Постоји све већа потреба за учењем усмереним на студенте (SCL) у високошколским установама, укључујући и стоматологију. Међутим, SCL има ограничену примену у стоматолошком образовању. Стога је циљ ове студије да промовише примену SCL-а у стоматологији коришћењем технологије машинског учења (ML) стабла одлучивања за мапирање преферираног стила учења (LS) и одговарајућих стратегија учења (IS) студената стоматологије као корисног алата за развој смерница за IS. Перспективне методе за студенте стоматологије.
Укупно 255 студената стоматологије са Универзитета у Малаји попунило је модификовани упитник Индекса стилова учења (m-ILS), који је садржао 44 ставке за њихову класификацију у одговарајуће LS. Прикупљени подаци (названи скуп података) користе се у надгледаном учењу стабла одлучивања како би се аутоматски упарили стилови учења студената са најприкладнијим IS. Затим се процењује тачност алата за препоруке IS заснованог на машинском учењу.
Примена модела стабла одлучивања у аутоматизованом процесу мапирања између LS (улаза) и IS (циљног излаза) омогућава тренутну листу одговарајућих стратегија учења за сваког студента стоматологије. Алат за препоруке IS показао је савршену тачност и призив укупне тачности модела, што указује да упаривање LS са IS има добру осетљивост и специфичност.
Алат за препоруке информационих система заснован на стаблу одлучивања машинског учења доказао је 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 ученике који могу побољшати искуство учења студената.
Настава и учење су фундаменталне 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 утврдити кроз њихово учење на нивоу образовања (LS). Истраживања сугеришу да неусклађености између учења на нивоу образовања и информационих информација које намеравају наставници могу имати негативне последице по учење ученика, као што су смањена пажња и мотивација. Ово ће индиректно утицати на успех ученика [1,2].
Информативно учење је метода коју наставници користе за преношење знања и вештина ученицима, укључујући и помоћ ученицима у учењу [3]. Генерално говорећи, добри наставници планирају стратегије наставе или информативно учење које најбоље одговарају нивоу знања њихових ученика, концептима које уче и њиховој фази учења. Теоретски, када се систем наставе и информативно учење подударају, ученици ће моћи да организују и користе одређени скуп вештина за ефикасно учење. Типично, план часа укључује неколико прелаза између фаза, као што је од наставе до вођене праксе или од вођене праксе до самосталне праксе. Имајући ово у виду, ефикасни наставници често планирају наставу са циљем изградње знања и вештина ученика [4].
Потражња за SCL расте у високошколским установама, укључујући и стоматологију. SCL стратегије су осмишљене да задовоље потребе студената за учењем. То се може постићи, на пример, ако студенти активно учествују у активностима учења, а наставници делују као фацилитатори и одговорни су за пружање вредних повратних информација. Каже се да обезбеђивање материјала за учење и активности које су прикладне образовном нивоу или преференцијама студената може побољшати окружење за учење студената и промовисати позитивна искуства учења [5].
Генерално говорећи, процес учења студената стоматологије је под утицајем различитих клиничких процедура које треба да изводе и клиничког окружења у којем развијају ефикасне међуљудске вештине. Сврха обуке је да омогући студентима да комбинују основна знања стоматологије са стоматолошким клиничким вештинама и да примене стечено знање у новим клиничким ситуацијама [6, 7]. Рана истраживања односа између локалног учења (LS) и интегрисаног учења (IS) показала су да би прилагођавање стратегија учења мапираних на преферирани локални учење (LS) помогло у побољшању образовног процеса [8]. Аутори такође препоручују коришћење различитих метода наставе и процене како би се прилагодиле учењу и потребама студената.
Наставници имају користи од примене знања о учењу на основу искуства (LS) како би им помогли да осмисле, развију и имплементирају наставу која ће побољшати стицање дубљег знања и разумевања предметне материје код студената. Истраживачи су развили неколико алата за процену LS, као што су Колбов модел искуственог учења, Фелдер-Силверманов модел стила учења (FSLSM) и Флемингов VAK/VARK модел [5, 9, 10]. Према литератури, ови модели учења су најчешће коришћени и највише проучавани модели учења. У актуелном истраживачком раду, FSLSM се користи за процену LS код студената стоматологије.
