Υπάρχει αυξανόμενη ανάγκη για μαθησιακή μάθηση (SCL) στα ιδρύματα τριτοβάθμιας εκπαίδευσης, συμπεριλαμβανομένης της οδοντιατρικής. Ωστόσο, η SCL έχει περιορισμένη εφαρμογή στην οδοντιατρική εκπαίδευση. Ως εκ τούτου, αυτή η μελέτη στοχεύει στην προώθηση της εφαρμογής της SCL στην οδοντιατρική με τη χρήση της τεχνολογίας της εκμάθησης δέντρων δέντρων (ML) για να χαρτογραφήσει το προτιμώμενο στυλ μάθησης (LS) και τις αντίστοιχες στρατηγικές μάθησης (IS) των οδοντιάτρων ως χρήσιμο εργαλείο για την ανάπτυξη είναι κατευθυντήριες γραμμές είναι κατευθυντήριες γραμμές είναι κατευθυντήριες γραμμές . Υπόμπιες μεθόδους για τους οδοντιάτρους.
Συνολικά 255 οδοντίατροι από το Πανεπιστήμιο της Μαλαισίας ολοκλήρωσαν το ερωτηματολόγιο τροποποιημένου δείκτη μαθησιακών στυλ (M-ILS), το οποίο περιείχε 44 στοιχεία για να τα ταξινομήσει στο αντίστοιχο LSS τους. Τα δεδομένα που συλλέχθηκαν (που ονομάζεται σύνολο δεδομένων) χρησιμοποιούνται στην εποπτευόμενη εκμάθηση δέντρων αποφάσεων για να ταιριάζουν αυτόματα τα στυλ μάθησης των μαθητών στο πιο κατάλληλο είναι. Στη συνέχεια αξιολογείται η ακρίβεια του εργαλείου συστάσεων που βασίζεται στη μηχανική μάθηση.
Η εφαρμογή των μοντέλων δέντρων αποφάσεων σε μια αυτοματοποιημένη διαδικασία χαρτογράφησης μεταξύ LS (εισόδου) και IS (Target output) επιτρέπει έναν άμεσο κατάλογο των κατάλληλων στρατηγικών μάθησης για κάθε οδοντιατρικό φοιτητή. Το εργαλείο συστάσεων IS έδειξε τέλεια ακρίβεια και ανάκληση της συνολικής ακρίβειας του μοντέλου, υποδεικνύοντας ότι η αντιστοίχιση LS με είναι καλή ευαισθησία και εξειδίκευση.
Ένα εργαλείο συστάσεων IS που βασίζεται σε ένα δέντρο αποφάσεων ML έχει αποδείξει την ικανότητά του να ταιριάζει με ακρίβεια στυλ μάθησης των οδοντιατρικών μαθητών με κατάλληλες στρατηγικές μάθησης. Αυτό το εργαλείο παρέχει ισχυρές επιλογές για το σχεδιασμό μαθημάτων με επίκεντρο τους μαθητές ή ενότητες που μπορούν να ενισχύσουν την μαθησιακή εμπειρία των μαθητών.
Η διδασκαλία και η μάθηση είναι θεμελιώδεις δραστηριότητες στα εκπαιδευτικά ιδρύματα. Κατά την ανάπτυξη ενός υψηλής ποιότητας επαγγελματικής εκπαίδευσης, είναι σημαντικό να επικεντρωθούμε στις μαθησιακές ανάγκες των μαθητών. Η αλληλεπίδραση μεταξύ των μαθητών και του μαθησιακού τους περιβάλλοντος μπορεί να καθοριστεί μέσω του LS τους. Οι έρευνες υποδηλώνουν ότι οι αναντιστοιχίες που προκαλούνται από τους εκπαιδευτικούς μεταξύ του LS των μαθητών και μπορούν να έχουν αρνητικές συνέπειες για τη μάθηση των μαθητών, όπως η μειωμένη προσοχή και τα κίνητρα. Αυτό θα επηρεάσει έμμεσα τις επιδόσεις των μαθητών [1,2].
Είναι μια μέθοδος που χρησιμοποιείται από τους εκπαιδευτικούς για να μεταδώσει γνώσεις και δεξιότητες στους μαθητές, συμπεριλαμβανομένης της βοήθειας των μαθητών να μάθουν [3]. Σε γενικές γραμμές, οι καλοί εκπαιδευτικοί σχεδιάζουν στρατηγικές διδασκαλίας ή είναι καλύτερα να ταιριάζουν με το επίπεδο γνώσης των μαθητών τους, τις έννοιες που μαθαίνουν και το στάδιο της μάθησης τους. Θεωρητικά, όταν το LS και ταιριάζει, οι μαθητές θα μπορούν να οργανώνουν και να χρησιμοποιούν ένα συγκεκριμένο σύνολο δεξιοτήτων για να μάθουν αποτελεσματικά. Συνήθως, ένα σχέδιο μαθήματος περιλαμβάνει αρκετές μεταβάσεις μεταξύ σταδίων, όπως από τη διδασκαλία έως την καθοδηγούμενη πρακτική ή από την καθοδηγούμενη πρακτική έως την ανεξάρτητη πρακτική. Έχοντας αυτό υπόψη, οι αποτελεσματικοί εκπαιδευτικοί συχνά σχεδιάζουν την διδασκαλία με στόχο την οικοδόμηση των γνώσεων και των δεξιοτήτων των μαθητών [4].
