Постои зголемена потреба за учење во центарот на студентите (SCL) во високообразовните институции, вклучително и стоматологијата. Сепак, SCL има ограничена примена во стоматолошкото образование. Затоа, оваа студија има за цел да ја промовира примената на SCL во стоматологијата со користење на технологија за учење машина за учење на дрво (ML) за мапирање на најпосакуваниот стил на учење (LS) и соодветните стратегии за учење (IS) на студентите од забите како корисна алатка за развој е упатства за развој . Ветувачки методи за студенти од заби.
Вкупно 255 стоматолошки студенти од Универзитетот во Малаја го пополнија изменетиот индекс на стилови на учење (М-ИЛС), во кој имало 44 артикли за да ги класифицираат во нивните LSS. Собраните податоци (наречени база на податоци) се користат во надгледувано учење на дрво на одлуки за автоматски да одговараат на стилови на учење на учениците со најсоодветното е. Точноста на машината заснована на учење е алатката за препораки потоа се проценува.
Примената на моделите на дрво на одлуки во автоматски процес на мапирање помеѓу LS (влез) и е (цел излез) овозможува непосреден список на соодветни стратегии за учење за секој студент на забите. Алатката за препораки е покажана совршена точност и потсетување на целокупната точност на моделот, што укажува дека совпаѓањето на LS со IS има добра чувствителност и специфичност.
Алатка за препорака е заснована на дрво на одлуки за МЛ ја докажа својата способност точно да одговара на стилови на учење на студентите на стоматолозите со соодветни стратегии за учење. Оваа алатка обезбедува моќни опции за планирање на курсеви или модули насочени кон учениците кои можат да го подобрат искуството за учење на учениците.
Наставата и учењето се основни активности во образовните институции. При развој на висококвалитетен систем на стручно образование, важно е да се фокусирате на потребите за учење на студентите. Интеракцијата помеѓу студентите и нивната околина за учење може да се утврди преку нивниот ЛС. Истражувањата сугерираат дека неусогласеноста на наставниците меѓу наставниците помеѓу ЛС на учениците и може да има негативни последици за учење на учениците, како што е намалено внимание и мотивација. Ова индиректно ќе влијае на перформансите на студентите [1,2].
Е метод што го користат наставниците за да им дадат знаење и вештини на учениците, вклучително и помагање на учениците да учат [3]. Општо земено, добрите наставници планираат стратегии за настава или е тоа најдобро да одговараат на нивото на знаење на нивните ученици, концептите што ги учат и нивната фаза на учење. Теоретски, кога ЛС и се совпаѓаат, студентите ќе можат да организираат и користат специфичен сет на вештини за ефикасно да учат. Обично, планот за лекција вклучува неколку транзиции помеѓу фазите, како на пример од настава до водена пракса или од водена пракса до независна пракса. Имајќи го ова предвид, ефективните наставници честопати планираат настава со цел градење на знаење и вештини на учениците [4].
Побарувачката за SCL расте во високообразовните институции, вклучително и стоматологијата. Стратегиите за SCL се дизајнирани да ги задоволат потребите за учење на учениците. Ова може да се постигне, на пример, ако учениците активно учествуваат во активности за учење и наставниците делуваат како олеснувачи и се одговорни за обезбедување вредни повратни информации. Се вели дека обезбедувањето материјали за учење и активности што се соодветни на образовното ниво или преференциите на студентите може да го подобри околината за учење на учениците и да промовира позитивно искуство за учење [5].
Општо земено, процесот на учење на студентите на забите е под влијание на различните клинички процедури од кои се бара да ги извршат и клиничкото опкружување во кое тие развиваат ефективни интерперсонални вештини. Целта на обуката е да им се овозможи на студентите да комбинираат основно знаење за стоматологијата со клиничките вештини на забите и да го применат стекнатото знаење на нови клинички ситуации [6, 7]. Раните истражувања за односот помеѓу ЛС и се утврдуваат дека прилагодувањето на стратегиите за учење мапирани на склопот на ЛС ќе помогне во подобрување на образовниот процес [8]. Авторите исто така препорачуваат да се користат различни методи на настава и проценка за да се прилагодат на учењето и потребите на учениците.
