У вышэйшых навучальных установах, у тым ліку ў стаматалогіі, расце патрэба ў навучанні, арыентаваным на студэнта (SCL).Аднак SCL мае абмежаванае прымяненне ў стаматалагічнай адукацыі.Такім чынам, гэта даследаванне накіравана на садзейнічанне прымяненню SCL у стаматалогіі з выкарыстаннем тэхналогіі машыннага навучання (ML) дрэва рашэнняў для адлюстравання пераважнага стылю навучання (LS) і адпаведных стратэгій навучання (IS) студэнтаў-стаматолагаў у якасці карыснага інструмента для распрацоўкі рэкамендацый па IS. .Перспектыўныя метады для студэнтаў-стаматолагаў.
У агульнай складанасці 255 студэнтаў-стаматолагаў з Універсітэта Малайі запоўнілі мадыфікаваны апытальнік Індэкса стыляў навучання (m-ILS), які ўтрымліваў 44 пункты для класіфікацыі іх у адпаведныя LS.Сабраныя даныя (так званыя наборам даных) выкарыстоўваюцца ў кантраляваным навучанні дрэве рашэнняў для аўтаматычнага супастаўлення стыляў навучання студэнтаў з найбольш прыдатным IS.Затым ацэньваецца дакладнасць інструмента рэкамендацый ІБ на аснове машыннага навучання.
Прымяненне мадэляў дрэва рашэнняў у аўтаматызаваным працэсе адлюстравання паміж LS (уваход) і IS (мэтавы выхад) дазваляе неадкладна скласці спіс адпаведных стратэгій навучання для кожнага студэнта-стаматолага.Інструмент рэкамендацыі IS прадэманстраваў ідэальную дакладнасць і захаванне агульнай дакладнасці мадэлі, што паказвае на тое, што супастаўленне LS з IS мае добрую адчувальнасць і спецыфічнасць.
Інструмент рэкамендацый IS, заснаваны на дрэве рашэнняў ML, даказаў сваю здольнасць дакладна супастаўляць стылі навучання студэнтаў-стаматолагаў з адпаведнымі стратэгіямі навучання.Гэты інструмент дае магутныя магчымасці для планавання курсаў або модуляў, арыентаваных на навучэнца, якія могуць палепшыць вопыт навучання студэнтаў.
Выкладанне і навучанне з'яўляюцца асноўнымі відамі дзейнасці ва ўстановах адукацыі.Пры развіцці якаснай сістэмы прафесійнай адукацыі важна арыентавацца на навучальныя патрэбы навучэнцаў.Узаемадзеянне паміж студэнтамі і іх асяроддзем навучання можна вызначыць праз іх LS.Даследаванні паказваюць, што неадпаведнасць настаўнікаў паміж LS і IS можа мець негатыўныя наступствы для навучання студэнтаў, напрыклад, зніжэнне ўвагі і матывацыі.Гэта ўскосна паўплывае на паспяховасць студэнтаў [1,2].
IS - гэта метад, які выкарыстоўваецца выкладчыкамі для перадачы ведаў і навыкаў студэнтам, у тым ліку дапамогі студэнтам у навучанні [3].Наогул кажучы, добрыя настаўнікі плануюць стратэгіі навучання або ІС, якія найбольш адпавядаюць узроўню ведаў іх вучняў, паняццям, якія яны вывучаюць, і іх стадыі навучання.Тэарэтычна, калі LS і IS супадаюць, студэнты змогуць арганізаваць і выкарыстоўваць пэўны набор навыкаў для эфектыўнага навучання.Як правіла, план урока ўключае некалькі пераходаў паміж этапамі, напрыклад, ад выкладання да практыкі пад кіраўніцтвам або ад практыкі пад кіраўніцтвам да самастойнай практыкі.Маючы гэта на ўвазе, эфектыўныя настаўнікі часта плануюць навучанне з мэтай пашырэння ведаў і навыкаў студэнтаў [4].
Расце попыт на SCL ва ўстановах вышэйшай адукацыі, у тым ліку стаматалогіі.Стратэгіі SCL распрацаваны, каб задаволіць патрэбы студэнтаў у навучанні.Гэта можа быць дасягнута, напрыклад, калі студэнты актыўна ўдзельнічаюць у вучэбнай дзейнасці, а настаўнікі выступаюць у якасці пасярэднікаў і адказваюць за прадастаўленне каштоўнай зваротнай сувязі.Кажуць, што прадастаўленне навучальных матэрыялаў і мерапрыемстваў, якія адпавядаюць адукацыйнаму ўзроўню або перавагам навучэнцаў, можа палепшыць асяроддзе навучання навучэнцаў і спрыяць пазітыўнаму вопыту навучання [5].
