V visokošolskih zavodih, vključno z zobozdravstvom, narašča potreba po učenju, osredotočenem na študente (SCL). Vendar pa ima SCL v zobozdravstvenem izobraževanju omejeno uporabo. Zato si ta študija prizadeva spodbuditi uporabo SCL v zobozdravstvu z uporabo tehnologije strojnega učenja (ML) odločitvenih dreves za preslikavo prednostnega učnega sloga (LS) in ustreznih učnih strategij (IS) študentov zobozdravstva kot uporabnega orodja za razvoj smernic za IS. Obetavne metode za študente zobozdravstva.
Skupno 255 študentov zobozdravstva z Univerze v Malaji je izpolnilo spremenjen vprašalnik Indeks učnih stilov (m-ILS), ki je vseboval 44 postavk za njihovo razvrstitev v ustrezne učne stile. Zbrani podatki (imenovani nabor podatkov) se uporabljajo v nadzorovanem učenju z drevesi odločanja za samodejno povezovanje učnih stilov študentov z najprimernejšim informacijskim sistemom. Nato se oceni natančnost orodja za priporočila informacijskih sistemov, ki temelji na strojnem učenju.
Uporaba modelov odločitvenih dreves 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 na dobro občutljivost in specifičnost pri ujemanju LS z IS.
Orodje za priporočila informacijskih sistemov, ki temelji na odločitvenem drevesu strojnega učenja, je dokazalo svojo sposobnost natančnega povezovanja učnih stilov študentov zobozdravstva z ustreznimi učnimi strategijami. To orodje ponuja zmogljive možnosti za načrtovanje tečajev ali modulov, osredotočenih na učenca, 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 učencev. Interakcijo med učenci in njihovim učnim okoljem je mogoče določiti z njihovim učnim okoljem (LS). Raziskave kažejo, da imajo lahko učiteljem predvidena neskladja med učnim okoljem in informacijsko izobrazbo (IS) negativne posledice za učenje učencev, kot sta zmanjšana pozornost in motivacija. To posredno vpliva na uspešnost učencev [1,2].
IS je metoda, ki jo učitelji uporabljajo za posredovanje znanja in spretnosti učencem, vključno s pomočjo učencem pri učenju [3]. Na splošno dobri učitelji načrtujejo strategije poučevanja ali IS, ki najbolje ustrezajo ravni znanja njihovih učencev, konceptom, ki se jih učijo, in njihovi stopnji učenja. Teoretično bodo učenci, ko se LS in IS ujemata, sposobni organizirati in uporabljati določen nabor spretnosti za učinkovito učenje. Običajno učni načrt vključuje več prehodov med stopnjami, na primer od poučevanja do vodene prakse ali od vodene prakse do samostojne prakse. S tem v mislih učinkoviti učitelji pogosto načrtujejo pouk s ciljem krepitve znanja in spretnosti učencev [4].
Povpraševanje po SCL narašča v visokošolskih zavodih, vključno z zobozdravstvom. Strategije SCL so zasnovane tako, da zadovoljijo učne potrebe študentov. To je mogoče doseči na primer, če študenti aktivno sodelujejo v učnih dejavnostih, učitelji pa delujejo kot moderatorji in so odgovorni za zagotavljanje dragocenih povratnih informacij. Pravijo, da lahko zagotavljanje učnih gradiv in dejavnosti, ki so primerne izobrazbeni ravni ali preferencam študentov, izboljša učno okolje študentov in spodbudi pozitivne učne izkušnje [5].
