Постои растечка потреба од учење центрирано кон 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 машинско учење (ML) преку дрво на одлуки за да се мапира претпочитаниот стил на учење (LS) и соодветните стратегии на учење (IS) на студентите по стоматологија како корисна алатка за развој на упатства за IS. Ветувачки методи за студентите по стоматологија.
Вкупно 255 студенти по стоматологија од Универзитетот во Малаја го пополнија модифицираниот прашалник за Индекс на стилови на учење (m-ILS), кој содржеше 44 прашања за да ги класифицира во нивните соодветни LS. Собраните податоци (наречени збир на податоци) се користат во надгледувано учење преку дрво на одлуки за автоматско поврзување на стиловите на учење на студентите со најсоодветниот IS. Потоа се оценува точноста на алатката за препораки за IS базирана на машинско учење.
Примената на модели на дрво на одлуки во автоматизиран процес на мапирање помеѓу LS (влез) и IS (целен излез) овозможува моментален список на соодветни стратегии за учење за секој студент по стоматологија. Алатката за препораки на IS покажа совршена точност и отповикливост на целокупната точност на моделот, што укажува дека усогласувањето на LS со IS има добра сензитивност и специфичност.
Алатката за препораки за IS базирана на дрво на одлуки за машинско учење ја докажа својата способност прецизно да ги усогласи стиловите на учење на студентите по стоматологија со соодветни стратегии на учење. Оваа алатка нуди моќни опции за планирање курсеви или модули фокусирани на ученикот што можат да го подобрат искуството на учење на студентите.
Наставата и учењето се фундаментални активности во образовните институции. При развивање на 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 утврди преку нивното учење. Истражувањата сугерираат дека несовпаѓањата помеѓу учењето и информациското учење на учениците, намерни од наставниците, можат да имаат негативни последици врз учењето на учениците, како што се намалено внимание и мотивација. Ова индиректно ќе влијае на успехот на учениците [1,2].
ИС е метод што го користат наставниците за да им пренесат знаење и вештини на учениците, вклучително и помагање на учениците да учат [3]. Општо земено, добрите наставници планираат стратегии за настава или ИС што најдобро одговараат на нивото на знаење на нивните ученици, концептите што ги учат и нивната фаза на учење. Теоретски, кога ЛС и ИС се совпаѓаат, учениците ќе можат да организираат и користат специфичен сет на вештини за ефикасно учење. Типично, планот на часот вклучува неколку транзиции помеѓу фазите, како што е од предавање до водена практика или од водена практика до независна практика. Имајќи го ова предвид, ефективните наставници често ја планираат наставата со цел да ги изградат знаењата и вештините на учениците [4].
Побарувачката за SCL расте во високообразовните институции, вклучително и стоматологијата. SCL стратегиите се дизајнирани да ги задоволат потребите за учење на студентите. Ова може да се постигне, на пример, ако студентите активно учествуваат во активностите за учење, а наставниците дејствуваат како фасилитатори 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 ја подобри средината за учење на студентите и да промовира 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 извршат и клиничката средина во која тие развиваат ефективни меѓучовечки вештини. Целта на обуката е да им овозможи на студентите да комбинираат основно знаење за стоматологијата со стоматолошки клинички вештини и да го применат стекнатото знаење во нови клинички ситуации [6, 7]. Раните истражувања за односот помеѓу LS и IS покажаа дека прилагодувањето на стратегиите за учење мапирани на претпочитаната LS би помогнало во подобрувањето на образовниот процес [8]. Авторите, исто така, препорачуваат користење на различни методи на настава и оценување за да се прилагодат на учењето и потребите на студентите.
