Ekziston një nevojë në rritje për të mësuarit me në qendër studentin (SCL) në institucionet e arsimit të lartë, duke përfshirë stomatologjinë.Megjithatë, SCL ka aplikim të kufizuar në edukimin dentar.Prandaj, ky studim synon të promovojë aplikimin e SCL në stomatologji duke përdorur teknologjinë e mësimit të makinerisë së pemës së vendimeve (ML) për të hartuar stilin e preferuar të të mësuarit (LS) dhe strategjitë përkatëse të të mësuarit (IS) të studentëve stomatologjikë si një mjet i dobishëm për zhvillimin e udhëzimeve të IS. .Metoda premtuese për studentët e stomatologjisë.
Një total prej 255 studentësh dentarë nga Universiteti i Malajas plotësuan pyetësorin e modifikuar të Indeksit të Stileve të Mësimit (m-ILS), i cili përmbante 44 artikuj për t'i klasifikuar në LS-të e tyre përkatëse.Të dhënat e mbledhura (të quajtura një grup të dhënash) përdoren në mësimin e mbikqyrur të pemës së vendimeve për të përshtatur automatikisht stilet e të nxënit të studentëve me IS-në më të përshtatshme.Më pas vlerësohet saktësia e mjetit të rekomandimit IS të bazuar në mësimin e makinerive.
Zbatimi i modeleve të pemës së vendimit në një proces të automatizuar të hartës midis LS (input) dhe IS (outputi i synuar) lejon një listë të menjëhershme të strategjive të duhura të të mësuarit për çdo student stomatologjik.Mjeti i rekomandimit IS demonstroi saktësi të përsosur dhe rikujtim të saktësisë së përgjithshme të modelit, duke treguar se përputhja e LS me IS ka ndjeshmëri dhe specifikë të mirë.
Një mjet rekomandimi IS i bazuar në një pemë vendimi ML ka provuar aftësinë e tij për të përputhur me saktësi stilet e të mësuarit të studentëve stomatologjikë me strategjitë e duhura të të mësuarit.Ky mjet ofron opsione të fuqishme për planifikimin e kurseve ose moduleve me në qendër nxënësin që mund të përmirësojnë përvojën e të mësuarit të studentëve.
Mësimdhënia dhe të nxënit janë aktivitete themelore në institucionet arsimore.Kur zhvillohet një sistem arsimor profesional me cilësi të lartë, është e rëndësishme të përqendroheni në nevojat e të nxënit të studentëve.Ndërveprimi ndërmjet studentëve dhe mjedisit të tyre të të nxënit mund të përcaktohet nëpërmjet LS-së së tyre.Hulumtimet sugjerojnë se mospërputhjet e synuara nga mësuesi midis LS dhe IS të studentëve mund të kenë pasoja negative për të nxënit e studentëve, si ulja e vëmendjes dhe motivimit.Kjo në mënyrë indirekte do të ndikojë në performancën e studentëve [1,2].
IS është një metodë e përdorur nga mësuesit për të dhënë njohuri dhe aftësi te studentët, duke përfshirë ndihmën e studentëve për të mësuar [3].Në përgjithësi, mësuesit e mirë planifikojnë strategji mësimore ose IS që përputhen më mirë me nivelin e njohurive të nxënësve të tyre, konceptet që ata po mësojnë dhe fazën e tyre të të mësuarit.Teorikisht, kur LS dhe IS përputhen, studentët do të jenë në gjendje të organizojnë dhe përdorin një grup të caktuar aftësish për të mësuar në mënyrë efektive.Në mënyrë tipike, një plan mësimi përfshin disa kalime ndërmjet fazave, të tilla si nga mësimdhënia në praktikën e drejtuar ose nga praktika e drejtuar në praktikën e pavarur.Duke pasur parasysh këtë, mësuesit efektivë shpesh planifikojnë mësimdhënie me qëllimin e ndërtimit të njohurive dhe aftësive të nxënësve [4].
Kërkesa për SCL po rritet në institucionet e arsimit të lartë, përfshirë stomatologjinë.Strategjitë e SCL janë krijuar për të përmbushur nevojat e të nxënit të studentëve.Kjo mund të arrihet, për shembull, nëse studentët marrin pjesë aktivisht në aktivitetet e të mësuarit dhe mësuesit veprojnë si lehtësues dhe janë përgjegjës për të dhënë komente të vlefshme.Thuhet se ofrimi i materialeve dhe aktiviteteve mësimore që janë të përshtatshme për nivelin arsimor ose preferencat e studentëve mund të përmirësojnë mjedisin mësimor të studentëve dhe të promovojnë përvoja pozitive të të mësuarit [5].