Наставниците имаат корист од примената на LS знаење за да им помогнат да дизајнираат, развиваат и спроведат настава што ќе го подобри стекнувањето на учениците подлабоко знаење и разбирање на предметот. Истражувачите развија неколку алатки за проценка на ЛС, како што се моделот на експериментално учење на Колб, моделот на стил на учење Фелдер-Силверман (FSLSM) и моделот Флеминг ВАК/Варк [5, 9, 10]. Според литературата, овие модели на учење се најчесто користени и најмногу проучени модели на учење. Во тековната истражувачка работа, FSLSM се користи за проценка на ЛС кај студентите од забите.
FSLSM е широко користен модел за проценка на адаптивното учење во инженерството. Постојат многу објавени дела во здравствените науки (вклучувајќи медицина, медицинска сестра, аптека и стоматологија) кои можат да се најдат со употреба на модели 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 артикли кои проценуваат четири димензии на LS: обработка (активна/рефлексивна), перцепција (перцептивна/интуитивна), перцептивна/интуитивна), влез (визуелно). /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, студентите со „активен“ ЛС претпочитаат да обработуваат информации со директно интеракција со материјалите за учење, да учат со правење и имаат тенденција да учат во групи. „Рефлексивниот“ ЛС се однесува на учење преку размислување и претпочита да работи сам. Димензијата на „перцепцијата“ на ЛС може да се подели на „чувство“ и/или „интуиција“. Студентите „Чувство“ претпочитаат поконкретни информации и практични процедури, се ориентирани кон факти во споредба со „интуитивните“ студенти кои претпочитаат апстрактен материјал и се поиновативни и креативни по природа. „Влезната“ димензија на ЛС се состои од „визуелни“ и „вербални“ ученици. Луѓето со „визуелно“ 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 ги „разберат“ димензиите на ЛС, 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 процес на размислување и секогаш да имаат подобро разбирање за тоа што учат.
Неодамна, многу истражувачи почнаа да ги истражуваат методите за автоматско откритие управувано со податоци, вклучително и развој на нови алгоритми и модели способни за толкување на големи количини на податоци [15, 16]. Врз основа на обезбедените податоци, надгледуваниот ML (машинско учење) е во состојба да генерира обрасци и хипотези кои предвидуваат идни резултати засновани врз изградбата на алгоритми [17]. Едноставно кажано, надгледуваните техники за учење машини манипулираат со влезни податоци и алгоритми за обука. Потоа, тој генерира опсег што го класифицира или предвидува исходот врз основа на слични ситуации за обезбедените влезни податоци. Главната предност на надгледуваните алгоритми за учење машини е неговата способност да воспостави идеални и посакувани резултати [17].
Преку употреба на методи управувани со податоци и модели за контрола на дрвото на одлуки, можно е автоматско откривање на ЛС. Пријавени се дрвја на одлуки широко користени во програми за обука во различни области, вклучително и здравствени науки [18, 19]. Во оваа студија, моделот беше специјално обучен од развивачите на системот за да ги идентификува ЛС на студентите и да препорача најдобро е за нив.
Целта на оваа студија е да се развие е стратегии за испорака засновани на LS на студентите и да се примени пристапот SCL преку развивање на алатка за препораки е мапирана на LS. Дизајнерскиот проток на алатката за препораки IS како стратегија на методот SCL е прикажана на Слика 1. Алатката за препорака е поделена на два дела, вклучувајќи го и механизмот за класификација на LS со употреба на ILS и најсоодветен е приказ за студентите.
Особено, карактеристиките на алатките за препораки за безбедност на информации вклучуваат употреба на веб -технологии и употреба на учење машина за машина за одлуки. Програмерите на системот го подобруваат корисничкото искуство и мобилноста со прилагодување на нив на мобилни уреди, како што се мобилни телефони и таблети.
Експериментот беше спроведен во две фази и студенти од факултетот за стоматологија на Универзитетот во Малаја учествуваа на доброволна основа. Учесниците одговорија на онлајн М-ИЛ на студентскиот стоматолошки студент на англиски јазик. Во почетната фаза, се користеше база на податоци од 50 студенти за обука на алгоритмот за учење на машината за одлуки. Во втората фаза од процесот на развој, се користеше база на податоци од 255 студенти за подобрување на точноста на развиениот инструмент.
