Υπάρχει μια αυξανόμενη ανάγκη για μάθηση με επίκεντρο τον μαθητή (SCL) σε ιδρύματα τριτοβάθμιας εκπαίδευσης, συμπεριλαμβανομένης της οδοντιατρικής.Ωστόσο, το SCL έχει περιορισμένη εφαρμογή στην οδοντιατρική εκπαίδευση.Ως εκ τούτου, αυτή η μελέτη στοχεύει να προωθήσει την εφαρμογή του SCL στην οδοντιατρική χρησιμοποιώντας τεχνολογία μηχανικής μάθησης δέντρων αποφάσεων (ML) για να χαρτογραφήσει το προτιμώμενο στυλ μάθησης (LS) και τις αντίστοιχες στρατηγικές μάθησης (IS) των φοιτητών οδοντιατρικής ως χρήσιμο εργαλείο για την ανάπτυξη κατευθυντήριων γραμμών IS .Υποσχόμενες μέθοδοι για φοιτητές οδοντιατρικής.
Συνολικά 255 φοιτητές οδοντιατρικής από το Πανεπιστήμιο της Malaya συμπλήρωσαν το τροποποιημένο ερωτηματολόγιο Index of Learning Styles (m-ILS), το οποίο περιείχε 44 στοιχεία για να τους ταξινομήσει στα αντίστοιχα LS τους.Τα δεδομένα που συλλέγονται (που ονομάζονται σύνολο δεδομένων) χρησιμοποιούνται στην εποπτευόμενη εκμάθηση του δέντρου αποφάσεων για την αυτόματη αντιστοίχιση των στυλ μάθησης των μαθητών με το πιο κατάλληλο IS.Στη συνέχεια αξιολογείται η ακρίβεια του εργαλείου συστάσεων IS που βασίζεται σε μηχανική μάθηση.
Η εφαρμογή μοντέλων δέντρων αποφάσεων σε μια αυτοματοποιημένη διαδικασία χαρτογράφησης μεταξύ LS (εισαγωγή) και IS (στόχος εξόδου) επιτρέπει μια άμεση λίστα κατάλληλων στρατηγικών μάθησης για κάθε φοιτητή οδοντιατρικής.Το εργαλείο σύστασης IS επέδειξε τέλεια ακρίβεια και ανάκληση της συνολικής ακρίβειας του μοντέλου, υποδεικνύοντας ότι η αντιστοίχιση LS με IS έχει καλή ευαισθησία και ειδικότητα.
Ένα εργαλείο σύστασης IS που βασίζεται σε ένα δέντρο αποφάσεων ML έχει αποδείξει την ικανότητά του να αντιστοιχίζει με ακρίβεια τα στυλ μάθησης των φοιτητών οδοντιατρικής με κατάλληλες στρατηγικές μάθησης.Αυτό το εργαλείο παρέχει ισχυρές επιλογές για τον προγραμματισμό μαθημάτων ή ενοτήτων με επίκεντρο τον μαθητή που μπορούν να βελτιώσουν τη μαθησιακή εμπειρία των μαθητών.
Η διδασκαλία και η μάθηση είναι θεμελιώδεις δραστηριότητες στα εκπαιδευτικά ιδρύματα.Κατά την ανάπτυξη ενός συστήματος επαγγελματικής εκπαίδευσης υψηλής ποιότητας, είναι σημαντικό να εστιάσουμε στις μαθησιακές ανάγκες των μαθητών.Η αλληλεπίδραση μεταξύ των μαθητών και του μαθησιακού τους περιβάλλοντος μπορεί να προσδιοριστεί μέσω του LS τους.Η έρευνα δείχνει ότι οι αναντιστοιχίες που προορίζονται από τον δάσκαλο μεταξύ του LS και του IS των μαθητών μπορεί να έχουν αρνητικές συνέπειες στη μάθηση των μαθητών, όπως μειωμένη προσοχή και κίνητρα.Αυτό θα επηρεάσει έμμεσα την απόδοση των μαθητών [1,2].
Το IS είναι μια μέθοδος που χρησιμοποιείται από τους δασκάλους για να μεταδώσουν γνώσεις και δεξιότητες στους μαθητές, συμπεριλαμβανομένης της βοήθειας των μαθητών να μάθουν [3].Σε γενικές γραμμές, οι καλοί δάσκαλοι σχεδιάζουν στρατηγικές διδασκαλίας ή IS που ταιριάζουν καλύτερα με το επίπεδο γνώσεων των μαθητών τους, τις έννοιες που μαθαίνουν και το στάδιο μάθησής τους.Θεωρητικά, όταν το LS και το IS ταιριάζουν, οι μαθητές θα είναι σε θέση να οργανώσουν και να χρησιμοποιήσουν ένα συγκεκριμένο σύνολο δεξιοτήτων για να μάθουν αποτελεσματικά.Συνήθως, ένα σχέδιο μαθήματος περιλαμβάνει πολλές μεταβάσεις μεταξύ των σταδίων, όπως από τη διδασκαλία στην καθοδηγούμενη πρακτική ή από την καθοδηγούμενη πρακτική στην ανεξάρτητη πρακτική.Έχοντας αυτό υπόψη, οι αποτελεσματικοί δάσκαλοι συχνά σχεδιάζουν τη διδασκαλία με στόχο την οικοδόμηση των γνώσεων και των δεξιοτήτων των μαθητών [4].
