V visokošolskih ustanovah, vključno z zobozdravstvom. Vendar ima SCL omejeno uporabo pri zobozdravstvenem izobraževanju. Zato je ta študija namenjena spodbujanju uporabe SCL v zobozdravstvu z uporabo tehnologije odločitvenega drevesa za strojno učenje (ML) za preslikavo prednostnega sloga učenja (LS) in ustrezne učne strategije (IS) študentov zobozdravnikov kot koristno orodje za razvoj so smernice . Obetavne metode za študente zob.
Skupno 255 zobozdravniških študentov z Univerze v Malaji je izpolnilo spremenjeni indeks učnih stilov (M-ILS), ki je vseboval 44 predmetov, s katerimi so jih razvrstili v svoj LSS. Zbrani podatki (imenovani nabor podatkov) se uporabljajo pri nadzorovanem učenju dreves, da se samodejno ujemajo s študentskimi učnimi slogi z najprimernejšimi. Natančnost strojnega učenja je priporočila orodje za priporočilo.
Uporaba modelov dreves odločitve v postopku samodejnega preslikavanja med LS (vhodno) in IS (ciljni izhod) omogoča takojšen seznam ustreznih strategij učenja za vsakega zobozdravnika. Orodje za priporočilo IS je pokazalo popolno natančnost in priklic celotne natančnosti modela, kar kaže, da je ujemanje LS na dobro občutljivost in specifičnost.
Orodje za priporočilo IS, ki temelji na drevesu odločanja ML, je dokazalo svojo sposobnost natančnega ujemanja učnih slogov učencev z ustreznimi učnimi strategijami. To orodje ponuja močne 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 kakovostnega poklicnega izobraževalnega sistema se je pomembno osredotočiti na učne potrebe študentov. Interakcija med študenti in njihovim učnim okoljem je mogoče določiti s pomočjo njihovega LS. Raziskave kažejo, da je neusklajenost učiteljev, ki jih temelji na učitelju, in je lahko negativne posledice za učenje učencev, kot sta zmanjšana pozornost in motivacija. To bo posredno vplivalo na uspešnost študentov [1,2].
Je metoda, ki jo učitelji uporabljajo za dajanje znanja in veščin učencem, vključno s pomočjo učencem pri učenju [3]. Na splošno dobri učitelji načrtujejo strategije poučevanja ali pa se najbolje ujemajo s stopnjo znanja njihovih učencev, konceptov, ki se jih učijo, in stopnjo učenja. Teoretično bodo študenti, ko se ujemajo, lahko organizirali in uporabili določen niz veščin za učinkovito učenje. Običajno načrt lekcije vključuje več prehodov med fazami, na primer od poučevanja do vodene prakse ali od vodene prakse do neodvisne prakse. Glede na to učinkoviti učitelji pogosto načrtujejo pouk s ciljem gradnje znanja in veščin učencev [4].
Povpraševanje po SCL raste v visokošolskih ustanovah, vključno z zobozdravstvom. SCL Strategije so zasnovane tako, da ustrezajo učnim potrebam študentov. To je mogoče na primer doseči, če študenti aktivno sodelujejo v učnih dejavnostih in učitelji delujejo kot spodbujevalci in so odgovorni za zagotavljanje dragocenih povratnih informacij. Govori se, da lahko zagotavljanje učnih gradiv in dejavnosti, ki ustrezajo izobraževalni ravni študentov ali preferenc, izboljšajo učno okolje učencev in spodbujajo pozitivne učne izkušnje [5].
Na splošno velja, da učni proces študentov zob vplivajo različni klinični postopki, ki jih morajo opraviti, in klinično okolje, v katerem razvijajo učinkovite medosebne sposobnosti. Namen usposabljanja je študentom omogočiti kombiniranje osnovnega znanja o zobozdravstvu z zobnimi kliničnimi veščinami in pridobljeno znanje uporabiti za nove klinične situacije [6, 7]. Zgodnje raziskave odnosa med LS in ugotovimo, da bi prilagajanje učnih strategij, preslikanih na prednostne LS, pripomoglo k izboljšanju izobraževalnega procesa [8]. Avtorji priporočajo tudi uporabo različnih metod poučevanja in ocenjevanja za prilagajanje učencem in potrebam študentov.