Na splošno na učni proces študentov zobozdravstva vplivajo različni klinični postopki, ki jih morajo izvajati, in klinično okolje, v katerem razvijajo učinkovite medosebne veščine. Namen usposabljanja je študentom omogočiti, da združijo osnovno znanje zobozdravstva s kliničnimi veščinami zobozdravstva in pridobljeno znanje uporabijo v novih kliničnih situacijah [6, 7]. Zgodnje raziskave o odnosu med učenjem na daljavo (LS) in informatiko (IS) so pokazale, da bi prilagajanje učnih strategij, preslikanih na prednostno učenje na daljavo, pripomoglo k izboljšanju izobraževalnega procesa [8]. Avtorji priporočajo tudi uporabo različnih metod poučevanja in ocenjevanja, da bi se prilagodili učenju in potrebam študentov.
Učitelji imajo koristi od uporabe znanja o izkustvenem učenju (LS), ki jim pomaga pri načrtovanju, razvoju in izvajanju pouka, ki bo izboljšal pridobivanje globljega znanja in razumevanja snovi pri študentih. Raziskovalci so razvili več orodij za ocenjevanje LS, kot so Kolbov model izkustvenega učenja, Felder-Silvermanov model učnega sloga (FSLSM) in Flemingov model VAK/VARK [5, 9, 10]. Glede na literaturo so ti učni modeli najpogosteje uporabljeni in najbolj preučevani učni modeli. V trenutnem raziskovalnem delu se FSLSM uporablja za ocenjevanje LS med študenti zobozdravstva.
FSLSM je široko uporabljen model za ocenjevanje adaptivnega učenja v inženirstvu. Obstaja veliko objavljenih del na področju zdravstvenih ved (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: obdelavo (aktivno/reflektivno), zaznavanje (zaznavno/intuitivno), vnos (vizualni/verbalni) in razumevanje (sekvenčno/globalno) [14].
Kot je prikazano na sliki 1, ima vsaka dimenzija FSLSM prevladujočo preferenco. Na primer, v dimenziji obdelave učenci z »aktivnim« učnim gradivom raje obdelujejo informacije z neposredno interakcijo z učnimi gradivi, se učijo z delom in se nagibajo k učenju v skupinah. »Reflektivno« učno gradivo se nanaša na učenje z razmišljanjem in raje dela samostojno. Dimenzijo »zaznavanja« učnega gradiva lahko razdelimo na »čutenje« in/ali »intuicijo«. »Čuteči« učenci imajo raje bolj konkretne informacije in praktične postopke, so usmerjeni v dejstva v primerjavi z »intuitivnimi« učenci, ki imajo raje abstraktno gradivo in so bolj inovativne in ustvarjalne narave. Dimenzijo »vnosa« učnega gradiva sestavljajo »vizualni« in »verbalni« učenci. Ljudje z »vizualnim« učnim gradivom se raje učijo z vizualnimi demonstracijami (kot so diagrami, videoposnetki ali demonstracije v živo), medtem ko se ljudje z »verbalnim« učnim gradivom raje učijo z besedami v pisnih ali ustnih razlagah. Da bi »razumeli« dimenzije učnega gradiva, lahko takšne učence razdelimo na »zaporedne« in »globalne«. »Zaporedni učenci imajo raje linearen miselni proces in se učijo korak za korakom, medtem ko imajo globalni učenci običajno celosten miselni proces in vedno bolje razumejo, kaj se učijo.«
V zadnjem času so mnogi raziskovalci začeli raziskovati metode za avtomatsko odkrivanje na podlagi podatkov, vključno z razvojem novih algoritmov in modelov, ki so sposobni interpretirati velike količine podatkov [15, 16]. Na podlagi posredovanih podatkov lahko nadzorovano strojno učenje (ML) ustvari vzorce in hipoteze, ki napovedujejo prihodnje rezultate na podlagi konstrukcije algoritmov [17]. Preprosto povedano, tehnike nadzorovanega strojnega učenja manipulirajo z vhodnimi podatki in trenirajo algoritme. Nato ustvarijo razpon, ki klasificira ali napoveduje rezultat na podlagi podobnih situacij za posredovane vhodne podatke. Glavna prednost algoritmov nadzorovanega strojnega učenja je njegova sposobnost vzpostavitve idealnih in želenih rezultatov [17].
