Postoji sve veća potreba za učenjem usmjerenim na studente (SCL) u institucijama visokog obrazovanja, uključujući stomatologiju.Međutim, SCL ima ograničenu primjenu u stomatološkom obrazovanju.Stoga ova studija ima za cilj promovirati primjenu SCL-a u stomatologiji korištenjem tehnologije strojnog učenja stabla odlučivanja (ML) za mapiranje preferiranog stila učenja (LS) i odgovarajućih strategija učenja (IS) studenata stomatologije kao korisnog alata za razvoj smjernica za IS. .Obećavajuće metode za studente stomatologije.
Ukupno 255 studenata stomatologije sa Sveučilišta Malaya ispunilo je modificirani upitnik Indeksa stilova učenja (m-ILS), koji je sadržavao 44 stavke za njihovu klasifikaciju u odgovarajuće LS.Prikupljeni podaci (koji se nazivaju skup podataka) koriste se u nadziranom učenju stabla odlučivanja za automatsko usklađivanje stilova učenja učenika s najprikladnijim IS-om.Zatim se procjenjuje točnost alata za preporuku IS-a temeljenog na strojnom učenju.
Primjena modela stabla odlučivanja u automatiziranom procesu mapiranja između LS (input) i IS (target output) omogućuje neposredan popis odgovarajućih strategija učenja za svakog studenta stomatologije.Alat za preporuku IS-a pokazao je savršenu točnost i opoziv ukupne točnosti modela, što ukazuje da podudaranje LS-a sa IS-om ima dobru osjetljivost i specifičnost.
Alat za preporuku IS-a temeljen na ML stablu odlučivanja dokazao je svoju sposobnost da točno uskladi stilove učenja studenata stomatologije s odgovarajućim strategijama učenja.Ovaj alat pruža moćne opcije za planiranje tečajeva ili modula usmjerenih na učenika koji mogu poboljšati iskustvo učenja učenika.
Poučavanje i učenje temeljne su aktivnosti u obrazovnim ustanovama.Pri razvoju visokokvalitetnog sustava strukovnog obrazovanja važno je fokusirati se na potrebe učenja učenika.Interakcija između učenika i njihove okoline za učenje može se odrediti kroz njihov LS.Istraživanja sugeriraju da neusklađenosti između LS i IS učenika koje namjeravaju učiniti učitelji mogu imati negativne posljedice za učenje učenika, poput smanjene pažnje i motivacije.To će neizravno utjecati na uspjeh učenika [1,2].
IS je metoda koju koriste nastavnici za prenošenje znanja i vještina učenicima, uključujući pomoć učenicima u učenju [3].Općenito govoreći, dobri učitelji planiraju strategije podučavanja ili IS koje najbolje odgovaraju razini znanja njihovih učenika, konceptima koje uče i njihovom stupnju učenja.Teoretski, kada se LS i IS podudaraju, učenici će moći organizirati i koristiti određeni skup vještina za učinkovito učenje.Obično plan lekcije uključuje nekoliko prijelaza između faza, kao što je od poučavanja do vođene prakse ili od vođene prakse do samostalne prakse.Imajući to na umu, učinkoviti učitelji često planiraju nastavu s ciljem izgradnje znanja i vještina učenika [4].
Potražnja za SCL-om raste na visokim učilištima, uključujući i stomatologiju.SCL strategije osmišljene su kako bi zadovoljile potrebe učenika za učenjem.To se može postići, na primjer, ako učenici aktivno sudjeluju u aktivnostima učenja, a nastavnici djeluju kao voditelji i odgovorni su za pružanje vrijednih povratnih informacija.Kaže se da pružanje materijala za učenje i aktivnosti koji su primjereni obrazovnoj razini ili preferencijama učenika može poboljšati okruženje za učenje učenika i promicati pozitivna iskustva učenja [5].
