Υπάρχει μια αυξανόμενη ανάγκη για μαθητοκεντρική μάθηση (SCL) σε ιδρύματα τριτοβάθμιας εκπαίδευσης, συμπεριλαμβανομένης της οδοντιατρικής. Ωστόσο, η SCL έχει περιορισμένη εφαρμογή στην οδοντιατρική εκπαίδευση. Ως εκ τούτου, η παρούσα μελέτη στοχεύει στην προώθηση της εφαρμογής της SCL στην οδοντιατρική χρησιμοποιώντας την τεχνολογία μηχανικής μάθησης (ML) δέντρου αποφάσεων για τη χαρτογράφηση του προτιμώμενου στυλ μάθησης (LS) και των αντίστοιχων στρατηγικών μάθησης (IS) των φοιτητών οδοντιατρικής ως χρήσιμο εργαλείο για την ανάπτυξη κατευθυντήριων γραμμών για την IS. Πολλά υποσχόμενες μέθοδοι για τους φοιτητές οδοντιατρικής.
Συνολικά 255 φοιτητές οδοντιατρικής από το Πανεπιστήμιο της Μαλαισίας συμπλήρωσαν το τροποποιημένο ερωτηματολόγιο του Δείκτη Στυλ Μάθησης (m-ILS), το οποίο περιείχε 44 στοιχεία για την ταξινόμηση των φοιτητών στα αντίστοιχα LS τους. Τα συλλεγόμενα δεδομένα (που ονομάζονται σύνολο δεδομένων) χρησιμοποιούνται στην εποπτευόμενη μάθηση δέντρου αποφάσεων για την αυτόματη αντιστοίχιση των στυλ μάθησης των φοιτητών με το καταλληλότερο Πληροφοριακό Σύστημα (ΠΣ). Στη συνέχεια, αξιολογείται η ακρίβεια του εργαλείου σύστασης ΠΣ που βασίζεται στη μηχανική μάθηση.
Η εφαρμογή μοντέλων δέντρων αποφάσεων σε μια αυτοματοποιημένη διαδικασία χαρτογράφησης μεταξύ LS (είσοδος) και IS (στόχος εξόδου) επιτρέπει την άμεση δημιουργία μιας λίστας 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 συστάσεων Πληροφορικής που βασίζεται σε ένα δέντρο αποφάσεων Μηχανικής Μάθησης (ML) έχει αποδείξει την ικανότητά του να αντιστοιχίζει με ακρίβεια τα στυλ μάθησης των φοιτητών οδοντιατρικής με τις κατάλληλες στρατηγικές μάθησης. Αυτό το εργαλείο παρέχει ισχυρές επιλογές για τον σχεδιασμό μαθημάτων ή ενοτήτων με επίκεντρο τον μαθητή που μπορούν να βελτιώσουν τη μαθησιακή εμπειρία των φοιτητών.
Η διδασκαλία και η μάθηση αποτελούν θεμελιώδεις δραστηριότητες στα εκπαιδευτικά ιδρύματα. Κατά την ανάπτυξη ενός συστήματος επαγγελματικής εκπαίδευσης υψηλής ποιότητας, είναι σημαντικό να εστιάζουμε στις μαθησιακές ανάγκες των μαθητών. Η αλληλεπίδραση μεταξύ των μαθητών και του μαθησιακού τους περιβάλλοντος μπορεί να προσδιοριστεί μέσω της Μαθησιακής τους Δυναμικής (MS) τους. Η έρευνα δείχνει ότι οι αναντιστοιχίες μεταξύ της Μαθησιακής Δυναμικής (MS) και της Πληροφορικής (IS) των μαθητών, που σκοπεύουν οι εκπαιδευτικοί, μπορούν να έχουν αρνητικές συνέπειες για τη μάθηση των μαθητών, όπως μειωμένη προσοχή και κίνητρο. Αυτό θα επηρεάσει έμμεσα την επίδοση των μαθητών [1,2].
