Postoji sve veća potreba za učenjem usmjerenim na studenta (SCL) u visokoškolskim ustanovama, uključujući stomatologiju. Međutim, SCL ima ograničenu primjenu u stomatološkom obrazovanju. Stoga je cilj ove studije promovirati primjenu SCL-a u stomatologiji korištenjem tehnologije strojnog učenja (ML) stabla odlučivanja 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 u Malayi ispunilo je modificirani upitnik Indeksa stilova učenja (m-ILS), koji je sadržavao 44 stavke za njihovu klasifikaciju u odgovarajuće LS-ove. Prikupljeni podaci (nazvani skup podataka) koriste se u nadziranom učenju stabla odlučivanja kako bi se automatski povezali stilovi učenja studenata s najprikladnijim IS-om. Zatim se procjenjuje točnost alata za preporuke IS-a temeljenog na strojnom učenju.
Primjena modela stabla odlučivanja u automatiziranom procesu mapiranja između LS (ulaz) i IS (ciljni izlaz) omogućuje trenutni popis odgovarajućih strategija učenja za svakog studenta stomatologije. Alat za preporuke IS pokazao je savršenu točnost i prizivanje ukupne točnosti modela, što ukazuje na to da usklađivanje LS s IS ima dobru osjetljivost i specifičnost.
Alat za preporuke informacijskog sustava temeljen na stablu odlučivanja strojnog učenja dokazao je svoju sposobnost preciznog usklađivanja stilova učenja studenata stomatologije s odgovarajućim strategijama učenja. Ovaj alat pruža moćne mogućnosti za planiranje tečajeva ili modula usmjerenih na učenike koji mogu poboljšati iskustvo učenja studenata.
Poučavanje i učenje temeljne su aktivnosti u obrazovnim ustanovama. Prilikom razvoja visokokvalitetnog sustava strukovnog obrazovanja važno je usredotočiti se na potrebe učenika za učenjem. Interakcija između učenika i njihovog okruženja za učenje može se utvrditi putem njihovog LS-a (literature structure - učenje). Istraživanja pokazuju da neusklađenosti između LS-a i IS-a koje namjeravaju učitelji imati 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 učitelji koriste za prenošenje znanja i vještina učenicima, uključujući pomoć učenicima u učenju [3]. Općenito govoreći, dobri učitelji planiraju strategije poučavanja ili IS koji najbolje odgovaraju razini znanja njihovih učenika, konceptima koje uče i njihovoj fazi učenja. Teoretski, kada se LS i IS podudaraju, učenici će moći organizirati i koristiti određeni skup vještina za učinkovito učenje. Plan lekcije obično 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 u visokoškolskim ustanovama, uključujući stomatologiju. Strategije SCL-a osmišljene su kako bi zadovoljile potrebe studenata za učenjem. To se može postići, na primjer, ako studenti aktivno sudjeluju u aktivnostima učenja, a nastavnici djeluju kao posrednici i odgovorni su za pružanje vrijednih povratnih informacija. Kaže se da pružanje nastavnih materijala i aktivnosti koje su primjerene obrazovnoj razini ili preferencijama studenata može poboljšati okruženje za učenje studenata i potaknuti pozitivna iskustva učenja [5].
Općenito govoreći, proces učenja studenata stomatologije pod utjecajem je različitih kliničkih postupaka koje moraju izvoditi i kliničkog okruženja u kojem razvijaju učinkovite međuljudske vještine. Svrha obuke je omogućiti studentima da kombiniraju osnovno znanje stomatologije s kliničkim vještinama stomatologije i primijene stečeno znanje u novim kliničkim situacijama [6, 7]. Rana istraživanja odnosa između LS i IS otkrila su da bi prilagođavanje strategija učenja mapiranih na preferirani LS pomoglo u poboljšanju obrazovnog procesa [8]. Autori također preporučuju korištenje različitih metoda poučavanja i ocjenjivanja kako bi se prilagodili učenju i potrebama studenata.
Nastavnici imaju koristi od primjene znanja o LS-u kako bi im pomogli u dizajniranju, razvoju i provedbi nastave koja će poboljšati stjecanje dubljeg znanja i razumijevanja gradiva kod učenika. Istraživači su razvili nekoliko alata za procjenu LS-a, 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 najčešće su korišteni i najproučavaniji modeli učenja. U trenutnom istraživačkom radu, FSLSM se koristi za procjenu LS-a među studentima stomatologije.
