У високошколским установама, укључујући стоматологију, постоји растућа потреба за учењем усмереним на студента (СЦЛ).Међутим, СЦЛ има ограничену примену у стоматолошком образовању.Стога, ова студија има за циљ да промовише примену СЦЛ у стоматологији коришћењем технологије машинског учења стабла одлучивања (МЛ) за мапирање жељеног стила учења (ЛС) и одговарајућих стратегија учења (ИС) студената стоматологије као корисног алата за развој смерница за ИС. .Обећавајуће методе за студенте стоматологије.
Укупно 255 студената стоматологије са Универзитета у Малаји попунило је модификовани упитник о индексу стилова учења (м-ИЛС), који је садржао 44 ставке како би их класификовали у њихове одговарајуће ЛС.Прикупљени подаци (који се називају скуп података) се користе у контролисаном учењу на стаблу одлучивања како би се стилови учења ученика аутоматски ускладили са најприкладнијим ИС.Затим се процењује тачност алата за препоруку ИС заснованог на машинском учењу.
Примена модела стабла одлучивања у процесу аутоматизованог мапирања између ЛС (улаз) и ИС (циљни излаз) омогућава непосредну листу одговарајућих стратегија учења за сваког студента стоматологије.Алат за препоруке ИС показао је савршену тачност и памћење укупне тачности модела, што указује на то да усклађивање ЛС са ИС има добру осетљивост и специфичност.
Алат за препоруке ИС заснован на стаблу одлучивања о МЛ је доказао своју способност да прецизно усклади стилове учења студената стоматологије са одговарајућим стратегијама учења.Овај алат пружа моћне опције за планирање курсева или модула усмерених на ученика који могу побољшати искуство учења ученика.
Настава и учење су основне активности у образовним институцијама.Приликом развоја висококвалитетног система стручног образовања, важно је фокусирати се на потребе ученика за учењем.Интеракција између ученика и њиховог окружења за учење може се одредити кроз њихов ЛС.Истраживања сугеришу да неусклађеност наставника између ЛС и ИС ученика може имати негативне последице по учење ученика, као што су смањена пажња и мотивација.То ће индиректно утицати на учинак ученика [1,2].
ИС је метод који наставници користе за преношење знања и вештина ученицима, укључујући и помоћ ученицима да уче [3].Уопштено говорећи, добри наставници планирају наставне стратегије или ИС које најбоље одговарају нивоу знања њихових ученика, концептима које уче и њиховој фази учења.Теоретски, када се ЛС и ИС подударају, ученици ће моћи да организују и користе одређени скуп вештина за ефикасно учење.Типично, план лекције укључује неколико прелаза између фаза, као што је од подучавања до вођене вежбе или од вођене праксе до самосталног вежбања.Имајући ово на уму, ефективни наставници често планирају наставу са циљем да изграде знања и вештине ученика [4].
Потражња за СЦЛ расте у високошколским установама, укључујући и стоматологију.СЦЛ стратегије су дизајниране да задовоље потребе ученика за учењем.Ово се може постићи, на пример, ако ученици активно учествују у активностима учења, а наставници буду фасилитатори и одговорни су за пружање вредних повратних информација.Речено је да обезбеђивање материјала за учење и активности који одговарају образовном нивоу или преференцијама ученика може побољшати окружење за учење ученика и промовисати позитивна искуства учења [5].
Уопштено говорећи, на процес учења студената стоматологије утичу различите клиничке процедуре које су обавезне да изведу и клиничко окружење у којем развијају ефикасне интерперсоналне вештине.Сврха обуке је да оспособи студенте да комбинују основна знања из стоматологије са стоматолошким клиничким вештинама и примене стечена знања у новим клиничким ситуацијама [6, 7].Рано истраживање односа између ЛС и ИС открило је да би прилагођавање стратегија учења мапираних на преферирани ЛС помогло у побољшању образовног процеса [8].Аутори такође препоручују коришћење различитих метода наставе и оцењивања како би се прилагодили учењу и потребама ученика.