Наставниците имаат корист од примената на знаењето од LS за да им помогне да дизајнираат, развиваат и имплементираат настава што ќе го подобри стекнувањето на подлабоко знаење и разбирање на предметот од страна на учениците. Истражувачите развија неколку алатки за проценка на LS, како што се Колбовиот модел на искуствено учење, Фелдер-Силвермановиот модел на стил на учење (FSLSM) и Флеминговиот VAK/VARK модел [5, 9, 10]. Според литературата, овие модели на учење се најчесто користените и најпроучуваните модели на учење. Во тековната истражувачка работа, FSLSM се користи за проценка на LS кај студентите по стоматологија.
FSLSM е широко користен модел за оценување на адаптивното учење во инженерството. Постојат многу објавени трудови во здравствените науки (вклучувајќи медицина, нега, фармација и стоматологија) кои можат да се најдат со користење на моделите 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 што оценуваат четири димензии на LS: обработка (активна/рефлективна), перцепција (перцептивна/интуитивна), влез (визуелна/вербална) и разбирање (секвенцијално/глобално) [14].
Како што е прикажано на Слика 1, секоја димензија на FSLSM има доминантна преференција. На пример, во димензијата на обработка, учениците со „активна“ LS претпочитаат да обработуваат информации преку директна интеракција со материјалите за учење, учат преку правење и имаат тенденција да учат во групи. „Рефлексивната“ LS се однесува на учење преку размислување и претпочита да работи сама. „Перцептивната“ димензија на LS може да се подели на „чувствување“ и/или „интуиција“. Учениците кои „чувствуваат“ претпочитаат поконкретни информации и практични процедури, се ориентирани кон факти во споредба со „интуитивните“ ученици кои претпочитаат апстрактен материјал и се поиновативни и креативни по природа. „Влезната“ димензија на LS се состои од „визуелни“ и „вербални“ ученици. Луѓето со „визуелна“ LS претпочитаат да учат преку визуелни демонстрации (како што се дијаграми, видеа или демонстрации во живо), додека луѓето со „вербална“ LS претпочитаат да учат преку зборови во писмени или усни објаснувања. За да ги „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 процес на размислување и секогаш имаат подобро разбирање за она што го учат.“
Неодамна, многу истражувачи почнаа да истражуваат методи за автоматско откривање базирано на податоци, вклучително и развој на нови алгоритми и модели способни за толкување на големи количини на податоци [15, 16]. Врз основа на обезбедените податоци, надгледуваното машинско учење (ML) е способно да генерира шеми и хипотези што ги предвидуваат идните резултати врз основа на конструкцијата на алгоритмите [17]. Едноставно кажано, техниките за надгледувано машинско учење манипулираат со влезните податоци и ги обучуваат алгоритмите. Потоа генерираат опсег што го класифицира или предвидува исходот врз основа на слични ситуации за обезбедените влезни податоци. Главната предност на надгледуваните алгоритми за машинско учење е нивната способност да воспостават идеални и посакувани резултати [17].
Преку употреба на методи базирани на податоци и модели за контрола на дрва на одлуки, можно е автоматско откривање на LS. Пријавено е дека дрвата на одлуки 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 страна на развивачите на системи за да ги идентификува LS на студентите и да препорача најдобар IS за нив.
Целта на оваа студија е да се развијат стратегии за испорака на IS врз основа на LS на студентите и да се примени SCL пристапот преку развивање на алатка за препораки на IS мапирана на LS. Текот на дизајнирање на алатката за препораки на IS како стратегија на SCL методот е прикажан на Слика 1. Алатката за препораки на IS е поделена на два дела, вклучувајќи го механизмот за класификација на LS со користење на ILS и најсоодветниот IS приказ за студентите.
Особено, карактеристиките на алатките за препораки за безбедност на информациите вклучуваат употреба на веб-технологии и употреба на машинско учење преку дрво на одлуки. Развивачите на системи 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, а студенти од Стоматолошкиот факултет при Универзитетот во Малаја учествуваа доброволно. Учесниците одговорија на онлајн m-ILS тестот на студент по стоматологија на англиски јазик. Во почетната фаза, збир на податоци од 50 студенти беше искористен за обука на алгоритмот за машинско учење со дрво на одлуки. Во втората фаза од процесот на развој, збир на податоци од 255 студенти беше искористен за подобрување на точноста на развиениот инструмент.
