Estas kreskanta bezono de student-centrigita lernado (SCL) en altlernejoj, inkluzive de dentokuracado.Tamen, SCL havas limigitan aplikon en denta edukado.Tial ĉi tiu studo celas antaŭenigi la aplikon de SCL en dentokuracado uzante decidarban maŝinlernadon (ML) teknologion por mapi la preferatan lernstilon (LS) kaj respondajn lernostrategiojn (IS) de dentalaj studentoj kiel utila ilo por evoluigi IS-gvidliniojn. .Promesplenaj metodoj por dentalaj studentoj.
Totalo de 255 dentalaj studentoj de la Universitato de Malajo kompletigis la modifitan Indekso de Lernado-Stiloj (m-ILS) demandaron, kiu enhavis 44 erojn por klasifiki ilin en siajn respektivajn LSojn.La kolektitaj datenoj (nomitaj datumaroj) estas uzataj en kontrolita decidarba lernado por aŭtomate kongrui la lernstilojn de studentoj al la plej taŭga IS.La precizeco de la maŝinlern-bazita IS-rekomendilo tiam estas taksita.
La apliko de decidarbmodeloj en aŭtomatigita mapa procezo inter LS (enigaĵo) kaj IS (celproduktaĵo) permesas tujan liston de konvenaj lernstrategioj por ĉiu dentala studento.La IS-rekomendilo montris perfektan precizecon kaj revokon de totala modelprecizeco, indikante, ke kongrui LS al IS havas bonan sentemon kaj specifecon.
IS-rekomendilo bazita sur ML-decidarbo pruvis sian kapablon precize kongrui la lernstilojn de dentstudentoj kun taŭgaj lernstrategioj.Ĉi tiu ilo provizas potencajn eblojn por plani lernantajn kursojn aŭ modulojn, kiuj povas plibonigi la lernadon de studentoj.
Instruado kaj lernado estas fundamentaj agadoj en edukaj institucioj.Dum evoluigado de altkvalita metia eduka sistemo, gravas koncentriĝi pri la lernbezonoj de studentoj.La interagado inter studentoj kaj ilia lernmedio povas esti determinita per ilia LS.Esplorado indikas ke instruisto-intencitaj misagordoj inter LS kaj IS de studentoj povas havi negativajn sekvojn por studenta lernado, kiel ekzemple malkreskinta atento kaj instigo.Ĉi tio nerekte influos studentan agadon [1,2].
IS estas metodo uzata de instruistoj por transdoni scion kaj kapablojn al studentoj, inkluzive de helpi studentojn lerni [3].Ĝenerale parolante, bonaj instruistoj planas instruajn strategiojn aŭ IS, kiuj plej bone kongruas kun la nivelo de scio de siaj lernantoj, la konceptoj kiujn ili lernas kaj ilia stadio de lernado.Teorie, kiam LS kaj IS kongruas, studentoj povos organizi kaj uzi specifan aron da kapabloj por lerni efike.Tipe, lecionplano inkluzivas plurajn transirojn inter stadioj, kiel de instruado al gvidita praktiko aŭ de gvidita praktiko al sendependa praktiko.Konsiderante ĉi tion, efikaj instruistoj ofte planas instruadon kun la celo konstrui sciojn kaj kapablojn de studentoj [4].
La postulo je SCL kreskas en altlernejoj, inkluzive de dentokuracado.SCL-strategioj estas dizajnitaj por renkonti lernajn bezonojn de studentoj.Ĉi tio povas esti atingita, ekzemple, se studentoj aktive partoprenas en lernado-agadoj kaj instruistoj agas kiel faciligantoj kaj respondecas pri disponigado de valoraj reagoj.Oni diras, ke provizi lernmaterialojn kaj agadojn konvenajn al eduka nivelo aŭ preferoj de studentoj povas plibonigi lernmedion de studentoj kaj antaŭenigi pozitivajn lernspertojn [5].
Ĝenerale parolante, la lernadprocezo de dentalaj studentoj estas influita de la diversaj klinikaj proceduroj kiujn ili devas plenumi kaj la klinika medio en kiu ili evoluigas efikajn interhomajn kapablojn.La celo de la trejnado estas ebligi studentojn kombini bazajn sciojn pri dentokuracado kun dentalaj klinikaj kapabloj kaj apliki la akiritajn sciojn al novaj klinikaj situacioj [6, 7].Frua esplorado pri la rilato inter LS kaj IS trovis, ke ĝustigi lernajn strategiojn mapitajn al la preferata LS helpus plibonigi la edukan procezon [8].La aŭtoroj ankaŭ rekomendas uzi diversajn instruajn kaj taksajn metodojn por adaptiĝi al lernado kaj bezonoj de studentoj.