Općenito govoreći, na proces učenja studenata stomatologije utječu različiti klinički postupci koje moraju izvesti i kliničko okruženje u kojem razvijaju učinkovite međuljudske vještine.Svrha obuke je osposobiti studente za kombiniranje temeljnih znanja iz stomatologije sa stomatološkim kliničkim vještinama i primjenu stečenih znanja u novim kliničkim situacijama [6, 7].Rano istraživanje odnosa između LS i IS pokazalo je da bi prilagodba strategija učenja preslikanih na preferirani LS pomogla u poboljšanju obrazovnog procesa [8].Autori također preporučuju korištenje različitih metoda poučavanja i ocjenjivanja kako bi se prilagodile učenju i potrebama učenika.
Učitelji imaju koristi od primjene LS znanja koje im pomaže u dizajniranju, razvoju i provedbi nastave koja će poboljšati stjecanje dubljeg znanja i razumijevanja predmeta od strane učenika.Istraživači su razvili nekoliko alata za procjenu LS, kao što su Kolbov model iskustvenog učenja, Felder-Silvermanov model stila učenja (FSLSM) i Flemingov VAK/VARK model [5, 9, 10].Prema literaturi, ovi modeli učenja su najčešće korišteni i najviše proučavani modeli učenja.U trenutnom istraživačkom radu, FSLSM se koristi za procjenu LS među studentima stomatologije.
FSLSM je široko korišten model za evaluaciju adaptivnog učenja u inženjerstvu.Postoje mnogi objavljeni radovi u zdravstvenim znanostima (uključujući medicinu, sestrinstvo, farmaciju i stomatologiju) koji se mogu pronaći korištenjem FSLSM modela [5, 11, 12, 13].Instrument koji se koristi za mjerenje dimenzija LS u FLSM-u naziva se Indeks stilova učenja (ILS) [8], koji sadrži 44 čestice koje procjenjuju četiri dimenzije LS: procesiranje (aktivno/refleksivno), percepciju (perceptivno/intuitivno), unos (vizualni)./verbalno) i razumijevanje (sekvencijalno/globalno) [14].
Kao što je prikazano na slici 1, svaka FSLSM dimenzija ima dominantnu preferenciju.Na primjer, u dimenziji obrade, učenici s "aktivnim" LS radije obrađuju informacije izravnom interakcijom s materijalima za učenje, uče radeći i teže učenju u grupama."Reflektivni" LS se odnosi na učenje kroz razmišljanje i radije radi sam.Dimenzija "opažanja" LS-a može se podijeliti na "osjećaj" i/ili "intuiciju".„Osjećajni“ učenici preferiraju konkretnije informacije i praktične postupke, orijentirani su na činjenice u usporedbi s „intuitivnim“ studentima koji preferiraju apstraktni materijal te su inovativniji i kreativniji po prirodi.“Ulazna” dimenzija LS sastoji se od “vizualnih” i “verbalnih” učenika.Osobe s "vizualnim" LS radije uče putem vizualnih demonstracija (kao što su dijagrami, video zapisi ili demonstracije uživo), dok osobe s "verbalnim" LS radije uče putem riječi u pisanom ili usmenom objašnjenju.Da bi se "razumjeli" LS dimenzije, takvi se učenici mogu podijeliti na "sekvencijalne" i "globalne".„Sekvencijalni učenici preferiraju linearni misaoni proces i uče korak po korak, dok globalni učenici imaju holistički misaoni proces i uvijek bolje razumiju ono što uče.
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje podataka, uključujući razvoj novih algoritama i modela koji mogu interpretirati velike količine podataka [15, 16].Na temelju dobivenih podataka, nadzirani ML (strojno učenje) može generirati obrasce i hipoteze koje predviđaju buduće rezultate na temelju konstrukcije algoritama [17].Jednostavno rečeno, nadzirane tehnike strojnog učenja manipuliraju ulaznim podacima i treniraju algoritme.Zatim generira raspon koji klasificira ili predviđa ishod na temelju sličnih situacija za dostavljene ulazne podatke.Glavna prednost nadziranih algoritama strojnog učenja je njegova sposobnost uspostavljanja idealnih i željenih rezultata [17].
