V visokošolskih ustanovah, vključno z zobozdravstvom, narašča potreba po na študente osredotočenem učenju (SCL).Vendar ima SCL omejeno uporabo v zobozdravstvenem izobraževanju.Zato je cilj te študije spodbujati uporabo SCL v zobozdravstvu z uporabo tehnologije strojnega učenja drevesa odločitev (ML) za preslikavo prednostnega stila učenja (LS) in ustreznih učnih strategij (IS) študentov zobozdravstva kot uporabnega orodja za razvoj smernic IS .Obetavne metode za študente dentalne medicine.
Skupno 255 študentov dentalne medicine z Univerze v Malaji je izpolnilo spremenjeni vprašalnik Indeksa učnih stilov (m-ILS), ki je vseboval 44 postavk, da bi jih razvrstili v svoje ustrezne LS.Zbrani podatki (imenovani nabor podatkov) se uporabljajo pri nadzorovanem učenju odločitvenega drevesa za samodejno prilagajanje učnih stilov učencev najustreznejšemu IS.Nato se oceni natančnost orodja za priporočila IS, ki temelji na strojnem učenju.
Uporaba modelov odločitvenega drevesa v avtomatiziranem procesu preslikave med LS (vhod) in IS (ciljni izhod) omogoča takojšen seznam ustreznih učnih strategij za vsakega študenta zobozdravstva.Orodje za priporočila IS je pokazalo popolno natančnost in priklic celotne natančnosti modela, kar kaže, da ima ujemanje LS z IS dobro občutljivost in specifičnost.
Orodje za priporočila IS, ki temelji na odločitvenem drevesu ML, je dokazalo svojo sposobnost, da natančno uskladi učne stile študentov zobozdravstva z ustreznimi učnimi strategijami.To orodje ponuja zmogljive možnosti za načrtovanje tečajev ali modulov, osredotočenih na učence, ki lahko izboljšajo učno izkušnjo študentov.
Poučevanje in učenje sta temeljni dejavnosti v izobraževalnih ustanovah.Pri razvoju visokokakovostnega sistema poklicnega izobraževanja se je pomembno osredotočiti na učne potrebe dijakov.Interakcija med študenti in njihovim učnim okoljem se lahko določi prek njihovih LS.Raziskave kažejo, da imajo lahko učiteljeva neskladja med LS in IS negativne posledice za učenje učencev, kot sta zmanjšana pozornost in motivacija.To bo posredno vplivalo na uspešnost učencev [1,2].
IS je metoda, ki jo uporabljajo učitelji za posredovanje znanja in veščin učencem, vključno s pomočjo učencem pri učenju [3].Na splošno dobri učitelji načrtujejo strategije poučevanja ali IS, ki najbolje ustrezajo stopnji znanja njihovih učencev, konceptom, ki se jih učijo, in njihovi stopnji učenja.Teoretično, ko se LS in IS ujemata, bodo učenci sposobni organizirati in uporabljati določen niz spretnosti za učinkovito učenje.Običajno učni načrt vključuje več prehodov med stopnjami, na primer od poučevanja k vodeni praksi ali od vodene prakse k samostojni praksi.S tem v mislih učinkoviti učitelji pogosto načrtujejo pouk s ciljem krepitve znanja in spretnosti učencev [4].
Povpraševanje po SCL narašča v visokošolskih ustanovah, tudi v zobozdravstvu.Strategije SCL so oblikovane tako, da izpolnjujejo učne potrebe učencev.To je mogoče doseči na primer, če učenci aktivno sodelujejo pri učnih dejavnostih, učitelji pa delujejo kot posredniki in so odgovorni za zagotavljanje dragocenih povratnih informacij.Rečeno je, da lahko zagotavljanje učnega gradiva in dejavnosti, ki ustrezajo učenčevi izobrazbeni ravni ali željam, izboljša učno okolje učencev in spodbuja pozitivne učne izkušnje [5].
