Na vysokých školách vrátane zubného lekárstva rastie potreba vzdelávania zameraného na študenta (SCL). SCL má však v zubnom vzdelávaní obmedzené uplatnenie. Preto si táto štúdia kladie za cieľ podporiť aplikáciu SCL v zubnom lekárstve pomocou technológie strojového učenia (ML) rozhodovacích stromov na mapovanie preferovaného štýlu učenia (LS) a zodpovedajúcich stratégií učenia (IS) študentov zubného lekárstva ako užitočného nástroja na vývoj smerníc pre IS. Sľubné metódy pre študentov zubného lekárstva.
Celkovo 255 študentov zubného lekárstva z Malajskej univerzity vyplnilo upravený dotazník Indexu štýlov učenia (m-ILS), ktorý obsahoval 44 položiek na ich klasifikáciu do príslušných LS. Zhromaždené údaje (nazývané súbor údajov) sa používajú v systéme riadeného rozhodovacieho stromu na automatické priradenie štýlov učenia študentov k najvhodnejšiemu IS. Následne sa vyhodnotí presnosť nástroja na odporúčania IS založeného na strojovom učení.
Aplikácia modelov rozhodovacích stromov v automatizovanom procese mapovania medzi LS (vstup) a IS (cieľový výstup) umožňuje okamžitý zoznam vhodných stratégií učenia pre každého študenta zubného lekárstva. Nástroj na odporúčania IS preukázal dokonalú presnosť a úplnosť celkovej presnosti modelu, čo naznačuje, že porovnávanie LS s IS má dobrú citlivosť a špecifickosť.
Nástroj na odporúčania informačného systému založený na rozhodovacom strome strojového učenia preukázal svoju schopnosť presne zosúladiť štýly učenia študentov zubného lekárstva s vhodnými stratégiami učenia. Tento nástroj poskytuje výkonné možnosti plánovania kurzov alebo modulov zameraných na študenta, ktoré môžu zlepšiť študijný zážitok študentov.
Výučba a učenie sú základnými činnosťami vo vzdelávacích inštitúciách. Pri vytváraní kvalitného systému odborného vzdelávania je dôležité zamerať sa na vzdelávacie potreby študentov. Interakciu medzi študentmi a ich vzdelávacím prostredím možno určiť prostredníctvom ich vzdelávacích znalostí (LS). Výskum naznačuje, že učiteľom zamýšľané nesúlady medzi vzdelávacími znalosťami (LS) a informačnými znalosťami (IS) študentov môžu mať negatívne dôsledky pre učenie študentov, ako je znížená pozornosť a motivácia. To nepriamo ovplyvní výkon študentov [1,2].
IS je metóda, ktorú učitelia používajú na odovzdávanie vedomostí a zručností študentom vrátane pomoci študentom pri učení [3]. Vo všeobecnosti dobrí učitelia plánujú stratégie výučby alebo IS, ktoré najlepšie zodpovedajú úrovni vedomostí ich študentov, konceptom, ktoré sa učia, a ich fáze učenia. Teoreticky, keď sa LS a IS zhodujú, študenti budú schopní organizovať a používať špecifický súbor zručností na efektívne učenie. Plán hodiny zvyčajne zahŕňa niekoľko prechodov medzi fázami, napríklad od vyučovania k riadenej praxi alebo od riadenej praxe k samostatnej praxi. S ohľadom na to efektívni učitelia často plánujú výučbu s cieľom budovať vedomosti a zručnosti študentov [4].
Dopyt po SCL (Scientific Continuous Continuous Curriculum - učebné metódy) rastie na inštitúciách vyššieho vzdelávania vrátane zubného lekárstva. Stratégie SCL sú navrhnuté tak, aby spĺňali vzdelávacie potreby študentov. To sa dá dosiahnuť napríklad vtedy, ak sa študenti aktívne zúčastňujú na vzdelávacích aktivitách a učitelia pôsobia ako facilitátori a sú zodpovední za poskytovanie cennej spätnej väzby. Hovorí sa, že poskytovanie vzdelávacích materiálov a aktivít, ktoré sú vhodné pre úroveň vzdelania alebo preferencie študentov, môže zlepšiť ich vzdelávacie prostredie 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. Cieľom školenia je umožniť študentom kombinovať základné znalosti zubného lekárstva s klinickými zručnosťami v zubnom lekárstve a aplikovať získané vedomosti v nových klinických situáciách [6, 7]. Skorší výskum vzťahu medzi LS a IS zistil, že úprava stratégií učenia mapovaných na preferovaný LS by pomohla zlepšiť vzdelávací proces [8]. Autori tiež odporúčajú používať rôzne metódy výučby a hodnotenia, aby sa prispôsobili učeniu a potrebám študentov.