Η ζήτηση για SCL αυξάνεται σε ιδρύματα τριτοβάθμιας εκπαίδευσης, συμπεριλαμβανομένης της οδοντιατρικής. Οι στρατηγικές SCL έχουν σχεδιαστεί για να ανταποκρίνονται στις μαθησιακές ανάγκες των μαθητών. Αυτό μπορεί να επιτευχθεί, για παράδειγμα, εάν οι μαθητές συμμετέχουν ενεργά σε μαθησιακές δραστηριότητες και οι εκπαιδευτικοί ενεργούν ως διευκολυντές και είναι υπεύθυνοι για την παροχή πολύτιμων ανατροφοδότησης. Λέγεται ότι η παροχή μαθησιακών υλικών και δραστηριοτήτων που είναι κατάλληλα για το εκπαιδευτικό επίπεδο ή τις προτιμήσεις των μαθητών μπορεί να βελτιώσει το μαθησιακό περιβάλλον των μαθητών και να προωθήσει τις θετικές εμπειρίες μάθησης [5].
Σε γενικές γραμμές, η μαθησιακή διαδικασία των οδοντιατρικών μαθητών επηρεάζεται από τις διάφορες κλινικές διαδικασίες που απαιτούνται για την εκτέλεση και το κλινικό περιβάλλον στο οποίο αναπτύσσουν αποτελεσματικές διαπροσωπικές δεξιότητες. Σκοπός της κατάρτισης είναι να επιτρέψει στους μαθητές να συνδυάσουν βασικές γνώσεις της οδοντιατρικής με οδοντιατρικές κλινικές δεξιότητες και να εφαρμόζουν τις αποκτηθείσες γνώσεις σε νέες κλινικές καταστάσεις [6, 7]. Η έγκαιρη έρευνα σχετικά με τη σχέση μεταξύ LS και διαπιστώθηκε ότι η προσαρμογή των στρατηγικών μάθησης που αντιστοιχούν στο προτιμώμενο LS θα συμβάλει στη βελτίωση της εκπαιδευτικής διαδικασίας [8]. Οι συγγραφείς συνιστούν επίσης τη χρήση ποικίλων μεθόδων διδασκαλίας και αξιολόγησης για να προσαρμοστούν στη μάθηση και τις ανάγκες των μαθητών.
Οι εκπαιδευτικοί επωφελούνται από την εφαρμογή της γνώσης του LS για να τους βοηθήσουν να σχεδιάσουν, να αναπτύξουν και να εφαρμόσουν οδηγίες που θα ενισχύσουν την απόκτηση της βαθύτερης γνώσης και κατανόησης των μαθητών από τους μαθητές. Οι ερευνητές έχουν αναπτύξει αρκετά εργαλεία αξιολόγησης LS, όπως το μοντέλο βιωματικής μάθησης KOLB, το μοντέλο στυλ μάθησης Felder-Silverman (FSLSM) και το μοντέλο Fleming VAK/Vark [5, 9, 10]. Σύμφωνα με τη βιβλιογραφία, αυτά τα μοντέλα μάθησης είναι τα πιο συχνά χρησιμοποιούμενα και πιο μελετημένα μοντέλα μάθησης. Στην τρέχουσα ερευνητική εργασία, το FSLSM χρησιμοποιείται για την αξιολόγηση του LS μεταξύ των οδοντιατρικών φοιτητών.
Το FSLSM είναι ένα ευρέως χρησιμοποιούμενο μοντέλο για την αξιολόγηση της προσαρμοστικής μάθησης στη μηχανική. Υπάρχουν πολλά δημοσιευμένα έργα στις επιστήμες της υγείας (συμπεριλαμβανομένης της ιατρικής, της νοσηλευτικής, της φαρμακείου και της οδοντιατρικής) που μπορούν να βρεθούν χρησιμοποιώντας μοντέλα FSLSM [5, 11, 12, 13]. Το όργανο που χρησιμοποιείται για τη μέτρηση των διαστάσεων του LS στο FLSM ονομάζεται Δείκτης Μαθησιακών Στυλ (ILS) [8], το οποίο περιέχει 44 στοιχεία που αξιολογούν τέσσερις διαστάσεις του LS: επεξεργασία (ενεργή/αντανακλαστική), αντίληψη (αντιληπτική/διαισθητική), είσοδος (οπτική). /λεκτική) και κατανόηση (διαδοχική/παγκόσμια) [14].
Όπως φαίνεται στο σχήμα 1, κάθε διάσταση FSLSM έχει κυρίαρχη προτίμηση. Για παράδειγμα, στη διάσταση επεξεργασίας, οι μαθητές με "ενεργό" LS προτιμούν να επεξεργάζονται πληροφορίες, αλληλεπιδρώντας άμεσα με τα μαθησιακά υλικά, μαθαίνουν με το να κάνουν και τείνουν να μαθαίνουν σε ομάδες. Το "αντανακλαστικό" LS αναφέρεται στη μάθηση μέσω της σκέψης και προτιμά να εργάζεται μόνη της. Η "αντίληψη" διάσταση του LS μπορεί να χωριστεί σε "αίσθημα" ή/και "διαίσθηση". Οι μαθητές "αίσθησης" προτιμούν πιο συγκεκριμένες πληροφορίες και πρακτικές διαδικασίες, είναι προσανατολισμένες σε σχέση με τους "διαισθητικούς" φοιτητές που προτιμούν αφηρημένο υλικό και είναι πιο καινοτόμοι και δημιουργικοί. Η διάσταση "εισόδου" του LS αποτελείται από "οπτικούς" και "λεκτικούς" μαθητές. Τα άτομα με "οπτικό" LS προτιμούν να μαθαίνουν μέσω οπτικών διαδηλώσεων (όπως διαγράμματα, βίντεο ή ζωντανές διαδηλώσεις), ενώ τα άτομα με "προφορικά" LS προτιμούν να μαθαίνουν μέσω λέξεων σε γραπτές ή προφορικές εξηγήσεις. Για να «κατανοήσουν» τις διαστάσεις LS, αυτοί οι μαθητές μπορούν να χωριστούν σε «διαδοχικά» και «παγκόσμια». "Οι διαδοχικοί μαθητές προτιμούν μια γραμμική διαδικασία σκέψης και μαθαίνουν βήμα προς βήμα, ενώ οι παγκόσμιοι μαθητές τείνουν να έχουν μια ολιστική διαδικασία σκέψης και πάντα έχουν καλύτερη κατανόηση του τι μαθαίνουν.
