Постои зголемена потреба за учење фокусирано на студентите (SCL) во високообразовните институции, вклучително и стоматологијата.Сепак, SCL има ограничена примена во стоматолошката едукација.Затоа, оваа студија има за цел да ја промовира примената на SCL во стоматологијата со користење на технологија за машинско учење со стебло на одлуки (ML) за мапирање на претпочитаниот стил на учење (LS) и соодветните стратегии за учење (IS) на студентите по стоматологија како корисна алатка за развој на упатства за ИС .Ветувачки методи за студентите по стоматологија.
Вкупно 255 студенти по стоматологија од Универзитетот во Малаја го пополнија изменетиот прашалник Индекс на стилови на учење (m-ILS), кој содржеше 44 ставки за да ги класифицираат во нивните соодветни LS.Собраните податоци (наречени база на податоци) се користат во учењето на надгледуваното стебло на одлуки за автоматско усогласување на стиловите на учење на учениците со најсоодветната IS.Потоа се оценува точноста на алатката за препораки за ИС базирана на машинско учење.
Примената на модели на стебло на одлуки во автоматизиран процес на мапирање помеѓу LS (влез) и IS (целен излез) овозможува непосредна листа на соодветни стратегии за учење за секој студент по стоматологија.Алатката за препораки IS покажа совршена точност и потсетување на целокупната точност на моделот, што покажува дека усогласувањето на LS со IS има добра чувствителност и специфичност.
Алатката за препораки за ИС базирана на стебло на одлуки за ML ја докажа својата способност точно да ги усогласи стиловите на учење на студентите по стоматологија со соодветните стратегии за учење.Оваа алатка обезбедува моќни опции за планирање курсеви или модули насочени кон ученикот кои можат да го подобрат учењето на студентите.
Наставата и учењето се фундаментални активности во образовните институции.Кога се развива висококвалитетен систем за стручно образование, важно е да се фокусираме на потребите за учење на учениците.Интеракцијата помеѓу учениците и нивната средина за учење може да се одреди преку нивниот LS.Истражувањето сугерира дека неусогласеноста на наставникот помеѓу ЛС и ИС на учениците може да има негативни последици за учењето на учениците, како што се намалено внимание и мотивација.Ова индиректно ќе влијае на успешноста на учениците [1,2].
IS е метод што го користат наставниците за да им пренесат знаења и вештини на учениците, вклучително и помагање на учениците да учат [3].Општо земено, добрите наставници планираат наставни стратегии или ИС кои најдобро одговараат на нивото на знаење на нивните ученици, концептите што ги учат и нивната фаза на учење.Теоретски, кога LS и IS се совпаѓаат, учениците ќе можат да организираат и користат специфичен сет на вештини за ефективно да учат.Вообичаено, планот за лекција вклучува неколку транзиции помеѓу фазите, како на пример од настава во водена пракса или од водена пракса до независна пракса.Имајќи го ова на ум, ефективни наставници често планираат настава со цел да ги изградат знаењата и вештините на учениците [4].
Побарувачката за SCL расте во високообразовните институции, вклучително и стоматологијата.Стратегиите на SCL се дизајнирани да ги задоволат потребите за учење на учениците.Ова може да се постигне, на пример, ако учениците активно учествуваат во активностите за учење, а наставниците дејствуваат како олеснувачи и се одговорни за обезбедување вредни повратни информации.Се вели дека обезбедувањето материјали за учење и активности кои се соодветни на образовното ниво или преференции на учениците може да ја подобрат средината за учење на учениците и да промовираат позитивни искуства за учење [5].
Општо земено, процесот на учење на студентите по стоматологија е под влијание на различните клинички процедури што треба да ги извршуваат и клиничката средина во која тие развиваат ефективни интерперсонални вештини.Целта на обуката е да им овозможи на студентите да ги комбинираат основните знаења од стоматологијата со стоматолошките клинички вештини и да го применат стекнатото знаење во нови клинички ситуации [6, 7].Раните истражувања за врската помеѓу LS и IS покажаа дека прилагодувањето на стратегиите за учење мапирано на претпочитаниот LS ќе помогне да се подобри образовниот процес [8].Авторите исто така препорачуваат користење на различни методи на настава и оценување за да се прилагодат на учењето и потребите на учениците.