FSLSM je široko korišten model za procjenu 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-a u FLSM-u naziva se Indeks stilova učenja (ILS) [8], koji sadrži 44 stavke koje procjenjuju četiri dimenzije LS-a: obradu (aktivnu/refleksivnu), percepciju (perceptivnu/intuitivnu), unos (vizualni/verbalni) i razumijevanje (sekvencijalno/globalno) [14].
Kao što je prikazano na slici 1, svaka dimenzija FSLSM-a ima dominantnu preferenciju. Na primjer, u dimenziji obrade, učenici s „aktivnim“ LS-om preferiraju obrađivati informacije izravnom interakcijom s nastavnim materijalima, uče radeći i skloniji su učenju u grupama. „Reflektivni“ LS odnosi se na učenje kroz razmišljanje i preferira samostalni rad. „Opažajuća“ dimenzija LS-a može se podijeliti na „osjećanje“ i/ili „intuiciju“. „Osjećajući“ učenici preferiraju konkretnije informacije i praktične postupke, orijentirani su na činjenice u usporedbi s „intuitivnim“ učenicima koji preferiraju apstraktni materijal te su inovativnije i kreativnije prirode. „Ulazna“ dimenzija LS-a sastoji se od „vizualnih“ i „verbalnih“ učenika. Osobe s „vizualnim“ LS-om preferiraju učenje putem vizualnih demonstracija (kao što su dijagrami, videozapisi ili demonstracije uživo), dok osobe s „verbalnim“ LS-om preferiraju učenje putem riječi u pisanim ili usmenim objašnjenjima. Kako bi „razumjeli“ dimenzije LS-a, takvi se učenici mogu podijeliti na „sekvencijalne“ i „globalne“. „Sekvencijalni učenici preferiraju linearni proces razmišljanja i uče korak po korak, dok globalni učenici imaju tendenciju holističkog procesa razmišljanja i uvijek bolje razumiju ono što uče.“
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje temeljeno na podacima, uključujući razvoj novih algoritama i modela sposobnih za interpretaciju velikih količina podataka [15, 16]. Na temelju dostavljenih podataka, nadzirano strojno učenje (ML) može generirati obrasce i hipoteze koji predviđaju buduće rezultate na temelju konstrukcije algoritama [17]. Jednostavno rečeno, tehnike nadziranog 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 algoritama nadziranog strojnog učenja je njegova sposobnost uspostavljanja idealnih i željenih rezultata [17].
Korištenjem metoda temeljenih na podacima i modela upravljanja stablom odlučivanja, moguće je automatsko otkrivanje LS-a. Izvješteno je da se stabla odlučivanja široko koriste u programima obuke u raznim područjima, uključujući zdravstvene znanosti [18, 19]. U ovoj studiji, model su posebno obučili programeri sustava za prepoznavanje LS-a studenata i preporuku najboljeg IS-a za njih.
Svrha ove studije je razviti strategije isporuke IS-a temeljene na LS-u učenika i primijeniti SCL pristup razvojem alata za preporuke IS-a mapiranog na LS. Tijek dizajna alata za preporuke IS-a kao strategije SCL metode prikazan je na slici 1. Alat za preporuke IS-a podijeljen je u dva dijela, uključujući mehanizam klasifikacije LS-a pomoću ILS-a i najprikladniji prikaz IS-a za učenike.
Posebno, karakteristike alata za preporuke informacijske sigurnosti uključuju korištenje web tehnologija i korištenje strojnog učenja stabla odlučivanja. Razvojni programeri sustava poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima poput mobitela i tableta.
Eksperiment je proveden u dvije faze, a studenti Stomatološkog fakulteta Sveučilišta Malaya sudjelovali su dobrovoljno. Sudionici su odgovorili na online m-ILS upitnik studenata stomatologije na engleskom jeziku. U početnoj fazi, skup podataka od 50 studenata korišten je za treniranje algoritma strojnog učenja stabla odlučivanja. U drugoj fazi procesa razvoja, skup podataka od 255 studenata korišten je za poboljšanje točnosti razvijenog instrumenta.
