Існуе ўсё большая патрэба ў студэнтаарыентаваным навучанні (САН) у вышэйшых навучальных установах, у тым ліку ў стаматалогіі. Аднак САН мае абмежаванае прымяненне ў стаматалагічнай адукацыі. Таму гэта даследаванне накіравана на прасоўванне прымянення САН у стаматалогіі з выкарыстаннем тэхналогіі машыннага навучання (ДР) на аснове дрэва рашэнняў для вызначэння пераважнага стылю навучання (СН) і адпаведных стратэгій навучання (СН) студэнтаў-стаматолагаў у якасці карыснага інструмента для распрацоўкі рэкамендацый па ІС. Перспектыўныя метады для студэнтаў-стаматолагаў.
У агульнай складанасці 255 студэнтаў-стаматолагаў з Універсітэта Малайі запоўнілі мадыфікаваную анкету Індэкса стыляў навучання (m-ILS), якая змяшчала 44 пункты для класіфікацыі іх па адпаведных LS. Сабраныя даныя (якія называюцца наборам дадзеных) выкарыстоўваюцца ў кіраваным навучанні па дрэве рашэнняў для аўтаматычнага супастаўлення стыляў навучання студэнтаў з найбольш прыдатнай IS. Затым ацэньваецца дакладнасць інструмента рэкамендацый IS на аснове машыннага навучання.
Прымяненне мадэляў дрэва рашэнняў у аўтаматызаваным працэсе супастаўлення паміж LS (уваходнымі дадзенымі) і IS (мэтавым выхаднымі дадзенымі) дазваляе імгненна атрымаць спіс адпаведных стратэгій навучання для кожнага студэнта-стаматолага. Інструмент рэкамендацый IS прадэманстраваў выдатную дакладнасць і поўнасць агульнай дакладнасці мадэлі, што сведчыць аб тым, што супастаўленне LS з IS мае добрую адчувальнасць і спецыфічнасць.
Інструмент рэкамендацый па інфармацыйных тэхналогіях, заснаваны на дрэве рашэнняў машыннага навучання, даказаў сваю здольнасць дакладна супастаўляць стылі навучання студэнтаў-стаматолагаў з адпаведнымі стратэгіямі навучання. Гэты інструмент прапануе магутныя магчымасці для планавання курсаў або модуляў, арыентаваных на навучэнца, якія могуць палепшыць вопыт навучання студэнтаў.
Выкладанне і навучанне з'яўляюцца фундаментальнымі відамі дзейнасці ў навучальных установах. Пры распрацоўцы якаснай сістэмы прафесійнай адукацыі важна засяродзіцца на патрэбах студэнтаў у навучанні. Узаемадзеянне паміж студэнтамі і іх навучальным асяроддзем можа быць вызначана праз іх навучальнае асяроддзе. Даследаванні паказваюць, што неадпаведнасці паміж навучальным асяроддзем і існымі ведамі студэнтаў, якія наўмысна задумаў настаўнік, могуць мець негатыўныя наступствы для навучання студэнтаў, такія як зніжэнне ўвагі і матывацыі. Гэта ўскосна паўплывае на паспяховасць студэнтаў [1,2].
ІС — гэта метад, які выкарыстоўваецца настаўнікамі для перадачы ведаў і навыкаў вучням, у тым ліку для дапамогі вучням у вучобе [3]. Як правіла, добрыя настаўнікі плануюць стратэгіі навучання або ІС, якія найлепшым чынам адпавядаюць узроўню ведаў іх вучняў, паняццям, якія яны вывучаюць, і этапу іх навучання. Тэарэтычна, калі LS і ІС супадаюць, вучні змогуць арганізаваць і выкарыстоўваць пэўны набор навыкаў для эфектыўнага навучання. Як правіла, план урока ўключае некалькі пераходаў паміж этапамі, напрыклад, ад выкладання да кіраванай практыкі або ад кіраванай практыкі да самастойнай практыкі. Маючы гэта на ўвазе, эфектыўныя настаўнікі часта плануюць навучанне з мэтай развіцця ведаў і навыкаў вучняў [4].