Z uporabo podatkovno vodenih metod in modelov krmiljenja odločitvenih dreves je mogoče samodejno zaznavanje odločitvenih dreves. Poročali so, da se odločitvena drevesa pogosto uporabljajo v programih usposabljanja na različnih področjih, vključno z zdravstvenimi vedami [18, 19]. V tej študiji so razvijalci sistema model posebej usposobili za prepoznavanje odločitvenih dreves študentov in priporočilo najboljšega informacijskega sistema zanje.
Namen te študije je razviti strategije izvajanja IS na podlagi študentskih LS in uporabiti pristop SCL z razvojem orodja za priporočila IS, preslikanega na LS. Potek načrtovanja orodja za priporočila IS kot strategije metode SCL je prikazan na sliki 1. Orodje za priporočila IS je razdeljeno na dva dela, vključno z mehanizmom klasifikacije LS z uporabo ILS in najprimernejšim prikazom IS za študente.
Zlasti značilnosti orodij za priporočila na področju informacijske varnosti vključujejo uporabo spletnih tehnologij in uporabo strojnega učenja odločitvenih dreves. Razvijalci sistemov izboljšujejo uporabniško izkušnjo in mobilnost s prilagajanjem orodij mobilnim napravam, kot so mobilni telefoni in tablice.
Poskus je bil izveden v dveh fazah, študenti Stomatološke fakultete Univerze v Malaji pa so sodelovali prostovoljno. Udeleženci so odgovorili na spletni vprašalnik m-ILS študentov zobozdravstva v angleščini. V začetni fazi je bil za učenje algoritma strojnega učenja odločitvenega drevesa uporabljen nabor podatkov 50 študentov. V drugi fazi razvojnega procesa je bil za izboljšanje natančnosti razvitega instrumenta uporabljen nabor podatkov 255 študentov.
Vsi udeleženci na začetku vsake faze, odvisno od študijskega leta, prek programa Microsoft Teams prejmejo spletno navodilo. Pojasnjen je bil namen študije in pridobljeno je bilo informirano soglasje. Vsi udeleženci so prejeli povezavo za dostop do m-ILS. Vsak študent je bil poučen, naj odgovori na vseh 44 vprašanj v vprašalniku. Za izpolnitev prilagojenega ILS so imeli en teden časa, da so ga izpolnili ob času in na lokaciji, ki jim ustrezata, med odmorom pred začetkom semestra. m-ILS temelji na originalnem instrumentu ILS in je prilagojen za študente zobozdravstva. Podobno kot originalni ILS vsebuje 44 enakomerno porazdeljenih postavk (a, b) z 11 postavkami, 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. V skladu s FSLM sistem zagotovi vsoto odgovorov »a« in »b«. Za vsako dimenzijo, če študent izbere odgovor »a«, se LS razvrsti kot aktivni/zaznavni/vizualni/sekvenčni, če pa študent izbere odgovor »b«, se razvrsti kot refleksivni/intuitivni/jezikovni/globalni učenec.
Po kalibraciji poteka dela med raziskovalci zobozdravstvene vzgoje in razvijalci sistemov so bila vprašanja izbrana na podlagi domene FLSSM in vnesena v model strojnega učenja, da bi napovedali 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 značilnosti se ustvari nov nabor značilnosti, ki je vsota odgovorov »a« in »b« na podlagi FLSSM. Identifikacijske številke položajev zdravil so podane v tabeli 1.
Izračunajte rezultat na podlagi odgovorov in določite učenčevo povprečje učenja (LS). Za vsakega učenca je razpon rezultatov od 1 do 11. Rezultati od 1 do 3 kažejo na uravnoteženost učnih preferenc znotraj iste dimenzije, rezultati od 5 do 7 pa na zmerno preferenco, kar kaže, da učenci raje poučujejo v enem okolju druga okolja. Druga različica iste dimenzije je, da rezultati od 9 do 11 odražajo močno preferenco za en ali drug konec [8].
