Kõrgkoolides, sealhulgas hambaravis, on kasvav vajadus õpilaskeskse õppe (SCL) järele. Siiski on SCL-i rakendamine hambaraviõppes piiratud. Seetõttu on käesoleva uuringu eesmärk edendada SCL-i rakendamist hambaravis, kasutades otsustuspuu masinõppe (ML) tehnoloogiat hambaraviüliõpilaste eelistatud õpistiili (LS) ja vastavate õpistrateegiate (IS) kaardistamiseks, mis on kasulik vahend IS-i suuniste väljatöötamiseks. Paljulubavad meetodid hambaraviüliõpilastele.
Kokku 255 hambaraviüliõpilast Malaya Ülikoolist täitsid modifitseeritud õpistiilide indeksi (m-ILS) küsimustiku, mis sisaldas 44 küsimust nende vastavatesse õpistiilide indeksitesse liigitamiseks. Kogutud andmeid (nn andmekogumit) kasutatakse juhendatud otsustuspuuõppes, et automaatselt sobitada üliõpilaste õpistiilid kõige sobivama infosüsteemiga. Seejärel hinnatakse masinõppel põhineva infosüsteemi soovitustööriista täpsust.
Otsustuspuu mudelite rakendamine automaatses kaardistamisprotsessis LS-i (sisend) ja IS-i (sihtväljund) vahel võimaldab iga hambaraviüliõpilase jaoks koheselt koostada sobivate õppestrateegiate loendi. IS-i soovitustööriist näitas laitmatut täpsust ja üldise mudeli täpsuse taasesitatavust, mis näitab, et LS-i ja IS-i sobitamisel on hea tundlikkus ja spetsiifilisus.
Konkreetse masinõppe otsustuspuul põhinev infosüsteemide soovitustööriist on tõestanud oma võimet sobitada hambaraviüliõpilaste õpistiile täpselt sobivate õpistrateegiatega. See tööriist pakub võimsaid võimalusi õppijakesksete kursuste või moodulite planeerimiseks, mis võivad üliõpilaste õpikogemust rikastada.
Õpetamine ja õppimine on haridusasutustes põhitegevused. Kvaliteetse kutseharidussüsteemi arendamisel on oluline keskenduda õpilaste õpivajadustele. Õpilaste ja õpikeskkonna vahelist interaktsiooni saab määrata nende õpikeskkonna kaudu. Uuringud näitavad, et õpetaja kavandatud mittevastavus õpilaste õpikeskkonna ja infosüsteemi vahel võib avaldada õpilaste õppimisele negatiivset mõju, näiteks tähelepanu ja motivatsiooni vähenemist. See mõjutab kaudselt õpilaste sooritust [1,2].
Infosüsteem on meetod, mida õpetajad kasutavad õpilastele teadmiste ja oskuste edastamiseks, sealhulgas õpilaste õppimise abistamiseks [3]. Üldiselt planeerivad head õpetajad õpetamisstrateegiaid ehk infosüsteeme, mis sobivad kõige paremini nende õpilaste teadmiste taseme, õpitavate mõistete ja õppimise etapiga. Teoreetiliselt, kui õppestrateegiad ja infosüsteemid sobivad, suudavad õpilased organiseerida ja kasutada konkreetset oskuste komplekti tõhusaks õppimiseks. Tavaliselt sisaldab tunnikava mitmeid üleminekuid etappide vahel, näiteks õpetamisest juhendatud praktikale või juhendatud praktikast iseseisvale praktikale. Seda silmas pidades planeerivad tõhusad õpetajad õppetööd sageli eesmärgiga arendada õpilaste teadmisi ja oskusi [4].