Попыт на SCL расце ў вышэйшых навучальных установах, у тым ліку ў стаматалогіі. Стратэгіі SCL распрацаваны для задавальнення патрэб студэнтаў у навучанні. Гэтага можна дасягнуць, напрыклад, калі студэнты актыўна ўдзельнічаюць у навучальных мерапрыемствах, а выкладчыкі выступаюць у якасці пасярэднікаў і нясуць адказнасць за каштоўную зваротную сувязь. Кажуць, што прадастаўленне навучальных матэрыялаў і мерапрыемстваў, якія адпавядаюць узроўню адукацыі або перавагам студэнтаў, можа палепшыць асяроддзе навучання студэнтаў і спрыяць пазітыўнаму вопыту навучання [5].
У цэлым, працэс навучання студэнтаў-стаматолагаў знаходзіцца пад уплывам розных клінічных працэдур, якія ім неабходна выконваць, і клінічнага асяроддзя, у якім яны развіваюць эфектыўныя навыкі міжасобасных зносін. Мэта навучання — даць студэнтам магчымасць спалучаць базавыя веды па стаматалогіі з клінічнымі навыкамі стаматалогіі і прымяняць атрыманыя веды ў новых клінічных сітуацыях [6, 7]. Раннія даследаванні ўзаемасувязі паміж навучаннем па спецыяльнасці (LS) і інфармаваннем (IS) паказалі, што карэкціроўка стратэгій навучання, звязаных з пераважным навучаннем па спецыяльнасці, дапаможа палепшыць адукацыйны працэс [8]. Аўтары таксама рэкамендуюць выкарыстоўваць розныя метады навучання і ацэнкі для адаптацыі да навучання і патрэб студэнтаў.
Настаўнікі атрымліваюць карысць ад ужывання ведаў аб навучанні студэнтамі-стаматолагамі для распрацоўкі, стварэння і ўкаранення навучання, якое палепшыць атрыманне вучнямі больш глыбокіх ведаў і разумення прадмета. Даследчыкі распрацавалі некалькі інструментаў ацэнкі навучання студэнтамі-стаматолагамі, такіх як мадэль эксперыментальнага навучання Колба, мадэль стылю навучання Фельдэра-Сільвермана (FSLSM) і мадэль Флемінга VAK/VARK [5, 9, 10]. Згодна з літаратурай, гэтыя мадэлі навучання з'яўляюцца найбольш часта выкарыстоўванымі і найбольш вывучанымі. У бягучай даследчай працы FSLSM выкарыстоўваецца для ацэнкі навучання студэнтамі-стаматолагамі.
FSLSM — гэта шырока выкарыстоўваная мадэль для ацэнкі адаптыўнага навучання ў інжынерыі. Існуе мноства апублікаваных прац у галіне медыцынскіх навук (у тым ліку медыцыны, сястрынскай справы, фармацыі і стаматалогіі), якія можна знайсці з выкарыстаннем мадэляў FSLSM [5, 11, 12, 13]. Інструмент, які выкарыстоўваецца для вымярэння вымярэнняў LS у FLSM, называецца Індэкс стыляў навучання (ILS) [8], які змяшчае 44 пункты, якія ацэньваюць чатыры вымярэнні LS: апрацоўку (актыўную/рэфлексіўную), успрыманне (перцэптыўнае/інтуітыўнае), увод (візуальны/вербальны) і разуменне (паслядоўнае/глабальнае) [14].
Як паказана на малюнку 1, кожны вымярэнне FSLSM мае дамінуючую перавагу. Напрыклад, у вымярэнні апрацоўкі вучні з «актыўным» LS аддаюць перавагу апрацоўцы інфармацыі шляхам непасрэднага ўзаемадзеяння з навучальнымі матэрыяламі, вучацца праз дзеянне і, як правіла, вучацца ў групах. «Рэфлексіўнае» LS адносіцца да навучання праз мысленне і аддае перавагу працаваць самастойна. Вымярэнне «ўспрымання» LS можна падзяліць на «адчуванне» і/або «інтуіцыю». Вучні «адчувальныя» аддаюць перавагу больш канкрэтнай інфармацыі і практычным працэдурам, арыентаваны на факты ў параўнанні з «інтуітыўнымі» вучнямі, якія аддаюць перавагу абстрактнаму матэрыялу і больш інавацыйныя і творчыя па сваёй прыродзе. Вымярэнне «ўваходнага» LS складаецца з «візуальных» і «вербальных» навучэнцаў. Людзі з «візуальным» LS аддаюць перавагу вучыцца праз візуальныя дэманстрацыі (напрыклад, дыяграмы, відэа або жывыя дэманстрацыі), тады як людзі з «вербальным» LS аддаюць перавагу вучыцца праз словы ў пісьмовых або вусных тлумачэннях. Каб «зразумець» вымярэнні 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».