Наставниците имаат корист од примената на знаењето за LS за да им помогнат да дизајнираат, развијат и имплементираат настава што ќе го подобри стекнувањето на подлабоко знаење и разбирање на предметот кај учениците.Истражувачите развија неколку алатки за проценка на LS, како што се моделот за искуствено учење Колб, моделот на стил на учење на Фелдер-Силверман (FSLSM) и Флеминг VAK/VARK моделот [5, 9, 10].Според литературата, овие модели на учење се најчесто користените и најпроучени модели на учење.Во тековната истражувачка работа, FSLSM се користи за оценување на LS кај студентите по стоматологија.
FSLSM е широко користен модел за евалуација на адаптивното учење во инженерството.Има многу објавени трудови во здравствените науки (вклучувајќи медицина, медицински сестри, фармација и стоматологија) кои можат да се најдат со користење на моделите на FSLSM [5, 11, 12, 13].Инструментот што се користи за мерење на димензиите на LS во FLSM се нарекува Индекс на стилови на учење (ILS) [8], кој содржи 44 ставки кои ги оценуваат четирите димензии на LS: обработка (активна/рефлексивна), перцепција (перцептивна/интуитивна), влез (визуелен)./вербално) и разбирање (секвенцијално/глобално) [14].
Како што е прикажано на слика 1, секоја димензија на FSLSM има доминантна предност.На пример, во димензијата на обработка, учениците со „активна“ ЛС претпочитаат да обработуваат информации преку директна интеракција со материјалите за учење, да учат преку правење и имаат тенденција да учат во групи.„Рефлексивниот“ LS се однесува на учење преку размислување и претпочита да работи сам.Димензијата на „перцепција“ на LS може да се подели на „чувство“ и/или „интуиција“.Учениците со „чувство“ претпочитаат поконкретни информации и практични процедури, се ориентирани кон факти во споредба со „интуитивните“ студенти кои претпочитаат апстрактен материјал и се поиновативни и покреативни по природа.Димензијата „влез“ на ЛС се состои од „визуелни“ и „вербални“ ученици.Луѓето со „визуелна“ ЛС претпочитаат да учат преку визуелни демонстрации (како што се дијаграми, видеа или демонстрации во живо), додека луѓето со „вербална“ ЛС претпочитаат да учат преку зборови во писмени или усни објаснувања.За да се „разберат“ димензиите на LS, таквите ученици можат да се поделат на „секвенцијални“ и „глобални“.„Секвенцијалните ученици претпочитаат линеарен процес на размислување и учат чекор по чекор, додека глобалните ученици имаат тенденција да имаат холистички мисловен процес и секогаш имаат подобро разбирање за она што го учат.
Неодамна, многу истражувачи почнаа да истражуваат методи за автоматско откривање управувано од податоци, вклучително и развој на нови алгоритми и модели способни да интерпретираат големи количини на податоци [15, 16].Врз основа на дадените податоци, надгледуваното ML (машинско учење) е во состојба да генерира шеми и хипотези кои предвидуваат идни резултати врз основа на конструкција на алгоритми [17].Едноставно кажано, надгледуваните техники за машинско учење манипулираат со влезните податоци и тренираат алгоритми.Потоа генерира опсег кој го класифицира или предвидува исходот врз основа на слични ситуации за дадените влезни податоци.Главната предност на надгледуваните алгоритми за машинско учење е неговата способност да воспостават идеални и посакувани резултати [17].
Преку употреба на методи управувани од податоци и модели за контрола на стеблото на одлуки, можно е автоматско откривање на LS.Пријавено е дека дрвјата за одлучување се широко користени во програми за обука во различни области, вклучувајќи ги и здравствените науки [18, 19].Во оваа студија, моделот беше специјално обучен од развивачите на системот за да го идентификува LS на учениците и да го препорача најдоброто IS за нив.