Η ζήτηση για SCL αυξάνεται στα ιδρύματα τριτοβάθμιας εκπαίδευσης, συμπεριλαμβανομένης της οδοντιατρικής.Οι στρατηγικές SCL έχουν σχεδιαστεί για να καλύπτουν τις μαθησιακές ανάγκες των μαθητών.Αυτό μπορεί να επιτευχθεί, για παράδειγμα, εάν οι μαθητές συμμετέχουν ενεργά σε μαθησιακές δραστηριότητες και οι δάσκαλοι λειτουργούν ως διευκολυντές και είναι υπεύθυνοι για την παροχή πολύτιμης ανατροφοδότησης.Λέγεται ότι η παροχή εκπαιδευτικού υλικού και δραστηριοτήτων που είναι κατάλληλες για το εκπαιδευτικό επίπεδο ή τις προτιμήσεις των μαθητών μπορεί να βελτιώσει το μαθησιακό περιβάλλον των μαθητών και να προωθήσει θετικές μαθησιακές εμπειρίες [5].
Γενικά, η διαδικασία μάθησης των φοιτητών οδοντιατρικής επηρεάζεται από τις διάφορες κλινικές διαδικασίες που καλούνται να εκτελέσουν και το κλινικό περιβάλλον στο οποίο αναπτύσσουν αποτελεσματικές διαπροσωπικές δεξιότητες.Σκοπός της εκπαίδευσης είναι να δώσει τη δυνατότητα στους μαθητές να συνδυάσουν τις βασικές γνώσεις της οδοντιατρικής με τις οδοντιατρικές κλινικές δεξιότητες και να εφαρμόσουν τις αποκτηθείσες γνώσεις σε νέες κλινικές καταστάσεις [6, 7].Η πρώιμη έρευνα για τη σχέση μεταξύ LS και IS διαπίστωσε ότι η προσαρμογή των στρατηγικών μάθησης που αντιστοιχίζονται στο προτιμώμενο LS θα βοηθούσε στη βελτίωση της εκπαιδευτικής διαδικασίας [8].Οι συγγραφείς προτείνουν επίσης τη χρήση ποικίλων μεθόδων διδασκαλίας και αξιολόγησης για την προσαρμογή στη μάθηση και τις ανάγκες των μαθητών.
Οι δάσκαλοι επωφελούνται από την εφαρμογή της γνώσης LS για να τους βοηθήσουν να σχεδιάσουν, να αναπτύξουν και να εφαρμόσουν οδηγίες που θα ενισχύσουν την απόκτηση βαθύτερης γνώσης και κατανόησης του αντικειμένου από τους μαθητές.Οι ερευνητές έχουν αναπτύξει πολλά εργαλεία αξιολόγησης LS, όπως το Kolb Experiential Learning Model, το Felder-Silverman Learning Style Model (FSLSM) και το Fleming VAK/VARK Model [5, 9, 10].Σύμφωνα με τη βιβλιογραφία, αυτά τα μοντέλα μάθησης είναι τα πιο συχνά χρησιμοποιούμενα και τα πιο μελετημένα μοντέλα μάθησης.Στην τρέχουσα ερευνητική εργασία, το FSLSM χρησιμοποιείται για την αξιολόγηση του LS μεταξύ των φοιτητών οδοντιατρικής.
Το FSLSM είναι ένα ευρέως χρησιμοποιούμενο μοντέλο για την αξιολόγηση της προσαρμοστικής μάθησης στη μηχανική.Υπάρχουν πολλές δημοσιευμένες εργασίες στις επιστήμες υγείας (συμπεριλαμβανομένης της ιατρικής, της νοσηλευτικής, της φαρμακευτικής 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 Index of Learning Styles (ILS) [8], το οποίο περιέχει 44 στοιχεία που αξιολογούν τέσσερις διαστάσεις του LS: επεξεργασία (ενεργητική/ανακλαστική), αντίληψη (αντιληπτική/διαισθητική), είσοδος (οπτική)./λεκτική) και κατανόηση (διαδοχική/σφαιρική) [14].
Όπως φαίνεται στο Σχήμα 1, κάθε διάσταση FSLSM έχει μια κυρίαρχη προτίμηση.Για παράδειγμα, στη διάσταση της επεξεργασίας, οι μαθητές με «ενεργό» LS προτιμούν να επεξεργάζονται πληροφορίες αλληλεπιδρώντας άμεσα με το εκπαιδευτικό υλικό, μαθαίνουν κάνοντας και τείνουν να μαθαίνουν σε ομάδες.Το «αντανακλαστικό» LS αναφέρεται στη μάθηση μέσω της σκέψης και προτιμά να εργάζεται μόνος.Η διάσταση της «αντίληψης» του LS μπορεί να χωριστεί σε «συναίσθημα» και/ή «διαίσθηση».Οι «αισθανόμενοι» μαθητές προτιμούν πιο συγκεκριμένες πληροφορίες και πρακτικές διαδικασίες, είναι προσανατολισμένοι στα γεγονότα σε σύγκριση με τους «διαισθητικούς» μαθητές που προτιμούν το αφηρημένο υλικό και είναι πιο καινοτόμοι και δημιουργικοί στη φύση τους.Η διάσταση «εισαγωγής» του LS αποτελείται από «οπτικούς» και «λεκτικούς» μαθητές.Τα άτομα με «οπτική» LS προτιμούν να μαθαίνουν μέσω οπτικών επιδείξεων (όπως διαγράμματα, βίντεο ή ζωντανές επιδείξεις), ενώ τα άτομα με «λεκτική» LS προτιμούν να μαθαίνουν μέσω λέξεων σε γραπτές ή προφορικές επεξηγήσεις.Για να «κατανοηθούν» οι διαστάσεις του LS, αυτοί οι μαθητές μπορούν να χωριστούν σε «διαδοχικούς» και «καθολικούς».«Οι διαδοχικοί εκπαιδευόμενοι προτιμούν μια γραμμική διαδικασία σκέψης και μαθαίνουν βήμα προς βήμα, ενώ οι παγκόσμιοι εκπαιδευόμενοι τείνουν να έχουν μια ολιστική διαδικασία σκέψης και έχουν πάντα καλύτερη κατανόηση του τι μαθαίνουν.