Učitelia profitujú z uplatňovania znalostí o učení sa na vzdelávanie (LS) pri navrhovaní, vývoji a implementácii výučby, ktorá zlepší získavanie hlbších vedomostí a pochopenia učiva študentmi. Výskumníci vyvinuli niekoľko nástrojov na hodnotenie LS, ako napríklad Kolbov model zážitkového učenia (Experiential Learning Model), Felder-Silvermanov model štýlu učenia (FSLSM) a Flemingov model VAK/VARK [5, 9, 10]. Podľa literatúry sú tieto modely učenia najčastejšie používanými a najviac študovanými modelmi učenia. V súčasnej výskumnej práci sa FSLSM používa na hodnotenie LS u študentov zubného lekárstva.
FSLSM je široko používaný model na hodnotenie adaptívneho učenia v inžinierstve. Existuje mnoho publikovaných prác v zdravotníckych vedách (vrátane medicíny, ošetrovateľstva, farmácie a zubného lekárstva), ktoré možno nájsť pomocou modelov FSLSM [5, 11, 12, 13]. Nástroj používaný na meranie dimenzií LS v FLSM sa nazýva Index štýlov učenia (ILS) [8], ktorý obsahuje 44 položiek hodnotiacich štyri dimenzie LS: spracovanie (aktívne/reflexívne), vnímanie (percepčné/intuitívne), vstup (vizuálny/verbálny) a porozumenie (sekvenčné/globálne) [14].
Ako je znázornené na obrázku 1, každý rozmer FSLSM má dominantnú preferenciu. Napríklad v dimenzii spracovania študenti s „aktívnym“ LS uprednostňujú spracovávanie informácií priamou interakciou s učebnými materiálmi, učia sa praxou a majú tendenciu učiť sa v skupinách. „Reflektívny“ LS sa vzťahuje na učenie sa prostredníctvom myslenia a uprednostňuje prácu samostatne. Dimenziu „vnímania“ LS možno rozdeliť na „cítenie“ a/alebo „intuíciu“. „Cítiaci“ študenti uprednostňujú konkrétnejšie informácie a praktické postupy, sú orientovaní na fakty v porovnaní s „intuitívnymi“ študentmi, ktorí uprednostňujú abstraktný materiál a sú inovatívnejší a kreatívnejší. Dimenziu „vstupu“ LS tvoria „vizuálni“ a „verbálni“ študenti. Ľudia s „vizuálnym“ LS uprednostňujú učenie sa prostredníctvom vizuálnych demonštrácií (ako sú diagramy, videá alebo živé demonštrácie), zatiaľ čo ľudia s „verbálnym“ LS uprednostňujú učenie sa prostredníctvom slov v písomných alebo ústnych vysvetleniach. Aby sa dimenzie LS „pochopili“, možno takýchto študentov rozdeliť na „sekvenčných“ a „globálnych“. „Sekvenční študenti uprednostňujú 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 začalo mnoho výskumníkov skúmať metódy automatického objavovania na základe dát, vrátane vývoja nových algoritmov a modelov schopných interpretovať veľké množstvo dát [15, 16]. Na základe poskytnutých dát je strojové učenie s dohľadom (ML) schopné generovať vzory a hypotézy, ktoré predpovedajú budúce výsledky na základe konštrukcie algoritmov [17]. Jednoducho povedané, techniky strojového učenia s dohľadom manipulujú so vstupnými dátami a trénujú algoritmy. Potom generujú rozsah, ktorý klasifikuje alebo predpovedá výsledok na základe podobných situácií pre poskytnuté vstupné dáta. Hlavnou výhodou algoritmov strojového učenia s dohľadom je ich schopnosť stanoviť ideálne a požadované výsledky [17].
