Ekziston një nevojë në rritje për mësim të përqendruar tek studentët (SCL) në institucionet e arsimit të lartë, përfshirë stomatologjinë. Sidoqoftë, SCL ka aplikim të kufizuar në arsimin dentar. Prandaj, ky studim synon të promovojë aplikimin e SCL në stomatologji duke përdorur teknologjinë e mësimit të makinerive të pemëve të vendimeve (ML) për të hartuar stilin e preferuar të të mësuarit (LS) dhe strategjitë përkatëse të të mësuarit (IS) të studentëve dentar si një mjet i dobishëm për zhvillimin është udhëzime . Metodat premtuese për studentët e dhëmbëve.
Një total prej 255 studentësh të dhëmbëve nga Universiteti i Malaya përfunduan pyetësorin e Indeksit të Modifikuar të Stileve të Mësimit (M-ILS), i cili përmbante 44 artikuj për t'i klasifikuar ato në LSS-në e tyre përkatëse. Të dhënat e mbledhura (të quajtura të dhëna) përdoren në të mësuarit e pemëve të mbikëqyrjes për të përputhur automatikisht stilet e të mësuarit të studentëve me më të përshtatshmet. Saktësia e mjetit të rekomandimit të bazuar në mësimin e makinerisë është vlerësuar më pas.
Zbatimi i modeleve të pemëve të vendimeve në një proces të automatizuar të hartës midis LS (input) dhe është (rezultati i synuar) lejon një listë të menjëhershme të strategjive të duhura të të mësuarit për secilin student dentar. Mjeti i rekomandimit IS demonstroi saktësi të përsosur dhe kujtesë të saktësisë së përgjithshme të modelit, duke treguar që përputhja e LS me është ndjeshmëri dhe specifikim i mirë.
Një mjet i rekomandimit IS bazuar në një pemë vendimmarrjeje ML ka provuar aftësinë e tij për të përputhur me saktësi stilet e të mësuarit të studentëve të dhëmbëve me strategjitë e duhura të të mësuarit. Ky mjet ofron mundësi të fuqishme për planifikimin e kurseve ose moduleve të përqendruara në nxënës që mund të përmirësojnë përvojën e të mësuarit të studentëve.
Mësimi dhe mësimi janë aktivitete themelore në institucionet arsimore. Kur zhvilloni një sistem arsimor profesional me cilësi të lartë, është e rëndësishme të përqendroheni në nevojat e të mësuarit të studentëve. Ndërveprimi midis studentëve dhe mjedisit të tyre të të mësuarit mund të përcaktohet përmes LS -së së tyre. Hulumtimet sugjerojnë që mospërputhjet e synuara nga mësuesit midis LS të studentëve dhe IS mund të kenë pasoja negative për mësimin e studentëve, siç është ulja e vëmendjes dhe motivimi. Kjo indirekt do të ndikojë në performancën e studentëve [1,2].
IS është një metodë e përdorur nga mësuesit për të dhënë njohuri dhe aftësi për studentët, përfshirë ndihmën e studentëve të mësojnë [3]. Në përgjithësi, mësuesit e mirë planifikojnë strategji mësimore ose është që më së miri përputhen me nivelin e njohurive të studentëve të tyre, konceptet që ata po mësojnë dhe fazën e tyre të të mësuarit. Teorikisht, kur LS dhe të përputhen, studentët do të jenë në gjendje të organizojnë dhe përdorin një grup specifik aftësish për të mësuar në mënyrë efektive. Në mënyrë tipike, një plan mësimor përfshin disa tranzicione midis fazave, të tilla si nga mësimi në praktikën e drejtuar ose nga praktika e drejtuar në praktikën e pavarur. Duke pasur parasysh këtë, mësuesit efektivë shpesh planifikojnë udhëzime me qëllimin e ndërtimit të njohurive dhe aftësive të studentëve [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 mësuarit të studentëve. Kjo mund të arrihet, për shembull, nëse studentët marrin pjesë në mënyrë aktive në aktivitetet mësimore dhe mësuesit veprojnë si lehtësues dhe janë përgjegjës për sigurimin e një reagimi të vlefshëm. Thuhet se sigurimi i materialeve mësimore dhe aktiviteteve që janë të përshtatshme për nivelin arsimor të studentëve ose preferencat mund të përmirësojnë mjedisin e të mësuarit të studentëve dhe të promovojnë përvoja pozitive të të mësuarit [5].