Сите учесници добиваат брифинг преку Интернет на почетокот на секоја фаза, во зависност од учебната година, преку тимовите на Мајкрософт. Целта на студијата беше објаснета и беше добиена информирана согласност. На сите учесници им беше обезбедена врска за пристап до М-ИЛ. На секој студент му било наложено да одговори на сите 44 артикли на прашалникот. Ним им беше дадена една недела за да ги завршат изменетите IL во исто време и локацијата што им е погодна за време на паузата за семестарот пред почетокот на семестарот. М-ИЛС се заснова на оригиналниот ILS инструмент и се модифицира за студентите од забите. Слично на оригиналниот ILS, содржи 44 рамномерно распоредени артикли (A, B), со по 11 артикли, кои се користат за проценка на аспектите на секоја димензија на FSLSM.
За време на почетните фази на развој на алатки, истражувачите рачно ги обележаа мапите користејќи база на податоци од 50 студенти од заби. Според FSLM, системот дава збир на одговори „А“ и „Б“. За секоја димензија, ако студентот избира „А“ како одговор, ЛС е класифициран како активен/перцептивен/визуелен/секвенцијален, и ако студентот избира „Б“ како одговор, студентот е класифициран како рефлексивен/интуитивен/лингвистички . / Глобален ученик.
По калибрирањето на работниот тек помеѓу истражувачите за стоматолошко образование и развивачите на системот, беа избрани прашања врз основа на доменот FLSSM и внесени во моделот МЛ за да се предвиди ЛС на секој студент. „Ѓубре, ѓубре“ е популарна изрека во областа на машинско учење, со акцент на квалитетот на податоците. Квалитетот на влезните податоци ја одредува прецизноста и точноста на моделот за учење на машината. За време на фазата на инженерство во функција, се создава нов сет на карактеристики што е збир на одговори „А“ и „Б“ засновани на FLSSM. Идентификациски броеви на позициите на лекови се дадени во Табела 1.
Пресметајте го резултатот врз основа на одговорите и утврдете го LS на студентот. За секој студент, опсегот на резултати е од 1 до 11. Резултатите од 1 до 3 укажуваат на рамнотежа на преференциите за учење во истата димензија, а резултатите од 5 до 7 укажуваат на умерена предност, што укажува дека студентите имаат тенденција да претпочитаат едно опкружување што предава други . Друга варијација со иста димензија е тоа што резултатите од 9 до 11 рефлектираат силна предност за едниот или другиот [8].
За секоја димензија, лековите беа групирани во „активни“, „рефлексивни“ и „избалансирани“. На пример, кога студентот одговара „А“ почесто од „Б“ на одредена ставка и неговиот/нејзиниот резултат го надминува прагот на 5 за одредена ставка што ја претставува димензијата на обработката на ЛС, тој/таа припаѓа на „активната“ ЛС домен. . Сепак, студентите беа класифицирани како „рефлексивни“ ЛС кога избраа „Б“ повеќе од „А“ во специфични 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“. Процесот на класификација беше повторен за другите димензии на LS, имено перцепцијата (активна/рефлексивна), влез (визуелно/вербално) и разбирање (секвенцијално/глобално).
Моделите на дрвото на одлуки можат да користат различни подмножества на карактеристики и правила за одлуки во различни фази на процесот на класификација. Се смета за популарна алатка за класификација и предвидување. Може да се претстави со употреба на структура на дрво, како што е табелата со проток [20], во кои има внатрешни јазли што претставуваат тестови со атрибут, секоја гранка што претставува резултати од тестот, и секој лисја јазол (лисја јазол) што содржи етикета на класа.
Создадена е едноставна програма заснована на правило за автоматско постигнување и анотирање на ЛС на секој студент врз основа на нивните одговори. Засновано на правилото е во форма на изјава ако „ако“ го опишува активирањето и „тогаш“ ја одредува акцијата што треба да се изврши, на пример: „Ако x се случи, тогаш направете y“ (Liu et al., 2014). Ако сетот на податоци покажува корелација и моделот на дрво на одлуки е соодветно обучен и оценет, овој пристап може да биде ефикасен начин за автоматизирање на процесот на совпаѓање на LS и IS.