Нядаўна многія даследчыкі пачалі вывучаць метады аўтаматычнага выяўлення на аснове дадзеных, у тым ліку распрацоўку новых алгарытмаў і мадэляў, здольных інтэрпрэтаваць вялікія аб'ёмы дадзеных [15, 16]. На аснове прадстаўленых дадзеных кантраляванае машыннае навучанне (ML) здольна генераваць шаблоны і гіпотэзы, якія прадказваюць будучыя вынікі на аснове пабудовы алгарытмаў [17]. Проста кажучы, метады кантраляванага машыннага навучання маніпулююць уваходнымі дадзенымі і навучаюць алгарытмы. Затым яны генеруюць дыяпазон, які класіфікуе або прадказвае вынік на аснове падобных сітуацый для прадстаўленых уваходных дадзеных. Асноўнай перавагай алгарытмаў кантраляванага машыннага навучання з'яўляецца яго здольнасць усталёўваць ідэальныя і жаданыя вынікі [17].
Дзякуючы выкарыстанню метадаў, заснаваных на дадзеных, і мадэляў кіравання дрэвамі рашэнняў магчыма аўтаматычнае выяўленне дрэў рашэнняў. Паведамлялася пра шырокае выкарыстанне дрэў рашэнняў у навучальных праграмах у розных галінах, у тым ліку ў медыцынскіх навуках [18, 19]. У гэтым даследаванні мадэль была спецыяльна навучана распрацоўшчыкамі сістэмы для вызначэння дрэў рашэнняў студэнтаў і рэкамендацыі найлепшай існай сістэмы для іх.
Мэта гэтага даследавання — распрацаваць стратэгіі рэалізацыі існых ведаў (ІС) на аснове LS студэнтаў і прымяніць падыход SCL шляхам стварэння інструмента рэкамендацый ІС, які адпавядае LS. Схема праектавання інструмента рэкамендацый ІС як стратэгіі метаду SCL паказана на малюнку 1. Інструмент рэкамендацый ІС падзелены на дзве часткі, уключаючы механізм класіфікацыі LS з выкарыстаннем ILS і найбольш прыдатны дысплей ІС для студэнтаў.
У прыватнасці, асаблівасці інструментаў рэкамендацый па інфармацыйнай бяспецы ўключаюць выкарыстанне вэб-тэхналогій і выкарыстанне машыннага навучання на аснове дрэва рашэнняў. Распрацоўшчыкі сістэм паляпшаюць карыстальніцкі досвед і мабільнасць, адаптуючы іх да мабільных прылад, такіх як мабільныя тэлефоны і планшэты.
Эксперымент праводзіўся ў два этапы, і студэнты стаматалагічнага факультэта Малайскага ўніверсітэта ўдзельнічалі ў ім на добраахвотнай аснове. Удзельнікі адказалі на пытанні онлайн-анкеты студэнтаў-стаматолагаў на англійскай мове. На пачатковым этапе для навучання алгарытму машыннага навучання дрэва рашэнняў выкарыстоўваўся набор даных з 50 студэнтаў. На другім этапе распрацоўкі для павышэння дакладнасці распрацаванага інструмента выкарыстоўваўся набор даных з 255 студэнтаў.
Усе ўдзельнікі атрымліваюць анлайн-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 запоўніць мадыфікаваную ILS у зручны для іх час і месца падчас семестравых канікул перад пачаткам семестра. m-ILS заснавана на арыгінальным інструменце ILS і мадыфікавана для студэнтаў-стаматолагаў. Падобна арыгінальнаму ILS, ён змяшчае 44 раўнамерна размеркаваныя пункты (a, b) па 11 пунктаў кожны, якія выкарыстоўваюцца для ацэнкі аспектаў кожнага вымярэння FSLSM.
На пачатковых этапах распрацоўкі інструмента даследчыкі ўручную анатавалі карты, выкарыстоўваючы набор даных 50 студэнтаў-стаматолагаў. Згодна з FSLM, сістэма прадастаўляе суму адказаў «a» і «b». Для кожнага вымярэння, калі студэнт выбірае «a» ў якасці адказу, LS класіфікуецца як Актыўны/Перцэптыўны/Візуальны/Паслядоўны, а калі студэнт выбірае ў якасці адказу «b», студэнт класіфікуецца як Рэфлексіўны/Інтуітыўны/Лінгвістычны/Глабальны навучэнец.