Në përgjithësi, procesi i mësimit të studentëve të dhëmbëve ndikohet nga procedurat e ndryshme klinike që ata kërkohen për të kryer dhe mjedisi klinik në të cilin ata zhvillojnë aftësi efektive ndërnjerëzore. Qëllimi i trajnimit është t'u mundësojë studentëve të ndërthurin njohuritë themelore të stomatologjisë me aftësitë klinike dentare dhe të zbatojnë njohuritë e fituara në situata të reja klinike [6, 7]. Hulumtimi i hershëm për marrëdhëniet midis LS dhe është zbuluar se rregullimi i strategjive të të mësuarit të hartuar në LS të preferuar do të ndihmonte në përmirësimin e procesit arsimor [8]. Autorët gjithashtu rekomandojnë përdorimin e një sërë metodash mësimore dhe vlerësimi për t'u përshtatur me mësimin dhe nevojat e studentëve.
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 studentëve për njohuri dhe kuptim më të thellë të lëndës. Studiuesit kanë zhvilluar disa mjete të vlerësimit të LS, të tilla si modeli i të mësuarit eksperimental KOLB, modeli i stilit të të mësuarit Felder-Silverman (FSLSM) dhe modeli Fleming VAK/VARK [5, 9, 10]. Sipas literaturës, këto modele të të mësuarit janë modelet më të përdorura më të përdorura dhe më të studiuara. Në punën e tanishme kërkimore, FSLSM përdoret për të vlerësuar LS midis studentëve të dhëmbëve.
FSLSM është një model i përdorur gjerësisht për vlerësimin e mësimit adaptiv në inxhinieri. Ka shumë vepra të botuara në shkencat e shëndetit (përfshirë ilaçin, infermierinë, farmacinë dhe stomatologjinë) që mund të gjenden duke përdorur modele FSLSM [5, 11, 12, 13]. Instrumenti i përdorur për të matur dimensionet e LS në FLSM quhet Indeksi i Stileve të Mësimit (ILS) [8], i cili përmban 44 artikuj që vlerësojnë katër dimensione të LS: Përpunimi (aktiv/reflektues), perceptimi (perceptues/intuitiv), input (vizual). /verbal) dhe mirëkuptim (sekuencial/global) [14].
Siç tregohet në Figurën 1, çdo dimension FSLSM ka një preferencë mbizotëruese. Për shembull, në dimensionin e përpunimit, studentët me "aktiv" preferojnë të përpunojnë informacione duke bashkëvepruar drejtpërdrejt me materialet mësimore, të mësojnë duke bërë dhe kanë tendencë të mësojnë në grupe. LS "reflektuese" i referohet mësimit përmes të menduarit dhe preferon të punojë vetëm. Dimensioni "perceptues" i LS mund të ndahet në "ndjenjë" dhe/ose "intuitë". Studentët "duke ndjerë" preferojnë më shumë informacion konkret dhe procedura praktike, janë të orientuara nga fakti në krahasim me studentët "intuitiv" që preferojnë materialin abstrakt dhe janë më inovative dhe më krijuese në natyrë. Dimensioni "input" i LS përbëhet nga nxënës "vizual" dhe "verbal". Njerëzit me "vizuale" preferojnë të mësojnë përmes demonstrimeve vizuale (të tilla si diagrama, video ose demonstrime të drejtpërdrejta), ndërsa njerëzit me "verbal" preferojnë të mësojnë përmes fjalëve në shpjegime me shkrim ose me gojë. Për të "kuptuar" dimensionet e LS, nxënës të tillë mund të ndahen në "sekuenciale" dhe "globale". "Nxënësit sekuencialë preferojnë një proces të mendimit linear dhe mësojnë hap pas hapi, ndërsa nxënësit globalë kanë tendencë të kenë një proces mendimi holistik dhe gjithmonë të kenë një kuptim më të mirë të asaj që mësojnë.
Kohët e fundit, shumë studiues kanë filluar të eksplorojnë metodat 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 të dhënave [15, 16]. Bazuar në të dhënat e dhëna, ML e mbikëqyrur (Mësimi i Makinerisë) 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 makinerisë manipulojnë të dhënat e hyrjes dhe algoritmet e trenave. Pastaj gjeneron një gamë që klasifikon ose parashikon rezultatin bazuar në situata të ngjashme për të dhënat e dhëna të dhëna. Avantazhi kryesor i algoritmeve të mbikëqyrjes së mësimit të makinerisë është aftësia e tij për të krijuar rezultate ideale dhe të dëshiruara [17].
