Існуе ўсё большая патрэба ў навучанні, арыентаваным на студэнтаў (SCL) у вышэйшых навучальных установах, у тым ліку ў стаматалогіі. Аднак SCL мае абмежаванае прымяненне ў стаматалагічнай адукацыі. Такім чынам, гэта даследаванне накіравана на прасоўванне прымянення SCL у стаматалогіі пры дапамозе тэхналогіі машыннага навучання дрэва (ML) для адлюстравання пераважнага стылю навучання (LS) і адпаведных стратэгій навучання (IS) студэнтаў стаматалогіі як карыснага інструмента для распрацоўкі - гэта рэкамендацыі . Перспектыўныя метады для стаматалагічных студэнтаў.
У агульнай складанасці 255 стаматалагічных студэнтаў з Малайскага універсітэта запоўнілі мадыфікаваны індэкс стыляў навучання (M-ILS), які ўтрымліваў 44 пункты, каб класіфікаваць іх у адпаведныя LSS. Сабраныя дадзеныя (званыя наборам дадзеных) выкарыстоўваюцца ў кіраваным дрэве рашэння, каб аўтаматычна адпавядаць стылі навучання студэнтаў з найбольш прыдатным. Затым ацэньваецца дакладнасць машыннага навучання.
Прымяненне мадэляў дрэў рашэння ў аўтаматызаваным працэсе адлюстравання паміж LS (Input) і з'яўляецца (мэтавым вывадам), дазваляе ажыццявіць непасрэдны спіс адпаведных стратэгій навучання для кожнага стаматалагічнага студэнта. Інструмент IS рэкамендацыі прадэманстраваў дасканалую дакладнасць і ўспамін аб агульнай дакладнасці мадэлі, што сведчыць аб тым, што супадзенне LS мае добрую адчувальнасць і спецыфічнасць.
AN IS Tool, заснаваны на дрэве рашэння ML, даказаў сваю здольнасць дакладна адпавядаць стылі навучання стаматалогіі з адпаведнымі стратэгіямі навучання. Гэты інструмент дае магутныя варыянты планавання курсаў, арыентаваных на вучняў або модуляў, якія могуць палепшыць вопыт навучання студэнтаў.
Выкладанне і навучанне - гэта асноўныя мерапрыемствы ў навучальных установах. Пры распрацоўцы якаснай сістэмы прафесійнай адукацыі важна засяродзіцца на патрэбах навучання студэнтаў. Узаемадзеянне паміж студэнтамі і іх асяроддзем навучання можна вызначыць праз іх LS. Даследаванні паказваюць, што неадпаведнасць настаўнікам паміж ЛС студэнтаў і IS можа мець негатыўныя наступствы для навучання студэнтаў, такіх як зніжэнне ўвагі і матывацыі. Гэта ўскосна паўплывае на вынікі студэнтаў [1,2].
Гэта метад, які выкладчыкі выкарыстоўваюць для прадастаўлення студэнтам ведаў і навыкаў, у тым ліку дапамогу студэнтам [3]. Наогул кажучы, добрыя настаўнікі плануюць выкладчыцкія стратэгіі, альбо гэта найлепшым чынам адпавядае ўзроўню ведаў сваіх студэнтаў, паняццяў, якія яны вывучаюць, і стадыю навучання. Тэарэтычна, калі LS і супадае, студэнты змогуць арганізаваць і выкарыстоўваць пэўны набор навыкаў, каб эфектыўна вучыцца. Звычайна план урока ўключае ў сябе некалькі пераходаў паміж этапамі, напрыклад, ад навучання да кіраванай практыкі альбо ад кіраванай практыкі да незалежнай практыкі. Маючы гэта на ўвазе, эфектыўныя выкладчыкі часта плануюць навучанне з мэтай пабудаваць веды і навыкі студэнтаў [4].
Попыт на SCL расце ў вышэйшых навучальных установах, у тым ліку ў стаматалогіі. Стратэгіі SCL распрацаваны для задавальнення патрэб навучання студэнтаў. Гэта можа быць дасягнута, напрыклад, калі студэнты актыўна ўдзельнічаюць у вучэбнай дзейнасці, а выкладчыкі выступаюць у якасці фасілітатараў і нясуць адказнасць за прадастаўленне каштоўнай зваротнай сувязі. Кажуць, што прадастаўленне навучальных матэрыялаў і мерапрыемстваў, якія адпавядаюць узроўню адукацыі або пераваг студэнтаў, могуць палепшыць асяроддзе навучання студэнтаў і садзейнічаць станоўчым вопытам навучання [5].