Za vsako dimenzijo so bile droge razvrščene v »aktivne«, »refleksivne« in »uravnotežene«. Na primer, ko učenec pri določenem vprašanju odgovori z »a« pogosteje kot z »b« in njegov/njen rezultat preseže prag 5 za določeno vprašanje, ki predstavlja dimenzijo Procesiranje LS, spada v domeno »aktivnega« LS. Vendar pa so bili učenci razvrščeni kot »refleksivni« LS, ko so pri 11 specifičnih vprašanjih (tabela 1) pogosteje izbrali »b« kot »a« in dosegli več kot 5 točk. Končno je učenec v stanju »ravnovesja«. Če rezultat ne presega 5 točk, potem gre za »procesni« LS. Postopek razvrščanja je bil ponovljen za druge dimenzije LS, in sicer zaznavanje (aktivno/refleksivno), vnos (vizualni/verbalni) in razumevanje (zaporedno/globalno).
Modeli odločitvenih dreves lahko uporabljajo različne podmnožice značilnosti in odločitvenih pravil v različnih fazah klasifikacijskega procesa. Veljajo za priljubljeno orodje za klasifikacijo in napovedovanje. Predstavimo jih lahko z drevesno strukturo, kot je diagram poteka [20], v katerem so notranja vozlišča, ki predstavljajo teste po atributih, vsaka veja predstavlja rezultate testov, vsako listno vozlišče pa vsebuje oznako razreda.
Ustvarjen je bil preprost program, ki temelji na pravilih, za samodejno ocenjevanje in označevanje LS vsakega učenca na podlagi njegovih odgovorov. Program, ki temelji na pravilih, ima obliko stavka ČE, kjer »ČE« opisuje sprožilec, »POTEM« pa določa dejanje, ki ga je treba izvesti, na primer: »Če se zgodi X, potem naredi Y« (Liu et al., 2014). Če nabor podatkov kaže korelacijo in je model odločitvenega drevesa pravilno naučen in ovrednoten, je lahko ta pristop učinkovit način za avtomatizacijo procesa 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 nabor podatkov, preostalih 75 % (191) pa kot učni nabor (slika 2). Nabor podatkov je treba razdeliti, da se prepreči učenje in testiranje modela na istem naboru podatkov, kar bi lahko povzročilo, da si model zapomni podatke namesto da bi se učil. Model se uči na učnem naboru in ocenjuje svojo učinkovitost na testnem naboru – podatkih, ki jih model še ni videl.
Ko bo orodje IS razvito, bo aplikacija lahko prek spletnega vmesnika razvrščala LS na podlagi odgovorov študentov zobozdravstva. Spletni sistem orodij za priporočila glede informacijske varnosti je zgrajen z uporabo programskega jezika Python, pri čemer kot zaledno orodje uporablja ogrodje Django. V tabeli 2 so navedene knjižnice, uporabljene pri razvoju tega sistema.
Nabor podatkov se vnese v model odločitvenega drevesa za izračun in ekstrakcijo odgovorov študentov za samodejno razvrščanje meritev LS študentov.
Matrika zmede se uporablja za oceno natančnosti algoritma strojnega učenja odločitvenega drevesa na danem naboru podatkov. Hkrati ocenjuje tudi delovanje klasifikacijskega modela. Povzema napovedi modela in jih primerja z dejanskimi oznakami podatkov. Rezultati ocene temeljijo na štirih različnih vrednostih: Resnično pozitivno (TP) – model je pravilno napovedal pozitivno kategorijo, Lažno pozitivno (FP) – model je napovedal pozitivno kategorijo, vendar je bila resnična oznaka negativna, Resnično negativno (TN) – model je pravilno napovedal negativni razred in lažno negativno (FN) – model napoveduje negativni razred, vendar je resnična oznaka pozitivna.