Vďaka použitiu metód založených na dátach a modelov riadenia rozhodovacích stromov je možná automatická detekcia LS. Rozhodovacie stromy sa podľa správ široko používajú vo vzdelávacích programoch v rôznych oblastiach vrátane zdravotníckych vied [18, 19]. V tejto štúdii bol model špeciálne natrénovaný vývojármi systému na identifikáciu LS študentov a odporúčanie najlepšieho informačného systému pre nich.
Cieľom tejto štúdie je vyvinúť stratégie poskytovania informačného systému (IS) založené na LS študentov a aplikovať prístup SCL vývojom nástroja odporúčaní IS namapovaného na LS. Postup návrhu nástroja odporúčaní IS ako stratégie metódy SCL je znázornený na obrázku 1. Nástroj odporúčaní IS je rozdelený na dve časti, vrátane mechanizmu klasifikácie LS pomocou ILS a najvhodnejšieho zobrazenia IS pre študentov.
Medzi charakteristiky nástrojov na odporúčania v oblasti informačnej bezpečnosti patrí najmä využitie webových technológií a využitie strojového učenia rozhodovacích stromov. Vývojári systémov zlepšujú používateľskú skúsenosť a mobilitu prispôsobením ich mobilným zariadeniam, ako sú mobilné telefóny a tablety.
Experiment sa uskutočnil v dvoch fázach a študenti zo Stomatologickej fakulty Univerzity v Malajzii sa ho zúčastnili na dobrovoľnej báze. Účastníci odpovedali na online dotazník m-ILS študentov zubného lekárstva v angličtine. V počiatočnej fáze sa na trénovanie algoritmu strojového učenia rozhodovacieho stromu použil súbor údajov 50 študentov. V druhej fáze vývojového procesu sa na zlepšenie presnosti vyvinutého nástroja použil súbor údajov 255 študentov.
Všetci účastníci dostanú na začiatku každej fázy, v závislosti od akademického roka, online brífing prostredníctvom aplikácie Microsoft Teams. Bol im vysvetlený účel štúdie a bol získaný informovaný súhlas. Všetkým účastníkom bol poskytnutý odkaz na prístup k m-ILS. Každý študent bol poverený, aby odpovedal na všetkých 44 položiek dotazníka. Na vyplnenie upraveného ILS dostali jeden týždeň v čase a na mieste, ktoré im vyhovovalo, počas semestrálnych prázdnin pred začiatkom semestra. m-ILS je založený na pôvodnom nástroji ILS a je upravený pre študentov zubného lekárstva. Podobne ako pôvodný ILS obsahuje 44 rovnomerne rozložených položiek (a, b) s 11 položkami v každej z nich, ktoré sa používajú na posúdenie aspektov každej dimenzie FSLSM.
Počas počiatočných fáz vývoja nástroja výskumníci manuálne anotovali mapy pomocou súboru údajov od 50 študentov zubného lekárstva. Podľa FSLM systém poskytuje súčet odpovedí „a“ a „b“. Pre každý rozmer, ak študent vyberie ako odpoveď „a“, LS sa klasifikuje ako aktívny/percepčný/vizuálny/sekvenčný, a ak študent vyberie ako odpoveď „b“, klasifikuje sa ako reflexívny/intuitívny/lingvistický/globálny študent.
Po kalibrácii pracovného postupu medzi výskumníkmi v oblasti zubného vzdelávania a vývojármi systémov boli otázky vybrané na základe domény FLSSM a vložené do modelu strojového učenia na predpovedanie LS každého študenta. „Odpad dnu, odpad von“ je populárne príslovie v oblasti strojového učenia s dôrazom na kvalitu údajov. Kvalita vstupných údajov určuje presnosť a správnosť modelu strojového učenia. Počas fázy inžinierstva prvkov sa vytvorí nová sada prvkov, ktorá je súčtom odpovedí „a“ a „b“ na základe FLSSM. Identifikačné čísla pozícií liekov sú uvedené v tabuľke 1.