Пасля каліброўкі працоўнага працэсу паміж даследчыкамі ў галіне стаматалагічнай адукацыі і распрацоўшчыкамі сістэм, пытанні былі адабраны на аснове дамена FLSSM і ўведзены ў мадэль машыннага навучання для прагназавання LS кожнага студэнта. «Смецце на ўваходзе — смецце на выхадзе» — папулярная прымаўка ў галіне машыннага навучання, з акцэнтам на якасць дадзеных. Якасць уваходных дадзеных вызначае дакладнасць і плыўнасць мадэлі машыннага навучання. На этапе распрацоўкі прыкмет ствараецца новы набор прыкмет, які з'яўляецца сумай адказаў «а» і «б» на аснове FLSSM. Ідэнтыфікацыйныя нумары пазіцый лекаў прыведзены ў табліцы 1.
Разлічыце бал на аснове адказаў і вызначце сярэдні бал студэнта. Для кожнага студэнта дыяпазон балаў складае ад 1 да 11. Балы ад 1 да 3 паказваюць на баланс пераваг у навучанні ў межах аднаго вымярэння, а балы ад 5 да 7 паказваюць на ўмераную перавагу, што сведчыць аб тым, што студэнты схільныя аддаваць перавагу аднаму асяроддзю для навучання іншых. Іншы варыянт таго ж вымярэння заключаецца ў тым, што балы ад 9 да 11 адлюстроўваюць моцную перавагу аднаго або другога канца [8].
Для кожнага вымярэння наркотыкі былі згрупаваны ў «актыўныя», «рэфлексіўныя» і «збалансаваныя». Напрыклад, калі студэнт адказвае «а» часцей, чым «б» па пэўным пытанні, і яго/яе бал перавышае парог 5 для канкрэтнага пытання, якое прадстаўляе вымярэнне «Апрацоўка» наркотыкаў, ён/яна належыць да вобласці «актыўных» наркотыкаў. Аднак студэнты былі класіфікаваны як «рэфлексіўныя» наркотыкі, калі яны выбіралі «б» часцей, чым «а» ў 11 канкрэтных пытаннях (Табліца 1) і набіралі больш за 5 балаў. Нарэшце, студэнт знаходзіцца ў стане «раўнавагі». Калі бал не перавышае 5 балаў, то гэта «працэсны» наркотыкі. Працэс класіфікацыі быў паўтораны для іншых вымярэнняў наркотыкаў, а менавіта для ўспрымання (актыўнага/рэфлексіўнага), уваходу (візуальнага/вербальнага) і разумення (паслядоўнага/глабальнага).
Мадэлі дрэва рашэнняў могуць выкарыстоўваць розныя падмноства прыкмет і правілаў прыняцця рашэнняў на розных этапах працэсу класіфікацыі. Гэта лічыцца папулярным інструментам класіфікацыі і прагназавання. Яе можна прадставіць з дапамогай дрэвападобнай структуры, напрыклад, блок-схемы [20], у якой ёсць унутраныя вузлы, якія прадстаўляюць тэсты па атрыбуце, кожная галіна прадстаўляе вынікі тэстаў, а кожны канчатковы вузел (ліставы вузел) змяшчае метку класа.
Была створана простая праграма на аснове правілаў для аўтаматычнай ацэнкі і анатацыі дрэў рашэнняў кожнага студэнта на аснове яго адказаў. Праграма на аснове правілаў мае форму аператара IF, дзе «IF» апісвае трыгер, а «THEN» паказвае дзеянне, якое трэба выканаць, напрыклад: «Калі адбудзецца X, то зрабіце Y» (Liu et al., 2014). Калі набор дадзеных дэманструе карэляцыю, а мадэль дрэва рашэнняў належным чынам навучана і ацэнена, гэты падыход можа быць эфектыўным спосабам аўтаматызацыі працэсу супастаўлення дрэў рашэнняў і дрэва рашэнняў.
