Estas kreskanta bezono de lernado-centrita lernado (SCL) en institucioj de supera edukado, inkluzive de dentokuracado. Tamen, SCL havas limigitan aplikon en denta edukado. Sekve, ĉi tiu studo celas antaŭenigi la aplikon de SCL en dentokuracado per uzado de decida arbo -maŝina lernado (ML) teknologio por mapi la preferatan lernan stilon (LS) kaj respondajn lernadajn strategiojn (IS) de dentaj studentoj kiel utila ilo por disvolvi estas gvidlinioj . Promesplenaj metodoj por dentaj studentoj.
Entute 255 dentaj studentoj de la Universitato de Malajo kompletigis la modifitan Indekson de Lernado-Stiloj (M-ILS) demandaro, kiu enhavis 44 erojn por klasifiki ilin en siajn respektivajn LSS. La kolektitaj datumoj (nomataj datumaro) estas uzataj en kontrolita decida arbo -lernado por aŭtomate kongrui kun la lernaj stiloj de studentoj al la plej taŭgaj estas. La precizeco de la maŝina lernado estas rekomenda ilo tiam estas taksita.
La apliko de decidaj arbo -modeloj en aŭtomata mapado inter LS (enigo) kaj estas (cela eligo) permesas tujan liston de taŭgaj lernadaj strategioj por ĉiu denta studento. La IS -rekomenda ilo pruvis perfektan precizecon kaj rememoron pri entuta modelo -precizeco, indikante, ke kongrui LS al IS havas bonan sentivecon kaj specifecon.
IS -rekomenda ilo bazita sur ML -decida arbo pruvis sian kapablon kongrui precize la lernajn stilojn de dentaj studentoj kun taŭgaj lernadaj strategioj. Ĉi tiu ilo provizas potencajn eblojn por planado de lernantoj-centraj kursoj aŭ moduloj, kiuj povas plibonigi la lernan sperton de studentoj.
Instruado kaj lernado estas fundamentaj agadoj en edukaj institucioj. Kiam vi disvolvas altkvalitan profesian edukan sistemon, gravas koncentriĝi pri la lernaj bezonoj de studentoj. La interagado inter studentoj kaj ilia lernada medio povas esti determinita per iliaj LS. Esploro sugestas, ke instruistoj-celitaj misfunkciadoj inter la LS de studentoj kaj estas povas havi negativajn konsekvencojn por lernado de studentoj, kiel malpliigita atento kaj instigo. Ĉi tio nerekte influos studentan agadon [1,2].
IS estas metodo uzata de instruistoj por doni sciojn kaj kapablojn al studentoj, inkluzive de helpado de studentoj lerni [3]. Ĝenerale, bonaj instruistoj planas instruajn strategiojn aŭ ĉu tio plej bone kongruas kun la scio de siaj studentoj, la konceptojn, kiujn ili lernas, kaj sian etapon de lernado. Teorie, kiam LS kaj kongruas, studentoj povos organizi kaj uzi specifan aron da kapabloj por lerni efike. Tipe, leciona plano inkluzivas plurajn transirojn inter stadioj, kiel de instruado ĝis gvidita praktiko aŭ de gvidita praktiko ĝis sendependa praktiko. Kun ĉi tio en menso, efikaj instruistoj ofte planas instruadon kun la celo konstrui la sciojn kaj kapablojn de studentoj [4].
La postulo pri SCL kreskas en superaj edukaj institucioj, inkluzive de dentokuracado. SCL -strategioj estas desegnitaj por plenumi lernajn bezonojn de studentoj. Ĉi tio povas atingi, ekzemple, se studentoj aktive partoprenas lernadajn agadojn kaj instruistoj agas kiel faciligantoj kaj respondecas pri provizado de valoraj retrosciigoj. Oni diras, ke provizi lernomaterialojn kaj agadojn taŭgajn por la eduka nivelo aŭ preferoj de studentoj povas plibonigi la lernan medion de studentoj kaj antaŭenigi pozitivajn lernajn spertojn [5].