Наогул кажучы, на працэс навучання стаматалогіі ўплывае розныя клінічныя працэдуры, якія яны абавязаны выконваць, і клінічную сераду, у якой яны развіваюць эфектыўныя навыкі міжасобасных зносін. Мэта навучання - дазволіць студэнтам спалучаць асноўныя веды стаматалогіі са стаматалагічнымі клінічнымі навыкамі і прымяняць набытыя веды да новых клінічных сітуацый [6, 7]. Ранняе даследаванне ўзаемасувязі паміж LS і ўстаноўлена, што карэкціроўка стратэгій навучання, адлюстраваных у пераважным LS, дапаможа палепшыць адукацыйны працэс [8]. Аўтары таксама рэкамендуюць выкарыстоўваць розныя метады выкладання і ацэнкі, каб адаптавацца да навучання і патрэбаў студэнтаў.
Настаўнікі карыстаюцца прымяненнем ведаў LS, каб дапамагчы ім распрацаваць, распрацоўваць і рэалізаваць інструкцыі, якія павысяць набыццё студэнтаў больш глыбокіх ведаў і разумення прадмета. Даследчыкі распрацавалі некалькі інструментаў ацэнкі LS, такіх як мадэль навучання KolB, мадэль стылю навучання Felder-Silverman (FSLSM) і мадэль Fleming Vak/Vark [5, 9, 10]. Згодна з літаратурай, гэтыя мадэлі навучання найбольш часта выкарыстоўваюцца і найбольш вывучаныя мадэлі навучання. У бягучай даследчай працы FSLSM выкарыстоўваецца для ацэнкі LS сярод стаматалагічных студэнтаў.
FSLSM - гэта шырока выкарыстоўваная мадэль для ацэнкі адаптыўнага навучання ў галіне тэхнікі. Існуе мноства апублікаваных работ у навуках аб ахове здароўя (у тым ліку медыцыны, сястрынскага догляду, аптэкі і стаматалогіі), якія можна знайсці з выкарыстаннем мадэляў FSLSM [5, 11, 12, 13]. Інструмент, які выкарыстоўваецца для вымярэння памераў LS у FLSM, называецца індэкс стыляў навучання (ILS) [8], які змяшчае 44 пункты, якія ацэньваюць чатыры вымярэнні LS: апрацоўка (актыўная/рэфлексіўная), успрыманне (успрыманне/інтуітыўна), Увод (візуальны). /слоўнае) і разуменне (паслядоўнае/глабальнае) [14].
Як паказана на малюнку 1, кожны вымярэнне FSLSM мае дамінуючую перавагу. Напрыклад, у вымярэнні апрацоўкі студэнты з "актыўнымі" LS аддаюць перавагу апрацоўваць інфармацыю, непасрэдна ўзаемадзейнічаючы з навучальнымі матэрыяламі, вучыцца, робячы і імкнуцца вучыцца ў групах. "Рэфлексіўная" LS ставіцца да навучання праз мысленне і аддае перавагу працаваць у адзіноце. "Успрыманне" вымярэння ЛС можна падзяліць на "пачуццё" і/або "інтуіцыю". Студэнты "Адчуванне" аддаюць перавагу больш канкрэтнай інфармацыі і практычных працэдур, арыентаваны на факты ў параўнанні з "інтуітыўнымі" студэнтамі, якія аддаюць перавагу абстрактным матэрыялам і маюць больш інавацыйны і творчы характар. "Уваходны" вымярэнне LS складаецца з "візуальных" і "вусных" навучэнцаў. Людзі з "візуальнымі" LS аддаюць перавагу вучыцца праз візуальныя дэманстрацыі (напрыклад, дыяграмы, відэа ці жывыя дэманстрацыі), у той час як людзі з "вербальнымі" LS аддаюць перавагу вучыцца словамі ў пісьмовых ці вусных тлумачэннях. Каб "зразумець" памеры LS, такіх вучняў можна падзяліць на "паслядоўны" і "глабальны". "Паслядоўныя вучні аддаюць перавагу лінейнаму працэсу разважанняў і вучыцца крок за крокам, у той час як глабальныя вучні, як правіла, маюць цэласны працэс мыслення і заўсёды лепш разумеюць, што яны вучацца.