Në përgjithësi, procesi i të mësuarit të studentëve stomatologjik ndikohet nga procedurat e ndryshme klinike që u kërkohet të kryejnë dhe mjedisi klinik në të cilin ata zhvillojnë aftësi efektive ndërpersonale.Qëllimi i trajnimit është t'u mundësojë studentëve të kombinojnë njohuritë bazë të stomatologjisë me aftësitë klinike stomatologjike dhe të zbatojnë njohuritë e fituara në situata të reja klinike [6, 7].Hulumtimet e hershme në marrëdhëniet midis LS dhe IS zbuluan se përshtatja e strategjive të të mësuarit të hartuara me LS të preferuar do të ndihmonte në përmirësimin e procesit arsimor [8].Autorët rekomandojnë gjithashtu përdorimin e metodave të ndryshme të mësimdhënies dhe vlerësimit për t'iu përshtatur të nxënit dhe nevojave të nxënësve.
Mësuesit përfitojnë nga aplikimi i njohurive të LS për t'i ndihmuar ata të hartojnë, zhvillojnë dhe zbatojnë udhëzime që do të përmirësojnë përvetësimin e njohurive më të thella nga studentët dhe të kuptuarit e lëndës.Studiuesit kanë zhvilluar disa mjete vlerësimi LS, të tilla si Modeli i Mësimit Eksperiencial Kolb, Modeli i stilit të të mësuarit Felder-Silverman (FSLSM) dhe Modeli Fleming VAK/VARK [5, 9, 10].Sipas literaturës, këto modele mësimore janë modelet më të përdorura dhe më të studiuara të të nxënit.Në punën kërkimore aktuale, FSLSM përdoret për të vlerësuar LS midis studentëve të stomatologjisë.
FSLSM është një model i përdorur gjerësisht për vlerësimin e të mësuarit adaptiv në inxhinieri.Ka shumë vepra të botuara në shkencat shëndetësore (përfshirë mjekësinë, infermierinë, farmacinë dhe stomatologjinë) që mund të gjenden duke përdorur modelet FSLSM [5, 11, 12, 13].Instrumenti i përdorur për të matur dimensionet e LS në FLSM quhet Index of Learning Styles (ILS) [8], i cili përmban 44 artikuj që vlerësojnë katër dimensionet e LS: përpunimi (aktiv/reflektues), perceptimi (perceptues/intuitiv). hyrje (vizuale)./verbale) dhe të kuptuarit (sekuencial/global) [14].
Siç tregohet në figurën 1, çdo dimension FSLSM ka një preferencë dominuese.Për shembull, në dimensionin e përpunimit, studentët me LS "aktive" preferojnë të përpunojnë informacionin duke ndërvepruar drejtpërdrejt me materialet mësimore, të mësojnë duke bërë dhe priren të mësojnë në grup.LS "reflektive" i referohet të mësuarit përmes të menduarit dhe preferon të punojë vetëm.Dimensioni "perceptues" i LS mund të ndahet në "ndjenjë" dhe/ose "intuitë".Nxënësit me “ndjenjë” preferojnë më shumë informacione konkrete dhe procedura praktike, janë të orientuar drejt fakteve në krahasim me studentët “intuitivë” që preferojnë materiale abstrakte dhe janë më inovativë dhe kreativë në natyrë.Dimensioni "input" i LS përbëhet nga nxënës "vizualë" dhe "verbalë".Njerëzit me LS "vizuale" preferojnë të mësojnë përmes demonstrimeve vizuale (të tilla si diagrame, video ose demonstrime të drejtpërdrejta), ndërsa njerëzit me LS "verbale" preferojnë të mësojnë përmes fjalëve në shpjegime me shkrim ose me gojë.Për të "kuptuar" dimensionet e LS-së, nxënës të tillë mund të ndahen në "sekuencial" dhe "global".“Nxënësit vijues preferojnë një proces linear të të menduarit dhe mësojnë hap pas hapi, ndërsa nxënësit globalë priren të kenë një proces të të menduarit holistik dhe gjithmonë të kenë një kuptim më të mirë të asaj që po mësojnë.
