Постоји растућа потреба за учењу усмереним на ученике (СЦЛ) у високошколским установама, укључујући стоматологију. Међутим, СЦЛ има ограничену примену у зубном образовању. Стога ова студија има за циљ да промовише примену СЦЛ-а у стоматологији коришћењем технологије у учењу (мл) технологије за учење (МЛ) да бисте преферирани стил учења (ЛС) и одговарајуће стратегије учења (је) стоматолошких студената као корисно средство за развој је смернице . Обећавајуће методе за стоматолошке студенте.
Укупно 255 стоматолошких студената са Универзитета у Малаји завршило је модификовани индекс упитника учења (М-ИЛС) упитника, који је садржавао 44 предмета како би их класификовало у њихов ЛСС. Прикупљени подаци (који се називају датасет) користе у надзору учешће стабла за одлуке да се аутоматски подударају са стиловима учења ученика на најприкладније је. Тактичности алата заснованог на машини је алат за препоруке.
Примена модела стабала стабала одлука у аутоматизованом процесу мапирања између ЛС (уноса) и је (циљни излаз) омогућава непосредну листу одговарајућих стратегија учења сваког стоматолошког ученика. Алат за препоруке је показало савршену тачност и опозив укупне тачности модела, што указује да је подударање ЛС-а има добру осетљивост и специфичност.
Алат за препоруке засновано на мл Дрво одлуке доказало је своју способност да се тачно подударају са стиловима учења зуба са одговарајућим стратегијама учења. Овај алат пружа моћне опције за планирање курсева или модула усредсређених на ученике који могу побољшати искуство учења ученика.
Настава и учење су основне активности у образовним установама. Приликом развоја висококвалитетног система стручног образовања, важно је да се фокусира на потребе учења ученика. Интеракција између ученика и њиховог окружења учења могу се одредити кроз њихов ЛС. Истраживање сугерира да се неусклађене неусклађености наставника између ученика и да могу имати негативне последице за ученичко учење, попут смањене пажње и мотивације. Ово ће индиректно утицати на перформансе ученика [1,2].
Је да је метода коју наставници које наставници користе како би пренели знање и вештине студентима, укључујући помагање ученицима да уче [3]. Генерално гледано, добри учитељи планирају наставне стратегије или је да најбоље одговарају нивоу свог ученика, концепти које уче и њихова фаза учења. Теоретски, када је ЛС и да је утакмица, студенти ће моћи да организују и користе одређени скуп вештина да ефикасно уче. Типично, план лекције укључује неколико прелаза између фаза, као што је од наставе до вођене праксе или од вођене праксе на независној пракси. Имајући то у виду, ефикасни наставници често планирају инструкције са циљем изградње знања и вештина ученика [4].
Потражња за СЦЛ-ом расте у високошколским установама, укључујући стоматологију. СЦЛ стратегије дизајниране су да задовоље потребе учења ученика. То се може постићи, на пример, ако ученици активно учествују у активностима учења и наставника делују као фацилитатори и одговорни су за пружање драгоцених повратних информација. Каже се да пружање материјала за учење и активности које су примјерене образовном нивоу или подешавањима ученика могу побољшати окружење учења ученика и промовисати позитивне искуства учења [5].
Генерално гледано, на процес учења студената на који се налазе различити клинички поступци које су потребни за обављање и клиничко окружење у којем развијају ефикасне међуљудске вештине. Сврха обуке је омогућити студентима да комбинују основно знање стоматологије са стоматолошким клиничким вештинама и примене стечено знање новим клиничким ситуацијама [6, 7]. Рано истраживање односа између ЛС-а и открива се да би прилагођавање стратегија учења пресликано на пожељни ЛС помогло да побољшају образовни процес [8]. Аутори такође препоручују употребу различитих метода наставе и процене да се прилагоде учењу и потребама ученика.
Наставници имају користи од примене ЛС знања како би им помогли да дизајнирају, развију и спроведу упутства која ће побољшати стицање ученика у дубљем знању и разумевању предмета. Истраживачи су развили неколико Алата за оцењивање ЛС, као што су модел Експеризуалног учења Колб, модел ФЕЛДЕР-СИЛВЕРМАН у учењу (ФСЛСМ) и Флеминг Вак / ВАК / ВАКС модел [5, 9, 10]. Према литератури, ови модели учења су најчешће коришћени и најчешће проучавани модели учења. У тренутном истраживачком раду ФСЛСМ се користи за процену ЛС међу стоматолошким студентима.