FSLSM је широко коришћени модел за процену адаптивног учења у инжењерству. Постоји много објављених радова у здравственим наукама (укључујући медицину, негу, фармацију и стоматологију) који се могу пронаћи коришћењем FSLSM модела [5, 11, 12, 13]. Инструмент који се користи за мерење димензија LS у FLSM назива се Индекс стилова учења (ILS) [8], који садржи 44 ставке које процењују четири димензије LS: обраду (активну/рефлексивну), перцепцију (перцептивну/интуитивну), унос (визуелни/вербални) и разумевање (секвенцијално/глобално) [14].
Као што је приказано на слици 1, свака димензија FSLSM има доминантну преференцију. На пример, у димензији обраде, ученици са „активним“ LS преферирају да обрађују информације директном интеракцијом са материјалима за учење, уче кроз рад и теже да уче у групама. „Рефлексивни“ LS се односи на учење кроз размишљање и преферира самосталан рад. „Перцептивна“ димензија LS може се поделити на „осећање“ и/или „интуицију“. „Осећајни“ ученици преферирају конкретније информације и практичне поступке, оријентисани су на чињенице у поређењу са „интуитивним“ ученицима који преферирају апстрактни материјал и иновативнији су и креативнији по природи. „Улазна“ димензија LS састоји се од „визуелних“ и „вербалних“ ученика. Људи са „визуелним“ LS преферирају да уче кроз визуелне демонстрације (као што су дијаграми, видео снимци или демонстрације уживо), док људи са „вербалним“ LS преферирају да уче кроз речи у писаним или усменим објашњењима. Да би „разумели“ димензије LS, такви ученици се могу поделити на „секвенцијалне“ и „глобалне“. „Секвенцијални ученици преферирају линеарни процес размишљања и уче корак по корак, док глобални ученици имају тенденцију да имају холистички процес размишљања 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 интерпретирају велике количине података [15, 16]. На основу достављених података, надгледано машинско учење (ML) је у стању да генерише обрасце и хипотезе који предвиђају будуће резултате на основу конструкције алгоритама [17]. Једноставно речено, технике надгледаног машинског учења манипулишу улазним подацима и тренирају алгоритме. Затим генерише опсег који класификује или предвиђа исход на основу сличних ситуација за достављене улазне податке. Главна предност алгоритама надгледаног машинског учења је његова способност да успостави идеалне и жељене резултате [17].
Коришћењем метода заснованих на подацима и модела управљања стаблом одлучивања, могуће је аутоматско откривање стабала одлучивања. 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 стабла одлучивања студената и препоручи најбољи информациони систем за њих.
Циљ ове студије је развој стратегија испоруке информационих система заснованих на студентским LS и примена SCL приступа развојем алата за препоруке информационих система мапираног на LS. Ток дизајна алата за препоруке информационих система као стратегије SCL методе приказан је на слици 1. Алат за препоруке информационих система је подељен на два дела, укључујући механизам класификације LS коришћењем ILS-а и најприкладнији IS приказ за студенте.
Посебно, карактеристике алата за препоруке у области информационе безбедности укључују употребу веб технологија и употребу 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 фазе, а студенти Стоматолошког факултета Универзитета у Малаји учествовали су на добровољној основи. Учесници су одговарали на онлајн m-ILS упитник студената стоматологије на енглеском језику. У почетној фази, скуп података од 50 студената је коришћен за обуку алгоритма машинског учења стабла одлучивања. У другој фази процеса развоја, скуп података од 255 студената је коришћен за побољшање тачности развијеног инструмента.
Сви учесници добијају онлајн брифинг на почетку сваке фазе, у зависности од академске године, путем Microsoft Teams-а. Објашњена је сврха студије и добијен је информисани пристанак. Свим учесницима је дат линк за приступ m-ILS-у. Сваком студенту је наложено да одговори на свих 44 ставке упитника. Добили су недељу дана да попуне модификовани ILS у време и на месту које им одговара током семестралног распуста пре почетка семестра. m-ILS је заснован на оригиналном ILS инструменту и модификован је за студенте стоматологије. Слично оригиналном ILS-у, садржи 44 равномерно распоређене ставке (а, б), са по 11 ставки, које се користе за процену аспеката сваке димензије FSLSM-а.
Током почетних фаза развоја алата, истраживачи су ручно анотирали мапе користећи скуп података од 50 студената стоматологије. Према FSLM-у, систем пружа збир одговора „а“ и „б“. За сваку димензију, ако студент изабере „а“ као одговор, LS се класификује као Активни/Перцептивни/Визуелни/Секвенцијални, а ако студент изабере „б“ као одговор, студент се класификује као Рефлективни/Интуитивни/Лингвистички/глобални ученик.