Përmes përdorimit të metodave të drejtuara nga të dhënat dhe modeleve të kontrollit të pemëve të vendimeve, zbulimi automatik i LS është i mundur. Pemët e vendimeve janë raportuar të përdoren gjerësisht në programet e trajnimit në fusha të ndryshme, përfshirë shkencat shëndetësore [18, 19]. Në këtë studim, modeli u trajnua posaçërisht nga zhvilluesit e sistemit për të identifikuar LS -të e studentëve dhe rekomandojnë më të mirën është për ta.
Qëllimi i këtij studimi është të zhvillojë është strategjitë e shpërndarjes bazuar në ls të studentëve dhe të aplikoni qasjen SCL duke zhvilluar një mjet rekomandimi IS të hartuar në LS. Rrjedha e projektimit të mjetit të rekomandimit IS si një strategji e metodës SCL është treguar në figurën 1. Mjeti i rekomandimit IS është i ndarë në dy pjesë, duke përfshirë mekanizmin e klasifikimit LS duke përdorur ILS dhe më i përshtatshmi është shfaqja për studentët.
Në veçanti, karakteristikat e mjeteve të rekomandimit të sigurisë së informacionit përfshijnë përdorimin e teknologjive në internet dhe përdorimin e mësimit të makinerisë së pemëve të vendimeve. Zhvilluesit e sistemit përmirësojnë përvojën e përdoruesit dhe lëvizshmërinë duke i përshtatur ato në pajisjet e lëvizshme siç janë telefonat celularë dhe tabletët.
Eksperimenti u krye në dy faza dhe studentë nga Fakulteti i Stomatologjisë në Universitetin e Malaya morën pjesë në baza vullnetare. Pjesëmarrësit iu përgjigjën M-IL-ve të një studenti dentar në anglisht. Në fazën fillestare, u përdor një bazë e të dhënave prej 50 studentësh për të trajnuar algoritmin e mësimit të makinerisë së vendimeve. Në fazën e dytë të procesit të zhvillimit, u përdor një bazë e të dhënave prej 255 studentësh për të përmirësuar saktësinë e instrumentit të zhvilluar.
Të gjithë pjesëmarrësit marrin një konferencë në internet në fillim të secilës fazë, në varësi të vitit akademik, përmes ekipeve të Microsoft. Qëllimi i studimit u shpjegua dhe u mor pëlqimi i informuar. Të gjithë pjesëmarrësve iu dha një lidhje për të hyrë në M-ILS. Studentdo student u udhëzua të përgjigjej në të gjitha 44 artikujt në pyetësor. Atyre iu dha një javë për të përfunduar IL -të e modifikuar në një kohë dhe vendndodhje të përshtatshme për ta gjatë pushimit të semestrit para fillimit të semestrit. M-ILS bazohet në instrumentin origjinal ILS dhe modifikohet për studentët e dhëmbëve. Ngjashëm me IL -të origjinale, ai përmban 44 artikuj të shpërndarë në mënyrë të barabartë (A, B), me 11 artikuj secila, të cilat përdoren për të vlerësuar aspektet e secilit dimension FSLSM.
Gjatë fazave fillestare të zhvillimit të mjeteve, studiuesit shënuan manualisht hartat duke përdorur një bazë të dhënash prej 50 studentësh të dhëmbëve. Sipas FSLM, sistemi jep shumën e përgjigjeve "A" dhe "B". Për secilin dimension, nëse studenti zgjedh "A" si përgjigje, LS klasifikohet si aktiv/perceptues/vizual/sekuencial, dhe nëse studenti zgjedh "B" si përgjigje, studenti klasifikohet si reflektues/intuitiv/gjuhësor . / Nxënësi global.
Pas kalibrimit të rrjedhës së punës midis studiuesve të arsimit dentar dhe zhvilluesve të sistemit, pyetjet u zgjodhën bazuar në fushën FLSSM dhe u futën në modelin ML për të parashikuar LS të secilit student. "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 makinerisë. Gjatë fazës së inxhinierisë së veçorive, krijohet një grup i ri i veçorive i cili është shuma e përgjigjeve "A" dhe "B" bazuar në FLSSM. Numrat e identifikimit të pozicioneve të drogës janë dhënë në Tabelën 1.