Πρόσφατα, πολλοί ερευνητές άρχισαν να εξερευνούν μεθόδους για αυτόματη ανακάλυψη βάσει δεδομένων, συμπεριλαμβανομένης της ανάπτυξης νέων αλγορίθμων και μοντέλων ικανών να ερμηνεύουν μεγάλες ποσότητες δεδομένων [15, 16].Με βάση τα παρεχόμενα δεδομένα, η εποπτευόμενη ML (μηχανική μάθηση) είναι σε θέση να δημιουργήσει μοτίβα και υποθέσεις που προβλέπουν μελλοντικά αποτελέσματα με βάση την κατασκευή αλγορίθμων [17].Με απλά λόγια, οι εποπτευόμενες τεχνικές μηχανικής εκμάθησης χειρίζονται δεδομένα εισόδου και εκπαιδεύουν αλγόριθμους.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 τους να δημιουργούν ιδανικά και επιθυμητά αποτελέσματα [17].
Μέσω της χρήσης μεθόδων που βασίζονται σε δεδομένα και μοντέλων ελέγχου δένδρων αποφάσεων, είναι δυνατή η αυτόματη ανίχνευση του LS.Τα δέντρα αποφάσεων έχει 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 συστημάτων για να αναγνωρίζει το LS των μαθητών και να προτείνει το καλύτερο IS για αυτούς.
Ο σκοπός αυτής της μελέτης είναι να αναπτύξει στρατηγικές παράδοσης IS με βάση το LS των μαθητών και να εφαρμόσει την προσέγγιση SCL αναπτύσσοντας ένα εργαλείο σύστασης IS αντιστοιχισμένο σε LS.Η ροή σχεδίασης του εργαλείου σύστασης IS ως στρατηγική της μεθόδου SCL φαίνεται στο Σχήμα 1. Το εργαλείο σύστασης IS χωρίζεται σε δύο μέρη, συμπεριλαμβανομένου του μηχανισμού ταξινόμησης LS με χρήση ILS και της καταλληλότερης οθόνης IS για μαθητές.
Ειδικότερα, τα χαρακτηριστικά των εργαλείων συστάσεων ασφάλειας πληροφοριών περιλαμβάνουν τη χρήση τεχνολογιών Ιστού και τη χρήση μηχανικής μάθησης δέντρων αποφάσεων.Οι προγραμματιστές συστημάτων βελτιώνουν την εμπειρία του χρήστη και την κινητικότητα προσαρμόζοντάς τα σε κινητές συσκευές όπως κινητά τηλέφωνα και tablet.
Το πείραμα διεξήχθη σε δύο στάδια και συμμετείχαν φοιτητές από την Οδοντιατρική Σχολή του Πανεπιστημίου της Μαλάγιας σε εθελοντική βάση.Οι συμμετέχοντες απάντησαν στο διαδικτυακό m-ILS ενός φοιτητή οδοντιατρικής στα αγγλικά.Στην αρχική φάση, χρησιμοποιήθηκε ένα σύνολο δεδομένων 50 μαθητών για την εκπαίδευση του αλγόριθμου μηχανικής μάθησης του δέντρου αποφάσεων.Στη δεύτερη φάση της διαδικασίας ανάπτυξης, χρησιμοποιήθηκε ένα σύνολο δεδομένων 255 μαθητών για τη βελτίωση της ακρίβειας του οργάνου που αναπτύχθηκε.
Όλοι οι συμμετέχοντες λαμβάνουν μια ηλεκτρονική ενημέρωση στην αρχή κάθε σταδίου, ανάλογα με το ακαδημαϊκό έτος, μέσω του Microsoft Teams.Επεξηγήθηκε ο σκοπός της μελέτης και ελήφθη ενημερωμένη συγκατάθεση.Σε όλους τους συμμετέχοντες δόθηκε ένας σύνδεσμος για πρόσβαση στο m-ILS.Κάθε μαθητής έλαβε οδηγίες να απαντήσει και στα 44 θέματα του ερωτηματολογίου.Τους δόθηκε μία εβδομάδα για να ολοκληρώσουν το τροποποιημένο ILS σε χρόνο και τοποθεσία που τους βολεύει κατά τη διάρκεια της διακοπής του εξαμήνου πριν από την έναρξη του εξαμήνου.Το m-ILS βασίζεται στο αρχικό όργανο ILS και έχει τροποποιηθεί για φοιτητές οδοντιατρικής.Παρόμοια με το αρχικό ILS, περιέχει 44 ομοιόμορφα κατανεμημένα στοιχεία (a, b), με 11 στοιχεία το καθένα, τα οποία χρησιμοποιούνται για την αξιολόγηση πτυχών κάθε διάστασης FSLSM.
