Raste potreba za učenjem usmjerenim na studente (SCL) u visokim obrazovnim ustanovama, uključujući stomatologiju. Međutim, SCL ima ograničenu primjenu u stomatološkom obrazovanju. Stoga, ova studija ima za cilj promovirati primjenu SCL -a u stomatologiji pomoću tehnologije strojnog učenja stabla (ML) za mapiranje preferiranog stila učenja (LS) i odgovarajućih strategija učenja (IS) stomatoloških studenata kao korisnog alata za razvoj su smjernice su smjernice . Obećavajuće metode za studente zuba.
Ukupno 255 studenata stomatologije sa Sveučilišta u Malaji ispunilo je upitnik modificirani indeks stilova učenja (M-ILS), koji je sadržavao 44 stavke kako bi ih klasificirao u svoje LSS. Prikupljeni podaci (nazvani skup podataka) koriste se u nadziranom stablu odlučivanja kako bi se automatski uskladilo s stilovima učenja učenika s najprikladnijim. Točnost strojnog učenja temelji se na preporuci Alat se zatim procjenjuje.
Primjena modela stabla odluke u automatiziranom procesu mapiranja između LS (ulaz) i je (ciljni izlaz) omogućuje neposredni popis odgovarajućih strategija učenja za svakog stomatološkog učenika. Alat IS preporuka pokazao je savršenu točnost i opoziv ukupne točnosti modela, što ukazuje na to da podudaranje LS -a s IS -om ima dobru osjetljivost i specifičnost.
Alat za preporuku IS -a temeljen na stablu odluke ML dokazao je svoju sposobnost da precizno uskladi stilove učenika stomatoloških učenika s odgovarajućim strategijama učenja. Ovaj alat pruža snažne mogućnosti za planiranje tečajeva ili modula usmjerenih na učenike koji mogu poboljšati iskustvo učenja učenika.
Nastava i učenje temeljne su aktivnosti u obrazovnim ustanovama. Kada se razvija visokokvalitetni sustav strukovnog obrazovanja, važno je usredotočiti se na potrebe učenika učenika. Interakcija između učenika i njihovog okruženja za učenje može se utvrditi kroz njihov LS. Istraživanja sugeriraju da neusklađenost između učitelja između učenika i može imati negativne posljedice za učenje učenika, poput smanjene pažnje i motivacije. To će neizravno utjecati na rad učenika [1,2].
Je metoda koju učitelji koriste za prenošenje znanja i vještina učenicima, uključujući pomaganje učenicima da nauče [3]. Općenito govoreći, dobri učitelji planiraju strategije podučavanja ili je najbolje podudarati razinu znanja njihovih učenika, konceptima koje uče i njihovoj fazi učenja. Teoretski, kada se LS i podudaraju, studenti će moći organizirati i koristiti određeni skup vještina za učinkovito učenje. Obično, plan lekcije uključuje nekoliko prijelaza između faza, poput nastave do vođene prakse ili od vođene prakse do neovisne prakse. Imajući to u vidu, učinkoviti učitelji često planiraju poduku s ciljem izgradnje znanja i vještina učenika [4].
Potražnja za SCL -om raste u visokim obrazovnim ustanovama, uključujući stomatologiju. SCL strategije osmišljene su kako bi zadovoljile potrebe učenja učenika. To se može postići, na primjer, ako studenti aktivno sudjeluju u aktivnostima učenja, a učitelji djeluju kao facilitatori i odgovorni su za pružanje vrijednih povratnih informacija. Kaže se da pružanje materijala za učenje i aktivnosti koje su prikladne obrazovnoj razini ili preferencijama učenika može poboljšati okruženje učenja učenika i promicati pozitivna iskustva u učenju [5].