Наогул кажучы, на працэс навучання студэнтаў-стаматолагаў уплываюць розныя клінічныя працэдуры, якія яны павінны выконваць, і клінічнае асяроддзе, у якім яны развіваюць эфектыўныя навыкі міжасобасных зносін.Мэта навучання - даць студэнтам магчымасць аб'яднаць базавыя веды па стаматалогіі са стаматалагічныя клінічнымі навыкамі і прымяніць атрыманыя веды ў новых клінічных сітуацыях [6, 7].Раннія даследаванні ўзаемасувязі паміж LS і IS выявілі, што карэкціроўка стратэгій навучання, супастаўленых з пераважнай LS, дапаможа палепшыць адукацыйны працэс [8].Аўтары таксама рэкамендуюць выкарыстоўваць розныя метады выкладання і ацэнкі, каб адаптаваць іх да навучання і патрэб студэнтаў.
Выкладчыкі выйграюць ад прымянення ведаў LS, каб дапамагчы ім распрацаваць, распрацаваць і ўкараніць інструкцыі, якія палепшаць набыццё студэнтамі больш глыбокіх ведаў і разумення прадмета.Даследчыкі распрацавалі некалькі інструментаў ацэнкі LS, такіх як мадэль эмпірычнага навучання Колба, мадэль стылю навучання Фельдэра-Сільвермана (FSLSM) і мадэль Флемінга VAK/VARK [5, 9, 10].Паводле літаратуры, гэтыя мадэлі навучання з'яўляюцца найбольш часта выкарыстоўванымі і найбольш вывучанымі мадэлямі навучання.У бягучай даследчай працы FSLSM выкарыстоўваецца для ацэнкі LS сярод студэнтаў-стаматолагаў.
FSLSM - гэта шырока выкарыстоўваная мадэль для ацэнкі адаптыўнага навучання ў інжынерыі.Ёсць шмат апублікаваных работ у галіне медыцынскіх навук (уключаючы медыцыну, медсясцёр, фармацыю і стаматалогію), якія можна знайсці з дапамогай мадэляў FSLSM [5, 11, 12, 13].Інструмент, які выкарыстоўваецца для вымярэння памераў LS у FLSM, называецца Індэксам стыляў навучання (ILS) [8], які змяшчае 44 пункты, якія ацэньваюць чатыры памеры LS: апрацоўка (актыўны/рэфлексіўны), успрыманне (успрыманне/інтуітыўнае), увод (візуальны)./вербальнае) і разуменне (паслядоўнае/глабальнае) [14].
Як паказана на малюнку 1, кожнае вымярэнне FSLSM мае дамінуючую перавагу.Напрыклад, у вымярэнні апрацоўкі студэнты з «актыўным» LS аддаюць перавагу апрацоўваць інфармацыю шляхам непасрэднага ўзаемадзеяння з навучальнымі матэрыяламі, вучыцца на практыцы і імкнуцца вучыцца ў групах.«Рэфлексіўны» LS адносіцца да навучання праз мысленне і аддае перавагу працаваць у адзіночку.«Успрыманне» вымярэння LS можна падзяліць на «адчуванне» і/або «інтуіцыю».«Якія адчуваюць» студэнты аддаюць перавагу больш канкрэтнай інфармацыі і практычным працэдурам, яны арыентаваныя на факты ў параўнанні з «інтуітыўнымі» студэнтамі, якія аддаюць перавагу абстрактным матэрыялам і больш наватарскія і творчыя па сваёй прыродзе.«Уваходнае» вымярэнне LS складаецца з «візуальных» і «вербальных» навучэнцаў.Людзі з «візуальным» LS аддаюць перавагу вучыцца праз візуальныя дэманстрацыі (напрыклад, дыяграмы, відэа ці жывыя дэманстрацыі), у той час як людзі з «вербальным» LS аддаюць перавагу вучыцца праз словы ў пісьмовых або вусных тлумачэннях.Каб «зразумець» памеры LS, такіх навучэнцаў можна падзяліць на «паслядоўных» і «глабальных».«Паслядоўныя навучэнцы аддаюць перавагу лінейнаму працэсу мыслення і вучацца крок за крокам, у той час як глабальныя навучэнцы, як правіла, маюць цэласны працэс мыслення і заўсёды лепш разумеюць тое, што яны вывучаюць.