Nõudlus SCL-i järele kõrgkoolides, sealhulgas hambaravis, kasvab. SCL-i strateegiad on loodud vastama üliõpilaste õpivajadustele. Seda saab saavutada näiteks siis, kui üliõpilased osalevad aktiivselt õppetegevustes ja õpetajad tegutsevad vahendajatena ning vastutavad väärtusliku tagasiside andmise eest. Väidetavalt saab õppematerjalide ja tegevuste pakkumine, mis vastavad üliõpilaste haridustasemele või eelistustele, parandada üliõpilaste õpikeskkonda ja edendada positiivseid õpikogemusi [5].
Üldiselt mõjutavad hambaarstiüliõpilaste õppeprotsessi mitmesugused kliinilised protseduurid, mida nad peavad tegema, ja kliiniline keskkond, kus nad arendavad tõhusaid suhtlemisoskusi. Koolituse eesmärk on võimaldada üliõpilastel ühendada hambaravi põhiteadmised kliiniliste hambaravioskustega ning rakendada omandatud teadmisi uutes kliinilistes olukordades [6, 7]. Varased uuringud LS-i ja IS-i vahelise seose kohta näitasid, et eelistatud LS-iga kaardistatud õpistrateegiate kohandamine aitaks parandada õppeprotsessi [8]. Autorid soovitavad ka kasutada mitmesuguseid õpetamis- ja hindamismeetodeid, et need vastaksid üliõpilaste õppimisele ja vajadustele.
Õpetajatele on kasulik rakendada LS-teadmisi, et kavandada, arendada ja rakendada õpet, mis aitab õpilastel omandada sügavamaid teadmisi ja mõista ainet. Teadlased on välja töötanud mitu LS-i hindamisvahendit, näiteks Kolbi kogemusõppe mudel, Felder-Silvermani õpistiili mudel (FSLSM) ja Flemingi VAK/VARK mudel [5, 9, 10]. Kirjanduse kohaselt on need õpimudelid kõige sagedamini kasutatavad ja enim uuritud õpimudelid. Praeguses uurimistöös kasutatakse FSLSMi hambaraviüliõpilaste LS-i hindamiseks.
FSLSM on laialdaselt kasutatav mudel adaptiivse õppimise hindamiseks inseneriteadustes. Terviseteadustes (sh meditsiinis, õenduses, farmaatsias ja hambaravis) on avaldatud palju töid, mis kasutavad FSLSM-mudeleid [5, 11, 12, 13]. FLSM-is LS-i dimensioonide mõõtmiseks kasutatavat instrumenti nimetatakse õpistiilide indeksiks (ILS) [8], mis sisaldab 44 punkti, mis hindavad LS-i nelja dimensiooni: töötlemine (aktiivne/reflektiivne), taju (tajuline/intuitiivne), sisend (visuaalne/verbaalne) ja mõistmine (järjestikune/globaalne) [14].
Nagu joonisel 1 näidatud, on igal üldise õppimise oskuse dimensioonil domineeriv eelistus. Näiteks töötlemise dimensioonis eelistavad „aktiivse“ õpistiiliga õpilased infot töödelda õppematerjalidega otse suheldes, õppida tegutsedes ja kipuvad õppima rühmades. „Refleksiooniline“ õpistiil viitab õppimisele mõtlemise kaudu ja eelistab töötada üksi. Õpistiili „tajumise“ dimensiooni saab jagada „tundmiseks“ ja/või „intuitsiooniks“. „Tundmisega“ õpilased eelistavad konkreetsemat teavet ja praktilisi protseduure, on faktidele orienteeritud võrreldes „intuitiivsete“ õpilastega, kes eelistavad abstraktset materjali ning on oma olemuselt uuenduslikumad ja loomingulisemad. Õpistiili „sisendi“ dimensioon koosneb „visuaalsetest“ ja „verbaalsetest“ õppijatest. „Visuaalse“ õpistiiliga inimesed eelistavad õppida visuaalsete demonstratsioonide (nt diagrammid, videod või reaalajas demonstratsioonid) kaudu, samas kui „verbaalse“ õpistiiliga inimesed eelistavad õppida sõnade abil kirjalike või suuliste selgituste kaudu. Õpistiili dimensioonide „mõistmiseks“ saab sellised õppijad jagada „järjestikusteks“ ja „globaalseteks“. „Järjestikused õppijad eelistavad lineaarset mõtteprotsessi ja õpivad samm-sammult, samas kui globaalsetel õppijatel on kalduvus terviklikule mõtteprotsessile ja nad mõistavad alati paremini, mida nad õpivad.“