Učitelji imajo koristi od uporabe znanja LS, da jim pomagajo pri oblikovanju, razvoju in izvajanju pouka, ki bo izboljšal pridobivanje globljega znanja in razumevanja teme učencev. Raziskovalci so razvili več orodij za ocenjevanje LS, kot so model izkustvenega učenja Kolb, model učenja Felder-Silverman (FSLSM) in model Fleming VAK/VARK [5, 9, 10]. Glede na literaturo so ti učni modeli najpogosteje uporabljeni in najbolj preučeni učni modeli. V trenutnem raziskovalnem delu se FSLSM uporablja za oceno LS med zobozdravniki.
FSLSM je široko uporabljen model za ocenjevanje prilagodljivega učenja v inženirstvu. Obstaja veliko objavljenih del v zdravstvenih vedah (vključno z medicino, nego, lekarno 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 slogov (ILS) [8], ki vsebuje 44 elementov, ki ocenjujejo štiri dimenzije LS: obdelave (aktivno/odsevno), dojemanje (zaznavno/intuitivno),,,. vhod (vizualno). /verbalno) in razumevanje (zaporedno/globalno) [14].
Kot je prikazano na sliki 1, ima vsaka dimenzija FSLSM prevladujočo prednost. Na primer, v obdelavi dimenzije študenti z "aktivnim" LS raje obdelujejo informacije tako, da neposredno komunicirajo z učnimi gradivi, se učijo z dela in se ponavadi učijo v skupinah. "Odsevni" LS se nanaša na učenje z razmišljanjem in raje dela sam. "Zaznavna" dimenzija LS lahko razdelimo na "občutek" in/ali "intuicijo." Študenti "občutka" raje bolj konkretne informacije in praktične postopke, so usmerjeni v dejstva v primerjavi z "intuitivnimi" študenti, ki imajo raje abstraktno gradivo in so bolj inovativne in ustvarjalne narave. "Vhodna" dimenzija LS je sestavljena iz "vizualnih" in "verbalnih" učencev. Ljudje z "vizualnim" LS se raje učijo z vizualnimi demonstracijami (kot so diagrami, videoposnetki ali demonstracije v živo), medtem ko se ljudje z "verbalnim" LS raje učijo z besedami v pisnih ali ustnih razlagi. Da bi "razumeli" dimenzije LS, lahko takšne učence razdelimo na "zaporedne" in "globalne". »Zaporedni učenci raje linearni miselni proces in se učijo korak za korakom, medtem ko imajo globalni učenci celostni 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 razlagati velike količine podatkov [15, 16]. Na podlagi zagotovljenih podatkov lahko nadzorovani ML (strojno učenje) ustvari vzorce in hipoteze, ki napovedujejo prihodnje rezultate na podlagi gradnje algoritmov [17]. Preprosto povedano, nadzorovane tehnike strojnega učenja manipulirajo z vhodnimi podatki in algoritme usposabljanja. Nato ustvari obseg, ki razvršča ali napoveduje rezultat na podlagi podobnih situacij za zagotovljene vhodne podatke. Glavna prednost nadzorovanih algoritmov strojnega učenja je njegova sposobnost vzpostavljanja idealnih in želenih rezultatov [17].
Z uporabo metod, ki temeljijo na podatkih, in modelov za nadzor dreves odločitve, je možno samodejno zaznavanje LS. Poročalo se je, da se drevesa odločitve pogosto uporabljajo v programih usposabljanja na različnih področjih, vključno z zdravstvenimi vedami [18, 19]. V tej študiji so model razvijalci sistema posebej usposobili za identifikacijo študentov LS in priporočali najboljše za njih.