Vypočítajte skóre na základe odpovedí a určte študentovu úroveň učenia (LS). Pre každého študenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 naznačuje vyváženosť preferencií učenia v rámci rovnakej dimenzie a skóre od 5 do 7 naznačuje miernu preferenciu, čo naznačuje, že študenti majú tendenciu uprednostňovať jedno prostredie pred učením iných. 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“, „reflexívne“ a „vyvážené“. Napríklad, keď študent odpovie „a“ na určenú položku častejšie ako „b“ a jeho/jej skóre prekročí prah 5 pre konkrétnu položku predstavujúcu dimenziu Spracovanie LS, patrí do domény „aktívne“ LS. Študenti však boli klasifikovaní ako „reflexívne“ LS, keď v konkrétnych 11 otázkach (Tabuľka 1) zvolili „b“ častejšie ako „a“ a získali viac ako 5 bodov. Nakoniec sa študent nachádza v stave „rovnováhy“. Ak skóre nepresiahne 5 bodov, ide o „procesné“ LS. Proces klasifikácie sa zopakoval pre ostatné dimenzie LS, a to vnímanie (aktívne/reflexívne), vstup (vizuálny/verbálny) a porozumenie (sekvenčné/globálne).
Modely rozhodovacích stromov môžu v rôznych fázach klasifikačného procesu používať rôzne podmnožiny znakov a rozhodovacích pravidiel. Považujú sa za populárny nástroj klasifikácie a predikcie. Dá sa znázorniť pomocou stromovej štruktúry, ako je napríklad vývojový diagram [20], v ktorej sú interné uzly predstavujúce testy podľa atribútu, každá vetva predstavuje výsledky testov a každý koncový uzol (listový uzol) obsahuje označenie triedy.
Bol vytvorený jednoduchý program založený na pravidlách, ktorý automaticky hodnotí a anotuje LS každého študenta na základe jeho odpovedí. Program založený na pravidlách má formu príkazu IF, kde „IF“ opisuje spúšťač a „THEN“ určuje akciu, ktorá sa má vykonať, napríklad: „Ak sa stane X, potom urob Y“ (Liu a kol., 2014). Ak súbor údajov vykazuje koreláciu a model rozhodovacieho stromu je správne natrénovaný a vyhodnotený, tento prístup môže byť efektívnym spôsobom automatizácie procesu porovnávania LS a IS.
V druhej fáze vývoja bol súbor údajov zväčšený na 255, aby sa zlepšila presnosť nástroja na odporúčania. Súbor údajov je rozdelený v pomere 1:4. 25 % (64) súboru údajov bolo použitých pre testovaciu sadu a zvyšných 75 % (191) bolo použitých ako trénovacia sada (obrázok 2). Súbor údajov je potrebné rozdeliť, aby sa zabránilo trénovaniu a testovaniu modelu na tej istej sade údajov, čo by mohlo spôsobiť, že si model bude pamätať údaje, a nie sa učiť. Model je trénovaný na trénovacej sade a vyhodnocuje svoj výkon na testovacej sade – údajoch, ktoré model nikdy predtým nevidel.
Po vývoji nástroja IS bude aplikácia schopná klasifikovať LS na základe odpovedí študentov zubného lekárstva prostredníctvom webového rozhrania. Webový systém odporúčaní v oblasti informačnej bezpečnosti je vytvorený pomocou programovacieho jazyka Python s použitím frameworku Django ako backendu. Tabuľka 2 uvádza zoznam knižníc použitých pri vývoji tohto systému.
Súbor údajov sa privádza do modelu rozhodovacieho stromu na výpočet a extrakciu odpovedí študentov s cieľom automaticky klasifikovať merania LS študentov.
Matica zmätku sa používa na vyhodnotenie presnosti algoritmu strojového učenia rozhodovacieho stromu na danej množine údajov. Zároveň vyhodnocuje výkon klasifikačného modelu. Zhrňuje predpovede modelu a porovnáva ich so skutočnými označeniami údajov. Výsledky vyhodnotenia sú založené na štyroch rôznych hodnotách: Skutočne pozitívna (TP) – model správne predpovedal pozitívnu kategóriu, Falošne pozitívna (FP) – model predpovedal pozitívnu kategóriu, ale skutočné označenie bolo negatívne, Skutočne negatívna (TN) – model správne predpovedal negatívnu triedu a Falošne negatívna (FN) – model predpovedá negatívnu triedu, ale skutočné označenie je pozitívne.