Hiljuti on paljud teadlased hakanud uurima automaatse andmepõhise avastamise meetodeid, sealhulgas uute algoritmide ja mudelite väljatöötamist, mis on võimelised tõlgendama suuri andmemahtusid [15, 16]. Esitatud andmete põhjal suudab juhendatud masinõpe (ML) genereerida mustreid ja hüpoteese, mis ennustavad tulevasi tulemusi algoritmide konstruktsiooni põhjal [17]. Lihtsamalt öeldes manipuleerivad juhendatud masinõppe tehnikad sisendandmetega ja treenivad algoritme. Seejärel genereerib see vahemiku, mis klassifitseerib või ennustab tulemust sarnaste olukordade põhjal esitatud sisendandmete jaoks. Juhendatud masinõppe algoritmide peamine eelis on võime luua ideaalseid ja soovitud tulemusi [17].
Andmepõhiste meetodite ja otsustuspuu juhtimismudelite abil on võimalik LS-i automaatselt tuvastada. Otsustuspuid on laialdaselt kasutatud koolitusprogrammides erinevates valdkondades, sealhulgas terviseteadustes [18, 19]. Käesolevas uuringus treenisid süsteemiarendajad mudelit spetsiaalselt õpilaste LS-i tuvastamiseks ja neile parima infosüsteemi soovitamiseks.
Selle uuringu eesmärk on töötada välja õpilaste õpikeskkonnal (LS) põhinevad infosüsteemide edastusstrateegiad ja rakendada SCL-lähenemisviisi, luues LS-iga seotud infosüsteemide soovitustööriista. SCL-meetodi strateegiana kasutatava infosüsteemide soovitustööriista disainivoog on näidatud joonisel 1. Infosüsteemide soovitustööriist on jagatud kaheks osaks, sealhulgas LS-i kasutav LS-i klassifitseerimismehhanism ja õpilastele kõige sobivam infosüsteemide kuvamine.
Eelkõige hõlmavad infoturbe soovitustööriistade omadused veebitehnoloogiate ja otsustuspuu masinõppe kasutamist. Süsteemiarendajad parandavad kasutajakogemust ja mobiilsust, kohandades neid mobiilseadmetele, näiteks mobiiltelefonidele ja tahvelarvutitele.
Katse viidi läbi kahes etapis ja Malaya ülikooli hambaarstiteaduskonna üliõpilased osalesid vabatahtlikkuse alusel. Osalejad vastasid hambaarstiüliõpilase veebipõhisele m-ILS-ile inglise keeles. Esialgses etapis kasutati otsustuspuu masinõppe algoritmi treenimiseks 50 üliõpilase andmestikku. Arendusprotsessi teises etapis kasutati väljatöötatud instrumendi täpsuse parandamiseks 255 üliõpilase andmestikku.
Kõik osalejad saavad iga etapi alguses, olenevalt õppeaastast, Microsoft Teamsi kaudu veebipõhise briifingu. Uuringu eesmärki selgitati ja saadi teadlik nõusolek. Kõigile osalejatele anti link m-ILS-i juurde pääsemiseks. Igal üliõpilasel paluti vastata kõigile 44 küsimustiku küsimusele. Neile anti üks nädal modifitseeritud ILS-i täitmiseks neile sobival ajal ja kohas semestri algusele eelneval semestrivaheajal. m-ILS põhineb originaalsel ILS-i instrumendil ja on modifitseeritud hambaarstiüliõpilaste jaoks. Sarnaselt originaalsele ILS-ile sisaldab see 44 ühtlaselt jaotatud küsimust (a, b), millest igaühes on 11 küsimust, mida kasutatakse iga FSLSM-i dimensiooni aspektide hindamiseks.
