Kõrgharidusasutustes, sealhulgas hambaravides on üha suurem vajadus õpilastekeskse õppimise (SCL) järele. Kuid SCL -il on hambahariduses piiratud rakendus. Seetõttu on selle uuringu eesmärk edendada SCL -i rakendamist hambaravis, kasutades otsustuspuu masinõppe (ML) tehnoloogiat eelistatud õppimisstiili (LS) ja vastavate õppimisstrateegiate (IS) kaardistamiseks kui hambaarstide õpilaste kasulikku vahendit arendamiseks . Paljutõotavad meetodid hambaarstide õpilastele.
Kokku 255 Malaya ülikooli hambaarsti üliõpilast täitsid õppimisstiilide modifitseeritud indeksi (M-ILS) küsimustiku, mis sisaldas 44 eset, et klassifitseerida need vastavasse LSS-i. Kogutud andmeid (mida nimetatakse andmekogumiks) kasutatakse juhendatud otsustuspuu õppimisel, et õpilaste õppimisstiilid automaatselt sobiks kõige sobivamaga. Seejärel hinnatakse masinõppepõhise täpsust soovitusriist.
Otsustuspuude mudelite rakendamine automatiseeritud kaardistamisprotsessis LS (sisend) ja IS (sihtväljund) vahel võimaldab iga hambaarsti õpilase jaoks kohest loetelu sobivatest õppimisstrateegiatest. IS -soovitusriist näitas mudeli üldise täpsuse täiuslikku täpsust ja tagasikutsumist, mis näitab, et LS -i vastavus on hea tundlikkus ja spetsiifilisus.
ML -i otsustuspuul põhinev soovitusriist on tõestanud oma võimet sobitada täpselt hambaõpilaste õppimisstiile sobivate õpistrateegiatega. See tööriist pakub võimsaid võimalusi õppijakesksete kursuste või moodulite kavandamiseks, mis võivad parandada õpilaste õpikogemust.
Õpetamine ja õppimine on haridusasutustes põhitegevused. Kvaliteetse kutseharidussüsteemi väljatöötamisel on oluline keskenduda õpilaste õppimisvajadustele. Õpilaste ja nende õpikeskkonna suhtlemist saab kindlaks määrata nende LS -i kaudu. Uuringud näitavad, et õpetajate kavandatud ebakõladel õpilaste LS-i ja IS-i vahel võivad olla negatiivsed tagajärjed õpilaste õppimisele, näiteks vähenenud tähelepanu ja motivatsioonile. See mõjutab kaudselt õpilaste tulemusi [1,2].
IS on meetod, mida õpetajad kasutavad õpilastele teadmiste ja oskuste edastamiseks, sealhulgas õpilastel õppimiseks [3]. Üldiselt kavandavad head õpetajad õpetamisstrateegiaid või on kõige paremini vastavad nende õpilaste teadmiste tasemele, õpitud kontseptsioonidele ja õppimisetapile. Teoreetiliselt saavad õpilased LS -i ja sobitamisel korraldada ja kasutada konkreetsete oskuste komplekti tõhusaks õppimiseks. Tavaliselt hõlmab õppetunniplaan mitmeid üleminekuid etappide vahel, näiteks õpetamisest juhendatud praktikast või juhendatud praktikast iseseisvasse praktikasse. Seda silmas pidades kavandavad tõhusad õpetajad sageli juhendamist eesmärgiga luua õpilaste teadmisi ja oskusi [4].
Nõudlus SCL -i järele kasvab kõrgharidusasutustes, sealhulgas hambaravi. SCL -strateegiad on mõeldud õpilaste õppimisvajaduste rahuldamiseks. Seda on võimalik saavutada näiteks siis, kui õpilased osalevad aktiivselt õppetegevuses ja õpetajad tegutsevad juhendajatena ja vastutavad väärtusliku tagasiside andmise eest. Öeldakse, et õpilaste haridustasandile või eelistustele sobivate õppematerjalide ja tegevuste pakkumine võib parandada õpilaste õpikeskkonda ja edendada positiivseid õpikogemusi [5].
