Kõrgkoolides, sealhulgas hambaravis, on kasvav vajadus üliõpilaskeskse õppe (SCL) järele.SCL-il on aga hambaarstihariduses piiratud rakendus.Seetõttu on selle uuringu eesmärk edendada SCL-i rakendamist hambaravis, kasutades otsustuspuu masinõppe (ML) tehnoloogiat, et kaardistada hambaarstiüliõpilaste eelistatud õppestiil (LS) ja vastavad õpistrateegiad (IS), mis on kasulik vahend IS-i juhiste väljatöötamiseks. .Paljutõotavad meetodid hambaarstiüliõpilastele.
Kokku 255 Malaya ülikooli hambaarstiüliõpilast täitsid muudetud õpistiilide indeksi (m-ILS) küsimustiku, mis sisaldas 44 üksust, et liigitada need vastavatesse LS-idesse.Kogutud andmeid (nimetatakse andmekogumiks) kasutatakse juhendatud otsustuspuu õppes, et sobitada õpilaste õpistiilid automaatselt kõige sobivama IS-iga.Seejärel hinnatakse masinõppepõhise IS-i soovitustööriista täpsust.
Otsustuspuu mudelite rakendamine LS-i (sisend) ja IS-i (sihtväljundi) vahelises automatiseeritud kaardistamisprotsessis võimaldab koostada iga hambaarstiõpilase jaoks kohe sobivate õppestrateegiate loendi.IS-i soovitustööriist näitas täiuslikku täpsust ja mudeli üldise täpsuse meeldetuletamist, mis näitab, et LS-i ja IS-i sobitamisel on hea tundlikkus ja spetsiifilisus.
ML-i otsustuspuul põhinev IS-i soovitustööriist on tõestanud oma võimet sobitada täpselt hambaarstiüliõpilaste õpistiile sobivate õpistrateegiatega.See tööriist pakub võimsaid võimalusi õppijakesksete kursuste või moodulite kavandamiseks, mis võivad õpilaste õppimiskogemust parandada.
Õpetamine ja õppimine on haridusasutuste põhitegevused.Kvaliteetse kutseharidussüsteemi arendamisel on oluline keskenduda õpilaste õpivajadustele.Õpilaste ja nende õpikeskkonna interaktsiooni saab määrata nende LS kaudu.Uuringud näitavad, et õpetajate kavandatud mittevastavus õpilaste LS-i ja IS-i vahel võib avaldada õpilaste õppimisele negatiivseid tagajärgi, nagu vähenenud tähelepanu ja motivatsioon.See mõjutab kaudselt õpilaste tulemusi [1,2].
IS on meetod, mida õpetajad kasutavad õpilastele teadmiste ja oskuste edastamiseks, sealhulgas õpilaste õppimiseks [3].Üldiselt kavandavad head õpetajad õpetamisstrateegiaid või IS-i, mis vastavad kõige paremini õpilaste teadmiste tasemele, õpitavatele mõistetele ja õppimisetapile.Teoreetiliselt, kui LS ja IS sobivad, saavad õpilased tõhusaks õppimiseks organiseerida ja kasutada konkreetseid oskusi.Tavaliselt sisaldab tunniplaan mitut üleminekut etappide vahel, näiteks õpetamiselt juhendatud praktikale või juhendatud praktikalt iseseisvale praktikale.Seda silmas pidades kavandavad tõhusad õpetajad sageli õpet eesmärgiga arendada õpilaste teadmisi ja oskusi [4].
Nõudlus SCL-i järele kasvab kõrgkoolides, sealhulgas hambaravis.SCL-i strateegiad on loodud õpilaste õppimisvajaduste rahuldamiseks.Seda on võimalik saavutada näiteks siis, kui õpilased osalevad aktiivselt õppetegevustes ning õpetajad on abistajad ja vastutavad väärtusliku tagasiside andmise eest.Väidetavalt võib õpilaste haridustasemele või eelistustele vastavate õppematerjalide ja tegevuste pakkumine parandada õpilaste õpikeskkonda ja soodustada positiivseid õpikogemusi [5].
