Ekziston një nevojë në rritje për të nxënit e përqendruar te studenti (SCL) në institucionet e arsimit të lartë, përfshirë stomatologjinë. Megjithatë, SCL ka zbatim të kufizuar në arsimin stomatologjik. Prandaj, ky studim synon të promovojë zbatimin e SCL në stomatologji duke përdorur teknologjinë e të nxënit automatik (ML) në formë peme vendimesh për të hartuar stilin e preferuar të të nxënit (LS) dhe strategjitë përkatëse të të nxënit (SI) të studentëve të stomatologjisë si një mjet i dobishëm për zhvillimin e udhëzimeve të SI. Metoda premtuese për studentët e stomatologjisë.
Një total prej 255 studentësh të stomatologjisë nga Universiteti i Malayas plotësuan pyetësorin e modifikuar të Indeksit të Stileve të të Mësuarit (m-ILS), i cili përmbante 44 pyetje për t'i klasifikuar ata në LS-të e tyre përkatëse. Të dhënat e mbledhura (të quajtura një grup të dhënash) përdoren në të mësuarit e mbikëqyrur në pemën e vendimeve për të përputhur automatikisht stilet e të mësuarit të studentëve me SI-në më të përshtatshme. Më pas vlerësohet saktësia e mjetit të rekomandimit të SI-së të bazuar në të mësuarit automatik.
Zbatimi i modeleve të pemës së vendimeve në një proces të automatizuar të hartëzimit midis LS (hyrjes) dhe IS (daljes së synuar) lejon një listë të menjëhershme të strategjive të përshtatshme të të nxënit për secilin student të stomatologjisë. Mjeti i rekomandimit IS demonstroi saktësi dhe kujtesë të përsosur të saktësisë së përgjithshme të modelit, duke treguar se përputhja e LS me IS ka ndjeshmëri dhe specifikë të mirë.
Një mjet rekomandimi i SI bazuar në një pemë vendimesh të ML ka vërtetuar aftësinë e tij për të përputhur me saktësi stilet e të nxënit të studentëve të stomatologjisë me strategjitë e duhura të të nxënit. Ky mjet ofron mundësi të fuqishme për planifikimin e kurseve ose moduleve të përqendruara te nxënësi që mund të përmirësojnë përvojën e të nxënit të studentëve.
Mësimdhënia dhe të nxënit janë aktivitete themelore në institucionet arsimore. Gjatë zhvillimit të një sistemi arsimor profesional me cilësi të lartë, është e rëndësishme të përqendrohemi në nevojat e të nxënit të nxënësve. Ndërveprimi midis nxënësve dhe mjedisit të tyre të të nxënit mund të përcaktohet përmes LS-së së tyre. Hulumtimet sugjerojnë se mospërputhjet e synuara nga mësuesit midis LS-së dhe SI-së së nxënësve mund të kenë pasoja negative për të nxënit e nxënësve, të tilla si ulja e vëmendjes dhe motivimit. Kjo do të ndikojë në mënyrë indirekte në performancën e nxënësve [1,2].
SI është një metodë e përdorur nga mësuesit për t'u transmetuar njohuri dhe aftësi nxënësve, duke përfshirë ndihmën ndaj nxënësve për të mësuar [3]. Në përgjithësi, mësuesit e mirë planifikojnë strategji mësimdhënieje ose SI që përputhen më së miri me nivelin e njohurive të nxënësve të tyre, konceptet që po mësojnë dhe fazën e tyre të të nxënit. Teorikisht, kur LS dhe SI përputhen, nxënësit do të jenë në gjendje të organizojnë dhe përdorin një grup specifik aftësish për të mësuar në mënyrë efektive. Në mënyrë tipike, një plan mësimi përfshin disa kalime midis fazave, të tilla si nga mësimdhënia në praktikën e udhëhequr ose nga praktika e udhëhequr në praktikën e pavarur. Duke pasur parasysh këtë, mësuesit efektivë shpesh planifikojnë mësimdhënien me qëllim ndërtimin e njohurive dhe aftësive të nxënësve [4].