Κατά τα αρχικά στάδια της ανάπτυξης του εργαλείου, οι ερευνητές σχολίασαν χειροκίνητα τους χάρτες χρησιμοποιώντας ένα σύνολο δεδομένων 50 φοιτητών οδοντιατρικής.Σύμφωνα με το FSLM, το σύστημα παρέχει το άθροισμα των απαντήσεων «α» και «β».Για κάθε διάσταση, εάν ο μαθητής επιλέξει το «α» ως απάντηση, το LS ταξινομείται ως Ενεργό/Αντιληπτικό/Οπτικό/Διαδοχικό και εάν ο μαθητής επιλέξει το «β» ως απάντηση, ο μαθητής ταξινομείται ως Αναστοχαστικό/Διαισθητικό/Γλωσσικό ./ παγκόσμιος μαθητής.
Μετά τη βαθμονόμηση της ροής εργασίας μεταξύ ερευνητών οδοντιατρικής εκπαίδευσης και 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 εκμάθησης.Κατά τη φάση της μηχανικής χαρακτηριστικών, δημιουργείται ένα νέο σύνολο χαρακτηριστικών που είναι το άθροισμα των απαντήσεων "a" και "b" με βάση το FLSSM.Οι αριθμοί αναγνώρισης των θέσεων φαρμάκου δίνονται στον Πίνακα 1.
Υπολογίστε τη βαθμολογία με βάση τις απαντήσεις και καθορίστε το ΛΣ του μαθητή.Για κάθε μαθητή, το εύρος βαθμολογίας είναι από 1 έως 11. Οι βαθμολογίες από 1 έως 3 υποδηλώνουν ισορροπία μαθησιακών προτιμήσεων εντός της ίδιας διάστασης και οι βαθμολογίες από 5 έως 7 δείχνουν μέτρια προτίμηση, υποδηλώνοντας ότι οι μαθητές τείνουν να προτιμούν ένα περιβάλλον διδάσκοντας άλλους .Μια άλλη παραλλαγή στην ίδια διάσταση είναι ότι οι βαθμολογίες από 9 έως 11 αντικατοπτρίζουν μια ισχυρή προτίμηση για το ένα ή το άλλο άκρο [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 αντικείμενο και η βαθμολογία του/της υπερβαίνει το όριο του 5 για ένα συγκεκριμένο στοιχείο που αντιπροσωπεύει τη διάσταση Επεξεργασίας LS, ανήκει στο «ενεργό» LS τομέα..Ωστόσο, οι μαθητές ταξινομήθηκαν ως «αντανακλαστικοί» LS όταν επέλεξαν το «β» περισσότερο από το «α» σε συγκεκριμένες 11 ερωτήσεις (Πίνακας 1) και συγκέντρωσαν περισσότερους από 5 βαθμούς.Τέλος, ο μαθητής βρίσκεται σε κατάσταση «ισορροπίας».Εάν η βαθμολογία δεν υπερβαίνει τους 5 βαθμούς, τότε αυτό είναι μια «διαδικασία» LS.Η διαδικασία ταξινόμησης επαναλήφθηκε για τις άλλες διαστάσεις LS, δηλαδή την αντίληψη (ενεργητική/αναστοχαστική), την εισαγωγή (οπτική/λεκτική) και την κατανόηση (διαδοχική/σφαιρική).
Τα μοντέλα δέντρων αποφάσεων μπορούν να χρησιμοποιούν διαφορετικά υποσύνολα χαρακτηριστικών και κανόνων απόφασης σε διαφορετικά στάδια της διαδικασίας ταξινόμησης.Θεωρείται ένα δημοφιλές εργαλείο ταξινόμησης και πρόβλεψης.Μπορεί να αναπαρασταθεί χρησιμοποιώντας μια δομή δέντρου όπως ένα διάγραμμα ροής [20], στο οποίο υπάρχουν εσωτερικοί κόμβοι που αντιπροσωπεύουν δοκιμές ανά χαρακτηριστικό, κάθε κλάδος αντιπροσωπεύει τα αποτελέσματα δοκιμής και κάθε κόμβος φύλλου (κόμβος φύλλου) περιέχει μια ετικέτα κλάσης.
Ένα απλό πρόγραμμα βασισμένο σε κανόνες δημιουργήθηκε για να βαθμολογεί αυτόματα και να σχολιάζει το LS κάθε μαθητή με βάση τις απαντήσεις του.Η βασισμένη σε κανόνες έχει τη μορφή μιας δήλωσης IF, όπου το "IF" περιγράφει το έναυσμα και το "THEN" καθορίζει την ενέργεια που πρέπει να εκτελεστεί, για παράδειγμα: "Αν συμβεί X, τότε κάντε το Y" (Liu et al., 2014).Εάν το σύνολο δεδομένων παρουσιάζει συσχέτιση και το μοντέλο δέντρου αποφάσεων έχει εκπαιδευτεί και αξιολογηθεί κατάλληλα, αυτή η προσέγγιση μπορεί να είναι ένας αποτελεσματικός τρόπος για την αυτοματοποίηση της διαδικασίας αντιστοίχισης LS και IS.