ФСЛСМ је широко кориштен модел за процену адаптивне учење у инжењерству. Много је објављених радова у здравственим наукама (укључујући медицину, негу, фармацију и стоматологију) који се могу наћи помоћу ФСЛСМ модела [5, 11, 12, 13]. Инструмент који се користи за мерење димензија ЛС у ФЛСМ-у назива се индекс стилова учења (ИЛС) [8], који садржи 44 ставке процене четири димензије ЛС-а: прераде (активне / рефлективне), перцепције (перцептивно / интуитивно), унос (визуелно). / вербално) и разумевање (секвенцијално / глобално) [14].
Као што је приказано на слици 1, свака ФСЛСМ димензија има доминантну склоност. На пример, у димензији прераде, студенти са "активним" ЛС преферирају информације директно у интеракцији са материјалима за учење, учењем радећи и имају тенденцију да уче у групама. "Рефлективни" се односи на учење кроз размишљање и преферира да ради сам. "Перцебит" димензија ЛС-а може се поделити у "осећај" и / или "интуицију". "Осећај" ученике преферирају конкретније информативне и практичне поступке, су оријентисане на чињенице у поређењу са "интуитивним" ученицима који преферирају апстрактни материјал и иновативнији су у природи иновативнији и ствараличнији. Димензија "уноса" ЛС састоји се од "визуелних" и "вербалних" ученика. Људи са "визуелним" ЛС радије сазнају кроз визуелне демонстрације (као што су дијаграми, видео снимци или демонстрацијама уживо), док људи са "вербалним" више воле да уче путем речи у писаним или усменим објашњењима. Да би "разумели" ЛС димензије, такви ученици могу се поделити у "секвенцијално" и "глобално". "Сексентни ученици више воле линеарни мисаони процес и учити корак по корак, док глобални ученици имају холистички процес мисли и увек имају боље разумевање онога што уче.
Недавно су многи истраживачи почели да истражују поступке за аутоматско откривање подругљивог података, укључујући развој нових алгоритама и модела који могу да тумаче велике количине података [15, 16]. На основу обезбеђених података, под надзором МЛ (машинско учење) је у стању да генерише обрасце и хипотезе који предвиђају будуће резултате на основу изградње алгоритама [17]. Једноставно речено, надгледане технике учења машина манипулишу улазним подацима и железничким алгоритама. Затим генерише опсег који класификује или предвиђа исход заснован на сличним ситуацијама за обезбеђене улазне податке. Главна предност алгоритма у учењу машина је његова способност успостављања идеалних и жељених резултата [17].
Коришћењем метода погонских података и модела управљања стаблом од одлука је могуће аутоматско откривање ЛС-а. Извештава се да се стабла одлучивања широко користи у програмима обуке у различитим областима, укључујући здравствене науке [18, 19]. У овој студији, модел је посебно тренирао програмери система како би идентификовали ученике и препоручили најбоље је за њих.
Сврха ове студије је развоја је стратегије испоруке засноване на ученицима ЛС и примењивање СЦЛ приступ развојем алата за препоручење је пресликано на ЛС. Проток дизајна је алатка за препоруке као стратегија СЦЛ методе приказана је на слици 1. Алат за препоруке је подељен на два дела, укључујући механизам класификације ЛС користећи ИЛС и најприкладнији је приказ за студенте.
Конкретно, карактеристике алата за безбедносну препоруку информација укључују употребу веб технологија и употребу учење машина за стабло од одлука. Програмери система побољшавају корисничко искуство и мобилност прилагођавањем их на мобилне уређаје као што су мобилни телефони и таблете.
Експеримент је изведен у две фазе и студенти на Стоматолошко-уједном факултету на Универзитету у Малаји учествовао је на добровољној основи. Учесници су одговорили на мрежи зубних студената М-ИЛС на енглеском језику. У почетној фази је коришћен скуп 50 студената за обуку алгоритама учења дрвета стабла одлука. У другој фази развоја процеса, датаСет од 255 студената коришћен је за побољшање тачности развијеног инструмента.