Целта на оваа студија е да развие стратегии за испорака на ИС засновани на ЛС на учениците и да го примени пристапот на SCL преку развивање на алатка за препораки за ИС мапирана на LS.Дизајнерскиот тек на алатката за препораки IS како стратегија на методот SCL е прикажан на слика 1. Алатката за препораки за IS е поделена на два дела, вклучувајќи го механизмот за класификација на LS користејќи ILS и најсоодветниот IS дисплеј за студенти.
Особено, карактеристиките на алатките за препораки за безбедност на информации вклучуваат употреба на веб технологии и употреба на машинско учење на стебло на одлуки.Програмерите на системот го подобруваат корисничкото искуство и мобилноста со нивно прилагодување на мобилни уреди како што се мобилни телефони и таблети.
Експериментот беше спроведен во две фази и студенти од Стоматолошкиот факултет на Универзитетот во Малаја учествуваа на доброволна основа.Учесниците одговорија на онлајн m-ILS на студент по стоматологија на англиски јазик.Во почетната фаза, базата на податоци од 50 студенти беше искористена за обука на алгоритмот за машинско учење на дрвото на одлуки.Во втората фаза од процесот на развој, користена е база на податоци од 255 студенти за да се подобри точноста на развиениот инструмент.
Сите учесници добиваат онлајн брифинг на почетокот на секоја фаза, во зависност од академската година, преку Microsoft Teams.Беше објаснета целта на студијата и беше добиена информирана согласност.Сите учесници добија врска за пристап до m-ILS.Секој ученик доби инструкции да одговори на сите 44 ставки од прашалникот.Ним им беше дадена една недела да го завршат изменетиот ILS во време и локација погодна за нив за време на паузата за семестар пред почетокот на семестарот.m-ILS е базиран на оригиналниот инструмент ILS и е модифициран за студенти по стоматологија.Слично на оригиналниот ILS, содржи 44 рамномерно распределени ставки (a, b), со по 11 ставки, кои се користат за проценка на аспектите на секоја димензија на FSLSM.
За време на почетните фази на развојот на алатката, истражувачите рачно ги забележаа мапите користејќи база на податоци од 50 студенти по стоматологија.Според FSLM, системот обезбедува збир на одговори „а“ и „б“.За секоја димензија, доколку студентот избере „а“ како одговор, ЛС се класифицира како Активен/Перцептивен/Визуелен/Секвенцијален, а ако студентот избере „б“ како одговор, студентот се класифицира како Рефлексивен/Интуитивен/Јазичен ./ глобален ученик.
По калибрирањето на работниот тек помеѓу истражувачите за забно образование и развивачите на системот, прашањата беа избрани врз основа на доменот FLSSM и внесени во ML моделот за да се предвиди LS на секој студент.„Ѓубре внатре, ѓубре надвор“ е популарна поговорка во областа на машинското учење, со акцент на квалитетот на податоците.Квалитетот на влезните податоци ја одредува прецизноста и точноста на моделот за машинско учење.За време на фазата на инженерство на карактеристики, се креира ново множество карактеристики што е збир на одговори „а“ и „б“ врз основа на FLSSM.Идентификационите броеви на позициите на лекот се дадени во Табела 1.
Пресметајте го резултатот врз основа на одговорите и определете го LS на ученикот.За секој ученик, опсегот на оценките е од 1 до 11. Оценките од 1 до 3 укажуваат на рамнотежа на преференциите за учење во истата димензија, а оценките од 5 до 7 укажуваат на умерено претпочитање, што покажува дека учениците имаат тенденција да претпочитаат една средина подучувајќи други .Друга варијација на истата димензија е тоа што оценките од 9 до 11 одразуваат силна предност за едниот или другиот крај [8].