Instruistoj profitas de aplikado de LS-scio por helpi ilin desegni, evoluigi kaj efektivigi instrukcion, kiu plifortigos la akiron de studentoj de pli profunda scio kaj kompreno de la temo.Esploristoj evoluigis plurajn LS-taksajn ilojn, kiel ekzemple la Kolb Experiential Learning Model, la Felder-Silverman Learning Style Model (FSLSM), kaj la Fleming VAK/VARK Model [5, 9, 10].Laŭ la literaturo, ĉi tiuj lernmodeloj estas la plej ofte uzataj kaj plej studitaj lernmodeloj.En la nuna esplorlaboro, FSLSM estas uzata por taksi LS inter dentalaj studentoj.
FSLSM estas vaste uzita modelo por taksado de adapta lernado en inĝenieristiko.Estas multaj publikigitaj verkoj en la sansciencoj (inkluzive de medicino, flegado, apoteko kaj dentokuracado) kiuj povas esti trovitaj uzante FSLSM-modelojn [5, 11, 12, 13].La instrumento uzita por mezuri la grandecon de LS en la FLSM estas nomita la Index of Learning Styles (ILS) [8], kiu enhavas 44 erojn taksantajn kvar dimensiojn de LS: pretigo (aktiva/reflekta), percepto (percepta/intuicia), enigo (vida)./vorba) kaj kompreno (sinsekva/tutmonda) [14].
Kiel montrite en Figuro 1, ĉiu FSLSM-dimensio havas dominan preferon.Ekzemple, en la pretiga dimensio, studentoj kun "aktiva" LS preferas prilabori informojn rekte interagante kun lernomaterialoj, lernas farante 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 "intuicion"."Sentantaj" studentoj preferas pli konkretajn informojn kaj praktikajn procedurojn, estas faktorientitaj 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 "vida" LS preferas lerni per vidaj pruvoj (kiel diagramoj, videoj aŭ vivaj manifestacioj), dum homoj kun "vorta" LS preferas lerni per vortoj en skribaj aŭ parolaj klarigoj.Por "kompreni" la LS-dimensiojn, tiaj lernantoj povas esti dividitaj en "sinsekvajn" kaj "tutmondajn"."Sekvencaj lernantoj preferas linearan pensan procezon kaj lernas paŝon post paŝo, dum tutmondaj lernantoj emas havi tutecan pensprocezon kaj ĉiam havi pli bonan komprenon pri tio, kion ili lernas.
Lastatempe, multaj esploristoj komencis esplori metodojn por aŭtomata datuma malkovro, inkluzive de la 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 la konstruado de algoritmoj [17].Simple dirite, kontrolitaj maŝinlernadoteknikoj manipulas enigajn datumojn kaj trejnas algoritmojn.Ĝi tiam generas gamon kiu klasifikas aŭ antaŭdiras la rezulton bazitan sur similaj situacioj por la provizitaj enigdatenoj.La ĉefa avantaĝo de kontrolataj maŝinlernado-algoritmoj estas ĝia kapablo establi idealajn kaj deziratajn rezultojn [17].
Per la uzo de daten-movitaj metodoj kaj decidarbaj kontrolmodeloj, aŭtomata detekto de LS estas ebla.Decidaj arboj estas vaste uzataj en trejnaj programoj en diversaj kampoj, inkluzive de sansciencoj [18, 19].En ĉi tiu studo, la modelo estis specife trejnita de la sistemprogramistoj por identigi LS de studentoj kaj rekomendi la plej bonan IS por ili.
La celo de ĉi tiu studo estas evoluigi IS-liverajn strategiojn bazitajn sur LS de studentoj kaj apliki la SCL-aliron disvolvante IS-rekomendilon mapitan al LS.La dezajnofluo de la IS-rekomenda ilo kiel strategio de la SCL-metodo estas montrita en Figuro 1. La IS-rekomendilo estas dividita en du partojn, inkluzive de la LS-klasifika mekanismo uzante ILS kaj la plej taŭga IS-ekrano por studentoj.
Aparte, la karakterizaĵoj de informasekurecaj rekomendaj iloj inkluzivas la uzon de retaj teknologioj kaj la uzon de decidarba maŝinlernado.Sistemprogramistoj plibonigas la uzantsperton kaj moviĝeblon adaptante ilin al porteblaj aparatoj kiel poŝtelefonoj kaj tablojdoj.