Općenito govoreći, na proces učenja stomatoloških studenata utječu različiti klinički postupci koji su potrebni za obavljanje i kliničko okruženje u kojem razvijaju učinkovite međuljudske vještine. Svrha obuke je omogućiti studentima da kombiniraju osnovno znanje o stomatologiji s stomatološkim kliničkim vještinama i primijeni stečeno znanje u nove kliničke situacije [6, 7]. Rano istraživanje odnosa LS -a i utvrđeno je da bi prilagođavanje strategija učenja preslikano na preferirani LS pomoglo poboljšati obrazovni proces [8]. Autori također preporučuju korištenje različitih metoda poučavanja i procjene kako bi se prilagodili učenju i potrebama učenika.
Nastavnici imaju koristi od primjene znanja LS -a kako bi im pomogli da dizajniraju, razvijaju i implementiraju upute koje će poboljšati stjecanje dubljeg znanja i razumijevanja predmeta. Istraživači su razvili nekoliko alata za procjenu LS-a, kao što su KOLB Model iskustvenog učenja, model stila učenja Felder-Silverman (FSLSM) i Fleming Vak/Vark model [5, 9, 10]. Prema literaturi, ovi su modeli učenja najčešće korišteni i većini proučavani modeli učenja. U trenutnom istraživačkom radu, FSLSM se koristi za procjenu LS -a među studentima zuba.
FSLSM je široko korišteni model za procjenu adaptivnog učenja u inženjerstvu. Mnogo je objavljenih djela u zdravstvenim znanostima (uključujući medicinu, sestrinstvo, ljekarnu i stomatologiju) koji se mogu naći pomoću FSLSM modela [5, 11, 12, 13]. Instrument koji se koristi za mjerenje dimenzija LS -a u FLSM -u naziva se indeks stilova učenja (ILS) [8], koji sadrži 44 stavke koje procjenjuju četiri dimenzije LS: obrada (aktivna/reflektivna), percepcija (perceptivna/intuitivna), ulaz (vizualno). /verbalno) i razumijevanje (uzastopno/globalno) [14].
Kao što je prikazano na slici 1, svaka dimenzija FSLSM ima dominantnu preferenciju. Na primjer, u dimenziji obrade, studenti s "aktivnim" LS -om radije obrađuju informacije izravno komunicirajući s materijalima za učenje, učeći radeći i imaju tendenciju učenja u grupama. "Reflektivni" LS odnosi se na učenje kroz razmišljanje i preferira raditi sam. Dimenzija LS -a "opažanja" može se podijeliti na "osjećaj" i/ili "intuicije". Studenti "osjećaju" preferiraju konkretnije informacije i praktične postupke, orijentirani su na činjenice u usporedbi sa "intuitivnim" studentima koji preferiraju apstraktni materijal i po prirodi su inovativniji i kreativniji. "Ulaz" dimenzija LS sastoji se od "vizualnih" i "verbalnih" učenika. Ljudi s "vizualnim" LS -om radije uče kroz vizualne demonstracije (poput dijagrama, videozapisa ili demonstracija uživo), dok ljudi s "verbalnim" LS -om radije uče kroz riječi u pisanim ili usmenim objašnjenjima. Da bi "razumjeli" dimenzije LS -a, takvi se polaznici mogu podijeliti u "sekvencijalno" i "globalno". „Sekvencijalni učenici više vole linearni misaoni proces i uče korak po korak, dok globalni učenici imaju tendenciju da imaju holistički misaoni proces i uvijek imaju bolje razumijevanje onoga što uče.
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje na temelju podataka, uključujući razvoj novih algoritama i modela koji mogu tumačiti velike količine podataka [15, 16]. Na temelju određenih podataka, nadzirani ML (strojno učenje) u stanju je generirati obrasce i hipoteze koje predviđaju buduće rezultate na temelju izgradnje algoritama [17]. Jednostavno rečeno, nadzirane tehnike strojnog učenja manipuliraju ulaznim podacima i algoritmima vlaka. Zatim generira raspon koji klasificira ili predviđa ishod na temelju sličnih situacija za određene ulazne podatke. Glavna prednost nadziranih algoritama strojnog učenja je njegova sposobnost uspostavljanja idealnih i željenih rezultata [17].