Na splošno na učni proces študentov dentalne medicine vplivajo različni klinični postopki, ki jih morajo opraviti, in klinično okolje, v katerem razvijajo učinkovite medosebne veščine.Namen usposabljanja je študentom omogočiti združevanje osnovnih znanj zobozdravstva s stomatološkimi kliničnimi veščinami in pridobljeno znanje uporabiti v novih kliničnih situacijah [6, 7].Zgodnje raziskave razmerja med LS in IS so pokazale, da bi prilagajanje učnih strategij, preslikanih na prednostni LS, pomagalo izboljšati izobraževalni proces [8].Avtorji tudi priporočajo uporabo različnih metod poučevanja in ocenjevanja, da se prilagodijo učenju in potrebam študentov.
Učitelji imajo koristi od uporabe znanja LS, ki jim pomaga oblikovati, razvijati in izvajati poučevanje, ki bo pri učencih izboljšalo pridobivanje globljega znanja in razumevanja predmeta.Raziskovalci so razvili več orodij za ocenjevanje LS, kot so Kolbov model izkustvenega učenja, Felder-Silvermanov model stila učenja (FSLSM) in model Fleming VAK/VARK [5, 9, 10].Glede na literaturo so ti učni modeli najpogosteje uporabljeni in najbolj proučevani učni modeli.V trenutnem raziskovalnem delu se FSLSM uporablja za ocenjevanje LS med študenti dentalne medicine.
FSLSM je široko uporabljen model za vrednotenje prilagodljivega učenja v inženirstvu.Obstaja veliko objavljenih del v zdravstvenih vedah (vključno z medicino, zdravstveno nego, farmacijo in zobozdravstvom), ki jih je mogoče najti z uporabo modelov FSLSM [5, 11, 12, 13].Instrument, ki se uporablja za merjenje dimenzij LS v FLSM, se imenuje indeks učnih stilov (ILS) [8], ki vsebuje 44 postavk, ki ocenjujejo štiri dimenzije LS: procesiranje (aktivno/refleksivno), zaznavanje (zaznavno/intuitivno), vnos (vizualni)./verbalno) in razumevanje (zaporedno/globalno) [14].
Kot je prikazano na sliki 1, ima vsaka dimenzija FSLSM prevladujočo prednost.Na primer, v dimenziji procesiranja učenci z »aktivnim« LS raje obdelujejo informacije z neposredno interakcijo z učnim gradivom, se učijo z delom in se učijo v skupinah.»Reflektivni« LS se nanaša na učenje skozi razmišljanje in raje dela sam.Dimenzijo »zaznavanja« LS lahko razdelimo na »občutek« in/ali »intuicijo«.»Čuteči« učenci imajo raje bolj konkretne informacije in praktične postopke, so usmerjeni v dejstva v primerjavi z »intuitivnimi« študenti, ki imajo raje abstraktno gradivo in so po naravi bolj inovativni in ustvarjalni.»Vhodna« dimenzija LS je sestavljena iz »vizualnih« in »verbalnih« učencev.Ljudje z "vizualnim" LS se raje učijo z vizualnimi demonstracijami (kot so diagrami, video posnetki ali demonstracije v živo), medtem ko se ljudje z "besednim" LS raje učijo z besedami v pisnih ali ustnih razlagah.Da bi »razumeli« dimenzije LS, lahko takšne učence razdelimo na »zaporedne« in »globalne«.»Zaporedni učenci imajo raje linearni miselni proces in se učijo korak za korakom, medtem ko imajo globalni učenci ponavadi holističen miselni proces in vedno bolje razumejo, kaj se učijo.
V zadnjem času je veliko raziskovalcev začelo raziskovati metode za samodejno odkrivanje podatkov, vključno z razvojem novih algoritmov in modelov, ki so sposobni interpretirati velike količine podatkov [15, 16].Na podlagi posredovanih podatkov lahko nadzorovano ML (strojno učenje) ustvari vzorce in hipoteze, ki na podlagi konstrukcije algoritmov napovedujejo prihodnje rezultate [17].Preprosto povedano, tehnike nadzorovanega strojnega učenja manipulirajo z vhodnimi podatki in usposabljajo algoritme.Nato ustvari obseg, ki razvrsti ali napove izid na podlagi podobnih situacij za podane vhodne podatke.Glavna prednost nadzorovanih algoritmov strojnega učenja je njihova zmožnost vzpostavitve idealnih in želenih rezultatov [17].