Tööriista väljatöötamise algstaadiumis annoteerisid teadlased kaarte käsitsi, kasutades 50 hambaravitudengi andmestikku. FSLM-i kohaselt annab süsteem vastuste „a“ ja „b“ summa. Iga dimensiooni puhul, kui tudeng valib vastuseks „a“, liigitatakse LS aktiivseks/tajuliseks/visuaalseks/järjestikuseks ja kui tudeng valib vastuseks „b“, liigitatakse tudeng reflekteerivaks/intuitiivseks/keeleliseks/globaalseks õppijaks.
Pärast hambaravihariduse teadlaste ja süsteemiarendajate vahelise töövoo kalibreerimist valiti FLSSM-i valdkonna põhjal välja küsimused ja sisestati masinõppe mudelisse, et ennustada iga õpilase LS-i. „Prügi sisse, prügi välja” on masinõppe valdkonnas populaarne ütlus, mille puhul rõhutatakse andmete kvaliteeti. Sisendandmete kvaliteet määrab masinõppe mudeli täpsuse ja korrektsuse. Tunnuste väljatöötamise etapis luuakse uus tunnuste komplekt, mis on FLSSM-il põhinevate vastuste „a” ja „b” summa. Ravimipositsioonide identifikaatorid on esitatud tabelis 1.
Arvutage vastuste põhjal punktisumma ja määrake õpilase LS. Iga õpilase punktisumma vahemik on 1 kuni 11. Punktid 1 kuni 3 näitavad õpieelistuste tasakaalu sama dimensiooni piires ja punktid 5 kuni 7 näitavad mõõdukat eelistust, mis näitab, et õpilased kipuvad eelistama ühte keskkonda teiste õpetamiseks. Sama dimensiooni teine variatsioon on see, et punktid 9 kuni 11 peegeldavad tugevat eelistust ühe või teise otsa suhtes [8].
Iga dimensiooni puhul rühmitati narkootikumid „aktiivseteks“, „peegeldavateks“ ja „tasakaalustatud“. Näiteks kui õpilane vastab määratud küsimusele „a“ sagedamini kui „b“ ja tema tulemus ületab töötlemise LS-i dimensiooni esindava konkreetse küsimuse punktisumma 5, kuulub ta „aktiivse“ LS-i valdkonda. Õpilased klassifitseeriti aga „peegeldavateks“ LS-ideks, kui nad valisid konkreetsetes 11 küsimuses (tabel 1) rohkem kui „a“ ja said rohkem kui 5 punkti. Lõpuks on õpilane „tasakaalu“ seisundis. Kui tulemus ei ületa 5 punkti, on tegemist „protsessi“ LS-iga. Klassifitseerimisprotsessi korrati teiste LS-i dimensioonide puhul, nimelt taju (aktiivne/peegeldav), sisend (visuaalne/verbaalne) ja arusaamine (järjestikune/globaalne).
Otsustuspuu mudelid saavad klassifitseerimisprotsessi eri etappides kasutada erinevaid tunnuste alamhulki ja otsustusreegleid. Seda peetakse populaarseks klassifitseerimis- ja ennustusvahendiks. Seda saab esitada puustruktuuri abil, näiteks vooskeemi [20] abil, kus sisemised sõlmed esindavad teste atribuudi järgi, iga haru esindab testi tulemusi ja iga lehesõlm (lehesõlm) sisaldab klassi silti.
Iga õpilase LS-i automaatseks hindamiseks ja märkuste lisamiseks nende vastuste põhjal loodi lihtne reeglipõhine programm. Reeglipõhine on IF-lause, kus „IF” kirjeldab päästikut ja „THEN” määrab teostatava toimingu, näiteks: „Kui X juhtub, siis tehke Y” (Liu jt, 2014). Kui andmestik näitab korrelatsiooni ja otsustuspuu mudel on korralikult treenitud ja hinnatud, võib see lähenemisviis olla tõhus viis LS-i ja IS-i sobitamise protsessi automatiseerimiseks.