У апошні час многія даследчыкі пачалі вывучаць метады аўтаматычнага выяўлення дадзеных, у тым ліку распрацоўку новых алгарытмаў і мадэляў, здольных інтэрпрэтаваць вялікія аб'ёмы дадзеных [15, 16].На аснове прадастаўленых даных кантраляванае ML (машыннае навучанне) здольна генераваць шаблоны і гіпотэзы, якія прадказваюць будучыя вынікі на аснове пабудовы алгарытмаў [17].Прасцей кажучы, кантраляваныя метады машыннага навучання маніпулююць уваходнымі дадзенымі і навучаюць алгарытмы.Затым ён стварае дыяпазон, які класіфікуе або прагназуе вынік на аснове падобных сітуацый для прадстаўленых уваходных даных.Галоўная перавага алгарытмаў машыннага навучання пад наглядам - гэта здольнасць усталёўваць ідэальныя і жаданыя вынікі [17].
Дзякуючы выкарыстанню метадаў, якія кіруюцца дадзенымі, і мадэляў кіравання дрэвам рашэнняў, магчыма аўтаматычнае выяўленне LS.Паведамляецца, што дрэвы прыняцця рашэнняў шырока выкарыстоўваюцца ў праграмах навучання ў розных галінах, у тым ліку медыцынскіх навук [18, 19].У гэтым даследаванні мадэль была спецыяльна навучана распрацоўшчыкамі сістэмы, каб ідэнтыфікаваць LS студэнтаў і рэкамендаваць лепшы IS для іх.
Мэтай гэтага даследавання з'яўляецца распрацоўка стратэгій забеспячэння ІБ на аснове LS студэнтаў і прымяненне падыходу SCL шляхам распрацоўкі інструмента рэкамендацыі IS, адлюстраванага ў LS.Паток распрацоўкі інструмента рэкамендацыі IS як стратэгіі метаду SCL паказаны на малюнку 1. Інструмент рэкамендацыі IS падзелены на дзве часткі, уключаючы механізм класіфікацыі LS з выкарыстаннем ILS і найбольш прыдатны дысплей IS для студэнтаў.
У прыватнасці, характарыстыкі інструментаў рэкамендацый па інфармацыйнай бяспецы ўключаюць выкарыстанне вэб-тэхналогій і выкарыстанне машыннага навучання дрэва рашэнняў.Распрацоўшчыкі сістэмы паляпшаюць карыстацкі досвед і мабільнасць, адаптуючы іх да мабільных прылад, такіх як мабільныя тэлефоны і планшэты.
Эксперымент праводзіўся ў два этапы, і ў ім на добраахвотнай аснове ўдзельнічалі студэнты стаматалагічнага факультэта Малайскага ўніверсітэта.Удзельнікі адказалі на онлайн-запыт m-ILS студэнта-стаматалогіі на англійскай мове.На пачатковым этапе для навучання алгарытму машыннага навучання дрэва рашэнняў выкарыстоўваўся набор даных з 50 студэнтаў.На другім этапе працэсу распрацоўкі набор даных 255 студэнтаў выкарыстоўваўся для павышэння дакладнасці распрацаванага прыбора.
Усе ўдзельнікі атрымліваюць онлайн-брыфінг у пачатку кожнага этапу, у залежнасці ад навучальнага года, праз Microsoft Teams.Была растлумачана мэта даследавання і атрымана інфармаваная згода.Усім удзельнікам была прадастаўлена спасылка для доступу да m-ILS.Кожнаму студэнту было даручана адказаць на ўсе 44 пункты анкеты.Ім быў дадзены адзін тыдзень, каб завяршыць мадыфікаваны ILS у зручны для іх час і ў месцы падчас семестравага перапынку перад пачаткам семестра.m-ILS заснаваны на арыгінальным прыборы ILS і мадыфікаваны для студэнтаў-стаматолагаў.Падобна першапачатковаму ILS, ён змяшчае 44 раўнамерна размеркаваныя пункты (a, b), па 11 пунктаў кожны, якія выкарыстоўваюцца для ацэнкі аспектаў кожнага памеру FSLSM.