Üldiselt mõjutavad hambaarstide õpilaste õppeprotsessi erinevad kliinilised protseduurid, mida nad vajavad teostama, ja kliinilise keskkonna, milles neil on tõhusad inimestevahelised oskused. Koolituse eesmärk on võimaldada õpilastel ühendada hambaravi põhiteadmised hambakliiniliste oskustega ja rakendada omandatud teadmisi uutes kliinilistes olukordades [6, 7]. LS -i vaheliste suhete varajased uuringud leitakse, et eelistatud LS -iga kaardistatud õppestrateegiate kohandamine aitaks haridusprotsessi parandada [8]. Autorid soovitavad õpilaste õppimise ja vajadustega kohanemiseks kasutada ka mitmesuguseid õpetamis- ja hindamismeetodeid.
Õpetajatele on kasu LS -teadmiste rakendamisest, mis aitaks neil kavandada, arendada ja rakendada juhendamist, mis suurendab õpilaste sügavamate teadmiste ja teema mõistmise omandamist. Teadlased on välja töötanud mitmeid LS hindamisvahendeid, näiteks KOLB kogemuslik õppemudel, Felder-Silvermani õppimisstiilimudel (FSLSM) ja Fleming Vak/VARK mudel [5, 9, 10]. Kirjanduse andmetel on need õppimismudelid kõige sagedamini kasutatavad ja kõige uuritud õppemudelid. Praeguses uurimistöös kasutatakse FSLSM -i hambaarstide õpilaste LS -i hindamiseks.
FSLSM on laialdaselt kasutatav mudel adaptiivse õppimise hindamiseks inseneritöös. Terviseteadustes (sealhulgas meditsiin, õendus, apteek ja hambaravi) on palju avaldatud töid, mida võib leida FSLSM -mudelite abil [5, 11, 12, 13]. Ls mõõtmete mõõtmiseks FLSM -is nimetatakse instrumenti õppimisstiilide indeksiks (ILS) [8], mis sisaldab 44 punkti, milles hinnatakse LS -i nelja dimensiooni: töötlemine (aktiivne/peegeldav), taju (tajumine/intuitiivne), Sisend (visuaalne). /verbaalne) ja mõistmine (järjestikune/globaalne) [14].
Nagu on näidatud joonisel 1, on domineeriv igal FSLSM -i mõõtmel domineeriv eelistus. Näiteks eelistavad töötlemismõõtmes „aktiivse” LS -iga õpilased teavet töötleda, suheldes otse õppimismaterjalidega, õppida tehes ja kipuvad õppima rühmades. Peegeldav LS viitab mõtlemisele õppimisele ja eelistab üksi töötada. LS -i tajutava mõõtme võib jagada tundeks ja/või intuitsiooniks. „Tunde” õpilased eelistavad konkreetsemat teavet ja praktilisi protseduure, need on faktidele orienteeritud võrreldes intuitiivsete õpilastega, kes eelistavad abstraktset materjali ning on oma olemuselt uuenduslikumad ja loovamad. LS -i sisendmõõt koosneb visuaalsetest ja verbaalsetest õppijatest. Inimesed, kellel on „visuaalsed” LS, eelistavad õppida visuaalsete demonstratsioonide kaudu (näiteks diagrammid, videod või live -demonstratsioonid), samas kui verbaalse LS -ga inimesed eelistavad õppida sõnade kaudu kirjalikes või suulistes seletustes. LS mõõtmete mõistmiseks võib sellised õppijad jagada „järjestikuseks” ja „globaalseks”. „Järjestikused õppijad eelistavad lineaarset mõtteprotsessi ja õpivad samm -sammult, samas kui globaalsetel õppijatel on tavaliselt terviklik mõtteprotsess ja neil on alati parem mõista õpitut.
Hiljuti on paljud teadlased hakanud uurima automaatseid andmepõhiste avastuste meetodeid, sealhulgas uute algoritmide ja mudelite väljatöötamist, mis on võimelised tõlgendama suures koguses andmeid [15, 16]. Esitatud andmete põhjal suudab juhendatud ML (masinõpe) genereerida mustreid ja hüpoteese, mis ennustavad algoritmide ehitamisel põhinevaid tulevasi tulemusi [17]. Lihtsamalt öeldes manipuleerivad juhendatud masinõppe tehnikad sisendandmeid ja rongi algoritme. Seejärel genereerib see vahemikku, mis klassifitseerib või ennustab tulemust, mis põhineb sarnastel olukordadel pakutavate sisendandmete jaoks. Juhendatud masinõppe algoritmide peamine eelis on selle võime luua ideaalseid ja soovitud tulemusi [17].