Üldiselt mõjutavad hambaarstiüliõpilaste õppeprotsessi erinevad kliinilised protseduurid, mida nad peavad läbi viima, ja kliiniline keskkond, kus nad arendavad tõhusaid inimestevahelisi oskusi.Koolituse eesmärk on võimaldada õpilastel ühendada hambaravi algteadmised hambaravi kliiniliste oskustega ning rakendada omandatud teadmisi uutes kliinilistes olukordades [6, 7].Varased uuringud LS-i ja IS-i vaheliste suhete kohta näitasid, et eelistatud LS-iga kaardistatud õpistrateegiate kohandamine aitaks parandada haridusprotsessi [8].Samuti soovitavad autorid kasutada erinevaid õpetamis- ja hindamismeetodeid, et kohaneda õpilaste õppimise ja vajadustega.
Õpetajad saavad kasu LS-teadmiste rakendamisest, et aidata neil kavandada, arendada ja rakendada õpet, mis suurendab õpilaste sügavamate teadmiste omandamist ja ainest arusaamist.Teadlased on välja töötanud mitmeid LS-i hindamisvahendeid, nagu Kolbi kogemusõppe mudel, Felder-Silvermani õpistiili mudel (FSLSM) ja Flemingi VAK/VARK mudel [5, 9, 10].Kirjanduse andmetel on need õpimudelid kõige enam kasutatavad ja enim uuritud õpimudelid.Praeguses uurimistöös kasutatakse FSLSM-i hambaarstiüliõpilaste LS-i hindamiseks.
FSLSM on laialdaselt kasutatav mudel adaptiivse õppe hindamiseks inseneriteaduses.Terviseteadustes (sh meditsiin, õendus, farmaatsia ja hambaravi) on avaldatud palju töid, mida saab leida FSLSM mudelite abil [5, 11, 12, 13].Instrumenti, mida kasutatakse LS mõõtmete mõõtmiseks FLSM-is, nimetatakse õpistiilide indeksiks (ILS) [8], mis sisaldab 44 elementi, mis hindavad LS nelja dimensiooni: töötlemine (aktiivne/peegeldav), taju (taju/intuitiivne), sisend (visuaalne)./verbaalne) ja mõistmine (järjestikune/globaalne) [14].
Nagu on näidatud joonisel 1, on igal FSLSM-i dimensioonil domineeriv eelistus.Näiteks töötlemise dimensioonis eelistavad “aktiivse” LS-ga õpilased töödelda teavet vahetult õppematerjalidega suheldes, õppida tegutsedes ja õppida pigem rühmades."Peegeldav" LS viitab õppimisele mõtlemise kaudu ja eelistab töötada üksi.LS-i "tajumise" mõõtme võib jagada "tundeks" ja/või "intuitsiooniks".„Tunne“ õpilased eelistavad konkreetsemat teavet ja praktilisi protseduure, on faktidele orienteeritud võrreldes „intuitiivsete“ õpilastega, kes eelistavad abstraktset materjali ning on oma olemuselt uuenduslikumad ja loovamad.LS-i "sisend" mõõde koosneb "visuaalsetest" ja "verbaalsetest" õppijatest.Inimesed, kellel on "visuaalne" LS, eelistavad õppida visuaalsete demonstratsioonide (nagu diagrammid, videod või reaalajas demonstratsioonid) kaudu, samas kui "verbaalse" LS-ga inimesed eelistavad õppida sõnade kaudu kirjalikes või suulistes selgitustes.LS-i dimensioonide "mõistmiseks" võib sellised õppijad jagada "järjestikulisteks" ja "globaalseteks".„Järjestikku õppijad eelistavad lineaarset mõtlemisprotsessi ja õpivad samm-sammult, samas kui globaalsetel õppijatel on tavaliselt terviklik mõtteprotsess ja nad saavad õpitavast alati paremini aru.