Kohët e fundit, shumë studiues kanë filluar të eksplorojnë metoda për zbulimin automatik të drejtuar nga të dhënat, duke përfshirë zhvillimin e algoritmeve dhe modeleve të reja të afta për të interpretuar sasi të mëdha të dhënash [15, 16].Bazuar në të dhënat e ofruara, ML e mbikëqyrur (mësimi i makinës) është në gjendje të gjenerojë modele dhe hipoteza që parashikojnë rezultatet e ardhshme bazuar në ndërtimin e algoritmeve [17].E thënë thjesht, teknikat e mbikëqyrura të mësimit të makinerive manipulojnë të dhënat hyrëse dhe trajnojnë algoritmet.Më pas gjeneron një gamë që klasifikon ose parashikon rezultatin bazuar në situata të ngjashme për të dhënat hyrëse të dhëna.Avantazhi kryesor i algoritmeve të mbikëqyrura të mësimit të makinerisë është aftësia e tij për të vendosur rezultate ideale dhe të dëshiruara [17].
Nëpërmjet përdorimit të metodave të drejtuara nga të dhënat dhe modeleve të kontrollit të pemës së vendimit, zbulimi automatik i LS është i mundur.Pemët e vendimit janë raportuar të përdoren gjerësisht në programet e trajnimit në fusha të ndryshme, duke përfshirë shkencat shëndetësore [18, 19].Në këtë studim, modeli u trajnua në mënyrë specifike nga zhvilluesit e sistemit për të identifikuar LS të studentëve dhe për të rekomanduar IS-në më të mirë për ta.
Qëllimi i këtij studimi është të zhvillojë strategji të ofrimit të IS bazuar në LS të studentëve dhe të zbatojë qasjen SCL duke zhvilluar një mjet rekomandimi të IS të hartuar me LS.Rrjedha e projektimit të mjetit të rekomandimit të IS si një strategji e metodës SCL është paraqitur në Figurën 1. Mjeti i rekomandimit IS është i ndarë në dy pjesë, duke përfshirë mekanizmin e klasifikimit LS duke përdorur ILS dhe ekranin më të përshtatshëm të IS për studentët.
Në veçanti, karakteristikat e mjeteve të rekomandimit të sigurisë së informacionit përfshijnë përdorimin e teknologjive të internetit dhe përdorimin e mësimit të makinës së pemës së vendimeve.Zhvilluesit e sistemit përmirësojnë përvojën dhe lëvizshmërinë e përdoruesit duke i përshtatur ato me pajisje celulare si telefonat celularë dhe tabletët.
Eksperimenti u krye në dy faza dhe studentë nga Fakulteti i Stomatologjisë në Universitetin e Malajas morën pjesë në baza vullnetare.Pjesëmarrësit iu përgjigjën m-ILS në internet të një studenti stomatologjik në anglisht.Në fazën fillestare, një grup të dhënash prej 50 studentësh u përdor për të trajnuar algoritmin e mësimit të makinës së pemës së vendimit.Në fazën e dytë të procesit të zhvillimit, një grup të dhënash prej 255 studentësh u përdor për të përmirësuar saktësinë e instrumentit të zhvilluar.
Të gjithë pjesëmarrësit marrin një informim online në fillim të çdo faze, në varësi të vitit akademik, nëpërmjet Microsoft Teams.U shpjegua qëllimi i studimit dhe u mor pëlqimi i informuar.Të gjithë pjesëmarrësve iu dha një lidhje për të hyrë në m-ILS.Secili student u udhëzua t'u përgjigjej të gjitha 44 pikave të pyetësorit.Atyre iu dha një javë për të përfunduar ILS të modifikuar në një kohë dhe vend të përshtatshëm për ta gjatë pushimit të semestrit përpara fillimit të semestrit.M-ILS është i bazuar në instrumentin origjinal ILS dhe i modifikuar për studentët e stomatologjisë.Ngjashëm me ILS origjinale, ai përmban 44 artikuj të shpërndarë në mënyrë të barabartë (a, b), me 11 artikuj secili, të cilët përdoren për të vlerësuar aspektet e secilit dimension FSLSM.