Svi sudionici primaju online brifing na početku svake faze, ovisno o akademskoj godini, putem Microsoft Teamsa. Objašnjena je svrha istraživanja i dobiven je informirani pristanak. Svim sudionicima pružena je poveznica za pristup m-ILS-u. Svaki je student dobio upute da odgovori na svih 44 stavki upitnika. Dobili su tjedan dana za ispunjavanje modificiranog ILS-a u vrijeme i na mjestu koje im odgovara tijekom semestralne pauze prije početka semestra. m-ILS se temelji na izvornom ILS instrumentu i prilagođen je za studente stomatologije. Slično izvornom ILS-u, sadrži 44 ravnomjerno raspoređene stavke (a, b), s po 11 stavki, koje se koriste za procjenu aspekata svake dimenzije FSLSM-a.
Tijekom početnih faza razvoja alata, istraživači su ručno označavali karte koristeći skup podataka od 50 studenata stomatologije. Prema FSLM-u, sustav daje zbroj odgovora „a“ i „b“. Za svaku dimenziju, ako student odabere „a“ kao odgovor, LS se klasificira kao aktivni/perceptivni/vizualni/sekvencijalni, a ako student odabere „b“ kao odgovor, student se klasificira kao refleksivni/intuitivni/lingvistički/globalni učenik.
Nakon kalibracije tijeka rada između istraživača u stomatološkom obrazovanju i programera sustava, pitanja su odabrana na temelju FLSSM domene i unesena u ML model kako bi se predvidjelo LS svakog učenika. „Smeće unutra, smeće van“ popularna je izreka u području strojnog učenja, s naglaskom na kvaliteti podataka. Kvaliteta ulaznih podataka određuje preciznost i točnost modela strojnog učenja. Tijekom faze inženjeringa značajki stvara se novi skup značajki koji je zbroj odgovora „a“ i „b“ na temelju FLSSM-a. Identifikacijski brojevi pozicija lijekova navedeni su u Tablici 1.
Izračunajte rezultat na temelju odgovora i odredite učenikovu ocjenu ocjene (LS). Za svakog učenika, raspon rezultata je od 1 do 11. Rezultati od 1 do 3 ukazuju na ravnotežu preferencija učenja unutar iste dimenzije, a rezultati od 5 do 7 ukazuju na umjerenu preferenciju, što ukazuje na to da učenici imaju tendenciju preferirati jedno okruženje koje podučava druge. Druga varijacija na istoj dimenziji je da rezultati od 9 do 11 odražavaju snažnu preferenciju za jedan ili drugi kraj [8].
Za svaku dimenziju, droge su grupirane u „aktivne“, „refleksivne“ i „uravnotežene“. Na primjer, kada učenik odgovori „a“ češće nego „b“ na određenom pitanju i njegov/njezin rezultat premaši prag od 5 za određeno pitanje koje predstavlja dimenziju Procesiranja LS-a, on/ona pripada domeni „aktivnog“ LS-a. Međutim, učenici su klasificirani kao „refleksivni“ LS kada su u specifičnih 11 pitanja (Tablica 1) više odabrali „b“ nego „a“ i osvojili više od 5 bodova. Konačno, učenik je u stanju „ravnoteže“. Ako rezultat ne prelazi 5 bodova, tada se radi o „procesnom“ LS-u. Proces klasifikacije ponovljen je za ostale dimenzije LS-a, naime percepciju (aktivna/refleksivna), unos (vizualni/verbalni) 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 testova, a svaki listni čvor (list) sadrži oznaku klase.
Izrađen je jednostavan program temeljen na pravilima za automatsko bodovanje i označavanje LS-a svakog učenika na temelju njihovih odgovora. Program temeljen na pravilima ima oblik IF naredbe, gdje „IF“ opisuje okidač, a „THEN“ određuje radnju koja se treba izvršiti, na primjer: „Ako se dogodi X, onda učinite Y“ (Liu i sur., 2014.). Ako skup podataka pokazuje korelaciju i model stabla odlučivanja je pravilno obučen i evaluiran, ovaj pristup može biti učinkovit način automatizacije procesa usklađivanja LS-a i IS-a.
U drugoj fazi razvoja, skup podataka povećan je na 255 kako bi se poboljšala točnost alata za preporuke. Skup podataka podijeljen je u omjeru 1:4. 25% (64) skupa podataka korišteno je za testni skup, a preostalih 75% (191) korišteno je kao skup za učenje (Slika 2). Skup podataka potrebno je podijeliti kako bi se spriječilo da se model trenira i testira na istom skupu podataka, što bi moglo uzrokovati da model pamti umjesto da uči. Model se trenira na skupu za učenje i procjenjuje svoje performanse na testnom skupu - podacima koje model nikada prije nije vidio.