Сви учесници добијају интернет брифинг на почетку сваке фазе, у зависности од академске године, преко Мицрософт тимова. Објашњена је сврха студије и добијена је информисана сагласност. Сви учесници су добили везу за приступ М-ИЛС-у. Сваки студент је упућен да одговори на свих 44 предмета на упитнику. Дали су им недељу дана да заврше модификоване ИЛС у време и локацији која им је прикладно током семестра пре почетка семестра. М-ИЛС се заснива на оригиналном ИЛС инструменту и модификовано за стоматолошке студенте. Слично као и оригиналне ИЛС, садржи 44 равномерно дистрибуиране ставке (А, Б), са 11 предмета, који се користе за процену аспеката сваке фслсм димензије.
Током почетних фаза развоја алата, истраживачи су ручно назначили мапе користећи скупови података од 50 стоматолошких ученика. Према ФСЛМ-у, систем пружа суму одговора "А" и "Б". За сваку димензију, ако студент одабере "А" као одговор, ЛС је класификовано као активно / перцептивно / визуелно / секвенцијално, а ако ученик одабере "Б" као одговор, студент је класификован као рефлектиран / интуитиван / језички . / Глобални ученик.
Након калибрације радног тока између истраживача стоматолошког образовања и програмера система одабрана су питања на основу ФЛССМ домена и нахранила се у МЛ модел да би се предвидио сваки студентски ЛС. "Гарбаге Ин, смеће" је популарна изрека у области машинског учења, са нагласком на квалитет података. Квалитет улазних података одређује прецизност и тачност модела учења машине. Током фазе у функцији, створен је нови скуп функција који је збир одговора "А" и "Б" на основу ФЛССМ-а. Идентификациони бројеви положаја лекова дате су у Табели 1.
Израчунајте резултат на основу одговора и одредите ученике ЛС. За сваког ученика, опсег резултата је од 1 до 11. Резултати од 1 до 3 указују на равнотежу склоности учења у истој димензији и оцене од 5 до 7 указују на умерену склоност, што указује да ученици имају тенденцију да преферирају једно окружење . Још једна варијација истом димензијом је да резултати од 9 до 11 одражавају снажну склоност за један крај или други [8].
За сваку димензију, лекови су групирани у "активне", "рефлектирајуће" и "уравнотежене". На пример, када студент одговори "" чешће од "Б" на одређеној ставци и његова и његова оцена прелази праг од 5 за одређену ставку која представља прераду Димензију, он и она припада "активном" ЛС-у " Домена. . Међутим, студенти су класификовани као "рефлектирајуће" ЛС када су изабрали "Б" више од "А" у одређеној 11 питања (Табела 1) и постигао је више од 5 бодова. Коначно, студент је у стању "равнотеже". Ако резултат не пређе 5 бодова, онда је то "процес" ЛС. Процес класификације је поновљен за остале димензије ЛС, наиме перцепције (активно / рефлективно), улаз (визуелни / вербални) и разумевање (секвенцијално / глобално).
Модели стабла одлука могу користити различите подскупове карактеристика и правила о одлуци у различитим фазама процеса класификације. Сматра се популарним алатом за класификацију и предвиђање. Може се представити помоћу структуре стабла попут тока [20], у којем постоје унутрашњи чворови који представљају тестове атрибутом, свака филијала која представља резултате испитивања и сваки чвор листа (чвор листа (чвор лист (чвор листа) који садржи класе.
Једноставан програм заснован на правилу створен је да аутоматски постигне оцену и напомене сваке ученике је на основу њихових одговора. Правило засновано је у облику изјаве и ако је "ако" описује окидач и "онда" одређује радњу која ће се извршити, на пример: "Ако се Кс деси, онда да урадите и" (Лиу ет ал., 2014). Ако се подаци поставља корелацију и модел стабла одлука је правилно обучен и процењен, овај приступ може бити ефикасан начин за аутоматизацију процеса подударања ЛС и је.