Ĝenerale, la lernada procezo de dentaj studentoj estas influita de la diversaj klinikaj proceduroj, kiujn ili postulas por plenumi kaj la klinikan medion, en kiu ili disvolvas efikajn interpersonajn kapablojn. La celo de la trejnado estas ebligi studentojn kombini bazan scion pri dentokuracado kun dentaj klinikaj kapabloj kaj apliki la akiritan scion al novaj klinikaj situacioj [6, 7]. Frua esplorado pri la rilato inter LS kaj estas trovita, ke ĝustigi lernadajn strategiojn mapitajn al la preferata LS helpus plibonigi la edukan procezon [8]. La aŭtoroj ankaŭ rekomendas uzi diversajn metodojn pri instruado kaj takso por adaptiĝi al lernado kaj bezonoj de studentoj.
Instruistoj profitas de aplikado de LS -scio por helpi ilin desegni, disvolvi kaj efektivigi instrukcion, kiu plibonigos la akiron de studentoj pri pli profunda scio kaj kompreno de la temo. Esploristoj disvolvis plurajn LS-taksadajn ilojn, kiel la KOLB-sperta lernadmodelo, la Felder-Silverman-Lernado-Modelo (FSLSM), kaj la Fleming VAK/Vark-modelo [5, 9, 10]. Laŭ la literaturo, ĉi tiuj lernmodeloj estas la plej ofte uzataj kaj plej studitaj lernmodeloj. En la nuna esplora laboro, FSLSM estas uzata por taksi LS inter dentaj studentoj.
FSLSM estas vaste uzata modelo por taksi adaptan lernadon en inĝenierado. Estas multaj publikigitaj verkoj en la sanosciencoj (inkluzive de medicino, flegado, apoteko kaj dentokuracado) troveblaj per FSLSM -modeloj [5, 11, 12, 13]. La instrumento uzata por mezuri la dimensiojn de LS en la FLSM estas nomata la indekso de lernaj stiloj (ILS) [8], kiu enhavas 44 erojn taksantajn kvar dimensiojn de LS: prilaborado (aktiva/reflekta), percepto (percepta/intuicia), enigo (vida). /verba) kaj kompreno (sinsekva/tutmonda) [14].
Kiel montrite en Figuro 1, ĉiu FSLSM -dimensio havas regantan preferon. Ekzemple, en la pretiga dimensio, studentoj kun "aktivaj" preferas prilabori informojn per rekte interagado kun lernomaterialoj, lerni per farado kaj emas lerni en grupoj. La "reflekta" LS rilatas al lernado per pensado kaj preferas labori sole. La "perceptanta" dimensio de LS povas esti dividita en "senton" kaj/aŭ "intuicio." Studentoj de "sento" preferas pli konkretajn informojn kaj praktikajn procedojn, estas orientitaj al faktoj kompare kun "intuiciaj" studentoj, kiuj preferas abstraktan materialon kaj estas pli novigaj kaj kreivaj en naturo. La "eniga" dimensio de LS konsistas el "vidaj" kaj "parolaj" lernantoj. Homoj kun "vidaj" preferas lerni per vidaj demonstracioj (kiel diagramoj, filmetoj aŭ vivaj demonstracioj), dum homoj kun "parolaj" preferas lerni per vortoj en skribaj aŭ parolaj klarigoj. Por "kompreni" la LS -dimensiojn, tiaj lernantoj povas esti dividitaj en "sinsekva" kaj "tutmonda". “Sinsekvaj lernantoj preferas linean pensprocezon kaj lernas paŝon post paŝo, dum tutmondaj lernantoj emas havi holisman pensprocezon kaj ĉiam pli bone komprenas tion, kion ili lernas.