Η Πληροφορική και Φυσική (ΠΣ) είναι μια μέθοδος που χρησιμοποιείται από τους εκπαιδευτικούς για να μεταδώσουν γνώσεις και δεξιότητες στους μαθητές, συμπεριλαμβανομένης της βοήθειας προς τους μαθητές στη μάθηση [3]. Γενικά, οι καλοί εκπαιδευτικοί σχεδιάζουν στρατηγικές διδασκαλίας ή ΠΣ που ταιριάζουν καλύτερα στο επίπεδο γνώσης των μαθητών τους, στις έννοιες που μαθαίνουν και στο στάδιο μάθησής τους. Θεωρητικά, όταν η ΠΣ και η ΠΣ 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 αρκετές μεταβάσεις μεταξύ των σταδίων, όπως από τη διδασκαλία στην καθοδηγούμενη πρακτική ή από την καθοδηγούμενη πρακτική στην ανεξάρτητη πρακτική. Έχοντας αυτό κατά νου, οι αποτελεσματικοί εκπαιδευτικοί συχνά σχεδιάζουν τη διδασκαλία με στόχο την ανάπτυξη 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 φοιτητών. Αυτό μπορεί να επιτευχθεί, για παράδειγμα, εάν οι φοιτητές συμμετέχουν ενεργά σε μαθησιακές δραστηριότητες και οι εκπαιδευτικοί ενεργούν ως συντονιστές 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 φοιτητών μπορεί να βελτιώσει το μαθησιακό περιβάλλον των φοιτητών και να προωθήσει θετικές μαθησιακές εμπειρίες [5].
Γενικά, η μαθησιακή διαδικασία 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 επιτρέψει στους φοιτητές να συνδυάσουν βασικές γνώσεις οδοντιατρικής με οδοντιατρικές κλινικές δεξιότητες και να εφαρμόσουν τις αποκτηθείσες γνώσεις σε νέες κλινικές καταστάσεις [6, 7]. Πρώιμη έρευνα σχετικά με τη σχέση μεταξύ LS και IS διαπίστωσε ότι η προσαρμογή των στρατηγικών μάθησης που αντιστοιχίζονται στην προτιμώμενη LS θα βοηθούσε στη βελτίωση της εκπαιδευτικής διαδικασίας [8]. Οι συγγραφείς συνιστούν επίσης τη χρήση μιας ποικιλίας μεθόδων διδασκαλίας και αξιολόγησης για την προσαρμογή στη μάθηση και τις ανάγκες των φοιτητών.
Οι εκπαιδευτικοί επωφελούνται από την εφαρμογή των γνώσεων της Μαθησιακής Κατάστασης (LS) για να τους βοηθήσει να σχεδιάσουν, να αναπτύξουν και να εφαρμόσουν διδασκαλία που θα ενισχύσει την απόκτηση βαθύτερης γνώσης και κατανόησης του αντικειμένου από τους μαθητές. Οι ερευνητές έχουν αναπτύξει διάφορα εργαλεία αξιολόγησης της Μαθησιακής Κατάστασης (LS), όπως το Μοντέλο Εμπειρικής Μάθησης Kolb, το Μοντέλο Στυλ Μάθησης Felder-Silverman (FSLSM) και το Μοντέλο VAK/VARK Fleming [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 της Μαθησιακής Κατάστασης (LS) μεταξύ των φοιτητών οδοντιατρικής.
Το FSLSM είναι ένα ευρέως χρησιμοποιούμενο μοντέλο για την αξιολόγηση της προσαρμοστικής μάθησης στη μηχανική. Υπάρχουν πολλά δημοσιευμένα έργα 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 εργαλείο που χρησιμοποιείται για τη μέτρηση των διαστάσεων του LS στο FLSM ονομάζεται Δείκτης Στυλ Μάθησης (ILS) [8], ο οποίος περιέχει 44 στοιχεία που αξιολογούν τέσσερις διαστάσεις του LS: επεξεργασία (ενεργητική/στοχαστική), αντίληψη (αντιληπτική/διαισθητική), εισροή (οπτική/λεκτική) και κατανόηση (διαδοχική/σφαιρική) [14].