У апошні час многія даследчыкі пачалі вывучаць метады аўтаматычнага выяўлення дадзеных, у тым ліку распрацоўкі новых алгарытмаў і мадэляў, здольных інтэрпрэтаваць вялікую колькасць дадзеных [15, 16]. На падставе прадастаўленых дадзеных, кантраляваны ML (машыннае навучанне) здольны ствараць заканамернасці і гіпотэзы, якія прадказваюць будучыя вынікі на аснове пабудовы алгарытмаў [17]. Прасцей кажучы, кіраваныя метады машыннага навучання маніпулююць уводнымі дадзенымі і алгарытмамі трэніроўкі. Затым ён генеруе дыяпазон, які класіфікуе або прагназуе вынікі на аснове аналагічных сітуацый для прадстаўленых уводу дадзеных. Асноўнай перавагай алгарытмаў кіраванага машыннага навучання з'яўляецца яго здольнасць усталёўваць ідэальныя і жаданыя вынікі [17].
З дапамогай выкарыстання метадаў, абумоўленых дадзенымі і мадэлямі кіравання дрэвамі, магчыма аўтаматычнае выяўленне LS. Як паведамляецца, дрэвы рашэнняў шырока выкарыстоўваюцца ў навучальных праграмах у розных галінах, у тым ліку навук аб ахове здароўя [18, 19]. У гэтым даследаванні мадэль была спецыяльна падрыхтавана распрацоўшчыкамі сістэмы, каб вызначыць ЛС студэнтаў і рэкамендаваць лепшае для іх.
Мэтай гэтага даследавання з'яўляецца распрацоўка - гэта стратэгіі дастаўкі, заснаваныя на LS студэнтаў, і прымяненне падыходу SCL, распрацаваўшы інструмент рэкамендацый, адлюстраваны ў LS. Дызайнерскі паток інструмента рэкамендацый IS як стратэгія метаду SCL паказаны на малюнку 1. Інструмент рэкамендацый IS дзеліцца на дзве часткі, у тым ліку механізм класіфікацыі LS з выкарыстаннем ILS і найбольш прыдатным з'яўляецца адлюстраванне для студэнтаў.
У прыватнасці, характарыстыкі інструментаў рэкамендацыі інфармацыйнай бяспекі ўключаюць выкарыстанне вэб -тэхналогій і выкарыстанне машыннага навучання дрэва рашэння. Распрацоўшчыкі сістэмы паляпшаюць карыстацкі досвед і мабільнасць, адаптуючы іх да мабільных прылад, такіх як мабільныя тэлефоны і планшэты.
Эксперымент праводзіўся на двух этапах, і студэнты з стаматалогіі ў Малайскім універсітэце ўдзельнічалі на добраахвотнай аснове. Удзельнікі адрэагавалі на інтэрнэт-ІЛ на англійскай мове студэнта стаматалагічнага студэнта. На пачатковай фазе набор дадзеных з 50 студэнтаў быў выкарыстаны для падрыхтоўкі алгарытму машыннага навучання дрэва рашэння. На другім этапе працэсу распрацоўкі быў выкарыстаны набор дадзеных 255 студэнтаў для павышэння дакладнасці распрацаванага інструмента.
Усе ўдзельнікі атрымліваюць інтэрнэт -брыфінг у пачатку кожнага этапу, у залежнасці ад навучальнага года, праз каманды Microsoft. Мэта даследавання была растлумачана і была атрымана інфармаваная згода. Усім удзельнікам была прадастаўлена спасылка для доступу да M-ILS. Кожнаму студэнту было даручана адказаць на ўсе 44 прадметы ў анкеты. Ім далі адзін тыдзень, каб завяршыць мадыфікаваныя ІЛ за адзін раз і месца, зручнае для іх падчас перапынку ў семестры да пачатку семестра. M-ILS заснаваны на арыгінальным інструменце ILS і зменены для стаматалагічных студэнтаў. Падобна арыгінальнаму ILS, ён утрымлівае 44 раўнамерна размеркаваных элементаў (A, B), з 11 элементамі, якія выкарыстоўваюцца для ацэнкі аспектаў кожнага вымярэння FSLSM.