Te vrednosti se nato uporabijo za izračun različnih metrik uspešnosti klasifikacijskega modela scikit-learn v Pythonu, in sicer natančnosti, natančnosti, odpoklica in rezultata F1. Tukaj so primeri:
Občutljivost (ali priklic) meri sposobnost modela, da natančno razvrsti študentov LS po odgovoru na vprašalnik m-ILS.
Specifičnost se imenuje delež resnično negativnih rezultatov. Kot je razvidno iz zgornje formule, bi to moralo biti razmerje med resnično negativnimi rezultati (TN) in resnično negativnimi ter lažno pozitivnimi rezultati (FP). Kot del priporočenega orodja za razvrščanje študentskih zdravil bi moralo biti sposobno natančne identifikacije.
Prvotni nabor podatkov 50 študentov, uporabljen za učenje modela odločitvenega drevesa, je pokazal relativno nizko natančnost zaradi človeške napake v opombah (tabela 3). Po ustvarjanju preprostega programa, ki temelji na pravilih, za samodejni izračun rezultatov odločitvenega drevesa in opomb študentov, je bilo za učenje in testiranje sistema priporočil uporabljenih vedno večje število naborov podatkov (255).
V matriki zmede v več razredih diagonalni elementi predstavljajo število pravilnih napovedi za vsako vrsto LS (slika 4). Z uporabo modela odločitvenega drevesa je bilo pravilno napovedanih skupno 64 vzorcev. Tako v tej študiji diagonalni elementi prikazujejo pričakovane rezultate, kar kaže, da model deluje dobro in natančno napoveduje oznako razreda za vsako klasifikacijo LS. Tako je skupna natančnost orodja za priporočila 100 %.
Vrednosti natančnosti, preciznosti, odpoklica in ocene F1 so prikazane na sliki 5. Za sistem priporočil, ki uporablja model odločitvenega drevesa, je ocena F1 1,0 »odlično«, kar kaže na popolno natančnost in odpoklic, kar odraža pomembne vrednosti občutljivosti in specifičnosti.
Slika 6 prikazuje vizualizacijo modela odločitvenega drevesa po končanem učenju in testiranju. V vzporedni primerjavi je model odločitvenega drevesa, usposobljen z manj značilkami, pokazal večjo natančnost in lažjo vizualizacijo modela. To kaže, da je inženiring značilk, ki vodi do zmanjšanja števila značilk, pomemben korak pri izboljšanju delovanja modela.
Z uporabo nadzorovanega učenja z odločitvenim drevesom se samodejno ustvari preslikava med vhodnimi podatki (LS) in ciljnimi podatki (IS), ki vsebuje podrobne informacije za vsak LS.
Rezultati so pokazali, da je 34,9 % od 255 študentov dalo prednost eni (1) možnosti LS. Večina (54,3 %) je imela dve ali več preferenc glede LS. 12,2 % študentov je ugotovilo, 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 glavne LS, o katerih poročajo študenti (slika 7).
Kot je razvidno iz preglednice 4, je imela večina učencev prevladujoč senzorični (13,7 %) ali vizualni (8,6 %) LS. Poročali so, 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 ter so pozorni. Hkrati uživajo v učenju z gledanjem (z uporabo diagramov itd.) in se nagibajo k razpravi in uporabi informacij v skupinah ali samostojno.
Ta študija ponuja pregled tehnik strojnega učenja, ki se uporabljajo pri podatkovnem rudarjenju, s poudarkom na takojšnjem in natančnem napovedovanju LS študentov in priporočanju ustreznih IS. Uporaba modela odločitvenega drevesa je identificirala dejavnike, ki so najtesneje povezani z njihovimi življenjskimi in izobraževalnimi izkušnjami. Gre za nadzorovan algoritem strojnega učenja, ki uporablja drevesno strukturo za razvrščanje podatkov tako, da nabor podatkov razdeli v podkategorije na podlagi določenih meril. Deluje tako, da rekurzivno deli vhodne podatke v podmnožice na podlagi vrednosti ene od vhodnih značilnosti vsakega notranjega vozlišča, dokler se na listnem vozlišču ne sprejme odločitev.