Korištenjem metoda vođenih podacima i upravljačkih modela stabla odlučivanja moguće je automatsko otkrivanje LS-a.Zabilježeno je da se stabla odlučivanja široko koriste u programima obuke u raznim područjima, uključujući zdravstvene znanosti [18, 19].U ovoj studiji, razvojni programeri sustava posebno su uvježbali model kako bi identificirali studentske LS i preporučili najbolji IS za njih.
Svrha ove studije je razviti strategije isporuke IS-a na temelju studentskih LS-a i primijeniti SCL pristup razvijanjem alata za preporuku IS-a preslikanog na LS.Tijek dizajna alata za preporuku IS kao strategije SCL metode prikazan je na slici 1. Alat za preporuku IS podijeljen je u dva dijela, uključujući mehanizam klasifikacije LS koji koristi ILS i najprikladniji prikaz IS za studente.
Konkretno, karakteristike alata za preporuku informacijske sigurnosti uključuju korištenje web tehnologija i korištenje strojnog učenja stabla odlučivanja.Programeri sustava poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima poput mobitela i tableta.
Eksperiment je proveden u dvije faze, a dobrovoljno su sudjelovali studenti Stomatološkog fakulteta Sveučilišta Malaya.Sudionici su odgovorili na online m-ILS studenta stomatologije na engleskom jeziku.U početnoj fazi, skup podataka od 50 učenika korišten je za obuku algoritma strojnog učenja stabla odlučivanja.U drugoj fazi razvojnog procesa korišten je skup podataka od 255 učenika kako bi se poboljšala točnost razvijenog instrumenta.
Svi sudionici dobivaju online brifing na početku svakog stupnja, ovisno o akademskoj godini, putem Microsoft Teamsa.Objašnjena je svrha studije i dobiven je informirani pristanak.Svi su sudionici dobili poveznicu za pristup m-ILS-u.Svaki je učenik trebao odgovoriti na sve 44 stavke upitnika.Dobili su tjedan dana da završe modificirani ILS u vrijeme i na mjestu koje im odgovara tijekom semestralne stanke prije početka semestra.m-ILS se temelji na originalnom ILS instrumentu i modificiran je za studente stomatologije.Slično izvornom ILS-u, sadrži 44 ravnomjerno raspoređene stavke (a, b), s 11 stavki svaka, koje se koriste za procjenu aspekata svake FSLSM dimenzije.
Tijekom početnih faza razvoja alata, istraživači su ručno označili mape koristeći skup podataka od 50 studenata stomatologije.Prema FSLM-u, sustav daje zbroj odgovora "a" i "b".Za svaku dimenziju, ako učenik odabere "a" kao odgovor, LS se klasificira kao aktivni/perceptivni/vizualni/sekvencijalni, a ako učenik odabere "b" kao odgovor, učenik se klasificira kao reflektivni/intuitivni/lingvistički ./ globalni učenik.
Nakon kalibriranja tijeka rada između istraživača stomatološke edukacije i programera sustava, pitanja su odabrana na temelju FLSSM domene i unesena u ML model za predviđanje LS svakog učenika.“Smeće unutra, smeće van” popularna je izreka u području strojnog učenja, s naglaskom na kvalitetu podataka.Kvaliteta ulaznih podataka određuje preciznost i točnost modela strojnog učenja.Tijekom faze inženjeringa značajki kreira se novi skup značajki koji je zbroj odgovora "a" i "b" na temelju FLSSM-a.Identifikacijski brojevi pozicija lijekova dani su u tablici 1.
Izračunajte rezultat na temelju odgovora i odredite studentov LS.Za svakog učenika raspon bodova je od 1 do 11. Rezultati od 1 do 3 označavaju ravnotežu preferencija učenja unutar iste dimenzije, a rezultati od 5 do 7 označavaju umjerenu sklonost, što ukazuje na to da učenici preferiraju jedno okruženje u kojem poučavaju druge .Druga varijacija na istoj dimenziji je da rezultati od 9 do 11 odražavaju jaku sklonost jednom ili drugom kraju [8].