На пачатковых этапах распрацоўкі інструмента даследчыкі ўручную анатавалі карты, выкарыстоўваючы набор даных 50 студэнтаў-стаматолагаў.Згодна з FSLM, сістэма падае суму адказаў «а» і «б».Для кожнага вымярэння, калі студэнт выбірае "а" ў якасці адказу, LS класіфікуецца як актыўны/перцэпцыйны/візуальны/паслядоўны, а калі студэнт выбірае "b" у якасці адказу, студэнт класіфікуецца як рэфлексіўны/інтуітыўны/лінгвістычны ./ глабальны навучэнец.
Пасля каліброўкі працоўнага працэсу паміж даследчыкамі стаматалагічнай адукацыі і распрацоўшчыкамі сістэмы пытанні былі выбраны на аснове дамена FLSSM і ўведзены ў мадэль ML для прагназавання LS кожнага студэнта.«Смецце ўваходзіць, смецце вон» - папулярнае выслоўе ў галіне машыннага навучання з акцэнтам на якасць даных.Якасць ўваходных даных вызначае дакладнасць і дакладнасць мадэлі машыннага навучання.На этапе распрацоўкі функцый ствараецца новы набор функцый, які з'яўляецца сумай адказаў "а" і "б" на аснове FLSSM.Ідэнтыфікацыйныя нумары пазіцый прэпарата прыведзены ў табліцы 1.
Па адказах падлічыць бал і вызначыць LS вучня.Для кожнага студэнта дыяпазон балаў складае ад 1 да 11. Ацэнкі ад 1 да 3 паказваюць баланс пераваг у навучанні ў адным і тым жа вымярэнні, а балы ад 5 да 7 паказваюць умераныя перавагі, што паказвае на тое, што студэнты аддаюць перавагу аднаму асяроддзю для навучання іншых .Іншая разнавіднасць таго ж вымярэння заключаецца ў тым, што балы ад 9 да 11 адлюстроўваюць моцныя перавагі таго ці іншага канца [8].
Для кожнага вымярэння прэпараты былі згрупаваны ў «актыўныя», «адбівальныя» і «збалансаваныя».Напрыклад, калі навучэнец адказвае «а» часцей, чым «б» па вызначаным пытанні, і яго/яе бал перавышае парог 5 для пэўнага элемента, які прадстаўляе вымярэнне Апрацоўкі LS, ён/яна належыць да «актыўнага» LS дамен..Тым не менш, студэнты былі класіфікаваны як «рэфлексіўныя» LS, калі яны выбралі «b» больш, чым «a» у пэўных 11 пытаннях (табліца 1) і набралі больш за 5 балаў.Нарэшце, студэнт знаходзіцца ў стане «раўнавагі».Калі адзнака не перавышае 5 балаў, то гэта «працэс» LS.Працэс класіфікацыі быў паўтораны для іншых вымярэнняў LS, а менавіта ўспрымання (актыўнае/рэфлексіўнае), уводу (візуальнае/вербальнае) і разумення (паслядоўнае/глабальнае).
Мадэлі дрэва рашэнняў могуць выкарыстоўваць розныя падмноства функцый і правілы прыняцця рашэнняў на розных этапах працэсу класіфікацыі.Ён лічыцца папулярным інструментам класіфікацыі і прагназавання.Гэта можа быць прадстаўлена з дапамогай дрэвападобнай структуры, такой як блок-схема [20], у якой ёсць унутраныя вузлы, якія прадстаўляюць тэсты па атрыбутах, кожная галіна прадстаўляе вынікі тэстаў, і кожны ліставы вузел (ліставы вузел), які змяшчае метку класа.
Простая праграма, заснаваная на правілах, была створана для аўтаматычнага ацэнкі і анатавання LS кожнага студэнта на аснове іх адказаў.Заснаваны на правілах прымае форму аператара КАЛІ, дзе «КАЛІ» апісвае трыгер, а «ТОД» вызначае дзеянне, якое трэба выканаць, напрыклад: «Калі адбудзецца X, то выканайце Y» (Liu et al., 2014).Калі набор дадзеных дэманструе карэляцыю і мадэль дрэва рашэнняў належным чынам падрыхтавана і ацэнена, гэты падыход можа быць эфектыўным спосабам аўтаматызацыі працэсу супастаўлення LS і IS.