Notranja vozlišča odločitvenega drevesa predstavljajo rešitev na podlagi vhodnih značilnosti problema m-ILS, listna vozlišča pa predstavljajo končno napoved klasifikacije LS. Skozi študijo je enostavno razumeti hierarhijo odločitvenih dreves, ki pojasnjujejo in vizualizirajo proces odločanja, tako da pogledamo razmerje med vhodnimi značilnostmi in izhodnimi napovedmi.
Na področju računalništva in inženirstva se algoritmi strojnega učenja pogosto uporabljajo za napovedovanje uspešnosti študentov na podlagi rezultatov sprejemnih izpitov [21], demografskih podatkov in učnega vedenja [22]. Raziskave so pokazale, da je algoritem natančno napovedal uspešnost študentov in jim pomagal prepoznati študente, ki jim grozijo akademske težave.
Poroča se o uporabi algoritmov strojnega učenja pri razvoju virtualnih simulatorjev pacientov za zobozdravstveno usposabljanje. Simulator je sposoben natančno reproducirati fiziološke odzive resničnih pacientov in se lahko uporablja za usposabljanje študentov zobozdravstva 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 pacientov. Algoritmi strojnega učenja so bili uporabljeni za pomoč pri diagnosticiranju zobnih bolezni na podlagi naborov podatkov, kot so simptomi in značilnosti pacientov [24, 25]. Medtem ko so druge študije raziskovale uporabo algoritmov strojnega učenja za izvajanje nalog, kot so napovedovanje izidov pacientov, prepoznavanje pacientov z visokim tveganjem, razvoj prilagojenih načrtov zdravljenja [26], zdravljenje parodontalne bolezni [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 bil cilj te študije uporabiti model odločitvenega drevesa za identifikacijo dejavnikov, ki so najtesneje povezani z LS in IS pri študentih zobozdravstva.
Rezultati te študije kažejo, da ima razvito orodje za priporočila visoko in popolno natančnost, kar kaže na to, da lahko učitelji od tega orodja imajo koristi. Z uporabo podatkovno vodenega klasifikacijskega procesa lahko zagotovi prilagojena priporočila ter izboljša izobraževalne izkušnje in rezultate za pedagoge in učence. Med drugim lahko informacije, pridobljene z orodji za priporočila, rešijo konflikte med učiteljevimi želenimi metodami poučevanja in učnimi potrebami učencev. Na primer, zaradi avtomatiziranega izpisa orodij za priporočila se bo čas, potreben za identifikacijo učenčevega intelektualnega načela in njegovo ujemanje z ustreznim učnim načelom, znatno skrajšal. Na ta način je mogoče organizirati ustrezne učne dejavnosti in učna gradiva. To pomaga razviti pozitivno učno vedenje in sposobnost koncentracije učencev. Ena študija je poročala, da lahko zagotavljanje učnih gradiv in učnih dejavnosti učencem, ki ustrezajo njihovemu želenemu učnemu načelu, pomaga učencem, da se na več načinov integrirajo, obdelajo in uživajo v učenju, da dosežejo večji potencial [12]. Raziskave tudi kažejo, da poleg izboljšanja sodelovanja učencev v razredu igra ključno vlogo pri izboljšanju učnih praks in komunikacije z učenci tudi razumevanje učnega procesa učencev [28, 29].
Vendar pa tako kot pri vsaki sodobni tehnologiji obstajajo težave in omejitve. Mednje spadajo vprašanja, povezana z zasebnostjo podatkov, pristranskostjo in pravičnostjo ter strokovnimi znanji in viri, potrebnimi za razvoj in izvajanje algoritmov strojnega učenja v zobozdravstvenem izobraževanju. Vendar pa vse večje zanimanje in raziskave na tem področju kažejo, da bi lahko tehnologije strojnega učenja pozitivno vplivale na zobozdravstveno izobraževanje in zobozdravstvene storitve.