Z uporabo podatkovno vodenih metod in nadzornih modelov drevesa odločanja je možno samodejno zaznavanje LS.Poročali so, da se odločitvena drevesa pogosto uporabljajo v programih usposabljanja na različnih področjih, vključno z zdravstvenimi znanostmi [18, 19].V tej študiji so razvijalci sistema posebej usposobili model za identifikacijo LS študentov in priporočili najboljši IS zanje.
Namen te študije je razviti strategije zagotavljanja IS, ki temeljijo na LS študentov, in uporabiti pristop SCL z razvojem priporočilnega orodja IS, preslikanega v LS.Potek načrtovanja priporočilnega orodja IS kot strategije metode SCL je prikazan na sliki 1. Priporočilno orodje IS je razdeljeno na dva dela, vključno z mehanizmom razvrščanja LS z uporabo ILS in najprimernejšim prikazom IS za študente.
Značilnosti priporočilnih orodij za informacijsko varnost vključujejo zlasti uporabo spletnih tehnologij in uporabo strojnega učenja drevesa odločitev.Razvijalci sistemov izboljšujejo uporabniško izkušnjo in mobilnost tako, da jih prilagajajo mobilnim napravam, kot so mobilni telefoni in tablice.
Poskus je bil izveden v dveh fazah, prostovoljno pa so sodelovali študenti Stomatološke fakultete Univerze v Malaji.Udeleženci so odgovorili na spletni m-ILS študenta dentalne medicine v angleščini.V začetni fazi je bil za urjenje algoritma strojnega učenja drevesa odločitev uporabljen nabor podatkov 50 študentov.V drugi fazi razvojnega procesa je bil za izboljšanje natančnosti razvitega instrumenta uporabljen nabor podatkov 255 študentov.
Vsi udeleženci prejmejo spletni briefing na začetku vsake stopnje, odvisno od študijskega leta, prek Microsoft Teams.Pojasnjen je bil namen študije in pridobljeno soglasje.Vsem udeležencem je bila na voljo povezava za dostop do m-ILS.Vsak študent je moral odgovoriti na vseh 44 vprašanj v vprašalniku.Imeli so en teden, da dokončajo spremenjeni ILS ob času in na lokaciji, ki jim ustreza, med odmorom pred začetkom semestra.m-ILS temelji na izvirnem instrumentu ILS in je prilagojen za študente dentalne medicine.Podobno kot prvotni ILS vsebuje 44 enakomerno porazdeljenih postavk (a, b), po 11 postavk, ki se uporabljajo za ocenjevanje vidikov vsake dimenzije FSLSM.
V začetnih fazah razvoja orodja so raziskovalci ročno označili zemljevide z uporabo nabora podatkov 50 študentov zobozdravstva.Po FSLM sistem zagotavlja vsoto odgovorov "a" in "b".Za vsako dimenzijo, če učenec kot odgovor izbere "a", je LS razvrščen kot aktivni/zaznavni/vizualni/zaporedni, in če študent izbere "b" kot odgovor, je učenec razvrščen kot reflektivni/intuitivni/jezikovni ./ globalni učenec.
Po kalibraciji delovnega toka med raziskovalci zobozdravstvene vzgoje in razvijalci sistemov so bila vprašanja izbrana na podlagi domene FLSSM in vnesena v model ML za napovedovanje LS vsakega študenta.»Smeti noter, smeti ven« je priljubljen rek na področju strojnega učenja s poudarkom na kakovosti podatkov.Kakovost vhodnih podatkov določa natančnost in točnost modela strojnega učenja.Med fazo inženiringa funkcij se ustvari nov nabor funkcij, ki je vsota odgovorov "a" in "b" na podlagi FLSSM.Identifikacijske številke pozicij zdravil so podane v tabeli 1.
Na podlagi odgovorov izračunajte rezultat in določite učenčev LS.Za vsakega učenca je razpon rezultatov od 1 do 11. Rezultati od 1 do 3 kažejo ravnotežje učnih preferenc znotraj iste dimenzije, rezultati od 5 do 7 pa kažejo zmerne preference, kar kaže, da imajo učenci raje eno okolje za poučevanje drugih .Druga različica iste dimenzije je, da rezultati od 9 do 11 odražajo močno naklonjenost enemu ali drugemu koncu [8].