Andmepõhiste meetodite ja otsustuspuu juhtimismudelite kasutamise kaudu on LS automaatne tuvastamine võimalik. On teada, et otsustuspuid kasutatakse laialdaselt koolitusprogrammides erinevates valdkondades, sealhulgas terviseteadustes [18, 19]. Selles uuringus koolitasid süsteemi arendajad spetsiaalselt mudelit õpilaste LS -i tuvastamiseks ja nende jaoks parimaks soovitamaks.
Selle uuringu eesmärk on välja töötada õpilaste LS -il põhinevad kohaletoimetamisstrateegiad ja rakendada SCL -i lähenemisviisi, arendades IS -i soovitusriist, mis on kaardistatud LS -iga. IS -soovitusriista disainivoog kui SCL -meetodi strateegia on näidatud joonisel 1. IS -soovitusriist jaguneb kaheks osaks, sealhulgas LS klassifitseerimismehhanism, kasutades ILS -i ja kõige sobivam on õpilastele kuvamine.
Eelkõige hõlmavad infoturbe soovitusriistade omadused veebitehnoloogiate kasutamist ja otsustuspuu masinõppe kasutamist. Süsteemi arendajad parandavad kasutajakogemust ja liikuvust, kohandades neid mobiilseadmetega nagu mobiiltelefonid ja tahvelarvutid.
Katse viidi läbi kahes etapis ja Malaya ülikooli hambaarstide teaduskonna tudengid osales vabatahtlikult. Osalejad reageerisid hambaarsti õpilase veebis M-IL-dele. Algfaasis kasutati otsustuspuu masinõppe algoritmi koolitamiseks 50 õpilast. Arendusprotsessi teises etapis kasutati väljatöötatud instrumendi täpsuse parandamiseks 255 õpilase andmestikku.
Kõik osalejad saavad Microsofti meeskondade kaudu iga etapi alguses veebipõhise briifingu, sõltuvalt õppeaastast. Uuringu eesmärk selgitati ja saadi teadlik nõusolek. Kõigile osalejatele anti link M-IL-dele juurdepääsu saamiseks. Igal õpilasel kästi vastata kõigile 44 küsimustikule. Neile anti üks nädal, et lõpule viia modifitseeritud IL -id korraga ja asukohaga, mis oli neile semestri vaheajal enne semestri algust mugav. M-ILS põhineb algsel ILS-i instrumendil ja muudetud hambaarstide õpilaste jaoks. Sarnaselt algse ILS -iga sisaldab see 44 ühtlaselt jaotunud üksust (A, B), igaühel 11 üksust, mida kasutatakse iga FSLSM -i mõõtme aspektide hindamiseks.
Tööriistade arendamise algfaasis andsid teadlased kaardid käsitsi, kasutades 50 hambaarsti õpilase andmekogumit. FSLMi andmetel annab süsteem vastuste „A” ja “B” summa. Iga mõõtme jaoks, kui õpilane valib vastusena A vastuseks, klassifitseeritakse LS aktiivseks/tajutavaks/visuaalseks/järjestikuseks ning kui õpilane valib vastusena “B”, klassifitseeritakse õpilane peegeldavaks/intuitiivseks/keeleliseks . / Globaalne õppija.
Pärast hambahariduse uurijate ja süsteemiarendajate töövoo kalibreerimist valiti küsimused FLSSM -i domeeni põhjal ja viidi ML -mudelisse, et ennustada iga õpilase LS -i. “Prügi sisse, prügi välja” on populaarne ütlus masinõppe valdkonnas, rõhuasetusega andmete kvaliteedile. Sisendandmete kvaliteet määrab masinõppe mudeli täpsuse ja täpsuse. Funktsioonide insenerifaasis luuakse uus funktsioonikomplekt, mis on FLSSM -il põhinevate vastuste „A” ja “B” summa. Ravimite positsioonide identifitseerimisnumbrid on toodud tabelis 1.
Arvutage hinne vastuste põhjal ja määrake õpilase LS. Iga õpilase jaoks on skooride vahemik 1 kuni 11. Hinded 1 kuni 3 näitavad õppimise eelistuste tasakaalu sama mõõtme piires ja hinded vahemikus 5 kuni 7 näitavad mõõdukat eelistust, mis näitab, et õpilased kipuvad eelistama ühte keskkonda õpetamas teistele . Veel üks sama mõõtme variatsioon on see, et skoorid 9 kuni 11 kajastavad tugevat eelistust ühe või teise eesmärgi suhtes [8].