На другім этапе распрацоўкі набор даных быў павялічаны да 255, каб павысіць дакладнасць інструмента рэкамендацый.Набор даных падзелены ў суадносінах 1:4.25% (64) набору дадзеных было выкарыстана для тэставага набору, а астатнія 75% (191) выкарыстоўваліся ў якасці навучальнага набору (мал. 2).Набор даных трэба падзяліць, каб прадухіліць навучанне і тэставанне мадэлі на адным і тым жа наборы даных, што можа прымусіць мадэль запамінаць, а не вучыцца.Мадэль навучаецца на навучальным наборы і ацэньвае сваю прадукцыйнасць на тэставым наборы - даныя, якія мадэль ніколі раней не бачыла.
Пасля распрацоўкі інструмента IS праграма зможа класіфікаваць LS на аснове адказаў студэнтаў-стаматолагаў праз вэб-інтэрфейс.Інтэрнет-сістэма рэкамендацый па інфармацыйнай бяспецы створана з выкарыстаннем мовы праграмавання Python з выкарыстаннем фрэймворка Django у якасці бэкэнда.У табліцы 2 пералічаны бібліятэкі, выкарыстаныя пры распрацоўцы гэтай сістэмы.
Набор даных перадаецца ў мадэль дрэва рашэнняў для разліку і атрымання адказаў студэнтаў для аўтаматычнай класіфікацыі вымярэнняў LS студэнтаў.
Матрыца блытаніны выкарыстоўваецца для ацэнкі дакладнасці алгарытму машыннага навучання дрэва рашэнняў на зададзеным наборы даных.У той жа час ён ацэньвае прадукцыйнасць мадэлі класіфікацыі.Ён абагульняе прагнозы мадэлі і параўноўвае іх з рэальнымі пазнакамі дадзеных.Вынікі ацэнкі грунтуюцца на чатырох розных значэннях: праўдзівы станоўчы (TP) – мадэль правільна прадказала станоўчую катэгорыю, ілжывы станоўчы (FP) – мадэль прадказала станоўчую катэгорыю, але сапраўдная пазнака была адмоўнай, сапраўднае адмоўнае (TN) – мадэль правільна прадказала адмоўны клас, і ілжыва адмоўны (FN) – Мадэль прадказвае адмоўны клас, але сапраўдная пазнака станоўчая.
Затым гэтыя значэнні выкарыстоўваюцца для разліку розных паказчыкаў прадукцыйнасці мадэлі класіфікацыі scikit-learn у Python, а менавіта дакладнасці, дакладнасці, запамінання і адзнакі F1.Вось прыклады:
Запамінанне (або адчувальнасць) вымярае здольнасць мадэлі дакладна класіфікаваць LS студэнта пасля адказу на анкету m-ILS.
Спецыфічнасцю называецца сапраўдная адмоўная стаўка.Як вы можаце бачыць з прыведзенай вышэй формулы, гэта павінна быць стаўленне сапраўдных негатываў (TN) да сапраўдных негатываў і ілжывых дадаткаў (FP).Як частка рэкамендаванага інструмента для класіфікацыі студэнцкіх наркотыкаў, ён павінен мець магчымасць дакладнай ідэнтыфікацыі.
Першапачатковы набор даных з 50 студэнтаў, які выкарыстоўваўся для навучання мадэлі ML дрэва рашэнняў, паказаў адносна нізкую дакладнасць з-за чалавечай памылкі ў анатацыях (табліца 3).Пасля стварэння простай праграмы, заснаванай на правілах, для аўтаматычнага разліку балаў LS і анатацый студэнтаў, усё большая колькасць набораў даных (255) выкарыстоўвалася для навучання і тэсціравання рэкамендацыйнай сістэмы.
У шматкласавай матрыцы блытаніны дыяганальныя элементы ўяўляюць колькасць правільных прагнозаў для кожнага тыпу LS (малюнак 4).Выкарыстоўваючы мадэль дрэва рашэнняў, у агульнай складанасці 64 выбаркі былі правільна прадказаны.Такім чынам, у гэтым даследаванні дыяганальныя элементы паказваюць чаканыя вынікі, паказваючы, што мадэль працуе добра і дакладна прадказвае метку класа для кожнай класіфікацыі LS.Такім чынам, агульная дакладнасць рэкамендацыйнага інструмента складае 100%.
Значэнні дакладнасці, дакладнасці, запамінання і адзнакі F1 паказаны на малюнку 5. Для сістэмы рэкамендацый, якая выкарыстоўвае мадэль дрэва рашэнняў, яе адзнака F1 роўная 1,0 «ідэальна», што паказвае на ідэальную дакладнасць і запамінанне, што адлюстроўвае значную адчувальнасць і спецыфічнасць каштоўнасці.