На другім этапе распрацоўкі набор даных быў павялічаны да 255 для павышэння дакладнасці інструмента рэкамендацый. Набор даных падзелены ў суадносінах 1:4. 25% (64) набору даных выкарыстоўвалася для тэставага набору, а астатнія 75% (191) — у якасці навучальнага набору (малюнак 2). Набор даных неабходна падзяліць, каб прадухіліць навучанне і тэставанне мадэлі на адным і тым жа наборы даных, што можа прывесці да таго, што мадэль будзе запамінаць, а не вучыцца. Мадэль навучаецца на навучальным наборы і ацэньвае сваю прадукцыйнасць на тэставым наборы — даных, якіх мадэль ніколі раней не бачыла.
Пасля распрацоўкі інструмента інфармацыйнай бяспекі праграма зможа класіфікаваць LS на аснове адказаў студэнтаў-стаматолагаў праз вэб-інтэрфейс. Вэб-сістэма рэкамендацый па інфармацыйнай бяспецы пабудавана з выкарыстаннем мовы праграмавання Python з выкарыстаннем фрэймворка Django ў якасці бэкенда. У табліцы 2 пералічаны бібліятэкі, якія выкарыстоўваліся пры распрацоўцы гэтай сістэмы.
Набор дадзеных падаецца ў мадэль дрэва рашэнняў для разліку і здабывання адказаў студэнтаў з мэтай аўтаматычнай класіфікацыі вымярэнняў LS студэнтаў.
Матрыца блытаніны выкарыстоўваецца для ацэнкі дакладнасці алгарытму машыннага навучання дрэва рашэнняў на зададзеным наборы дадзеных. Адначасова яна ацэньвае прадукцыйнасць мадэлі класіфікацыі. Яна падсумоўвае прагнозы мадэлі і параўноўвае іх з рэальнымі пазнакамі дадзеных. Вынікі ацэнкі заснаваныя на чатырох розных значэннях: сапраўды станоўчы (TP) – мадэль правільна прадказала станоўчую катэгорыю, ілжыва станоўчы (FP) – мадэль прадказала станоўчую катэгорыю, але сапраўдная пазнака была адмоўнай, сапраўды адмоўны (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, поўнасці і бала F1. Вось прыклады:
Адчувальнасць (або ўспрыманне) вымярае здольнасць мадэлі дакладна класіфікаваць LS студэнта пасля адказу на анкету m-ILS.
Спецыфічнасць называецца паказчыкам сапраўды адмоўных вынікаў. Як відаць з прыведзенай вышэй формулы, гэта павінна быць суадносіны сапраўды адмоўных вынікаў (TN) да сапраўды адмоўных і ілжыва станоўчых вынікаў (FP). Як частка рэкамендаванага інструмента для класіфікацыі студэнцкіх прэпаратаў, ён павінен дазваляць дакладную ідэнтыфікацыю.
Першапачатковы набор дадзеных з 50 студэнтаў, які выкарыстоўваўся для навучання мадэлі машыннага навучання дрэва рашэнняў, паказаў адносна нізкую дакладнасць з-за чалавечай памылкі ў анатацыях (табліца 3). Пасля стварэння простай праграмы на аснове правілаў для аўтаматычнага разліку балаў па дрэве рашэнняў і анатацый студэнтаў, для навучання і тэставання сістэмы рэкамендацый выкарыстоўвалася ўсё большая колькасць набораў дадзеных (255).
У матрыцы шматкласавай блытаніны дыяганальныя элементы прадстаўляюць колькасць правільных прагнозаў для кожнага тыпу LS (малюнак 4). З дапамогай мадэлі дрэва рашэнняў было правільна прадказана ў агульнай складанасці 64 выбаркі. Такім чынам, у гэтым даследаванні дыяганальныя элементы паказваюць чаканыя вынікі, што сведчыць аб тым, што мадэль добра працуе і дакладна прадказвае пазнаку класа для кожнай класіфікацыі LS. Такім чынам, агульная дакладнасць інструмента рэкамендацый складае 100%.
Значэнні дакладнасці, прэцызійнасці, паўнаты і бала F1 паказаны на малюнку 5. Для сістэмы рэкамендацый з выкарыстаннем мадэлі дрэва рашэнняў бал F1 складае 1,0 «ідэальна», што сведчыць аб ідэальнай дакладнасці і паўнаце, адлюстроўваючы значныя значэнні адчувальнасці і спецыфічнасці.