Za vsako dimenzijo so bila zdravila razvrščena v »aktivna«, »odbojna« in »uravnotežena«.Na primer, ko učenec pri določeni nalogi odgovori z "a" pogosteje kot z "b" in njegov/njen rezultat preseže prag 5 za določeno postavko, ki predstavlja dimenzijo Processing LS, pripada "aktivnemu" LS domena..Vendar pa so bili študenti razvrščeni kot "odsevni" LS, ko so izbrali "b" več kot "a" v določenih 11 vprašanjih (tabela 1) in dosegli več kot 5 točk.Končno je študent v stanju "ravnovesja".Če rezultat ne presega 5 točk, je to "proces" LS.Postopek razvrščanja je bil ponovljen za druge dimenzije LS, in sicer zaznavanje (aktivno/refleksivno), vnos (vizualno/verbalno) in razumevanje (sekvenčno/globalno).
Modeli odločitvenega drevesa lahko uporabljajo različne podmnožice funkcij in pravil odločanja na različnih stopnjah postopka klasifikacije.Velja za priljubljeno orodje za razvrščanje in napovedovanje.Predstavi se lahko z drevesno strukturo, kot je diagram poteka [20], v katerem so notranja vozlišča, ki predstavljajo teste po atributu, vsaka veja predstavlja rezultate testov in vsako listno vozlišče (listno vozlišče), ki vsebuje oznako razreda.
Preprost program, ki temelji na pravilih, je bil ustvarjen za samodejno točkovanje in označevanje LS vsakega študenta na podlagi njegovih odgovorov.Na podlagi pravil ima obliko stavka IF, kjer »ČE« opisuje sprožilec, »POTEM« pa določa dejanje, ki naj se izvede, na primer: »Če se zgodi X, naredi Y« (Liu et al., 2014).Če nabor podatkov kaže korelacijo in je model odločitvenega drevesa ustrezno usposobljen in ovrednoten, je ta pristop lahko učinkovit način za avtomatizacijo postopka ujemanja LS in IS.
V drugi fazi razvoja je bil nabor podatkov povečan na 255, da bi izboljšali natančnost orodja za priporočila.Nabor podatkov je razdeljen v razmerju 1:4.25 % (64) nabora podatkov je bilo uporabljenih za testni niz, preostalih 75 % (191) pa kot nabor za usposabljanje (slika 2).Nabor podatkov je treba razdeliti, da preprečite, da bi se model uril in testiral na istem naboru podatkov, kar bi lahko povzročilo, da bi si model zapomnil namesto učenja.Model se uri na nizu za usposabljanje in ocenjuje svojo učinkovitost na testnem nizu – podatki, ki jih model še nikoli ni videl.
Ko bo orodje IS razvito, bo aplikacija prek spletnega vmesnika lahko razvrščala LS na podlagi odgovorov študentov dentalne medicine.Spletni sistem orodij za priporočila glede informacijske varnosti je zgrajen z uporabo programskega jezika Python z uporabo ogrodja Django kot ozadja.Tabela 2 navaja knjižnice, uporabljene pri razvoju tega sistema.
Nabor podatkov se vnese v model odločitvenega drevesa za izračun in ekstrahiranje odgovorov učencev za samodejno razvrščanje meritev LS učencev.
Matrika zmede se uporablja za ovrednotenje točnosti algoritma strojnega učenja drevesa odločitev na danem nizu podatkov.Hkrati ocenjuje uspešnost klasifikacijskega modela.Povzema napovedi modela in jih primerja z dejanskimi oznakami podatkov.Rezultati vrednotenja temeljijo na štirih različnih vrednostih: True Positive (TP) – model je pravilno napovedal pozitivno kategorijo, False Positive (FP) – model je napovedal pozitivno kategorijo, vendar je bila prava oznaka negativna, True Negative (TN) – model je pravilno napovedal negativni razred in lažno negativno (FN) – model napoveduje negativen razred, vendar je prava oznaka pozitivna.
Te vrednosti se nato uporabijo za izračun različnih metrik učinkovitosti klasifikacijskega modela scikit-learn v Pythonu, in sicer natančnosti, natančnosti, priklica in ocene F1.Tu so primeri:
Priklic (ali občutljivost) meri sposobnost modela, da natančno razvrsti študentov LS po odgovoru na vprašalnik m-ILS.