Πρόσφατα, πολλοί ερευνητές έχουν αρχίσει να διερευνούν μεθόδους για την αυτόματη ανακάλυψη με βάση τα δεδομένα, συμπεριλαμβανομένης της ανάπτυξης νέων αλγορίθμων και μοντέλων που μπορούν να ερμηνεύσουν μεγάλες ποσότητες δεδομένων [15, 16]. Με βάση τα παρεχόμενα δεδομένα, το εποπτευόμενο ML (μηχανική μάθηση) είναι σε θέση να παράγει πρότυπα και υποθέσεις που προβλέπουν μελλοντικά αποτελέσματα με βάση την κατασκευή αλγορίθμων [17]. Με απλά λόγια, οι εποπτευόμενες τεχνικές μηχανικής μάθησης χειρίζονται δεδομένα εισόδου και αλγόριθμους εκπαίδευσης. Στη συνέχεια δημιουργεί ένα εύρος που ταξινομεί ή προβλέπει το αποτέλεσμα με βάση παρόμοιες καταστάσεις για τα παρεχόμενα δεδομένα εισόδου. Το κύριο πλεονέκτημα των εποπτευόμενων αλγορίθμων μηχανικής μάθησης είναι η ικανότητά του να δημιουργεί ιδανικά και επιθυμητά αποτελέσματα [17].
Μέσω της χρήσης των μεθόδων που βασίζονται σε δεδομένα και των μοντέλων ελέγχου δέντρων αποφάσεων, είναι δυνατή η αυτόματη ανίχνευση του LS. Τα δέντρα αποφάσεων έχουν αναφερθεί ότι χρησιμοποιούνται ευρέως σε προγράμματα κατάρτισης σε διάφορους τομείς, συμπεριλαμβανομένων των επιστημών υγείας [18, 19]. Σε αυτή τη μελέτη, το μοντέλο εκπαιδεύτηκε ειδικά από τους προγραμματιστές του συστήματος για να εντοπίσει το LS των μαθητών και να συστήσει το καλύτερο είναι γι 'αυτούς.
Σκοπός αυτής της μελέτης είναι να αναπτυχθεί είναι οι στρατηγικές παράδοσης που βασίζονται στο LS των μαθητών και να εφαρμόσουν την προσέγγιση SCL με την ανάπτυξη ενός εργαλείου συστάσεων IS που αντιστοιχίστηκε στο LS. Η ροή σχεδιασμού του εργαλείου συστάσεων IS ως στρατηγική της μεθόδου SCL παρουσιάζεται στο σχήμα 1. Το εργαλείο συστάσεων IS διαιρείται σε δύο μέρη, συμπεριλαμβανομένου του μηχανισμού ταξινόμησης LS χρησιμοποιώντας ILS και το καταλληλότερο είναι οθόνη για τους μαθητές.
Συγκεκριμένα, τα χαρακτηριστικά των εργαλείων συστάσεων για την ασφάλεια των πληροφοριών περιλαμβάνουν τη χρήση των τεχνολογιών ιστού και τη χρήση της εκμάθησης μηχανών δέντρων αποφάσεων. Οι προγραμματιστές του συστήματος βελτιώνουν την εμπειρία των χρηστών και την κινητικότητα προσαρμόζοντάς τα σε κινητές συσκευές όπως κινητά τηλέφωνα και tablet.
Το πείραμα διεξήχθη σε δύο στάδια και φοιτητές από τη Σχολή Οδοντιατρικής στο Πανεπιστήμιο της Μαλαισίας συμμετείχαν σε εθελοντική βάση. Οι συμμετέχοντες ανταποκρίθηκαν σε online M-ILs του Dental Student στα αγγλικά. Στην αρχική φάση, ένα σύνολο δεδομένων 50 μαθητών χρησιμοποιήθηκε για να εκπαιδεύσει τον αλγόριθμο εκμάθησης δέντρων δέντρων. Στη δεύτερη φάση της αναπτυξιακής διαδικασίας, χρησιμοποιήθηκε ένα σύνολο δεδομένων 255 μαθητών για να βελτιώσει την ακρίβεια του αναπτυγμένου οργάνου.
Όλοι οι συμμετέχοντες λαμβάνουν μια ηλεκτρονική ενημέρωση στην αρχή κάθε σταδίου, ανάλογα με το ακαδημαϊκό έτος, μέσω των ομάδων της Microsoft. Ο σκοπός της μελέτης εξηγήθηκε και ελήφθη η συναίνεση. Όλοι οι συμμετέχοντες έλαβαν έναν σύνδεσμο για πρόσβαση στο M-ILS. Κάθε φοιτητής κλήθηκε να απαντήσει σε όλα τα 44 στοιχεία στο ερωτηματολόγιο. Τους δόθηκε μία εβδομάδα για να ολοκληρώσει το τροποποιημένο ILS κάθε φορά και την τοποθεσία που τους έβγαλε κατά τη διάρκεια του εξαμήνου πριν από την έναρξη του εξαμήνου. Το M-ILS βασίζεται στο αρχικό όργανο ILS και τροποποιείται για τους οδοντιατρικούς φοιτητές. Παρόμοια με το αρχικό ILS, περιέχει 44 ομοιόμορφα κατανεμημένα στοιχεία (A, B), με 11 στοιχεία το καθένα, τα οποία χρησιμοποιούνται για την αξιολόγηση των πτυχών κάθε διάστασης FSLSM.