Za svaku dimenziju lijekovi su grupirani u "aktivne", "reflektirajuće" i "uravnotežene".Na primjer, kada učenik odgovori s "a" češće nego s "b" na određenoj temi i njegov/njezin rezultat prelazi prag od 5 za određenu stavku koja predstavlja dimenziju Processing LS, on/ona pripada "aktivnoj" LS domena..Međutim, studenti su klasificirani kao "reflektivni" LS kada su odabrali "b" više od "a" u specifičnih 11 pitanja (Tablica 1) i osvojili više od 5 bodova.Konačno, učenik je u stanju "ravnoteže".Ako rezultat ne prelazi 5 bodova, onda je to "proces" LS.Proces klasifikacije ponovljen je za ostale dimenzije LS-a, odnosno percepciju (aktivno/refleksivno), input (vizualno/verbalno) i razumijevanje (sekvencijalno/globalno).
Modeli stabla odlučivanja mogu koristiti različite podskupove značajki i pravila odlučivanja u različitim fazama procesa klasifikacije.Smatra se popularnim alatom za klasifikaciju i predviđanje.Može se predstaviti pomoću strukture stabla kao što je dijagram toka [20], u kojem postoje unutarnji čvorovi koji predstavljaju testove po atributu, svaka grana predstavlja rezultate testa, a svaki lisni čvor (lisni čvor) sadrži oznaku klase.
Stvoren je jednostavan program temeljen na pravilima za automatsko bodovanje i označavanje LS svakog učenika na temelju njihovih odgovora.Temeljeno na pravilima ima oblik izjave IF, gdje "IF" opisuje okidač, a "THEN" specificira radnju koju treba izvršiti, na primjer: "Ako se X dogodi, onda učini Y" (Liu et al., 2014).Ako skup podataka pokazuje korelaciju i model stabla odlučivanja je pravilno obučen i ocijenjen, ovaj pristup može biti učinkovit način za automatiziranje procesa uparivanja LS i IS.
U drugoj fazi razvoja skup podataka povećan je na 255 kako bi se poboljšala točnost alata za preporuke.Skup podataka je podijeljen u omjeru 1:4.25% (64) skupa podataka korišteno je za testni skup, a preostalih 75% (191) korišteno je kao skup za obuku (Slika 2).Skup podataka treba podijeliti kako bi se spriječilo uvježbavanje i testiranje modela na istom skupu podataka, što bi moglo uzrokovati da model pamti umjesto da uči.Model se uvježbava na skupu za vježbanje i procjenjuje svoju izvedbu na testnom skupu—podacima koje model nikada prije nije vidio.
Nakon što se razvije alat IS, aplikacija će moći klasificirati LS na temelju odgovora studenata stomatologije putem web sučelja.Sustav alata za preporuku informacijske sigurnosti temeljen na webu izgrađen je korištenjem programskog jezika Python koristeći okvir Django kao pozadinu.Tablica 2 navodi knjižnice korištene u razvoju ovog sustava.
Skup podataka se unosi u model stabla odlučivanja kako bi se izračunali i izdvojili odgovori učenika za automatsku klasifikaciju studentskih LS mjerenja.
Matrica zabune koristi se za procjenu točnosti algoritma strojnog učenja stabla odluka na danom skupu podataka.Istovremeno se ocjenjuje izvedba klasifikacijskog modela.Sažima predviđanja modela i uspoređuje ih sa stvarnim oznakama podataka.Rezultati evaluacije temelje se na četiri različite vrijednosti: True Positive (TP) – model je točno predvidio pozitivnu kategoriju, False Positive (FP) – model je predvidio pozitivnu kategoriju, ali je istinita oznaka bila negativna, True Negative (TN) – model je točno predvidio negativnu klasu, a lažno negativan (FN) – Model predviđa negativnu klasu, ali je prava oznaka pozitivna.
Te se vrijednosti zatim koriste za izračun različitih metrika izvedbe scikit-learn klasifikacijskog modela u Pythonu, točnije preciznosti, preciznosti, prisjećanja i F1 rezultata.Evo primjera:
Prisjećanje (ili osjetljivost) mjeri sposobnost modela da točno klasificira studentov LS nakon odgovaranja na m-ILS upitnik.