Lastatempe, multaj esploristoj komencis esplori metodojn por aŭtomata malkovro de datumoj, inkluzive de disvolviĝo de novaj algoritmoj kaj modeloj kapablaj interpreti grandajn kvantojn da datumoj [15, 16]. Surbaze de la provizitaj datumoj, kontrolita ML (maŝina lernado) kapablas generi ŝablonojn kaj hipotezojn, kiuj antaŭdiras estontajn rezultojn bazitajn sur konstruado de algoritmoj [17]. Simple dirite, kontrolitaj maŝinlernadaj teknikoj manipulas enajn datumojn kaj trejnas algoritmojn. Ĝi tiam generas gamon, kiu klasifikas aŭ antaŭdiras la rezulton bazitan sur similaj situacioj por la provizitaj enigaj datumoj. La ĉefa avantaĝo de algoritmoj pri kontrolita maŝinlernado estas ĝia kapablo establi idealajn kaj deziratajn rezultojn [17].
Per la uzo de datum-movitaj metodoj kaj decidaj arbo-kontrolmodeloj, aŭtomata detekto de LS estas ebla. Decidaj arboj estis raportitaj esti vaste uzataj en trejnaj programoj en diversaj kampoj, inkluzive de sanosciencoj [18, 19]. En ĉi tiu studo, la modelo estis specife trejnita de la sistemaj programistoj por identigi la LS de studentoj kaj rekomendi la plej bonan estas por ili.
La celo de ĉi tiu studo estas disvolvi estas liveraj strategioj bazitaj sur la LS de studentoj kaj apliki la SCL -aliron disvolvante IS -rekomendan ilon mapitan al LS. La dezajno -fluo de la IS -rekomenda ilo kiel strategio de la SCL -metodo estas montrita en Figuro 1. La IS -rekomenda ilo estas dividita en du partojn, inkluzive de la LS -klasifika mekanismo uzanta ILS kaj la plej taŭga estas montrado por studentoj.
Precipe, la trajtoj de informaj sekurecaj rekomendaj iloj inkluzivas la uzon de retaj teknologioj kaj la uzon de lernado de arbo -maŝino. Sistemaj programistoj plibonigas la sperton kaj moveblecon de uzanto adaptante ilin al poŝtelefonoj kiel poŝtelefonoj kaj tablojdoj.
La eksperimento estis farita en du stadioj kaj studentoj de la Fakultato de Dentokuracado ĉe la Universitato de Malajo partoprenis libervolan bazon. Partoprenantoj respondis al la interretaj m-iloj de dentista studento en la angla. En la komenca fazo, datumaro de 50 studentoj estis uzata por trejni la algoritmon pri lernado de arbo -maŝino. En la dua fazo de la disvolva procezo, datumaro de 255 studentoj estis uzata por plibonigi la precizecon de la evoluinta instrumento.
Ĉiuj partoprenantoj ricevas interretan informadon komence de ĉiu etapo, depende de la akademia jaro, per Microsoft -teamoj. La celo de la studo estis klarigita kaj informita konsento estis akirita. Ĉiuj partoprenantoj ricevis ligon por aliri la M-ILojn. Ĉiu studento estis instrukciita respondi ĉiujn 44 erojn pri la demandaro. Ili ricevis unu semajnon por kompletigi la modifitajn IL -ojn je tempo kaj loko konvena al ili dum la semestra paŭzo antaŭ la komenco de la semestro. La M-ILS baziĝas sur la originala ILS-instrumento kaj modifita por dentaj studentoj. Simile al la originalaj IL -oj, ĝi enhavas 44 egale distribuitajn erojn (A, B), kun 11 eroj ĉiu, kiuj estas uzataj por taksi aspektojn de ĉiu FSLSM -dimensio.