Наставници имају користи од примене знања ЛС како би им помогли да осмисле, развију и имплементирају инструкције које ће побољшати стицање дубљег знања и разумевања предмета од стране ученика.Истраживачи су развили неколико алата за процену ЛС, као што су Колбов модел искуственог учења, Фелдер-Силверман модел стила учења (ФСЛСМ) и Флемингов ВАК/ВАРК модел [5, 9, 10].Према литератури, ови модели учења су најчешће коришћени и највише проучавани модели учења.У тренутном истраживачком раду, ФСЛСМ се користи за процену ЛС међу студентима стоматологије.
ФСЛСМ је широко коришћен модел за процену адаптивног учења у инжењерству.Постоји много објављених радова у здравственим наукама (укључујући медицину, сестринство, фармацију и стоматологију) који се могу наћи помоћу ФСЛСМ модела [5, 11, 12, 13].Инструмент који се користи за мерење димензија ЛС у ФЛСМ назива се Индекс стилова учења (ИЛС) [8], који садржи 44 ставке које процењују четири димензије ЛС: процесирање (активно/рефлективно), перцепција (перцептивна/интуитивна), унос (визуелни)./вербално) и разумевање (секвенцијално/глобално) [14].
Као што је приказано на слици 1, свака ФСЛСМ димензија има доминантну предност.На пример, у димензији обраде, ученици са „активним“ ЛС преферирају да обрађују информације директном интеракцијом са материјалима за учење, уче радећи и имају тенденцију да уче у групама.„Рефлективни“ ЛС се односи на учење кроз размишљање и радије ради сам.Димензија „перцепције“ ЛС-а може се поделити на „осећај“ и/или „интуицију“.Студенти који се осећају више воле конкретније информације и практичне процедуре, оријентисани су на чињенице у поређењу са „интуитивним“ студентима који преферирају апстрактни материјал и иновативнији су и креативнији по природи.Димензија „улаза“ ЛС састоји се од „визуелних“ и „вербалних“ ученика.Људи са „визуелним“ ЛС више воле да уче путем визуелних демонстрација (као што су дијаграми, видео снимци или демонстрације уживо), док људи са „вербалним“ ЛС више воле да уче путем речи у писаним или усменим објашњењима.Да би „разумели“ ЛС димензије, такви ученици се могу поделити на „секвенцијалне“ и „глобалне“.„Ученици који уче у секвенци преферирају линеарни мисаони процес и уче корак по корак, док глобални ученици имају тенденцију да имају холистички мисаони процес и увек боље разумеју оно што уче.
Недавно су многи истраживачи почели да истражују методе за аутоматско откривање засновано на подацима, укључујући развој нових алгоритама и модела способних да тумаче велике количине података [15, 16].На основу достављених података, надгледано МЛ (машинско учење) је у стању да генерише обрасце и хипотезе које предвиђају будуће резултате на основу конструкције алгоритама [17].Једноставно речено, надгледане технике машинског учења манипулишу улазним подацима и обучавају алгоритме.Затим генерише опсег који класификује или предвиђа исход на основу сличних ситуација за дате улазне податке.Главна предност надзираних алгоритама машинског учења је његова способност успостављања идеалних и жељених резултата [17].
Коришћењем метода вођених подацима и модела управљања стаблом одлучивања, могућа је аутоматска детекција ЛС.Пријављено је да се стабла одлучивања широко користе у програмима обуке у различитим областима, укључујући здравствене науке [18, 19].У овој студији, модел је посебно обучен од стране програмера система да идентификује ЛС ученика и препоручи најбољи ИС за њих.
Сврха ове студије је да се развију стратегије за испоруку ИС засноване на ЛС ученика и примени СЦЛ приступ развијањем алата за препоруке ИС мапираног на ЛС.Ток пројектовања алата за препоруку ИС као стратегије СЦЛ методе приказан је на слици 1. Алат за препоруке ИС подељен је на два дела, укључујући механизам ЛС класификације користећи ИЛС и најприкладнији ИС приказ за студенте.
Посебно, карактеристике алата за препоруке за безбедност информација укључују употребу веб технологија и коришћење машинског учења стабла одлучивања.Програмери система побољшавају корисничко искуство и мобилност прилагођавајући их мобилним уређајима као што су мобилни телефони и таблети.