Specifičnost se naziva prava negativna stopa.Kao što možete vidjeti iz gornje formule, ovo bi trebao biti omjer stvarno negativnih (TN) i istinskih negativnih i lažno pozitivnih (FP).Kao dio preporučenog alata za klasificiranje studentskih droga, trebao bi biti sposoban točne identifikacije.
Izvorni skup podataka od 50 učenika korišten za obuku ML modela stabla odlučivanja pokazao je relativno nisku točnost zbog ljudske pogreške u komentarima (tablica 3).Nakon stvaranja jednostavnog programa temeljenog na pravilima za automatski izračun LS rezultata i bilješki učenika, sve veći broj skupova podataka (255) korišten je za obuku i testiranje sustava preporuka.
U višeklasnoj matrici zabune, dijagonalni elementi predstavljaju broj točnih predviđanja za svaki tip LS (slika 4).Korištenjem modela stabla odlučivanja točno su predviđena ukupno 64 uzorka.Stoga, u ovoj studiji, dijagonalni elementi pokazuju očekivane rezultate, ukazujući da model dobro radi i točno predviđa oznaku klase za svaku LS klasifikaciju.Stoga je ukupna točnost alata za preporuku 100%.
Vrijednosti točnosti, preciznosti, prisjećanja i F1 rezultata prikazane su na slici 5. Za sustav preporuka koji koristi model stabla odlučivanja, njegov F1 rezultat je 1,0 "savršeno", što ukazuje na savršenu preciznost i prisjećanje, odražavajući značajnu osjetljivost i specifičnost vrijednosti.
Slika 6 prikazuje vizualizaciju modela stabla odlučivanja nakon završetka obuke i testiranja.U paralelnoj usporedbi, model stabla odlučivanja obučen s manje značajki pokazao je veću točnost i lakšu vizualizaciju modela.To pokazuje da je inženjering značajki koji vodi smanjenju značajki važan korak u poboljšanju izvedbe modela.
Primjenom nadziranog učenja stabla odlučivanja automatski se generira preslikavanje između LS (ulaz) i IS (ciljani izlaz) i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% od 255 učenika preferiralo jednu (1) opciju LS.Većina (54,3%) imala je dvije ili više LS preferencija.12,2% učenika navelo je da je LS prilično uravnotežen (Tablica 4).Uz osam glavnih LS, postoje 34 kombinacije LS klasifikacija za studente stomatologije Sveučilišta Malaya.Među njima, percepcija, vizija i kombinacija percepcije i vizije glavni su LS koje navode studenti (Slika 7).
Kao što je vidljivo iz tablice 4. kod većine učenika prevladavao je senzorni (13,7%) ili vizualni (8,6%) LS.Zabilježeno je da je 12,2% učenika kombiniralo percepciju s vizijom (perceptivno-vizualni LS).Ovi nalazi sugeriraju da učenici više vole učiti i pamtiti putem utvrđenih metoda, slijede specifične i detaljne procedure i pažljivi su po prirodi.U isto vrijeme uživaju u učenju gledajući (koristeći dijagrame, itd.) i skloni su raspravljanju i primjeni informacija u grupama ili sami.
Ova studija pruža pregled tehnika strojnog učenja koje se koriste u rudarenju podataka, s fokusom na trenutačno i točno predviđanje studentskih LS-a i preporuku odgovarajućeg IS-a.Primjenom modela stabla odlučivanja identificirani su čimbenici koji su najbliže povezani s njihovim životnim i obrazovnim iskustvima.To je nadzirani algoritam strojnog učenja koji koristi strukturu stabla za klasifikaciju podataka dijeljenjem skupa podataka u potkategorije na temelju određenih kriterija.Djeluje rekurzivno dijeleći ulazne podatke u podskupove na temelju vrijednosti jedne od ulaznih značajki svakog internog čvora dok se odluka ne donese na lisnom čvoru.