Iga mõõtme jaoks rühmitati ravimid “aktiivseks”, “peegeldavaks” ja “tasakaalustatud”. Näiteks kui õpilane vastab määratud esemele sagedamini kui B -le ja tema partituur ületab LS -i töötlemise töötlemise konkreetse üksuse künnise 5 läve, kuulub ta “aktiivsesse” LS -i domeen. . Õpilased klassifitseeriti aga „peegeldavaks” LS -i, kui nad valisid konkreetsete 11 küsimuse (tabel 1) rohkem kui A “A” ja kogusid rohkem kui 5 punkti. Lõpuks on tudeng seisundis „tasakaal”. Kui tulemus ei ületa 5 punkti, siis on see „protsess” LS. Klassifikatsiooniprotsessi korrati teiste LS mõõtmete jaoks, nimelt taju (aktiivne/peegeldav), sisend (visuaalne/verbaalne) ja mõistmise (järjestikune/globaalne) jaoks.
Otsustuspuu mudelid saavad klassifitseerimisprotsessi erinevatel etappidel kasutada erinevaid funktsioonide alamhulki ja otsustusreegleid. Seda peetakse populaarseks klassifikatsiooni- ja ennustusvahendiks. Seda saab esindada puustruktuuri, näiteks vooskeemi [20] abil, milles on sisemisi sõlmi, mis tähistavad teste atribuudi järgi, iga haru, mis tähistab testi tulemusi, ja iga lehtede sõlm (lehesõlm), mis sisaldab klassi etiketti.
Loodi lihtne reeglipõhine programm, et iga õpilase LS-i automaatselt skoorida ja märkustada nende vastuste põhjal. Reeglipõhine on IF-avalduse vorm, kus „kui” kirjeldab päästikut ja „siis” määrab teostatav toiming, näiteks: “Kui x juhtub, siis tehke 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 sobitamise ja IS -i sobitamise protsessi automatiseerimiseks.
Teises arenguetapis suurendati andmestikku 255 -ni, et parandada soovitusriista täpsust. Andmekogum jaguneb suhtega 1: 4. Testkomplekti jaoks kasutati 25% (64) andmekogumist ja treeningkomplektina kasutati ülejäänud 75% (191) (joonis 2). Andmekogum tuleb jagada, et mudel ei koolitata ja testida sama andmekogumiga, mis võib põhjustada mudeli pigem meelde jätta kui õppimist. Mudelit koolitatakse treeningkomplekti kallal ja hindab selle jõudlust testikomplektis - data, mida mudel pole kunagi varem näinud.
Kui tööriist on välja töötatud, saab rakendus LS klassifitseerida hambaarstide õpilaste vastuste põhjal veebiliidese kaudu. Veebipõhine infoturbe soovitusriistasüsteem on ehitatud Pythoni programmeerimiskeele abil, kasutades taustaprogrammi Django raamistikku. Tabelis 2 on loetletud selle süsteemi väljatöötamisel kasutatud raamatukogud.
Andmekogum suunatakse otsustuspuu mudelile, et arvutada ja eraldada õpilaste vastused õpilaste LS mõõtmiste automaatselt klassifitseerimiseks.
Segadusmaatriksit kasutatakse otsusepuu masinõppe algoritmi täpsuse hindamiseks antud andmekogumis. Samal ajal hindab see klassifitseerimismudeli toimivust. See võtab kokku mudeli ennustused ja võrdleb neid tegelike andmesildidega. Hindamistulemused põhinevad neljal erineval väärtusel: True Positiivne (TP) - mudel ennustas õigesti positiivset kategooriat, valepositiivset (FP) - mudel ennustas positiivset kategooriat, kuid tegelik silt oli negatiivne, tõeline negatiivne (TN) - Mudel ennustas õigesti negatiivset klassi ja valenegatiivset (FN) - mudel ennustab negatiivset klassi, kuid tõeline silt on positiivne.
Seejärel kasutatakse neid väärtusi Pythonis SCIKIT-LÕUNE klassifitseerimise mudeli erinevate jõudlusmõõdikute arvutamiseks, nimelt täpsus, täpsus, tagasikutsumine ja F1 skoor. Siin on näited:
Meenutamine (või tundlikkus) mõõdab mudeli võimet õpilase LS-i täpselt klassifitseerida pärast M-ILS-i küsimustikule vastamist.