Rezultati te študije kažejo, da ima polovica študentov zobozdravstva nagnjenost k »zaznavanju« zdravil. Ta tip učenca ima raje dejstva in konkretne primere, praktično usmerjenost, potrpežljivost za podrobnosti in raje »vizualno« učenje, kjer učenci raje uporabljajo slike, grafiko, barve in zemljevide za posredovanje idej in misli. Trenutni rezultati so skladni z drugimi študijami, ki uporabljajo integrirano učenje za ocenjevanje učenja pri študentih zobozdravstva in medicine, od katerih ima večina značilnosti zaznavnega in vizualnega učenja [12, 30]. Dalmolin in sodelavci menijo, da obveščanje študentov o njihovem učenju omogoča, da dosežejo svoj učni potencial. Raziskovalci trdijo, da ko učitelji v celoti razumejo izobraževalni proces študentov, je mogoče izvajati različne učne metode in dejavnosti, ki bodo izboljšale njihovo uspešnost in učno izkušnjo [12, 31, 32]. Druge študije so pokazale, da prilagajanje učenja študentov kaže tudi na izboljšanje učne izkušnje in uspešnosti študentov po spremembi njihovih učnih stilov, da ustrezajo njihovemu lastnemu učenju [13, 33].
Mnenja učiteljev se lahko razlikujejo glede izvajanja strategij poučevanja, ki temeljijo na učnih sposobnostih študentov. Medtem ko nekateri vidijo prednosti tega pristopa, vključno z možnostmi strokovnega razvoja, mentorstvom in podporo skupnosti, so drugi morda 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 uvajanjem inovativnih praks in podporo razvoju fakultete [34]. Da bi ustvarili resnično dinamičen in odziven visokošolski sistem, morajo oblikovalci politik narediti drzne korake, kot so spremembe politik, 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 poučevanju so jasno pokazale, da uspešno izvajanje diferenciranega poučevanja zahteva stalno usposabljanje in razvojne priložnosti za učitelje [35].
To orodje nudi dragoceno podporo zobozdravstvenim pedagogom, ki želijo pri načrtovanju učnih dejavnosti, osredotočenih na študente, uporabiti pristop, osredotočen na študente. Vendar pa je ta študija omejena na uporabo modelov strojnega učenja z odločitvenimi drevesi. V prihodnosti bi bilo treba zbrati več podatkov za primerjavo učinkovitosti različnih modelov strojnega učenja, da bi primerjali natančnost, zanesljivost in preciznost orodij za priporočila. Poleg tega je pri izbiri najprimernejše metode strojnega učenja za določeno nalogo pomembno upoštevati tudi 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 razviti sistem priporočil priporočal le tiste, ki so primerni za študente zobozdravstva. Za splošno uporabo visokošolskih študentov so potrebne spremembe.
Novo razvito orodje za priporočila, ki temelji na strojnem učenju, je sposobno takojšnjega razvrščanja in povezovanja študentskih LS z ustreznim informacijskim sistemom, zaradi česar je to prvi program zobozdravstvene vzgoje, ki pomaga zobozdravstvenim pedagogom pri načrtovanju ustreznih učnih in pedagoških dejavnosti. Z uporabo podatkovno vodenega procesa triaže lahko zagotovi prilagojena priporočila, prihrani čas, izboljša učne strategije, podpre ciljno usmerjene intervencije in spodbuja stalni strokovni razvoj. Njegova uporaba bo spodbujala študentsko usmerjene pristope k zobozdravstveni izobrazbi.
Gilak Jani Associated Press. Ujemanje ali neujemanje med učenčevim učnim slogom in učiteljevim učnim slogom. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Čas objave: 29. april 2024