Llogaritni rezultatin bazuar në përgjigjet dhe përcaktoni LS -në e studentit. Për secilin student, diapazoni i rezultateve është nga 1 deri në 11. Rezultatet nga 1 në 3 tregojnë një ekuilibër të preferencave të të mësuarit brenda të njëjtit dimension, dhe rezultatet nga 5 në 7 tregojnë një preferencë të moderuar, duke treguar që studentët priren të preferojnë një mjedis që u mëson të tjerëve të tjerët që mësojnë të tjerët . Një tjetër ndryshim në të njëjtin dimension është se rezultatet nga 9 në 11 pasqyrojnë një preferencë të fortë për njërën anë ose tjetrën [8].
Për secilin dimension, ilaçet u grupuan në "aktiv", "reflektues" dhe "të ekuilibruar". Për shembull, kur një student i përgjigjet "A" më shpesh sesa "B" në një artikull të caktuar dhe rezultati i tij/saj tejkalon pragun e 5 për një artikull të veçantë që përfaqëson dimensionin e përpunimit LS, ai/ajo i përket "LS Active" LS fusha . Sidoqoftë, studentët u klasifikuan si LS "reflektuese" kur ata zgjodhën "B" më shumë sesa "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 kalon 5 pikë, atëherë kjo është një "proces" LS. Procesi i klasifikimit u përsërit për dimensionet e tjera LS, përkatësisht perceptimin (aktiv/reflektues), input (vizual/verbal) dhe të kuptuarit (sekuencial/global).
Modelet e pemëve të vendimeve mund të përdorin nënndarje të ndryshme të veçorive dhe rregullave të vendimeve në faza të ndryshme të procesit të klasifikimit. Konsiderohet një mjet i klasifikimit dhe parashikimit të popullarizuar. Mund të përfaqësohet duke përdorur një strukturë peme siç është një grafik i rrjedhës [20], në të cilën ka nyje të brendshme që përfaqësojnë teste me atribut, secila degë që përfaqëson rezultatet e provës dhe secilën nyje gjethe (nyje gjethe) që përmban një etiketë klasore.
Një program i thjeshtë i bazuar në rregull u krijua për të shënuar automatikisht dhe shënuar LS-në e secilit student bazuar në përgjigjet e tyre. Bazuar në rregull merr formën e një deklarate IF, ku "nëse" përshkruan shkas dhe "atëherë" 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 është.
Në fazën e dytë të zhvillimit, të dhënat e të dhënave u rritën në 255 për të përmirësuar saktësinë e mjetit të rekomandimit. Grupi i të dhënave është i ndarë në një raport 1: 4. 25% (64) e grupit të të dhënave u përdorën për grupin e provës, dhe pjesa e mbetur 75% (191) është përdorur si grup trajnimi (Figura 2). Grupi i të dhënave duhet të ndahet për të parandaluar që modeli të trainohet dhe testohet në të njëjtin grup të të dhënave, gjë që mund të bëjë që modeli të kujtojë sesa të mësojë. Modeli është i trajnuar në grupin e trajnimit dhe vlerëson performancën e tij në grupin e provës - të dhënat e modelit nuk 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 dhëmbëve përmes një ndërfaqe në internet. Sistemi i mjeteve të rekomandimit të sigurisë së informacionit të bazuar në internet është ndërtuar duke përdorur gjuhën e programimit Python duke përdorur kornizën Django si backend. Tabela 2 rendit bibliotekat e përdorura në zhvillimin e këtij sistemi.
Të dhënat e të dhënave ushqehen me një model të pemës së vendimeve për të llogaritur dhe nxjerrë përgjigjet e studentëve për të klasifikuar automatikisht matjet e studentëve LS.
Matrica e konfuzionit përdoret për të vlerësuar saktësinë e një algoritmi të mësimit të makinës së pemëve të vendimeve në një grup të dhënë të dhënë. Në të njëjtën kohë, ajo 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: të vërteta pozitive (TP) - modeli parashikoi saktë kategorinë pozitive, pozitive false (FP) - modeli parashikoi kategorinë pozitive, por etiketa e vërtetë ishte negative, e vërtetë negative (TN) - Modeli parashikoi saktë klasën negative, dhe negativisht false (FN) - modeli parashikon një klasë negative, por etiketa e vërtetë është pozitive.