Στη δεύτερη φάση ανάπτυξης, το σύνολο δεδομένων αυξήθηκε σε 255 για να βελτιωθεί η ακρίβεια του εργαλείου συστάσεων.Το σύνολο δεδομένων χωρίζεται σε αναλογία 1:4.Το 25% (64) του συνόλου δεδομένων χρησιμοποιήθηκε για το σύνολο δοκιμών και το υπόλοιπο 75% (191) χρησιμοποιήθηκε ως το σετ εκπαίδευσης (Εικόνα 2).Το σύνολο δεδομένων πρέπει να χωριστεί για να αποτραπεί η εκπαίδευση και η δοκιμή του μοντέλου στο ίδιο σύνολο δεδομένων, κάτι που θα μπορούσε να προκαλέσει το μοντέλο να θυμάται αντί να μαθαίνει.Το μοντέλο εκπαιδεύεται στο σετ εκπαίδευσης και αξιολογεί την απόδοσή του στο σύνολο δοκιμών — δεδομένα που το μοντέλο δεν έχει δει ποτέ πριν.
Μόλις αναπτυχθεί το εργαλείο IS, η εφαρμογή θα μπορεί να ταξινομεί το LS με βάση τις απαντήσεις των φοιτητών οδοντιατρικής μέσω μιας διεπαφής ιστού.Το σύστημα εργαλείων προτάσεων ασφάλειας πληροφοριών που βασίζεται στο web έχει δημιουργηθεί χρησιμοποιώντας τη γλώσσα προγραμματισμού Python χρησιμοποιώντας το πλαίσιο Django ως backend.Ο Πίνακας 2 παραθέτει τις βιβλιοθήκες που χρησιμοποιούνται για την ανάπτυξη αυτού του συστήματος.
Το σύνολο δεδομένων τροφοδοτείται σε ένα μοντέλο δέντρου αποφάσεων για τον υπολογισμό και την εξαγωγή των απαντήσεων των μαθητών για αυτόματη ταξινόμηση των μετρήσεων LS των μαθητών.
Ο πίνακας σύγχυσης χρησιμοποιείται για την αξιολόγηση της ακρίβειας ενός αλγορίθμου μηχανικής μάθησης δένδρων αποφάσεων σε ένα δεδομένο σύνολο δεδομένων.Παράλληλα, 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 Positive (TP) – το μοντέλο προέβλεψε σωστά τη θετική κατηγορία, False Positive (FP) – το μοντέλο προέβλεψε τη θετική κατηγορία, αλλά η πραγματική ετικέτα ήταν αρνητική, True Negative (TN) – το μοντέλο προέβλεψε σωστά την αρνητική κλάση και το ψευδώς αρνητικό (FN) – Το μοντέλο προβλέπει μια αρνητική κλάση, αλλά η αληθινή ετικέτα είναι θετική.
Αυτές οι τιμές χρησιμοποιούνται στη συνέχεια για τον υπολογισμό διαφόρων μετρήσεων απόδοσης του μοντέλου ταξινόμησης scikit-learn στην Python, δηλαδή ακρίβεια, ακρίβεια, ανάκληση και βαθμολογία F1.Ακολουθούν παραδείγματα:
Η ανάκληση (ή η ευαισθησία) μετρά την ικανότητα του 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) προς τα αληθινά αρνητικά και τα ψευδώς θετικά (FP).Ως μέρος του συνιστώμενου εργαλείου για την ταξινόμηση των φαρμάκων των μαθητών, θα πρέπει να είναι ικανό για ακριβή ταυτοποίηση.
Το αρχικό σύνολο δεδομένων 50 μαθητών που χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου ML του δέντρου αποφάσεων έδειξε σχετικά χαμηλή ακρίβεια λόγω ανθρώπινου λάθους στους σχολιασμούς (Πίνακας 3).Μετά τη δημιουργία ενός απλού προγράμματος βασισμένου σε κανόνες για τον αυτόματο υπολογισμό των βαθμολογιών LS και των σχολιασμών των μαθητών, ένας αυξανόμενος αριθμός συνόλων δεδομένων (255) χρησιμοποιήθηκε για την εκπαίδευση και τη δοκιμή του συστήματος συστάσεων.
Στον πίνακα σύγχυσης πολλαπλών κλάσεων, τα διαγώνια στοιχεία αντιπροσωπεύουν τον αριθμό των σωστών προβλέψεων για κάθε τύπο LS (Εικόνα 4).Χρησιμοποιώντας το μοντέλο δέντρου απόφασης, συνολικά 64 δείγματα προβλέφθηκαν σωστά.Έτσι, σε αυτή τη μελέτη, τα διαγώνια στοιχεία δείχνουν τα αναμενόμενα αποτελέσματα, υποδεικνύοντας ότι το μοντέλο αποδίδει καλά και προβλέπει με ακρίβεια την ετικέτα κλάσης για κάθε ταξινόμηση LS.Έτσι, η συνολική ακρίβεια του εργαλείου συστάσεων είναι 100%.