На пачатковых этапах распрацоўкі інструментаў даследчыкі ўручную анатавалі карты, выкарыстоўваючы набор дадзеных 50 студэнтаў -стаматалогіі. Па дадзеных FSLM, сістэма дае суму адказаў "A" і "B". Для кожнага вымярэння, калі студэнт выбірае "А" у якасці адказ . / Глабальны вучань.
Пасля каліброўкі працоўнага працэсу паміж даследчыкамі стаматалагічнай адукацыі і распрацоўшчыкамі сістэм былі выбраны пытанні на аснове дамена FLSSM і ўвайшлі ў мадэль ML для прагназавання LS кожнага студэнта. "Смецце, смецце" - гэта папулярная прыказка ў галіне машыннага навучання з акцэнтам на якасць дадзеных. Якасць уводных дадзеных вызначае дакладнасць і дакладнасць мадэлі машыннага навучання. На этапе функцыянальных інжынераў створаны новы набор функцый, які з'яўляецца сумай адказаў "A" і "B" на аснове FLSSM. Ідэнтыфікацыйныя нумары пазіцый лекаў прыведзены ў табліцы 1.
Вылічыце ацэнку на аснове адказаў і вызначце ЛС студэнта. Для кожнага студэнта дыяпазон балаў складае ад 1 да 11. Вынікі ад 1 да 3 паказваюць на баланс пераваг навучання ў тым жа вымярэнні, а вынікі ад 5 да 7 паказваюць на ўмераную перавагу, што сведчыць . Яшчэ адно варыяцыя ў тым жа вымярэнні заключаецца ў тым, што вынікі ад 9 да 11 адлюстроўваюць вялікую перавагу для таго ці іншага канца [8].
Для кожнага вымярэння лекі былі згрупаваны ў "актыўныя", "рэфлексіўныя" і "збалансаваныя". Напрыклад, калі студэнт адказвае на "А" часцей, чым "B" на прызначаны пункт, і яго бал перавышае парог 5 за той ці іншы пункт, які прадстаўляе апрацоўку LS Dimension, ён/яна належыць да "актыўнага" LS дамен. . Аднак студэнты былі аднесены да "рэфлексіўных" LS, калі яны выбралі "B" больш, чым "A" ў пэўных 11 пытаннях (табліца 1) і набралі больш за 5 балаў. Нарэшце, студэнт знаходзіцца ў стане "раўнавагі". Калі ацэнка не перавышае 5 балаў, гэта "працэс" LS. Працэс класіфікацыі паўтараўся для іншых памераў LS, а менавіта ўспрымання (актыўнага/рэфлексіўнага), уводу (візуальнага/вербальнага) і разумення (паслядоўнае/глабальнае).
Мадэлі дрэва рашэнняў могуць выкарыстоўваць розныя падмноствы функцый і правілаў прыняцця рашэнняў на розных этапах працэсу класіфікацыі. Гэта лічыцца папулярнай класіфікацыяй і інструментам прагназавання. Ён можа быць прадстаўлены пры дапамозе структуры дрэва, напрыклад, схемы [20], у якой існуюць унутраныя вузлы, якія прадстаўляюць тэсты па атрыбутах, кожная галіна, якая прадстаўляе вынікі выпрабаванняў, і кожны лісцевы вузел (Leaf Node), які змяшчае этыкетку класа.
Была створана простая праграма на аснове правілаў для аўтаматычнага ацэнкі і анатацыі LS кожнага студэнта на аснове іх адказаў. На аснове правілаў прымаецца форма заявы if, дзе "калі" апісвае трыгер, і "тады" паказвае дзеянне, якое трэба выканаць, напрыклад: "Калі x здараецца, то зрабіце Y" (Liu et al., 2014). Калі набор дадзеных дэманструе карэляцыю і мадэль дрэва рашэння правільна падрыхтавана і ацэньваецца, гэты падыход можа стаць эфектыўным спосабам аўтаматызацыі працэсу супадзення LS і IS.
На другім этапе распрацоўкі набор дадзеных быў павялічаны да 255 для павышэння дакладнасці інструмента рэкамендацый. Набор дадзеных падзелены ў суадносінах 1: 4. 25% (64) набору дадзеных было выкарыстана для тэставага набору, а астатнія 75% (191) былі выкарыстаны ў якасці навучальнага набору (мал. 2). Набор дадзеных павінен быць падзелены, каб прадухіліць навучанне і праверку мадэлі на тым жа наборы дадзеных, што можа прывесці да запомнення мадэлі, а не вучыцца. Мадэль навучаецца на навучальным наборы і ацэньвае яго прадукцыйнасць у тэставым наборы - мадэль, якую мадэль ніколі раней не бачыла.