Këto vlera përdoren më pas për të llogaritur metrikë të ndryshme të performancës së modelit të klasifikimit Scikit-Learn në Python, gjegjësisht saktësi, saktësi, kujtesë dhe rezultatin F1. Këtu janë shembuj:
Kujtoni (ose ndjeshmërinë) mat aftësinë e modelit për të klasifikuar me saktësi LS-në e një studenti pasi të përgjigjeni në pyetësorin M-ILS.
Specifikimi quhet një normë e vërtetë negative. Siç mund ta shihni nga formula e mësipërme, kjo duhet të jetë raporti i negativëve të vërtetë (TN) ndaj negativëve të vërtetë dhe pozitive të rreme (FP). Si pjesë e mjetit të rekomanduar për klasifikimin e ilaçeve studentore, ai duhet të jetë i aftë për identifikim të saktë.
Të dhënat origjinale të 50 studentëve të përdorur për të trajnuar modelin e pemës së vendimeve ML treguan saktësi relativisht të ulët për shkak të gabimit njerëzor në shënimet (Tabela 3). Pas krijimit të një programi të thjeshtë të bazuar në rregull për të llogaritur automatikisht rezultatet e LS dhe shënimet e studentëve, u përdorën një numër në rritje të të dhënave (255) për të trajnuar dhe testuar sistemin e rekomanduesve.
Në matricën e konfuzionit multiclass, elementët diagonalë paraqesin numrin e parashikimeve të sakta për secilin lloj LS (Figura 4). Duke përdorur modelin e pemës së vendimit, u parashikuan në mënyrë të saktë 64 mostra. Kështu, në këtë studim, elementët diagonalë tregojnë rezultatet e pritura, duke treguar që modeli performon mirë dhe me saktësi parashikon etiketën e klasës për secilin klasifikim LS. Kështu, saktësia e përgjithshme e mjetit të rekomandimit është 100%.
Vlerat e saktësisë, saktësisë, kujtimit dhe rezultatit F1 janë paraqitur në figurën 5. Për sistemin e rekomandimit duke përdorur modelin e pemës së vendimit, rezultati i tij F1 është 1.0 "i përsosur", që tregon saktësi dhe kujtesë të përsosur, duke reflektuar ndjeshmëri dhe specifik të konsiderueshme vlera
Figura 6 tregon një vizualizim të modelit të pemës së vendimit pasi të keni përfunduar trajnimi dhe testimi. Në një krahasim krah për krah, modeli i pemës së vendimeve 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 uljen e veçorive është një hap i rëndësishëm në përmirësimin e performancës së modelit.
Duke aplikuar mësimin e mbikëqyrur të pemës së vendimeve, hartografimi midis LS (input) dhe është (prodhimi i synuar) gjenerohet automatikisht dhe përmban informacione të hollësishme për secilën LS.
Rezultatet treguan se 34.9% e 255 studentëve preferuan një (1) LS opsion. Shumica (54.3%) kishin dy ose më shumë preferenca LS. 12.2% e studentëve vunë re se LS është mjaft e ekuilibruar (Tabela 4). Përveç tetë LS kryesore, ekzistojnë 34 kombinime të klasifikimeve të LS për studentët e dhëmbëve të Universitetit të Malaya. Midis tyre, perceptimi, vizioni dhe kombinimi i perceptimit dhe vizionit janë LS kryesore e raportuar nga studentët (Figura 7).
Siç shihet nga Tabela 4, shumica e studentëve kishin një shqisore mbizotëruese (13.7%) ose vizuale (8.6%) ls. Wasshtë raportuar se 12.2% e studentëve kombinuan perceptimin me vizion (LS perceptuese-vizuale). Këto gjetje sugjerojnë që studentët preferojnë të mësojnë dhe mbajnë mend përmes metodave të përcaktuara, të ndjekin procedura specifike dhe të hollësishme dhe janë të vëmendshëm në natyrë. Në të njëjtën kohë, ata kënaqen të mësojnë duke kërkuar (duke përdorur diagrame, etj.) Dhe kanë tendencë të diskutojnë dhe zbatojnë informacione në grupe ose më vete.