Kërkesa për SCL është në rritje në institucionet e arsimit të lartë, përfshirë stomatologjinë. Strategjitë e SCL janë hartuar për të përmbushur nevojat e të nxënit të studentëve. Kjo mund të arrihet, për shembull, nëse studentët marrin pjesë aktive në aktivitetet e të nxënit dhe mësuesit veprojnë si lehtësues dhe janë përgjegjës për ofrimin e reagimeve të vlefshme. Thuhet se ofrimi i materialeve dhe aktiviteteve të të nxënit që janë të përshtatshme për nivelin arsimor ose preferencat e studentëve mund të përmirësojë mjedisin e të nxënit të studentëve dhe të promovojë përvoja pozitive të të nxënit [5].
Në përgjithësi, procesi i të nxënit të studentëve të stomatologjisë ndikohet nga procedurat e ndryshme klinike që ata duhet 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 mbi marrëdhënien midis LS dhe IS zbuluan se përshtatja e strategjive të të nxënit të hartuara sipas LS-së së preferuar do të ndihmonte në përmirësimin e procesit arsimor [8]. Autorët gjithashtu rekomandojnë përdorimin e një sërë metodash mësimdhënieje dhe vlerësimi për t'u përshtatur me të nxënit dhe nevojat e studentëve.
Mësuesit përfitojnë nga zbatimi i njohurive të LS për t'i ndihmuar ata të hartojnë, zhvillojnë dhe zbatojnë mësimdhënie që do të rrisë përvetësimin e njohurive dhe kuptimit më të thellë të lëndës nga studentët. Studiuesit kanë zhvilluar disa mjete vlerësimi të LS, të tilla si Modeli i Mësimit Përvojësor i Kolb, Modeli i Stilit të Mësimit Felder-Silverman (FSLSM) dhe Modeli Fleming VAK/VARK [5, 9, 10]. Sipas literaturës, këto modele të të nxënit janë modelet e të nxënit më të përdorura dhe më të studiuara. Në punën aktuale kërkimore, FSLSM përdoret për të vlerësuar LS midis studentëve të stomatologjisë.
FSLSM është një model i përdorur gjerësisht për vlerësimin e të nxënit adaptiv në inxhinieri. Ka shumë punime të botuara në shkencat e shëndetit (duke 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 Indeksi i Stileve të të Nxënit (ILS) [8], i cili përmban 44 artikuj që vlerësojnë katër dimensione të LS: përpunimin (aktiv/reflektues), perceptimin (perceptues/intuitiv), inputin (vizual/verbal) dhe të kuptuarit (sekuencial/global) [14].
Siç tregohet në Figurën 1, çdo dimension i FSLSM ka një preferencë mbizotëruese. Për shembull, në dimensionin e përpunimit, nxënësit me LS "aktive" preferojnë të përpunojnë informacionin duke bashkëvepruar drejtpërdrejt me materialet mësimore, të mësojnë duke bërë dhe kanë tendencë të mësojnë në grupe. LS "reflektuese" 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 "ndjerës" preferojnë informacion më konkret dhe procedura praktike, janë të orientuar drejt fakteve krahasuar me nxënësit "intuitivë" që preferojnë materialin abstrakt dhe janë më inovativë dhe krijues në natyrë. Dimensioni "hyrës" i LS përbëhet nga nxënës "vizualë" dhe "verbalë". Njerëzit me LS "vizualë" preferojnë të mësojnë përmes demonstrimeve vizuale (si diagrame, video ose demonstrime të drejtpërdrejta), ndërsa njerëzit me LS "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 "sekuencialë" dhe "globalë". “Nxënësit sekuencialë preferojnë një proces linear të të menduarit dhe mësojnë hap pas hapi, ndërsa nxënësit globalë kanë tendencë të kenë një proces të të menduarit holistik dhe gjithmonë kanë një kuptim më të mirë të asaj që po mësojnë.”