Όπως φαίνεται στο Σχήμα 1, κάθε διάσταση του FSLSM έχει μια κυρίαρχη προτίμηση. Για παράδειγμα, στη διάσταση της επεξεργασίας, οι μαθητές με «ενεργό» μαθησιακό υπόβαθρο προτιμούν να επεξεργάζονται πληροφορίες αλληλεπιδρώντας άμεσα με το εκπαιδευτικό υλικό, μαθαίνουν κάνοντας και τείνουν να μαθαίνουν σε ομάδες. Το «στοχαστικό» μαθησιακό υπόβαθρο αναφέρεται στη μάθηση μέσω της σκέψης και προτιμά να εργάζεται μόνος του. Η «αντίληψη» διάσταση του μαθησιακού υπόβαθρου μπορεί να χωριστεί σε «συναίσθημα» ή/και «διαισθητικότητα». Οι μαθητές που «συναισθάνονται» προτιμούν πιο συγκεκριμένες πληροφορίες και πρακτικές διαδικασίες, είναι προσανατολισμένοι στα γεγονότα σε σύγκριση με τους «διαισθητικούς» μαθητές που προτιμούν αφηρημένο υλικό και είναι πιο καινοτόμοι και δημιουργικοί στη φύση τους. Η «εισαγωγή» διάσταση του μαθησιακού υπόβαθρου αποτελείται από «οπτικούς» και «λεκτικούς» μαθητές. Τα άτομα με «οπτική» μαθησιακή βάση προτιμούν να μαθαίνουν μέσω οπτικών επιδείξεων (όπως διαγράμματα, βίντεο ή ζωντανές επιδείξεις), ενώ τα άτομα με «λεκτική» μαθησιακή βάση προτιμούν να μαθαίνουν μέσω λέξεων σε γραπτές ή προφορικές εξηγήσεις. Για να «κατανοήσουν» τις διαστάσεις του μαθησιακού υπόβαθρου, αυτοί οι μαθητές μπορούν να χωριστούν σε «διαδοχικούς» και «συνολικούς». «Οι διαδοχικοί μαθητές προτιμούν μια γραμμική διαδικασία σκέψης και μαθαίνουν βήμα προς βήμα, ενώ οι καθολικοί μαθητές τείνουν να έχουν μια ολιστική διαδικασία σκέψης και έχουν πάντα καλύτερη κατανόηση αυτού που μαθαίνουν».
Πρόσφατα, πολλοί ερευνητές έχουν αρχίσει να διερευνούν 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 μηχανική μάθηση (ML) είναι σε θέση να δημιουργεί μοτίβα και υποθέσεις που προβλέπουν μελλοντικά αποτελέσματα με βάση την κατασκευή αλγορίθμων [17]. Με απλά λόγια, οι εποπτευόμενες τεχνικές μηχανικής μάθησης χειρίζονται δεδομένα εισόδου και εκπαιδεύουν αλγόριθμους. Στη συνέχεια, δημιουργούν 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 δέντρων αποφάσεων, είναι δυνατή η αυτόματη ανίχνευση των LS. Τα δέντρα αποφάσεων έχουν αναφερθεί ότι χρησιμοποιούνται ευρέως σε προγράμματα κατάρτισης σε διάφορους τομείς, συμπεριλαμβανομένων των επιστημών υγείας [18, 19]. Σε αυτήν τη μελέτη, το μοντέλο εκπαιδεύτηκε ειδικά από τους προγραμματιστές συστημάτων για να εντοπίζει τα LS των μαθητών και να προτείνει το καλύτερο IS για αυτούς.
Σκοπός της παρούσας μελέτης είναι η ανάπτυξη στρατηγικών παροχής Πληροφοριακών Συστημάτων (ΠΣ) με βάση το LS των μαθητών και η εφαρμογή της προσέγγισης SCL (Συμπληρωματικό Σύστημα Πληροφοριών) αναπτύσσοντας ένα εργαλείο σύστασης ΠΣ που αντιστοιχίζεται στο LS. Η ροή σχεδιασμού του εργαλείου σύστασης ΠΣ ως στρατηγικής της μεθόδου SCL φαίνεται στο Σχήμα 1. Το εργαλείο σύστασης ΠΣ χωρίζεται σε δύο μέρη, συμπεριλαμβανομένου του μηχανισμού ταξινόμησης ΠΣ χρησιμοποιώντας ILS και της καταλληλότερης απεικόνισης ΠΣ για τους μαθητές.
Συγκεκριμένα, τα χαρακτηριστικά των εργαλείων συστάσεων για την ασφάλεια πληροφοριών περιλαμβάνουν τη χρήση τεχνολογιών ιστού και τη χρήση μηχανικής μάθησης με βάση δέντρα αποφάσεων. Οι προγραμματιστές συστημάτων βελτιώνουν την εμπειρία και την κινητικότητα των χρηστών προσαρμόζοντάς τα σε κινητές συσκευές όπως κινητά τηλέφωνα και tablet.
Το πείραμα πραγματοποιήθηκε σε δύο στάδια και φοιτητές από την Οδοντιατρική Σχολή του Πανεπιστημίου της Μαλαισίας συμμετείχαν εθελοντικά. Οι συμμετέχοντες απάντησαν στο διαδικτυακό m-ILS ενός φοιτητή οδοντιατρικής στα αγγλικά. Στην αρχική φάση, χρησιμοποιήθηκε ένα σύνολο δεδομένων 50 φοιτητών για την εκπαίδευση του αλγορίθμου μηχανικής μάθησης δέντρου αποφάσεων. Στη δεύτερη φάση της διαδικασίας ανάπτυξης, χρησιμοποιήθηκε ένα σύνολο δεδομένων 255 φοιτητών για τη βελτίωση της ακρίβειας του αναπτυγμένου οργάνου.