Spetsiifilisust nimetatakse tõeliseks negatiivseks määraks. Nagu ülaltoodud valemist näete, peaks see olema tõeliste negatiivide (TN) suhe tõeliste negatiivide ja valepositiivsete suhtes (FP). Õpilasravimite klassifitseerimise soovitatud tööriista osana peaks see olema võimeline täpselt tuvastama.
Otsustuspuu ML -mudeli koolitamiseks kasutatud 50 õpilase algne andmestik näitas märkuste inimlike vigade tõttu suhteliselt madalat täpsust (tabel 3). Pärast lihtsa reeglipõhise programmi loomist LS-i tulemuste ja õpilaste märkuste automaatseks arvutamiseks kasutati soovitussüsteemi koolitamiseks ja testimiseks üha suuremat arvu andmekogumeid (255).
Multiklassi segadusmaatriksis tähistavad diagonaalsed elemendid iga LS -tüüpi õigete ennustuste arvu (joonis 4). Kasutades otsustuspuu mudelit, ennustati õigesti kokku 64 proovi. Seega näitavad selles uuringus diagonaalielemendid eeldatavaid tulemusi, mis näitab, et mudel toimib hästi ja ennustab täpselt iga LS klassifikatsiooni klassi silti. Seega on soovitusriista üldine täpsus 100%.
Täpsuse, täpsuse, tagasikutsumise ja F1 skoori väärtused on näidatud joonisel 5. Otsustuspuu mudelit kasutava soovitussüsteemi jaoks on selle F1 skoor 1,0 “täiuslik”, mis näitab täiuslikku täpsust ja tagasikutsumist, peegeldades olulist tundlikkust ja spetsiifilisust väärtused.
Joonis 6 näitab otsustuspuu mudeli visualiseerimist pärast koolitust ja testimist. Kõrvuti külgmise võrdluse korral näitas vähem omadustega koolitatud otsustuspuu mudelit suuremat täpsust ja hõlpsamat mudeli visualiseerimist. See näitab, et funktsioonide insener, mis viib funktsioonide vähendamiseni, on oluline samm mudeli jõudluse parandamisel.
Rakendades otsusepuu juhendatud õppimist, genereeritakse LS (sisend) ja IS -i vaheline kaardistamine automaatselt ja sisaldab üksikasjalikku teavet iga LS -i kohta.
Tulemused näitasid, et 34,9% 255 õpilasest eelistas ühte (1) LS -i. Enamikul (54,3%) oli kaks või enam LS -eelistust. 12,2% õpilastest märkis, et LS on üsna tasakaalus (tabel 4). Lisaks kaheksale peamisele LS -ile on Malaya ülikooli hambaarsti tudengite jaoks 34 LS -klassifikatsiooni kombinatsiooni. Nende hulgas on taju, nägemine ning taju ja nägemise kombinatsioon õpilaste peamised LS -id (joonis 7).
Nagu tabelist 4 näha, oli enamikul õpilastest domineeriv sensoorne (13,7%) või visuaalne (8,6%) LS. Teatati, et 12,2% õpilastest ühendas taju visiooniga (taju-visuaalne LS). Need leiud viitavad sellele, et õpilased eelistavad õppida ja meenutada väljakujunenud meetodeid, järgida konkreetseid ja üksikasjalikke protseduure ning on oma olemuselt tähelepanelikud. Samal ajal naudivad nad õppimist, otsides (kasutades diagramme jne) ning kipuvad arutama ja rakendama teavet rühmades või iseseisvalt.
See uuring annab ülevaate andmete kaevandamisel kasutatavatest masinõppe tehnikatest, keskendudes koheselt ja täpsele ennustamisele õpilaste LS -i ja soovitades sobivat. Otsustuspuu mudeli rakendamine tuvastas nende elu ja hariduskogemustega kõige tihedamalt seotud tegurid. See on juhendatud masinõppe algoritm, mis kasutab puustruktuuri andmete klassifitseerimiseks, jagades andmete komplekti teatud kriteeriumide põhjal alamkategooriateks. See toimib, jagades sisendandmed rekursiivselt alamhulkadeks, tuginedes iga sisemise sõlme ühe sisendfunktsiooni väärtusele, kuni lehtsõlmes tehakse otsus.