La eksperimento estis farita en du stadioj kaj studentoj de la Fakultato de Dentokuracado ĉe la Universitato de Malajo partoprenis libervole.Partoprenantoj respondis al reta m-ILS de dentostudento en la angla.En la komenca fazo, datumaro de 50 studentoj estis uzita por trejni la decidarban maŝinlernadalgoritmon.En la dua fazo de la evoluprocezo, datumaro de 255 studentoj estis uzata por plibonigi la precizecon de la evoluinta instrumento.
Ĉiuj partoprenantoj ricevas interretan informkunvenon komence de ĉiu etapo, depende de la akademia jaro, per Microsoft Teams.La celo de la studo estis klarigita kaj informita konsento estis akirita.Ĉiuj partoprenantoj ricevis ligilon por aliri la m-ILS.Ĉiu studento estis instrukciita respondi ĉiujn 44 erojn de la demandaro.Ili ricevis unu semajnon por kompletigi la modifitan ILS en tempo kaj loko oportunaj al ili dum la semestropaŭzo antaŭ la komenco de la semestro.La m-ILS estas bazita sur la origina ILS-instrumento kaj modifita por dentalaj studentoj.Simila al la origina ILS, ĝi enhavas 44 egale distribuitajn erojn (a, b), kun 11 eroj ĉiu, kiuj estas uzitaj por taksi aspektojn de ĉiu FSLSM-dimensio.
Dum la komencaj stadioj de ilo-disvolviĝo, la esploristoj mane komentis la mapojn uzante datumaron de 50 dentstudentoj.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/Perceptual/Vida/Sekvenca, kaj se la studento elektas "b" kiel respondon, la studento estas klasifikita kiel Reflektiva/Intuicia/Lingvistiko. ./ tutmonda lernanto.
Post kalibrado de la laborfluo inter dentaj edukaj esploristoj kaj sistemprogramistoj, demandoj estis elektitaj surbaze de la FLSSM-domajno kaj provizitaj en la ML-modelon por antaŭdiri la LS de ĉiu studento."Rubo en, rubo ekstere" estas populara diro en la kampo de maŝina lernado, kun emfazo de datumkvalito.La kvalito de la eniga datumoj determinas la precizecon kaj precizecon de la maŝinlernada modelo.Dum la trajto-inĝenieristiko-fazo, nova trajto-aro estas kreita kiu estas la sumo de respondoj "a" kaj "b" bazita sur FLSSM.Identigaj nombroj de drogpozicioj estas donitaj en Tabelo 1.
Kalkulu la poentaron surbaze de la respondoj kaj determini la LS de la studento.Por ĉiu studento, la poentargamo estas de 1 ĝis 11. Poentaroj de 1 ĝis 3 indikas ekvilibron de lernpreferoj ene de la sama dimensio, kaj poentaroj de 5 ĝis 7 indikas moderan preferon, indikante ke studentoj emas preferi unu medion instruante aliajn. .Alia vario sur la sama dimensio estas ke interpunkcioj de 9 ĝis 11 reflektas fortan preferon por unu fino aŭ la alia [8].
Por ĉiu dimensio, drogoj estis grupigitaj en "aktivaj", "reflektaj" kaj "ekvilibraj".Ekzemple, kiam studento respondas "a" pli ofte ol "b" pri elektita objekto kaj lia/ŝia poentaro superas la sojlon de 5 por speciala objekto reprezentanta la Processing LS-dimension, li/ŝi apartenas al la "aktiva" LS. domajno..Tamen, studentoj estis klasifikitaj kiel "reflekta" 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" LS.La klasifika procezo estis ripetita por la aliaj LS-dimensioj, nome percepto (aktiva/reflekta), enigo (vida/vorta), kaj kompreno (sinsekva/tutmonda).
Decidaj arbomodeloj povas uzi malsamajn subarojn de ecoj kaj decidregulojn en malsamaj stadioj de la klasifikprocezo.Ĝi estas konsiderata populara klasifika kaj prognoza ilo.Ĝi povas esti reprezentita uzante arbstrukturon kiel fluodiagramo [20], en kiu ekzistas internaj nodoj reprezentantaj testojn per atributo, ĉiu branĉo reprezentanta testrezultojn, kaj ĉiu folinodo (folionodo) enhavanta klasetikedon.