Експеримент је спроведен у две етапе и студенти са Стоматолошког факултета Универзитета у Малаји учествовали су на добровољној бази.Учесници су одговорили на онлајн м-ИЛС студента стоматологије на енглеском.У почетној фази, скуп података од 50 ученика је коришћен за обуку алгоритма машинског учења стабла одлучивања.У другој фази процеса развоја коришћен је скуп података од 255 ученика за побољшање тачности развијеног инструмента.
Сви учесници добијају онлајн брифинг на почетку сваке фазе, у зависности од академске године, преко Мицрософт тимова.Објашњена је сврха студије и добијен је информисани пристанак.Сви учесници су добили линк за приступ м-ИЛС-у.Сваки ученик је добио инструкције да одговори на све 44 ставке упитника.Дато им је недељу дана да заврше модификовани ИЛС у време и на локацији која им одговара током семестралне паузе пре почетка семестра.м-ИЛС је заснован на оригиналном ИЛС инструменту и модификован за студенте стоматологије.Слично оригиналном ИЛС-у, садржи 44 равномерно распоређене ставке (а, б), са по 11 ставки које се користе за процену аспеката сваке ФСЛСМ димензије.
Током почетних фаза развоја алата, истраживачи су ручно означили мапе користећи скуп података од 50 студената стоматологије.Према ФСЛМ-у, систем даје збир одговора „а“ и „б“.За сваку димензију, ако ученик изабере „а“ као одговор, ЛС се класификује као активна/перцептуална/визуелна/секвенцијална, а ако ученик изабере „б“ као одговор, ученик је класификован као рефлексивни/интуитивни/лингвистички ./ глобални ученик.
Након калибрације тока рада између истраживача стоматолошког образовања и програмера система, питања су одабрана на основу ФЛССМ домена и унета у МЛ модел да би се предвидео ЛС сваког ученика.„Смеће унутра, смеће напоље“ је популарна изрека у области машинског учења, са нагласком на квалитет података.Квалитет улазних података одређује прецизност и тачност модела машинског учења.Током фазе инжењеринга карактеристика, креира се нови скуп карактеристика који је збир одговора „а“ и „б“ на основу ФЛССМ-а.Идентификациони бројеви позиција лека дати су у табели 1.
Израчунајте резултат на основу одговора и одредите ЛС ученика.За сваког ученика, распон бодова је од 1 до 11. Бодови од 1 до 3 указују на равнотежу преференција учења у оквиру исте димензије, а резултати од 5 до 7 указују на умерену склоност, што указује на то да ученици преферирају једно окружење које подучава друге .Друга варијација на истој димензији је да резултати од 9 до 11 одражавају снажну склоност ка једном или другом крају [8].
За сваку димензију, лекови су груписани у „активне“, „рефлексивне“ и „уравнотежене“.На пример, када ученик одговори на „а“ чешће од „б“ на одређеном предмету и његов/њен резултат премашује праг од 5 за одређену ставку која представља димензију Процессинг ЛС, он/она припада „активном“ ЛС домена..Међутим, ученици су класификовани као „рефлективни“ ЛС када су изабрали „б“ више од „а“ у конкретних 11 питања (Табела 1) и постигли више од 5 поена.Коначно, ученик је у стању „равнотеже“.Ако резултат не прелази 5 поена, онда је ово ЛС „процес“.Процес класификације је поновљен за остале ЛС димензије, односно перцепцију (активно/рефлективно), унос (визуелно/вербално) и разумевање (секвенцијално/глобално).
Модели стабла одлучивања могу користити различите подскупове карактеристика и правила одлучивања у различитим фазама процеса класификације.Сматра се популарним алатом за класификацију и предвиђање.Може се представити коришћењем структуре стабла као што је дијаграм тока [20], у коме постоје унутрашњи чворови који представљају тестове по атрибуту, свака грана представља резултате теста, а сваки листни чвор (лисни чвор) садржи ознаку класе.
Једноставан програм заснован на правилима креиран је да аутоматски оцењује и бележи ЛС сваког ученика на основу њихових одговора.Засновано на правилу има облик ИФ изјаве, где „ИФ“ описује окидач, а „ТХЕН“ специфицира радњу која треба да се изврши, на пример: „Ако се деси Кс, уради И“ (Лиу ет ал., 2014).Ако скуп података показује корелацију и модел стабла одлука је правилно обучен и процењен, овај приступ може бити ефикасан начин за аутоматизацију процеса упаривања ЛС и ИС.