Gjatë fazave fillestare të zhvillimit të mjeteve, studiuesit shënuan manualisht hartat duke përdorur një grup të dhënash prej 50 studentësh dentarë.Sipas FSLM, sistemi siguron shumën e përgjigjeve "a" dhe "b".Për secilin dimension, nëse studenti zgjedh "a" si përgjigje, LS klasifikohet si Aktiv/Perceptues/Visual/Sekuencial dhe nëse studenti zgjedh "b" si përgjigje, studenti klasifikohet si Reflektues/Intuitiv/Gjuhësor. ./ nxënës global.
Pas kalibrimit të rrjedhës së punës ndërmjet studiuesve të edukimit dentar dhe zhvilluesve të sistemit, pyetjet u zgjodhën bazuar në domenin FLSSM dhe u futën në modelin ML për të parashikuar LS të çdo studenti."Garbage in, garbage out" është një thënie popullore në fushën e mësimit të makinerive, me theks në cilësinë e të dhënave.Cilësia e të dhënave hyrëse përcakton saktësinë dhe saktësinë e modelit të mësimit të makinës.Gjatë fazës së inxhinierisë së veçorive, krijohet një grup i ri karakteristikash i cili është shuma e përgjigjeve "a" dhe "b" bazuar në FLSSM.Numrat e identifikimit të pozicioneve të barnave janë dhënë në tabelën 1.
Llogaritni rezultatin në bazë të përgjigjeve dhe përcaktoni LS-në e nxënësit.Për secilin student, diapazoni i rezultateve është nga 1 deri në 11. Pikët nga 1 në 3 tregojnë një ekuilibër të preferencave të të mësuarit brenda të njëjtit dimension, dhe pikët nga 5 deri në 7 tregojnë një preferencë të moderuar, që tregon se studentët priren të preferojnë një mjedis duke u mësuar të tjerëve .Një tjetër variacion në të njëjtin dimension është se rezultatet nga 9 në 11 pasqyrojnë një preferencë të fortë për njërin ose tjetrin [8].
Për çdo dimension, drogat u grupuan në "aktive", "reflektuese" dhe "të balancuara".Për shembull, kur një student përgjigjet "a" më shpesh se "b" në një artikull të caktuar dhe rezultati i tij/saj tejkalon pragun e 5 për një artikull të caktuar që përfaqëson dimensionin LS të përpunimit, ai/ajo i përket LS "aktive". domain..Megjithatë, studentët u klasifikuan si LS "reflektuese" kur zgjodhën "b" më shumë se "a" në 11 pyetje specifike (Tabela 1) dhe shënuan më shumë se 5 pikë.Më në fund, studenti është në një gjendje "ekuilibri".Nëse rezultati nuk i kalon 5 pikë, atëherë ky është një "proces" LS.Procesi i klasifikimit u përsërit për dimensionet e tjera të LS-së, përkatësisht perceptimin (aktiv/reflektues), hyrjen (vizual/verbal) dhe të kuptuarit (sekuencial/global).
Modelet e pemës së vendimeve mund të përdorin nëngrupe të ndryshme karakteristikash dhe rregullash vendimi në faza të ndryshme të procesit të klasifikimit.Konsiderohet si një mjet popullor klasifikimi dhe parashikimi.Ajo mund të përfaqësohet duke përdorur një strukturë peme të tillë si një grafik rrjedhash [20], në të cilën ka nyje të brendshme që përfaqësojnë testet sipas atributeve, secila degë përfaqëson rezultatet e testimit dhe çdo nyje fletë (nyje fletë) përmban një etiketë klase.
Një program i thjeshtë i bazuar në rregulla u krijua për të shënuar automatikisht dhe për të shënuar LS të secilit student bazuar në përgjigjet e tyre.Bazuar në rregulla merr formën e një deklarate IF, ku "IF" përshkruan shkasin dhe "THEN" specifikon veprimin që do të kryhet, për shembull: "Nëse X ndodh, atëherë bëni Y" (Liu et al., 2014).Nëse grupi i të dhënave shfaq korrelacion dhe modeli i pemës së vendimit është trajnuar dhe vlerësuar siç duhet, kjo qasje mund të jetë një mënyrë efektive për të automatizuar procesin e përputhjes së LS dhe IS.