Όλοι οι συμμετέχοντες λαμβάνουν μια ηλεκτρονική ενημέρωση στην αρχή κάθε σταδίου, ανάλογα με το ακαδημαϊκό έτος, μέσω του Microsoft Teams. Ο σκοπός της μελέτης εξηγήθηκε και ελήφθη ενημερωμένη συγκατάθεση. Σε όλους τους συμμετέχοντες δόθηκε ένας σύνδεσμος για πρόσβαση στο m-ILS. Σε κάθε φοιτητή δόθηκε η οδηγία να απαντήσει και στα 44 στοιχεία του ερωτηματολογίου. Τους δόθηκε μία εβδομάδα για να συμπληρώσουν το τροποποιημένο ILS σε χρόνο και τοποθεσία που τους βολεύει κατά τη διάρκεια του διαλείμματος του εξαμήνου πριν από την έναρξη του εξαμήνου. Το m-ILS βασίζεται στο αρχικό εργαλείο ILS και τροποποιήθηκε για φοιτητές οδοντιατρικής. Παρόμοια με το αρχικό ILS, περιέχει 44 ομοιόμορφα κατανεμημένα στοιχεία (α, β), με 11 στοιχεία το καθένα, τα οποία χρησιμοποιούνται για την αξιολόγηση πτυχών κάθε διάστασης του FSLSM.
Κατά τα αρχικά στάδια 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 φοιτητής επιλέξει το «α» ως απάντηση, η LS ταξινομείται ως Ενεργητική/Αντιληπτική/Οπτική/Διαδοχική, και εάν ο φοιτητής επιλέξει το «β» ως απάντηση, ταξινομείται ως Στοχαστικός/Διαισθητικός/Γλωσσικός/Συνολικός 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 την πρόβλεψη της LS κάθε φοιτητή. Η φράση «Σκουπίδια μέσα, σκουπίδια έξω» είναι μια δημοφιλής φράση στον τομέα της μηχανικής μάθησης, με έμφαση στην ποιότητα των δεδομένων. Η ποιότητα των δεδομένων εισόδου καθορίζει την ακρίβεια και την ορθότητα του μοντέλου μηχανικής μάθησης. Κατά τη φάση της 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 προσδιορίστε το LS του μαθητή. Για κάθε μαθητή, το εύρος βαθμολογίας είναι από 1 έως 11. Οι βαθμολογίες από 1 έως 3 υποδεικνύουν μια ισορροπία μαθησιακών προτιμήσεων εντός της ίδιας διάστασης, και οι βαθμολογίες από 5 έως 7 υποδεικνύουν μια μέτρια προτίμηση, υποδεικνύοντας ότι οι μαθητές τείνουν να προτιμούν ένα περιβάλλον διδασκαλίας άλλων. 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 ναρκωτικά ομαδοποιήθηκαν σε «ενεργά», «στοχαστικά» και «ισορροπημένα». Για παράδειγμα, όταν ένας μαθητής απαντά στο «α» πιο συχνά από το «β» σε ένα καθορισμένο στοιχείο και η βαθμολογία του/της υπερβαίνει το όριο του 5 για ένα συγκεκριμένο στοιχείο που αντιπροσωπεύει τη διάσταση Επεξεργασίας LS, ανήκει στον «ενεργό» τομέα LS. Ωστόσο, οι μαθητές ταξινομήθηκαν ως «στοχαστικά» LS όταν επέλεξαν το «β» περισσότερο από το «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 τους 5 βαθμούς, τότε πρόκειται για «διαδικασία» LS. Η διαδικασία ταξινόμησης επαναλήφθηκε για τις άλλες διαστάσεις LS, δηλαδή την αντίληψη (ενεργητική/στοχαστική), την εισροή (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 αναπαριστούν δοκιμές ανά χαρακτηριστικό, κάθε κλάδος αντιπροσωπεύει τα αποτελέσματα των δοκιμών και κάθε κόμβος φύλλου (κόμβος φύλλου) που περιέχει μια ετικέτα κλάσης.