Korištenjem metoda usmjerenih na podatke i modela kontrole stabla odlučivanja moguće je automatsko otkrivanje LS-a. Prijavljeno je da se stabla odluka široko koriste u programima obuke iz različitih područja, uključujući zdravstvene znanosti [18, 19]. U ovom istraživanju model su posebno obučili programeri sustava kako bi identificirali LS učenike i preporučili najbolje za njih.
Svrha ove studije je razviti strategije isporuke na temelju LS -a učenika i primijeniti SCL pristup razvijanjem alata za preporuku IS preslikanog na LS. Protok dizajna Alata za preporuku IS kao strategija SCL metode prikazan je na slici 1. Alat za preporuku IS je podijeljen u dva dijela, uključujući LS mehanizam klasifikacije pomoću ILS -a, a najprikladniji je prikaz za studente.
Konkretno, karakteristike alata za preporuku informacijske sigurnosti uključuju upotrebu web tehnologija i upotrebu strojnog učenja stabala. Programeri sustava poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima poput mobilnih telefona i tableta.
Eksperiment je proveden u dvije faze, a studenti sa stomatološkog fakulteta na Sveučilištu u Malaji sudjelovali su na dobrovoljnoj osnovi. Sudionici su odgovorili na internetske M-IL-ove stomatološkog studenta na engleskom jeziku. U početnoj fazi korišten je skup podataka od 50 učenika za obuku algoritma strojnog učenja stabla odlučivanja. U drugoj fazi razvojnog procesa korišten je skup podataka od 255 učenika za poboljšanje točnosti razvijenog instrumenta.
Svi sudionici dobivaju internetski brifing na početku svake faze, ovisno o akademskoj godini, putem Microsoftovih timova. Svrha studije je objašnjena i dobivena je informirani pristanak. Svi sudionici dobili su vezu za pristup M-ILS-u. Svaki je student upućen da odgovori na sve 44 stavke na upitniku. Dali su im tjedan dana da dovrše modificirane IL -ove odjednom i lokaciju prikladno za njih tijekom semestralnog prekida prije početka semestra. M-ILS se temelji na originalnom ILS instrumentu i modificiran za studente zuba. Slično originalnim IL -ovima, sadrži 44 ravnomjerno raspoređene stavke (a, b), s 11 predmeta, koji se koriste za procjenu aspekata svake dimenzije FSLSM.
Tijekom početnih faza razvoja alata, istraživači su ručno označili karte pomoću skupa podataka od 50 stomatoloških studenata. Prema FSLM -u, sustav daje zbroj odgovora "A" i "B". Za svaku dimenziju, ako student odabere "A" kao odgovor, LS se klasificira kao aktivan/percepcijski/vizualni/sekvencijalan, a ako student odabere "B" kao odgovor, student se klasificira kao reflektivni/intuitivni/lingvistički . / Globalni učenik.
Nakon kalibracije tijeka rada između istraživača stomatološkog obrazovanja i programera sustava, odabrana su pitanja na temelju FLSSM domene i ubačena u ML model kako bi se predvidjela LS svakog učenika. "Smeće, smeće" je popularna izreka na području strojnog učenja, s naglaskom na kvalitetu podataka. Kvaliteta ulaznih podataka određuje preciznost i točnost modela strojnog učenja. Tijekom faze inženjerstva, stvoren je novi skup značajki koji je zbroj odgovora "A" i "B" na temelju FLSSM -a. Identifikacijski broj pozicija lijeka dan je u tablici 1.
Izračunajte rezultat na temelju odgovora i odredite studentski LS. Za svakog učenika raspon rezultata je od 1 do 11. rezultata od 1 do 3 ukazuje na ravnotežu sklonosti učenja unutar iste dimenzije, a ocjene od 5 do 7 ukazuju na umjerenu sklonost, što ukazuje na to da studenti preferiraju jedno okruženje koje podučava druge druge . Druga varijacija iste dimenzije je da rezultati od 9 do 11 odražavaju snažnu sklonost za jedan ili drugi [8].