Në fazën e dytë të zhvillimit, grupi i të dhënave u rrit në 255 për të përmirësuar saktësinë e mjetit të rekomandimit.Seti i të dhënave është i ndarë në një raport 1:4.25% (64) e grupit të të dhënave u përdor për grupin e testimit dhe pjesa e mbetur 75% (191) u përdor si grup trajnimi (Figura 2).Grupi i të dhënave duhet të ndahet për të parandaluar që modeli të trajnohet dhe testohet në të njëjtin grup të dhënash, gjë që mund të bëjë që modeli të mbajë mend në vend që të mësojë.Modeli është trajnuar në grupin e trajnimit dhe vlerëson performancën e tij në grupin e testimit - të dhëna që modeli nuk i ka parë kurrë më parë.
Pasi të zhvillohet mjeti IS, aplikacioni do të jetë në gjendje të klasifikojë LS bazuar në përgjigjet e studentëve të stomatologjisë nëpërmjet një ndërfaqeje në internet.Sistemi i rekomandimeve për sigurinë e informacionit të bazuar në ueb është ndërtuar duke përdorur gjuhën e programimit Python duke përdorur kornizën Django si bazë.Tabela 2 liston bibliotekat e përdorura në zhvillimin e këtij sistemi.
Të dhënat i futet një modeli të pemës së vendimit për të llogaritur dhe nxjerrë përgjigjet e studentëve për të klasifikuar automatikisht matjet e LS të studentëve.
Matrica e konfuzionit përdoret për të vlerësuar saktësinë e një algoritmi të mësimit të makinës së pemës së vendimit në një grup të dhënash të caktuar.Në të njëjtën kohë, ai vlerëson performancën e modelit të klasifikimit.Ai përmbledh parashikimet e modelit dhe i krahason ato me etiketat aktuale të të dhënave.Rezultatet e vlerësimit bazohen në katër vlera të ndryshme: Pozitive e vërtetë (TP) – modeli parashikoi saktë kategorinë pozitive, Pozitive e rreme (FP) – modeli parashikoi kategorinë pozitive, por etiketa e vërtetë ishte negative, Negative e vërtetë (TN) – modeli parashikoi saktë klasën negative, dhe negative e rreme (FN) - Modeli parashikon një klasë negative, por etiketa e vërtetë është pozitive.
Këto vlera përdoren më pas për të llogaritur metrika të ndryshme të performancës të modelit të klasifikimit të mësimit scikit në Python, përkatësisht saktësinë, saktësinë, rikujtimin dhe rezultatin F1.Këtu janë shembuj:
Recall (ose ndjeshmëria) mat aftësinë e modelit për të klasifikuar me saktësi LS të një studenti pasi t'i përgjigjet pyetësorit m-ILS.
Specifikimi quhet një normë e vërtetë negative.Siç mund ta shihni nga formula e mësipërme, ky duhet të jetë raporti i negativëve të vërtetë (TN) ndaj negativëve të vërtetë dhe pozitivëve të rremë (FP).Si pjesë e mjetit të rekomanduar për klasifikimin e barnave të studentëve, ai duhet të jetë i aftë për identifikim të saktë.
Të dhënat origjinale të 50 studentëve të përdorur për të trajnuar modelin ML të pemës së vendimeve treguan saktësi relativisht të ulët për shkak të gabimit njerëzor në shënime (Tabela 3).Pas krijimit të një programi të thjeshtë të bazuar në rregulla për të llogaritur automatikisht rezultatet LS dhe shënimet e studentëve, një numër në rritje i grupeve të të dhënave (255) u përdorën për të trajnuar dhe testuar sistemin e rekomanduesve.
Në matricën e konfuzionit me shumë klasa, elementët diagonale përfaqësojnë numrin e parashikimeve të sakta për çdo lloj LS (Figura 4).Duke përdorur modelin e pemës së vendimit, gjithsej 64 mostra u parashikuan saktë.Kështu, në këtë studim, elementët diagonale tregojnë rezultatet e pritura, duke treguar se modeli performon mirë dhe parashikon saktë etiketën e klasës për çdo klasifikim LS.Kështu, saktësia e përgjithshme e mjetit të rekomandimit është 100%.
Vlerat e saktësisë, saktësisë, rikujtimit dhe rezultatit F1 tregohen në Figurën 5. Për sistemin e rekomandimit që përdor modelin e pemës së vendimit, rezultati i tij F1 është 1.0 "perfekt", që tregon saktësi dhe rikujtim të përsosur, duke reflektuar ndjeshmëri dhe specifikë të konsiderueshme. vlerat.