Namen te študije je razviti strategije dostave, ki temeljijo na študentih LS, in uporabiti pristop SCL z razvojem priporočilnega orodja IS, preslikano na LS. Oblikovalni tok priporočilnega orodja kot strategije metode SCL je prikazan na sliki 1. Orodje za priporočilo IS je razdeljeno na dva dela, vključno z mehanizmom klasifikacije LS z uporabo IL -jev in najprimernejši je prikaza za študente.
Zlasti značilnosti orodij za priporočilo za informacijsko varnost vključujejo uporabo spletnih tehnologij in uporabo strojnega učenja dreves. Sistemski razvijalci izboljšajo uporabniško izkušnjo in mobilnost, tako da jih prilagajajo mobilnim napravam, kot so mobilni telefoni in tablični računalniki.
Eksperiment je bil izveden v dveh fazah in študenti z zobozdravstvene fakultete na univerzi v Malaji so sodelovali prostovoljno. Udeleženci so se odzvali na spletne študente zobozdravnika M-IL v angleščini. V začetni fazi je bil za usposabljanje algoritma strojnega učenja odločitve uporabljen nabor 50 študentov. V drugi fazi razvojnega procesa je bil za izboljšanje natančnosti razvitega instrumenta uporabljen nabor 255 študentov.
Vsi udeleženci prejmejo spletni sestanek na začetku vsake faze, odvisno od študijskega leta prek Microsoftovih ekip. Namen študije je bil razložen in pridobljeno je bilo informirano soglasje. Vsi udeleženci so imeli povezavo za dostop do M-IL. Vsakemu študentu je bilo na voljo, naj odgovori na vseh 44 elementov na vprašalniku. Dobili so jih en teden za dokončanje spremenjenih IL -jev naenkrat in lokacijo, ki jim je primerna med semestrskim odmorom pred začetkom semestra. M-ILS temelji na originalnem instrumentu ILS in spremenjeni za študente zob. Podobno kot originalni IL vsebuje 44 enakomerno porazdeljenih elementov (a, b), z 11 elementi, ki se uporabljajo za oceno vidikov vsake dimenzije FSLSM.
Med začetnimi fazami razvoja orodij so raziskovalci ročno označili zemljevide z uporabo nabora 50 študentov zob. Glede na FSLM sistem ponuja vsoto odgovorov "A" in "B". Če študent za vsako dimenzijo izbere "A" kot odgovor, je LS razvrščen kot aktiven/zaznaven/vizualno/zaporedno in če študent kot odgovor izbere "B", je študent razvrščen kot odsevni/intuitiven/jezikovna . / globalni učenec.
Po umerjanju delovnega toka med raziskovalci zobnega izobraževanja in razvijalci sistema so bila izbrana vprašanja na podlagi domene FLSSM in se napajala v model ML, da bi napovedala LS vsakega študenta. "GARBAGE IN, GARBAGE OUT" je priljubljen pregovor na področju strojnega učenja s poudarkom na kakovosti podatkov. Kakovost vhodnih podatkov določa natančnost in natančnost modela strojnega učenja. V fazi inženiringa funkcij je ustvarjen nov nabor funkcij, ki je vsota odgovorov "A" in "B", ki temeljijo na FLSSM. Identifikacijske številke položajev zdravil so podane v tabeli 1.
Izračunajte oceno na podlagi odgovorov in določite študentsko LS. Za vsakega študenta je razpon rezultatov od 1 do 11. Rezultati od 1 do 3 kažejo na ravnovesje učnih preferenc znotraj iste dimenzije, rezultati od 5 do 7 . Druga različica iste dimenzije je, da ocene od 9 do 11 odražajo močno prednost za en ali drug konec [8].