На малюнку 6 паказана візуалізацыя мадэлі дрэва рашэнняў пасля завяршэння навучання і тэсціравання.Пры паралельным параўнанні мадэль дрэва рашэнняў, навучаная з меншай колькасцю функцый, паказала больш высокую дакладнасць і прасцейшую візуалізацыю мадэлі.Гэта паказвае, што распрацоўка функцый, якая вядзе да памяншэння функцый, з'яўляецца важным крокам у паляпшэнні прадукцыйнасці мадэлі.
Прымяняючы навучанне пад кантролем дрэва рашэнняў, адпаведнасць паміж LS (уваход) і IS (мэтавы выхад) ствараецца аўтаматычна і змяшчае падрабязную інфармацыю для кожнага LS.
Вынікі паказалі, што 34,9% з 255 студэнтаў аддалі перавагу аднаму (1) варыянту LS.Большасць (54,3%) мелі два і больш перавагі LS.12,2% студэнтаў адзначылі, што ЛС даволі ўраўнаважаны (табл. 4).У дадатак да васьмі асноўных класіфікацый LS існуе 34 камбінацыі класіфікацый LS для студэнтаў-стаматолагаў Малайскага ўніверсітэта.Сярод іх успрыманне, бачанне і спалучэнне ўспрымання і бачання з'яўляюцца асноўнымі LS, пра якія паведамляюць студэнты (мал. 7).
Як відаць з табліцы 4, у большасці студэнтаў пераважала сэнсарная (13,7%) або глядзельная (8,6%) ЛС.Паведамляецца, што ў 12,2% навучэнцаў спалучэнне ўспрымання са зрокам (перцэпцыйна-глядзельная ЛС).Гэтыя высновы сведчаць аб тым, што студэнты аддаюць перавагу вучыцца і запамінаць усталяванымі метадамі, прытрымлівацца канкрэтных і падрабязных працэдур і ўважлівыя па сваёй прыродзе.У той жа час яны любяць вучыцца, гледзячы (з дапамогай схем і г.д.) і схільныя абмяркоўваць і прымяняць інфармацыю ў групах або самастойна.
Гэта даследаванне дае агляд метадаў машыннага навучання, якія выкарыстоўваюцца ў інтэлектуальным аналізе даных, з акцэнтам на імгненнае і дакладнае прагназаванне LS студэнтаў і рэкамендацыі падыходных IS.Прымяненне мадэлі дрэва рашэнняў выявіла фактары, найбольш цесна звязаныя з іх жыццёвым і адукацыйным вопытам.Гэта кантраляваны алгарытм машыннага навучання, які выкарыстоўвае дрэвападобную структуру для класіфікацыі даных шляхам падзелу набору даных на падкатэгорыі на аснове пэўных крытэрыяў.Ён працуе шляхам рэкурсіўнага падзелу ўваходных даных на падмноства на аснове значэння адной з уваходных функцый кожнага ўнутранага вузла, пакуль рашэнне не будзе прынята ў канчатковым вузле.
Унутраныя вузлы дрэва рашэнняў прадстаўляюць рашэнне, заснаванае на ўваходных характарыстыках задачы m-ILS, а ліставыя вузлы ўяўляюць канчатковы прагноз класіфікацыі LS.На працягу ўсяго даследавання лёгка зразумець іерархію дрэў рашэнняў, якія тлумачаць і візуалізуюць працэс прыняцця рашэнняў, гледзячы на ўзаемасувязь паміж уваходнымі характарыстыкамі і выхаднымі прагнозамі.
У галіне інфарматыкі і тэхнікі алгарытмы машыннага навучання шырока выкарыстоўваюцца для прагназавання паспяховасці студэнтаў на аснове іх балаў на ўступных экзаменах [21], дэмаграфічнай інфармацыі і паводзін у навучанні [22].Даследаванні паказалі, што алгарытм дакладна прагназаваў паспяховасць студэнтаў і дапамагаў ім ідэнтыфікаваць студэнтаў з рызыкай акадэмічных цяжкасцей.