Hiljuti on paljud teadlased hakanud uurima automaatse andmepõhise avastamise meetodeid, sealhulgas uute algoritmide ja mudelite väljatöötamist, mis suudavad tõlgendada suuri andmehulki [15, 16].Esitatud andmete põhjal suudab juhendatud ML (machine learning) genereerida mustreid ja hüpoteese, mis ennustavad algoritmide konstrueerimise põhjal tulevasi tulemusi [17].Lihtsamalt öeldes manipuleerivad juhendatud masinõppetehnikad sisendandmetega ja treenivad algoritme.Seejärel genereerib see vahemiku, mis klassifitseerib või ennustab tulemust esitatud sisendandmete sarnaste olukordade põhjal.Järelevalvega masinõppe algoritmide peamine eelis on nende võime luua ideaalseid ja soovitud tulemusi [17].
Andmepõhiste meetodite ja otsustuspuu juhtimismudelite kasutamise kaudu on võimalik LS-i automaatne tuvastamine.On teatatud, et otsustuspuid kasutatakse laialdaselt koolitusprogrammides erinevates valdkondades, sealhulgas terviseteadustes [18, 19].Selles uuringus koolitasid süsteemiarendajad mudelit spetsiaalselt välja, et tuvastada õpilaste LS ja soovitada neile parimat IS-i.
Selle uuringu eesmärk on välja töötada õpilaste LS-i põhjal IS-i edastamise strateegiad ja rakendada SCL-lähenemist, töötades välja IS-i soovituse tööriista, mis on kaardistatud LS-iga.IS-i soovitustööriista disainivoog SCL-meetodi strateegiana on näidatud joonisel 1. IS-i soovitustööriist on jagatud kaheks osaks, sealhulgas ILS-i kasutav LS-i klassifitseerimismehhanism ja õpilastele sobivaim IS-kuva.
Eelkõige hõlmavad infoturbe soovitustööriistade omadused veebitehnoloogiate kasutamist ja otsustuspuu masinõppe kasutamist.Süsteemi arendajad parandavad kasutajakogemust ja mobiilsust, kohandades neid mobiilseadmetega, nagu mobiiltelefonid ja tahvelarvutid.
Katse viidi läbi kahes etapis ja Malaya ülikooli hambaarstiteaduskonna üliõpilased osalesid vabatahtlikkuse alusel.Osalejad vastasid hambaarstiüliõpilase veebipõhisele m-ILS-ile inglise keeles.Algfaasis kasutati otsustuspuu masinõppe algoritmi koolitamiseks 50 õpilase andmestikku.Arendusprotsessi teises etapis kasutati väljatöötatud instrumendi täpsuse parandamiseks 255 õpilase andmestikku.
Kõik osalejad saavad iga etapi alguses, olenevalt õppeaastast, Microsoft Teamsi kaudu veebipõhise briifingu.Selgitati uuringu eesmärki ja saadi teadlik nõusolek.Kõigile osalejatele anti link m-ILS-i juurde pääsemiseks.Igal õpilasel paluti vastata küsimustiku kõigile 44 punktile.Neile anti semestri vaheajal enne semestri algust üks nädal, et sooritada muudetud ILS neile sobival ajal ja kohas.m-ILS põhineb algsel ILS-instrumendil ja on kohandatud hambaarstiüliõpilastele.Sarnaselt algsele ILS-ile sisaldab see 44 ühtlaselt jaotatud üksust (a, b), millest igaühes on 11 üksust, mida kasutatakse iga FSLSM-i dimensiooni aspektide hindamiseks.