Figura 6 tregon një vizualizim të modelit të pemës së vendimit pas përfundimit të trajnimit dhe testimit.Në një krahasim krah për krah, modeli i pemës së vendimit të trajnuar me më pak karakteristika tregoi saktësi më të lartë dhe vizualizim më të lehtë të modelit.Kjo tregon se inxhinieria e veçorive që çon në reduktimin e veçorive është një hap i rëndësishëm në përmirësimin e performancës së modelit.
Duke aplikuar mësimin e mbikëqyrur nga pema e vendimeve, hartëzimi midis LS (hyrje) dhe IS (dalja e synuar) gjenerohet automatikisht dhe përmban informacion të detajuar për çdo LS.
Rezultatet treguan se 34.9% e 255 studentëve preferuan një (1) opsion LS.Shumica (54.3%) kishin dy ose më shumë preferenca LS.12.2% e studentëve vunë re se LS është mjaft e balancuar (Tabela 4).Përveç tetë LS kryesore, ekzistojnë 34 kombinime të klasifikimeve LS për studentët e stomatologjisë në Universitetin e Malajas.Midis tyre, perceptimi, vizioni dhe kombinimi i perceptimit dhe vizionit janë LS kryesore të raportuara nga studentët (Figura 7).
Siç mund të shihet nga Tabela 4, shumica e studentëve kishin një LS mbizotëruese shqisore (13.7%) ose vizuale (8.6%).Është raportuar se 12.2% e studentëve kanë kombinuar perceptimin me vizionin (LS perceptual-vizuale).Këto gjetje sugjerojnë që studentët preferojnë të mësojnë dhe të mbajnë mend përmes metodave të vendosura, të ndjekin procedura specifike dhe të detajuara dhe të jenë të vëmendshëm në natyrë.Në të njëjtën kohë, ata kënaqen të mësojnë duke shikuar (duke përdorur diagrame, etj.) dhe priren të diskutojnë dhe zbatojnë informacionin në grup ose vetë.
Ky studim ofron një përmbledhje të teknikave të mësimit të makinerive të përdorura në nxjerrjen e të dhënave, me fokus në parashikimin e menjëhershëm dhe të saktë të LS të studentëve dhe rekomandimin e IS të përshtatshme.Zbatimi i një modeli të pemës së vendimeve identifikoi faktorët më të lidhur me jetën dhe përvojat e tyre arsimore.Është një algoritëm i mbikëqyrur i mësimit të makinerive që përdor një strukturë peme për të klasifikuar të dhënat duke ndarë një grup të dhënash në nënkategori bazuar në kritere të caktuara.Ai funksionon duke i ndarë në mënyrë rekursive të dhënat hyrëse në nënbashkësi bazuar në vlerën e një prej veçorive hyrëse të secilës nyje të brendshme derisa të merret një vendim në nyjen e gjetheve.
Nyjet e brendshme të pemës së vendimit përfaqësojnë zgjidhjen e bazuar në karakteristikat hyrëse të problemit m-ILS, dhe nyjet e gjetheve përfaqësojnë parashikimin përfundimtar të klasifikimit LS.Gjatë gjithë studimit, është e lehtë të kuptohet hierarkia e pemëve të vendimeve që shpjegojnë dhe vizualizojnë procesin e vendimit duke parë marrëdhënien midis veçorive të hyrjes dhe parashikimeve të daljes.
Në fushat e shkencës kompjuterike dhe inxhinierisë, algoritmet e mësimit të makinerive përdoren gjerësisht për të parashikuar performancën e studentëve bazuar në rezultatet e tyre të provimit pranues [21], informacionin demografik dhe sjelljen e të mësuarit [22].Hulumtimet treguan se algoritmi parashikonte me saktësi performancën e studentëve dhe i ndihmoi ata të identifikonin studentët në rrezik për vështirësi akademike.