Након калибрације тока рада између истраживача у стоматолошком образовању и програмера система, питања су одабрана на основу FLSSM домена и унета у ML модел како би се предвидео LS 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 FLSSM-а. Идентификациони бројеви позиција лекова дати су у Табели 1.
Израчунајте резултат на основу одговора и одредите просек учења (LS) ученика. За сваког ученика, распон резултата је од 1 до 11. Резултати од 1 до 3 указују на равнотежу преференција учења унутар исте димензије, а резултати од 5 до 7 указују на умерену преференцију, што указује да ученици имају тенденцију да преферирају једно окружење које предаје другима. Друга варијација на истој димензији је да резултати од 9 до 11 одражавају снажну преференцију за један или други крај [8].
За сваку димензију, дроге су груписане у „активне“, „рефлексивне“ и „уравнотежене“. На пример, када ученик одговори „а“ чешће него „б“ на одређено питање и његов/њен резултат пређе праг од 5 за одређено питање које представља димензију Обрада ЛС, он/она припада домену „активног“ ЛС. Међутим, ученици су класификовани као „рефлексивни“ ЛС када су бирали „б“ више него „а“ у специфичних 11 питања (Табела 1) и освојили више од 5 поена. Коначно, ученик је у стању „равнотеже“. Ако резултат не прелази 5 поена, онда је ово „процесни“ ЛС. Процес класификације је поновљен за остале димензије ЛС, наиме перцепцију (активна/рефлексивна), унос (визуелни/вербални) 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 којем постоје интерни чворови који представљају тестове по атрибуту, свака грана представља резултате теста, а сваки лист чвора (лист чвора) садржи ознаку класе.
Направљен је једноставан програм заснован на правилима који аутоматски бодује и анотира LS сваког ученика на основу њихових одговора. Програм заснован на правилима има облик IF израза, где „IF“ описује окидач, а „THEN“ одређује радњу која треба да се изврши, на пример: „Ако се деси X, онда уради Y“ (Liu et al., 2014). Ако скуп података показује корелацију и модел стабла одлучивања је правилно обучен и евалуиран, овај приступ може бити ефикасан начин за аутоматизацију процеса упаривања LS и IS.
У другој фази развоја, скуп података је повећан на 255 како би се побољшала тачност алата за препоруке. Скуп података је подељен у односу 1:4. 25% (64) скупа података је коришћено за тестни скуп, а преосталих 75% (191) је коришћено као скуп за обуку (Слика 2). Скуп података треба поделити како би се спречило да се модел обучава 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 тестном скупу – подацима 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. Веб-базирани систем алата за препоруке информационе безбедности изграђен је коришћењем програмског језика Пајтон са Дјанго оквиром као бекендом. Табела 2 наводи библиотеке коришћене у развоју овог система.
Скуп података се уноси у модел стабла одлучивања како би се израчунали и извукли одговори ученика ради аутоматске класификације мерења стручног стабла ученика.
Матрица конфузије се користи за процену тачности алгоритма машинског учења стабла одлучивања на датом скупу података. Истовремено, процењује перформансе модела класификације. Сумира предвиђања модела и упоређује их са стварним ознакама података. Резултати процене се заснивају на четири различите вредности: Тачно позитивно (TP) – модел је правилно предвидео позитивну категорију, Лажно позитивно (FP) – модел је предвидео позитивну категорију, али је тачна ознака била негативна, Тачно негативно (TN) – модел је правилно предвидео негативну класу и лажно негативно (FN) – модел предвиђа негативну класу, али је тачна ознака позитивна.
Ове вредности се затим користе за израчунавање различитих метрика перформанси scikit-learn модела класификације у Пајтону, наиме прецизност, прецизност, присетљивост и F1 резултат. Ево примера:
Подсећање (или осетљивост) мери способност модела да прецизно класификује студентов ЛС након што одговори на m-ILS упитник.
Специфичност се назива стопа заиста негативних резултата. Као што можете видети из горње формуле, ово би требало да буде однос заиста негативних (TN) резултата и заиста негативних и лажно позитивних (FP) резултата. Као део препорученог алата за класификацију студентских лекова, требало би да буде способан за тачну идентификацију.