Specifičnost se imenuje prava negativna stopnja.Kot lahko vidite iz zgornje formule, bi moralo biti to razmerje med resnično negativnimi (TN) in resnično negativnimi in lažno pozitivnimi (FP).Kot del priporočenega orodja za razvrščanje študentskih drog bi moralo biti zmožno natančne identifikacije.
Prvotni nabor podatkov 50 študentov, uporabljenih za usposabljanje modela ML odločitvenega drevesa, je pokazal relativno nizko natančnost zaradi človeške napake v opombah (tabela 3).Po izdelavi preprostega programa, ki temelji na pravilih za samodejni izračun rezultatov LS in opomb učencev, je bilo za usposabljanje in testiranje sistema za priporočila uporabljenih vse več naborov podatkov (255).
V večrazredni matriki zmede diagonalni elementi predstavljajo število pravilnih napovedi za vsako vrsto LS (slika 4).Z uporabo modela drevesa odločanja je bilo pravilno napovedanih skupno 64 vzorcev.Tako v tej študiji diagonalni elementi prikazujejo pričakovane rezultate, kar kaže, da model dobro deluje in natančno napove oznako razreda za vsako klasifikacijo LS.Tako je splošna natančnost orodja za priporočila 100-odstotna.
Vrednosti točnosti, natančnosti, priklica in ocene F1 so prikazane na sliki 5. Za sistem priporočil, ki uporablja model drevesa odločitev, je njegova ocena F1 1,0 »popolna«, kar kaže na popolno natančnost in priklic, kar odraža pomembno občutljivost in specifičnost vrednote.
Slika 6 prikazuje vizualizacijo modela odločitvenega drevesa po končanem usposabljanju in testiranju.V vzporedni primerjavi je model odločitvenega drevesa, naučen z manj funkcijami, pokazal večjo natančnost in lažjo vizualizacijo modela.To kaže, da je inženiring funkcij, ki vodi do zmanjšanja funkcij, pomemben korak pri izboljšanju zmogljivosti modela.
Z uporabo nadzorovanega učenja odločitvenega drevesa se preslikava med LS (vhod) in IS (ciljni izhod) samodejno ustvari in vsebuje podrobne informacije za vsak LS.
Rezultati so pokazali, da je 34,9 % od 255 študentov raje izbralo eno (1) možnost LS.Večina (54,3 %) je imela dve ali več LS preferenc.12,2 % dijakov ugotavlja, da je LS precej uravnotežen (tabela 4).Poleg osmih glavnih LS obstaja 34 kombinacij klasifikacij LS za študente zobozdravstva Univerze v Malaji.Med njimi so zaznavanje, vid ter kombinacija zaznavanja in vida glavni LS, o katerih poročajo učenci (slika 7).
Kot je razvidno iz tabele 4, je imela večina učencev prevladujočo senzorično (13,7 %) ali vidno (8,6 %) LS.Poročalo se je, da je 12,2 % učencev kombiniralo zaznavanje z vidom (zaznavno-vizualni LS).Te ugotovitve kažejo, da se učenci raje učijo in si zapomnijo z ustaljenimi metodami, sledijo specifičnim in podrobnim postopkom in so po naravi pozorni.Obenem uživajo v učenju z gledanjem (z uporabo diagramov itd.) in se nagibajo k razpravi in uporabi informacij v skupinah ali sami.
Ta študija ponuja pregled tehnik strojnega učenja, ki se uporabljajo pri rudarjenju podatkov, s poudarkom na takojšnjem in natančnem napovedovanju LS učencev in priporočanju ustreznega IS.Uporaba modela drevesa odločitev je identificirala dejavnike, ki so najbolj povezani z njihovimi življenjskimi in izobraževalnimi izkušnjami.Je nadzorovan algoritem strojnega učenja, ki uporablja drevesno strukturo za razvrščanje podatkov z razdelitvijo niza podatkov v podkategorije na podlagi določenih kriterijev.Deluje tako, da rekurzivno razdeli vhodne podatke v podmnožice na podlagi vrednosti ene od vhodnih funkcij vsakega notranjega vozlišča, dokler ni sprejeta odločitev na listnem vozlišču.