Otsustuspuu sisemised sõlmed tähistavad lahendust, mis põhineb M-IL-i probleemi sisendomadustel, ja lehe sõlmed tähistavad LS-i lõplikku klassifikatsiooni ennustamist. Kogu uuringu vältel on lihtne mõista otsustuspuude hierarhiat, mis selgitavad ja visualiseerivad otsustusprotsessi, uurides sisendfunktsioonide ja väljundprognooside suhet.
Arvutiteaduse ja tehnika valdkonnas kasutatakse masinõppe algoritme laialdaselt õpilaste jõudluse ennustamiseks nende sisseastumiseksami tulemuste põhjal [21], demograafilise teabe ja õppimiskäitumise põhjal [22]. Uuringud näitasid, et algoritm ennustas õpilaste tulemusi täpselt ja aitas neil tuvastada akadeemiliste raskuste ohustatud õpilasi.
Teatatakse ML -i algoritmide rakendamisest virtuaalsete patsientide simulaatorite väljatöötamisel hambakoolituseks. Simulaator on võimeline täpselt reprodutseerima reaalsete patsientide füsioloogilisi reaktsioone ja seda saab kasutada hambaarstide koolitamiseks turvalises ja kontrollitud keskkonnas [23]. Mitmed muud uuringud näitavad, et masinõppe algoritmid võivad potentsiaalselt parandada hambaravi ja meditsiinilise hariduse ning patsientide ravi kvaliteeti ja tõhusust. Hambahaiguste diagnoosimiseks selliste andmekogumite nagu sümptomite ja patsiendi omaduste põhjal on kasutatud masinõppe algoritme [24, 25]. Kuigi teistes uuringutes on uuritud masinõppe algoritmide kasutamist selliste ülesannete täitmiseks nagu patsiendi tulemuste ennustamine, kõrge riskiga patsientide tuvastamine, isikupärastatud raviplaanide [26] väljatöötamine [26], periodontaalravi [27] ja Cariesi ravi [25].
Ehkki on avaldatud aruandeid masinõppe rakendamise kohta, on selle rakendus hambahariduses endiselt piiratud. Seetõttu oli selle uuringu eesmärk kasutada otsustuspuu mudelit LS -iga tihedamalt seotud tegurite väljaselgitamiseks ja hambaarstide seas.
Selle uuringu tulemused näitavad, et välja töötatud soovitusriistal on suur täpsus ja täiuslik täpsus, mis näitab, et õpetajad saavad sellest tööriistast kasu. Andmepõhist klassifitseerimisprotsessi kasutades võib see pakkuda isikupäraseid soovitusi ning parandada haridusalaste ja õpilaste haridusalaseid kogemusi ja tulemusi. Nende hulgas saab soovitusvahendite kaudu saadud teave lahendada konfliktid õpetajate eelistatud õpetamismeetodite ja õpilaste õppimisvajaduste vahel. Näiteks soovitusriistade automatiseeritud väljundi tõttu väheneb õpilase IP tuvastamiseks ja vastava IP -ga sobitamiseks vajalik aeg märkimisväärselt. Sel viisil saab korraldada sobivaid koolitustegevusi ja koolitusmaterjale. See aitab arendada õpilaste positiivset õppimiskäitumist ja keskendumisvõimet. Üks uuring teatas, et õpilastele õppimismaterjalide ja õppetegevuste pakkumine, mis vastavad nende eelistatud LS -ile, aitab õpilastel integreerida, töödelda ja õppida mitmel viisil, et saavutada suurem potentsiaal [12]. Uuringud näitavad ka, et lisaks õpilaste osalemise parandamisele klassiruumis mängib õpilaste õppimisprotsessi mõistmine ka kriitilist rolli õpetamispraktikate parandamisel ja suhtlemisel õpilastega [28, 29].
Nagu iga tänapäevase tehnoloogia puhul, on aga ka probleeme ja piiranguid. Nende hulka kuuluvad andmete privaatsuse, eelarvamuste ja õigluse ning masinõppe algoritmide väljatöötamiseks ja rakendamiseks vajalikud ametialased oskused ja ressursid; Kuid kasvav huvi ja teadusuuringud selles valdkonnas viitavad sellele, et masinõppe tehnoloogiatel võib olla positiivne mõju hambahariduse ja hambaraviteenustele.