Nakon što se razvije IS alat, aplikacija će moći klasificirati LS na temelju odgovora studenata stomatologije putem web sučelja. Web-bazirani sustav alata za preporuke informacijske sigurnosti izgrađen je korištenjem programskog jezika Python s Django frameworkom kao pozadinskim okruženjem. Tablica 2 navodi biblioteke korištene u razvoju ovog sustava.
Skup podataka unosi se u model stabla odlučivanja kako bi se izračunali i izdvojili odgovori učenika radi automatske klasifikacije mjerenja LS-a učenika.
Matrica konfuzije koristi se za procjenu točnosti algoritma strojnog učenja stabla odlučivanja na zadanom skupu podataka. Istovremeno, procjenjuje performanse klasifikacijskog modela. Sažima predviđanja modela i uspoređuje ih sa stvarnim oznakama podataka. Rezultati procjene temelje se na četiri različite vrijednosti: Istinski pozitivno (TP) – model je ispravno predvidio pozitivnu kategoriju, Lažno pozitivno (FP) – model je predvidio pozitivnu kategoriju, ali je istinita oznaka bila negativna, Istinski negativno (TN) – model je ispravno predvidio negativnu klasu i lažno negativno (FN) – model predviđa negativnu klasu, ali je istinita oznaka pozitivna.
Ove se vrijednosti zatim koriste za izračun različitih metrika performansi scikit-learn klasifikacijskog modela u Pythonu, naime preciznosti, preciznosti, prisjećanja i F1 rezultata. Evo primjera:
Prisjećanje (ili osjetljivost) mjeri sposobnost modela da točno klasificira učenikove LS nakon što odgovori na m-ILS upitnik.
Specifičnost se naziva stopa istinski negativnih rezultata. Kao što možete vidjeti iz gornje formule, to bi trebao biti omjer istinski negativnih (TN) i istinski negativnih i lažno pozitivnih (FP) rezultata. Kao dio preporučenog alata za klasifikaciju studentskih lijekova, trebao bi biti sposoban za točnu identifikaciju.
Izvorni skup podataka od 50 studenata korišten za treniranje modela strojnog učenja stabla odlučivanja pokazao je relativno nisku točnost zbog ljudske pogreške u anotacijama (Tablica 3). Nakon izrade jednostavnog programa temeljenog na pravilima za automatski izračun LS rezultata i studentskih anotacija, sve veći broj skupova podataka (255) korišten je za treniranje i testiranje sustava preporuka.
U matrici višeklasne konfuzije, dijagonalni elementi predstavljaju broj točnih predviđanja za svaku vrstu LS-a (Slika 4). Korištenjem modela stabla odlučivanja, ukupno 64 uzorka je ispravno predviđeno. Dakle, u ovoj studiji, dijagonalni elementi pokazuju očekivane rezultate, što ukazuje na to da model dobro funkcionira i točno predviđa oznaku klase za svaku LS klasifikaciju. Dakle, ukupna točnost alata za preporuke je 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, što odražava značajne vrijednosti osjetljivosti i specifičnosti.
Slika 6 prikazuje vizualizaciju modela stabla odlučivanja nakon završetka obuke i testiranja. U usporedbi, model stabla odlučivanja obučen s manje značajki pokazao je veću točnost i lakšu vizualizaciju modela. To pokazuje da je inženjering značajki koji dovodi do smanjenja broja značajki važan korak u poboljšanju performansi modela.
Primjenom nadziranog učenja putem stabla odlučivanja, mapiranje između LS (ulaz) i IS (ciljni izlaz) se automatski generira i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% od 255 studenata preferiralo jednu (1) opciju LS-a. Većina (54,3%) imala je dvije ili više preferencija LS-a. 12,2% studenata primijetilo je da je LS prilično uravnotežen (Tablica 4). Uz osam glavnih LS-ova, postoji 34 kombinacije klasifikacija LS-a za studente stomatologije Sveučilišta Malaya. Među njima, percepcija, vid i kombinacija percepcije i vida glavni su LS-ovi koje su studenti prijavili (Slika 7).