Unutarnji čvorovi stabla odlučivanja predstavljaju rješenje temeljeno na ulaznim karakteristikama m-ILS problema, a lisnati čvorovi predstavljaju konačno predviđanje LS klasifikacije.Kroz studiju je lako razumjeti hijerarhiju stabala odlučivanja koja objašnjavaju i vizualiziraju proces odlučivanja gledajući odnos između ulaznih značajki i izlaznih predviđanja.
U područjima računalne znanosti i inženjerstva, algoritmi strojnog učenja naširoko se koriste za predviđanje uspjeha studenata na temelju njihovih rezultata na prijemnom ispitu [21], demografskih podataka i ponašanja pri učenju [22].Istraživanje je pokazalo da je algoritam točno predvidio uspjeh učenika i pomogao im identificirati učenike koji su izloženi riziku od akademskih poteškoća.
Prikazana je primjena ML algoritama u razvoju virtualnih simulatora pacijenata za stomatološku obuku.Simulator je sposoban točno reproducirati fiziološke reakcije stvarnih pacijenata i može se koristiti za obuku studenata stomatologije u sigurnom i kontroliranom okruženju [23].Nekoliko drugih studija pokazuje da algoritmi strojnog učenja potencijalno mogu poboljšati kvalitetu i učinkovitost stomatološke i medicinske edukacije i skrbi za pacijente.Algoritmi strojnog učenja korišteni su za pomoć u dijagnozi dentalnih bolesti na temelju skupova podataka kao što su simptomi i karakteristike pacijenata [24, 25].Dok su druge studije istraživale upotrebu algoritama strojnog učenja za obavljanje zadataka kao što su predviđanje ishoda pacijenata, prepoznavanje visokorizičnih pacijenata, razvoj personaliziranih planova liječenja [26], parodontno liječenje [27] i liječenje karijesa [25].
Iako su objavljena izvješća o primjeni strojnog učenja u stomatologiji, njegova primjena u stomatološkom obrazovanju ostaje ograničena.Stoga je ova studija imala za cilj koristiti model stabla odlučivanja kako bi identificirala čimbenike koji su najbliže povezani s LS i IS među studentima stomatologije.
Rezultati ove studije pokazuju da razvijeni alat za preporuke ima visoku točnost i savršenu točnost, što ukazuje da nastavnici mogu imati koristi od ovog alata.Koristeći proces klasifikacije koji se temelji na podacima, može pružiti personalizirane preporuke i poboljšati obrazovna iskustva i rezultate za nastavnike i učenike.Među njima, informacije dobivene putem alata za preporuku mogu riješiti sukobe između preferiranih metoda podučavanja nastavnika i potreba učenika za učenjem.Na primjer, zbog automatiziranog izlaza alata za preporuku, vrijeme potrebno za identifikaciju studentove IP adrese i njezino usklađivanje s odgovarajućom IP bit će značajno smanjeno.Na taj način mogu se organizirati odgovarajuće aktivnosti obuke i materijali za obuku.To pomaže razviti pozitivno ponašanje učenika pri učenju i sposobnost koncentracije.Jedno je istraživanje izvijestilo da pružanje materijala za učenje i aktivnosti učenja učenicima koji odgovaraju njihovim preferiranim LS može pomoći učenicima da se integriraju, procesuiraju i uživaju u učenju na više načina kako bi postigli veći potencijal [12].Istraživanje također pokazuje da osim poboljšanja učeničkog sudjelovanja u razredu, razumijevanje studentskog procesa učenja također igra ključnu ulogu u poboljšanju nastavne prakse i komunikacije s učenicima [28, 29].
Međutim, kao i kod svake moderne tehnologije, postoje problemi i ograničenja.To uključuje pitanja vezana uz privatnost podataka, pristranost i poštenje te profesionalne vještine i resurse potrebne za razvoj i implementaciju algoritama strojnog učenja u stomatološkom obrazovanju;Međutim, sve veći interes i istraživanja u ovom području sugeriraju da tehnologije strojnog učenja mogu imati pozitivan učinak na stomatološko obrazovanje i stomatološke usluge.