У другој фази развоја, скуп сета је повећан на 255 како би се побољшала тачност алата за препоруке. Скуп података је подељен у односу 1: 4. 25% (64) скупа података коришћен је за тестни сет, а преосталих 75% (191) коришћено је као сет за обуку (Слика 2). Постављање података треба поделити како би се спречило да се модел обучи и тестира на истом скупу података, што би могао да узрокује да се модел памти, а не да се сазнаје. Модел је обучен на постављену обуку и оцењује своје перформансе на подацима теста, модел никада раније није видео.
Једном када је алат за развијање алата, апликација ће моћи да класификује ЛС на основу одговора стоматолошких ученика путем веб интерфејса. Систем алата за безбедност на мрежи заснован на мрежи саграђен је систем програмирања Питхон-а користећи Оквир Дјанго као Бацкенд. Табела 2 наводи библиотеке које се користе у развоју овог система.
ДатаСет је нахрањен на модел стабла одлука за израчунавање и извлачење одговора ученика да би се аутоматски класификовало да студент ЛС мерења.
Закључна матрица користи се за процену тачности алгоритама за учење о учењу стабала одлука на датом скупу података. Истовремено, она оцењује перформансе модела класификације. Резимира је предвиђање модела и упоређује их са стварним налепницама података. Резултати евалуације заснивају се на четири различите вредности: Труе позитивно (ТП) - Производно је предвидио позитивну категорију, лажно позитивно (ФП) - Модел је предвидио позитивну категорију, али истинска етикета је била негативна, али права на етикету (ТН) - Модел је правилно предвидио негативну класу и лажно негативно (ФН) - модел предвиђа негативан клас, али истинска етикета је позитивна.
Ове вредности се затим користе за израчунавање различитих метрика перформанси модела класификације Сцикит-уче у Питхон-у, наиме прецизности, прецизности, опозива и Ф1 резултата. Ево примера:
Подсећање (или осетљивост) мери способност модела да тачно класификује студентску ЛС након што одговори на М-ИЛС упитник.
Специфичност се назива права негативна стопа. Као што видите из горе наведене формуле, то би требало бити однос истинских негатива (ТН) истинским негативима и лажним позитивима (ФП). Као део препорученог алата за класификацију студентских лекова, то би требало да буде способно да је тачна идентификација.
Оригинални скуп 50 студената који се користио за тренирање модела стабла одлука је показао релативно ниску тачност због људске грешке у напоменама (Табела 3). Након креирања једноставног програма заснованог на правилу да би се аутоматски израчунало оцене ЛС резултата и напомена ученика, све већи број скупова података (255) коришћен је за обуку и тестирање препоручачког система.
У матрици за конфузију вишекраде дијагонални елементи представљају број исправних предвиђања за сваки ЛС тип (слика 4). Користећи модел стабла за одлуке, укупно је тачно предвиђено 64 узорака. Дакле, у овој студији, дијагонални елементи показују очекиване резултате, што указује да модел добро обавља и тачно предвиђа налепницу класе за сваку ЛС класификацију. Дакле, укупна тачност алата за препоруке је 100%.
Вриједности тачности, прецизности, опозива и Ф1 резултата приказани су на слици 5. За систем препоруке користећи модел стабла одлука, његов Ф1 резултат је 1,0 "савршено", што указује на савршену прецизност и опозив, одражавајући значајну осетљивост и специфичност Вредности.
Слика 6 приказује визуализацију модела стабла одлука након завршетка обуке и тестирања. У упоређивању упоредног упозорења, модел стабла за одлучивање обучен са мање функција показао је већу тачност и лакши визуелизацију модела. То показује да је значајно инжењеринг која води до смањења функција важан је корак у побољшању модела наступа.
Применом ДВО ДРВЕЊЕ ДРЖАВЕ НАДЗОРА, мапирање између ЛС (уноса) и је (циљни излаз) аутоматски се генерише и садржи детаљне информације за сваки ЛС.