Dum la komencaj stadioj de ilo -disvolviĝo, la esploristoj permane komentis la mapojn per datumaro de 50 dentaj studentoj. Laŭ la FSLM, la sistemo provizas la sumon de respondoj "A" kaj "B". Por ĉiu dimensio, se la studento elektas "A" kiel respondon, la LS estas klasifikita kiel aktiva/percepta/vida/sinsekva, kaj se la studento elektas "B" kiel respondon, la studento estas klasifikita kiel reflekta/intuicia/lingva . / Tutmonda lernanto.
Post kalibrado de la laborfluo inter esploristoj pri denta edukado kaj sistemaj programistoj, oni elektis demandojn surbaze de la FLSSM -domajno kaj enmetitaj en la ML -modelon por antaŭdiri la LS de ĉiu studento. "Rubo en, rubujo" estas populara diro en la kampo de maŝina lernado, kun emfazo de datumkvalito. La kvalito de la enigaj datumoj determinas la precizecon kaj precizecon de la maŝina lernada modelo. Dum la funkcia inĝeniera fazo, nova funkcia aro estas kreita, kiu estas la sumo de respondoj "A" kaj "B" bazita sur FLSSM. Identigaj nombroj de drogaj pozicioj estas donitaj en Tabelo 1.
Kalkulu la poentaron surbaze de la respondoj kaj determinu la LS de la studento. Por ĉiu studento, la poentaro estas de 1 ĝis 11. Poentaroj de 1 ĝis 3 indikas ekvilibron de lernaj preferoj ene de la sama dimensio, kaj poentaroj de 5 ĝis 7 indikas moderan preferon, indikante ke studentoj emas preferi unu medion instruante aliajn . Alia variaĵo sur la sama dimensio estas, ke poentaroj de 9 ĝis 11 reflektas fortan preferon por unu fino aŭ la alia [8].
Por ĉiu dimensio, drogoj estis grupigitaj en "aktivajn", "reflektajn" kaj "ekvilibrajn". Ekzemple, kiam studento respondas "A" pli ofte ol "B" sur nomumita ero kaj lia poentaro superas la sojlon de 5 por aparta ero reprezentanta la pretigan LS -dimension, li/ŝi apartenas al la "aktiva" LS domajno. . Tamen, studentoj estis klasifikitaj kiel "reflektaj" LS kiam ili elektis "B" pli ol "A" en specifaj 11 demandoj (Tabelo 1) kaj gajnis pli ol 5 poentojn. Fine la studento estas en stato de "ekvilibro." Se la poentaro ne superas 5 poentojn, tiam ĉi tio estas "procezo". La klasifika procezo estis ripetita por la aliaj LS -dimensioj, nome percepto (aktiva/reflekta), enigo (vida/verba), kaj kompreno (sinsekva/tutmonda).
Decidaj arbo -modeloj povas uzi malsamajn subarojn de funkcioj kaj decidaj reguloj ĉe malsamaj stadioj de la klasifika procezo. Ĝi estas konsiderata kiel populara ilo pri klasifiko kaj prognozo. Ĝi povas esti reprezentita uzante arbo -strukturon kiel fluoŝranko [20], en kiu ekzistas internaj nodoj reprezentantaj provojn per atributo, ĉiu branĉo reprezentanta testrezultojn, kaj ĉiu folia nodo (folia nodo) enhavanta klasan etikedon.
Simpla regul-bazita programo estis kreita por aŭtomate gajni kaj noti la LS de ĉiu studento surbaze de iliaj respondoj. Regul-bazita prenas la formon de IF-aserto, kie "se" priskribas la ellasilon kaj "tiam" specifas la agon por plenumi, ekzemple: "se X okazas, tiam faru Y" (Liu et al., 2014). Se la datumaro elmontras korelacion kaj la Decida Arbo -Modelo estas taŭge trejnita kaj taksita, ĉi tiu aliro povas esti efika maniero aŭtomatigi la procezon kongrui LS kaj IS.