Za svaku dimenziju lijekovi su grupirani u "aktivne", "reflektirajuće" i "uravnotežene". Na primjer, kada student odgovori na "A" češće od "B" na određenom predmetu, a njegov rezultat premašuje prag od 5 za određeni predmet koji predstavlja dimenziju obrade, on/ona pripada "aktivnom" LS domena. . Međutim, studenti su klasificirani kao "reflektivni" LS kada su odabrali "B" više od "A" u određenim 11 pitanja (tablica 1) i postigli više od 5 bodova. Konačno, student je u stanju "ravnoteže". Ako rezultat ne prelazi 5 bodova, ovo je "proces" LS. Proces klasifikacije ponovljen je za ostale dimenzije LS, naime percepciju (aktivno/reflektivno), ulaz (vizualno/verbalno) i razumijevanje (sekvencijalno/globalno).
Modeli stabla odluka mogu koristiti različite podskupine 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 atributom, svaka grana koja predstavlja rezultate ispitivanja i svaki listni čvor (list čvor) koji sadrži oznaku klase.
Stvoren je jednostavan program koji se temelji na pravilima koji će automatski postići i bilježiti LS svakog učenika na temelju njihovih odgovora. Zasnovan na pravilima ima oblik izjave IF, gdje "IF" opisuje okidač i "tada" određuje radnju koja će se izvesti, na primjer: "Ako se X dogodi, onda učinite y" (Liu i sur., 2014). Ako skup podataka pokazuje korelaciju, a model stabla odlučivanja pravilno je obučen i procijenjen, ovaj pristup može biti učinkovit način za automatizaciju procesa podudaranja LS -a i IS -a.
U drugoj fazi razvoja, skup podataka je povećan na 255 kako bi se poboljšala točnost alata za preporuku. 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 treninga (Slika 2). Skup podataka treba podijeliti kako bi se spriječilo osposobljavanje i testiranje modela na istom skupu podataka, što bi moglo uzrokovati pamćenje modela, a ne učenje. Model je obučen na setu za trening i procjenjuje njegove performanse na testnom setu - što model nikada prije nije vidio.
Jednom kada se razvije alat, aplikacija će moći klasificirati LS na temelju odgovora stomatoloških studenata putem web sučelja. Web-utemeljeni sustav za preporuku informacijske sigurnosti izgrađen je pomoću programskih jezika Python koristeći Django Framework kao podlogu. Tablica 2 navodi knjižnice koje se koriste u razvoju ovog sustava.
Skup podataka dovodi se u model stabla odluke za izračunavanje i izvlačenje odgovora učenika kako bi se automatski klasificirao mjerenja LS učenika.
Matrica zbrke koristi se za procjenu točnosti algoritma strojnog učenja stabla odlučivanja na određenom skupu podataka. Istodobno, ocjenjuje performanse modela klasifikacije. Sažima predviđanja modela i uspoređuje ih sa stvarnim naljepnicama podataka. Rezultati evaluacije temelje se na četiri različite vrijednosti: True Pozitivno (TP) - model je ispravno predvidio pozitivnu kategoriju, lažno pozitivno (FP) - model je predvidio pozitivnu kategoriju, ali istinska oznaka bila je negativna, istinski negativan (TN) - Model je ispravno predvidio negativnu klasu i lažno negativno (FN) - model predviđa negativnu klasu, ali prava naljepnica je pozitivna.
Te se vrijednosti zatim koriste za izračunavanje različitih metrika performansi modela klasifikacije Scikit-Learn u Pythonu, naime precizno, precizno, opoziv i F1 ocjenu. Evo primjera:
Podsjetimo (ili osjetljivost) mjeri sposobnost modela da precizno klasificira LS učenika nakon odgovora na M-ILS upitnik.