Κατά τη διάρκεια των αρχικών σταδίων της ανάπτυξης εργαλείων, οι ερευνητές σχολίασαν με μη αυτόματο τρόπο τους χάρτες χρησιμοποιώντας ένα σύνολο δεδομένων 50 οδοντιατρικών φοιτητών. Σύμφωνα με το FSLM, το σύστημα παρέχει το άθροισμα των απαντήσεων "Α" και "Β". Για κάθε διάσταση, εάν ο μαθητής επιλέξει "Α" ως απάντηση, το LS ταξινομείται ως ενεργός/αντιληπτικός/οπτικός/διαδοχικός και εάν ο μαθητής επιλέξει "Β" ως απάντηση, ο μαθητής ταξινομείται ως αντανακλαστική/διαισθητική/γλωσσική . / παγκόσμιος μαθητής.
Μετά τη βαθμονόμηση της ροής εργασίας μεταξύ των ερευνητών οδοντιατρικής εκπαίδευσης και των προγραμματιστών συστημάτων, επιλέχθηκαν ερωτήσεις με βάση τον τομέα FLSSM και τροφοδοτήθηκαν στο μοντέλο ML για να προβλέψουν το LS κάθε μαθητή. Το "Garbage In, Garbage Out" είναι ένα δημοφιλές ρητό στον τομέα της μηχανικής μάθησης, με έμφαση στην ποιότητα των δεδομένων. Η ποιότητα των δεδομένων εισόδου καθορίζει την ακρίβεια και την ακρίβεια του μοντέλου μηχανικής μάθησης. Κατά τη διάρκεια της φάσης μηχανικής χαρακτηριστικών, δημιουργείται ένα νέο σύνολο χαρακτηριστικών το οποίο είναι το άθροισμα των απαντήσεων "Α" και "Β" με βάση το FLSSM. Οι αριθμοί αναγνώρισης των θέσεων φαρμάκων δίνονται στον Πίνακα 1.
Υπολογίστε τη βαθμολογία με βάση τις απαντήσεις και καθορίστε το LS του μαθητή. Για κάθε φοιτητή, το εύρος βαθμολογίας είναι από 1 έως 11. Οι βαθμολογίες από 1 έως 3 δείχνουν ισορροπία μαθησιακών προτιμήσεων μέσα στην ίδια διάσταση και οι βαθμολογίες από 5 έως 7 υποδεικνύουν μια μέτρια προτίμηση, υποδεικνύοντας ότι οι μαθητές τείνουν να προτιμούν ένα περιβάλλον που διδάσκει τους άλλους . Μια άλλη παραλλαγή στην ίδια διάσταση είναι ότι οι βαθμολογίες από 9 σε 11 αντικατοπτρίζουν μια ισχυρή προτίμηση για το ένα άκρο ή το άλλο [8].
Για κάθε διάσταση, τα φάρμακα ομαδοποιήθηκαν σε "ενεργά", "αντανακλαστικά" και "ισορροπημένα". Για παράδειγμα, όταν ένας μαθητής απαντά "Α" πιο συχνά από το "Β" σε ένα καθορισμένο στοιχείο και η βαθμολογία του υπερβαίνει το κατώφλι των 5 για ένα συγκεκριμένο στοιχείο που αντιπροσωπεύει τη διάσταση επεξεργασίας LS, ανήκει στο "Active" LS πεδίο ορισμού. . Ωστόσο, οι μαθητές ταξινομήθηκαν ως "αντανακλαστικοί" LS όταν επέλεξαν "Β" περισσότερο από "Α" σε συγκεκριμένες 11 ερωτήσεις (Πίνακας 1) και σημείωσαν περισσότερους από 5 βαθμούς. Τέλος, ο μαθητής βρίσκεται σε κατάσταση "ισορροπίας". Εάν η βαθμολογία δεν υπερβαίνει τα 5 σημεία, τότε αυτή είναι μια "διαδικασία" LS. Η διαδικασία ταξινόμησης επαναλήφθηκε για τις άλλες διαστάσεις LS, δηλαδή την αντίληψη (ενεργή/αντανακλαστική), την είσοδο (οπτική/λεκτική) και την κατανόηση (διαδοχική/παγκόσμια).
Τα μοντέλα δέντρων αποφάσεων μπορούν να χρησιμοποιήσουν διαφορετικά υποσύνολα χαρακτηριστικών και κανόνες απόφασης σε διαφορετικά στάδια της διαδικασίας ταξινόμησης. Θεωρείται ένα δημοφιλές εργαλείο ταξινόμησης και πρόβλεψης. Μπορεί να εκπροσωπηθεί χρησιμοποιώντας μια δομή δέντρου όπως ένα διάγραμμα ροής [20], στην οποία υπάρχουν εσωτερικοί κόμβοι που αντιπροσωπεύουν δοκιμές με χαρακτηριστικό, κάθε κλάδος που αντιπροσωπεύει τα αποτελέσματα των δοκιμών και κάθε κόμβο φύλλου (κόμβος φύλλου) που περιέχει μια ετικέτα κλάσης.
Ένα απλό πρόγραμμα που βασίζεται σε κανόνες δημιουργήθηκε για να βαθμολογήσει αυτόματα και να σχολιάσει το LS κάθε μαθητή με βάση τις απαντήσεις του. Το βασισμένο σε κανόνες λαμβάνει τη μορφή μιας δήλωσης IF, όπου "αν" περιγράφει τη σκανδάλη και "τότε" καθορίζει την ενέργεια που πρέπει να εκτελεστεί, για παράδειγμα: "Εάν το x συμβεί, τότε do y" (Liu et al., 2014). Εάν το σύνολο δεδομένων παρουσιάζει συσχετισμό και το μοντέλο δέντρων αποφάσεων είναι κατάλληλα εκπαιδευμένο και αξιολογημένο, αυτή η προσέγγιση μπορεί να είναι ένας αποτελεσματικός τρόπος για να αυτοματοποιηθεί η διαδικασία αντιστοίχισης LS και IS.