Резултати су показали да је 34,9% 255 ученика преферирао опцију Један (1) ЛС. Већина (54,3%) имала је две или више преференција ЛС. 12,2% ученика је приметило да је ЛС прилично уравнотежен (Табела 4). Поред осам главних ЛС-а, постоји 34 комбинације класификација ЛС за универзитетске стоматолошке студенте. Међу њима, перцепција, визија и комбинација перцепције и визије су главни ЛС који су пријавили студенти (слика 7).
Као што се види из Табеле 4, већина ученика имала је преовлађујуће сензор (13,7%) или визуелне (8,6%) Л. Извештава се да је 12,2% ученика комбиновала перцепцију вида (перцептивна - визуална ЛС). Ови налази сугерирају да ученици радије уче и сећају се кроз утврђене методе, следите специфичне и детаљне процедуре и пажљиви су у природи. У исто време, они уживају у учењу гледајући (користећи дијаграме итд.) И имају тенденцију да разговарају и примене информације у групама или сами.
Ова студија даје преглед техника учења машина које се користе у рударству података, са фокусом, а фокусирање је одмах и тачно предвиђајући ученике и препоручене прикладе. Примјена модела стабла одлука идентификовао је факторе који су се највише повезали са њиховим животним и образовним искуством. То је надзорни алгоритам у учењу машине који користи структуру стабла да би се подаци класификовали дељењем скупа података у подкатегорије на основу одређених критеријума. Ради рекурзивно дељењем улазних података у подскупове на основу вредности једне од улазних карактеристика сваког унутрашњег чвора док се одлука не донесе у чвору листа.
Унутрашњи чворови стабла одлука представљају решење засновано на улазним карактеристикама проблема М-ИЛС, а чворови листова представљају коначну предвиђању ЛС класификације. Током читаве студије лако је разумети хијерархију одлука које објашњавају и визуализују процес одлучивања гледајући однос између улазних функција и излазних предвиђања.
У областима рачунарске науке и инжењерства, алгоритми за учење машине широко се користе за предвиђање перформанси ученика на основу својих резултата свог пријемног испита [21], демографске информације и понашање учења [22]. Истраживање је показало да је алгоритам тачно предвидио учинчење студената и помогао им да идентификују студенте у ризику за академске потешкоће.
Пријављује се наношење мл алгоритама у развоју симулатора виртуалног пацијента за стоматолошку обуку. Симулатор је способан да тачно репродукује физиолошке одговоре правих пацијената и може се користити за обуку стоматолошких ученика у сигурном и контролисаном окружењу [23]. Неколико других студија показује да алгоритми за учење машина могу потенцијално да побољшају квалитет и ефикасност зубног и медицинског образовања и неге пацијената. Алгоритми за учење машина коришћени су за помоћ у дијагнози зубних болести заснованих на скуповима података, попут симптома и карактеристика пацијената [24, 25]. Док су остале студије истражиле употребу алгоритама учења машина за обављање послова као што су предвиђање исхода пацијената, идентификовање пацијената са високим ризиком, развијање персонализованих планова лечења [26], периодичног третмана [27], и третман каријеса [25].
Иако су објављени извештаји о захтеву машинског учења у стоматологији, његова примена у зубном образовању и даље је ограничена. Стога је ова студија имала за циљ да користи модел стабла за одлуке да идентификује факторе који су највише повезани са ЛС-ом и међу стоматолошким ученицима.
Резултати ове студије показују да је развијени алат за препоруке има велику тачност и савршену тачност, што указује да наставници могу имати користи од овог алата. Помоћу процеса класификације пресованих података може пружити персонализоване препоруке и побољшати образовна искуства и исходе за васпитаче и студенте. Међу њима, информације добијене путем алата за препоруке могу решити сукобе између пожељних наставних метода наставника и потреба ученика ученика. На пример, због аутоматског излаза алата за препоруке, време потребно за идентификацију студентског ИП-а и подударање са одговарајућим ИП-ом биће значајно смањен. На овај начин се могу организовати одговарајуће активности обуке и материјали за обуку. Ово помаже у развоју позитивне понашање ученика и способност концентрације. Једна студија је известила да пружање студената са материјалима за учење и активности учења која одговарају њиховом преферираном ЛС могу помоћи ученицима да се интегришу, поступају и уживају у више начина за постизање већих потенцијала [12]. Истраживање такође показује да поред побољшања учешћа ученика у учионици, разумевање процеса учења ученика такође игра критичну улогу у побољшању наставних пракси и комуникације са студентима [28, 29].