Kohët e fundit, shumë studiues kanë filluar të eksplorojnë metoda për zbulimin automatik të bazuar në të dhëna, 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 (mësimi automatik) i mbikëqyrur është në gjendje të gjenerojë modele dhe hipoteza që parashikojnë rezultate të ardhshme bazuar në ndërtimin e algoritmeve [17]. Thënë thjesht, teknikat e të mësuarit automatik të mbikëqyrur manipulojnë të dhënat hyrëse dhe trajnojnë algoritmet. Pastaj gjeneron një gamë që klasifikon ose parashikon rezultatin bazuar në situata të ngjashme për të dhënat hyrëse të ofruara. Avantazhi kryesor i algoritmeve të të mësuarit automatik të mbikëqyrur është aftësia e tij për të vendosur rezultate ideale dhe të dëshiruara [17].
Përmes përdorimit të metodave të bazuara në të dhëna dhe modeleve të kontrollit të pemës së vendimeve, zbulimi automatik i LS-së është i mundur. Pemët e vendimeve 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 posaçërisht nga zhvilluesit e sistemit për të identifikuar LS-në e studentëve dhe për të rekomanduar SI-në më të mirë për ta.
Qëllimi i këtij studimi është të zhvillojë strategji të ofrimit të SI bazuar në LS-në e studentëve dhe të zbatojë qasjen SCL duke zhvilluar një mjet rekomandimi SI të hartuar në LS. Rrjedha e projektimit të mjetit të rekomandimit SI si një strategji e metodës SCL tregohet në Figurën 1. Mjeti i rekomandimit SI është i ndarë në dy pjesë, duke përfshirë mekanizmin e klasifikimit LS duke përdorur ILS dhe shfaqjen më të përshtatshme SI për studentët.
Në veçanti, karakteristikat e mjeteve të rekomandimit të sigurisë së informacionit përfshijnë përdorimin e teknologjive të internetit dhe përdorimin e të mësuarit automatik në formë peme vendimesh. Zhvilluesit e sistemeve përmirësojnë përvojën dhe lëvizshmërinë e përdoruesit duke i përshtatur ato në pajisjet mobile si telefonat celularë dhe tabletët.
Eksperimenti u krye në dy faza dhe studentë nga Fakulteti i Stomatologjisë në Universitetin e Malayas morën pjesë vullnetarisht. Pjesëmarrësit iu përgjigjën testit m-ILS online të një studenti të stomatologjisë në anglisht. Në fazën fillestare, një grup të dhënash prej 50 studentësh u përdor për të trajnuar algoritmin e të mësuarit automatik të pemës së vendimeve. 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, varësisht nga viti akademik, nëpërmjet Microsoft Teams. Qëllimi i studimit u shpjegua dhe u mor pëlqimi i informuar. Të gjithë pjesëmarrësve iu dha një lidhje për të hyrë në m-ILS. Çdo student u udhëzua të përgjigjej të 44 pyetjeve në pyetësor. Atyre iu dha një javë për të plotësuar ILS-në e modifikuar në një kohë dhe vend të përshtatshëm për ta gjatë pushimeve të semestrit para fillimit të semestrit. m-ILS bazohet në instrumentin origjinal ILS dhe është i modifikuar për studentët e stomatologjisë. Ngjashëm me ILS-në origjinale, ai përmban 44 pyetje të shpërndara në mënyrë të barabartë (a, b), me nga 11 pyetje secila, të cilat përdoren për të vlerësuar aspektet e secilit dimension të FSLSM.
Gjatë fazave fillestare të zhvillimit të mjeteve, studiuesit i shënuan manualisht hartat duke përdorur një grup të dhënash prej 50 studentësh të stomatologjisë. Sipas FSLM-së, sistemi ofron shumën e përgjigjeve "a" dhe "b". Për secilin dimension, nëse studenti zgjedh "a" si përgjigje, LS klasifikohet si Aktive/Perceptuese/Vizuale/Sekuenciale, dhe nëse studenti zgjedh "b" si përgjigje, studenti klasifikohet si Reflektues/Intuitiv/Gjuhësor/nxënës global.
Pas kalibrimit të rrjedhës së punës midis studiuesve të arsimit dentar dhe zhvilluesve të sistemeve, pyetjet u përzgjodhën bazuar në domenin FLSSM dhe u futën në modelin ML për të parashikuar LS-në e secilit student. "Mbeturina hyn, mbeturina del" është një shprehje popullore në fushën e të mësuarit automatik, me theks në cilësinë e të dhënave. Cilësia e të dhënave hyrëse përcakton saktësinë dhe precizitetin e modelit të të mësuarit automatik. Gjatë fazës së inxhinierisë së karakteristikave, 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 jepen në Tabelën 1.