Tööriistade väljatöötamise algfaasis tegid teadlased kaartidele käsitsi märkusi, kasutades 50 hambaarsti üliõpilase andmekogumit.FSLM-i andmetel annab süsteem vastuste "a" ja "b" summa.Kui õpilane valib vastuseks “a”, siis iga dimensiooni puhul liigitatakse LS kategooriasse Aktiivne/Tajuv/Visuaalne/Järgnevus ja kui õpilane valib vastuseks “b”, liigitatakse õpilane reflektiivseks/intuitiivseks/keeleliseks. ./ globaalne õppija.
Pärast hambaarstihariduse teadlaste ja süsteemiarendajate vahelise töövoo kalibreerimist valiti küsimused FLSSM-i domeeni põhjal ja sisestati ML-mudelisse, et ennustada iga õpilase LS-i."Prügi sisse, prügi välja" on populaarne ütlus masinõppe valdkonnas, rõhuasetusega andmete kvaliteedil.Sisendandmete kvaliteet määrab masinõppe mudeli täpsuse ja täpsuse.Funktsioonide projekteerimise etapis luuakse uus funktsioonide komplekt, mis on FLSSM-il põhinevate vastuste "a" ja "b" summa.Ravimi positsioonide identifitseerimisnumbrid on toodud tabelis 1.
Arvutage vastuste põhjal punktisumma ja määrake õpilase LS.Iga õpilase hindevahemik on 1 kuni 11. Hinded 1 kuni 3 näitavad õppimiseelistuste tasakaalu samas dimensioonis ja hinded 5 kuni 7 näitavad mõõdukat eelistust, mis näitab, et õpilased kalduvad eelistama ühte keskkonda, mis õpetab teisi. .Teine sama mõõtme variatsioon on see, et hinded 9–11 näitavad tugevat eelistust ühe või teise otsa suhtes [8].
Iga mõõtme jaoks rühmitati ravimid "aktiivseteks", "peegeldavateks" ja "tasakaalusteks".Näiteks kui õpilane vastab määratud üksuse puhul sõnale "a" sagedamini kui "b" ja tema tulemus ületab konkreetse üksuse 5 läve, mis esindab töötlemis-LS-i dimensiooni, kuulub ta "aktiivsesse" LS-i. domeeni..Siiski klassifitseeriti õpilased "peegeldavateks" LS-ideks, kui nad valisid konkreetses 11 küsimuses "b" rohkem kui "a" (tabel 1) ja said rohkem kui 5 punkti.Lõpuks on õpilane tasakaaluseisundis.Kui skoor ei ületa 5 punkti, on see "protsess" LS.Klassifitseerimisprotsessi korrati teiste LS-i dimensioonide jaoks, nimelt taju (aktiivne/peegeldav), sisend (visuaalne/verbaalne) ja mõistmine (järjestikune/globaalne).
Otsustuspuu mudelid võivad klassifitseerimisprotsessi erinevates etappides kasutada erinevaid tunnuste ja otsustusreeglite alamhulka.Seda peetakse populaarseks klassifitseerimis- ja ennustamisvahendiks.Seda saab esitada puustruktuuri, näiteks vooskeemi [20] abil, milles on sisemised sõlmed, mis esindavad teste atribuudi järgi, iga haru esindab testi tulemusi ja iga lehe sõlm (lehesõlm), mis sisaldab klassi silti.
Loodi lihtne reeglitel põhinev programm iga õpilase LS-i automaatseks hindamiseks ja märkuste tegemiseks nende vastuste põhjal.Reeglipõhine avaldub IF-lause kujul, kus “IF” kirjeldab päästikut ja “SIIS” täpsustab sooritatavat toimingut, näiteks: “Kui juhtub X, siis tee Y” (Liu et al., 2014).Kui andmekogumil on korrelatsioon ning otsustuspuu mudel on korralikult koolitatud ja hinnatud, võib see lähenemisviis olla tõhus viis LS-i ja IS-i sobitamise protsessi automatiseerimiseks.