Selle uuringu tulemused näitavad, et pooled hambaarstide tudengitest on kalduvus ravimeid tajuda. Seda tüüpi õppija eelistab fakte ja konkreetseid näiteid, praktilist orientatsiooni, detailide kannatlikkust ja „visuaalset” LS -eelistust, kus õppijad eelistavad ideede ja mõtete edastamiseks kasutada pilte, graafikat, värve ja kaarte. Praegused tulemused on kooskõlas teiste uuringutega, milles kasutatakse ILS -i hamba- ja meditsiinitudengite LS -i hindamiseks, kellest enamikul on taju ja visuaalse LS omadused [12, 30]. Dalmolin jt soovitavad, et õpilaste teavitamine nende LS -ist võimaldab neil oma õppimispotentsiaali jõuda. Teadlased väidavad, et kui õpetajad saavad õpilaste haridusprotsessi täielikult aru, saab rakendada mitmesuguseid õpetamismeetodeid ja tegevusi, mis parandavad õpilaste jõudlust ja õpikogemust [12, 31, 32]. Teised uuringud on näidanud, et õpilaste LS -i kohandamine näitab ka õpilaste õpikogemuse ja tulemuslikkuse paranemist pärast nende õppimisstiili muutmist vastavalt oma LS -ile [13, 33].
Õpetajate arvamused võivad erineda õppestrateegiate rakendamisel õpilaste õppimisvõimel. Ehkki mõned näevad selle lähenemisviisi eeliseid, sealhulgas ametialase arengu võimalusi, juhendamist ja kogukonna tuge, võivad teised olla mures aja ja institutsionaalse toetamise pärast. Tasakaalu poole püüdlemine on õpilaskeskse suhtumise loomise võti. Kõrgharidusasutused, näiteks ülikooli administraatorid, saavad mängida olulist rolli positiivsete muutuste suurendamisel, tutvustades uuenduslikke tavasid ja toetades teaduskondade arengut [34]. Tõeliselt dünaamilise ja reageeriva kõrgharidussüsteemi loomiseks peavad poliitikakujundajad astuma julgeid samme, näiteks poliitiliste muudatuste tegemine, ressursside pühendamine tehnoloogia integreerimisele ja raamistike loomine, mis edendavad õpilaskeskseid lähenemisviise. Need meetmed on soovitud tulemuste saavutamiseks kriitilise tähtsusega. Värsked diferentseeritud juhendamise uuringud on selgelt näidanud, et diferentseeritud juhendamise edukas rakendamine nõuab õpetajatele pidevaid koolituse ja arenguvõimalusi [35].
See tööriist pakub väärtuslikku tuge hambakoolitajatele, kes soovivad õpilaskeskset lähenemist õpilassõbralike õppetegevuste kavandamisel. Kuid see uuring piirdub otsustuspuu ML -mudelite kasutamisega. Tulevikus tuleks koguda rohkem andmeid, et võrrelda erinevate masinõppe mudelite jõudlust, et võrrelda soovitusriistade täpsust, töökindlust ja täpsust. Lisaks on konkreetse ülesande jaoks kõige sobivama masinõppe meetodi valimisel oluline arvestada muid tegureid, näiteks mudeli keerukus ja tõlgendamine.
Selle uuringu piirang on see, et see keskendus ainult LS -i kaardistamisele ja on hambaarstide õpilaste seas. Seetõttu soovitab välja töötatud soovitussüsteem ainult neid, mis sobivad hambaarsti õpilastele. Üldiseks kõrgharidusõpilaste kasutamiseks on vajalikud muudatused.
Äsja välja töötatud masinõppepõhine soovitusriist on võimeline klassifitseerima ja sobitama õpilaste LS-i vastavasse hetkega, muutes selle esimeseks hambaravihariduse programmis, mis aitab hambaravi koolitajatel kavandada asjakohaseid õpetamis- ja õppimisi. Andmepõhise triaažiprotsessi abil saab see anda isikupärastatud soovitusi, säästa aega, parandada õpetamisstrateegiaid, toetada sihtotstarbelisi sekkumisi ja edendada pidevat ametialast arengut. Selle rakendus edendab hambaravihariduse õpilastekeskseid lähenemisviise.
Gilak Jani Associated Press. Sobivad õpilase õppimisstiili ja õpetaja õpetamisstiili vahel. Int J Mod Education Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Postituse aeg: 29.-2014. aasta aprill