Сите учесници добиваат онлајн брифинг на почетокот од секоја фаза, во зависност од академската година, преку Microsoft Teams. Целта на студијата беше објаснета и беше добиена информирана согласност. На сите учесници им беше даден линк за пристап до m-ILS. На секој студент му беше наложено да одговори на сите 44 прашања од прашалникот. Им беше дадена една недела да го пополнат изменетиот ILS во време и на локација што им одговара за време на семестарскиот распуст пред почетокот на семестарот. m-ILS е базиран на оригиналниот ILS инструмент и е модифициран за студентите по стоматологија. Слично на оригиналниот ILS, содржи 44 рамномерно распределени прашања (a, b), со по 11 прашања, кои се користат за проценка на аспектите на секоја димензија на FSLSM.
Во почетните фази од развојот на алатките, истражувачите рачно ги анотираа мапите користејќи збир на податоци од 50 студенти по стоматологија. Според FSLM, системот го обезбедува збирот од одговорите „a“ и „b“. За секоја димензија, ако студентот го избере „a“ како одговор, LS се класифицира како Активно/Перцептивно/Визуелно/Секвенцијално, а ако студентот го избере „b“ како одговор, студентот се класифицира како Рефлективно/Интуитивно/Лингвистички/глобално ученик.
По калибрирањето на работниот процес помеѓу истражувачите за стоматолошко образование и развивачите на системи, прашањата беа избрани врз основа на доменот FLSSM и внесени во моделот за машинско учење за да се предвиди LS на секој студент. „Ѓубре внатре, ѓубре надвор“ е популарна изрека 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 создава нов сет на карактеристики кој е збир од одговорите „а“ и „б“ врз основа на FLSSM. Идентификациските броеви на позициите на лекови се дадени во Табела 1.
Пресметајте го резултатот врз основа на одговорите и утврдете го LS-то на ученикот. За секој ученик, опсегот на резултати е од 1 до 11. Резултатите од 1 до 3 укажуваат на рамнотежа на преференциите за учење во рамките на истата димензија, а резултатите од 5 до 7 укажуваат на умерена преференција, што укажува дека учениците имаат тенденција да претпочитаат една средина во која учат други. Друга варијација на истата димензија е тоа што резултатите од 9 до 11 одразуваат силна преференција за едниот или другиот крај [8].
За секоја димензија, дрогите беа групирани во „активни“, „рефлективни“ и „балансирани“. На пример, кога ученикот одговара на „а“ почесто отколку на „б“ на одредено прашање и неговиот/нејзиниот резултат го надминува прагот од 5 за одредено прашање што ја претставува димензијата Обработка на ЛС, тој/таа припаѓа на доменот „активен“ на ЛС. Сепак, учениците беа класифицирани како „рефлективни“ на ЛС кога избраа „б“ повеќе од „а“ во специфични 11 прашања (Табела 1) и освоија повеќе од 5 поени. Конечно, ученикот е во состојба на „рамнотежа“. Ако резултатот не надминува 5 поени, тогаш ова е „процесна“ ЛС. Процесот на класификација беше повторен за другите ЛС димензии, имено перцепција (активна/рефлективна), влезна информација (визуелна/вербална) и разбирање (секвенцијално/глобално).
Моделите на дрво на одлучување можат да користат различни подгрупи 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 која има внатрешни јазли што ги претставуваат тестовите по атрибут, секоја гранка ги претставува резултатите од тестот и секој листен јазол (листен јазол) содржи ознака на класа.
Беше креирана едноставна програма базирана на правила за автоматско бодување и анотирање на LS на секој ученик врз основа на нивните одговори. Базираната на правила е во форма на IF наредба, каде што „IF“ го опишува активирањето, а „THEN“ го специфицира дејството што треба да се изврши, на пример: „Ако се случи X, тогаш направи Y“ (Liu et al., 2014). Ако множеството податоци покажува корелација и моделот на дрвото на одлуки е правилно обучен и оценет, овој пристап може да биде ефикасен начин за автоматизирање на процесот на споредување на LS и IS.