Пасля таго, як інструмент IS будзе распрацаваны, прыкладанне зможа класіфікаваць LS на аснове адказаў студэнтаў -стаматалогіі праз вэб -інтэрфейс. Сістэма інструментаў інструментаў рэкамендацыі па інфармацыйнай бяспецы пабудавана з выкарыстаннем мовы праграмавання Python з выкарыстаннем Django Framework як Backend. У табліцы 2 прыведзены бібліятэкі, якія выкарыстоўваюцца пры распрацоўцы гэтай сістэмы.
Набор дадзеных падаецца ў мадэль дрэва рашэння для вылічэння і здабывання адказаў студэнтаў на аўтаматычную класіфікацыю вымярэнняў студэнтаў LS.
Матрыца блытаніны выкарыстоўваецца для ацэнкі дакладнасці алгарытму машыннага навучання дрэва рашэння на дадзеным наборы дадзеных. У той жа час ён ацэньвае прадукцыйнасць класіфікацыйнай мадэлі. Ён абагульняе прагнозы мадэлі і параўноўвае іх з фактычнымі пазнакамі дадзеных. Вынікі ацэнкі грунтуюцца на чатырох розных значэннях: True Position (TP) - мадэль правільна прагназавала станоўчую катэгорыю, ілжывую станоўчую (FP) - мадэль прагназавала станоўчую катэгорыю, але сапраўдная ярлык была адмоўнай, сапраўднай адмоўнай (TN) - - - Мадэль правільна прагназавала адмоўны клас і ілжывы адмоўны (FN) - мадэль прагназуе адмоўны клас, але сапраўдная этыкетка станоўчая.
Затым гэтыя значэнні выкарыстоўваюцца для вылічэння розных паказчыкаў эфектыўнасці мадэлі класіфікацыі Scikit-Learn у Python, а менавіта да дакладнасці, дакладнасці, адклікання і балаў F1. Вось прыклады:
Нагадаем (альбо адчувальнасць) вымярае здольнасць мадэлі дакладна класіфікаваць LS студэнта пасля адказу ў анкету M-ILS.
Спецыфічнасць называецца сапраўднай адмоўнай хуткасцю. Як вы бачыце з вышэйзгаданай формулы, гэта павінна быць суадносінамі сапраўдных негатываў (TN) да сапраўдных негатываў і ілжывых станоўчых вынікаў (FP). У рамках рэкамендаванага інструмента для класіфікацыі студэнцкіх наркотыкаў ён павінен быць здольны да дакладнай ідэнтыфікацыі.
Арыгінальны набор дадзеных з 50 студэнтаў, якія выкарыстоўваліся для падрыхтоўкі мадэлі ML дрэва рашэння, паказалі адносна нізкую дакладнасць з -за чалавечай памылкі ў анатацыях (табліца 3). Пасля стварэння простай праграмы, заснаванай на правілах, для аўтаматычнага вылічэння балаў LS і анатацый студэнтаў, усё большая колькасць набораў дадзеных (255) была выкарыстана для падрыхтоўкі і праверкі сістэмы рэкамендацый.
У шматкласнай матрыцы блытаніны дыяганальныя элементы ўяўляюць колькасць правільных прагнозаў для кожнага тыпу LS (мал. 4). Выкарыстоўваючы мадэль дрэва рашэння, у агульнай складанасці было прагназавана 64 узоры. Такім чынам, у гэтым даследаванні дыяганальныя элементы паказваюць чаканыя вынікі, што сведчыць аб тым, што мадэль працуе добра і дакладна прагназуе этыкетку класа для кожнай класіфікацыі LS. Такім чынам, агульная дакладнасць інструмента рэкамендацый складае 100%.
Значэнні дакладнасці, дакладнасці, нагадвання і балаў F1 прыведзены на малюнку 5. Для сістэмы рэкамендацый з выкарыстаннем мадэлі дрэва рашэння яго бал F1 - 1,0 "ідэальны", што сведчыць значэнні.