Teises arendusfaasis suurendati andmestikku 255-ni, et parandada soovitustööriista täpsust. Andmestik jagati suhtega 1:4. 25% (64) andmestikust kasutati testandmestiku jaoks ja ülejäänud 75% (191) treeningandmestikuna (joonis 2). Andmestik tuleb jagada, et vältida mudeli treenimist ja testimist sama andmestiku peal, mis võib põhjustada mudeli meeldejätmist õppimise asemel. Mudel treenitakse treeningandmestiku peal ja hindab oma toimivust testandmestikus – andmetes, mida mudel pole varem näinud.
Kui IS-tööriist on välja töötatud, saab rakendus veebiliidese kaudu klassifitseerida LS-i hambaraviüliõpilaste vastuste põhjal. Veebipõhine infoturbe soovituste tööriistasüsteem on loodud Pythoni programmeerimiskeeles ja taustaprogrammina Django raamistik. Tabelis 2 on loetletud selle süsteemi arendamisel kasutatud teegid.
Andmestik suunatakse otsustuspuu mudelisse, et arvutada ja eraldada õpilaste vastuseid, et automaatselt klassifitseerida õpilaste LS-mõõtmisi.
Segadusmaatriksit kasutatakse otsustuspuu masinõppe algoritmi täpsuse hindamiseks antud andmestiku põhjal. Samal ajal hindab see klassifitseerimismudeli toimivust. See võtab kokku mudeli ennustused ja võrdleb neid tegelike andmemärgistega. Hindamistulemused põhinevad neljal erineval väärtusel: Tõene Positiivne (TP) – mudel ennustas õigesti positiivset kategooriat, Vale Positiivne (FP) – mudel ennustas õigesti positiivset kategooriat, kuid tegelik silt oli negatiivne, Tõene Negatiivne (TN) – mudel ennustas õigesti negatiivset klassi ja Vale Negatiivne (FN) – mudel ennustab negatiivset klassi, kuid tegelik silt on positiivne.
Neid väärtusi kasutatakse seejärel Pythoni scikit-learni klassifitseerimismudeli erinevate jõudlusnäitajate arvutamiseks, nimelt täpsus, täpsuse täpsus, tagasikutsutavus ja F1 skoor. Siin on näited:
Meenutusvõime (või tundlikkus) mõõdab mudeli võimet täpselt klassifitseerida õpilase LS-i pärast m-ILS-i küsimustikule vastamist.
Spetsiifilisust nimetatakse tõeliseks negatiivseks määraks. Nagu ülaltoodud valemist näha, peaks see olema tõeste negatiivsete (TN) ja tõeste negatiivsete ning valepositiivsete (FP) suhe. Soovitatava üliõpilastele mõeldud uimastite klassifitseerimise tööriista osana peaks see suutma täpselt tuvastada.
Otsustuspuu masinõppe mudeli treenimiseks kasutatud 50 õpilase algne andmestik näitas suhteliselt madalat täpsust annotatsioonides esinenud inimlike vigade tõttu (tabel 3). Pärast lihtsa reeglipõhise programmi loomist LS-skooride ja õpilaste annotatsioonide automaatseks arvutamiseks kasutati soovitussüsteemi treenimiseks ja testimiseks üha suuremat arvu andmestikke (255).
Mitmeklassilise segaduse maatriksi puhul esindavad diagonaalelemendid iga LS-tüübi õigete ennustuste arvu (joonis 4). Otsustuspuu mudeli abil ennustati õigesti kokku 64 valimit. Seega näitavad selles uuringus diagonaalelemendid oodatavaid tulemusi, mis näitab, et mudel toimib hästi ja ennustab iga LS-klassifikatsiooni klassimärgist täpselt. Seega on soovitustööriista üldine täpsus 100%.