Simpla regul-bazita programo estis kreita por aŭtomate noti kaj komenti la LS de ĉiu studento surbaze de iliaj respondoj.Regulbazita prenas la formon de IF-deklaro, kie "SE" priskribas la ellasilon kaj "TIAM" precizigas la agon por esti farita, ekzemple: "Se X okazas, tiam faru Y" (Liu et al., 2014).Se la datenoj elmontras korelacion kaj la decidarbomodelo estas konvene trejnita kaj taksita, tiu aliro povas esti efika maniero aŭtomatigi la procezon de egalado de LS kaj IS.
En la dua fazo de evoluo, la datumaro estis pliigita al 255 por plibonigi la precizecon de la rekomendilo.La datuma aro estas dividita en proporcio 1:4.25% (64) de la datuma aro estis uzata por la testaro, kaj la ceteraj 75% (191) estis uzata kiel la trejna aro (Figuro 2).La datumaro devas esti dividita por malhelpi la modelon esti trejnita kaj testita sur la sama datumaro, kio povus kaŭzi la modelon memori prefere ol lerni.La modelo estas trejnita sur la trejna aro kaj taksas sian efikecon sur la testaro - datenoj kiujn la modelo neniam antaŭe vidis.
Post kiam la IS-ilo estas evoluigita, la aplikaĵo povos klasifiki LS surbaze de la respondoj de dentalaj studentoj per interreta interfaco.La TTT-bazita informa sekureca rekomenda ilsistemo estas konstruita uzante la programlingvon Python uzante la kadron Django kiel la backend.Tabelo 2 listigas la bibliotekojn uzitajn en la evoluo de ĉi tiu sistemo.
La datumaro estas provizita al decida arbomodelo por kalkuli kaj eltiri studentajn respondojn por aŭtomate klasifiki studentajn LS-mezuradon.
La konfuza matrico estas uzata por taksi la precizecon de decidarba maŝinlernada algoritmo sur donita datumaro.Samtempe ĝi taksas la agadon de la klasifika modelo.Ĝi resumas la prognozojn de la modelo kaj komparas ilin kun la realaj datenetikedoj.La taksadrezultoj baziĝas sur kvar malsamaj valoroj: Vera Pozitiva (TP) - la modelo ĝuste antaŭdiris la pozitivan kategorion, False Pozitivan (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 negativan (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 scikit-learn klasifika modelo en Python, nome precizeco, precizeco, revoko kaj F1-poentaro.Jen ekzemploj:
Rememoro (aŭ sentemo) mezuras la kapablon de la modelo precize klasifiki LS de studento post respondado de la m-ILS-enketilo.
Specifeco estas nomita vera negativa indico.Kiel vi povas vidi de la supra formulo, ĉi tio devus esti la rilatumo de veraj negativoj (TN) al veraj negativoj kaj falsaj pozitivoj (FP).Kiel parto de la rekomendita ilo por klasifiki studentajn drogojn, ĝi devus esti kapabla je preciza identigo.
La origina datumaro de 50 studentoj uzata por trejni la decidan arbon ML-modelon montris relative malaltan precizecon pro homa eraro en la komentarioj (Tablo 3).Post kreado de simpla regul-bazita programo por aŭtomate kalkuli LS-poentojn kaj studentajn komentadojn, kreskanta nombro da datumaroj (255) estis uzata por trejni kaj testi la rekomendan sistemon.
En la multklasa konfuza matrico, la diagonalaj elementoj reprezentas la nombron da ĝustaj antaŭdiroj por ĉiu LS-tipo (Figuro 4).Uzante la decidan arbomodelon, entute 64 specimenoj estis ĝuste antaŭdiritaj.Tiel, en ĉi tiu studo, la diagonalaj elementoj montras la atendatajn rezultojn, indikante ke la modelo funkcias bone kaj precize antaŭdiras la klasetikedon por ĉiu LS-klasifiko.Tiel, la ĝenerala precizeco de la rekomenda ilo estas 100%.
La valoroj de precizeco, precizeco, revoko kaj F1-poentaro estas montritaj en Figuro 5. Por la rekomendsistemo uzanta la decidan arbomodelon, ĝia F1-poentaro estas 1.0 "perfekta", indikante perfektan precizecon kaj revokon, reflektante signifan sentemon kaj specifecon. valoroj.
Figuro 6 montras bildigon de la decida arbo-modelo post kiam trejnado kaj testado estas finitaj.En flank-al-flanke komparo, la decidarba modelo trejnita kun malpli da ecoj montris pli altan precizecon kaj pli facilan modelbildigon.Ĉi tio montras, ke trajto-inĝenierado kondukanta al trajto-redukto estas grava paŝo en plibonigo de modela agado.