Паведамляецца аб прымяненні алгарытмаў ML пры распрацоўцы віртуальных сімулятараў пацыента для стаматалагічнага навучання.Сімулятар здольны дакладна прайграваць фізіялагічныя рэакцыі рэальных пацыентаў і можа выкарыстоўвацца для навучання студэнтаў-стаматолагаў у бяспечных і кантраляваных умовах [23].Некалькі іншых даследаванняў паказваюць, што алгарытмы машыннага навучання патэнцыйна могуць палепшыць якасць і эфектыўнасць стаматалагічнай і медыцынскай адукацыі і догляду за пацыентамі.Алгарытмы машыннага навучання выкарыстоўваліся для дапамогі ў дыягностыцы стаматалагічных захворванняў на аснове набораў даных, такіх як сімптомы і характарыстыкі пацыента [24, 25].У той час як іншыя даследаванні даследавалі выкарыстанне алгарытмаў машыннага навучання для выканання такіх задач, як прагназаванне вынікаў пацыентаў, выяўленне пацыентаў высокай рызыкі, распрацоўка персаналізаваных планаў лячэння [26], лячэнне пародонта [27] і лячэнне карыесу [25].
Хоць справаздачы аб прымяненні машыннага навучання ў стаматалогіі былі апублікаваныя, яго прымяненне ў стаматалагічнай адукацыі застаецца абмежаваным.Такім чынам, гэта даследаванне было накіравана на выкарыстанне мадэлі дрэва рашэнняў для выяўлення фактараў, найбольш цесна звязаных з LS і IS сярод студэнтаў-стаматолагаў.
Вынікі гэтага даследавання паказваюць, што распрацаваны інструмент рэкамендацый мае высокую дакладнасць і ідэальную дакладнасць, што сведчыць аб тым, што настаўнікі могуць атрымаць выгаду з гэтага інструмента.Выкарыстоўваючы працэс класіфікацыі на аснове дадзеных, ён можа даць персаналізаваныя рэкамендацыі і палепшыць навучальны вопыт і вынікі для выкладчыкаў і студэнтаў.Сярод іх інфармацыя, атрыманая з дапамогай інструментаў рэкамендацый, можа вырашыць канфлікты паміж метадамі навучання, якія аддаюць перавагу настаўнікам, і навучальнымі патрэбамі студэнтаў.Напрыклад, за кошт аўтаматызаванага вываду рэкамендацыйных сродкаў істотна скароціцца час на ідэнтыфікацыю IP навучэнца і супастаўленне яго з адпаведным IP.Такім чынам можна арганізаваць адпаведныя навучальныя мерапрыемствы і навучальныя матэрыялы.Гэта дапамагае развіваць пазітыўныя паводзіны вучняў у навучанні і здольнасць канцэнтравацца.Адно даследаванне паказала, што прадастаўленне студэнтам навучальных матэрыялаў і вучэбнай дзейнасці, якія адпавядаюць іх пераважным LS, можа дапамагчы студэнтам інтэгравацца, апрацоўваць і атрымліваць задавальненне ад навучання рознымі спосабамі, каб дасягнуць большага патэнцыялу [12].Даследаванні таксама паказваюць, што акрамя паляпшэння ўдзелу студэнтаў у класе, разуменне працэсу навучання студэнтаў таксама адыгрывае важную ролю ў паляпшэнні практыкі выкладання і зносін са студэнтамі [28, 29].
Аднак, як і ў любой сучаснай тэхналогіі, ёсць праблемы і абмежаванні.Яны ўключаюць у сябе пытанні, звязаныя з канфідэнцыяльнасцю даных, прадузятасцю і справядлівасцю, а таксама прафесійнымі навыкамі і рэсурсамі, неабходнымі для распрацоўкі і ўкаранення алгарытмаў машыннага навучання ў стаматалагічнай адукацыі;Аднак расце цікавасць і даследаванні ў гэтай галіне паказваюць, што тэхналогіі машыннага навучання могуць станоўча паўплываць на стаматалагічную адукацыю і стаматалагічныя паслугі.
Вынікі гэтага даследавання паказваюць, што палова студэнтаў-стаматолагаў мае схільнасць да «ўспрымання» наркотыкаў.Гэты тып навучэнцаў аддае перавагу фактам і канкрэтным прыкладам, практычную арыентацыю, цярплівасць да дэталяў і перавагу «візуальнаму» LS, дзе навучэнцы аддаюць перавагу выкарыстоўваць малюнкі, графіку, колеры і карты для перадачы ідэй і думак.Цяперашнія вынікі супадаюць з іншымі даследаваннямі з выкарыстаннем ILS для ацэнкі LS у студэнтаў-стаматолагаў і студэнтаў-медыкаў, большасць з якіх маюць характарыстыкі перцэпцыйнага і глядзельнага LS [12, 30].Dalmolin і інш мяркуюць, што інфармаванне студэнтаў аб іх LS дазваляе ім дасягнуць іх навучальнага патэнцыялу.Даследчыкі сцвярджаюць, што калі выкладчыкі цалкам разумеюць адукацыйны працэс студэнтаў, можна ўкараніць розныя метады навучання і мерапрыемствы, якія палепшаць прадукцыйнасць і вопыт навучання студэнтаў [12, 31, 32].Іншыя даследаванні паказалі, што карэкціроўка LS студэнтаў таксама паказвае паляпшэнне вопыту навучання і прадукцыйнасці студэнтаў пасля змены іх стыляў навучання ў адпаведнасці з іх уласным LS [13, 33].