En la dua fazo de disvolviĝo, la datumaro estis pliigita al 255 por plibonigi la precizecon de la rekomenda ilo. La datumaro estas dividita en 1: 4 -proporcio. 25% (64) de la datumaro estis uzata por la testo, kaj la cetera 75% (191) estis uzata kiel la trejnada aro (Figuro 2). La datumaro devas esti dividita por eviti ke la modelo estu trejnita kaj testita sur la sama datumaro, kio povus kaŭzi la modelon memori anstataŭ lerni. La modelo estas trejnita pri la trejnada aro kaj taksas ĝian agadon en la provo -aro - Data la modelo neniam antaŭe vidis.
Post kiam la IS -ilo estos disvolvita, la aplikaĵo povos klasifiki LS bazitan sur la respondoj de dentaj studentoj per ret -interfaco. La Ret-Bazita Informa Sekureca Rekomenda Ilo-Sistemo estas konstruita per la programlingvo Python uzante la Django-kadron kiel la backend. Tabelo 2 listigas la bibliotekojn uzitajn en la disvolviĝo de ĉi tiu sistemo.
La datumaro estas transdonita al decida arbo -modelo por kalkuli kaj ĉerpi respondojn de studentoj por aŭtomate klasifiki mezuradojn de studentoj LS.
La konfuza matrico estas uzata por taksi la precizecon de algoritmo pri lernado de arbo -maŝino sur donita datumaro. Samtempe ĝi taksas la agadon de la klasika modelo. Ĝi resumas la prognozojn de la modelo kaj komparas ilin al la realaj datumaj etikedoj. La taksadaj rezultoj baziĝas sur kvar malsamaj valoroj: Vera Pozitiva (TP) - la modelo ĝuste antaŭdiris la pozitivan kategorion, Falsa Pozitiva (FP) - la modelo antaŭdiris la pozitivan kategorion, sed la vera etikedo estis negativa, vera negativa (TN) - La modelo ĝuste antaŭdiris la negativan klason, kaj falsan negativon (FN) - la modelo antaŭdiras negativan klason, sed la vera etikedo estas pozitiva.
Ĉi tiuj valoroj tiam estas uzataj por kalkuli diversajn rendimentajn metrikojn de la scienc-lernada modelo SCIKIT-LERN en Python, nome precizeco, precizeco, revokado kaj F1-poentaro. Jen ekzemploj:
Memoru (aŭ sentivecon) mezuras la kapablon de la modelo precize klasifiki LS de studento post respondado de la M-ILS-demandaro.
Specifeco nomiĝas vera negativa indico. Kiel vi povas vidi el ĉi -supra formulo, ĉi tio devas esti la rilatumo de veraj negativoj (TN) al veraj negativoj kaj falsaj pozitivoj (FP). Kiel parto de la rekomendinda ilo por klasifiki studentajn drogojn, ĝi devas povi precizan identigon.
La originala datumaro de 50 studentoj uzataj por trejni la decidan arbo -ML -modelon montris relative malaltan precizecon pro homa eraro en la komentarioj (Tabelo 3). Post kreado de simpla regulo-bazita programo por aŭtomate kalkuli LS-poentojn kaj studentajn komentariojn, kreskanta nombro da datumaroj (255) estis uzataj por trejni kaj testi la rekomendan sistemon.
En la multklasa konfuza matrico, la diagonalaj elementoj reprezentas la nombron de ĝustaj prognozoj por ĉiu LS -tipo (Figuro 4). Uzante la modelon de decida arbo, entute 64 specimenoj estis ĝuste antaŭdiritaj. Tiel, en ĉi tiu studo, la diagonalaj elementoj montras la atendatajn rezultojn, kio indikas, ke la modelo agas bone kaj precize antaŭdiras la klasan etikedon por ĉiu LS -klasifiko. Tiel, la totala precizeco de la rekomenda ilo estas 100%.