Во втората фаза на развој, базата на податоци се зголеми на 255 за да се подобри точноста на алатката за препораки. Сетот на податоци е поделен во сооднос 1: 4. За тест -сетот се користеше 25% (64) од сетот на податоци, а преостанатите 75% (191) се користеа како сет за обука (Слика 2). Сетот 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 се сеќава отколку да учи. Моделот е обучен на сетот за обука и ги оценува неговите перформанси на сетот за тестирање - затоа што моделот никогаш порано не ги видел.
Откако ќе се развие алатката IS, апликацијата ќе може да го класифицира LS врз основа на одговорите на студентите за заби преку веб -интерфејс. Системот за препораки за безбедност на информации за безбедност на информации е изграден со помош на јазикот за програмирање во 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 храни со модел на дрво на одлуки за да се пресметаат и извлечат одговорите на студентите за автоматско класифицирање на мерењата на Студентскиот ЛС.
Матрицата за конфузија се користи за да се процени точноста на алгоритмот за учење машина за одлуки за даден сет на податоци. Во исто време, ги оценува перформансите на моделот за класификација. Ги сумира предвидувањата на моделот и ги споредува со вистинските етикети со податоци. Резултатите од евалуацијата се засноваат на четири различни вредности: Вистински позитивен (TP) - моделот правилно ја предвидуваше позитивната категорија, лажно позитивно (FP) - моделот ја предвидуваше позитивната категорија, но вистинската етикета беше негативна, вистинска негативна (TN) - Моделот правилно ја предвидуваше негативната класа и лажната негативна (FN) - моделот предвидува негативна класа, но вистинската етикета е позитивна.
Овие вредности потоа се користат за пресметување на разни метрика за перформанси на моделот за класификација на Scikit-Learn во Python, имено прецизност, прецизност, потсетување и F1 резултат. Еве примери:
Потсетиме (или чувствителност) ја мери можноста на моделот точно да го класифицира ЛС на студентот откако ќе одговори на прашалникот М-ИЛС.
Специфичноста се нарекува вистинска негативна стапка. Како што можете да видите од горенаведената формула, ова треба да биде односот на вистински негативи (TN) до вистински негативи и лажни позитиви (FP). Како дел од препорачаната алатка за класификација на студентски лекови, таа треба да биде способна за точна идентификација.
Оригиналната база на податоци од 50 студенти користени за обука на моделот на дрво ML, покажа релативно мала точност како резултат на човечка грешка во прибелешките (Табела 3). По креирањето на едноставна програма заснована на правила за автоматско пресметување на резултатите од ЛС и прибелешките на студентите, се користеа поголем број на податоци (255) за обука и тестирање на системот за препораки.
Во мултикласната конфузија матрица, дијагоналните елементи го претставуваат бројот на точни предвидувања за секој тип на ЛС (Слика 4). Користејќи го моделот на дрво на одлуки, правилно беа предвидени вкупно 64 примероци. Така, во оваа студија, дијагоналните елементи ги покажуваат очекуваните резултати, што укажува дека моделот функционира добро и точно ја предвидува етикетата на класата за секоја класификација на ЛС. Така, целокупната точност на алатката за препораки е 100%.
Вредностите на точност, прецизност, потсетување и F1 резултат се прикажани на Слика 5. За системот за препораки користејќи го моделот на дрво на одлуки, неговиот резултат F1 е 1,0 „совршен“, што укажува на совршена прецизност и потсетување, како одраз на значителна чувствителност и специфичност вредности.
На Слика 6 е прикажана визуелизација на моделот на дрво на одлуки по завршувањето на тренингот и тестирањето. Во споредба на рамо до рамо, моделот на дрво на одлуки обучен со помалку карактеристики покажа поголема точност и полесна визуелизација на моделот. Ова покажува дека инженерството со карактеристики што доведува до намалување на карактеристиките е важен чекор за подобрување на перформансите на моделот.
Со примена на учење на дрво на одлуки, мапирање помеѓу LS (влез) и е (целен излез) автоматски се генерира и содржи детални информации за секој ЛС.