На малюнку 6 паказана візуалізацыя мадэлі дрэва рашэнняў пасля завяршэння навучання і тэставання. Пры паралельным параўнанні мадэль дрэва рашэнняў, навучаная з меншай колькасцю прыкмет, паказала больш высокую дакладнасць і прасцейшую візуалізацыю мадэлі. Гэта паказвае, што распрацоўка прыкмет, якая вядзе да скарачэння іх колькасці, з'яўляецца важным крокам у паляпшэнні прадукцыйнасці мадэлі.
Пры выкарыстанні кіраванага навучання па дрэве рашэнняў аўтаматычна генеруецца адпаведнасць паміж LS (уваходнымі дадзенымі) і IS (мэтавым выхадам), якая змяшчае падрабязную інфармацыю для кожнага LS.
Вынікі паказалі, што 34,9% з 255 студэнтаў аддалі перавагу аднаму (1) варыянту LS. Большасць (54,3%) мелі перавагі ў выглядзе двух або больш LS. 12,2% студэнтаў адзначылі, што LS даволі збалансаваны (табліца 4). Акрамя васьмі асноўных LS, існуе 34 камбінацыі класіфікацый LS для студэнтаў-стаматолагаў Універсітэта Малайі. Сярод іх асноўнымі LS, пра якія паведамляюць студэнты, з'яўляюцца ўспрыманне, зрок і спалучэнне ўспрымання і зроку (малюнак 7).
Як відаць з Табліцы 4, у большасці вучняў пераважала сэнсарная (13,7%) або зрокавая (8,6%) здольнасць запамінаць. Паведамлялася, што 12,2% вучняў спалучалі ўспрыманне са зрокам (перцэптыўна-візуальная здольнасць запамінаць). Гэтыя вынікі сведчаць аб тым, што вучні аддаюць перавагу вучыцца і запамінаць з дапамогай усталяваных метадаў, прытрымліваюцца канкрэтных і падрабязных працэдур і ўважлівыя па сваёй прыродзе. У той жа час ім падабаецца вучыцца, гледзячы (з дапамогай дыяграм і г.д.), і яны схільныя абмяркоўваць і ўжываць інфармацыю ў групах або самастойна.
Гэта даследаванне дае агляд метадаў машыннага навучання, якія выкарыстоўваюцца ў data mining, з акцэнтам на імгненнае і дакладнае прагназаванне жыццёвага ўзроўню студэнтаў і рэкамендацыю падыходных IS. Ужыванне мадэлі дрэва рашэнняў вызначыла фактары, найбольш цесна звязаныя з іх жыццёвым і адукацыйным вопытам. Гэта кантраляваны алгарытм машыннага навучання, які выкарыстоўвае дрэвападобную структуру для класіфікацыі дадзеных шляхам падзелу набору дадзеных на падкатэгорыі на аснове пэўных крытэрыяў. Ён працуе шляхам рэкурсіўнага падзелу ўваходных дадзеных на падмноства на аснове значэння адной з уваходных прыкмет кожнага ўнутранага вузла, пакуль не будзе прынята рашэнне на канчатковым вузле.
Унутраныя вузлы дрэва рашэнняў прадстаўляюць рашэнне, заснаванае на ўваходных характарыстыках задачы m-ILS, а канчатковыя вузлы прадстаўляюць канчатковы прагноз класіфікацыі LS. На працягу даследавання лёгка зразумець іерархію дрэў рашэнняў, якія тлумачаць і візуалізуюць працэс прыняцця рашэнняў, разглядаючы сувязь паміж уваходнымі характарыстыкамі і выхаднымі прагнозамі.
У галіне інфарматыкі і інжынерыі алгарытмы машыннага навучання шырока выкарыстоўваюцца для прагназавання паспяховасці студэнтаў на аснове іх вынікаў уступных экзаменаў [21], дэмаграфічнай інфармацыі і паводзін у вучобе [22]. Даследаванні паказалі, што алгарытм дакладна прадказваў паспяховасць студэнтаў і дапамагаў ім выяўляць студэнтаў, якія маюць рызыку акадэмічных цяжкасцей.