Tieto hodnoty sa potom použijú na výpočet rôznych výkonnostných metrík klasifikačného modelu scikit-learn v jazyku Python, a to presnosti, precision (preciznosti), recall (úplnosti) a F1 skóre. Tu sú príklady:
Citlivosť (alebo relatívny význam) meria schopnosť modelu presne klasifikovať študentove znalosti po zodpovedaní dotazníka m-ILS.
Špecificita sa nazýva miera skutočne negatívnych výsledkov. Ako vidíte z vyššie uvedeného vzorca, mal by to byť pomer skutočne negatívnych výsledkov (TN) k skutočne negatívnym a falošne pozitívnym výsledkom (FP). Ako súčasť odporúčaného nástroja na klasifikáciu študentských liekov by mal byť schopný presnej identifikácie.
Pôvodný súbor údajov 50 študentov použitý na trénovanie modelu rozhodovacieho stromu ML 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).
V matici zmätku vo viacerých triedach predstavujú diagonálne prvky počet správnych predpovedí pre každý typ LS (obrázok 4). Pomocou modelu rozhodovacieho stromu bolo správne predpovedaných celkovo 64 vzoriek. V tejto štúdii teda diagonálne prvky zobrazujú očakávané výsledky, čo naznačuje, že model funguje dobre a presne predpovedá označenie triedy pre každú klasifikáciu LS. Celková presnosť odporúčacieho nástroja je teda 100 %.
Hodnoty presnosti, precíznosti, úplnosti a skóre F1 sú znázornené na obrázku 5. Pre systém odporúčaní používajúci model rozhodovacieho stromu je jeho skóre F1 1,0 „perfektné“, čo naznačuje dokonalú presnosť a úplnosť, čo odráža významné hodnoty citlivosti a špecifickosti.
Obrázok 6 zobrazuje vizualizáciu modelu rozhodovacieho stromu po dokončení trénovania a testovania. Pri porovnaní vedľa seba model rozhodovacieho stromu trénovaný s menším počtom prvkov vykazoval vyššiu presnosť a jednoduchšiu vizualizáciu modelu. To ukazuje, že inžinierstvo prvkov vedúce k redukcii prvkov je dôležitým krokom k zlepšeniu výkonu modelu.
Aplikáciou riadeného učenia pomocou rozhodovacieho stromu 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 uprednostnilo jednu (1) možnosť LS. Väčšina (54,3 %) mala dve alebo viac preferencií LS. 12,2 % študentov uviedlo, že LS je pomerne vyvážený (Tabuľka 4). Okrem ôsmich hlavných LS existuje 34 kombinácií klasifikácií LS pre študentov zubného lekárstva na University of Malaya. Medzi nimi sú vnímanie, zrak a kombinácia vnímania a zraku hlavnými LS uvádzanými študentmi (Obrázok 7).
Ako je vidieť z tabuľky 4, väčšina študentov mala prevažne senzorické (13,7 %) alebo vizuálne (8,6 %) LS. Bolo hlásené, že 12,2 % študentov kombinovalo vnímanie so zrakom (percepčno-vizuálne LS). Tieto zistenia naznačujú, že študenti uprednostňujú učenie sa a zapamätávanie si prostredníctvom zavedených metód, dodržiavajú špecifické a podrobné postupy a sú pozorní. Zároveň sa radi učia pozeraním (pomocou diagramov atď.) a majú tendenciu diskutovať a aplikovať informácie v skupinách alebo samostatne.
Táto štúdia poskytuje prehľad techník strojového učenia používaných v oblasti dolovania dát 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. Ide o riadený algoritmus strojového učenia, ktorý používa stromovú štruktúru na klasifikáciu dát rozdelením súboru dát do podkategórií na základe určitých kritérií. Funguje tak, že rekurzívne delí vstupné dáta do podmnožín na základe hodnoty jednej zo vstupných vlastností každého interného uzla, až kým sa na koncovom uzle neprijme rozhodnutie.