У другој фази развоја, скуп података је повећан на 255 да би се побољшала тачност алата за препоруке.Скуп података је подељен у односу 1:4.25% (64) скупа података је коришћено за тест скуп, а преосталих 75% (191) је коришћено као скуп за обуку (Слика 2).Скуп података треба да се подели како би се спречило да се модел обучи и тестира на истом скупу података, што би могло довести до тога да модел памти уместо да учи.Модел се обучава на скупу за обуку и процењује своје перформансе на скупу за тестирање—подаци које модел никада раније није видео.
Када се ИС алат развије, апликација ће моћи да класификује ЛС на основу одговора студената стоматологије путем веб интерфејса.Систем алата за препоруке за безбедност информација заснован на вебу је изграђен коришћењем програмског језика Питхон користећи Дјанго оквир као позадину.У табели 2 наведене су библиотеке коришћене у развоју овог система.
Скуп података се уноси у модел стабла одлучивања како би се израчунали и издвојили одговори ученика да би се аутоматски класификовала мерења ученика ЛС.
Матрица конфузије се користи за процену тачности алгоритма машинског учења стабла одлука на датом скупу података.Истовремено, оцењује перформансе модела класификације.Он сумира предвиђања модела и упоређује их са стварним ознакама података.Резултати евалуације су засновани на четири различите вредности: истинито позитивно (ТП) – модел је тачно предвидео позитивну категорију, лажно позитиван (ФП) – модел је предвидео позитивну категорију, али је права ознака била негативна, истинито негативна (ТН) – модел је тачно предвидео негативну класу, а лажно негативан (ФН) – Модел предвиђа негативну класу, али је права ознака позитивна.
Ове вредности се затим користе за израчунавање различитих метрика перформанси сцикит-леарн модела класификације у Питхон-у, наиме прецизност, прецизност, опозив и Ф1 резултат.Ево примера:
Подсећање (или осетљивост) мери способност модела да прецизно класификује учеников ЛС након одговарања на м-ИЛС упитник.
Специфичност се назива истинска негативна стопа.Као што можете видети из горње формуле, ово би требало да буде однос правих негативних (ТН) и истинитих негативних и лажних позитивних (ФП).Као део препорученог алата за класификацију студентских дрога, требало би да буде способан за тачну идентификацију.
Оригинални скуп података од 50 ученика који је коришћен за обуку МЛ модела стабла одлучивања показао је релативно ниску тачност због људске грешке у напоменама (Табела 3).Након креирања једноставног програма заснованог на правилима за аутоматско израчунавање ЛС резултата и белешки ученика, све већи број скупова података (255) је коришћен за обуку и тестирање система препорука.
У вишекласној матрици конфузије, дијагонални елементи представљају број тачних предвиђања за сваки ЛС тип (слика 4).Користећи модел стабла одлучивања, тачно је предвиђено укупно 64 узорка.Дакле, у овој студији, дијагонални елементи показују очекиване резултате, што указује да модел ради добро и да тачно предвиђа ознаку класе за сваку ЛС класификацију.Дакле, укупна тачност алата за препоруке је 100%.
Вредности тачности, прецизности, присећања и Ф1 резултата су приказане на слици 5. За систем препорука који користи модел стабла одлучивања, његов Ф1 резултат је 1,0 „савршено“, што указује на савршену прецизност и присећање, што одражава значајну осетљивост и специфичност вредности.
Слика 6 приказује визуелизацију модела стабла одлука након завршетка обуке и тестирања.Упоредном поређењу, модел стабла одлука обучен са мање карактеристика показао је већу тачност и лакшу визуелизацију модела.Ово показује да је инжењеринг карактеристика који доводи до смањења карактеристика важан корак у побољшању перформанси модела.
Применом учења под надзором стабла одлучивања, мапирање између ЛС (улаз) и ИС (циљни излаз) се аутоматски генерише и садржи детаљне информације за сваки ЛС.
Резултати су показали да је 34,9% од 255 ученика преферирало једну (1) опцију ЛС.Већина (54,3%) је имала два или више преференција ЛС.12,2% ученика је навело да је ЛС прилично уравнотежен (Табела 4).Поред осам главних ЛС, постоје 34 комбинације ЛС класификација за студенте стоматологије Универзитета у Малаји.Међу њима, перцепција, визија и комбинација перцепције и визије су главни ЛС који су пријавили ученици (Слика 7).