Меркаванні настаўнікаў адносна рэалізацыі стратэгій навучання, заснаваных на здольнасцях вучняў да навучання, могуць адрознівацца.У той час як некаторыя бачаць перавагі гэтага падыходу, уключаючы магчымасці прафесійнага развіцця, настаўніцтва і падтрымку грамадства, іншыя могуць быць занепакоеныя часам і інстытуцыйнай падтрымкай.Імкненне да раўнавагі з'яўляецца ключом да фарміравання асобасна-арыентаванага стаўлення.Адміністрацыі вышэйшай адукацыі, такія як адміністрацыя універсітэтаў, могуць адыграць важную ролю ў стымуляванні пазітыўных зменаў шляхам укаранення інавацыйнай практыкі і падтрымкі развіцця выкладчыкаў [34].Каб стварыць па-сапраўднаму дынамічную і адаптыўную сістэму вышэйшай адукацыі, палітыкі павінны зрабіць смелыя крокі, напрыклад, унесці змены ў палітыку, накіраваць рэсурсы на інтэграцыю тэхналогій і стварыць аснову, якая спрыяе падыходам, арыентаваным на студэнта.Гэтыя меры вельмі важныя для дасягнення жаданых вынікаў.Нядаўнія даследаванні дыферэнцыраванага навучання ясна паказалі, што паспяховае ўкараненне дыферэнцыраванага навучання патрабуе пастаяннага навучання і магчымасцей для развіцця настаўнікаў [35].
Гэты інструмент забяспечвае каштоўную падтрымку выкладчыкам-стаматолагам, якія жадаюць выкарыстоўваць арыентаваны на студэнта падыход да планавання вучэбнай дзейнасці, зручнай для студэнтаў.Аднак гэта даследаванне абмежавана выкарыстаннем мадэляў ML на аснове дрэва рашэнняў.У будучыні трэба сабраць больш даных для параўнання прадукцыйнасці розных мадэляў машыннага навучання для параўнання дакладнасці, надзейнасці і дакладнасці інструментаў рэкамендацый.Акрамя таго, пры выбары найбольш прыдатнага метаду машыннага навучання для канкрэтнай задачы важна ўлічваць іншыя фактары, такія як складанасць мадэлі і інтэрпрэтацыя.
Абмежаваннем гэтага даследавання з'яўляецца тое, што яно сканцэнтравана толькі на адлюстраванні LS і IS сярод студэнтаў-стаматолагаў.Такім чынам, распрацаваная сістэма рэкамендацый будзе рэкамендаваць толькі тыя, якія падыходзяць студэнтам-стаматолагам.Змены неабходныя для карыстання студэнтам агульнай вышэйшай адукацыі.
Нядаўна распрацаваны інструмент рэкамендацый, заснаваны на машынным навучанні, здольны імгненна класіфікаваць і супастаўляць LS студэнтаў з адпаведнай IS, што робіць яго першай стаматалагічнай адукацыйнай праграмай, якая дапамагае выкладчыкам-стаматолагам планаваць адпаведную выкладчыцкую і навучальную дзейнасць.Выкарыстоўваючы працэс сартавання, які кіруецца дадзенымі, ён можа даць персаналізаваныя рэкамендацыі, зэканоміць час, палепшыць стратэгіі навучання, падтрымаць мэтанакіраванае ўмяшанне і спрыяць бесперапыннаму прафесійнаму развіццю.Яго прымяненне будзе спрыяць падыходам да стаматалагічнай адукацыі, арыентаваным на студэнта.
Гілак Джані Associated Press.Супадзенне або неадпаведнасць стылю навучання вучня і стылю выкладання настаўніка.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Час публікацыі: 29 красавіка 2024 г