Vnútorné uzly rozhodovacieho stromu predstavujú riešenie na základe vstupných charakteristík problému m-ILS a koncové uzly predstavujú konečnú predikciu klasifikácie LS. V celej štúdii je ľahké pochopiť hierarchiu rozhodovacích stromov, ktoré vysvetľujú a vizualizujú rozhodovací proces, pohľadom na vzťah medzi vstupnými charakteristikami a výstupnými predikciami.
V oblasti informatiky a inžinierstva sa algoritmy strojového učenia široko používajú na predpovedanie výkonu študentov na základe ich výsledkov prijímacích skúšok [21], demografických informácií a učebného správania [22]. Výskum ukázal, že algoritmus presne predpovedal výkon študentov a pomohol im identifikovať študentov s rizikom akademických problémov.
V štúdii sa uvádza aplikácia algoritmov strojového učenia pri vývoji virtuálnych simulátorov pacientov pre zubné vzdelávanie. Simulátor je schopný presne reprodukovať fyziologické reakcie skutočných pacientov a možno ho použiť na vzdelávanie študentov zubného lekárstva 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 ochorení na základe súborov údajov, ako sú symptómy a charakteristiky pacientov [24, 25]. Zatiaľ čo iné štúdie skúmali použitie algoritmov strojového učenia na vykonávanie úloh, ako je predpovedanie výsledkov liečby pacientov, identifikácia vysoko rizikových pacientov, vývoj personalizovaných liečebných plánov [26], parodontálna liečba [27] a liečba zubného kazu [25].
Hoci boli publikované správy o aplikácii strojového učenia v zubnom lekárstve, jeho uplatnenie v zubnom vzdelávaní zostáva obmedzené. Preto si táto štúdia kládla za cieľ použiť model rozhodovacieho stromu na identifikáciu faktorov, ktoré sú najužšie spojené s LS a IS u študentov zubného lekárstva.
Výsledky tejto štúdie ukazujú, že vyvinutý nástroj odporúčaní má vysokú presnosť a dokonalú správnosť, čo naznačuje, že učitelia môžu z tohto nástroja profitovať. Pomocou klasifikačného procesu založeného na dátach môže poskytovať personalizované odporúčania a zlepšovať vzdelávacie skúsenosti a výsledky pre pedagógov a študentov. Informácie získané prostredníctvom nástrojov odporúčaní môžu okrem iného vyriešiť konflikty medzi preferovanými vyučovacími metódami učiteľov a vzdelávacími potrebami študentov. Napríklad vďaka automatizovanému výstupu nástrojov odporúčaní sa výrazne skráti čas potrebný na identifikáciu študentovho inovatívnym vzdelávacím potenciálom a jeho priradenie k zodpovedajúcemu inovatívnym vzdelávacím potenciálom. Týmto spôsobom je možné organizovať vhodné školiace aktivity a školiace materiály. To pomáha rozvíjať pozitívne učebné správanie študentov a schopnosť sústrediť sa. Jedna štúdia uviedla, že poskytovanie študentom učebných materiálov a učebných aktivít, ktoré zodpovedajú ich preferovanému inovatívnym vzdelávacím materiálom, môže študentom pomôcť integrovať, spracovať a užívať si učenie rôznymi spôsobmi, aby dosiahli väčší potenciál [12]. Výskum tiež ukazuje, že okrem zlepšenia účasti študentov v triede zohráva kľúčovú úlohu pri zlepšovaní vyučovacích postupov a komunikácie so študentmi aj pochopenie procesu učenia študentov [28, 29].