Täpsuse, korrektsuse, meenuvuse ja F1 skoori väärtused on näidatud joonisel 5. Otsustuspuu mudelit kasutava soovitussüsteemi F1 skoor on 1,0 ehk „täiuslik“, mis näitab täiuslikku täpsust ja meenutust ning peegeldab olulisi tundlikkuse ja spetsiifilisuse väärtusi.
Joonis 6 näitab otsustuspuu mudeli visualiseeringut pärast treenimise ja testimise lõpetamist. Kõrvuti võrdluses näitas vähemate tunnustega treenitud otsustuspuu mudel suuremat täpsust ja mudeli visualiseerimist oli lihtsam. See näitab, et tunnuste vähendamine ja sellele järgnev tunnuste konstrueerimine on oluline samm mudeli toimivuse parandamisel.
Otsustuspuu meetodil juhendatud õppe rakendamise abil genereeritakse sisendi (LS) ja sihtväljundi (IS) vaheline seos automaatselt ning see sisaldab iga LS-i kohta üksikasjalikku teavet.
Tulemused näitasid, et 255 tudengist 34,9% eelistas ühte (1) LS-i varianti. Enamikul (54,3%) oli kaks või enam LS-i eelistust. 12,2% tudengitest märkis, et LS on üsna tasakaalustatud (tabel 4). Lisaks kaheksale peamisele LS-ile on Malaya Ülikooli hambaarstitudengitel veel 34 LS-klassifikatsioonide kombinatsiooni. Nende hulgas on tudengite poolt mainitud peamised LS-id taju, nägemine ning taju ja nägemise kombinatsioon (joonis 7).
Nagu tabelist 4 näha, oli enamikul õpilastest domineeriv sensoorne (13,7%) või visuaalne (8,6%) LS. Teatati, et 12,2% õpilastest kombineeris taju nägemisega (taju-visuaalne LS). Need leiud viitavad sellele, et õpilased eelistavad õppida ja meelde jätta väljakujunenud meetodite abil, järgida spetsiifilisi ja detailseid protseduure ning on loomult tähelepanelikud. Samal ajal naudivad nad õppimist vaatamise teel (diagrammide jms abil) ning kipuvad teavet rühmades või iseseisvalt arutama ja rakendama.
See uuring annab ülevaate andmekaeves kasutatavatest masinõppe tehnikatest, keskendudes õpilaste õpitulemuste kohesele ja täpsele ennustamisele ning sobivate infosüsteemide soovitamisele. Otsustuspuu mudeli rakendamine tuvastas tegurid, mis on kõige tihedamalt seotud nende elu- ja hariduskogemustega. See on juhendatud masinõppe algoritm, mis kasutab andmete klassifitseerimiseks puustruktuuri, jagades andmekogumi teatud kriteeriumide alusel alamkategooriatesse. See toimib sisendandmete rekursiivse jagamise teel alamhulkadeks iga sisemise sõlme ühe sisendtunnuse väärtuse alusel, kuni lehesõlmes tehakse otsus.
Otsustuspuu sisemised sõlmed esindavad m-ILS-i probleemi sisendkarakteristikutel põhinevat lahendust ja lehesõlmed esindavad LS-i klassifikatsiooni lõplikku ennustust. Kogu uuringu jooksul on lihtne mõista otsustuspuude hierarhiat, mis selgitavad ja visualiseerivad otsustusprotsessi, vaadeldes sisendkarakteristikute ja väljundennustuste vahelist seost.
Arvutiteaduse ja inseneriteaduse valdkonnas kasutatakse masinõppe algoritme laialdaselt õpilaste soorituse ennustamiseks, tuginedes nende sisseastumiseksamite tulemustele [21], demograafilisele teabele ja õpikäitumisele [22]. Uuringud näitasid, et algoritm ennustas õpilaste sooritust täpselt ja aitas neil tuvastada õpilasi, kellel on akadeemiliste raskuste oht.