La valoroj de precizeco, precizeco, revokado kaj F1 -poentaro estas montritaj en Figuro 5. Por la rekomenda sistemo uzanta la Decidan Arbon -Modelon, ĝia F1 -poentaro estas 1.0 "perfekta", indikante perfektan precizecon kaj rememoron, reflektante signifan sentivecon kaj specifecon valoroj.
Figuro 6 montras bildigon de la Decida Arbo -Modelo post trejnado kaj testado estas finitaj. En flank-al-flanka komparo, la Decida Arbo-Modelo trejnita kun malpli da ecoj montris pli altan precizecon kaj pli facilan modelan bildigon. Ĉi tio montras, ke funkcia inĝenierado kondukanta al redukto de trajtoj estas grava paŝo por plibonigi modelan rendimenton.
Per aplikado de decida arbo kontrolita lernado, la mapado inter LS (enigo) kaj IS (cela eligo) aŭtomate generas kaj enhavas detalajn informojn por ĉiu LS.
La rezultoj montris, ke 34.9% de la 255 studentoj preferis unu (1) LS -eblon. La plimulto (54,3%) havis du aŭ pli da LS -preferoj. 12.2% de studentoj rimarkis, ke LS estas sufiĉe ekvilibra (Tabelo 4). Krom la ok ĉefaj LS, ekzistas 34 kombinaĵoj de LS -klasifikoj por dentaj studentoj de Universitato de Malajo. Inter ili, percepto, vidado kaj kombinaĵo de percepto kaj vidado estas la ĉefaj LS raportitaj de studentoj (Figuro 7).
Kiel videblas el Tabelo 4, la plimulto de studentoj havis superregantan sensan (13,7%) aŭ vidan (8,6%) LS. Oni raportis, ke 12,2% de studentoj kombinis percepton kun vidado (percept-vida LS). Ĉi tiuj trovoj sugestas, ke studentoj preferas lerni kaj memori per establitaj metodoj, sekvu specifajn kaj detalajn procedojn kaj atentas naturon. Samtempe ili ĝuas lerni per rigardado (uzante diagramojn, ktp.) Kaj emas diskuti kaj apliki informojn en grupoj aŭ memstare.
Ĉi tiu studo donas superrigardon pri maŝinlernadaj teknikoj uzataj en datumminado, kun fokuso sur tuj kaj precize antaŭdiri la LS de studentoj kaj rekomendi taŭgan IS. Apliko de decida arbo -modelo identigis la faktorojn plej proksime rilatajn al iliaj vivaj kaj edukaj spertoj. Ĝi estas kontrolita maŝina lernada algoritmo, kiu uzas arbo -strukturon por klasifiki datumojn dividante aron da datumoj en subkategoriojn bazitajn sur iuj kriterioj. Ĝi funkcias rekursie dividante la enigajn datumojn en subarojn bazitajn sur la valoro de unu el la enigaj ecoj de ĉiu interna nodo ĝis decido estas farita ĉe la folia nodo.
La internaj nodoj de la decida arbo reprezentas la solvon bazitan sur la enigaj trajtoj de la M-ILS-problemo, kaj la foliaj nodoj reprezentas la finan LS-klasifikon. Dum la studo, estas facile kompreni la hierarkion de decidaj arboj, kiuj klarigas kaj videblas la decidprocezon per rigardado de la rilato inter enigaj ecoj kaj eliraj prognozoj.
En la kampoj de komputiko kaj inĝenierado, algoritmoj pri maŝinlernado estas vaste uzataj por antaŭdiri studentan agadon surbaze de iliaj enirejaj ekzamenaj partituroj [21], demografiaj informoj kaj lernado de konduto [22]. Esploro montris, ke la algoritmo precize antaŭdiris studentan agadon kaj helpis ilin identigi studentojn kun risko por akademiaj malfacilaĵoj.