Οι τιμές της ακρίβειας, της ακρίβειας, της ανάκλησης και της βαθμολογίας F1 φαίνονται στο Σχήμα 5. Για το σύστημα συστάσεων που χρησιμοποιεί το μοντέλο δέντρου αποφάσεων, η βαθμολογία F1 είναι 1,0 "τέλειο", υποδηλώνοντας τέλεια ακρίβεια και ανάκληση, αντικατοπτρίζοντας σημαντική ευαισθησία και ειδικότητα αξίες.
Το Σχήμα 6 δείχνει μια απεικόνιση του μοντέλου του δέντρου αποφάσεων μετά την ολοκλήρωση της εκπαίδευσης και της δοκιμής.Σε μια παράπλευρη σύγκριση, το μοντέλο δέντρου αποφάσεων που εκπαιδεύτηκε με λιγότερα χαρακτηριστικά έδειξε υψηλότερη ακρίβεια και ευκολότερη απεικόνιση του μοντέλου.Αυτό δείχνει ότι η μηχανική χαρακτηριστικών που οδηγεί σε μείωση χαρακτηριστικών είναι ένα σημαντικό βήμα για τη βελτίωση της απόδοσης του μοντέλου.
Εφαρμόζοντας εποπτευόμενη μάθηση από δέντρο αποφάσεων, η αντιστοίχιση μεταξύ LS (είσοδος) και IS (εξόδου στόχος) δημιουργείται αυτόματα και περιέχει λεπτομερείς πληροφορίες για κάθε LS.
Τα αποτελέσματα έδειξαν ότι το 34,9% των 255 μαθητών προτίμησε μία (1) επιλογή 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 φοιτητές οδοντιατρικής του Πανεπιστημίου της Μαλάγιας.Μεταξύ αυτών, η αντίληψη, η όραση και ο συνδυασμός αντίληψης και όρασης είναι τα κύρια LS που αναφέρουν οι 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 συνδύασε την αντίληψη με την όραση (αντιληπτικό-οπτικό LS).Αυτά τα ευρήματα υποδηλώνουν ότι οι μαθητές προτιμούν να μαθαίνουν και να θυμούνται μέσω καθιερωμένων μεθόδων, να ακολουθούν συγκεκριμένες και λεπτομερείς διαδικασίες και να είναι προσεκτικοί στη φύση τους.Ταυτόχρονα, απολαμβάνουν να μαθαίνουν κοιτάζοντας (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 εστίαση στην άμεση και ακριβή πρόβλεψη του LS των μαθητών και στη σύσταση του κατάλληλου IS.Η εφαρμογή ενός μοντέλου δέντρου αποφάσεων εντόπισε τους παράγοντες που σχετίζονται περισσότερο με τη ζωή και τις εκπαιδευτικές τους εμπειρίες.Είναι ένας εποπτευόμενος αλγόριθμος μηχανικής μάθησης που χρησιμοποιεί μια δενδρική δομή για την ταξινόμηση δεδομένων διαιρώντας ένα σύνολο δεδομένων σε υποκατηγορίες με βάση ορισμένα κριτήρια.Λειτουργεί διαιρώντας αναδρομικά τα δεδομένα εισόδου σε υποσύνολα με βάση την τιμή ενός από τα χαρακτηριστικά εισόδου κάθε εσωτερικού κόμβου μέχρι να ληφθεί μια απόφαση στον κόμβο φύλλου.
Οι εσωτερικοί κόμβοι του δέντρου αποφάσεων αντιπροσωπεύουν τη λύση που βασίζεται στα χαρακτηριστικά εισόδου του προβλήματος m-ILS και οι κόμβοι φύλλων αντιπροσωπεύουν την τελική πρόβλεψη ταξινόμησης LS.Σε όλη τη διάρκεια της μελέτης, είναι εύκολο να κατανοηθεί η ιεραρχία των δέντρων αποφάσεων που εξηγούν και απεικονίζουν τη διαδικασία λήψης αποφάσεων εξετάζοντας τη σχέση μεταξύ των χαρακτηριστικών εισόδου και των προβλέψεων εξόδου.
Στους τομείς της επιστήμης των υπολογιστών και της μηχανικής, οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούνται ευρέως για την πρόβλεψη της απόδοσης των μαθητών με βάση τις βαθμολογίες τους στις εισαγωγικές εξετάσεις [21], τις δημογραφικές πληροφορίες και τη μαθησιακή συμπεριφορά [22].Η έρευνα έδειξε ότι ο αλγόριθμος προέβλεψε με ακρίβεια τις επιδόσεις των μαθητών και τους βοήθησε να εντοπίσουν μαθητές που κινδυνεύουν για ακαδημαϊκές δυσκολίες.
Αναφέρεται η εφαρμογή αλγορίθμων ML στην ανάπτυξη εικονικών προσομοιωτών ασθενών για οδοντιατρική εκπαίδευση.Ο προσομοιωτής είναι ικανός να αναπαράγει με ακρίβεια τις φυσιολογικές αποκρίσεις πραγματικών ασθενών και μπορεί να χρησιμοποιηθεί για την εκπαίδευση φοιτητών οδοντιατρικής σε ένα ασφαλές και ελεγχόμενο περιβάλλον [23].Αρκετές άλλες μελέτες δείχνουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν δυνητικά 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 οδοντικών ασθενειών με βάση σύνολα δεδομένων όπως συμπτώματα και χαρακτηριστικά ασθενών [24, 25].Ενώ άλλες μελέτες έχουν διερευνήσει τη χρήση αλγορίθμων μηχανικής μάθησης για την εκτέλεση εργασιών όπως η πρόβλεψη των αποτελεσμάτων των ασθενών, ο εντοπισμός ασθενών υψηλού κινδύνου, η ανάπτυξη εξατομικευμένων σχεδίων θεραπείας [26], η περιοδοντική θεραπεία [27] και η θεραπεία τερηδόνας [25].