Aruandes on käsitletud masinõppe algoritmide rakendamist hambaravikoolituse virtuaalsete patsiendisimulaatorite väljatöötamisel. Simulaator suudab täpselt taasesitada reaalsete patsientide füsioloogilisi reaktsioone ja seda saab kasutada hambaraviüliõpilaste koolitamiseks ohutus ja kontrollitud keskkonnas [23]. Mitmed teised uuringud näitavad, et masinõppe algoritmid võivad potentsiaalselt parandada hambaravi- ja meditsiinihariduse ning patsiendihoolduse kvaliteeti ja tõhusust. Masinõppe algoritme on kasutatud hambahaiguste diagnoosimise abistamiseks selliste andmekogumite põhjal nagu sümptomid ja patsiendi omadused [24, 25]. Teised uuringud on aga uurinud masinõppe algoritmide kasutamist selliste ülesannete täitmiseks nagu patsientide tulemuste ennustamine, kõrge riskiga patsientide tuvastamine, isikupärastatud raviplaanide väljatöötamine [26], parodontiidi ravi [27] ja kaariese ravi [25].
Kuigi masinõppe rakendamise kohta hambaravis on avaldatud aruandeid, on selle rakendamine hambaravihariduses endiselt piiratud. Seetõttu oli käesoleva uuringu eesmärk kasutada otsustuspuu mudelit, et teha kindlaks hambaraviüliõpilaste seas LS-i ja IS-iga kõige tihedamalt seotud tegurid.
Selle uuringu tulemused näitavad, et väljatöötatud soovitustööriistal on suur ja täiuslik täpsus, mis viitab sellele, et õpetajad saavad sellest tööriistast kasu. Andmepõhise klassifitseerimisprotsessi abil saab see pakkuda isikupärastatud soovitusi ning parandada nii õpetajate kui ka õpilaste õpikogemust ja -tulemusi. Muuhulgas aitab soovitustööriistade kaudu saadud teave lahendada konflikte õpetajate eelistatud õpetamismeetodite ja õpilaste õpivajaduste vahel. Näiteks tänu soovitustööriistade automatiseeritud väljundile väheneb oluliselt aeg, mis kulub õpilase intellektuaalse omaduse tuvastamiseks ja selle sobitamiseks vastava intellektuaalse omadusega. Sel viisil saab korraldada sobivaid koolitustegevusi ja -materjale. See aitab arendada õpilaste positiivset õpikäitumist ja keskendumisvõimet. Ühes uuringus teatati, et õpilastele õppematerjalide ja õppetegevuste pakkumine, mis vastavad nende eelistatud õpikeskmele, aitab õpilastel õppimist mitmel viisil integreerida, töödelda ja nautida, et saavutada suurem potentsiaal [12]. Uuringud näitavad ka, et lisaks õpilaste osalemise parandamisele klassis mängib õpilaste õppeprotsessi mõistmine olulist rolli ka õpetamispraktikate ja õpilastega suhtlemise parandamisel [28, 29].
Nagu iga tänapäevase tehnoloogia puhul, on ka siin probleeme ja piiranguid. Nende hulka kuuluvad andmekaitse, eelarvamuste ja õiglusega seotud küsimused ning hambaravis masinõppe algoritmide väljatöötamiseks ja rakendamiseks vajalikud professionaalsed oskused ja ressursid. Kasvav huvi ja uuringud selles valdkonnas viitavad aga sellele, et masinõppe tehnoloogiatel võib olla positiivne mõju hambaravile ja -teenustele.