Στη δεύτερη φάση ανάπτυξης, το σύνολο δεδομένων αυξήθηκε σε 255 για να βελτιωθεί η ακρίβεια του εργαλείου σύστασης. Το σύνολο δεδομένων χωρίζεται σε αναλογία 1: 4. Χρησιμοποιήθηκε 25% (64) του συνόλου δεδομένων για το σύνολο δοκιμών και το υπόλοιπο 75% (191) χρησιμοποιήθηκε ως σετ εκπαίδευσης (Εικόνα 2). Το σύνολο δεδομένων πρέπει να χωριστεί για να αποτραπεί το μοντέλο να εκπαιδευτεί και να δοκιμαστεί στο ίδιο σύνολο δεδομένων, γεγονός που θα μπορούσε να προκαλέσει το μοντέλο να θυμάται παρά να μάθει. Το μοντέλο εκπαιδεύεται στο σετ κατάρτισης και αξιολογεί την απόδοσή του στο σύνολο δοκιμών - το μοντέλο που δεν έχει δει ποτέ πριν.
Μόλις αναπτυχθεί το εργαλείο IS, η εφαρμογή θα είναι σε θέση να ταξινομήσει το LS με βάση τις απαντήσεις των οδοντιατρικών φοιτητών μέσω μιας διεπαφής ιστού. Το σύστημα εργαλείων συστάσεων για την ασφάλεια των πληροφοριών που βασίζεται στο διαδίκτυο είναι κατασκευασμένο χρησιμοποιώντας τη γλώσσα προγραμματισμού Python χρησιμοποιώντας το πλαίσιο Django ως backend. Ο Πίνακας 2 απαριθμεί τις βιβλιοθήκες που χρησιμοποιούνται στην ανάπτυξη αυτού του συστήματος.
Το σύνολο δεδομένων τροφοδοτείται σε ένα μοντέλο δέντρων αποφάσεων για τον υπολογισμό και την εξαγωγή απαντήσεων των σπουδαστών για να ταξινομήσουν αυτόματα τις μετρήσεις των σπουδαστών LS.
Ο πίνακας σύγχυσης χρησιμοποιείται για την αξιολόγηση της ακρίβειας ενός αλγόριθμου εκμάθησης δέντρων δέντρων αποφάσεων σε ένα δεδομένο σύνολο δεδομένων. Ταυτόχρονα, αξιολογεί την απόδοση του μοντέλου ταξινόμησης. Συνοψίζει τις προβλέψεις του μοντέλου και τις συγκρίνει με τις πραγματικές ετικέτες δεδομένων. Τα αποτελέσματα της αξιολόγησης βασίζονται σε τέσσερις διαφορετικές τιμές: True θετικό (TP) - το μοντέλο προέβλεψε σωστά τη θετική κατηγορία, ψευδώς θετική (FP) - το μοντέλο προέβλεψε τη θετική κατηγορία, αλλά η αληθινή ετικέτα ήταν αρνητική, αληθινή αρνητική (TN) - Το μοντέλο προέβλεψε σωστά την αρνητική κλάση και το ψευδές αρνητικό (FN) - το μοντέλο προβλέπει μια αρνητική κλάση, αλλά η αληθινή ετικέτα είναι θετική.
Αυτές οι τιμές χρησιμοποιούνται στη συνέχεια για τον υπολογισμό των διαφόρων μετρήσεων απόδοσης του μοντέλου ταξινόμησης SCIKIT-LEARN στην Python, δηλαδή της ακρίβειας, της ακρίβειας, της ανάκλησης και της βαθμολογίας F1. Ακολουθούν παραδείγματα:
Η ανάκληση (ή η ευαισθησία) μετρά την ικανότητα ενός μοντέλου να ταξινομεί με ακρίβεια το LS ενός μαθητή αφού απαντήσει στο ερωτηματολόγιο M-ILS.
Η ειδικότητα ονομάζεται πραγματικός αρνητικός ρυθμός. Όπως μπορείτε να δείτε από τον παραπάνω τύπο, αυτή θα πρέπει να είναι η αναλογία των αληθινών αρνητικών (TN) σε αληθινά αρνητικά και ψευδώς θετικά (FP). Ως μέρος του συνιστώμενου εργαλείου για την ταξινόμηση των φοιτητικών φαρμάκων, θα πρέπει να είναι σε θέση να είναι ακριβής ταυτοποίηση.
Το αρχικό σύνολο δεδομένων των 50 φοιτητών που χρησιμοποιούσαν για να εκπαιδεύσουν το μοντέλο ML Tree Decision έδειξαν σχετικά χαμηλή ακρίβεια λόγω του ανθρώπινου σφάλματος στους σχολιασμούς (Πίνακας 3). Μετά τη δημιουργία ενός απλού προγράμματος που βασίζεται σε κανόνες για τον αυτόματη υπολογισμό των βαθμολογιών LS και των σχολιασμών των σπουδαστών, χρησιμοποιήθηκαν ένας αυξανόμενος αριθμός συνόλων δεδομένων (255) για την κατάρτιση και τη δοκιμή του συστήματος συνιστωσών.
Στη μήτρα σύγχυσης, τα διαγώνια στοιχεία αντιπροσωπεύουν τον αριθμό των σωστών προβλέψεων για κάθε τύπο LS (Εικόνα 4). Χρησιμοποιώντας το μοντέλο δέντρου αποφάσεων, προβλεπόταν σωστά 64 δείγματα. Έτσι, σε αυτή τη μελέτη, τα διαγώνια στοιχεία δείχνουν τα αναμενόμενα αποτελέσματα, υποδεικνύοντας ότι το μοντέλο εκτελεί καλά και προβλέπει με ακρίβεια την ετικέτα κλάσης για κάθε ταξινόμηση LS. Έτσι, η συνολική ακρίβεια του εργαλείου σύστασης είναι 100%.