За секоја димензија, лековите беа групирани во „активни“, „рефлексивни“ и „урамнотежени“.На пример, кога ученикот одговара „а“ почесто од „б“ на одредена ставка и неговиот/нејзиниот резултат го надминува прагот од 5 за одредена ставка што ја претставува димензијата LS за обработка, тој/таа припаѓа на „активна“ ЛС домен..Сепак, учениците беа класифицирани како „рефлексивни“ ЛС кога избраа „б“ повеќе од „а“ во конкретни 11 прашања (Табела 1) и постигнаа повеќе од 5 поени.Конечно, студентот е во состојба на „рамнотежа“.Ако резултатот не надминува 5 поени, тогаш ова е „процес“ LS.Процесот на класификација беше повторен за другите димензии на LS, имено перцепција (активна/рефлексивна), внесување (визуелно/вербално) и разбирање (секвенцијално/глобално).
Моделите на дрво на одлуки можат да користат различни подмножества на карактеристики и правила за одлучување во различни фази од процесот на класификација.Се смета за популарна алатка за класификација и предвидување.Може да се претстави со помош на структура на дрво како што е дијаграм на тек [20], во кој има внатрешни јазли кои ги претставуваат тестовите по атрибут, секоја гранка ги претставува резултатите од тестот и секој лист јазол (лист јазол) содржи ознака за класа.
Беше создадена едноставна програма заснована на правила за автоматско бодување и бележење на LS на секој ученик врз основа на нивните одговори.Засновано на правила има форма на изјава IF, каде што „IF“ го опишува активирањето и „THEN“ го одредува дејството што треба да се изврши, на пример: „Ако X се случи, тогаш направете Y“ (Liu et al., 2014).Ако збирот на податоци покажува корелација и моделот на дрвото на одлуки е соодветно обучен и оценет, овој пристап може да биде ефективен начин за автоматизирање на процесот на усогласување на LS и IS.
Во втората фаза на развој, базата на податоци беше зголемена на 255 за да се подобри точноста на алатката за препораки.Збирот на податоци е поделен во сооднос 1:4.25% (64) од множеството податоци беа искористени за тест сет, а останатите 75% (191) беа искористени како комплет за обука (Слика 2).Збирот на податоци треба да се подели за да се спречи моделот да биде обучен и тестиран на истиот сет на податоци, што може да предизвика моделот да запомни наместо да учи.Моделот е обучен на комплетот за обука и ја проценува неговата изведба на тест множеството - податоци што моделот никогаш досега не ги видел.
Откако ќе се развие IS алатката, апликацијата ќе може да го класифицира LS врз основа на одговорите на студентите по стоматологија преку веб-интерфејс.Системот на алатки за препораки за безбедност на информации базиран на веб е изграден со користење на програмскиот јазик Python користејќи ја рамката Django како заднина.Во табела 2 се наведени библиотеките што се користат во развојот на овој систем.
Базата на податоци се внесува во модел на стебло на одлуки за да се пресметаат и извлечат одговорите на учениците за автоматско класифицирање на мерењата на LS на учениците.
Матрицата за конфузија се користи за да се оцени точноста на алгоритам за машинско учење на дрвото на одлуки на дадено збир на податоци.Во исто време, ги оценува перформансите на моделот на класификација.Ги сумира предвидувањата на моделот и ги споредува со вистинските ознаки за податоци.Резултатите од евалуацијата се засноваат на четири различни вредности: Вистинска Позитивна (TP) – моделот правилно ја предвидел позитивната категорија, Лажно позитивна (FP) – моделот ја предвидел позитивната категорија, но вистинската ознака била негативна, Вистинска негативна (TN) – моделот правилно ја предвидел негативната класа, а лажно негативно (FN) – Моделот предвидува негативна класа, но вистинската ознака е позитивна.
Овие вредности потоа се користат за пресметување на различни показатели за перформансите на моделот за класификација scikit-learn во Python, имено прецизност, прецизност, потсетување и F1 резултат.Еве примери:
Потсетувањето (или чувствителноста) ја мери способноста на моделот прецизно да ја класифицира ЛС на ученикот откако ќе одговори на прашалникот m-ILS.