Notranja vozlišča odločitvenega drevesa predstavljajo rešitev na podlagi vhodnih karakteristik problema m-ILS, listna vozlišča pa končno napoved klasifikacije LS.V celotni študiji je enostavno razumeti hierarhijo odločitvenih dreves, ki pojasnjujejo in vizualizirajo postopek odločanja s pogledom na razmerje med vhodnimi značilnostmi in izhodnimi napovedmi.
Na področju računalništva in tehnike se algoritmi strojnega učenja pogosto uporabljajo za napovedovanje uspešnosti študentov na podlagi njihovih rezultatov na sprejemnih izpitih [21], demografskih podatkov in učnega vedenja [22].Raziskava je pokazala, da je algoritem natančno napovedal uspešnost učencev in jim pomagal prepoznati učence, pri katerih obstaja tveganje za akademske težave.
Poroča se o uporabi algoritmov ML pri razvoju virtualnih simulatorjev pacientov za zobozdravstveno usposabljanje.Simulator je sposoben natančno reproducirati fiziološke odzive resničnih pacientov in se lahko uporablja za usposabljanje študentov dentalne medicine v varnem in nadzorovanem okolju [23].Več drugih študij kaže, da lahko algoritmi strojnega učenja potencialno izboljšajo kakovost in učinkovitost zobozdravstvenega in medicinskega izobraževanja ter oskrbe bolnikov.Algoritmi strojnega učenja so bili uporabljeni za pomoč pri diagnozi zobnih bolezni na podlagi nizov podatkov, kot so simptomi in značilnosti bolnikov [24, 25].Medtem ko so druge študije raziskovale uporabo algoritmov strojnega učenja za izvajanje nalog, kot je napovedovanje izidov bolnikov, prepoznavanje bolnikov z visokim tveganjem, razvoj osebnih načrtov zdravljenja [26], parodontalno zdravljenje [27] in zdravljenje kariesa [25].
Čeprav so bila objavljena poročila o uporabi strojnega učenja v zobozdravstvu, je njegova uporaba v zobozdravstvenem izobraževanju še vedno omejena.Zato je bila ta študija namenjena uporabi modela odločitvenega drevesa za identifikacijo dejavnikov, ki so najbolj povezani z LS in IS med študenti zobozdravstva.
Rezultati te študije kažejo, da ima razvito orodje za priporočila visoko natančnost in popolno natančnost, kar kaže, da lahko učiteljem to orodje koristi.Z uporabo postopka razvrščanja, ki temelji na podatkih, lahko zagotovi prilagojena priporočila ter izboljša izobraževalne izkušnje in rezultate za učitelje in učence.Med njimi lahko informacije, pridobljene s priporočilnimi orodji, razrešijo spore med učiteljevimi priljubljenimi učnimi metodami in učnimi potrebami učencev.Na primer, zaradi avtomatiziranega izpisa priporočilnih orodij se bo čas, potreben za identifikacijo študentovega IP-ja in njegovo ujemanje z ustreznim IP-jem, znatno zmanjšal.Na ta način je mogoče organizirati ustrezne dejavnosti usposabljanja in gradiva za usposabljanje.To pomaga razviti pozitivno učno vedenje učencev in sposobnost koncentracije.Ena študija je poročala, da lahko študentom zagotovitev učnega gradiva in učnih dejavnosti, ki se ujemajo z njihovimi prednostnimi LS, pomaga pri integraciji, obdelavi in uživanju v učenju na več načinov, da dosežejo večji potencial [12].Raziskave prav tako kažejo, da poleg izboljšanja sodelovanja učencev pri pouku igra razumevanje učnega procesa učencev tudi ključno vlogo pri izboljšanju učnih praks in komunikacije z učenci [28, 29].
Vendar, kot pri vsaki sodobni tehnologiji, obstajajo težave in omejitve.To vključuje vprašanja v zvezi z zasebnostjo podatkov, pristranskostjo in pravičnostjo ter strokovnimi veščinami in viri, potrebnimi za razvoj in izvajanje algoritmov strojnega učenja v zobozdravstvenem izobraževanju;Vendar naraščajoče zanimanje in raziskave na tem področju kažejo, da lahko tehnologije strojnega učenja pozitivno vplivajo na zobozdravstveno izobraževanje in zobozdravstvene storitve.