Οι τιμές της ακρίβειας, της ακρίβειας, της ανάκλησης και της βαθμολογίας F1 παρουσιάζονται στο Σχήμα 5. Για το σύστημα σύστασης χρησιμοποιώντας το μοντέλο δέντρων αποφάσεων, η βαθμολογία F1 είναι 1,0 "τέλεια", υποδεικνύοντας τέλεια ακρίβεια και ανάκληση, αντανακλώντας σημαντική ευαισθησία και ειδικότητα τιμές.
Το σχήμα 6 δείχνει μια απεικόνιση του μοντέλου δέντρου αποφάσεων μετά την κατάρτιση και τη δοκιμή. Σε μια σύγκριση δίπλα-δίπλα, το μοντέλο δέντρων αποφάσεων που εκπαιδεύτηκε με λιγότερα χαρακτηριστικά έδειξε υψηλότερη ακρίβεια και ευκολότερη απεικόνιση μοντέλου. Αυτό δείχνει ότι η μηχανική των χαρακτηριστικών που οδηγεί σε μείωση των χαρακτηριστικών είναι ένα σημαντικό βήμα για τη βελτίωση της απόδοσης του μοντέλου.
Με την εφαρμογή της εποπτευόμενης μάθησης δέντρου αποφάσεων, η χαρτογράφηση μεταξύ LS (εισόδου) και IS (έξοδος στόχου) παράγεται αυτόματα και περιέχει λεπτομερείς πληροφορίες για κάθε LS.
Τα αποτελέσματα έδειξαν ότι το 34,9% των 255 φοιτητών προτιμούσε μία (1) LS. Η πλειοψηφία (54,3%) είχε δύο ή περισσότερες προτιμήσεις LS. Το 12,2% των μαθητών σημείωσε ότι το LS είναι αρκετά ισορροπημένο (Πίνακας 4). Εκτός από τα οκτώ κύρια LS, υπάρχουν 34 συνδυασμοί ταξινομήσεων LS για τους οδοντιατρικούς φοιτητές του Πανεπιστημίου της Malaya. Μεταξύ αυτών, η αντίληψη, το όραμα και ο συνδυασμός της αντίληψης και της όρασης είναι το κύριο LS που αναφέρθηκαν από τους μαθητές (Εικόνα 7).
Όπως φαίνεται από τον Πίνακα 4, η πλειοψηφία των μαθητών είχε κυρίαρχο αισθητηριακό (13,7%) ή οπτικό (8,6%) LS. Αναφέρθηκε ότι το 12,2% των μαθητών συνδυάζουν την αντίληψη με όραμα (αντιληπτική οπτική LS). Αυτά τα ευρήματα υποδεικνύουν ότι οι μαθητές προτιμούν να μαθαίνουν και να θυμούνται μέσω καθιερωμένων μεθόδων, να ακολουθούν συγκεκριμένες και λεπτομερείς διαδικασίες και να είναι προσεκτικοί στη φύση. Ταυτόχρονα, απολαμβάνουν τη μάθηση με την αναζήτηση (χρησιμοποιώντας διαγράμματα κ.λπ.) και τείνουν να συζητούν και να εφαρμόζουν πληροφορίες σε ομάδες ή μόνοι τους.
Αυτή η μελέτη παρέχει μια επισκόπηση των τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στην εξόρυξη δεδομένων, με έμφαση στην άμεση και με ακρίβεια την πρόβλεψη του LS των μαθητών και η συνιστώμενη κατάλληλη είναι. Η εφαρμογή ενός μοντέλου δέντρων αποφάσεων εντόπισε τους παράγοντες που σχετίζονται στενότερα με τη ζωή και τις εκπαιδευτικές τους εμπειρίες. Πρόκειται για έναν εποπτευόμενο αλγόριθμο μηχανικής μάθησης που χρησιμοποιεί μια δομή δέντρου για να ταξινομήσει τα δεδομένα διαιρώντας ένα σύνολο δεδομένων σε υποκατηγορίες βασισμένες σε ορισμένα κριτήρια. Λειτουργεί αναδρομικά διαιρώντας τα δεδομένα εισόδου σε υποσύνολα με βάση την τιμή ενός από τα χαρακτηριστικά εισόδου κάθε εσωτερικού κόμβου έως ότου ληφθεί απόφαση στον κόμβο των φύλλων.
Οι εσωτερικοί κόμβοι του δέντρου αποφάσεων αντιπροσωπεύουν τη λύση με βάση τα χαρακτηριστικά εισόδου του προβλήματος M-ILS και οι κόμβοι των φύλλων αντιπροσωπεύουν την τελική πρόβλεψη ταξινόμησης LS. Σε όλη τη διάρκεια της μελέτης, είναι εύκολο να κατανοήσουμε την ιεραρχία των δέντρων αποφάσεων που εξηγούν και απεικονίζουν τη διαδικασία λήψης αποφάσεων εξετάζοντας τη σχέση μεταξύ των χαρακτηριστικών εισόδου και των προβλέψεων εξόδου.
Στα πεδία της επιστήμης των υπολογιστών και της μηχανικής, οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούνται ευρέως για την πρόβλεψη της απόδοσης των μαθητών με βάση τις βαθμολογίες των εξετάσεων εισόδου [21], τις δημογραφικές πληροφορίες και τη μαθησιακή συμπεριφορά [22]. Οι έρευνες έδειξαν ότι ο αλγόριθμος προέβλεπε με ακρίβεια την απόδοση των μαθητών και τους βοήθησε να εντοπίσουν τους μαθητές σε κίνδυνο για ακαδημαϊκές δυσκολίες.