Специфичноста се нарекува вистинска негативна стапка.Како што можете да видите од горната формула, ова треба да биде односот на вистинските негативни (TN) до вистинските негативни и лажните позитивни (FP).Како дел од препорачаната алатка за класификација на лекови за студенти, таа треба да биде способна за точна идентификација.
Оригиналната база на податоци од 50 студенти користена за обука на моделот ML на дрвото на одлуки покажа релативно мала точност поради човечка грешка во прибелешките (Табела 3).По креирањето на едноставна програма заснована на правила за автоматско пресметување на резултатите од LS и прибелешките на учениците, зголемен број на збирки на податоци (255) беа искористени за обука и тестирање на системот за препораки.
Во повеќекласната матрица за конфузија, дијагоналните елементи го претставуваат бројот на точни предвидувања за секој тип LS (Слика 4).Користејќи го моделот на дрво на одлуки, точно се предвидени вкупно 64 примероци.Така, во оваа студија, дијагоналните елементи ги покажуваат очекуваните резултати, што покажува дека моделот работи добро и точно ја предвидува ознаката на класата за секоја LS класификација.Така, вкупната точност на алатката за препораки е 100%.
Вредностите на точноста, прецизноста, отповикувањето и резултатот F1 се прикажани на слика 5. За системот за препораки што го користи моделот на стебло на одлуки, неговиот F1 резултат е 1,0 „совршено“, што укажува на совршена прецизност и потсетување, одразувајќи значителна чувствителност и специфичност вредности.
Слика 6 покажува визуелизација на моделот на дрвото на одлуки по завршувањето на обуката и тестирањето.Во споредба рамо до рамо, моделот на дрвото на одлуки обучен со помалку карактеристики покажа поголема точност и полесна визуелизација на моделот.Ова покажува дека инженерството на карактеристики што води до намалување на карактеристиките е важен чекор во подобрувањето на перформансите на моделот.
Со примена на учење под надзор на дрвото на одлуки, мапирањето помеѓу LS (влез) и IS (целен излез) автоматски се генерира и содржи детални информации за секој LS.
Резултатите покажаа дека 34,9% од 255 студенти претпочитале една (1) опција за ЛС.Мнозинството (54,3%) имаа две или повеќе LS претпочитања.12,2% од студентите забележале дека ЛС е доста избалансиран (Табела 4).Во прилог на осумте главни LS, постојат 34 комбинации на LS класификации за студенти по стоматологија на Универзитетот во Малаја.Меѓу нив, перцепцијата, визијата и комбинацијата на перцепција и визија се главните ЛС пријавени од учениците (Слика 7).
Како што може да се види од Табела 4, поголемиот дел од учениците имале доминантна сензорна (13,7%) или визуелна (8,6%) ЛС.Беше објавено дека 12,2% од учениците ја комбинирале перцепцијата со видот (перцептивно-визуелен ЛС).Овие наоди сугерираат дека учениците претпочитаат да учат и запомнат преку воспоставени методи, да следат конкретни и детални процедури и да се внимателни по природа.Во исто време, тие уживаат во учењето преку гледање (користење дијаграми, итн.) и имаат тенденција да дискутираат и применуваат информации во групи или сами.
Оваа студија дава преглед на техниките за машинско учење што се користат во рударството на податоци, со фокус на моментално и прецизно предвидување на LS на учениците и препорачување соодветна IS.Примената на моделот на стебло на одлуки ги идентификуваше факторите кои се најтесно поврзани со нивниот живот и образовните искуства.Тоа е надгледуван алгоритам за машинско учење кој користи структура на дрво за да ги класифицира податоците со делење на збир на податоци во подкатегории врз основа на одредени критериуми.Работи со рекурзивно делење на влезните податоци во подмножества врз основа на вредноста на една од влезните карактеристики на секој внатрешен јазол додека не се донесе одлука во листот јазол.