Është raportuar aplikimi i algoritmeve ML në zhvillimin e simulatorëve virtualë të pacientëve për trajnimin dentar.Simulatori është i aftë të riprodhojë me saktësi përgjigjet fiziologjike të pacientëve realë dhe mund të përdoret për të trajnuar studentët stomatologjikë në një mjedis të sigurt dhe të kontrolluar [23].Disa studime të tjera tregojnë se algoritmet e mësimit të makinerive mund të përmirësojnë potencialisht cilësinë dhe efikasitetin e edukimit dentar dhe mjekësor dhe kujdesit ndaj pacientit.Algoritmet e mësimit të makinerisë janë përdorur për të ndihmuar në diagnostikimin e sëmundjeve dentare bazuar në grupe të dhënash si simptomat dhe karakteristikat e pacientit [24, 25].Ndërsa studime të tjera kanë eksploruar përdorimin e algoritmeve të mësimit të makinerive për të kryer detyra të tilla si parashikimi i rezultateve të pacientit, identifikimi i pacientëve me rrezik të lartë, zhvillimi i planeve të trajtimit të personalizuar [26], trajtimi periodontal [27] dhe trajtimi i kariesit [25].
Megjithëse janë publikuar raporte mbi aplikimin e mësimit të makinerive në stomatologji, aplikimi i tij në edukimin dentar mbetet i kufizuar.Prandaj, ky studim synoi të përdorte një model të pemës së vendimeve për të identifikuar faktorët më të lidhur me LS dhe IS tek studentët e stomatologjisë.
Rezultatet e këtij studimi tregojnë se mjeti rekomandues i zhvilluar ka saktësi të lartë dhe saktësi perfekte, gjë që tregon se mësuesit mund të përfitojnë nga ky mjet.Duke përdorur një proces klasifikimi të drejtuar nga të dhënat, ai mund të ofrojë rekomandime të personalizuara dhe të përmirësojë përvojat dhe rezultatet arsimore për edukatorët dhe studentët.Midis tyre, informacioni i marrë nëpërmjet mjeteve rekomanduese mund të zgjidhë konfliktet midis metodave të preferuara të mësimdhënies nga mësuesit dhe nevojave të nxënësve për të mësuar.Për shembull, për shkak të prodhimit të automatizuar të mjeteve të rekomandimit, koha e nevojshme për të identifikuar IP-në e një studenti dhe për ta përshtatur atë me IP-në përkatëse do të reduktohet ndjeshëm.Në këtë mënyrë, mund të organizohen aktivitete të përshtatshme trajnimi dhe materiale trajnimi.Kjo ndihmon në zhvillimin e sjelljes pozitive të të mësuarit dhe aftësisë së nxënësve për t'u përqendruar.Një studim raportoi se ofrimi i studentëve me materiale mësimore dhe aktivitete mësimore që përputhen me LS-në e tyre të preferuar mund t'i ndihmojë studentët të integrohen, përpunojnë dhe shijojnë mësimin në mënyra të shumta për të arritur një potencial më të madh [12].Hulumtimet tregojnë gjithashtu se përveç përmirësimit të pjesëmarrjes së studentëve në klasë, të kuptuarit e procesit të të nxënit të studentëve gjithashtu luan një rol kritik në përmirësimin e praktikave të mësimdhënies dhe komunikimit me studentët [28, 29].
Megjithatë, si me çdo teknologji moderne, ka probleme dhe kufizime.Këto përfshijnë çështje që lidhen me privatësinë e të dhënave, paragjykimet dhe drejtësinë, si dhe aftësitë dhe burimet profesionale të nevojshme për zhvillimin dhe zbatimin e algoritmeve të mësimit të makinerive në edukimin dentar;Megjithatë, interesi dhe kërkimi në rritje në këtë fushë sugjeron që teknologjitë e mësimit të makinerive mund të kenë një ndikim pozitiv në edukimin dentar dhe shërbimet dentare.
Rezultatet e këtij studimi tregojnë se gjysma e studentëve të stomatologjisë kanë një tendencë për të “perceptuar” barnat.Ky lloj nxënësi ka një preferencë për fakte dhe shembuj konkretë, një orientim praktik, durim për detaje dhe një preferencë "vizuale" LS, ku nxënësit preferojnë të përdorin figura, grafika, ngjyra dhe harta për të përcjellë ide dhe mendime.Rezultatet aktuale janë në përputhje me studimet e tjera që përdorin ILS për të vlerësuar LS në studentët e stomatologjisë dhe mjekësisë, shumica e të cilëve kanë karakteristika të LS perceptuese dhe vizuale [12, 30].Dalmolin et al sugjerojnë që informimi i studentëve për LS-në e tyre i lejon ata të arrijnë potencialin e tyre të të mësuarit.Studiuesit argumentojnë se kur mësuesit e kuptojnë plotësisht procesin arsimor të studentëve, mund të zbatohen metoda dhe aktivitete të ndryshme mësimore që do të përmirësojnë performancën dhe përvojën e të nxënit të nxënësve [12, 31, 32].Studime të tjera kanë treguar se rregullimi i LS-së së studentëve tregon gjithashtu përmirësime në përvojën dhe performancën e të mësuarit të studentëve pas ndryshimit të stileve të tyre të të mësuarit për t'iu përshtatur LS-së së tyre [13, 33].
