rozhodovacích stromov, ktoré vysvetľujú a vizualizujú rozhodovací proces, pohľadom na vzťah medzi vstupnými funkciami a výstupnými predikciami.
V oblasti počítačovej vedy a inžinierstva sa algoritmy strojového učenia široko používajú na predpovedanie výkonu študentov na základe ich skóre na prijímacích skúškach [21], demografických informácií a správania pri učení [22].Výskum ukázal, že algoritmus presne predpovedal výkon študentov a pomohol im identifikovať študentov ohrozených akademickými ťažkosťami.
Uvádza sa aplikácia algoritmov ML pri vývoji virtuálnych simulátorov pacientov pre zubný výcvik.Simulátor je schopný presne reprodukovať fyziologické reakcie skutočných pacientov a možno ho použiť na školenie študentov zubného lekárstva v bezpečnom a kontrolovanom prostredí [23].Niekoľko ďalších štúdií ukazuje, že algoritmy strojového učenia môžu potenciálne zlepšiť kvalitu a efektívnosť vzdelávania zubárov a lekárov a starostlivosti o pacientov.Algoritmy strojového učenia sa používajú na pomoc pri diagnostike zubných ochorení na základe súborov údajov, ako sú symptómy a charakteristiky pacienta [24, 25].Zatiaľ čo iné štúdie skúmali použitie algoritmov strojového učenia na vykonávanie úloh, ako je predpovedanie výsledkov pacientov, identifikácia vysokorizikových pacientov, vývoj personalizovaných liečebných plánov [26], periodontálna liečba [27] a liečba zubného kazu [25].
Hoci boli publikované správy o aplikácii strojového učenia v zubnom lekárstve, jeho aplikácia v zubnom vzdelávaní zostáva obmedzená.Preto sa táto štúdia zamerala na použitie modelu rozhodovacieho stromu na identifikáciu faktorov, ktoré sú medzi študentmi zubného lekárstva najviac spojené s LS a IS.
Výsledky tejto štúdie ukazujú, že vyvinutý nástroj odporúčaní má vysokú presnosť a dokonalú presnosť, čo naznačuje, že učitelia môžu z tohto nástroja profitovať.Pomocou klasifikačného procesu na základe údajov môže poskytnúť personalizované odporúčania a zlepšiť vzdelávacie skúsenosti a výsledky pre pedagógov a študentov.Spomedzi nich môžu informácie získané prostredníctvom odporúčacích nástrojov vyriešiť konflikty medzi učiteľmi preferovanými vyučovacími metódami a vzdelávacími potrebami študentov.Napríklad vďaka automatizovanému výstupu odporúčacích nástrojov sa výrazne skráti čas potrebný na identifikáciu IP študenta a jej priradenie k zodpovedajúcej IP.Týmto spôsobom je možné organizovať vhodné školiace aktivity a školiace materiály.To pomáha rozvíjať pozitívne správanie študentov pri učení a schopnosť sústrediť sa.Jedna štúdia uvádza, že poskytovanie študijných materiálov a vzdelávacích aktivít študentom, ktoré zodpovedajú ich preferovaným LS, môže študentom pomôcť integrovať sa, spracovávať a užívať si učenie viacerými spôsobmi, aby dosiahli väčší potenciál [12].Výskum tiež ukazuje, že okrem zlepšenia participácie študentov v triede, pochopenie procesu učenia študentov tiež zohráva rozhodujúcu úlohu pri zlepšovaní vyučovacích postupov a komunikácie so študentmi [28, 29].
Ako pri každej modernej technológii však existujú problémy a obmedzenia.Patria sem otázky týkajúce sa ochrany osobných údajov, zaujatosti a spravodlivosti a odborných zručností a zdrojov potrebných na vývoj a implementáciu algoritmov strojového učenia v zubnom vzdelávaní;Rastúci záujem a výskum v tejto oblasti však naznačujú, že technológie strojového učenia môžu mať pozitívny vplyv na zubné vzdelávanie a zubné služby.