Внатрешните јазли на дрвото на одлуки го претставуваат решението засновано на влезните карактеристики на проблемот m-ILS, а јазлите на листовите го претставуваат конечното предвидување на LS класификацијата.Во текот на студијата, лесно е да се разбере хиерархијата на стеблата на одлуки кои го објаснуваат и визуелизираат процесот на одлучување со гледање на односот помеѓу влезните карактеристики и излезните предвидувања.
Во областа на компјутерската наука и инженерството, алгоритмите за машинско учење се широко користени за да се предвидат перформансите на учениците врз основа на нивните резултати од приемниот испит [21], демографските информации и однесувањето за учење [22].Истражувањата покажаа дека алгоритмот точно ги предвидува перформансите на учениците и им помогна да ги идентификуваат учениците изложени на ризик за академски тешкотии.
Пријавена е примена на ML алгоритми во развојот на виртуелни симулатори на пациенти за стоматолошка обука.Симулаторот е способен прецизно да ги репродуцира физиолошките одговори на вистинските пациенти и може да се користи за обука на студенти по стоматологија во безбедна и контролирана средина [23].Неколку други студии покажуваат дека алгоритмите за машинско учење можат потенцијално да го подобрат квалитетот и ефикасноста на стоматолошката и медицинската едукација и грижата за пациентите.Алгоритмите за машинско учење се користени за да помогнат во дијагнозата на забните заболувања врз основа на збирки на податоци како што се симптомите и карактеристиките на пациентот [24, 25].Додека други студии ја истражуваа употребата на алгоритми за машинско учење за извршување на задачи како што се предвидување на исходите на пациентот, идентификување на пациенти со висок ризик, развој на персонализирани планови за третман [26], пародонтален третман [27] и третман на кариес [25].
Иако се објавени извештаи за примената на машинското учење во стоматологијата, неговата примена во стоматолошката едукација останува ограничена.Затоа, оваа студија имаше за цел да користи модел на дрво на одлуки за да ги идентификува факторите кои се најтесно поврзани со LS и IS кај студентите по стоматологија.
Резултатите од оваа студија покажуваат дека развиената алатка за препораки има висока точност и совршена точност, што укажува дека наставниците можат да имаат корист од оваа алатка.Користејќи процес на класификација базиран на податоци, може да обезбеди персонализирани препораки и да ги подобри образовните искуства и резултати за едукаторите и учениците.Меѓу нив, информациите добиени преку алатките за препораки може да ги решат конфликтите помеѓу преферираните наставни методи на наставниците и потребите за учење на учениците.На пример, поради автоматизираниот излез на алатките за препораки, времето потребно за да се идентификува ИП на студентот и да се совпадне со соодветната ИП ќе биде значително намалено.На овој начин може да се организираат соодветни активности за обука и материјали за обука.Ова помага да се развие позитивното однесување на учениците за учење и способноста да се концентрираат.Една студија објави дека обезбедувањето на студентите со материјали за учење и активности за учење што одговараат на нивните претпочитани LS може да им помогне на учениците да се интегрираат, обработуваат и уживаат во учењето на повеќе начини за да постигнат поголем потенцијал [12].Истражувањата исто така покажуваат дека покрај подобрувањето на учеството на учениците во училницата, разбирањето на процесот на учење на учениците исто така игра клучна улога во подобрувањето на наставните практики и комуникацијата со учениците [28, 29].
Сепак, како и кај секоја модерна технологија, постојат проблеми и ограничувања.Тие вклучуваат прашања поврзани со приватноста на податоците, пристрасноста и правичноста, како и професионалните вештини и ресурси потребни за развој и имплементација на алгоритми за машинско учење во стоматолошката едукација;Сепак, зголемениот интерес и истражување во оваа област сугерира дека технологиите за машинско учење може да имаат позитивно влијание врз стоматолошката едукација и стоматолошките услуги.