Међутим, као и код било коју модерну технологију, постоје проблеми и ограничења. Они укључују питања која се односе на приватност података, пристраност и правичност и професионалне вештине и ресурсе потребне за развој и спровођење алгоритама за учење машина у стоматолошко образовање; Међутим, све веће интересовање и истраживање у овој области сугерирају да технологије учења машина могу имати позитиван утицај на зубну едукацију и зубну службу.
Резултати ове студије показују да половина стоматолошких студената има тенденцију "опажања" дрогама. Ова врста ученика има предност за чињенице и конкретне примере, практичну оријентацију, стрпљење детаља и "визуелни" преференција о ЛС-у, где ученици радије користе слике, графику, боје и мапе да преносе идеје и мисли. Тренутни резултати су у складу са другим студијама коришћењем ИЛС-а за процену ЛС у стоматолошким и медицинским студентима, од којих већина има карактеристике перцепције и визуелне ЛС [12, 30]. Далмолин и остали сугерирају да их информисање ученика о њиховим ЛС-у омогућава им да досегну свој потенцијал учења. Истраживачи тврде да када наставници у потпуности разумеју образовни процес ученика, могу се спровести различите методе и активности наставе које ће побољшати перформансе ученика и искуство учења [12, 31, 32]. Остале студије су показале да прилагођавање ученика ЛС такође показује побољшања искуства ученика и перформансама након што су променили своје стилове учења да одговарају сопственим ЛС [13, 33].
Мишљења наставника могу се разликовати у погледу примене наставних стратегија заснованих на способности учења ученика. Док неки виде предности овог приступа, укључујући могућности професионалног развоја, менторства и подршку заједнице, други се могу бавити временским и институционалним подршком. Тежи се равнотежом је кључно за стварање става усредсређен на ученику. Органи високог образовања, као што су универзитетске управе, могу играти важну улогу у вожњи позитивних промена увођењем иновативних пракси и пратећи развој факултета [34]. Да би се створио истински динамичан и реактивни систем високог образовања, креатори политика морају да преузму одважне кораке, као што су доношење промена политике, посвећења ресурса технолошким интеграцији и стварању оквира који промовишу приступе ученицима и стварањем оквира. Ове мере су пресудне за постизање жељених резултата. Недавна истраживања о диференцираном упутству јасно је показала да успешна примена диференцираног упутства захтева текуће обуке и развој развоја наставника [35].
Овај алат пружа драгоцену подршку зубним васпитовима који желе да преузму приступ који је усредсредио на ученику планирању активности у учењу ученика. Међутим, ова студија је ограничена на употребу модела ДЕГХТ ДИЕ ДИЕ. У будућности се треба прикупљати више података да би се упоредило перформансе различитих модела учења машина за поређење тачности, поузданости и прецизности алата за препоруке. Поред тога, при избору најприкладније методе учења машине за одређени задатак, важно је размотрити друге факторе као што су сложеност и интерпретација модела.
Ограничење ове студије је да се фокусирало само на мапирање ЛС и је међу стоматолошким ученицима. Стога ће развијени систем препорука препоручити само оне које су погодне за стоматолошке студенте. Промјене су неопходне за општи ниво високог образовања.
Новоразвијени алат за препоруке засновано на машини може се одмах класификовати и подударати ученике на одговарајуће је, што га чини првим програмом зубног образовања како би се зубични просветљивали планирали релевантне активности наставе и учења. Помоћу тријева пресованог преноса података може пружити персонализоване препоруке, уштедјети време, побољшати наставне стратегије, подржавати циљане интервенције и промовисати текући професионални развој. Његова пријава ће промовисати приступе студентским центрима за зубно образовање.
Гилак Јани Ассоциатед Пресс. Утакмица или неусклађеност између ученика ученика и стила учења наставника. Инт ј мод едуц цоцк-а Цомпутер Сциенце. 2012; 4 (11): 51-60. хттпс: //дои.орг/10.5815/ијмецс.2012.11.05
Вријеме поште: АПР-29-2024