Za vsako dimenzijo so bila zdravila razvrščena v "aktivno", "odsevno" in "uravnoteženo". Na primer, ko študent na določeni postavki in njegov rezultat odgovori pogosteje kot "B", presega prag 5 za določeno postavko, ki predstavlja dimenzijo obdelave, pripada "aktivnemu" LS domena. . Vendar so bili študenti v določenih 11 vprašanjih razvrščeni kot "odsevni" LS, ko so izbrali "B" več kot "A" (tabela 1) in dosegli več kot 5 točk. Končno je študent v stanju "ravnotežja". Če rezultat ne presega 5 točk, potem je to "postopek" LS. Postopek klasifikacije je bil ponovljen za druge dimenzije LS, in sicer dojemanje (aktivno/odsevno), vhod (vizualno/verbalno) in razumevanje (zaporedno/globalno).
Modeli dreves odločitve lahko uporabljajo različne podskupine funkcij in pravil odločanja v različnih fazah postopka razvrščanja. Velja za priljubljeno orodje za klasifikacijo in napovedovanje. Lahko ga predstavljamo z uporabo drevesne strukture, kot je diagram pretoka [20], v kateri obstajajo notranja vozlišča, ki predstavljajo teste po atributu, vsaka veja, ki predstavlja rezultate preskusov, in vsako listno vozlišče (listno vozlišče), ki vsebuje nalepko razreda.
Ustvarjen je bil preprost program, ki temelji na pravilih za samodejno oceno in označevanje LS vsakega študenta na podlagi njihovih odzivov. Na podlagi pravil je v obliki izjave IF, kjer "če" opisuje sprožilec in "potem" določa dejanje, ki ga je treba izvesti, na primer: "Če se x zgodi, potem naredite y" (Liu in sod., 2014). Če ima nabor podatkov korelacija in je model drevesa odločitve pravilno usposobljen in ocenjen, je ta pristop lahko učinkovit način za avtomatizacijo procesa ujemanja LS in IS.
V drugi fazi razvoja se je nabor podatkov povečal na 255 za izboljšanje natančnosti priporočilnega orodja. Nabor podatkov je razdeljen v razmerju 1: 4. Za preskusni niz je bilo uporabljenih 25% (64) podatkovnega niza, preostalih 75% (191) pa je bilo uporabljenih kot vadbeni niz (slika 2). Nabor podatkov je treba razdeliti, da se prepreči, da bi se model usposobil in testiral na istem naboru podatkov, zaradi česar bi se model spomnil, ne pa da se uči. Model je usposobljen na vadbenem naboru in ocenjuje njegovo zmogljivost na testnem nizu - model, ki ga model še nikoli ni videl.
Ko bo orodje IS razvito, bo aplikacija lahko razvrstila LS na podlagi odzivov zobozdravnikov prek spletnega vmesnika. Spletni sistem orodij za priporočilo za informacijsko varnost je zgrajen z uporabo programskega jezika Python z uporabo okvira Django kot zaledje. V tabeli 2 so navedene knjižnice, ki se uporabljajo pri razvoju tega sistema.
Nabor podatkov se napaja z modelom drevesa odločitve za izračun in pridobivanje odzivov študentov na samodejno razvrščanje meritev študentov LS.
Matrika zmede se uporablja za oceno natančnosti algoritma strojnega učenja odločitve na določenem naboru podatkov. Hkrati ocenjuje uspešnost klasifikacijskega modela. Povzema napovedi modela in jih primerja z dejanskimi nalepkami podatkov. Rezultati ocenjevanja temeljijo na štirih različnih vrednostih: True Pozitivni (TP) - model je pravilno napovedal pozitivno kategorijo, lažno pozitivno (FP) - model je napovedoval pozitivno kategorijo, vendar je bila resnična oznaka negativna, resnična negativna (TN) - - TN) - Model je pravilno napovedal negativni razred in lažno negativno (FN) - model napoveduje negativni razred, vendar je resnična oznaka pozitivna.
Te vrednosti se nato uporabljajo za izračun različnih meritev uspešnosti modela klasifikacije Scikit-Learn v Pythonu, in sicer natančnosti, natančnosti, priklicu in oceni F1. Tu so primeri:
Recal (ali občutljivost) meri sposobnost modela, da natančno razvrsti študentski LS, potem ko je odgovoril na vprašalnik M-ILS.