Teises arendusetapis suurendati andmestikku 255-ni, et parandada soovitustööriista täpsust.Andmekogum on jagatud suhtega 1:4.25% (64) andmestikku kasutati testkomplekti jaoks ja ülejäänud 75% (191) kasutati treeningkomplektina (joonis 2).Andmekogum tuleb poolitada, et vältida mudeli koolitamist ja testimist sama andmekogumiga, mis võib põhjustada mudelit õppimise asemel meeldejätmise.Mudelit koolitatakse treeningkomplektis ja ta hindab selle toimivust testkomplektis – andmeid, mida mudel pole kunagi varem näinud.
Kui IS-tööriist on välja töötatud, saab rakendus veebiliidese kaudu hambaarstiüliõpilaste vastuste põhjal LS-i klassifitseerida.Veebipõhine infoturbe soovitustööriistade süsteem on ehitatud Pythoni programmeerimiskeele abil, kasutades taustaprogrammina Django raamistikku.Tabelis 2 on loetletud selle süsteemi väljatöötamisel kasutatud raamatukogud.
Andmekogum suunatakse otsustuspuu mudelisse, et arvutada ja eraldada õpilaste vastused õpilaste LS-i mõõtmiste automaatseks klassifitseerimiseks.
Segadusmaatriksit kasutatakse otsustuspuu masinõppe algoritmi täpsuse hindamiseks antud andmekogumis.Samal ajal hindab see klassifitseerimismudeli toimivust.See võtab kokku mudeli ennustused ja võrdleb neid tegelike andmete siltidega.Hindamistulemused põhinevad neljal erineval väärtusel: Tõene positiivne (TP) – mudel ennustas positiivset kategooriat õigesti, Valepositiivne (FP) – mudel ennustas positiivset kategooriat, kuid tegelik märgis oli negatiivne, True Negative (TN) – mudel ennustas negatiivset klassi õigesti ja vale negatiivne (FN) – mudel ennustab negatiivset klassi, kuid tegelik silt on positiivne.
Neid väärtusi kasutatakse seejärel Pythonis kasutatava scikit-learni klassifikatsioonimudeli erinevate jõudlusmõõdikute, nimelt täpsuse, täpsuse, meeldetuletuse ja F1 skoori arvutamiseks.Siin on näited.
Meenutus (või tundlikkus) mõõdab mudeli võimet õpilase LS-i täpselt klassifitseerida pärast m-ILS-i küsimustikule vastamist.
Spetsiifilisust nimetatakse tõeliseks negatiivseks määraks.Nagu ülaltoodud valemist näha, peaks see olema tõeliste negatiivsete (TN) ja tõeliste negatiivsete ja valepositiivsete (FP) suhe.Osana õpilaste uimastite klassifitseerimiseks soovitatud vahendist peaks see suutma täpselt tuvastada.
Algne 50 õpilase andmekogum, mida kasutati otsustuspuu ML mudeli koolitamiseks, näitas annotatsioonides inimliku vea tõttu suhteliselt madalat täpsust (tabel 3).Pärast lihtsa reeglipõhise programmi loomist LS-skooride ja õpilaste märkuste automaatseks arvutamiseks kasutati soovitussüsteemi koolitamiseks ja testimiseks üha rohkem andmekogumeid (255).
Mitmeklassilise segaduse maatriksis tähistavad diagonaalsed elemendid iga LS-tüübi õigete ennustuste arvu (joonis 4).Otsustuspuu mudelit kasutades ennustati õigesti kokku 64 proovi.Seega näitavad selles uuringus diagonaalsed elemendid oodatud tulemusi, mis näitab, et mudel toimib hästi ja ennustab täpselt iga LS-klassifikatsiooni klassi sildi.Seega on soovitustööriista üldine täpsus 100%.