Ky studim ofron një përmbledhje të teknikave të mësimit të makinerive të përdorura në minierat e të dhënave, me fokus në parashikimin e menjëherë dhe me saktësi të LS të studentëve dhe rekomandimi i përshtatshëm është i përshtatshëm. Zbatimi i një modeli të pemës së vendimeve identifikoi faktorët që lidhen më ngushtë me jetën e tyre dhe përvojat arsimore. Isshtë një algoritëm i mësimit të mbikëqyrjes së makinerisë që përdor një strukturë peme për të klasifikuar të dhënat duke ndarë një grup të të dhënave në nënkategori bazuar në kritere të caktuara. Ajo funksionon duke ndarë në mënyrë rekursive të dhënat e hyrjes në nën -baza bazuar në vlerën e një prej karakteristikave hyrëse të secilës nyje të brendshme derisa të merret një vendim në nyjen e gjetheve.
Nyjet e brendshme të pemës së vendimit paraqesin zgjidhjen bazuar në karakteristikat e hyrjes së problemit M-ILS, dhe nyjet e gjetheve paraqesin parashikimin përfundimtar të klasifikimit LS. Gjatë studimit, është e lehtë të kuptohet hierarkia e pemëve të vendimeve që shpjegojnë dhe vizualizojnë procesin e vendimit duke parë marrëdhëniet 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 të pranimit [21], informacionin demografik dhe sjelljen e të mësuarit [22]. Hulumtimet treguan se algoritmi parashikoi me saktësi performancën e studentëve dhe i ndihmoi ata të identifikojnë studentët në rrezik për vështirësi akademike.
Raportohet aplikimi i algoritmeve ML në zhvillimin e simulatorëve virtualë të pacientëve për trajnim dentar. Simulatori është i aftë të riprodhojë me saktësi përgjigjet fiziologjike të pacientëve të vërtetë dhe mund të përdoret për të trajnuar studentët e dhëmbëve 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 të dhënave siç janë 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 personalizuara të trajtimit [26], trajtimi periodontal [27] dhe trajtimi i CARIES [25].
Megjithëse janë publikuar raporte për aplikimin e mësimit të makinerive në stomatologji, aplikimi i tij në arsimin dentar mbetet i kufizuar. Prandaj, ky studim synonte të përdorte një model të pemës së vendimeve për të identifikuar faktorët më të ngushtë të lidhur me LS dhe është midis studentëve të dhëmbëve.
Rezultatet e këtij studimi tregojnë se mjeti i rekomandimit të zhvilluar ka saktësi të lartë dhe saktësi të përsosur, duke treguar që mësuesit mund të përfitojnë nga ky mjet. Duke përdorur një proces klasifikimi të drejtuar nga të dhënat, ai mund të sigurojë rekomandime të personalizuara dhe të përmirësojë përvojat dhe rezultatet arsimore për arsimtarët dhe studentët. Midis tyre, informacioni i marrë përmes mjeteve të rekomandimit mund të zgjidhë konfliktet midis metodave të preferuara të mësimdhënies së mësuesve dhe nevojave të mësimit të studentëve. Për shembull, për shkak të prodhimit të automatizuar të mjeteve të rekomandimit, koha e nevojshme për të identifikuar IP të një studenti dhe për të përputhur atë me IP përkatëse do të zvogëlohet në mënyrë të konsiderueshme. Në këtë mënyrë, mund të organizohen aktivitete të përshtatshme trajnimi dhe materiale trajnimi. Kjo ndihmon në zhvillimin e sjelljes pozitive të të mësuarit të studentëve dhe aftësinë për t'u përqendruar. Një studim raportoi se sigurimi i studentëve me materiale mësimore dhe aktivitete mësimore që përputhen me LS -në e tyre të preferuar mund t'i ndihmojnë studentët të integrojnë, përpunojnë dhe shijojnë mësimin në mënyra të shumta për të arritur një potencial më të madh [12]. Hulumtimi tregon gjithashtu se përveç përmirësimit të pjesëmarrjes së studentëve në klasë, të kuptuarit e procesit të mësimit të studentëve gjithashtu luan një rol kritik në përmirësimin e praktikave mësimore dhe komunikimit me studentët [28, 29].