Αν και έχουν δημοσιευθεί αναφορές για την εφαρμογή της μηχανικής μάθησης στην οδοντιατρική, η εφαρμογή της στην οδοντιατρική εκπαίδευση παραμένει περιορισμένη.Ως εκ τούτου, αυτή η μελέτη είχε ως στόχο να χρησιμοποιήσει ένα μοντέλο δέντρου αποφάσεων για τον εντοπισμό παραγόντων που συνδέονται στενότερα με το LS και το IS μεταξύ των φοιτητών οδοντιατρικής.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι το εργαλείο συστάσεων που αναπτύχθηκε έχει υψηλή ακρίβεια και τέλεια ακρίβεια, υποδεικνύοντας ότι οι εκπαιδευτικοί μπορούν να επωφεληθούν από αυτό το εργαλείο.Χρησιμοποιώντας μια διαδικασία ταξινόμησης βάσει δεδομένων, μπορεί να παρέχει εξατομικευμένες συστάσεις και να βελτιώσει τις εκπαιδευτικές εμπειρίες και τα αποτελέσματα για εκπαιδευτικούς και μαθητές.Μεταξύ αυτών, οι πληροφορίες που λαμβάνονται μέσω εργαλείων συστάσεων μπορούν να επιλύσουν συγκρούσεις μεταξύ των μεθόδων διδασκαλίας που προτιμούν οι εκπαιδευτικοί και των μαθησιακών αναγκών των μαθητών.Για παράδειγμα, λόγω της αυτοματοποιημένης παραγωγής των εργαλείων συστάσεων, ο χρόνος που απαιτείται για την αναγνώριση της IP ενός μαθητή και την αντιστοίχιση της με την αντίστοιχη IP θα μειωθεί σημαντικά.Με αυτόν τον τρόπο μπορούν να οργανωθούν κατάλληλες εκπαιδευτικές δραστηριότητες και εκπαιδευτικό υλικό.Αυτό βοηθά στην ανάπτυξη της θετικής μαθησιακής συμπεριφοράς και της ικανότητας συγκέντρωσης των μαθητών.Μια μελέτη ανέφερε ότι η παροχή μαθησιακού υλικού και μαθησιακών δραστηριοτήτων στους μαθητές που ταιριάζουν με το προτιμώμενο LS μπορεί να βοηθήσει τους μαθητές να ενσωματωθούν, να επεξεργαστούν και να απολαύσουν τη μάθηση με πολλούς τρόπους για να επιτύχουν μεγαλύτερες δυνατότητες [12].Η έρευνα δείχνει επίσης ότι εκτός από τη βελτίωση της συμμετοχής των μαθητών στην τάξη, η κατανόηση της μαθησιακής διαδικασίας των μαθητών παίζει επίσης κρίσιμο ρόλο στη βελτίωση των διδακτικών πρακτικών και της επικοινωνίας με τους μαθητές [28, 29].
Ωστόσο, όπως συμβαίνει με κάθε σύγχρονη τεχνολογία, υπάρχουν προβλήματα και περιορισμοί.Αυτά περιλαμβάνουν ζητήματα που σχετίζονται με το απόρρητο δεδομένων, την προκατάληψη και τη δικαιοσύνη, καθώς 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 υποδηλώνει ότι οι τεχνολογίες μηχανικής εκμάθησης μπορεί να έχουν θετικό αντίκτυπο στην οδοντιατρική εκπαίδευση και τις οδοντιατρικές υπηρεσίες.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι μισοί φοιτητές οδοντιατρικής έχουν την τάση να «αντιλαμβάνονται» τα φάρμακα.Αυτός ο τύπος μαθητευόμενου προτιμά γεγονότα και συγκεκριμένα παραδείγματα, πρακτικό προσανατολισμό, υπομονή στη λεπτομέρεια και «οπτική» προτίμηση LS, όπου οι μαθητές προτιμούν να χρησιμοποιούν εικόνες, γραφικά, χρώματα και χάρτες για να μεταφέρουν ιδέες και σκέψεις.Τα τρέχοντα αποτελέσματα είναι συνεπή με άλλες μελέτες που χρησιμοποιούν το ILS για την αξιολόγηση του LS σε φοιτητές οδοντιατρικής και ιατρικής, οι περισσότεροι από τους οποίους έχουν χαρακτηριστικά αντιληπτικής και οπτικής LS [12, 30].Οι Dalmolin et al προτείνουν ότι η ενημέρωση των μαθητών για το LS τους επιτρέπει να φτάσουν τις μαθησιακές τους δυνατότητες.Οι ερευνητές υποστηρίζουν ότι όταν οι δάσκαλοι κατανοούν πλήρως την εκπαιδευτική διαδικασία των μαθητών, μπορούν να εφαρμοστούν διάφορες μέθοδοι διδασκαλίας και δραστηριότητες που θα βελτιώσουν την απόδοση και την μαθησιακή εμπειρία των μαθητών [12, 31, 32].Άλλες μελέτες έχουν δείξει ότι η προσαρμογή του LS των μαθητών δείχνει επίσης βελτιώσεις στη μαθησιακή εμπειρία και απόδοση των μαθητών μετά την αλλαγή του στυλ μάθησής τους για να ταιριάζει με το δικό τους LS [13, 33].