Δημιουργήθηκε ένα απλό πρόγραμμα βασισμένο σε κανόνες για την αυτόματη βαθμολόγηση και σχολιασμό του LS κάθε μαθητή με βάση τις απαντήσεις του. Το πρόγραμμα που βασίζεται σε κανόνες έχει τη μορφή μιας πρότασης IF, όπου το "IF" περιγράφει την ενεργοποίηση και το "THEN" καθορίζει την ενέργεια που πρέπει να εκτελεστεί, για παράδειγμα: "Εάν συμβεί το X, τότε κάνε το Y" (Liu et al., 2014). Εάν το σύνολο δεδομένων παρουσιάζει συσχέτιση και το μοντέλο δέντρου αποφάσεων έχει εκπαιδευτεί και αξιολογηθεί σωστά, αυτή η προσέγγιση μπορεί να είναι ένας αποτελεσματικός τρόπος για την αυτοματοποίηση της διαδικασίας αντιστοίχισης του LS και του 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 σύνολο εκπαίδευσης (Σχήμα 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 την απομνημόνευση αντί της μάθησης του μοντέλου. Το μοντέλο εκπαιδεύεται στο σύνολο εκπαίδευσης και αξιολογεί την απόδοσή του στο σύνολο δοκιμών - δεδομένα που το μοντέλο δεν έχει ξαναδεί.
Μόλις αναπτυχθεί το εργαλείο IS, η εφαρμογή θα είναι σε θέση να ταξινομεί τα LS με βάση τις απαντήσεις των φοιτητών οδοντιατρικής μέσω μιας διεπαφής ιστού. Το διαδικτυακό σύστημα εργαλείων συστάσεων για την ασφάλεια πληροφοριών έχει κατασκευαστεί χρησιμοποιώντας τη γλώσσα προγραμματισμού Python χρησιμοποιώντας το πλαίσιο Django ως backend. Ο Πίνακας 2 παραθέτει τις βιβλιοθήκες που χρησιμοποιήθηκαν στην ανάπτυξη αυτού του συστήματος.
Το σύνολο δεδομένων τροφοδοτείται σε ένα μοντέλο δέντρου αποφάσεων για τον υπολογισμό και την εξαγωγή των απαντήσεων των μαθητών με σκοπό την αυτόματη ταξινόμηση των μετρήσεων LS των μαθητών.
Ο πίνακας σύγχυσης χρησιμοποιείται για την αξιολόγηση της ακρίβειας ενός αλγορίθμου μηχανικής μάθησης δέντρου 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 αξιολόγησης βασίζονται σε τέσσερις διαφορετικές τιμές: Αληθώς Θετικό (TP) – το μοντέλο προέβλεψε σωστά τη θετική κατηγορία, Ψευδώς Θετικό (FP) – το μοντέλο προέβλεψε τη θετική κατηγορία, αλλά η αληθής ετικέτα ήταν αρνητική, Αληθώς Αρνητικό (TN) – το μοντέλο προέβλεψε σωστά την αρνητική κλάση και Ψευδώς Αρνητικό (FN) – Το μοντέλο προβλέπει μια αρνητική κλάση, αλλά η αληθής ετικέτα είναι θετική.
Αυτές οι τιμές χρησιμοποιούνται στη συνέχεια για τον υπολογισμό διαφόρων μετρήσεων απόδοσης του μοντέλου ταξινόμησης scikit-learn σε Python, δηλαδή ακρίβεια, precision, recall και βαθμολογία F1. Ακολουθούν παραδείγματα:
Η ανάκληση (ή ευαισθησία) μετρά την ικανότητα του μοντέλου να ταξινομεί με ακρίβεια την LS ενός μαθητή μετά την απάντηση στο ερωτηματολόγιο m-ILS.
Η εξειδίκευση ονομάζεται ποσοστό αληθώς αρνητικών αποτελεσμάτων. Όπως μπορείτε να δείτε από τον παραπάνω τύπο, αυτός θα πρέπει να είναι ο λόγος των αληθώς αρνητικών αποτελεσμάτων (TN) προς τα αληθώς αρνητικά και τα ψευδώς θετικά αποτελέσματα (FP). Ως μέρος του συνιστώμενου εργαλείου για την ταξινόμηση φοιτητικών φαρμάκων, θα πρέπει να είναι δυνατός ο ακριβής προσδιορισμός.
Το αρχικό σύνολο δεδομένων των 50 φοιτητών που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου μηχανικής μάθησης (ML) δέντρου αποφάσεων έδειξε σχετικά χαμηλή ακρίβεια λόγω ανθρώπινου σφάλματος στις σχολιασμούς (Πίνακας 3). Μετά τη δημιουργία ενός απλού προγράμματος βασισμένου σε κανόνες για τον αυτόματο υπολογισμό των βαθμολογιών LS και των σχολιασμών των φοιτητών, ένας αυξανόμενος αριθμός συνόλων δεδομένων (255) χρησιμοποιήθηκε για την εκπαίδευση και τον έλεγχο του συστήματος συστάσεων.