Llogaritni rezultatin bazuar në përgjigjet dhe përcaktoni LS-në e studentit. Për secilin student, diapazoni i rezultateve është nga 1 në 11. Rezultatet nga 1 në 3 tregojnë një ekuilibër të preferencave të të nxënit brenda të njëjtit dimension, dhe rezultatet nga 5 në 7 tregojnë një preferencë të moderuar, duke treguar se studentët kanë tendencë të preferojnë një mjedis që u mëson të tjerëve. Një tjetër variant i të njëjtit dimension është se rezultatet nga 9 në 11 pasqyrojnë një preferencë të fortë për njërën anë ose tjetrën [8].
Për secilin dimension, drogat u grupuan në "aktive", "reflektuese" dhe "të balancuara". Për shembull, kur një student përgjigjet "a" më shpesh sesa "b" në një artikull të caktuar dhe rezultati i tij/saj tejkalon pragun prej 5 për një artikull të caktuar që përfaqëson dimensionin e Përpunimit të LS, ai/ajo i përket fushës "aktive" të LS. 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. Së fundmi, studenti është në një gjendje "ekuilibri". Nëse rezultati nuk i kalon 5 pikë, atëherë kjo është një LS "procesi". Procesi i klasifikimit u përsërit për dimensionet e tjera të LS, përkatësisht perceptimin (aktiv/reflektues), inputin (vizual/verbal) dhe të kuptuarit (sekuencial/global).
Modelet e pemës së vendimmarrjes mund të përdorin nëngrupe të ndryshme të karakteristikave dhe rregullave të vendimmarrjes në faza të ndryshme të procesit të klasifikimit. Konsiderohet si një mjet i njohur për klasifikim dhe parashikim. Mund të përfaqësohet duke përdorur një strukturë peme siç është një diagram rrjedhës [20], në të cilin ka nyje të brendshme që përfaqësojnë testet sipas atributit, secila degë përfaqëson rezultatet e testit dhe secila nyje gjethe (nyja gjethe) përmban një etiketë klase.
Një program i thjeshtë i bazuar në rregulla u krijua për të vlerësuar dhe shënuar automatikisht LS-në e secilit student bazuar në përgjigjet e tyre. I bazuar në rregulla merr formën e një deklarate IF, ku "IF" përshkruan shkaktarin dhe "THEN" specifikon veprimin që do të kryhet, për shembull: "Nëse ndodh X, atëherë bëj Y" (Liu et al., 2014). Nëse grupi i të dhënave shfaq korrelacion dhe modeli i pemës së vendimeve 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. Grupi 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 75% e mbetur (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 shkaktojë që modeli të mbajë mend në vend që të mësojë. Modeli trajnohet 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 web. Sistemi i mjeteve të rekomandimeve për sigurinë e informacionit i bazuar në web është ndërtuar duke përdorur gjuhën e programimit Python duke përdorur framework-un Django si backend. Tabela 2 rendit libraritë e përdorura në zhvillimin e këtij sistemi.
Seti i të dhënave i ushqehet një modeli të pemës së vendimeve për të llogaritur dhe nxjerrë përgjigjet e studentëve për të klasifikuar automatikisht matjet e LS-së së studentëve.
Matrica e konfuzionit përdoret për të vlerësuar saktësinë e një algoritmi të të mësuarit automatik të pemës së vendimeve në një grup të dhënash të dhënë. Në të njëjtën kohë, ajo vlerëson performancën e modelit të klasifikimit. Ajo 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 së modelit të klasifikimit scikit-learn në Python, përkatësisht precizitetin, precizitetin, kujtesën dhe rezultatin F1. Ja disa shembuj:
Kujtesa (ose ndjeshmëria) mat aftësinë e modelit për të klasifikuar me saktësi LS-në e një studenti pasi t'i jetë përgjigjur pyetësorit m-ILS.