La apliko de ML -algoritmoj en la disvolviĝo de virtualaj pacientaj simuliloj por denta trejnado estas raportita. La simulilo kapablas precize reprodukti la fiziologiajn respondojn de realaj pacientoj kaj povas esti uzata por trejni dentajn studentojn en sekura kaj kontrolita medio [23]. Pluraj aliaj studoj montras, ke algoritmoj pri maŝinlernado povas plibonigi la kvaliton kaj efikecon de denta kaj medicina edukado kaj pacienca prizorgado. Algoritmoj pri maŝinlernado estis uzataj por helpi la diagnozon de dentaj malsanoj bazitaj sur datumaj aroj kiel simptomoj kaj paciencaj trajtoj [24, 25]. Dum aliaj studoj esploris la uzon de maŝinlernadaj algoritmoj por plenumi taskojn kiel antaŭdiri rezultojn de pacientoj, identigi pacientojn kun alta risko, disvolvi personecajn kuracajn planojn [26], periodontan kuracadon [27], kaj karian kuracadon [25].
Kvankam raportoj pri la apliko de maŝina lernado en dentokuracado estis publikigitaj, ĝia apliko en denta edukado restas limigita. Tial ĉi tiu studo celis uzi decidan arbo -modelon por identigi faktorojn plej proksime asociitajn kun LS kaj estas inter dentaj studentoj.
La rezultoj de ĉi tiu studo montras, ke la evoluinta rekomenda ilo havas altan precizecon kaj perfektan precizecon, indikante, ke instruistoj povas profiti de ĉi tiu ilo. Uzante datum-movitan klasifikan procezon, ĝi povas provizi personecajn rekomendojn kaj plibonigi edukajn spertojn kaj rezultojn por edukistoj kaj studentoj. Inter ili, informoj akiritaj per rekomendaj iloj povas solvi konfliktojn inter la preferataj instruaj metodoj de instruistoj kaj lernaj bezonoj de studentoj. Ekzemple, pro la aŭtomata eligo de rekomendaj iloj, la tempo bezonata por identigi IP de studento kaj kongrui kun la responda IP estos signife reduktita. Tiamaniere, taŭgaj trejnaj agadoj kaj trejnaj materialoj povas esti organizitaj. Ĉi tio helpas disvolvi la pozitivan lernan konduton kaj kapablon de studentoj koncentriĝi. Unu studo raportis, ke provizi studentojn per lernomaterialoj kaj lernadaj agadoj, kiuj kongruas kun siaj preferataj LS, povas helpi studentojn integri, procesi kaj ĝui lernadon per multoblaj manieroj por atingi pli grandan potencialon [12]. Esploro ankaŭ montras, ke krom plibonigi studentan partoprenon en la klasĉambro, kompreni lernadon de studentoj ankaŭ ludas kritikan rolon por plibonigi instruajn praktikojn kaj komunikadon kun studentoj [28, 29].
Tamen, kiel ĉe iu moderna teknologio, estas problemoj kaj limigoj. Ĉi tiuj inkluzivas aferojn rilatajn al datuma privateco, fleksebleco kaj justeco, kaj la profesiaj kapabloj kaj rimedoj necesaj por disvolvi kaj efektivigi algoritmojn pri maŝinlernado en denta edukado; Tamen kreskanta intereso kaj esplorado en ĉi tiu areo sugestas, ke maŝinlernadaj teknologioj povas havi pozitivan efikon sur denta edukado kaj dentaj servoj.