Specifičnost se naziva istinska negativna stopa. Kao što vidite iz gornje formule, to bi trebao biti omjer istinskih negativa (TN) i istinskih negativa i lažnih pozitivnih rezultata (FP). Kao dio preporučenog alata za razvrstavanje studentskih lijekova, trebao bi biti sposoban za točnu identifikaciju.
Izvorni skup podataka od 50 učenika koji su se koristili za osposobljavanje ML modela stabla odluke pokazao je relativno nisku točnost zbog ljudske pogreške u napomenama (tablica 3). Nakon stvaranja jednostavnog programa temeljenog na pravilima za automatsko izračunavanje LS rezultata i napomena studenata, za osposobljavanje i testiranje sustava preporuka korišten je sve veći broj skupova podataka (255).
U matrici za zbrku s multiklasom, dijagonalni elementi predstavljaju broj ispravnih predviđanja za svaki LS tip (Slika 4). Koristeći model stabla odluke, pravilno je predviđeno 64 uzorka. Dakle, u ovom istraživanju, dijagonalni elementi pokazuju očekivane rezultate, što ukazuje da model dobro djeluje i precizno predviđa oznaku klase za svaku LS klasifikaciju. Stoga je ukupna točnost alata za preporuku 100%.
Vrijednosti točnosti, preciznosti, opoziva i F1 rezultata prikazane su na slici 5.. Za sustav preporuka koji koristi model stabla odluke, njegov F1 rezultat je 1.0 "Perfect", što ukazuje na savršenu preciznost i opoziv, što odražava značajnu osjetljivost i specifičnost Vrijednosti.
Na slici 6. prikazana je vizualizacija modela stabla odluka nakon završetka treninga i testiranja. U usporedbi sa strane, model stabla odluka obučen s manje značajki pokazao je veću točnost i lakšu vizualizaciju modela. To pokazuje da je inženjering značajki koje vodi do smanjenja značajki važan korak u poboljšanju performansi modela.
Primjenom učenje pod nadzorom stabla odluke, mapiranje između LS (ulaz) i (ciljani izlaz) automatski se generira i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% od 255 učenika preferiralo jednu (1) LS opciju. Većina (54,3%) imala je dvije ili više LS preferencija. 12,2% učenika primijetilo je da je LS prilično uravnotežen (tablica 4). Pored osam glavnih LS -a, postoje 34 kombinacije LS klasifikacija za studente stomatološke sveučilišta u Malaji. Među njima su percepcija, vizija i kombinacija percepcije i vida glavni LS koji su izvijestili studenti (slika 7).
Kao što se može vidjeti iz tablice 4, većina studenata imala je prevladavajući senzorni (13,7%) ili vizualni (8,6%) LS. Objavljeno je da je 12,2% učenika kombiniralo percepciju s vizijom (perceptivno-vizualni LS). Ovi nalazi sugeriraju da studenti radije uče i pamte kroz utvrđene metode, slijede određene i detaljne postupke i pozorni su u prirodi. U isto vrijeme, uživaju u učenju gledajući (koristeći dijagrame itd.) I skloni su raspravljati i primjenjivati informacije u grupama ili samostalno.
Ova studija daje pregled tehnika strojnog učenja korištenih u iskopavanju podataka, s naglaskom na odmah i točno predviđajući studente LS -a i preporučujući prikladno je. Primjena modela stabla odluke identificirala je čimbenike koji su najuže povezani s njihovim životnim i obrazovnim iskustvima. To je nadzirani algoritam strojnog učenja koji koristi strukturu stabla za klasificiranje podataka dijeljenjem skupa podataka u potkategorije na temelju određenih kriterija. Djeluje rekurzivnim dijeljenjem ulaznih podataka u podskupine na temelju vrijednosti jedne od ulaznih značajki svakog unutarnjeg čvora dok se na listnom čvoru ne donese odluka.