Kao što se može vidjeti iz Tablice 4, većina učenika imala je pretežno senzorni (13,7%) ili vizualni (8,6%) LS. Izviješteno je da je 12,2% učenika kombiniralo percepciju s vidom (perceptivno-vizualni LS). Ovi nalazi upućuju na to da učenici preferiraju učenje i pamćenje putem utvrđenih metoda, slijede specifične i detaljne postupke te su pažljive prirode. Istovremeno, uživaju u učenju gledanjem (korištenjem dijagrama itd.) i skloni su raspravljati i primjenjivati informacije u grupama ili samostalno.
Ova studija pruža pregled tehnika strojnog učenja koje se koriste u rudarenju podataka, s naglaskom na trenutno i točno predviđanje LS učenika i preporuku prikladnih IS. Primjena modela stabla odlučivanja identificirala je čimbenike 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 podkategorije na temelju određenih kriterija. Radi tako da rekurzivno dijeli ulazne podatke u podskupove na temelju vrijednosti jedne od ulaznih značajki svakog internog čvora sve dok se ne donese odluka na listnom čvoru.
Unutarnji čvorovi stabla odlučivanja predstavljaju rješenje na temelju ulaznih karakteristika m-ILS problema, a listovi predstavljaju konačno predviđanje LS klasifikacije. Kroz cijelu studiju lako je razumjeti hijerarhiju stabala odlučivanja koja objašnjavaju i vizualiziraju proces odlučivanja promatrajući odnos između ulaznih značajki i predviđanja izlaza.
U područjima računalne znanosti i inženjerstva, algoritmi strojnog učenja široko se koriste za predviđanje studentskog uspjeha na temelju rezultata prijemnih ispita [21], demografskih podataka i ponašanja pri učenju [22]. Istraživanja su pokazala da je algoritam točno predvidio studentski uspjeh i pomogao im identificirati studente s rizikom od akademskih poteškoća.
Izvještava se o primjeni ML algoritama u razvoju virtualnih simulatora pacijenata za stomatološku obuku. Simulator je sposoban točno reproducirati fiziološke odgovore stvarnih pacijenata i može se koristiti za obuku studenata stomatologije u sigurnom i kontroliranom okruženju [23]. Nekoliko drugih studija pokazuje da algoritmi strojnog učenja mogu potencijalno poboljšati kvalitetu i učinkovitost stomatološkog i medicinskog obrazovanja te skrbi za pacijente. Algoritmi strojnog učenja korišteni su za pomoć u dijagnosticiranju stomatoloških 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, identificiranje pacijenata s visokim rizikom, razvoj personaliziranih planova liječenja [26], parodontalno 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 cilj ove studije bio koristiti model stabla odlučivanja kako bi se identificirali čimbenici koji su najuže 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 na to da učitelji mogu imati koristi od ovog alata. Korištenjem procesa klasifikacije temeljenog na podacima, može pružiti personalizirane preporuke i poboljšati obrazovna iskustva i ishode za edukatore i učenike. Među njima, informacije dobivene putem alata za preporuke mogu riješiti sukobe između preferiranih metoda poučavanja učitelja i potreba učenika za učenjem. Na primjer, zbog automatiziranog ispisa alata za preporuke, vrijeme potrebno za identifikaciju IP-a učenika i njegovo usklađivanje s odgovarajućim IP-om bit će značajno smanjeno. Na taj način mogu se organizirati prikladne aktivnosti obuke i materijali za obuku. To pomaže u razvoju pozitivnog ponašanja učenika pri učenju i sposobnosti koncentracije. Jedna studija izvijestila je da pružanje učenika materijalima za učenje i aktivnostima učenja koji odgovaraju njihovom preferiranom LS-u može pomoći učenicima da integriraju, obrade i uživaju u učenju na više načina kako bi postigli veći potencijal [12]. Istraživanje također pokazuje da, osim poboljšanja sudjelovanja učenika u učionici, razumijevanje procesa učenja učenika također igra ključnu ulogu u poboljšanju nastavnih praksi i komunikacije sa učenicima [28, 29].
Međutim, kao i kod svake moderne tehnologije, postoje problemi i ograničenja. To uključuje pitanja vezana uz privatnost podataka, pristranost i pravednost te profesionalne vještine i resurse potrebne za razvoj i implementaciju algoritama strojnog učenja u stomatološkom obrazovanju; međutim, rastući interes i istraživanja u ovom području sugeriraju da tehnologije strojnog učenja mogu imati pozitivan utjecaj na stomatološko obrazovanje i stomatološke usluge.