Specifičnost se imenuje resnična negativna stopnja. Kot je razvidno iz zgornje formule, bi moralo biti to razmerje resničnih negativnosti (TN) do resničnih negativnosti in lažnih pozitivnih rezultatov (FP). Kot del priporočenega orodja za razvrščanje študentskih zdravil bi moralo biti sposobno natančno identifikacijo.
Prvotni nabor podatkov 50 študentov, ki so se uporabljali za usposabljanje modela ML odločitve, je pokazal razmeroma nizko natančnost zaradi človeške napake v pripisih (tabela 3). Po ustvarjanju preprostega programa, ki temelji na pravilih za samodejno izračun rezultatov LS in študentskih pripomb, je bilo za usposabljanje in testiranje sistema priporočil uporabljeno vse več podatkovnih podatkov (255).
V matriki zmede z več reklasa diagonalni elementi predstavljajo število pravilnih napovedi za vsako vrsto LS (slika 4). Z modelom drevesa odločitve je bilo pravilno predvidenih 64 vzorcev. Tako v tej študiji diagonalni elementi prikazujejo pričakovane rezultate, kar kaže, da model dobro deluje in natančno napoveduje oznako razreda za vsako klasifikacijo LS. Tako je splošna natančnost priporočila 100%.
Vrednosti natančnosti, natančnosti, odpoklica in F1 so prikazane na sliki 5. Za priporočilni sistem z modelom drevesa odločitve je njegova ocena F1 1,0 "popolna", kar kaže na popolno natančnost in priklic, kar odraža pomembno občutljivost in specifičnost vrednosti.
Slika 6 prikazuje vizualizacijo modela drevesa odločitve po treningu in testiranju. V primerjavi s stransko primerjavo je model drevesa odločitve, usposobljen z manj funkcijami, pokazal večjo natančnost in lažjo vizualizacijo modela. To kaže, da je inženiring, ki vodi do zmanjšanja značilnosti, pomemben korak pri izboljšanju zmogljivosti modela.
Z uporabo učenja, ki ga nadzoruje odločitev, 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 eno (1) LS možnost. Večina (54,3%) je imela dve ali več LS preferenc. 12,2% študentov je ugotovilo, da je LS precej uravnotežen (tabela 4). Poleg osmih glavnih LS obstaja 34 kombinacij klasifikacij LS za študente zobozdravnikov Univerze v Malaji. Med njimi so dojemanja, vizija in kombinacija dojemanja in vida glavna LS, o kateri poročajo študenti (slika 7).
Kot je razvidno iz preglednice 4, je imela večina študentov prevladujoči senzorični (13,7%) ali vizualni (8,6%) LS. Poročalo se je, da je 12,2% študentov združilo dojemanje z vizijo (zaznavno-vizualno LS). Te ugotovitve kažejo, da se študentje raje učijo in zapomnijo z uveljavljenimi metodami, sledijo posebnim in podrobnim postopkom in so po naravi pozorni. Hkrati uživajo v učenju z iskanjem (z uporabo diagramov itd.) In ponavadi razpravljajo in uporabljajo informacije v skupinah ali samih.
Ta študija ponuja pregled tehnik strojnega učenja, ki se uporabljajo pri rudarjenju podatkov, s poudarkom na takojšnjem in natančnem napovedovanju študentov LS in priporočanju ustreznega IS. Uporaba modela drevesa odločitve je opredelila dejavnike, ki so najbolj povezani z njihovim življenjem in izobraževalnimi izkušnjami. To je nadzorovan algoritem strojnega učenja, ki uporablja strukturo dreves za razvrščanje podatkov z deljenjem nabora podatkov na podkategorije na podlagi določenih meril. Deluje tako, da rekurzivno deli vhodne podatke na podskupine na podlagi vrednosti ene od vhodnih značilnosti vsakega notranjega vozlišča, dokler se na vozlišču lista ne sprejme odločitev.