Unutarnji čvorovi stabla odluke predstavljaju rješenje na temelju ulaznih karakteristika problema M-ILS, a listovi čvorovi predstavljaju konačno predviđanje LS klasifikacije. Tijekom studije lako je razumjeti hijerarhiju stabala odluka koje objašnjavaju i vizualiziraju postupak odlučivanja gledajući odnos između ulaznih značajki i izlaznih predviđanja.
U područjima informatike i inženjerstva, algoritmi strojnog učenja široko se koriste za predviđanje učinka učenika na temelju njihovih rezultata prijemnog ispita [21], demografskih informacija i ponašanja u učenju [22]. Istraživanje je pokazalo da je algoritam precizno predvidio rad studenata i pomogao im da identificiraju studente u riziku od akademskih poteškoća.
Izvještava se o primjeni ML algoritama u razvoju virtualnih simulatora pacijenata za zubni trening. Simulator je sposoban precizno reproducirati fiziološke reakcije stvarnih bolesnika i može se koristiti za osposobljavanje učenika zuba u sigurnom i kontroliranom okruženju [23]. Nekoliko drugih studija pokazuje da algoritmi strojnog učenja mogu potencijalno poboljšati kvalitetu i učinkovitost stomatološkog i medicinskog obrazovanja i skrbi o pacijentima. Algoritmi strojnog učenja korišteni su za pomoć u dijagnozi zubnih bolesti na temelju skupova podataka kao što su simptomi i karakteristike pacijenata [24, 25]. Dok su druge studije istraživale uporabu algoritama strojnog učenja za obavljanje zadataka poput predviđanja ishoda pacijenata, identificiranja visokorizičnih pacijenata, razvoja personaliziranih planova liječenja [26], parodontalnog liječenja [27] i liječenja Cariesa [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 odluke kako bi identificirao čimbenike koji su najuže povezani s LS -om i među studentima stomatologije.
Rezultati ove studije pokazuju da razvijeni alat za preporuku ima veliku točnost i savršenu točnost, što ukazuje da nastavnici mogu imati koristi od ovog alata. Koristeći postupak klasifikacije na temelju podataka, može pružiti personalizirane preporuke i poboljšati obrazovna iskustva i rezultate za nastavnike i studente. Među njima, informacije dobivene putem preporuka mogu riješiti sukobe između preferiranih metoda poučavanja nastavnika i potreba učenja učenika. Na primjer, zbog automatiziranog izlaza alata za preporuku, vrijeme potrebno za identificiranje IP -a učenika i usklađivanje s odgovarajućim IP -om bit će značajno smanjeno. Na taj se način mogu organizirati prikladne aktivnosti treninga i materijali za obuku. To pomaže razviti pozitivno ponašanje učenja učenika i sposobnost koncentracije. Jedna studija izvijestila je da pružanje učenika materijala za učenje i aktivnosti učenja koji odgovaraju njihovom preferiranom LS -u može pomoći studentima integrirati, obraditi i uživati u učenju na više načina za postizanje većeg potencijala [12]. Istraživanje također pokazuje da, osim poboljšanja sudjelovanja učenika u učionici, razumijevanje procesa učenja učenika također igra kritičnu ulogu u poboljšanju nastavnih praksi i komunikacije sa studentima [28, 29].
Međutim, kao i kod svake moderne tehnologije, postoje problemi i ograničenja. Oni uključuju pitanja koja se odnose na privatnost podataka, pristranost i pravednost te profesionalne vještine i resurse potrebne za razvoj i provođenje algoritama strojnog učenja u stomatološkom obrazovanju; Međutim, sve veći interes i istraživanje u ovom području sugeriraju da tehnologije strojnog učenja mogu imati pozitivan utjecaj na stomatološko obrazovanje i stomatološke usluge.