La rezultoj de ĉi tiu studo indikas, ke duono de dentaj studentoj havas emon al "percepti" drogojn. Ĉi tiu tipo de lernantoj havas preferon por faktoj kaj konkretajn ekzemplojn, praktikan orientiĝon, paciencon por detaloj kaj "vidan" preferon, kie lernantoj preferas uzi bildojn, grafikojn, kolorojn kaj mapojn por transdoni ideojn kaj pensojn. La aktualaj rezultoj konformas al aliaj studoj uzantaj IL -ojn por taksi LS en dentaj kaj medicinaj studentoj, plej multaj el kiuj havas trajtojn de perceptaj kaj vidaj LS [12, 30]. Dalmolin et al sugestas, ke informi studentojn pri iliaj LS permesas al ili atingi sian lernan potencialon. Esploristoj argumentas, ke kiam instruistoj plene komprenas la edukan procezon de studentoj, diversaj instruaj metodoj kaj agadoj povas esti efektivigitaj, kiuj plibonigos la agadon kaj lernadon de studentoj [12, 31, 32]. Aliaj studoj montris, ke ĝustigi la LS de studentoj ankaŭ montras plibonigojn en lernado de lernantoj kaj agado post ŝanĝo de siaj lernaj stiloj por konveni siajn proprajn LS [13, 33].
La opinioj de instruistoj povas varii rilate al efektivigo de instruaj strategioj bazitaj sur lernadaj kapabloj de studentoj. Dum iuj vidas la avantaĝojn de ĉi tiu aliro, inkluzive de profesiaj disvolvaj ŝancoj, mentoreco kaj komunuma subteno, aliaj eble zorgas pri tempo kaj institucia subteno. Strebi por ekvilibro estas ŝlosila por krei studentan centritan sintenon. Aŭtoritatoj pri supera edukado, kiel universitataj administrantoj, povas ludi gravan rolon por kaŭzi pozitivan ŝanĝon per enkonduko de novigaj praktikoj kaj subtenado de fakultata disvolviĝo [34]. Por krei vere dinamikan kaj respondan superan edukan sistemon, politikistoj devas fari aŭdacajn paŝojn, kiel fari politikajn ŝanĝojn, dediĉi rimedojn al teknologia integriĝo kaj krei kadrojn, kiuj antaŭenigas studentajn centritajn alirojn. Ĉi tiuj mezuroj estas kritikaj por atingi la deziratajn rezultojn. Lastatempaj esploroj pri diferencigita instrukcio klare montris, ke sukcesa efektivigo de diferencigita instrukcio postulas daŭran trejnadon kaj disvolvajn ŝancojn por instruistoj [35].
Ĉi tiu ilo donas valoran subtenon al dentaj edukistoj, kiuj volas fari studentan centran aliron al planado de studentaj lernaj agadoj. Ĉi tiu studo tamen estas limigita al la uzo de decidaj arbo -ML -modeloj. En la estonteco, pli da datumoj devas esti kolektitaj por kompari la agadon de malsamaj maŝinlernaj modeloj por kompari la precizecon, fidindecon kaj precizecon de rekomendaj iloj. Aldone, elektinte la plej taŭgan maŝinlernan metodon por aparta tasko, gravas konsideri aliajn faktorojn kiel modelkomplekseco kaj interpreto.
Limigo de ĉi tiu studo estas, ke ĝi nur koncentriĝis pri mapado de LS kaj estas inter dentaj studentoj. Tial la evoluinta rekomenda sistemo nur rekomendos tiujn, kiuj taŭgas por dentaj studentoj. Ŝanĝoj estas necesaj por ĝenerala studento de supera edukado.
La lastatempe evoluinta maŝin-lernada rekomenda ilo kapablas senprokraste klasifiki kaj kongrui kun studentoj de studentoj al la responda IS, igante ĝin la unua denta edukprogramo por helpi dentajn edukistojn plani koncernajn instruajn kaj lernadajn agadojn. Uzante datum-movitan trian procezon, ĝi povas doni personecajn rekomendojn, ŝpari tempon, plibonigi instruajn strategiojn, subteni celitajn intervenojn kaj antaŭenigi daŭran profesian disvolviĝon. Ĝia apliko antaŭenigos studentajn centritajn alirojn al denta edukado.
Gilak Jani Associated Press. Kongruas aŭ miskomprenas inter la lernada stilo de la studento kaj la instrua stilo de la instruisto. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Afiŝotempo: Apr-29-2024