На малюнку 6 паказана візуалізацыя мадэлі дрэва рашэння пасля завяршэння трэніровак і тэставання. У параўнанні з бакам мадэль дрэва рашэння, падрыхтаваная да меншай колькасці функцый, паказала больш высокую дакладнасць і больш просты візуалізацыю мадэлі. Гэта паказвае, што інжынерыя, якая вядзе да зніжэння функцый, з'яўляецца важным крокам у паляпшэнні прадукцыйнасці мадэлі.
Прымяняючы навучанне, якое падвяргаецца навучэнню, адлюстраванне паміж LS (Input) і IS (мэтавы выхад) аўтаматычна генеруецца і змяшчае падрабязную інфармацыю для кожнага LS.
Вынікі паказалі, што 34,9% з 255 студэнтаў аддаюць перавагу адзін (1) варыянт LS. Большасць (54,3%) мела два і больш пераваг LS. 12,2% студэнтаў адзначылі, што ЛС даволі збалансаваны (табліца 4). У дадатак да васьмі асноўных LS, існуе 34 камбінацыі класіфікацый LS для студэнтаў -стаматалагічных універсітэтаў. Сярод іх успрыманне, зрок і спалучэнне ўспрымання і зроку з'яўляюцца асноўнымі ЛС, пра якія паведамляюць студэнты (мал. 7).
Як відаць з табліцы 4, большасць студэнтаў мелі пераважную сэнсарную (13,7%) або візуальную (8,6%) LS. Паведамлялася, што 12,2% студэнтаў спалучалі ўспрыманне з зрокам (перцэптыўна-візуальны LS). Гэтыя высновы дазваляюць выказаць здагадку, што студэнты аддаюць перавагу вучыцца і запомніць усталяванымі метадамі, прытрымлівацца канкрэтных і падрабязных працэдур і маюць уважлівы характар. У той жа час яны любяць навучыцца, шукаючы (выкарыстоўваючы дыяграмы і г.д.) і імкнуцца абмяркоўваць і прымяняць інфармацыю ў групах альбо самастойна.
Дадзенае даследаванне дае агляд метадаў машыннага навучання, якія выкарыстоўваюцца ў майнингу дадзеных, з акцэнтам на імгненна і дакладна прагназуючы ЛС студэнтаў і рэкамендацыя. Прымяненне мадэлі дрэва рашэння вызначыла фактары, найбольш цесна звязаныя з іх жыццём і адукацыйным вопытам. Гэта алгарытм кіраванага машыннага навучання, які выкарыстоўвае структуру дрэў для класіфікацыі дадзеных, падзяліўшы набор дадзеных на падкатэгорыі на аснове пэўных крытэрыяў. Ён працуе, рэкурсіўна падзяляючы ўваходныя дадзеныя на падмноствы на аснове значэння адной з функцый уводу кожнага ўнутранага вузла, пакуль не будзе прынята рашэнне на вузле Leaf.
Унутраныя вузлы дрэва рашэння ўяўляюць сабой рашэнне, заснаванае на ўваходных характарыстыках праблемы M-ILS, а вузлы лісця ўяўляюць канчатковае прагназаванне класіфікацыі LS. На працягу ўсяго даследавання лёгка зразумець іерархію дрэў рашэнняў, якія тлумачаць і візуалізуюць працэс прыняцця рашэнняў, гледзячы на сувязь паміж функцыямі ўваходу і прагнозамі выхаду.
У галіне інфарматыкі і тэхнікі, алгарытмы машыннага навучання шырока выкарыстоўваюцца для прагназавання вынікаў студэнтаў на аснове вынікаў уступнага экзамену [21], дэмаграфічнай інфармацыі і паводзінах навучання [22]. Даследаванні паказалі, што алгарытм дакладна прагназаваў вынікі працы студэнтаў і дапамагло ім вызначыць студэнтаў, якія рызыкуюць акадэмічныя цяжкасці.