Αναφέρεται η εφαρμογή των αλγορίθμων ML στην ανάπτυξη εικονικών προσομοιωτών ασθενών για οδοντιατρική εκπαίδευση. Ο προσομοιωτής είναι ικανός να αναπαράγει με ακρίβεια τις φυσιολογικές αντιδράσεις των πραγματικών ασθενών και μπορεί να χρησιμοποιηθεί για την εκπαίδευση των οδοντιατρικών φοιτητών σε ένα ασφαλές και ελεγχόμενο περιβάλλον [23]. Αρκετές άλλες μελέτες δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν ενδεχομένως να βελτιώσουν την ποιότητα και την αποτελεσματικότητα της οδοντιατρικής και ιατρικής εκπαίδευσης και της φροντίδας των ασθενών. Οι αλγόριθμοι μηχανικής μάθησης έχουν χρησιμοποιηθεί για να βοηθήσουν στη διάγνωση των οδοντικών ασθενειών που βασίζονται σε σύνολα δεδομένων όπως τα συμπτώματα και τα χαρακτηριστικά του ασθενούς [24, 25]. Ενώ άλλες μελέτες έχουν διερευνήσει τη χρήση αλγορίθμων μηχανικής μάθησης για την εκτέλεση εργασιών όπως η πρόβλεψη των αποτελεσμάτων των ασθενών, η ταυτοποίηση ασθενών με υψηλού κινδύνου, η ανάπτυξη εξατομικευμένων σχεδίων θεραπείας [26], η περιοδοντική θεραπεία [27] και η θεραπεία της τερηδόνας [25].
Παρόλο που έχουν δημοσιευθεί αναφορές σχετικά με την εφαρμογή της μηχανικής μάθησης στην οδοντιατρική, η εφαρμογή της στην οδοντιατρική εκπαίδευση παραμένει περιορισμένη. Ως εκ τούτου, η μελέτη αυτή αποσκοπούσε στη χρήση ενός μοντέλου δέντρων αποφάσεων για τον εντοπισμό παραγόντων που συνδέονται περισσότερο με το LS και είναι μεταξύ των οδοντιάτρων.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι το αναπτυγμένο εργαλείο σύστασης έχει υψηλή ακρίβεια και τέλεια ακρίβεια, υποδεικνύοντας ότι οι εκπαιδευτικοί μπορούν να επωφεληθούν από αυτό το εργαλείο. Χρησιμοποιώντας μια διαδικασία ταξινόμησης με γνώμονα τα δεδομένα, μπορεί να παρέχει εξατομικευμένες συστάσεις και να βελτιώσει τις εκπαιδευτικές εμπειρίες και τα αποτελέσματα για τους εκπαιδευτικούς και τους μαθητές. Μεταξύ αυτών, οι πληροφορίες που λαμβάνονται μέσω εργαλείων συστάσεων μπορούν να επιλύσουν συγκρούσεις μεταξύ των προτιμώμενων μεθόδων διδασκαλίας των εκπαιδευτικών και των μαθησιακών αναγκών των μαθητών. Για παράδειγμα, λόγω της αυτοματοποιημένης εξόδου των εργαλείων συστάσεων, ο χρόνος που απαιτείται για τον εντοπισμό της IP ενός μαθητή και την αντιστοίχιση με την αντίστοιχη IP θα μειωθεί σημαντικά. Με αυτόν τον τρόπο, μπορούν να οργανωθούν κατάλληλα εκπαιδευτικά και εκπαιδευτικά υλικά. Αυτό βοηθά στην ανάπτυξη της θετικής μάθησης των μαθητών και της ικανότητας να συγκεντρωθούν. Μία μελέτη ανέφερε ότι η παροχή μαθητών με μαθησιακά υλικά και μαθησιακές δραστηριότητες που ταιριάζουν με το προτιμώμενο LS τους μπορούν να βοηθήσουν τους μαθητές να ενσωματώσουν, να επεξεργάζονται και να απολαμβάνουν τη μάθηση με πολλαπλούς τρόπους για να επιτύχουν μεγαλύτερο δυναμικό [12]. Η έρευνα δείχνει επίσης ότι εκτός από τη βελτίωση της συμμετοχής των σπουδαστών στην τάξη, η κατανόηση της μαθησιακής διαδικασίας των μαθητών διαδραματίζει επίσης κρίσιμο ρόλο στη βελτίωση των διδακτικών πρακτικών και της επικοινωνίας με τους μαθητές [28, 29].
Ωστόσο, όπως και με κάθε σύγχρονη τεχνολογία, υπάρχουν προβλήματα και περιορισμοί. Αυτά περιλαμβάνουν ζητήματα που σχετίζονται με την ιδιωτική ζωή, την προκατάληψη και τη δικαιοσύνη και τις επαγγελματικές δεξιότητες και πόρους που απαιτούνται για την ανάπτυξη και την εφαρμογή αλγορίθμων μηχανικής μάθησης στην οδοντιατρική εκπαίδευση. Ωστόσο, το αυξανόμενο ενδιαφέρον και η έρευνα σε αυτόν τον τομέα υποδηλώνουν ότι οι τεχνολογίες μηχανικής μάθησης ενδέχεται να έχουν θετικό αντίκτυπο στην οδοντιατρική εκπαίδευση και τις οδοντιατρικές υπηρεσίες.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι μισοί οδοντιατρικοί φοιτητές έχουν την τάση να "αντιλαμβάνονται" τα φάρμακα. Αυτός ο τύπος μαθητευόμενου έχει προτίμηση για γεγονότα και συγκεκριμένα παραδείγματα, πρακτικό προσανατολισμό, υπομονή για λεπτομέρειες και μια "οπτική" προτίμηση LS, όπου οι μαθητές προτιμούν να χρησιμοποιούν εικόνες, γραφικά, χρώματα και χάρτες για να μεταφέρουν ιδέες και σκέψεις. Τα τρέχοντα αποτελέσματα συμφωνούν με άλλες μελέτες που χρησιμοποιούν ILS για να αξιολογήσουν το LS σε φοιτητές οδοντιατρικών και ιατρικών, οι περισσότεροι από τους οποίους έχουν χαρακτηριστικά αντιληπτικών και οπτικών LS [12, 30]. Οι Dalmolin et al υποδηλώνουν ότι η ενημέρωση των μαθητών για το LS τους επιτρέπει να φτάσουν στο δυναμικό μάθησης τους. Οι ερευνητές υποστηρίζουν ότι όταν οι εκπαιδευτικοί κατανοούν πλήρως την εκπαιδευτική διαδικασία των μαθητών, μπορούν να εφαρμοστούν διάφορες μεθόδους και δραστηριότητες διδασκαλίας που θα βελτιώσουν την απόδοση των μαθητών και την εμπειρία μάθησης [12, 31, 32]. Άλλες μελέτες έχουν δείξει ότι η προσαρμογή του LS των μαθητών δείχνει επίσης βελτιώσεις στην εμπειρία και την απόδοση των μαθητών μετά την αλλαγή των μορφών μάθησης που ταιριάζουν στο δικό τους LS [13, 33].