Täpsuse, täpsuse, meeldetuletuse ja F1 skoori väärtused on näidatud joonisel 5. Otsustuspuu mudelit kasutava soovitussüsteemi puhul on selle F1 skoor 1,0 "täiuslik", mis näitab täiuslikku täpsust ja meeldetuletust, peegeldades olulist tundlikkust ja spetsiifilisust. väärtused.
Joonisel 6 on kujutatud otsustuspuu mudeli visualiseerimine pärast koolituse ja testimise lõpetamist.Kõrvuti võrdluses näitas vähemate funktsioonidega treenitud otsustuspuu mudel suuremat täpsust ja lihtsamat mudeli visualiseerimist.See näitab, et funktsioonide väljatöötamine, mis viib funktsioonide vähendamiseni, on oluline samm mudeli jõudluse parandamisel.
Otsustuspuu juhendatud õppe rakendamisel genereeritakse automaatselt vastendus LS (sisend) ja IS (sihtväljund) vahel ning see sisaldab üksikasjalikku teavet iga LS kohta.
Tulemused näitasid, et 255 õpilasest 34,9% eelistas ühte (1) LS-i varianti.Enamikul (54,3%) oli kaks või enam LS-eelistust.12,2% õpilastest märkis, et LS on üsna tasakaalus (tabel 4).Lisaks kaheksale peamisele LS-le on Malaya ülikooli hambaarstiüliõpilaste jaoks 34 LS-klassifikatsiooni kombinatsiooni.Nende hulgas on taju, nägemine ning taju ja nägemise kombinatsioon peamised LS-d, millest õpilased on teatanud (joonis 7).
Nagu nähtub tabelist 4, oli valdav osa õpilastest sensoorne (13,7%) või visuaalne (8,6%) LS.Teatati, et 12,2% õpilastest ühendas taju nägemisega (taju-visuaalne LS).Need leiud viitavad sellele, et õpilased eelistavad õppida ja meeles pidada kehtestatud meetodite abil, järgivad konkreetseid ja üksikasjalikke protseduure ning on oma olemuselt tähelepanelikud.Samal ajal naudivad nad õppimist vaadates (diagramme jne) ning kipuvad arutlema ja teavet rakendama rühmades või iseseisvalt.
See uuring annab ülevaate andmekaevanduses kasutatavatest masinõppetehnikatest, keskendudes õpilaste LS-i kohesele ja täpsele ennustamisele ning sobiva IS-i soovitamisele.Otsustuspuu mudeli rakendamine tuvastas nende elu- ja hariduskogemusega kõige tihedamalt seotud tegurid.See on järelevalve all masinõppe algoritm, mis kasutab andmete klassifitseerimiseks puustruktuuri, jagades andmestiku teatud kriteeriumide alusel alamkategooriateks.See toimib, jagades sisendandmed rekursiivselt alamhulkadeks, mis põhinevad iga sisesõlme ühe sisendfunktsiooni väärtusel, kuni lehesõlmes tehakse otsus.
Otsustuspuu sisemised sõlmed esindavad lahendust, mis põhinevad m-ILS-i probleemi sisendomadustel, ja lehtede sõlmed esindavad lõplikku LS-i klassifikatsiooni ennustust.Kogu uuringu jooksul on lihtne mõista otsustusprotsessi selgitavate ja visualiseerivate otsustuspuude hierarhiat, vaadates sisendfunktsioonide ja väljundi prognooside vahelist seost.
Arvutiteaduse ja tehnika valdkonnas kasutatakse masinõppe algoritme laialdaselt õpilaste tulemuste ennustamiseks nende sisseastumiseksamite [21], demograafilise teabe ja õpikäitumise [22] põhjal.Uuringud näitasid, et algoritm ennustas täpselt õpilaste tulemusi ja aitas neil tuvastada õpilasi, kellel on akadeemiliste raskuste oht.