Паведамляецца аб прымяненні алгарытмаў ML для распрацоўкі віртуальных сімулятараў пацыентаў для стаматалагічнай падрыхтоўкі. Сімулятар здольны дакладна прайграваць фізіялагічныя рэакцыі рэальных пацыентаў і можа быць выкарыстаны для падрыхтоўкі студэнтаў -зубоў у бяспечных і кантраляваных умовах [23]. Шэраг іншых даследаванняў паказваюць, што алгарытмы машыннага навучання могуць патэнцыйна палепшыць якасць і эфектыўнасць стаматалагічнай і медыцынскай адукацыі і догляду за пацыентамі. Алгарытмы машыннага навучання былі выкарыстаны для аказання дапамогі ў дыягностыцы стаматалагічных захворванняў на аснове набораў дадзеных, такіх як сімптомы і характарыстыкі пацыента [24, 25]. У той час як іншыя даследаванні вывучалі выкарыстанне алгарытмаў машыннага навучання для выканання такіх задач, як прагназаванне вынікаў пацыентаў, выяўленне пацыентаў з высокім узроўнем рызыкі, распрацоўка персаналізаваных планаў лячэння [26], лячэнне пародонта [27] і лячэнне карыесу [25].
Хоць паведамленні аб прымяненні машыннага навучання ў стаматалогіі былі апублікаваны, яго прымяненне ў стаматалагічнай адукацыі застаецца абмежаваным. Такім чынам, гэта даследаванне было накіравана на выкарыстанне мадэлі дрэва рашэнняў для вызначэння фактараў, якія найбольш цесна звязаны з LS і ўваходзіць у лік стаматалагічных студэнтаў.
Вынікі гэтага даследавання паказваюць, што распрацаваны інструмент рэкамендацый мае высокую дакладнасць і дасканалую дакладнасць, што сведчыць аб тым, што настаўнікі могуць скарыстацца гэтым інструментам. Выкарыстоўваючы працэс класіфікацыі дадзеных, ён можа даць персаналізаваныя рэкамендацыі і палепшыць адукацыйны вопыт і вынікі для педагогаў і студэнтаў. Сярод іх інфармацыя, атрыманая з дапамогай рэкамендацыйных інструментаў, можа вырашыць канфлікты паміж пераважнымі метадамі выкладчыкаў настаўнікаў і патрэбамі ў навучанні студэнтаў. Напрыклад, з -за аўтаматызаванага выхаду інструментаў рэкамендацый, час, неабходны для ідэнтыфікацыі IP студэнта і супастаўлення з адпаведным IP, будзе значна зніжаны. Такім чынам, могуць быць арганізаваны прыдатныя навучальныя мерапрыемствы і навучальныя матэрыялы. Гэта дапамагае развіваць пазітыўнае паводзіны студэнтаў і здольнасць канцэнтравацца. У адным з даследаванняў паведамляецца, што прадастаўленне студэнтам навучальных матэрыялаў і вучэбнай дзейнасці, якія адпавядаюць іх пераважнай LS, могуць дапамагчы студэнтам інтэграваць, перапрацоўваць і атрымліваць асалоду ад вывучэння некалькімі спосабамі для дасягнення большага патэнцыялу [12]. Даследаванні таксама паказваюць, што ў дадатак да паляпшэння ўдзелу вучняў у класе, разуменне працэсу навучання студэнтаў таксама гуляе вырашальную ролю ў паляпшэнні педагагічнай практыкі і зносін са студэнтамі [28, 29].
Аднак, як і ў любой сучаснай тэхналогіі, ёсць праблемы і абмежаванні. Сюды ўваходзяць пытанні, звязаныя з прыватнасцю дадзеных, прадузятасцю і справядлівасцю, а таксама прафесійнымі навыкамі і рэсурсамі, неабходнымі для распрацоўкі і ўкаранення алгарытмаў машыннага навучання ў галіне стаматалагічнай адукацыі; Аднак усё большая цікавасць і даследаванні ў гэтай галіне дазваляюць выказаць здагадку, што тэхналогіі машыннага навучання могуць аказаць станоўчы ўплыў на стаматалагічную адукацыю і стаматалагічныя паслугі.
Вынікі гэтага даследавання паказваюць, што палова стаматалагічных студэнтаў мае тэндэнцыю да "ўспрымання" наркотыкаў. Гэты тып навучэнцаў мае перавагу фактам і канкрэтным прыкладам, практычнай арыентацыі, цярплівасці для дэталяў і "візуальнай" перавагі LS, дзе вучні аддаюць перавагу выкарыстоўваць выявы, графіку, колеры і карты, каб перадаць ідэі і думкі. Цяперашнія вынікі адпавядаюць іншым даследаванням з выкарыстаннем ІЛ для ацэнкі ЛС у стаматалагічных і медыкаў, большасць з якіх маюць характарыстыкі ўспрымання і візуальнага LS [12, 30]. Далмалін і інш мяркуюць, што інфармаванне студэнтаў пра іх LS дазваляе ім дасягнуць свайго патэнцыялу навучання. Даследчыкі сцвярджаюць, што, калі выкладчыкі цалкам разумеюць адукацыйны працэс вучняў, могуць быць рэалізаваны розныя метады выкладання і дзейнасць, якія павысяць эфектыўнасць працы і вопыт навучання студэнтаў [12, 31, 32]. Іншыя даследаванні паказалі, што карэкціроўка ЛС студэнтаў таксама паказвае паляпшэнне вопыту навучання студэнтаў пасля змены стыляў навучання ў адпаведнасці з уласным LS [13, 33].