Rezultati ove studije pokazuju da polovica stomatoloških studenata ima tendenciju da "percipiraju" lijekove. Ova vrsta učenika ima sklonost činjenicama i konkretnim primjerima, praktičnoj orijentaciji, strpljenju za detalje i „vizualnom“ preferencijama LS -a, gdje učenici radije koriste slike, grafiku, boje i karte za prenošenje ideja i misli. Trenutni rezultati u skladu su s drugim studijama koje koriste ILS za procjenu LS -a kod stomatoloških i medicinskih studenata, od kojih većina ima karakteristike perceptivnih i vizualnih LS -a [12, 30]. Dalmolin i ostali sugeriraju da im informiranje učenika o njihovom LS -u omogućava da postignu svoj potencijal učenja. Istraživači tvrde da će se, kada nastavnici u potpunosti razumiju obrazovni proces učenika, mogu primijeniti različite metode i aktivnosti nastave koji će poboljšati iskustvo učinka i učenja učenika [12, 31, 32]. Ostale studije pokazale su da prilagođavanje učenika LS -a također pokazuje poboljšanja u iskustvu učenja i performansi učenika nakon što su promijenili svoje stilove učenja kako bi odgovarali njihovom vlastitom LS -u [13, 33].
Mišljenja učitelja mogu se razlikovati u vezi s provedbom nastavnih strategija na temelju sposobnosti učenja učenika. Iako neki vide prednosti ovog pristupa, uključujući mogućnosti profesionalnog razvoja, mentorstvo i podršku u zajednici, drugi mogu biti zabrinuti za vrijeme i institucionalnu podršku. Truđenje ravnoteže ključno je za stvaranje stava usmjerenog na studente. Vlasti visokog obrazovanja, poput sveučilišnih administratora, mogu igrati važnu ulogu u pokretanju pozitivnih promjena uvođenjem inovativnih praksi i podržavanjem razvoja fakulteta [34]. Da bi stvorili uistinu dinamičan i responzivan sustav visokog obrazovanja, kreatori politika moraju poduzeti podebljane korake, poput izrade promjena politike, posvećenja resursa tehnološkoj integraciji i stvaranja okvira koji promiču pristupe usmjerene na studente. Ove su mjere presudne za postizanje željenih rezultata. Nedavna istraživanja o diferenciranom podučavanju jasno su pokazala da uspješna provedba diferenciranog podučavanja zahtijeva stalne mogućnosti obuke i razvoja za nastavnike [35].
Ovaj alat pruža vrijednu podršku stomatološkim odgajateljima koji žele preuzeti pristup usredotočenom na student u planiranju aktivnosti učenja prilagođenih učenicima. Međutim, ova je studija ograničena na upotrebu ML modela stabla odlučivanja. U budućnosti bi se trebalo prikupiti više podataka kako bi se usporedile performanse različitih modela strojnog učenja kako bi se usporedila točnost, pouzdanost i preciznost alata za preporuke. Uz to, pri odabiru najprikladnije metode strojnog učenja za određeni zadatak, važno je razmotriti druge čimbenike kao što su složenost modela i interpretacija.
Ograničenje ove studije je da se fokusirala samo na mapiranje LS -a i među studentima zuba. Stoga će razvijeni sustav preporuka preporučiti samo one koji su prikladni za studente zuba. Promjene su potrebne za opću upotrebu studenata visokog obrazovanja.
Novorazvijeni alat za preporuku temeljen na strojnom učenju sposoban je odmah razvrstati i uskladiti studente s odgovarajućim IS-om, što ga čini prvim programom stomatološkog obrazovanja koji će pomoći stomatološkim odgajateljima da planiraju relevantne aktivnosti podučavanja i učenja. Koristeći postupak trijage koji se temelji na podacima, može pružiti personalizirane preporuke, uštedjeti vrijeme, poboljšati nastavne strategije, podržavati ciljane intervencije i promicati stalni profesionalni razvoj. Njegova prijava promovirat će pristupe stomatološkom obrazovanju usmjerenom na studente.
Gilak Jani Associated Press. Uskladite ili neusklađenost između učenika učenja i stila učitelja. Int J Mod Educ informatika. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Vrijeme posta: travanj-29-2024