Kirjeldatakse ML-algoritmide rakendamist virtuaalsete patsiendisimulaatorite väljatöötamisel hambaarstiõppe jaoks.Simulaator suudab täpselt reprodutseerida tõeliste patsientide füsioloogilisi reaktsioone ja seda saab kasutada hambaarstiüliõpilaste koolitamiseks turvalises ja kontrollitud keskkonnas [23].Mitmed teised uuringud näitavad, et masinõppe algoritmid võivad potentsiaalselt parandada hambaarsti- ja meditsiinihariduse ning patsiendihoolduse kvaliteeti ja tõhusust.Masinõppe algoritme on kasutatud hammaste haiguste diagnoosimisel selliste andmekogumite alusel nagu sümptomid ja patsiendi omadused [24, 25].Kuigi teistes uuringutes on uuritud masinõppe algoritmide kasutamist selliste ülesannete täitmiseks nagu patsientide tulemuste ennustamine, kõrge riskiga patsientide tuvastamine, isikupärastatud raviplaanide väljatöötamine [26], periodontaalne ravi [27] ja kaariese ravi [25].
Kuigi on avaldatud aruandeid masinõppe rakendamise kohta hambaravis, on selle rakendamine hambaarstiõppes piiratud.Seetõttu oli selle uuringu eesmärk kasutada otsustuspuu mudelit, et tuvastada hambaarstiüliõpilaste seas LS-i ja IS-ga kõige tihedamalt seotud tegureid.
Selle uuringu tulemused näitavad, et väljatöötatud soovitustööriist on kõrge ja täiusliku täpsusega, mis näitab, et õpetajad saavad sellest tööriistast kasu.Andmepõhist klassifitseerimisprotsessi kasutades saab see anda isikupärastatud soovitusi ning parandada õpetajate ja õpilaste hariduskogemust ja -tulemusi.Nende hulgas võib soovitusvahendite abil saadud teave lahendada konflikte õpetajate eelistatud õpetamismeetodite ja õpilaste õpivajaduste vahel.Näiteks tänu soovitustööriistade automatiseeritud väljundile väheneb oluliselt õpilase IP tuvastamiseks ja vastava IP-ga sobitamiseks kuluv aeg.Nii saab korraldada sobivaid koolitustegevusi ja koolitusmaterjale.See aitab arendada õpilaste positiivset õpikäitumist ja keskendumisvõimet.Ühes uuringus teatati, et õpilastele nende eelistatud LS-ile vastavate õppematerjalide ja õppetegevuste pakkumine võib aidata õpilastel integreeruda, töödelda ja nautida õppimist mitmel viisil, et saavutada suurem potentsiaal [12].Uuringud näitavad ka, et lisaks õpilaste osalemise parandamisele klassiruumis on õpilaste õppeprotsessi mõistmisel oluline roll ka õpetamispraktikate ja õpilastega suhtlemise parandamisel [28, 29].
Kuid nagu iga kaasaegse tehnoloogia puhul, on ka probleeme ja piiranguid.Nende hulka kuuluvad andmete privaatsuse, erapoolikuse ja õiglusega seotud probleemid ning hambaarstihariduses masinõppe algoritmide väljatöötamiseks ja rakendamiseks vajalikud professionaalsed oskused ja vahendid;Kasvav huvi ja uuringud selle valdkonna vastu viitavad aga sellele, et masinõppetehnoloogiatel võib olla positiivne mõju hambaarstiharidusele ja hambaraviteenustele.