Rezultati te študije kažejo, da je polovica študentov dentalne medicine nagnjena k »zaznavanju« drog.Ta vrsta učencev ima raje dejstva in konkretne primere, praktično usmerjenost, potrpežljivost za podrobnosti in "vizualne" preference LS, kjer učenci raje uporabljajo slike, grafike, barve in zemljevide za posredovanje idej in misli.Trenutni rezultati so skladni z drugimi študijami, ki uporabljajo ILS za oceno LS pri študentih zobozdravstva in medicine, od katerih ima večina značilnosti zaznavne in vizualne LS [12, 30].Dalmolin et al menijo, da obveščanje študentov o njihovem LS omogoča doseganje njihovega učnega potenciala.Raziskovalci trdijo, da ko učitelji v celoti razumejo izobraževalni proces učencev, lahko izvajajo različne učne metode in dejavnosti, ki bodo izboljšale uspešnost učencev in učne izkušnje [12, 31, 32].Druge študije so pokazale, da prilagajanje LS učencev prav tako kaže izboljšave učne izkušnje in uspešnosti učencev po spremembi njihovih učnih stilov, da bi ustrezali njihovim lastnim LS [13, 33].
Mnenja učiteljev so lahko različna glede izvajanja učnih strategij, ki temeljijo na učnih sposobnostih učencev.Medtem ko nekateri vidijo prednosti tega pristopa, vključno s priložnostmi za poklicni razvoj, mentorstvom in podporo skupnosti, so drugi morda zaskrbljeni glede časa in institucionalne podpore.Prizadevanje za ravnotežje je ključnega pomena za ustvarjanje odnosa, osredotočenega na študenta.Visokošolski organi, kot so univerzitetni upravitelji, lahko igrajo pomembno vlogo pri spodbujanju pozitivnih sprememb z uvajanjem inovativnih praks in podpiranjem razvoja fakultet [34].Da bi ustvarili resnično dinamičen in odziven visokošolski sistem, morajo oblikovalci politik sprejeti pogumne korake, kot so spreminjanje politike, namenjanje sredstev za integracijo tehnologije in ustvarjanje okvirov, ki spodbujajo pristope, osredotočene na študente.Ti ukrepi so ključni za doseganje želenih rezultatov.Nedavne raziskave o diferenciranem pouku so jasno pokazale, da uspešno izvajanje diferenciranega pouka zahteva stalno usposabljanje in priložnosti za razvoj učiteljev [35].
To orodje zagotavlja dragoceno podporo zobozdravstvenim pedagogom, ki želijo uporabiti na študente osredotočen pristop k načrtovanju študentom prijaznih učnih dejavnosti.Vendar je ta študija omejena na uporabo modelov ML odločitvenega drevesa.V prihodnosti bi bilo treba zbrati več podatkov za primerjavo učinkovitosti različnih modelov strojnega učenja za primerjavo točnosti, zanesljivosti in natančnosti orodij za priporočila.Poleg tega je pri izbiri najprimernejše metode strojnega učenja za določeno nalogo pomembno upoštevati druge dejavnike, kot sta kompleksnost modela in interpretacija.
Omejitev te študije je, da se je osredotočila le na kartiranje LS in IS med študenti zobozdravstva.Zato bo razvit sistem priporočil priporočal le tiste, ki so primerni za študente dentalne medicine.Spremembe so nujne za splošno visokošolsko študentsko uporabo.
Novo razvito priporočilno orodje, ki temelji na strojnem učenju, lahko takoj razvrsti in poveže LS učencev z ustreznim IS, zaradi česar je to prvi zobozdravstveni izobraževalni program, ki pomaga zobozdravstvenim pedagogom načrtovati ustrezne dejavnosti poučevanja in učenja.Z uporabo triažnega procesa, ki temelji na podatkih, lahko zagotovi prilagojena priporočila, prihrani čas, izboljša strategije poučevanja, podpira ciljno usmerjene intervencije in spodbuja stalni strokovni razvoj.Njegova uporaba bo spodbujala na študente osredotočene pristope k zobozdravstvenemu izobraževanju.
Gilak Jani Associated Press.Ujemanje ali neskladje med učenčevim učnim stilom in učiteljevim učnim stilom.Int J Mod Educ Računalništvo.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Čas objave: 29. aprila 2024