Οι απόψεις των εκπαιδευτικών μπορεί να διαφέρουν όσον αφορά την εφαρμογή στρατηγικών διδασκαλίας που βασίζονται στις μαθησιακές ικανότητες των μαθητών. Ενώ μερικοί βλέπουν τα οφέλη αυτής της προσέγγισης, συμπεριλαμβανομένων των ευκαιριών επαγγελματικής ανάπτυξης, της καθοδήγησης και της υποστήριξης της κοινότητας, άλλοι μπορεί να ανησυχούν για το χρόνο και τη θεσμική υποστήριξη. Η προσπάθεια ισορροπίας είναι το κλειδί για τη δημιουργία μιας στάσης με επίκεντρο τους μαθητές. Οι αρχές τριτοβάθμιας εκπαίδευσης, όπως οι διαχειριστές των πανεπιστημίων, μπορούν να διαδραματίσουν σημαντικό ρόλο στην οδήγηση θετικών αλλαγών, εισάγοντας καινοτόμες πρακτικές και υποστηρίζοντας την ανάπτυξη των σχολών [34]. Για να δημιουργηθεί ένα πραγματικά δυναμικό και ανταποκρινόμενο σύστημα τριτοβάθμιας εκπαίδευσης, οι υπεύθυνοι για τη χάραξη πολιτικής πρέπει να λάβουν τολμηρά βήματα, όπως η πραγματοποίηση αλλαγών πολιτικής, η αφοσίωση των πόρων στην ολοκλήρωση της τεχνολογίας και η δημιουργία πλαισίων που προάγουν προσεγγίσεις με επίκεντρο τους σπουδαστές. Αυτά τα μέτρα είναι κρίσιμα για την επίτευξη των επιθυμητών αποτελεσμάτων. Η πρόσφατη έρευνα σχετικά με τη διαφοροποιημένη διδασκαλία έχει δείξει σαφώς ότι η επιτυχής εφαρμογή της διαφοροποιημένης διδασκαλίας απαιτεί συνεχιζόμενες ευκαιρίες κατάρτισης και ανάπτυξης για τους εκπαιδευτικούς [35].
Αυτό το εργαλείο παρέχει πολύτιμη υποστήριξη σε οδοντιατρικούς εκπαιδευτικούς που θέλουν να υιοθετήσουν μια προσέγγιση με επίκεντρο τους μαθητές για να σχεδιάσουν φιλικές προς τους μαθητές μαθησιακές δραστηριότητες. Ωστόσο, η μελέτη αυτή περιορίζεται στη χρήση των μοντέλων ML Tree Decision. Στο μέλλον, θα πρέπει να συλλέγονται περισσότερα δεδομένα για να συγκριθούν η απόδοση διαφορετικών μοντέλων μηχανικής μάθησης για να συγκριθούν η ακρίβεια, η αξιοπιστία και η ακρίβεια των εργαλείων σύστασης. Επιπλέον, κατά την επιλογή της καταλληλότερης μεθόδου μηχανικής μάθησης για μια συγκεκριμένη εργασία, είναι σημαντικό να εξεταστούν άλλοι παράγοντες όπως η πολυπλοκότητα και η ερμηνεία του μοντέλου.
Ένας περιορισμός αυτής της μελέτης είναι ότι επικεντρώθηκε μόνο στη χαρτογράφηση LS και είναι μεταξύ των οδοντιάτρων. Ως εκ τούτου, το αναπτυγμένο σύστημα σύστασης θα συστήσει μόνο εκείνους που είναι κατάλληλοι για φοιτητές οδοντιάτρων. Οι αλλαγές είναι απαραίτητες για τη γενική χρήση φοιτητών τριτοβάθμιας εκπαίδευσης.
Το πρόσφατα αναπτυγμένο εργαλείο σύστασης που βασίζεται σε μηχανική μάθηση είναι σε θέση να ταξινομήσει άμεσα και να ταιριάζει με το LS των μαθητών στο αντίστοιχο, καθιστώντας το πρώτο πρόγραμμα οδοντιατρικής εκπαίδευσης για να βοηθήσει τους οδοντιατρικούς εκπαιδευτικούς να σχεδιάσουν σχετικές δραστηριότητες διδασκαλίας και μάθησης. Χρησιμοποιώντας μια διαδικασία ταξινόμησης που βασίζεται σε δεδομένα, μπορεί να παρέχει εξατομικευμένες συστάσεις, να εξοικονομήσει χρόνο, να βελτιώσει τις στρατηγικές διδασκαλίας, να υποστηρίξει τις στοχοθετημένες παρεμβάσεις και να προωθήσει τη συνεχιζόμενη επαγγελματική εξέλιξη. Η αίτησή του θα προωθήσει τις προσεγγίσεις με επίκεντρο τους σπουδαστές στην οδοντιατρική εκπαίδευση.
Gilak Jani Associated Press. Ταιριάξτε ή αναντιστοιχία μεταξύ του μαθησιακού στυλ του μαθητή και του στυλ διδασκαλίας του δασκάλου. Int J Mod Educ Computer Science. 2012, 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Χρόνος δημοσίευσης: Απριλίου-29-2024