Mendimet e mësuesve mund të ndryshojnë në lidhje me zbatimin e strategjive të mësimdhënies bazuar në aftësitë mësimore të nxënësve.Ndërsa disa shohin përfitimet e kësaj qasjeje, duke përfshirë mundësitë e zhvillimit profesional, mentorimin dhe mbështetjen e komunitetit, të tjerët mund të shqetësohen për kohën dhe mbështetjen institucionale.Përpjekja për ekuilibër është çelësi për të krijuar një qëndrim me në qendër studentin.Autoritetet e arsimit të lartë, si administratorët e universiteteve, mund të luajnë një rol të rëndësishëm në nxitjen e ndryshimeve pozitive duke futur praktika inovative dhe duke mbështetur zhvillimin e fakultetit [34].Për të krijuar një sistem të vërtetë dinamik dhe të përgjegjshëm të arsimit të lartë, politikëbërësit duhet të ndërmarrin hapa të guximshëm, të tillë si bërja e ndryshimeve të politikave, kushtimi i burimeve për integrimin e teknologjisë dhe krijimi i kornizave që promovojnë qasje me në qendër studentin.Këto masa janë kritike për të arritur rezultatet e dëshiruara.Hulumtimet e fundit mbi mësimdhënien e diferencuar kanë treguar qartë se zbatimi i suksesshëm i mësimdhënies së diferencuar kërkon trajnim të vazhdueshëm dhe mundësi zhvillimi për mësuesit [35].
Ky mjet ofron mbështetje të vlefshme për edukatorët stomatologjikë të cilët dëshirojnë të kenë një qasje me në qendër studentin për planifikimin e aktiviteteve mësimore miqësore ndaj studentëve.Megjithatë, ky studim është i kufizuar në përdorimin e modeleve ML të pemës së vendimit.Në të ardhmen, duhet të mblidhen më shumë të dhëna për të krahasuar performancën e modeleve të ndryshme të mësimit të makinerive për të krahasuar saktësinë, besueshmërinë dhe saktësinë e mjeteve të rekomandimit.Për më tepër, kur zgjidhni metodën më të përshtatshme të mësimit të makinerive për një detyrë të caktuar, është e rëndësishme të merren parasysh faktorë të tjerë si kompleksiteti dhe interpretimi i modelit.
Një kufizim i këtij studimi është se ai u fokusua vetëm në hartimin e LS dhe IS midis studentëve të stomatologjisë.Prandaj, sistemi i zhvilluar i rekomandimeve do të rekomandojë vetëm ato që janë të përshtatshme për studentët e stomatologjisë.Ndryshimet janë të nevojshme për përdorimin e studentëve të arsimit të lartë.
Mjeti i rekomanduar i sapokrijuar i bazuar në mësimin e makinerive është i aftë të klasifikojë dhe përputhë menjëherë LS të studentëve me IS-në përkatëse, duke e bërë atë programin e parë të edukimit dentar që ndihmon edukatorët dentarë të planifikojnë aktivitetet përkatëse të mësimdhënies dhe mësimit.Duke përdorur një proces triazhi të drejtuar nga të dhënat, ai mund të ofrojë rekomandime të personalizuara, të kursejë kohë, të përmirësojë strategjitë e mësimdhënies, të mbështesë ndërhyrjet e synuara dhe të promovojë zhvillimin e vazhdueshëm profesional.Aplikimi i tij do të promovojë qasje me në qendër studentin për edukimin dentar.
Gilak Jani Associated Press.Përputhja ose mospërputhja midis stilit të të nxënit të nxënësit dhe stilit të mësimdhënies së mësuesit.Int J Mod Educ Shkenca Kompjuterike.2012; 4 (11): 51-60.https://doi.org/10.5815/ijmecs.2012.11.05
Koha e postimit: 29 Prill 2024