Rezultati ove studije pokazuju da polovica studenata stomatologije ima tendenciju „percipirati“ lijekove. Ova vrsta učenika preferira činjenice i konkretne primjere, praktičnu orijentaciju, strpljenje za detalje i preferenciju „vizualnog“ učenja na jeziku (LS), gdje učenici preferiraju korištenje slika, grafike, boja i karata za prenošenje ideja i misli. Trenutni rezultati u skladu su s drugim studijama koje koriste integrirano učenje na jeziku (ILS) za procjenu učenja na jeziku kod studenata stomatologije i medicine, od kojih većina ima karakteristike perceptivnog i vizualnog učenja na jeziku [12, 30]. Dalmolin i suradnici sugeriraju da informiranje studenata o njihovom učenju na jeziku omogućuje im da ostvare svoj potencijal učenja. Istraživači tvrde da kada nastavnici u potpunosti razumiju obrazovni proces studenata, mogu se primijeniti različite metode poučavanja i aktivnosti koje će poboljšati njihov učinak i iskustvo učenja [12, 31, 32]. Druge studije su pokazale da prilagođavanje učenja na jeziku studenata također pokazuje poboljšanja u iskustvu učenja i učinku studenata nakon promjene stilova učenja kako bi odgovarali njihovom vlastitom učenju na jeziku [13, 33].
Mišljenja nastavnika mogu se razlikovati u pogledu provedbe nastavnih strategija na temelju sposobnosti učenja učenika. Dok neki vide prednosti ovog pristupa, uključujući mogućnosti profesionalnog razvoja, mentorstvo i podršku zajednice, drugi mogu biti zabrinuti zbog vremena i institucionalne podrške. Težnja za ravnotežom ključna je za stvaranje stava usmjerenog na studente. Tijela visokog obrazovanja, poput sveučilišnih administratora, mogu igrati važnu ulogu u poticanju pozitivnih promjena uvođenjem inovativnih praksi i podrškom razvoju nastavnika [34]. Kako bi stvorili istinski dinamičan i responzivan sustav visokog obrazovanja, kreatori politika moraju poduzeti hrabre korake, poput promjena politika, posvećivanja resursa integraciji tehnologije i stvaranja okvira koji promiču pristupe usmjerene na studente. Ove mjere ključne su za postizanje željenih rezultata. Nedavna istraživanja o diferenciranoj nastavi jasno su pokazala da uspješna provedba diferencirane nastave zahtijeva kontinuirane mogućnosti osposobljavanja i razvoja za nastavnike [35].
Ovaj alat pruža vrijednu podršku stomatološkim edukatorima koji žele primijeniti pristup usmjeren na studente u planiranju aktivnosti učenja prilagođenih studentima. Međutim, ova studija je ograničena na korištenje modela strojnog učenja s stablom odlučivanja. U budućnosti bi trebalo prikupiti više podataka kako bi se usporedile performanse različitih modela strojnog učenja te usporedila točnost, pouzdanost i preciznost alata za preporuke. Osim toga, pri odabiru najprikladnije metode strojnog učenja za određeni zadatak važno je uzeti u obzir i druge čimbenike poput složenosti modela i interpretacije.
Ograničenje ove studije je to što se usredotočila samo na mapiranje LS i IS među studentima stomatologije. Stoga će razvijeni sustav preporuka preporučiti samo one koji su prikladni za studente stomatologije. Za opću upotrebu od strane studenata visokog obrazovanja potrebne su promjene.
Novorazvijeni alat za preporuke temeljen na strojnom učenju sposoban je trenutno klasificirati i uskladiti studentske LS s odgovarajućim IS-om, što ga čini prvim programom stomatološkog obrazovanja koji pomaže stomatološkim edukatorima u planiranju relevantnih nastavnih i obrazovnih aktivnosti. Korištenjem procesa trijaže temeljenog na podacima, može pružiti personalizirane preporuke, uštedjeti vrijeme, poboljšati nastavne strategije, podržati ciljane intervencije i promovirati kontinuirani profesionalni razvoj. Njegova primjena promovirat će pristupe stomatološkom obrazovanju usmjerene na studente.
Gilak Jani Associated Press. Podudaranje ili nepodudaranje između stila učenja učenika i stila poučavanja učitelja. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Vrijeme objave: 29. travnja 2024.