Notranja vozlišča drevesa odločitve predstavljajo rešitev, ki temelji na vhodnih značilnostih problema M-ILS, listna vozlišča pa predstavljajo končno napoved klasifikacije LS. V celotni študiji je enostavno razumeti hierarhijo dreves odločitev, ki razlagajo in vizualizirajo postopek odločanja s pregledom razmerja med vhodnimi značilnostmi in napovedmi izhoda.
Na področju računalništva in inženiringa se algoritmi strojnega učenja pogosto uporabljajo za napovedovanje uspešnosti študentov na podlagi njihovih ocen sprejemnih izpitov [21], demografskih informacij in učnem vedenju [22]. Raziskave so pokazale, da je algoritem natančno napovedal uspešnost študentov in jim pomagal prepoznati študente, ki jim grozi akademske težave.
Poroča se o uporabi algoritmov ML pri razvoju virtualnih simulatorjev pacientov za zobno usposabljanje. Simulator je sposoben natančno reproducirati fiziološke odzive resničnih bolnikov in ga je mogoče uporabiti za usposabljanje študentov zob v varnem in nadzorovanem okolju [23]. Številne druge študije kažejo, da lahko algoritmi strojnega učenja potencialno izboljšajo kakovost in učinkovitost zobozdravstvenega in medicinskega izobraževanja ter oskrbe pacientov. Za pomoč pri diagnozi zobnih bolezni so bili uporabljeni algoritmi strojnega učenja na podlagi naborov podatkov, kot so simptomi in značilnosti pacienta [24, 25]. Medtem ko so druge študije raziskale uporabo algoritmov strojnega učenja za izvajanje nalog, kot so napovedovanje rezultatov pacientov, identifikacija bolnikov z visokim tveganjem, razvijanje prilagojenih načrtov zdravljenja [26], parodontalno zdravljenje [27] in zdravljenje kariesa [25].
Čeprav so bila objavljena poročila o uporabi strojnega učenja v zobozdravstvu, njegova uporaba v zobozdravstvenem izobraževanju ostaja omejena. Zato je bila ta študija namenjena uporabi modela drevesa odločitve za prepoznavanje dejavnikov, ki so najbolj povezani z LS, in je med študenti zobozdravnikov.
Rezultati te študije kažejo, da ima orodje za razvito priporočilo visoko natančnost in popolno natančnost, kar kaže na to, da lahko učitelji izkoristijo to orodje. Z uporabo postopka klasifikacije, ki temelji na podatkih, lahko zagotovi prilagojena priporočila in izboljša izobraževalne izkušnje in rezultate za vzgojitelje in študente. Med njimi lahko informacije, pridobljene s priporočili, razrešijo konflikte med najprimernejšimi učnimi metodami učiteljev in učenjami učencev. Na primer, zaradi avtomatiziranega izhoda priporočil orodij se bo čas, potreben za identifikacijo študentskega IP -ja in njegovo ujemanje z ustreznim IP, znatno zmanjšal. Na ta način se lahko organizirajo primerne vadbene dejavnosti in gradivo za usposabljanje. To pomaga razviti pozitivno učno vedenje učencev in sposobnost koncentracije. Ena od raziskav je poročala, da lahko študentom z učnimi materiali in učnimi dejavnostmi, ki ustrezajo njihovim najprimernejšim LS -om, študentom pomagajo pri vključevanju, obdelavi in uživanju učenja na več načinov za doseganje večjega potenciala [12]. Raziskave kažejo tudi, da ima poleg izboljšanja udeležbe študentov v učilnici tudi razumevanje učnega procesa študentov tudi ključno vlogo pri izboljšanju učnih praks in komunikacije s študenti [28, 29].