Резултатите покажаа дека 34,9% од 255 студенти претпочитале една (1) опција за ЛС. Мнозинството (54,3%) имало две или повеќе преференции на ЛС. 12,2% од студентите забележале дека ЛС е доста избалансиран (Табела 4). Покрај осумте главни ЛС, постојат 34 комбинации на класификации на ЛС за студенти на Универзитетот во Малаја. Меѓу нив, перцепцијата, видот и комбинацијата на перцепција и визија се главните ЛС пријавени од студентите (Слика 7).
Како што може да се види од Табела 4, поголемиот дел од студентите имаа доминантна сензорна (13,7%) или визуелна (8,6%) ЛС. Беше објавено дека 12,2% од студентите ја комбинираат перцепцијата со видот (перцептивно-визуелно ЛС). Овие наоди сугерираат дека студентите претпочитаат да учат и запомнуваат преку воспоставени методи, да следат специфични и детални процедури и се внимателни по природа. Во исто време, тие уживаат во учењето со гледање (користејќи дијаграми, итн.) И имаат тенденција да разговараат и да применуваат информации во групи или сами.
Оваа студија дава преглед на техниките за учење машини што се користат во рударството на податоци, со фокус на веднаш и прецизно предвидување на ЛС на студентите и препорачуваат соодветни е. Примената на моделот на дрво на одлуки ги идентификуваше факторите кои се најтесно поврзани со нивниот живот и образовните искуства. Тоа е надгледуван алгоритам за учење машини што 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 сè додека не се донесе одлука на лисниот јазол.
Внатрешните јазли на дрвото на одлуки претставуваат решение засновано врз влезните карактеристики на проблемот М-ИЛС, а лисните јазли претставуваат конечно предвидување за класификација на ЛС. Во текот на студијата, лесно е да се разбере хиерархијата на дрвјата на одлуки кои го објаснуваат и визуелизираат процесот на одлучување со прегледување на врската помеѓу влезните карактеристики и предвидувањата за излез.
Во областа на компјутерските науки и инженерството, алгоритмите за машинско учење се користат за да се предвидат перформанси на студентите врз основа на нивните резултати од приемен испит [21], демографски информации и однесување на учење [22]. Истражувањата покажаа дека алгоритмот точно ги предвидуваше перформансите на студентите и им помогна да ги идентификуваат студентите во ризик за академски потешкотии.
Пријавена е примена на алгоритми на МЛ во развојот на виртуелни симулатори на пациенти за обука на забите. Симулаторот е способен точно да ги репродуцира физиолошките реакции на реалните пациенти и може да се користи за обука на студенти од заби во безбедно и контролирано опкружување [23]. Неколку други студии покажуваат дека алгоритмите за учење машини можат потенцијално да го подобрат квалитетот и ефикасноста на стоматолошкото и медицинското образование и грижата за пациентите. Алгоритмите за машинско учење се користат за да помогнат во дијагностицирање на забни заболувања врз основа на сетови на податоци, како што се симптоми и карактеристики на пациентот [24, 25]. Додека другите студии ја истражуваат употребата на алгоритми за учење машини за извршување на задачи, како што се предвидување на резултатите од 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 примена на машинско учење во стоматологијата, нејзината примена во стоматолошко образование 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 ЛС и е меѓу студентите од забите.
Резултатите од оваа студија покажуваат дека развиената алатка за препораки има голема точност и совршена точност, што укажува дека наставниците можат да имаат корист од оваа алатка. Користејќи процес на класификација управувано од податоци, може да обезбеди персонализирани препораки и да ги подобри едукативните искуства и исходите за наставниците и студентите. Меѓу нив, информациите добиени преку алатки за препораки можат да ги решат конфликтите помеѓу најпосакуваните методи за настава на наставниците и потребите за учење на учениците. На пример, поради автоматизираниот излез на алатките за препораки, времето потребно за идентификување на IP на студентот и да се совпадне со соодветната IP ќе биде значително намалено. На овој начин, можат да се организираат соодветни активности за обука и материјали за обука. Ова помага да се развие позитивното однесување на учењето на учениците и способноста да се концентрираат. Една студија објави дека обезбедувањето на студентите материјали за учење и активности за учење што одговараат на нивните најпосакувани ЛС може да им помогне на студентите да се интегрираат, обработуваат и да 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 студентите [28, 29].