Резултатите од оваа студија покажуваат дека половина од студентите по стоматологија имаат тенденција да ги „перцепираат“ лековите.Овој тип на ученици има предност за факти и конкретни примери, практична ориентација, трпение за детали и „визуелна“ предност за LS, каде што учениците претпочитаат да користат слики, графики, бои и мапи за да пренесат идеи и мисли.Тековните резултати се конзистентни со други студии кои користат ILS за проценка на LS кај студентите по стоматологија и медицина, од кои повеќето имаат карактеристики на перцептивна и визуелна LS [12, 30].Далмолин и сор сугерираат дека информирањето на учениците за нивната ЛС им овозможува да го достигнат својот потенцијал за учење.Истражувачите тврдат дека кога наставниците целосно го разбираат образовниот процес на учениците, може да се имплементираат различни наставни методи и активности кои ќе ги подобрат перформансите на учениците и искуството во учењето [12, 31, 32].Други студии покажаа дека приспособувањето на ЛС на учениците, исто така, покажува подобрувања во искуството и перформансите во учењето на учениците по промената на нивните стилови на учење за да одговараат на нивниот сопствен LS [13, 33].
Мислењата на наставниците може да се разликуваат во однос на спроведувањето на наставните стратегии засновани на способностите за учење на учениците.Додека некои ги гледаат придобивките од овој пристап, вклучувајќи можности за професионален развој, менторство и поддршка од заедницата, други може да бидат загрижени за времето и институционалната поддршка.Стремежот за рамнотежа е клучот за создавање став насочен кон студентот.Властите на високото образование, како што се универзитетските администратори, можат да играат важна улога во поттикнувањето на позитивни промени преку воведување иновативни практики и поддршка на развојот на факултетите [34].За да се создаде навистина динамичен и одговорен високообразовен систем, креаторите на политиките мора да преземат храбри чекори, како што се правење промени во политиките, посветување ресурси на технолошка интеграција и создавање рамки кои промовираат пристапи насочени кон студентите.Овие мерки се клучни за постигнување на посакуваните резултати.Неодамнешните истражувања за диференцираната настава јасно покажаа дека успешното спроведување на диференцираната настава бара постојана обука и можности за развој на наставниците [35].
Оваа алатка обезбедува вредна поддршка за стоматолошките едукатори кои сакаат да заземат пристап насочен кон студентите за планирање активности за учење погодни за студентите.Сепак, оваа студија е ограничена на употреба на ML модели на дрво на одлуки.Во иднина, треба да се соберат повеќе податоци за да се споредат перформансите на различни модели на машинско учење за да се споредат точноста, доверливоста и прецизноста на алатките за препораки.Дополнително, при изборот на најсоодветниот метод за машинско учење за одредена задача, важно е да се земат предвид други фактори како сложеноста и интерпретацијата на моделот.
Ограничувањето на оваа студија е тоа што таа се фокусираше само на мапирање на LS и IS кај студентите по стоматологија.Затоа, развиениот систем за препораки ќе ги препорача само оние кои се погодни за студенти по стоматологија.Неопходни се промени за општа употреба на студентите од високото образование.
Новоразвиената алатка за препораки заснована на машинско учење е способна веднаш да ги класифицира и усогласи LS на учениците со соодветната IS, што ја прави првата програма за стоматолошка едукација која им помага на стоматолошките едукатори да планираат релевантни активности за настава и учење.Користејќи процес на тријажа управуван од податоци, може да обезбеди персонализирани препораки, да заштеди време, да ги подобри наставните стратегии, да поддржува насочени интервенции и да промовира тековен професионален развој.Неговата примена ќе промовира пристапи кон стоматологијата насочени кон студентите.
Гилак Јани Асошиетед прес.Соодветност или неусогласеност помеѓу стилот на учење на ученикот и стилот на предавање на наставникот.Int J Mod Educ Computer Science.2012; 4 (11): 51-60.https://doi.org/10.5815/ijmecs.2012.11.05
Време на објавување: 29 април 2024 година