Као што се види из табеле 4, већина ученика је имала преовлађујући сензорни (13,7%) или визуелни (8,6%) ЛС.Пријављено је да је 12,2% ученика комбиновало перцепцију са видом (перцептуално-визуелни ЛС).Ови налази сугеришу да ученици више воле да уче и памте путем утврђених метода, да прате специфичне и детаљне процедуре и да су пажљиви по природи.Истовремено, уживају у учењу гледајући (користећи дијаграме, итд.) и имају тенденцију да дискутују и примењују информације у групама или самостално.
Ова студија пружа преглед техника машинског учења које се користе у рударењу података, са фокусом на тренутно и тачно предвиђање ЛС ученика и препоруку одговарајућег ИС.Применом модела стабла одлучивања идентификовани су фактори који су најближи њиховим животним и образовним искуствима.То је надгледани алгоритам машинског учења који користи структуру стабла за класификацију података дељењем скупа података у поткатегорије на основу одређених критеријума.Функционише рекурзивно дељењем улазних података на подскупове на основу вредности једне од улазних карактеристика сваког унутрашњег чвора све док се не донесе одлука на лисном чвору.
Унутрашњи чворови стабла одлучивања представљају решење засновано на улазним карактеристикама м-ИЛС проблема, а лисни чворови представљају коначно предвиђање ЛС класификације.Током читаве студије, лако је разумети хијерархију стабала одлучивања која објашњавају и визуелизују процес одлучивања посматрајући однос између улазних карактеристика и излазних предвиђања.
У областима рачунарских наука и инжењерства, алгоритми машинског учења се широко користе за предвиђање учинка ученика на основу њихових резултата на пријемним испитима [21], демографских информација и понашања у учењу [22].Истраживања су показала да је алгоритам тачно предвидео учинак ученика и помогао им да идентификују ученике у ризику од академских потешкоћа.
Приказана је примена МЛ алгоритама у развоју виртуелних симулатора пацијената за обуку стоматолога.Симулатор је способан да прецизно репродукује физиолошке одговоре стварних пацијената и може се користити за обуку студената стоматологије у безбедном и контролисаном окружењу [23].Неколико других студија показује да алгоритми машинског учења могу потенцијално да побољшају квалитет и ефикасност стоматолошког и медицинског образовања и неге пацијената.Алгоритми машинског учења су коришћени да помогну у дијагнози зубних болести на основу скупова података као што су симптоми и карактеристике пацијената [24, 25].Док су друге студије истраживале употребу алгоритама машинског учења за обављање задатака као што су предвиђање исхода пацијената, идентификација пацијената са високим ризиком, развој персонализованих планова лечења [26], пародонтолошки третман [27] и лечење каријеса [25].
Иако су објављени извештаји о примени машинског учења у стоматологији, његова примена у стоматолошком образовању остаје ограничена.Стога је ова студија имала за циљ да користи модел стабла одлучивања за идентификацију фактора који су најближи повезани са ЛС и ИС међу студентима стоматологије.
Резултати ове студије показују да развијени алат за препоруке има високу тачност и савршену тачност, што указује да наставници могу имати користи од овог алата.Користећи процес класификације заснован на подацима, може да пружи персонализоване препоруке и побољша образовна искуства и исходе за наставнике и ученике.Међу њима, информације добијене помоћу алата за препоруке могу да реше конфликте између преферираних метода наставе од стране наставника и потреба ученика за учењем.На пример, због аутоматизованог излаза алата за препоруке, време потребно за идентификацију ИП адресе ученика и њено упаривање са одговарајућом ИП ће бити значајно смањено.На овај начин могу се организовати одговарајуће активности обуке и материјали за обуку.Ово помаже у развоју позитивног понашања ученика у учењу и способности да се концентришу.Једна студија је известила да обезбеђивање материјала за учење и активности учења који одговарају њиховом жељеном ЛС може помоћи ученицима да се интегришу, процесуирају и уживају у учењу на више начина како би постигли већи потенцијал [12].Истраживања такође показују да поред побољшања учешћа ученика у учионици, разумевање процеса учења ученика такође игра кључну улогу у побољшању наставних пракси и комуникације са ученицима [28, 29].