Паведамляецца аб ужыванні алгарытмаў машыннага навучання пры распрацоўцы віртуальных сімулятараў пацыентаў для стаматалагічнага навучання. Сімулятар здольны дакладна прайграваць фізіялагічныя рэакцыі рэальных пацыентаў і можа быць выкарыстаны для навучання студэнтаў-стаматолагаў у бяспечным і кантраляваным асяроддзі [23]. Некалькі іншых даследаванняў паказваюць, што алгарытмы машыннага навучання могуць патэнцыйна палепшыць якасць і эфектыўнасць стаматалагічнай і медыцынскай адукацыі і догляду за пацыентамі. Алгарытмы машыннага навучання выкарыстоўваліся для дапамогі ў дыягностыцы стаматалагічных захворванняў на аснове такіх набораў дадзеных, як сімптомы і характарыстыкі пацыентаў [24, 25]. У той жа час іншыя даследаванні даследавалі выкарыстанне алгарытмаў машыннага навучання для выканання такіх задач, як прагназаванне вынікаў лячэння пацыентаў, выяўленне пацыентаў высокай рызыкі, распрацоўка персаналізаваных планаў лячэння [26], лячэнне парадонта [27] і лячэнне карыесу [25].
Нягледзячы на тое, што былі апублікаваныя даследаванні па ўжыванні машыннага навучання ў стаматалогіі, яго прымяненне ў стаматалагічнай адукацыі застаецца абмежаваным. Таму мэтай гэтага даследавання было выкарыстаць мадэль дрэва рашэнняў для вызначэння фактараў, найбольш цесна звязаных з LS і IS сярод студэнтаў-стаматолагаў.
Вынікі гэтага даследавання паказваюць, што распрацаваны інструмент рэкамендацый мае высокую дакладнасць і бездакорную дакладнасць, што сведчыць аб тым, што настаўнікі могуць атрымаць ад гэтага інструмента карысць. Выкарыстоўваючы працэс класіфікацыі на аснове дадзеных, ён можа даваць персаналізаваныя рэкамендацыі і паляпшаць адукацыйны вопыт і вынікі для выкладчыкаў і вучняў. Сярод іх інфармацыя, атрыманая з дапамогай інструментаў рэкамендацый, можа вырашаць канфлікты паміж пераважнымі метадамі навучання настаўнікамі і патрэбамі вучняў у навучанні. Напрыклад, дзякуючы аўтаматызаванаму вываду інструментаў рэкамендацый, час, неабходны для вызначэння інтэлектуальнага патэнцыялу вучня і яго супастаўлення з адпаведным інтэлектуальным патэнцыялам, будзе значна скарочаны. Такім чынам можна арганізаваць адпаведныя навучальныя мерапрыемствы і навучальныя матэрыялы. Гэта дапамагае развіць пазітыўную вучэбную паводзіны вучняў і здольнасць канцэнтравацца. У адным даследаванні паведамлялася, што забеспячэнне вучняў навучальнымі матэрыяламі і навучальнымі мерапрыемствамі, якія адпавядаюць іх пераважнаму навучальнаму ўзроўню, можа дапамагчы вучням інтэграваць, апрацоўваць і атрымліваць асалоду ад навучання рознымі спосабамі для дасягнення большага патэнцыялу [12]. Даследаванні таксама паказваюць, што акрамя паляпшэння ўдзелу вучняў у класе, разуменне працэсу навучання вучняў таксама адыгрывае важную ролю ў паляпшэнні практыкі выкладання і камунікацыі са вучнямі [28, 29].
Аднак, як і з любой сучаснай тэхналогіяй, існуюць праблемы і абмежаванні. Да іх адносяцца пытанні, звязаныя з канфідэнцыяльнасцю дадзеных, прадузятасцю і справядлівасцю, а таксама прафесійнымі навыкамі і рэсурсамі, неабходнымі для распрацоўкі і ўкаранення алгарытмаў машыннага навучання ў стаматалагічнай адукацыі. Тым не менш, усё большая цікавасць і даследаванні ў гэтай галіне сведчаць аб тым, што тэхналогіі машыннага навучання могуць аказаць станоўчы ўплыў на стаматалагічную адукацыю і стаматалагічныя паслугі.