Specifikimi quhet shkallë e rezultateve vërtet negative. Siç mund ta shihni nga formula e mësipërme, ky duhet të jetë raporti i rezultateve vërtet negative (TN) me rezultatet vërtet negative dhe pozitive të rreme (FP). Si pjesë e mjetit të rekomanduar për klasifikimin e barnave studentore, ai duhet të jetë i aftë të identifikojë me saktësi.
Seti origjinal i të dhënave prej 50 studentësh të përdorur për të trajnuar modelin ML të pemës së vendimeve tregoi 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 gjithnjë e në rritje i seteve të të dhënave (255) u përdorën për të trajnuar dhe testuar sistemin e rekomandimit.
Në matricën e konfuzionit shumëklasësh, elementët diagonalë përfaqësojnë numrin e parashikimeve të sakta për secilin lloj LS (Figura 4). Duke përdorur modelin e pemës së vendimeve, u parashikuan saktë gjithsej 64 mostra. Kështu, në këtë studim, elementët diagonalë tregojnë rezultatet e pritura, duke treguar se modeli funksionon mirë dhe parashikon me saktësi etiketën e klasës për secilin klasifikim LS. Kështu, saktësia e përgjithshme e mjetit të rekomandimit është 100%.
Vlerat e saktësisë, precizitetit, kujtesës dhe pikëzimit F1 tregohen në Figurën 5. Për sistemin e rekomandimeve që përdor modelin e pemës së vendimeve, pikëzimi F1 është 1.0 "perfekt", që tregon precizion dhe kujtesë perfekte, duke reflektuar vlera të ndjeshmërisë dhe specifikës domethënëse.
Figura 6 tregon një vizualizim të modelit të pemës së vendimeve pas përfundimit të trajnimit dhe testimit. Në një krahasim krah për krah, modeli i pemës së vendimeve i trajnuar me më pak karakteristika tregoi saktësi më të lartë dhe vizualizim më të lehtë të modelit. Kjo tregon se inxhinieria e karakteristikave që çon në reduktimin e karakteristikave është një hap i rëndësishëm në përmirësimin e performancës së modelit.
Duke aplikuar të mësuarit e mbikëqyrur nga pema e vendimeve, hartëzimi midis LS (hyrjes) dhe IS (daljes së synuar) gjenerohet automatikisht dhe përmban informacion të detajuar për secilën LS.
Rezultatet treguan se 34.9% e 255 studentëve preferuan një (1) opsion LS. Shumica (54.3%) kishin dy ose më shumë preferenca për 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 të Universitetit të Malajës. Midis tyre, perceptimi, shikimi dhe kombinimi i perceptimit dhe shikimit 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%). U raportua se 12.2% e studentëve kombinonin perceptimin me shikimin (LS perceptuese-vizuale). Këto gjetje sugjerojnë që studentët preferojnë të mësojnë dhe të mbajnë mend përmes metodave të përcaktuara, të ndjekin procedura specifike dhe të detajuara dhe janë të vëmendshëm në natyrë. Në të njëjtën kohë, ata kënaqen duke mësuar duke shikuar (duke përdorur diagrame, etj.) dhe kanë tendencë të diskutojnë dhe zbatojnë informacionin në grupe ose vetë.
Ky studim ofron një pasqyrë të teknikave të të mësuarit automatik të përdorura në nxjerrjen e të dhënave, me fokus në parashikimin e menjëhershëm dhe të saktë të LS-së së studentëve dhe rekomandimin e IS-së së përshtatshme. Zbatimi i një modeli të pemës së vendimeve identifikoi faktorët që lidhen më ngushtë me përvojat e tyre jetësore dhe arsimore. Është një algoritëm i mbikëqyrur i të mësuarit automatik që përdor një strukturë peme për të klasifikuar të dhënat duke ndarë një grup të dhënash në nënkategori bazuar në kritere të caktuara. Funksionon duke ndarë në mënyrë rekursive të dhënat hyrëse në nëngrupe bazuar në vlerën e një prej karakteristikave hyrëse të secilës nyje të brendshme derisa të merret një vendim në nyjen gjethe.