Selle uuringu tulemused näitavad, et pooltel hambaraviüliõpilastest on kalduvus ravimeid „tajuda“. Seda tüüpi õppijatel on eelistus faktide ja konkreetsete näidete suhtes, praktiline orientatsioon, kannatlikkus detailide suhtes ning „visuaalse“ õpistiili eelistus, kus õppijad eelistavad ideede ja mõtete edastamiseks kasutada pilte, graafikat, värve ja kaarte. Praegused tulemused on kooskõlas teiste uuringutega, mis kasutavad kaudseid õpistiile (ILS) õpistiilide hindamiseks hambaravi- ja meditsiiniüliõpilastel, kellest enamikul on taju- ja visuaalse õpistiili tunnused [12, 30]. Dalmolin jt. väidavad, et üliõpilaste teavitamine nende õpistiilidest võimaldab neil saavutada oma õpipotentsiaali. Teadlased väidavad, et kui õpetajad mõistavad täielikult üliõpilaste õppeprotsessi, saab rakendada erinevaid õpetamismeetodeid ja tegevusi, mis parandavad üliõpilaste sooritust ja õpikogemust [12, 31, 32]. Teised uuringud on näidanud, et üliõpilaste õpistiilide kohandamine parandab ka üliõpilaste õpikogemust ja -tulemusi pärast nende õpistiilide muutmist vastavalt nende enda õpistiilidele [13, 33].
Õpetajate arvamused õpetamisstrateegiate rakendamise osas, mis põhinevad õpilaste õpivõimetel, võivad erineda. Kuigi mõned näevad selle lähenemisviisi eeliseid, sealhulgas professionaalse arengu võimalusi, mentorlust ja kogukonna tuge, võivad teised olla mures aja ja institutsioonilise toetuse pärast. Tasakaalu poole püüdlemine on õpilasekeskse suhtumise loomise võti. Kõrgharidusasutused, näiteks ülikooli administraatorid, saavad mängida olulist rolli positiivsete muutuste edendamisel, tutvustades uuenduslikke tavasid ja toetades õppejõudude arengut [34]. Tõeliselt dünaamilise ja reageerimisvõimelise kõrgharidussüsteemi loomiseks peavad poliitikakujundajad astuma julgeid samme, näiteks tegema poliitilisi muudatusi, eraldama ressursse tehnoloogia integreerimiseks ja looma raamistikke, mis edendavad õpilasekeskset lähenemist. Need meetmed on soovitud tulemuste saavutamiseks kriitilise tähtsusega. Hiljutised diferentseeritud õpetamise uuringud on selgelt näidanud, et diferentseeritud õpetamise edukas rakendamine nõuab õpetajatele pidevat koolitust ja arenguvõimalusi [35].
See tööriist pakub väärtuslikku tuge hambaravikoolitajatele, kes soovivad õpilasekeskset lähenemist õpilasesõbralike õppetegevuste planeerimisele. See uuring piirdub aga otsustuspuu masinõppe mudelite kasutamisega. Tulevikus tuleks koguda rohkem andmeid, et võrrelda erinevate masinõppe mudelite toimivust, et võrrelda soovitusvahendite täpsust, usaldusväärsust ja korrektsust. Lisaks on konkreetse ülesande jaoks kõige sobivama masinõppe meetodi valimisel oluline arvestada ka muude teguritega, nagu mudeli keerukus ja tõlgendamine.
Selle uuringu piiranguks on see, et see keskendus ainult hambaraviüliõpilaste LS-i ja IS-i kaardistamisele. Seetõttu soovitab väljatöötatud soovitussüsteem ainult neid, mis sobivad hambaraviüliõpilastele. Muudatused on vajalikud kõrgharidusüliõpilaste üldiseks kasutamiseks.
Äsja väljatöötatud masinõppel põhinev soovitustööriist suudab õpilaste õpikeskkonnad koheselt klassifitseerida ja sobitada vastava õpikeskkonnaga, muutes selle esimeseks hambaraviharidusprogrammiks, mis aitab hambaraviõpetajatel planeerida 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 rakendus edendab õpilasekeskset lähenemist hambaraviharidusele.
Gilak Jani Associated Press. Õpilase õpistiili 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
Postituse aeg: 29. aprill 2024