Στον πίνακα σύγχυσης πολλαπλών κλάσεων, τα διαγώνια στοιχεία αντιπροσωπεύουν τον αριθμό των σωστών προβλέψεων για κάθε τύπο LS (Σχήμα 4). Χρησιμοποιώντας το μοντέλο δέντρου αποφάσεων, προβλέφθηκαν σωστά συνολικά 64 δείγματα. Έτσι, σε αυτήν 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 ακρίβειας, επαναληψιμότητας, ανάκλησης και βαθμολογίας F1 φαίνονται στο Σχήμα 5. Για το σύστημα συστάσεων που χρησιμοποιεί το μοντέλο δέντρου αποφάσεων, η βαθμολογία F1 είναι 1,0 «τέλεια», υποδεικνύοντας τέλεια ακρίβεια και ανάκληση, αντανακλώντας σημαντικές τιμές ευαισθησίας και ειδικότητας.
Το Σχήμα 6 δείχνει μια οπτικοποίηση του μοντέλου δέντρου αποφάσεων μετά την ολοκλήρωση της εκπαίδευσης και των δοκιμών. Σε μια σύγκριση μεταξύ τους, το μοντέλο δέντρου αποφάσεων που εκπαιδεύτηκε με λιγότερα χαρακτηριστικά έδειξε υψηλότερη ακρίβεια και ευκολότερη οπτικοποίηση του μοντέλου. Αυτό δείχνει ότι η μηχανική χαρακτηριστικών που οδηγεί στη μείωση των χαρακτηριστικών είναι ένα σημαντικό βήμα για τη βελτίωση της απόδοσης του μοντέλου.
Εφαρμόζοντας την εποπτευόμενη μάθηση με βάση το δέντρο αποφάσεων, η αντιστοίχιση μεταξύ του LS (είσοδος) και του IS (στόχος εξόδου) δημιουργείται αυτόματα και περιέχει λεπτομερείς πληροφορίες για κάθε LS.
Τα αποτελέσματα έδειξαν ότι το 34,9% των 255 φοιτητών προτίμησε μία (1) επιλογή Μαθησιακής Κατάστασης (ΜΜΑ). Η πλειοψηφία (54,3%) είχε δύο ή περισσότερες προτιμήσεις ΜΜΑ. Το 12,2% των φοιτητών σημείωσε ότι η ΜΜΑ είναι αρκετά ισορροπημένη (Πίνακας 4). Εκτός από τις οκτώ κύριες ΜΜΑ, υπάρχουν 34 συνδυασμοί ταξινομήσεων ΜΜΑ για τους φοιτητές οδοντιατρικής του Πανεπιστημίου της Μαλάγια. Μεταξύ αυτών, η αντίληψη, η όραση και ο συνδυασμός αντίληψης και όρασης είναι οι κύριες ΜΜΑ που αναφέρθηκαν από τους φοιτητές (Σχήμα 7).
Όπως φαίνεται από τον Πίνακα 4, η πλειονότητα των μαθητών είχε κυρίαρχη αισθητηριακή (13,7%) ή οπτική (8,6%) μαθησιακή δυσκολία (ΜΣ). Αναφέρθηκε ότι το 12,2% των μαθητών συνδύαζε την αντίληψη με την όραση (αντιληπτική-οπτική ΜΣ). 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 τη μάθηση 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 έμφαση στην άμεση και ακριβή πρόβλεψη του LS των μαθητών και στη σύσταση κατάλληλων IS. Η εφαρμογή ενός μοντέλου δέντρου αποφάσεων προσδιόρισε τους παράγοντες που σχετίζονται περισσότερο με τη ζωή και τις εκπαιδευτικές τους εμπειρίες. Πρόκειται για έναν εποπτευόμενο αλγόριθμο μηχανικής μάθησης που χρησιμοποιεί μια δομή δέντρου 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 με βάση τα χαρακτηριστικά εισόδου του προβλήματος m-ILS, και οι κόμβοι-φύλλα αντιπροσωπεύουν την τελική πρόβλεψη ταξινόμησης LS. Καθ' όλη τη διάρκεια της μελέτης, είναι εύκολο να κατανοηθεί η ιεραρχία των δέντρων αποφάσεων που εξηγούν και οπτικοποιούν 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], τα δημογραφικά στοιχεία και τη μαθησιακή συμπεριφορά [22]. Η έρευνα έδειξε ότι ο αλγόριθμος προέβλεψε με ακρίβεια την απόδοση των μαθητών και τους βοήθησε να εντοπίσουν τους μαθητές που διατρέχουν κίνδυνο ακαδημαϊκών δυσκολιών.