Nyjet e brendshme të pemës së vendimeve përfaqësojnë zgjidhjen bazuar në karakteristikat e të dhënave hyrëse të problemit m-ILS, dhe nyjet gjethe 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 vendimmarrjes duke parë marrëdhënien midis karakteristikave të të dhënave hyrëse dhe parashikimeve të të dhënave dalëse.
Në fushat e shkencës kompjuterike dhe inxhinierisë, algoritmet e të mësuarit automatik përdoren gjerësisht për të parashikuar performancën e studentëve bazuar në rezultatet e provimeve të pranimit [21], informacionin demografik dhe sjelljen e të nxënit [22]. Hulumtimet treguan se algoritmi parashikoi me saktësi performancën e studentëve dhe i ndihmoi ata të identifikonin studentët në rrezik për vështirësi akademike.
Raportohet zbatimi i algoritmeve të të mësuarit automatik (ML) në zhvillimin e simuluesve virtualë të pacientëve për trajnimin dentar. Simulatori është i aftë të riprodhojë me saktësi përgjigjet fiziologjike të pacientëve të vërtetë dhe mund të përdoret për të trajnuar studentët e stomatologjisë në një mjedis të sigurt dhe të kontrolluar [23]. Disa studime të tjera tregojnë se algoritmet e të mësuarit automatik mund të përmirësojnë potencialisht cilësinë dhe efikasitetin e edukimit dentar dhe mjekësor dhe kujdesit ndaj pacientit. Algoritmet e të mësuarit automatik janë përdorur për të ndihmuar në diagnostikimin e sëmundjeve dentare bazuar në grupe të dhënash të tilla si simptomat dhe karakteristikat e pacientit [24, 25]. Ndërsa studime të tjera kanë eksploruar përdorimin e algoritmeve të të mësuarit automatik për të kryer detyra të tilla si parashikimi i rezultateve të pacientit, identifikimi i pacientëve me risk të lartë, zhvillimi i planeve të trajtimit të personalizuara [26], trajtimi periodontal [27] dhe trajtimi i kariesit [25].
Edhe pse janë publikuar raporte mbi zbatimin e të mësuarit automatik në stomatologji, zbatimi i tij në edukimin stomatologjik mbetet i kufizuar. Prandaj, ky studim synonte të përdorte një model peme vendimesh për të identifikuar faktorët që lidhen më ngushtë me LS dhe IS midis studentëve të stomatologjisë.
Rezultatet e këtij studimi tregojnë se mjeti i zhvilluar i rekomandimeve ka saktësi të lartë dhe saktësi të përsosur, duke treguar se mësuesit mund të përfitojnë nga ky mjet. Duke përdorur një proces klasifikimi të bazuar në të dhëna, ai mund të ofrojë rekomandime të personalizuara dhe të përmirësojë përvojat dhe rezultatet arsimore për edukatorët dhe studentët. Midis tyre, informacioni i marrë përmes mjeteve të rekomandimit mund të zgjidhë konfliktet midis metodave të preferuara të mësimdhënies nga mësuesit dhe nevojave të të nxënit të studentëve. 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 përputhur atë me IP-në përkatëse do të reduktohet ndjeshëm. Në këtë mënyrë, mund të organizohen aktivitete dhe materiale trajnimi të përshtatshme. Kjo ndihmon në zhvillimin e sjelljes pozitive të të nxënit dhe aftësisë për t'u përqendruar tek studentët. Një studim raportoi se ofrimi i materialeve mësimore dhe aktiviteteve mësimore për studentët që përputhen me LS-në e tyre të preferuar mund t'i ndihmojë studentët të integrohen, përpunojnë dhe shijojnë të nxënit në mënyra të shumta për të arritur potencial më të madh [12]. Hulumtimet gjithashtu tregojnë se përveç përmirësimit të pjesëmarrjes së studentëve në klasë, të kuptuarit e procesit të të nxënit të studentëve luan gjithashtu 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, paragjykimin dhe drejtësinë, si dhe aftësitë dhe burimet profesionale të nevojshme për të zhvilluar dhe zbatuar algoritme të të mësuarit automatik në edukimin dentar; Megjithatë, interesi dhe hulumtimi në rritje në këtë fushë sugjerojnë që teknologjitë e të mësuarit automatik 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” ilaçet. Ky lloj nxënësi ka një preferencë për faktet dhe shembujt konkretë, një orientim praktik, durim për detaje dhe një preferencë “vizuale” të LS-së, ku nxënësit preferojnë të përdorin fotografi, grafikë, ngjyra dhe harta për të përcjellë ide dhe mendime. Rezultatet aktuale janë në përputhje me studime të tjera që përdorin ILS për të vlerësuar LS-në tek studentët e stomatologjisë dhe mjekësisë, shumica e të cilëve kanë karakteristika të LS-së perceptuese dhe vizuale [12, 30]. Dalmolin et al. sugjerojnë që informimi i studentëve rreth LS-së së tyre u lejon atyre të arrijnë potencialin e tyre të të nxënit. 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 studentëve [12, 31, 32]. Studime të tjera kanë treguar se përshtatja e LS-së së studentëve tregon gjithashtu përmirësime në përvojën dhe performancën e të nxënit të studentëve pas ndryshimit të stileve të tyre të të nxënit për t'iu përshtatur LS-së së tyre [13, 33].