Vendar pa tudi pri vsaki sodobni tehnologiji obstajajo težave in omejitve. Sem spadajo vprašanja, povezana z zasebnostjo podatkov, pristranskostjo in poštenostjo ter poklicne spretnosti in vire, potrebne za razvoj in izvajanje algoritmov strojnega učenja v zobozdravstvenem izobraževanju; Vendar vse večje 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 ima polovica zobozdravnikov nagnjenost k "dojemanju" zdravil. Ta vrsta učenca ima prednost pred dejstvi in konkretnimi primeri, praktično orientacijo, potrpežljivost za detajle in "vizualno" preferenco LS, kjer učenci raje uporabljajo slike, grafike, barve in zemljevide, da prenašajo ideje in misli. Trenutni rezultati so skladni z drugimi študijami, ki uporabljajo IL za oceno LS pri študentih zobnih in medicinskih študentov, od katerih ima večina značilnosti zaznavnega in vidnega LS [12, 30]. Dalmolin in drugi predlagajo, da jim obveščanje študentov o njihovem LS omogoča, da dosežejo svoj učni potencial. Raziskovalci trdijo, da ko učitelji v celoti razumejo izobraževalni proces učencev, se lahko izvajajo različne metode poučevanja in dejavnosti, ki bodo izboljšale uspešnost in učne izkušnje učencev [12, 31, 32]. Druge študije so pokazale, da prilagajanje LS študentov kaže tudi na izboljšave učencev učnih izkušenj in uspešnosti, potem ko je spremenil svoje učne sloge, da bi ustrezal njihovemu lastnemu LS [13, 33].
Mnenja učiteljev se lahko razlikujejo glede na izvajanje učnih strategij, ki temeljijo na učnih sposobnostih učencev. Medtem ko nekateri vidijo prednosti tega pristopa, vključno s priložnosti za poklicni razvoj, mentorstvom in podporo skupnosti, so lahko drugi zaskrbljeni zaradi časa in institucionalne podpore. Prizadevanje za ravnovesje je ključnega pomena za ustvarjanje odnosa, osredotočenega na študente. Visokošolski organi, kot so univerzitetni administratorji, lahko igrajo pomembno vlogo pri spodbujanju pozitivnih sprememb z uvedbo inovativnih praks in podporo razvoju fakultete [34]. Da bi ustvarili resnično dinamičen in odziven visokošolski sistem, morajo oblikovalci politike narediti drzne korake, kot so spreminjanje sprememb politike, namestitev virov integraciji 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 je za uspešno izvajanje diferenciranega pouka potrebne stalne možnosti usposabljanja in razvoja za učitelje [35].
To orodje nudi dragoceno podporo za zobne vzgojitelje, ki želijo uporabljati študentski pristop k načrtovanju študentov prijaznih učnih dejavnosti. Vendar je ta študija omejena na uporabo modelov ML odločitve. V prihodnosti je treba zbrati več podatkov za primerjavo uspešnosti različnih modelov strojnega učenja za primerjavo natančnosti, zanesljivosti in natančnosti priporočilnih orodij. 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 preslikavo LS in je med študenti zob. Zato bo razvit priporočilni sistem priporočal le tiste, ki so primerni za zobozdravniške študente. Spremembe so potrebne za splošno visokošolsko uporabo študentov.
Na novo razvito orodje za priporočilo, ki temelji na strojnem učenju, je sposobno takoj razvrstiti in uskladiti študente z ustreznim IS, zaradi česar je prvi program za zobozdravstveno izobraževanje, ki bo pomagal pri načrtovanju ustreznih učnih in učnih dejavnosti zobozdravnikov. S pomočjo triažnega procesa, ki temelji na podatkih, lahko zagotovi prilagojena priporočila, prihrani čas, izboljša strategije poučevanja, podpira ciljno usmerjene intervencije in spodbuja stalni poklicni razvoj. Njegova uporaba bo spodbujala pristope, osredotočene na študente, do zobozdravstvenega izobraževanja.
Gilak Jani Associated Press. Ujemanje ali neusklajenost med študentskim učnim slogom in učiteljevim slogom poučevanja. Int J Mod Educ Računalnik. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmets.2012.11.05
Čas objave: APR-29-2024