Оригинални скуп података од 50 студената који је коришћен за тренирање модела машинског учења стабла одлучивања показао је релативно ниску тачност због људске грешке у анотацијама (Табела 3). Након креирања једноставног програма заснованог на правилима за аутоматско израчунавање LS резултата и анотација студената, све већи број скупова података (255) је коришћен за тренирање и тестирање система препоручивања.
У матрици вишекласне конфузије, дијагонални елементи представљају број тачних предвиђања за сваки тип LS (Слика 4). Користећи модел стабла одлучивања, укупно 64 узорка је исправно предвиђено. Дакле, у овој студији, дијагонални елементи показују очекиване резултате, што указује да модел добро функционише и тачно предвиђа ознаку класе за сваку LS класификацију. Дакле, укупна тачност алата за препоруке је 100%.
Вредности тачности, прецизности, присности и F1 резултата приказане су на слици 5. За систем препорука који користи модел стабла одлучивања, његов F1 резултат је 1,0 „савршено“, што указује на савршену прецизност и присност, што одражава значајне вредности осетљивости и специфичности.
Слика 6 приказује визуелизацију модела стабла одлучивања након завршетка обуке и тестирања. У упоредном поређењу, модел стабла одлучивања обучен са мање карактеристика показао је већу тачност и лакшу визуелизацију модела. Ово показује да је инжењеринг карактеристика који води до смањења броја карактеристика важан корак у побољшању перформанси модела.
Применом надгледаног учења помоћу стабла одлучивања, мапирање између ЛС (улаза) и ИС (циљног излаза) се аутоматски генерише и садржи детаљне информације за сваки ЛС.
Резултати су показали да је 34,9% од 255 студената преферирало једну (1) опцију ЛС. Већина (54,3%) имала је две или више преференција ЛС. 12,2% студената је приметило да је ЛС прилично уравнотежен (Табела 4). Поред осам главних ЛС, постоје 34 комбинације класификација ЛС за студенте стоматологије Универзитета у Малаји. Међу њима, перцепција, вид и комбинација перцепције и вида су главни ЛС које су студенти пријавили (Слика 7).
Као што се може видети из Табеле 4, већина ученика је имала претежно сензорно (13,7%) или визуелно (8,6%) учење памћења. Пријављено је да је 12,2% ученика комбиновало перцепцију са видом (перцептивно-визуелно учење памћења). Ови налази указују на то да ученици више воле да уче и памте кроз утврђене методе, прате специфичне и детаљне процедуре и да су пажљиве природе. Истовремено, уживају у учењу гледањем (користећи дијаграме итд.) и теже да разговарају и примењују информације у групама или самостално.
Ова студија пружа преглед техника машинског учења које се користе у анализи података, са фокусом на тренутно и прецизно предвиђање животног стања ученика и препоручивање одговарајућих информационих система. Примена модела стабла одлучивања идентификовала је факторе који су најближе повезани са њиховим животним и образовним искуствима. То је надгледани алгоритам машинског учења који користи структуру стабла за класификацију података дељењем скупа података у подкатегорије на основу одређених критеријума. Ради тако што рекурзивно дели улазне податке на подскупове на основу вредности једне од улазних карактеристика сваког интерног чвора док се не донесе одлука на листу чвора.
Унутрашњи чворови стабла одлучивања представљају решење засновано на улазним карактеристикама m-ILS проблема, а листни чворови представљају коначно предвиђање LS класификације. Кроз целу студију, лако је разумети хијерархију стабала одлучивања која објашњавају и визуелизују процес одлучивања посматрајући однос између улазних карактеристика и излазних предвиђања.
У областима рачунарства и инжењерства, алгоритми машинског учења се широко користе за предвиђање успеха студената на основу резултата њихових пријемних испита [21], демографских података и понашања у учењу [22]. Истраживања су показала да је алгоритам тачно предвидео успех студената и помогао им да идентификују студенте који су у ризику од академских потешкоћа.
Извештава се о примени алгоритама машинског учења у развоју виртуелних симулатора пацијената за стоматолошку обуку. 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 побољшати квалитет и ефикасност стоматолошког и медицинског образовања и неге пацијената. Алгоритми машинског учења су коришћени за помоћ у дијагнози стоматолошких 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], пародонтално лечење [27] и лечење каријеса [25].