Αναφέρεται η εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) στην ανάπτυξη εικονικών προσομοιωτών ασθενών για την οδοντιατρική εκπαίδευση. Ο προσομοιωτής είναι ικανός να αναπαράγει με ακρίβεια τις φυσιολογικές αντιδράσεις 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. Αλγόριθμοι μηχανικής μάθησης έχουν χρησιμοποιηθεί για να βοηθήσουν στη διάγνωση οδοντικών παθήσεων 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 θεραπευτικών σχεδίων [26], η περιοδοντική θεραπεία [27] και η θεραπεία της τερηδόνας [25].
Παρόλο που έχουν δημοσιευτεί αναφορές σχετικά με την εφαρμογή της μηχανικής μάθησης στην οδοντιατρική, η εφαρμογή της στην οδοντιατρική εκπαίδευση παραμένει περιορισμένη. Ως εκ τούτου, η παρούσα μελέτη στόχευε στη χρήση ενός μοντέλου δέντρου αποφάσεων για τον εντοπισμό παραγόντων που σχετίζονται στενότερα με την LS και την IS μεταξύ των φοιτητών οδοντιατρικής.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι το αναπτυγμένο εργαλείο συστάσεων έχει υψηλή ακρίβεια και τέλεια ακρίβεια, υποδεικνύοντας ότι οι εκπαιδευτικοί μπορούν να επωφεληθούν από αυτό το εργαλείο. Χρησιμοποιώντας μια διαδικασία ταξινόμησης που βασίζεται σε δεδομένα, 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 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 Προσωπικής Ιδιοκτησίας (IP) ενός μαθητή και την αντιστοίχισή της με την αντίστοιχη Προσωπική Ιδιοκτησία 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 στους μαθητές εκπαιδευτικού υλικού και μαθησιακών δραστηριοτήτων που ταιριάζουν με την προτιμώμενη μαθησιακή τους εμπειρία μπορεί να βοηθήσει τους μαθητές να ενσωματώσουν, να επεξεργαστούν και να απολαύσουν τη μάθηση με πολλαπλούς 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 των δεδομένων, την προκατάληψη και τη δικαιοσύνη, καθώς και τις επαγγελματικές δεξιότητες και τους πόρους που απαιτούνται για την ανάπτυξη και εφαρμογή αλγορίθμων μηχανικής μάθησης στην οδοντιατρική εκπαίδευση. Ωστόσο, το αυξανόμενο ενδιαφέρον και η έρευνα σε αυτόν τον τομέα υποδηλώνουν ότι οι τεχνολογίες μηχανικής μάθησης μπορεί να έχουν θετικό αντίκτυπο στην οδοντιατρική εκπαίδευση και στις οδοντιατρικές υπηρεσίες.
Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι μισοί από τους φοιτητές οδοντιατρικής έχουν την τάση να «αντιλαμβάνονται» τα φάρμακα. Αυτός ο τύπος μαθητή έχει προτίμηση σε γεγονότα και συγκεκριμένα παραδείγματα, πρακτικό προσανατολισμό, υπομονή για λεπτομέρειες και «οπτική» προτίμηση στις μαθησιακές δυσκολίες, 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 την αξιολόγηση των μαθησιακών δυσκολιών σε φοιτητές οδοντιατρικής και ιατρικής, οι περισσότεροι από τους οποίους έχουν χαρακτηριστικά αντιληπτικής και οπτικής μαθησιακής δυσκολίας [12, 30]. Οι Dalmolin και οι συνεργάτες του υποστηρίζουν ότι η ενημέρωση των φοιτητών σχετικά με τις μαθησιακές δυσκολίες τους τους επιτρέπει να αξιοποιήσουν τις μαθησιακές τους δυνατότητες. Οι ερευνητές υποστηρίζουν ότι όταν οι εκπαιδευτικοί κατανοούν πλήρως την εκπαιδευτική διαδικασία των φοιτητών, μπορούν να εφαρμοστούν διάφορες μέθοδοι και δραστηριότητες διδασκαλίας που θα βελτιώσουν την απόδοση και τη μαθησιακή εμπειρία των φοιτητών [12, 31, 32]. Άλλες μελέτες έχουν δείξει ότι η προσαρμογή των μαθησιακών δυσκολιών των φοιτητών δείχνει επίσης βελτιώσεις στην μαθησιακή εμπειρία και την απόδοση των φοιτητών μετά την αλλαγή των στυλ μάθησης ώστε να ταιριάζουν με τις δικές τους μαθησιακές δυσκολίες [13, 33].