Avšak, rovnako ako pri každej modernej technológii, existujú problémy a obmedzenia. Patria sem otázky týkajúce sa ochrany súkromia 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 naznačuje, 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“ lieky. Tento typ študenta uprednostňuje fakty a konkrétne príklady, má praktickú orientáciu, trpezlivosť s detailmi a preferenciu „vizuálneho“ učenia sa, kde študenti uprednostňujú používanie obrázkov, grafiky, farieb a máp na vyjadrenie myšlienok a nápadov. Súčasné výsledky sú v súlade s inými štúdiami používajúcimi medziľudské učenia na hodnotenie učenia sa u študentov zubného lekárstva a medicíny, z ktorých väčšina má charakteristiky percepčného a vizuálneho učenia sa [12, 30]. Dalmolin a kol. naznačujú, že informovanie študentov o ich učení sa im umožňuje dosiahnuť ich vzdelávací potenciál. Výskumníci tvrdia, že keď učitelia plne rozumejú vzdelávaciemu procesu študentov, možno implementovať rôzne vyučovacie metódy a aktivity, ktoré zlepšia výkon a skúsenosti študentov s učením [12, 31, 32]. Iné štúdie ukázali, že úprava učenia sa študentov tiež ukazuje zlepšenie v učebných skúsenostiach a výkone študentov po zmene ich štýlov učenia tak, aby vyhovovali ich vlastnému učeniu sa [13, 33].
Názory učiteľov sa môžu líšiť, pokiaľ ide o implementáciu vyučovacích stratégií založených na učebných schopnostiach študentov. Zatiaľ čo niektorí vidia výhody tohto prístupu vrátane príležitostí na profesionálny rozvoj, mentorstva a podpory komunity, iní sa môžu obávať časovej a inštitucionálnej podpory. Snaha o rovnováhu je kľúčom k vytvoreniu prístupu zameraného na študenta. Orgány vyššieho vzdelávania, ako napríklad administrátori univerzít, môžu zohrávať dôležitú úlohu pri presadzovaní pozitívnych zmien zavádzaním inovatívnych postupov a podporou rozvoja fakulty [34]. Aby sa vytvoril skutočne dynamický a responzívny systém vyššieho vzdelávania, tvorcovia politík musia podniknúť odvážne kroky, ako sú zmeny politík, venovanie zdrojov na integráciu technológií a vytváranie rámcov, ktoré podporujú prístupy zamerané na študenta. Tieto opatrenia sú kľúčové pre dosiahnutie požadovaných výsledkov. Nedávny výskum diferencovanej výučby jasne ukázal, že úspešná implementácia diferencovanej výučby si vyžaduje neustále vzdelávanie a rozvojové príležitosti pre učiteľov [35].
Tento nástroj poskytuje cennú podporu pedagógom zubného lekárstva, ktorí chcú pri plánovaní vzdelávacích aktivít zameraných na študentov pristupovať k študentom. Táto štúdia je však obmedzená na použitie modelov strojového učenia s rozhodovacími stromami. V budúcnosti by sa malo zhromaždiť viac údajov na porovnanie výkonnosti rôznych modelov strojového učenia s cieľom porovnať presnosť, spoľahlivosť a precíznosť odporúčacích nástrojov. Okrem toho je pri výbere najvhodnejšej metódy strojového učenia pre konkrétnu úlohu dôležité zvážiť aj ďalšie faktory, ako je zložitosť modelu a interpretácia.
Obmedzením tejto štúdie je, že sa zamerala iba na mapovanie LS a IS u študentov zubného lekárstva. Vyvinutý systém odporúčaní preto odporučí iba tie, ktoré sú vhodné pre študentov zubného lekárstva. Pre všeobecné použitie študentmi vysokých škôl sú potrebné zmeny.
Novovyvinutý nástroj odporúčaní založený na strojovom učení dokáže okamžite klasifikovať a priradiť študentské študijné materiály (LS) k zodpovedajúcemu informačnému systému (IS), čím sa stáva prvým programom zubného vzdelávania, ktorý pomáha zubným pedagógom plánovať relevantné výučbové a vzdelávacie aktivity. Pomocou procesu triedenia založeného na dátach dokáže poskytovať personalizované odporúčania, šetriť čas, zlepšovať výučbové stratégie, podporovať cielené intervencie a propagovať neustály profesionálny rozvoj. Jeho aplikácia podporí prístupy k zubnému vzdelávaniu zamerané na študenta.
Gilak Jani Associated Press. Zhoda 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 uverejnenia: 29. apríla 2024