Сепак, како и со секоја модерна технологија, има проблеми и ограничувања. Овие вклучуваат прашања поврзани со приватноста на податоците, пристрасност и праведност и професионални вештини и ресурси потребни за развој и спроведување на алгоритми за машинско учење во стоматолошкото образование; Сепак, растечкиот интерес и истражување во оваа област сугерира дека технологиите за учење машини можат да имаат позитивно влијание врз забите и стоматолошките услуги.
Резултатите од оваа студија укажуваат дека половина од студентите од забите имаат тенденција да „согледуваат“ лекови. Овој вид ученик има предност за факти и конкретни примери, практична ориентација, трпеливост за детали и „визуелна“ предност на ЛС, каде учениците претпочитаат да користат слики, графики, бои и мапи за да пренесат идеи и мисли. Тековните резултати се во согласност со другите студии кои користат ILS за проценка на ЛС кај студенти од стоматологија и медицина, од кои повеќето имаат карактеристики на перцептивната и визуелната ЛС [12, 30]. Далмолин и сор сугерираат дека информирањето на студентите за нивниот 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 спроведат различни методи и активности на настава што ќе го подобрат искуството за перформанси и учење на учениците [12, 31, 32]. Другите студии покажаа дека прилагодувањето на ЛС на учениците исто така покажува подобрувања во искуството и перформансите на учењето на учениците по промената на стиловите на учење за да одговараат на сопствениот LS [13, 33].
Мислењата на наставниците може да варираат во однос на спроведувањето на наставните стратегии засновани врз способностите за учење на учениците. Додека некои ги гледаат придобивките од овој пристап, вклучително и можности за професионален развој, менторство и поддршка на заедницата, други може да бидат загрижени за времето и институционалната поддршка. Настојувањето за рамнотежа е клучно за создавање став во центарот на студентот. Властите за високо образование, како што се универзитетските администратори, можат да играат важна улога во водењето позитивни промени со воведување иновативни практики и поддршка на развојот на факултет [34]. За да се создаде вистински динамичен и одговорен систем на високо образование, креаторите на политиките мора да преземат смели чекори, како што се правење промени во политиката, посветување на ресурси за интеграција во технологијата и создавање рамки што промовираат пристапи засновани на студентите. Овие мерки се клучни за постигнување на посакуваните резултати. Неодамнешните истражувања за диференцирана настава јасно покажаа дека успешното спроведување на диференцирана настава бара тековни можности за обука и развој на наставниците [35].
Оваа алатка обезбедува вредна поддршка на наставниците во стоматолозите кои сакаат да земат пристап во насока на студент за планирање на активности за учење пријателски за учење. Сепак, оваа студија е ограничена на употреба на модели на дрво ML. Во иднина, треба да се соберат повеќе податоци за да се споредат перформансите на различни модели на учење машини за да се спореди точноста, сигурноста и прецизноста на алатките за препораки. Покрај тоа, при изборот на најсоодветен метод за учење машини за одредена задача, важно е да се земат предвид другите фактори како што се сложеноста на моделот и толкувањето.
Ограничување на оваа студија е дека таа се фокусираше само на мапирање на ЛС и е меѓу студентите од забите. Затоа, развиениот систем на препораки ќе ги препорача само оние што се погодни за студенти од стоматологија. Промените се неопходни за општо високо образование за употреба на студентите.
Ново развиената алатка за препораки засновани на машини за учење е способна веднаш да ги класифицира и да одговара на учениците на соодветните е, што ја прави првата програма за стоматолошко образование што им помага на стоматолошките наставници да планираат релевантни активности за настава и учење. Користејќи процес на тријажа управувано со податоци, може да обезбеди персонализирани препораки, да заштеди време, да ги подобри наставните стратегии, да ги поддржува интервенциите насочени кон интервенциите и да промовира тековен професионален развој. Неговата примена ќе промовира пристапи насочени кон студентите кон стоматолошкото образование.
Гилак Јани Асошиејтед Прес. Одговара или неусогласеност помеѓу стилот на учење на ученикот и стилот на предавање на наставникот. Int J Mod Educt Компјутерски науки. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Време на објавување: АПР-29-2024