Selle uuringu tulemused näitavad, et pooltel hambaarstiüliõpilastel on kalduvus narkootikume "tajuda".Seda tüüpi õppija eelistab fakte ja konkreetseid näiteid, praktilist suunitlust, kannatlikkust detailide suhtes ja "visuaalset" LS-i eelistust, kus õppijad eelistavad ideede ja mõtete edastamiseks kasutada pilte, graafikat, värve ja kaarte.Praegused tulemused on kooskõlas teiste uuringutega, milles ILS-i kasutati LS-i hindamiseks hambaarsti- ja meditsiiniüliõpilastel, kellest enamikul on tajutava ja visuaalse LS-i tunnused [12, 30].Dalmolin jt viitavad sellele, et õpilaste LS-ist teavitamine võimaldab neil oma õpipotentsiaali saavutada.Teadlased väidavad, et kui õpetajad mõistavad täielikult õpilaste haridusprotsessi, saab rakendada erinevaid õpetamismeetodeid ja -tegevusi, mis parandavad õpilaste sooritust ja õpikogemust [12, 31, 32].Teised uuringud on näidanud, et õpilaste LS-i kohandamine näitab ka õpilaste õpikogemuse ja -soorituse paranemist pärast õpistiilide muutmist vastavalt nende õpistiilidele [13, 33].
Õpetajate arvamused võivad õpilaste õpivõimetest lähtuvate õpetamisstrateegiate rakendamise osas erineda.Kuigi mõned näevad selle lähenemisviisi eeliseid, sealhulgas ametialase arengu võimalusi, mentorlust ja kogukonna toetust, võivad teised olla mures aja ja institutsionaalse toetuse pärast.Tasakaalu poole püüdlemine on õpilasekeskse suhtumise kujundamisel võtmetähtsusega.Kõrgharidusasutused, näiteks ülikoolide administraatorid, võivad mängida olulist rolli positiivsete muutuste käivitamisel, juurutades uuenduslikke tavasid ja toetades õppejõudude arengut [34].Tõeliselt dünaamilise ja reageerimisvõimelise kõrgharidussüsteemi loomiseks peavad poliitikakujundajad astuma julgeid samme, näiteks muutma poliitikat, eraldama ressursse tehnoloogia integratsioonile ja looma raamistikke, mis edendavad üliõpilaskeskseid lähenemisviise.Need meetmed on soovitud tulemuste saavutamiseks üliolulised.Hiljutised uuringud diferentseeritud õpetamise kohta on selgelt näidanud, et diferentseeritud õpetamise edukas rakendamine nõuab õpetajatelt pidevat koolitust ja arenguvõimalusi [35].
See tööriist pakub väärtuslikku tuge hambaarstide koolitajatele, kes soovivad õpilassõbralikku õppetegevust kavandada õpilasekeskselt.See uuring piirdub aga otsustuspuu ML mudelite kasutamisega.Tulevikus tuleks koguda rohkem andmeid, et võrrelda erinevate masinõppemudelite toimivust, et võrrelda soovitustööriistade täpsust, töökindlust ja täpsust.Lisaks on konkreetse ülesande jaoks sobivaima masinõppemeetodi valimisel oluline arvestada ka muude teguritega, nagu mudeli keerukus ja tõlgendamine.
Selle uuringu piirang on see, et see keskendus ainult LS ja IS kaardistamisele hambaarstiüliõpilaste seas.Seetõttu soovitab väljatöötatud soovituste süsteem ainult neid, mis sobivad hambaarstiüliõpilastele.Muudatused on vajalikud üldkõrgkooli üliõpilaste kasutamiseks.
Äsja väljatöötatud masinõppel põhinev soovitustööriist on võimeline õpilaste LS-i koheselt klassifitseerima ja sobitama vastava IS-iga, muutes selle esimeseks hambaarstiõppe programmiks, mis aitab hambaarstiõpetajatel kavandada asjakohaseid õpetamis- ja õppimistegevusi.Andmepõhise triaažiprotsessi abil saab see anda isikupärastatud soovitusi, säästa aega, parandada õpetamisstrateegiaid, toetada sihipäraseid sekkumisi ja edendada pidevat professionaalset arengut.Selle rakendamine edendab õpilasekeskseid lähenemisviise hambaarstiharidusele.
Gilak Jani Associated Press.Õpilase õppimisstiili ja õpetaja õpetamisstiili vastavus või mittevastavus.Int J Mod Educ Computer Science.2012; 4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Postitusaeg: 29. aprill 2024