Међутим, као и код сваке модерне технологије, постоје проблеми и ограничења.Ово укључује питања која се односе на приватност података, пристрасност и правичност, као и професионалне вештине и ресурсе потребне за развој и имплементацију алгоритама машинског учења у стоматолошком образовању;Међутим, растуће интересовање и истраживања у овој области сугеришу да технологије машинског учења могу имати позитиван утицај на стоматолошко образовање и стоматолошке услуге.
Резултати ове студије показују да половина студената стоматологије има склоност да „перципира” лекове.Овај тип ученика преферира чињенице и конкретне примере, практичну оријентацију, стрпљење за детаље и „визуелну“ ЛС преференцију, где ученици више воле да користе слике, графике, боје и мапе за преношење идеја и мисли.Садашњи резултати су у складу са другим студијама које користе ИЛС за процену ЛС код студената стоматологије и медицине, од којих већина има карактеристике перцептивног и визуелног ЛС [12, 30].Далмолин и сарадници сугеришу да им информисање ученика о њиховом ЛС омогућава да достигну свој потенцијал учења.Истраживачи тврде да када наставници у потпуности разумеју образовни процес ученика, могу се применити различите наставне методе и активности које ће побољшати учинак ученика и искуство учења [12, 31, 32].Друге студије су показале да прилагођавање ЛС ученика такође показује побољшања у искуству учења и перформансама ученика након промене стилова учења како би одговарали њиховом сопственом ЛС [13, 33].
Мишљења наставника могу да варирају у вези са применом наставних стратегија на основу способности ученика за учење.Док неки виде предности овог приступа, укључујући могућности професионалног развоја, менторство и подршку заједнице, други могу бити забринути због времена и институционалне подршке.Тежња ка равнотежи кључна је за стварање става усредсређеног на студента.Високошколске власти, као што су администратори универзитета, могу играти важну улогу у покретању позитивних промена увођењем иновативних пракси и подржавањем развоја факултета [34].Да би створили истински динамичан и прилагодљив систем високог образовања, креатори политике морају предузети храбре кораке, као што су промене политике, издвајање ресурса за интеграцију технологије и стварање оквира који промовишу приступе усмерене на студенте.Ове мере су кључне за постизање жељених резултата.Недавна истраживања о диференцираној настави су јасно показала да успешна примена диференциране наставе захтева сталну обуку и могућности за развој наставника [35].
Овај алат пружа драгоцену подршку стоматолошким едукаторима који желе да заузму приступ усмерен на студента у планирању активности учења прилагођених ученицима.Међутим, ова студија је ограничена на употребу МЛ модела стабла одлучивања.У будућности би требало прикупити више података како би се упоредиле перформансе различитих модела машинског учења како би се упоредила тачност, поузданост и прецизност алата за препоруке.Поред тога, када се бира најприкладнији метод машинског учења за одређени задатак, важно је узети у обзир друге факторе као што су сложеност модела и интерпретација.
Ограничење ове студије је то што се фокусирала само на мапирање ЛС и ИС међу студентима стоматологије.Стога ће развијени систем препорука препоручити само оне које су погодне за студенте стоматологије.Промене су неопходне за опште коришћење студената високог образовања.
Новоразвијена алатка за препоруке заснована на машинском учењу је способна да тренутно класификује и усклади ЛС ученика са одговарајућим ИС, што га чини првим програмом стоматолошког образовања који помаже стоматолошким едукаторима да планирају релевантне активности наставе и учења.Користећи процес тријаже заснован на подацима, може да пружи персонализоване препоруке, уштеди време, побољша наставне стратегије, подржи циљане интервенције и промовише стални професионални развој.Његова примена ће промовисати приступе стоматолошком образовању усмерене на студенте.
Гилак Јани Ассоциатед Пресс.Подударање или неусклађеност између стила учења ученика и стила подучавања наставника.Инт Ј Мод Едуц Цомпутер Сциенце.2012;4(11):51–60.хттпс://дои.орг/10.5815/ијмецс.2012.11.05
Време поста: 29.04.2024