Во втората фаза од развојот, сетот на податоци беше зголемен на 255 за да се подобри точноста на алатката за препораки. Сетот на податоци е поделен во сооднос 1:4. 25% (64) од сетот на податоци беше искористен за тест сетот, а преостанатите 75% (191) беше искористен 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 би можело да предизвика моделот да запомни наместо да учи. Моделот е обучен на сетот за обука и ги оценува своите перформанси на тест сетот - податоци што моделот никогаш порано не ги видел.
Откако ќе се развие алатката IS, апликацијата ќе може да ги класифицира LS врз основа на одговорите на студентите по стоматологија преку веб интерфејс. Веб-базираниот систем на алатки за препораки за безбедност на информациите е изграден со користење на програмскиот јазик Python, користејќи ја рамката Django како backend. Табела 2 ги наведува библиотеките што се користат во развојот на овој систем.
Збирот податоци се внесува во модел на дрво на одлуки за да се пресметаат и извлечат одговорите на учениците за автоматско класифицирање на мерењата на LS на учениците.
Матрицата на конфузија се користи за да се процени точноста на алгоритам за машинско учење на дрво на одлуки на даден збир на податоци. Во исто време, таа ги оценува перформансите на моделот за класификација. Ги сумира предвидувањата на моделот и ги споредува со реалните ознаки на податоци. Резултатите од евалуацијата се базираат на четири различни вредности: Точно позитивно (TP) – моделот правилно ја предвидел позитивната категорија, Лажно позитивно (FP) – моделот ја предвидел позитивната категорија, но вистинската ознака била негативна, Точно негативно (TN) – моделот правилно ја предвидел негативната класа и Лажно негативно (FN) – Моделот предвидува негативна класа, но вистинската ознака е позитивна.
Овие вредности потоа се користат за пресметување на различни метрики за перформанси на моделот за класификација scikit-learn во Python, имено прецизност, прецизност, повратност и F1 резултат. Еве примери:
Потсетувањето (или чувствителноста) ја мери способноста на моделот прецизно да ја класифицира LS (Луѓето кои учат на учење) на ученикот откако ќе го одговори прашалникот m-ILS.
Специфичноста се нарекува стапка на вистински негативни резултати. Како што можете да видите од горенаведената формула, ова треба да биде односот на вистински негативни резултати (TN) кон вистински негативни резултати и лажни позитивни резултати (FP). Како дел од препорачаната алатка за класификација на студентски лекови, треба да биде способна за точна идентификација.
Оригиналниот збир на податоци од 50 студенти што беше користен за обука на моделот за машинска обработка со дрво на одлуки покажа релативно ниска точност поради човечка грешка во анотациите (Табела 3). По креирањето на едноставна програма базирана на правила за автоматско пресметување на резултатите од LS и анотациите на студентите, сè поголем број на збирови на податоци (255) беа користени за обука и тестирање на системот за препораки.
Во матрицата на повеќекласна конфузија, дијагоналните елементи го претставуваат бројот на точни предвидувања за секој LS тип (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 работи добро и точно ја предвидува ознаката на класата за секоја LS класификација. Така, вкупната точност на алатката за препораки е 100%.
Вредностите на точност, прецизност, способност за потсетување и F1 резултат се прикажани на Слика 5. За системот за препораки што го користи моделот на дрво на одлуки, неговиот F1 резултат е 1,0 „совршен“, што укажува на совршена прецизност и способност за потсетување, што одразува значајни вредности на чувствителност и специфичност.
Слика 6 прикажува визуелизација на моделот на дрво на одлуки по завршувањето на обуката и тестирањето. Во споредба меѓу двете страни, моделот на дрво 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 надгледувано со дрво на одлуки, мапирањето помеѓу LS (влез) и IS (целен излез) се генерира автоматски и содржи детални информации за секој LS.