Меркаванні настаўнікаў могуць мяняцца ў залежнасці ад рэалізацыі стратэгій выкладання на аснове здольнасцей вучняў. У той час як некаторыя бачаць перавагі гэтага падыходу, у тым ліку магчымасці прафесійнага развіцця, настаўніцтва і падтрымку супольнасці, іншыя могуць занепакоены часам і інстытуцыйнай падтрымкай. Імкненне да раўнавагі-гэта ключавое значэнне для стварэння адносіны, арыентаванага на студэнтаў. Улады вышэйшай адукацыі, такія як адміністратары універсітэта, могуць адыграць важную ролю ў кіраванні станоўчымі зменамі, увёўшы інавацыйныя практыкі і падтрымку развіцця выкладчыкаў [34]. Каб стварыць сапраўды дынамічную і спагадную сістэму вышэйшай адукацыі, палітыкі павінны рабіць смелыя крокі, такія як унясенне змяненняў у палітыку, прысвячэнне рэсурсаў інтэграцыі тэхналогій і стварэнне рамак, якія спрыяюць падыходам, арыентаваным на студэнтаў. Гэтыя меры маюць вырашальнае значэнне для дасягнення жаданых вынікаў. Апошнія даследаванні па дыферэнцыраванай інструкцыі выразна паказалі, што паспяховая рэалізацыя дыферэнцыраванай інструкцыі патрабуе пастаянных магчымасцей навучання і развіцця для выкладчыкаў [35].
Гэты інструмент забяспечвае каштоўную падтрымку для стаматалагічных педагогаў, якія хочуць скарыстацца падыходам, арыентаваным на студэнтаў, да планавання вучэбнай дзейнасці, якая займаецца студэнтамі. Аднак гэта даследаванне абмяжоўваецца выкарыстаннем мадэляў ML дрэва рашэння. У будучыні трэба сабраць больш дадзеных для параўнання прадукцыйнасці розных мадэляў машыннага навучання для параўнання дакладнасці, надзейнасці і дакладнасці рэкамендацыйных інструментаў. Акрамя таго, пры выбары найбольш прыдатнага спосабу машыннага навучання для пэўнай задачы важна ўлічваць іншыя фактары, такія як складанасць мадэлі і інтэрпрэтацыя.
Абмежаванне гэтага даследавання заключаецца ў тым, што ён засяроджаны толькі на адлюстраванні LS і ўваходзіць у лік стаматалагічных студэнтаў. Такім чынам, распрацаваная сістэма рэкамендацый рэкамендуе толькі тыя, якія падыходзяць для стаматалагічных студэнтаў. Змены неабходныя для агульнага выкарыстання студэнтаў вышэйшай адукацыі.
Нядаўна распрацаваны інструмент рэкамендацый на аснове машыннага навучання здольны імгненна класіфікаваць і супастаўляць студэнтаў LS для адпаведнага IS, што робіць яго першай праграмай стаматалагічнай адукацыі, каб дапамагчы выкладчыкам стаматалогіі планаваць адпаведныя выкладанні і навучальныя мерапрыемствы. Выкарыстоўваючы працэс, які кіруецца дадзенымі, ён можа даць персаналізаваныя рэкамендацыі, зэканоміць час, палепшыць стратэгіі навучання, падтрымліваць мэтавыя ўмяшанні і садзейнічаць пастаянным прафесійным развіццём. Яго прымяненне будзе спрыяць падыходам да стаматалагічнай адукацыі, арыентаваным на студэнтаў.
Гілак Джані Асашыэйтэд Прэс. Параўнайце альбо неадпаведнасць паміж стылем навучання вучня і стылем выкладання настаўніка. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Час пасля: красавік-29-2024