Οι απόψεις των εκπαιδευτικών μπορεί να διαφέρουν σχετικά με την εφαρμογή στρατηγικών διδασκαλίας που βασίζονται στις μαθησιακές ικανότητες των μαθητών.Ενώ ορισμένοι βλέπουν τα οφέλη αυτής της προσέγγισης, συμπεριλαμβανομένων των ευκαιριών επαγγελματικής ανάπτυξης, της καθοδήγησης και της κοινοτικής υποστήριξης, άλλοι μπορεί να ανησυχούν για τον χρόνο και τη θεσμική υποστήριξη.Η προσπάθεια για ισορροπία είναι το κλειδί για τη δημιουργία μιας μαθητοκεντρικής στάσης.Οι αρχές της τριτοβάθμιας εκπαίδευσης, όπως οι διοικητικοί υπάλληλοι των πανεπιστημίων, μπορούν να διαδραματίσουν σημαντικό ρόλο στην προώθηση 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 χάραξης πολιτικής πρέπει να κάνουν τολμηρά βήματα, όπως να κάνουν αλλαγές πολιτικής, να αφιερώνουν πόρους στην ενσωμάτωση της τεχνολογίας και να δημιουργούν πλαίσια που προωθούν προσεγγίσεις με επίκεντρο τους φοιτητές.Αυτά τα μέτρα είναι κρίσιμα για την επίτευξη των επιθυμητών αποτελεσμάτων.Πρόσφατη έρευνα για τη διαφοροποιημένη διδασκαλία έχει δείξει ξεκάθαρα ότι η επιτυχής εφαρμογή της διαφοροποιημένης διδασκαλίας απαιτεί συνεχή κατάρτιση και ευκαιρίες ανάπτυξης για τους εκπαιδευτικούς [35].
Αυτό το εργαλείο παρέχει πολύτιμη υποστήριξη σε οδοντιατρικούς εκπαιδευτικούς που θέλουν να ακολουθήσουν μια μαθητοκεντρική προσέγγιση στον προγραμματισμό μαθησιακών δραστηριοτήτων φιλικών προς τους μαθητές.Ωστόσο, αυτή η μελέτη περιορίζεται στη χρήση μοντέλων ML δένδρων αποφάσεων.Στο μέλλον, θα πρέπει να συλλέγονται περισσότερα δεδομένα για τη σύγκριση της απόδοσης διαφορετικών μοντέλων μηχανικής εκμάθησης για σύγκριση της ακρίβειας, της αξιοπιστίας και της ακρίβειας των εργαλείων συστάσεων.Επιπλέον, κατά την επιλογή της καταλληλότερης μεθόδου μηχανικής εκμάθησης για μια συγκεκριμένη εργασία, είναι σημαντικό να ληφθούν υπόψη άλλοι παράγοντες, όπως η πολυπλοκότητα και η ερμηνεία του μοντέλου.
Ένας περιορισμός αυτής της μελέτης είναι ότι επικεντρώθηκε μόνο στη χαρτογράφηση LS και IS μεταξύ των φοιτητών οδοντιατρικής.Επομένως, το αναπτυγμένο σύστημα συστάσεων θα προτείνει μόνο εκείνα που είναι κατάλληλα για φοιτητές οδοντιατρικής.Οι αλλαγές είναι απαραίτητες για τη γενική χρήση των φοιτητών τριτοβάθμιας εκπαίδευσης.
Το πρόσφατα αναπτυγμένο εργαλείο συστάσεων που βασίζεται στη μηχανική μάθηση είναι σε θέση να ταξινομεί και να αντιστοιχίζει άμεσα το LS των μαθητών με το αντίστοιχο IS, καθιστώντας το το πρώτο πρόγραμμα οδοντιατρικής εκπαίδευσης που βοηθά τους οδοντιάτρους να σχεδιάζουν σχετικές δραστηριότητες διδασκαλίας και μάθησης.Χρησιμοποιώντας μια διαδικασία διαλογής βάσει δεδομένων, μπορεί να παρέχει εξατομικευμένες συστάσεις, να εξοικονομήσει χρόνο, να βελτιώσει τις στρατηγικές διδασκαλίας, να υποστηρίξει στοχευμένες παρεμβάσεις και να προωθήσει τη συνεχή επαγγελματική ανάπτυξη.Η εφαρμογή του θα προωθήσει προσεγγίσεις με επίκεντρο τον μαθητή στην οδοντιατρική εκπαίδευση.
Gilak Jani Associated Press.Αντιστοιχία ή αναντιστοιχία μεταξύ του μαθησιακού στυλ του μαθητή και του τρόπου διδασκαλίας του δασκάλου.Int J Mod Educ Computer Science.2012; 4 (11): 51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Ώρα δημοσίευσης: Απρ-29-2024