Резултатите покажаа дека 34,9% од 255 студенти претпочитале една (1) опција за учење на настава. Мнозинството (54,3%) имале две или повеќе преференции за учење на настава. 12,2% од студентите забележале дека учењето на настава е доста избалансирано (Табела 4). Покрај осумте главни учење на настава, постојат 34 комбинации на класификации на учење на настава за студентите по стоматологија на Универзитетот во Малаја. Меѓу нив, перцепцијата, видот и комбинацијата од перцепција и вид се главните учење на настава пријавени од студентите (Слика 7).
Како што може да се види од Табела 4, поголемиот дел од учениците имале доминантна сензорна (13,7%) или визуелна (8,6%) наставна способност (LS). Беше објавено дека 12,2% од учениците ја комбинирале перцепцијата со видот (перцептивно-визуелна наставна способност). Овие наоди сугерираат дека учениците претпочитаат да учат и да памтат преку воспоставени методи, да следат специфични и детални процедури и 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 самостојно.
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 студентите и препорачување на соодветен IS. Примената на модел на дрво на одлуки ги идентификуваше факторите што се најтесно поврзани со нивните животни и образовни искуства. Тоа е алгоритам за надгледувано машинско учење што користи структура на дрво за класификација на податоци со делење на множество податоци во поткатегории 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 листовиот јазол.
Внатрешните јазли на дрвото на одлуки го претставуваат решението врз основа на влезните карактеристики на m-ILS проблемот, а листните јазли го претставуваат конечното предвидување за LS класификација. Низ целата студија, лесно е да се разбере хиерархијата на дрвјата на одлуки кои го објаснуваат и визуелизираат процесот на одлучување со гледање на врската помеѓу влезните карактеристики и излезните предвидувања.
Во областите на компјутерските науки и инженерството, алгоритмите за машинско учење се користат за предвидување на успехот на студентите врз основа на нивните резултати од приемните испити [21], демографските информации и однесувањето во учењето [22]. Истражувањата покажаа дека алгоритмот точно ги предвидел перформансите на студентите и им помогнал да ги идентификуваат студентите кои се изложени на ризик од академски тешкотии.
Пријавена е примена на алгоритми за машинско учење во развојот на виртуелни симулатори на пациенти за стоматолошка обука. Симулаторот е способен прецизно да ги репродуцира физиолошките реакции на реалните 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 потенцијално можат 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 дијагностицирањето на стоматолошки заболувања врз основа на збирки на податоци како што се симптоми и карактеристики на пациентите [24, 25]. Додека други студии ја истражуваат употребата на алгоритми за машинско учење за извршување задачи како што се предвидување на исходите на пациентите, идентификување на пациенти со висок ризик, развивање персонализирани планови за лекување [26], пародонтален третман [27] и лекување на кариес [25].
Иако се објавени извештаи за примената на машинското учење во стоматологијата, неговата примена во стоматолошкото 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 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, таа 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 можат да ги решат конфликтите помеѓу претпочитаните методи на настава на наставниците и потребите за учење на учениците. На пример, поради автоматизираното производство на алатките за препораки, времето потребно за идентификување на интелектуалната сопственост на ученикот и нејзино усогласување со соодветната интелектуална сопственост ќе биде значително намалено. На овој начин, може да се организираат соодветни активности за обука и материјали за обука. Ова помага да се развие позитивно однесување во учењето и способноста за концентрација кај учениците. Една студија објави дека обезбедувањето материјали за учење и активности за учење на учениците што одговараат на нивното претпочитано наставно ниво 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 со секоја модерна технологија, постојат проблеми и ограничувања. Тие вклучуваат прашања поврзани со приватноста на податоците, пристрасноста и праведноста, како и професионалните вештини и ресурси потребни за развој и имплементација на алгоритми за машинско учење во стоматолошкото образование; Сепак, растечкиот интерес и истражување во оваа област сугерираат дека технологиите за машинско учење можат да имаат позитивно влијание врз стоматолошкото образование и стоматолошките услуги.