Вынікі гэтага даследавання паказваюць, што палова студэнтаў-стаматолагаў схільныя «ўспрымаць» лекі. Гэты тып навучэнцаў аддае перавагу фактам і канкрэтным прыкладам, мае практычную арыентацыю, цярплівасць да дэталяў і перавагу «візуальнай» лекавай тэрапіі, дзе навучэнцы аддаюць перавагу выкарыстоўваць малюнкі, графіку, колеры і карты для перадачы ідэй і думак. Бягучыя вынікі адпавядаюць іншым даследаванням, якія выкарыстоўваюць міжплямовую лекавую тэрапію (ILS) для ацэнкі лекавай тэрапіі ў студэнтаў-стаматолагаў і медыцынскіх работнікаў, большасць з якіх маюць характарыстыкі перцэптыўнай і візуальнай лекавай тэрапіі [12, 30]. Далмолін і інш. мяркуюць, што інфармаванне студэнтаў аб іх лекавай тэрапіі дазваляе ім раскрыць свой навучальны патэнцыял. Даследчыкі сцвярджаюць, што калі настаўнікі цалкам разумеюць адукацыйны працэс студэнтаў, можна ўкараніць розныя метады навучання і мерапрыемствы, якія палепшаць іх паспяховасць і вопыт навучання [12, 31, 32]. Іншыя даследаванні паказалі, што карэкціроўка лекавай тэрапіі студэнтаў таксама паказвае паляпшэнне вопыту навучання і паспяховасці студэнтаў пасля змены іх стыляў навучання ў адпаведнасці з іх уласным лекавай тэрапіяй [13, 33].
Меркаванні настаўнікаў могуць адрознівацца адносна ўкаранення стратэгій навучання, заснаваных на здольнасцях студэнтаў да навучання. У той час як некаторыя бачаць перавагі такога падыходу, у тым ліку магчымасці прафесійнага развіцця, настаўніцтва і падтрымку супольнасці, іншыя могуць быць занепакоеныя часам і інстытуцыйнай падтрымкай. Імкненне да балансу з'яўляецца ключом да стварэння арыентацыі на студэнта. Органы вышэйшай адукацыі, такія як адміністрацыя універсітэтаў, могуць адыграць важную ролю ў стымуляванні пазітыўных змен шляхам укаранення інавацыйных практык і падтрымкі развіцця выкладчыкаў [34]. Каб стварыць сапраўды дынамічную і адаптыўную сістэму вышэйшай адукацыі, палітыкі павінны рабіць смелыя крокі, такія як унясенне змяненняў у палітыку, выдзяленне рэсурсаў на інтэграцыю тэхналогій і стварэнне структур, якія спрыяюць арыентацыі на студэнта. Гэтыя меры маюць вырашальнае значэнне для дасягнення жаданых вынікаў. Нядаўнія даследаванні дыферэнцыраванага навучання выразна паказалі, што паспяховае ўкараненне дыферэнцыраванага навучання патрабуе пастаяннага навучання і магчымасцей развіцця для настаўнікаў [35].
Гэты інструмент забяспечвае каштоўную падтрымку стаматолагам-выкладчыкам, якія жадаюць выкарыстоўваць арыентаваны на студэнта падыход да планавання навучальных мерапрыемстваў, зручных для студэнтаў. Аднак гэта даследаванне абмежавана выкарыстаннем мадэляў машыннага навучання на аснове дрэва рашэнняў. У будучыні неабходна сабраць больш дадзеных для параўнання прадукцыйнасці розных мадэляў машыннага навучання, каб параўнаць дакладнасць, надзейнасць і прэцызійнасць 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 было сканцэнтравана толькі на картаграфаванні LS і IS сярод студэнтаў-стаматолагаў. Такім чынам, распрацаваная сістэма рэкамендацый будзе рэкамендаваць толькі тыя метады, якія падыходзяць для студэнтаў-стаматолагаў. Для агульнага выкарыстання студэнтамі вышэйшых навучальных устаноў неабходныя змены.
Новараспрацаваны інструмент рэкамендацый на аснове машыннага навучання здольны імгненна класіфікаваць і супастаўляць LS студэнтаў з адпаведнай IS, што робіць яго першай праграмай стаматалагічнай адукацыі, якая дапамагае выкладчыкам-стаматолагам планаваць адпаведныя навучальныя мерапрыемствы. Выкарыстоўваючы працэс трыяжу на аснове дадзеных, ён можа даваць персаналізаваныя рэкамендацыі, эканоміць час, паляпшаць стратэгіі навучання, падтрымліваць мэтанакіраваныя ўмяшанні і спрыяць пастаяннаму прафесійнаму развіццю. Яго прымяненне будзе спрыяць арыентаваным на студэнта падыходам да стаматалагічнай адукацыі.
Гілак Яні Associated Press. Супадзенне або несупадзенне паміж стылем навучання студэнта 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 публікацыі: 29 красавіка 2024 г.