Výsledky tejto štúdie naznačujú, že polovica študentov zubného lekárstva má tendenciu „vnímať“ drogy.Tento typ študentov preferuje fakty a konkrétne príklady, praktickú orientáciu, trpezlivosť pre detaily a preferuje „vizuálne“ LS, kde študenti uprednostňujú použitie obrázkov, grafiky, farieb a máp na sprostredkovanie myšlienok a myšlienok.Súčasné výsledky sú v súlade s inými štúdiami používajúcimi ILS na hodnotenie LS u študentov zubného lekárstva a medicíny, z ktorých väčšina má charakteristiky percepčnej a zrakovej LS [12, 30].Dalmolin et al naznačujú, že informovanie študentov o ich LS im umožňuje dosiahnuť ich vzdelávací potenciál.Výskumníci tvrdia, že keď učitelia plne pochopia vzdelávací proces žiakov, môžu sa implementovať rôzne vyučovacie metódy a aktivity, ktoré zlepšia výkon žiakov a učia sa [12, 31, 32].Iné štúdie ukázali, že úprava LS študentov tiež ukazuje zlepšenie v učebných skúsenostiach a výkonoch študentov po zmene ich učebných štýlov tak, aby vyhovovali ich vlastným LS [13, 33].
Názory učiteľov na implementáciu vyučovacích stratégií na základe učebných schopností študentov sa môžu líšiť.Zatiaľ čo niektorí vidia výhody tohto prístupu, vrátane možností profesionálneho rozvoja, mentorstva a podpory komunity, iní sa môžu obávať času a inštitucionálnej podpory.Snaha o rovnováhu je kľúčom k vytvoreniu postoja zameraného na študenta.Orgány vyššieho vzdelávania, ako napríklad správcovia univerzít, môžu zohrávať dôležitú úlohu pri podpore pozitívnych zmien zavádzaním inovatívnych postupov a podporou rozvoja fakúlt [34].Na vytvorenie skutočne dynamického a pohotového systému vysokoškolského vzdelávania musia tvorcovia politiky podniknúť odvážne kroky, ako je zmena politiky, vyčlenenie zdrojov na integráciu technológií a vytváranie rámcov, ktoré podporujú prístupy zamerané na študentov.Tieto opatrenia sú rozhodujúce pre dosiahnutie požadovaných výsledkov.Nedávny výskum diferencovaného vyučovania jasne ukázal, že úspešná implementácia diferencovaného vyučovania si vyžaduje neustále školenie a príležitosti na rozvoj učiteľov [35].
Tento nástroj poskytuje cennú podporu pedagógom v oblasti zubného lekárstva, ktorí chcú zaujať prístup zameraný na študentov pri plánovaní vzdelávacích aktivít vhodných pre študentov.Táto štúdia je však obmedzená na použitie modelov ML rozhodovacieho stromu.V budúcnosti by sa malo zhromaždiť viac údajov na porovnanie výkonnosti rôznych modelov strojového učenia na porovnanie presnosti, spoľahlivosti a precíznosti odporúčacích nástrojov.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 zamerala iba na mapovanie LS a IS medzi študentmi zubného lekárstva.Vyvinutý systém odporúčaní preto odporučí len tie, ktoré sú vhodné pre študentov zubného lekárstva.Zmeny sú potrebné pre použitie študentmi všeobecného vysokoškolského vzdelávania.
Novovyvinutý nástroj odporúčaní založený na strojovom učení je schopný okamžite klasifikovať a priraďovať LS študentov k zodpovedajúcemu IS, čím sa stáva prvým vzdelávacím programom v oblasti zubného lekárstva, ktorý pomáha pedagógom v oblasti zubného lekárstva plánovať príslušné vyučovacie a vzdelávacie aktivity.Pomocou procesu triedenia založeného na údajoch môže poskytovať personalizované odporúčania, šetriť čas, zlepšovať stratégie výučby, podporovať cielené intervencie a podporovať neustály profesionálny rozvoj.Jeho aplikácia podporí prístupy k zubnému vzdelávaniu zamerané na študentov.
Gilak Jani Associated Press.Zhoda alebo nesúlad medzi štýlom učenia žiaka a štýlom vyučovania učiteľa.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Čas odoslania: 29. apríla 2024