Иако су објављени извештаји о примени машинског учења у стоматологији, његова примена у стоматолошком образовању остаје ограничена. Стога је циљ ове студије био да користи модел стабла одлучивања како би идентификовао факторе који су најближе повезани са LS и IS код студената стоматологије.
Резултати ове студије показују да развијени алат за препоруке има високу прецизност и савршену прецизност, што указује да наставници могу имати користи од овог алата. Коришћењем процеса класификације заснованог на подацима, он може пружити персонализоване препоруке и побољшати образовна искуства и исходе за едукаторе и ученике. Међу њима, информације добијене путем алата за препоруке могу решити сукобе између преферираних метода наставе наставника и потреба ученика за учењем. На пример, због аутоматизованог излаза алата за препоруке, време потребно за идентификацију ИП ученика и његово упаривање са одговарајућим ИП биће 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 концентрације. Једна студија је показала да пружање ученицима материјала за учење и активности учења које одговарају њиховом преферираном ЛС може помоћи ученицима да интегришу, обраде и уживају у учењу на више начина како би постигли већи потенцијал [12]. Истраживање такође показује 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. То укључује питања везана за 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 указују на то да технологије машинског учења могу имати позитиван утицај на стоматолошко образовање и стоматолошке услуге.
Резултати ове студије указују на то да половина студената стоматологије има тенденцију да „опажа“ лекове. Ова врста ученика има склоност ка чињеницама и конкретним примерима, практичну оријентацију, стрпљење за детаље и склоност ка „визуелном“ учењу, где ученици више воле да користе слике, графику, боје и мапе за преношење идеја и мисли. Тренутни резултати су у складу са другим студијама које користе интегрисано учење за процену учења код студената стоматологије и медицине, од којих већина има карактеристике перцептивног и визуелног учења [12, 30]. Далмолин и др. сугеришу да информисање студената о њиховом учењу омогућава да остваре свој потенцијал учења. Истраживачи тврде да када наставници у потпуности разумеју образовни процес студената, могу се применити различите методе наставе и активности које ће побољшати учинак и искуство учења студената [12, 31, 32]. Друге студије су показале да прилагођавање учења студената такође показује побољшања у искуству учења и учинку студената након промене стилова учења како би одговарали њиховом сопственом учењу [13, 33].
Мишљења наставника могу се разликовати у погледу примене стратегија наставе заснованих на способностима учења ученика. Док неки виде предности овог приступа, укључујући могућности стручног усавршавања, менторство и подршку заједнице, други могу бити забринути због времена и институционалне подршке. Тежња ка равнотежи је кључна за стварање става усмереног на студенте. Органи високог образовања, као што су универзитетски администратори, могу играти важну улогу у покретању позитивних промена увођењем иновативних пракси и подржавањем развоја наставног особља [34]. Да би се створио истински динамичан и брз систем високог образовања, креатори политике морају предузети смеле кораке, као што су промене политика, посвећивање ресурса интеграцији технологије и стварање оквира који промовишу приступе усмерене на студенте. Ове мере су кључне за постизање жељених резултата. Недавна истраживања о диференцираној настави јасно су показала да успешна примена диференциране наставе захтева континуирану обуку и могућности за развој наставника [35].
Овај алат пружа драгоцену подршку стоматолошким едукаторима који желе да усвоје приступ усмерен на ученике у планирању активности учења прилагођених ученицима. Међутим, ова студија је ограничена на употребу модела машинског учења са стаблом одлучивања. У будућности би требало прикупити више података како би се упоредиле перформансе различитих модела машинског учења како би се упоредиле тачност, поузданост и прецизност алата за препоруке. Поред тога, при избору најприкладније методе машинског учења за одређени задатак, важно је узети у обзир и друге факторе као што су сложеност модела и интерпретација.
Ограничење ове студије је то што се фокусирала само на мапирање LS и IS међу студентима стоматологије. Стога ће развијени систем препорука препоручити само оне који су погодни за студенте стоматологије. Промене су неопходне за општу употребу од стране студената високог образовања.
Новоразвијени алат за препоруке заснован на машинском учењу способан је да тренутно класификује и упари студентске LS са одговарајућим IS, 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 стратегије наставе, подржи циљане интервенције и промовише континуирани професионални развој. Његова примена ће промовисати приступе стоматолошком образовању усмерене на студенте.
Гилак Јани, Асошијејтед прес. Подударање или неусклађеност између стила учења ученика и стила подучавања наставника. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Време објаве: 29. април 2024.