Резултатите од оваа студија покажуваат дека половина од студентите по стоматологија имаат тенденција да „перцепираат“ лекови. Овој тип на ученици има преференции за факти и конкретни примери, практична ориентација, трпение за детали и „визуелна“ преференција за учење, каде што учениците претпочитаат да користат слики, графики, бои и мапи за да пренесат идеи и мисли. Сегашните резултати се во согласност со други студии што го користат интерактивното учење за да ја проценат учењето кај студентите по стоматологија и медицина, од кои повеќето имаат карактеристики на перцептивна и визуелна учење [12, 30]. Далмолин и сор. сугерираат дека информирањето на студентите за нивната учење им овозможува да го остварат својот потенцијал за учење. Истражувачите тврдат дека кога наставниците целосно го разбираат образовниот процес на студентите, можат да се имплементираат различни методи и активности на настава што ќе ги подобрат перформансите и искуството во учењето на студентите [12, 31, 32]. Други студии покажаа дека прилагодувањето на учењето на студентите, исто така, покажува подобрувања во искуството и перформансите во учењето на студентите по промената на нивните стилови на учење за да одговараат на нивната сопствена учење [13, 33].
Мислењата на наставниците може да се разликуваат во однос на имплементацијата на стратегиите за настава врз основа на способностите за учење на учениците. Додека некои ги гледаат придобивките од овој пристап, вклучувајќи ги можностите за професионален развој, менторството и поддршката од заедницата, други може да бидат загрижени за времето и институционалната поддршка. Стремежот кон рамнотежа е клучен за создавање став ориентиран кон ученикот. Високообразовните власти, како што се универзитетските администратори, можат да играат важна улога во поттикнувањето позитивни промени преку воведување иновативни практики и поддршка на развојот на наставниот кадар [34]. За да се создаде вистински динамичен и одговорен систем за високо образование, креаторите на политиките мора да преземат смели чекори, како што се правење промени во политиките, посветување ресурси за интеграција на технологијата и создавање рамки што промовираат пристапи ориентирани кон ученикот. Овие мерки се од клучно значење за постигнување на посакуваните резултати. Неодамнешните истражувања за диференцирана настава јасно покажаа дека успешната имплементација на диференцирана настава бара континуирана обука и можности за развој за наставниците [35].
Оваа алатка им обезбедува вредна поддршка на стоматолошките едукатори кои сакаат да применат пристап ориентиран кон учениците за планирање активности за учење прилагодени за учениците. Сепак, оваа студија е ограничена на употреба на модели за машинско учење со 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 спореди точноста, веродостојноста и прецизноста на алатките за препораки. Дополнително, при изборот на најсоодветен метод на машинско учење за одредена задача, важно е да се земат предвид и други фактори како што се сложеноста и толкувањето на моделот.
Ограничување на оваа студија е тоа што се фокусираше само на мапирање на LS и IS кај студентите по стоматологија. Затоа, развиениот систем за препораки ќе ги препорачува само оние што се соодветни за студентите по стоматологија. Промените се неопходни за општа употреба од страна на студентите по високо образование.
Новоразвиената алатка за препораки базирана на машинско учење е способна веднаш да ги класифицира и спореди LS-ите на студентите со соодветниот IS, што ја прави првата програма за стоматолошко образование што им помага на стоматолошките едукатори да планираат релевантни активности за настава и учење. Користејќи процес на тријажа базиран на податоци, може да обезбеди персонализирани препораки, да заштеди време, да ги подобри стратегиите за настава, да поддржи насочени интервенции и да промовира континуиран професионален развој. Нејзината примена ќе промовира пристапи кон стоматолошкото образование фокусирани на студентите.
Гилак Јани, Асошиејтед Прес. Совпаѓање или несовпаѓање 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