Sidoqoftë, si me çdo teknologji moderne, ka probleme dhe kufizime. Këto përfshijnë çështje që lidhen me privatësinë e të dhënave, paragjykimin dhe drejtësinë, dhe aftësitë dhe burimet profesionale të nevojshme për të zhvilluar dhe zbatuar algoritme të mësimit të makinerive në arsimin dentar; Sidoqoftë, interesi dhe hulumtimi në rritje në këtë fushë sugjerojnë 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 dhëmbëve kanë një tendencë për të "perceptuar" ilaçe. Ky lloj i nxënësit ka një preferencë për fakte dhe shembuj të betonit, një orientim praktik, durim për detaje dhe një preferencë "vizuale" të LS, ku nxënësit preferojnë të përdorin fotografi, grafikë, ngjyra dhe hartat për të përcjellë ide dhe mendime. Rezultatet e tanishme janë në përputhje me studimet e tjera që përdorin ILS për të vlerësuar LS në studentë dentar dhe mjekësor, 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 u lejon atyre të arrijnë potencialin e tyre të të mësuarit. Studiuesit argumentojnë se kur mësuesit e kuptojnë plotësisht procesin arsimor të studentëve, mund të zbatohen metoda të ndryshme mësimore dhe aktivitete që do të përmirësojnë performancën e studentëve dhe përvojën e të mësuarit [12, 31, 32]. Studime të tjera kanë treguar që rregullimi i LS i 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 mësimore bazuar në aftësitë e të mësuarit të studentëve. Ndërsa disa shohin përfitimet e kësaj qasje, përfshirë mundësitë e zhvillimit profesional, mentorimin dhe mbështetjen e komunitetit, të tjerët mund të shqetësohen për kohën dhe mbështetjen institucionale. Përpjekja për ekuilibër është thelbësore për krijimin e një qëndrimi të përqendruar në studentë. Autoritetet e arsimit të lartë, siç janë administratorët e universitetit, mund të luajnë një rol të rëndësishëm në drejtimin e ndryshimeve pozitive duke prezantuar praktika inovative dhe duke mbështetur zhvillimin e fakulteteve [34]. Për të krijuar një sistem të arsimit të lartë me të vërtetë dinamik dhe të përgjegjshëm, politikëbërësit duhet të ndërmarrin hapa të guximshëm, të tilla si bërja e ndryshimeve të politikave, kushtimi i burimeve për integrimin e teknologjisë dhe krijimi i kornizave që promovojnë qasje në qendër të studentëve. Këto masa janë thelbësore për arritjen e rezultateve të dëshiruara. Hulumtimet e fundit mbi udhëzimet e diferencuara kanë treguar qartë se zbatimi i suksesshëm i udhëzimeve të diferencuara kërkon mundësi të vazhdueshme trajnimi dhe zhvillimi për mësuesit [35].
Ky mjet siguron mbështetje të vlefshme për arsimtarët dentarë që duan të marrin një qasje të përqendruar tek studentët për të planifikuar aktivitete mësimore miqësore me studentët. Sidoqoftë, ky studim është i kufizuar në përdorimin e modeleve ML të Pemës së Vendimeve. Në të ardhmen, më shumë të dhëna duhet të mblidhen 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 makinerisë për një detyrë të veçantë, është e rëndësishme të merren parasysh faktorë të tjerë siç janë kompleksiteti i modelit dhe interpretimi.
Një kufizim i këtij studimi është se ai u përqëndrua vetëm në hartografimin e LS dhe është në mesin e studentëve të dhëmbëve. Prandaj, sistemi i rekomandimit të zhvilluar do të rekomandojë vetëm ata që janë të përshtatshëm për studentët e dhëmbëve. Ndryshimet janë të nevojshme për përdorimin e studentëve të arsimit të lartë të përgjithshëm.
Mjeti i rekomandimit të bazuar në mësim për mësimin e makinerisë së sapo zhvilluar është i aftë të klasifikojë menjëherë dhe të përputhet me studentët në mënyrë përkatëse, duke e bërë atë programin e parë të arsimit dentar për të ndihmuar arsimtarët dentar të planifikojnë aktivitetet përkatëse të mësimdhënies dhe mësimit. Duke përdorur një proces të trageteve të drejtuara nga të dhënat, ai mund të sigurojë rekomandime të personalizuara, të kurseni 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 të përqendruara në studentë për arsimin dentar.
Gilak Jani Associated Press. Ndeshja ose mospërputhja midis stilit të të mësuarit të studentit dhe stilit të mësimdhënies së mësuesit. Int J Mod Educ Science Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Koha e postimit: Prill-29-2024