Οι απόψεις των εκπαιδευτικών ενδέχεται να ποικίλλουν 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 υποστήριξης της κοινότητας, άλλοι μπορεί να ανησυχούν για τον χρόνο και την υποστήριξη των ιδρυμάτων. Η επιδίωξη ισορροπίας είναι το κλειδί για τη δημιουργία μιας μαθητοκεντρικής νοοτροπίας. Οι αρχές τριτοβάθμιας εκπαίδευσης, όπως οι διοικητικοί υπάλληλοι των πανεπιστημίων, μπορούν να διαδραματίσουν σημαντικό ρόλο στην προώθηση θετικών αλλαγών εισάγοντας καινοτόμες πρακτικές και υποστηρίζοντας την ανάπτυξη του διδακτικού προσωπικού [34]. Για να δημιουργηθεί ένα πραγματικά δυναμικό και ευέλικτο σύστημα τριτοβάθμιας εκπαίδευσης, οι υπεύθυνοι χάραξης πολιτικής πρέπει να λάβουν τολμηρά βήματα, όπως η πραγματοποίηση αλλαγών πολιτικής, η αφιέρωση πόρων στην ενσωμάτωση της τεχνολογίας και η δημιουργία πλαισίων που προωθούν μαθητοκεντρικές προσεγγίσεις. Αυτά τα μέτρα είναι κρίσιμα για την επίτευξη των επιθυμητών αποτελεσμάτων. Πρόσφατη έρευνα για τη διαφοροποιημένη διδασκαλία έχει δείξει σαφώς ότι η επιτυχής εφαρμογή της διαφοροποιημένης διδασκαλίας απαιτεί συνεχή εκπαίδευση και ευκαιρίες ανάπτυξης για τους εκπαιδευτικούς [35].
Αυτό το εργαλείο παρέχει πολύτιμη υποστήριξη στους εκπαιδευτικούς οδοντιατρικής που επιθυμούν να υιοθετήσουν μια προσέγγιση με επίκεντρο τον μαθητή για τον σχεδιασμό φιλικών προς τον μαθητή μαθησιακών δραστηριοτήτων. Ωστόσο, η παρούσα μελέτη περιορίζεται στη χρήση μοντέλων μηχανικής μάθησης με βάση το δέντρο αποφάσεων. Στο μέλλον, θα πρέπει να συλλεχθούν περισσότερα δεδομένα για να συγκριθεί η απόδοση διαφορετικών μοντέλων μηχανικής μάθησης, ώστε να συγκριθεί η ακρίβεια, η αξιοπιστία και η ακρίβεια των εργαλείων προτάσεων. Επιπλέον, κατά την επιλογή της καταλληλότερης μεθόδου μηχανικής μάθησης για μια συγκεκριμένη εργασία, είναι σημαντικό να ληφθούν υπόψη και άλλοι παράγοντες, όπως η πολυπλοκότητα και η ερμηνεία του μοντέλου.
Ένας περιορισμός αυτής της μελέτης είναι ότι επικεντρώθηκε μόνο στη χαρτογράφηση των LS και IS μεταξύ των φοιτητών οδοντιατρικής. Επομένως, το αναπτυγμένο σύστημα συστάσεων θα προτείνει μόνο εκείνες που είναι κατάλληλες για φοιτητές οδοντιατρικής. Οι αλλαγές είναι απαραίτητες για γενική χρήση από τους φοιτητές τριτοβάθμιας εκπαίδευσης.
Το πρόσφατα αναπτυγμένο εργαλείο συστάσεων που βασίζεται στη μηχανική μάθηση είναι ικανό να ταξινομεί και να αντιστοιχίζει άμεσα το LS των φοιτητών με το αντίστοιχο IS, καθιστώντας το το πρώτο πρόγραμμα οδοντιατρικής εκπαίδευσης που βοηθά τους εκπαιδευτικούς οδοντιάτρων να σχεδιάζουν σχετικές διδακτικές και μαθησιακές δραστηριότητες. Χρησιμοποιώντας μια διαδικασία διαλογής που βασίζεται σε δεδομένα, μπορεί να παρέχει εξατομικευμένες συστάσεις, να εξοικονομεί χρόνο, να βελτιώνει στρατηγικές διδασκαλίας, να υποστηρίζει στοχευμένες παρεμβάσεις και να προωθεί τη συνεχή επαγγελματική ανάπτυξη. Η εφαρμογή του θα προωθήσει προσεγγίσεις στην οδοντιατρική εκπαίδευση με επίκεντρο τον φοιτητή.
Gilak Jani Associated Press. Αντιστοίχιση ή αναντιστοιχία μεταξύ του μαθησιακού στυλ του μαθητή και του διδακτικού στυλ του εκπαιδευτικού. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Ώρα δημοσίευσης: 29 Απριλίου 2024