Rezultati ovog istraživanja pokazuju da polovica studenata stomatologije ima sklonost "percipiranju" droga.Ovaj tip učenika preferira činjenice i konkretne primjere, praktičnu orijentaciju, strpljenje za detalje i "vizualne" LS sklonosti, gdje učenici radije koriste slike, grafike, boje i karte za prenošenje ideja i misli.Trenutačni rezultati u skladu su s drugim studijama koje koriste ILS za procjenu LS-a kod studenata stomatologije i medicine, od kojih većina ima karakteristike perceptivnog i vizualnog LS-a [12, 30].Dalmolin i suradnici sugeriraju da im informiranje učenika o njihovim LS omogućuje da dostignu svoj potencijal učenja.Istraživači tvrde da kada učitelji u potpunosti razumiju obrazovni proces učenika, mogu se primijeniti različite nastavne metode i aktivnosti koje će poboljšati izvedbu učenika i iskustvo učenja [12, 31, 32].Druge su studije pokazale da prilagodba studentskih LS također pokazuje poboljšanja u iskustvu učenja i uspješnosti učenika nakon promjene njihovih stilova učenja kako bi odgovarali njihovim vlastitim LS [13, 33].
Mišljenja nastavnika mogu biti različita o primjeni nastavnih strategija temeljenih na sposobnostima učenja učenika.Dok neki vide prednosti ovog pristupa, uključujući prilike za profesionalni razvoj, mentorstvo i podršku zajednice, drugi bi mogli biti zabrinuti zbog vremena i institucionalne podrške.Težnja za ravnotežom ključna je za stvaranje stava usmjerenog na učenika.Vlasti visokog obrazovanja, poput sveučilišnih administratora, mogu igrati važnu ulogu u pokretanju pozitivnih promjena uvođenjem inovativnih praksi i podržavanjem razvoja fakulteta [34].Kako bi stvorili istinski dinamičan i osjetljiv sustav visokog obrazovanja, kreatori politike moraju poduzeti hrabre korake, kao što su promjene politike, izdvajanje resursa za integraciju tehnologije i stvaranje okvira koji promiču pristupe usmjerene na studente.Ove mjere su ključne za postizanje željenih rezultata.Nedavna istraživanja o diferenciranoj nastavi jasno su pokazala da uspješna provedba diferencirane nastave zahtijeva stalnu obuku i mogućnosti razvoja za učitelje [35].
Ovaj alat pruža vrijednu podršku stomatološkim edukatorima koji žele zauzeti pristup usmjeren na studente u planiranju aktivnosti učenja prilagođenih studentima.Međutim, ova je studija ograničena na korištenje ML modela stabla odlučivanja.U budućnosti bi trebalo prikupiti više podataka za usporedbu izvedbe različitih modela strojnog učenja za usporedbu točnosti, pouzdanosti i preciznosti alata za preporuke.Osim toga, pri odabiru najprikladnije metode strojnog učenja za određeni zadatak, važno je uzeti u obzir druge čimbenike kao što su složenost modela i interpretacija.
Ograničenje ove studije je to što se fokusira samo na mapiranje LS i IS među studentima stomatologije.Stoga će razvijeni sustav preporuka preporučiti samo one koji su prikladni za studente stomatologije.Promjene su nužne za opću uporabu studenata visokog obrazovanja.
Novorazvijeni alat za preporuku temeljen na strojnom učenju sposoban je trenutno klasificirati i uskladiti studentske LS s odgovarajućim IS-om, što ga čini prvim stomatološkim obrazovnim programom koji pomaže stomatološkim edukatorima u planiranju relevantnih aktivnosti podučavanja i učenja.Koristeći proces trijaže vođen podacima, može pružiti personalizirane preporuke, uštedjeti vrijeme, poboljšati strategije podučavanja, podržati ciljane intervencije i promicati stalni profesionalni razvoj.Njegova će primjena promicati pristup stomatološkom obrazovanju usmjeren na studenta.
Gilak Jani Associated Press.Podudarnost ili neusklađenost između studentovog stila učenja i učiteljevog stila poučavanja.Int J Mod Educ Računalne znanosti.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Vrijeme objave: 29. travnja 2024