Opinionet e mësuesve mund të ndryshojnë në lidhje me zbatimin e strategjive të mësimdhënies bazuar në aftësitë e të nxënit të studentëve. Ndërsa disa i shohin përfitimet e kësaj qasjeje, duke përfshirë mundësitë e zhvillimit profesional, mentorimin dhe mbështetjen e komunitetit, të tjerë mund të jenë të shqetësuar për kohën dhe mbështetjen institucionale. Përpjekja për ekuilibër është çelësi për krijimin e një qëndrimi të përqendruar te studenti. Autoritetet e arsimit të lartë, siç janë 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 arsimit të lartë vërtet dinamik dhe të përgjegjshëm, politikëbërësit duhet të ndërmarrin hapa të guximshëm, siç janë bërja e ndryshimeve në politika, përkushtimi i burimeve për integrimin e teknologjisë dhe krijimi i kornizave që promovojnë qasjet e përqendruara te studenti. Këto masa janë kritike për arritjen e rezultateve të 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 e stomatologjisë të cilët duan të ndjekin një qasje të përqendruar te studenti për planifikimin e aktiviteteve të të nxënit miqësore për studentët. Megjithatë, ky studim është i kufizuar në përdorimin e modeleve ML të pemës së vendimmarrjes. Në të ardhmen, duhet të mblidhen më shumë të dhëna për të krahasuar performancën e modeleve të ndryshme të të nxënit automatik për të krahasuar saktësinë, besueshmërinë dhe precizitetin e mjeteve të rekomandimit. Përveç kësaj, kur zgjidhni metodën më të përshtatshme të të nxënit automatik për një detyrë të caktuar, është e rëndësishme të merren në konsideratë faktorë të tjerë si kompleksiteti dhe interpretimi i modelit.
Një kufizim i këtij studimi është se ai u përqendrua vetëm në hartëzimin e LS dhe IS midis studentëve të stomatologjisë. Prandaj, sistemi i rekomandimeve i zhvilluar do të rekomandojë vetëm ato që janë të përshtatshme për studentët e stomatologjisë. Ndryshimet janë të nevojshme për përdorim të përgjithshëm nga studentët e arsimit të lartë.
Mjeti i sapozhvilluar i rekomandimeve i bazuar në të mësuarit automatik është i aftë të klasifikojë dhe përputhë menjëherë LS-në e studentëve me SI-në përkatëse, duke e bërë atë programin e parë të edukimit dentar që ndihmon edukatorët e dentarit të planifikojnë aktivitete relevante të mësimdhënies dhe të nxënit. Duke përdorur një proces triazhimi të bazuar në të dhëna, 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. Zbatimi i tij do të promovojë qasje të përqendruara te studenti ndaj edukimit dentar.
Gilak Jani Associated Press. Përputhje ose mospërputhje midis stilit të të nxënit të studentit dhe stilit të mësimdhënies së mësuesit. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Koha e postimit: 29 Prill 2024