Per aplikado de decidarbo kontrolita lernado, la mapado inter LS (enigaĵo) kaj IS (cela eligo) estas aŭtomate generita kaj enhavas detalajn informojn por ĉiu LS.
La rezultoj montris, ke 34,9% el la 255 studentoj preferis unu (1) LS-opcion.La plimulto (54.3%) havis du aŭ pli da LS-preferoj.12.2% de studentoj rimarkis, ke LS estas sufiĉe ekvilibra (Tabelo 4).Aldone al la ok ĉefaj LS, ekzistas 34 kombinaĵoj de LS-klasifikoj por Universitato de Malaja dentalaj studentoj.Inter ili, percepto, vizio kaj la kombinaĵo de percepto kaj vizio estas la ĉefaj LS raportitaj de studentoj (Figuro 7).
Kiel videblas el Tabelo 4, la plimulto de studentoj havis superregan sensan (13.7%) aŭ vidan (8.6%) LS.Estis raportite ke 12.2% de studentoj kombinis percepton kun vizio (percept-vida LS).Ĉi tiuj trovoj sugestas, ke studentoj preferas lerni kaj memori per establitaj metodoj, sekvi specifajn kaj detalajn procedurojn, kaj estas atentaj en naturo.Samtempe ili ĝuas lerni per rigardado (uzante diagramojn ktp.) kaj emas diskuti kaj apliki informojn en grupoj aŭ memstare.
Ĉi tiu studo provizas superrigardon de maŝinlernado-teknikoj uzataj en datumminado, kun fokuso pri tuj kaj precize antaŭdirado de LS de studentoj kaj rekomendado de taŭga IS.Apliko de decidarba modelo identigis la faktorojn plej proksime rilatajn al iliaj vivo kaj edukaj spertoj.Ĝi estas kontrolita maŝinlernada algoritmo kiu uzas arbstrukturon por klasifiki datenojn dividante aron da datenoj en subkategoriojn bazitajn sur certaj kriterioj.Ĝi funkcias rekursive dividante la enirdatenojn en subarojn bazitajn sur la valoro de unu el la enirtrajtoj de ĉiu interna nodo ĝis decido estas farita ĉe la folia nodo.
La internaj nodoj de la decidarbo reprezentas la solvon bazitan sur la enirkarakterizaĵoj de la m-ILS-problemo, kaj la folionodoj reprezentas la finan LS-klasifikprognozon.Dum la studo, estas facile kompreni la hierarkion de decidarboj kiuj klarigas kaj bildigas la decidprocezon rigardante la rilaton inter enigaĵoj kaj produktaĵprognozoj.
En la kampoj de komputiko kaj inĝenierado, maŝinlernado-algoritmoj estas vaste uzataj por antaŭdiri studentan agadon surbaze de siaj alirekzamenaj poentaroj [21], demografiaj informoj kaj lernado-konduto [22].Esploro montris, ke la algoritmo precize antaŭdiris studentan efikecon kaj helpis ilin identigi studentojn en risko por akademiaj malfacilaĵoj.
La apliko de ML-algoritmoj en la evoluo de virtualaj paciencaj simuliloj por denta trejnado estas raportita.La simulilo kapablas precize reprodukti la fiziologiajn respondojn de realaj pacientoj kaj povas esti uzata por trejni dentalajn studentojn en sekura kaj kontrolita medio [23].Pluraj aliaj studoj montras, ke maŝinlernado-algoritmoj eble povas plibonigi la kvaliton kaj efikecon de dentala kaj medicina edukado kaj pacienca prizorgado.Algoritmoj de maŝinlernado estis uzataj por helpi en la diagnozo de dentmalsanoj bazitaj sur datumaj aroj kiel simptomoj kaj pacientaj trajtoj [24, 25].Dum aliaj studoj esploris la uzon de maŝinlernado-algoritmoj por plenumi taskojn kiel antaŭdiri pacientajn rezultojn, identigi altriskaj pacientoj, disvolvi personigitajn traktadajn planojn [26], periodontalan traktadon [27] kaj karian traktadon [25].
Kvankam raportoj pri la apliko de maŝinlernado en dentokuracado estis publikigitaj, ĝia apliko en dentala edukado restas limigita.Tial ĉi tiu studo celis uzi decidan arbomodelon por identigi faktorojn plej proksime asociitajn kun LS kaj IS inter dentalaj 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 datuman klasifikan procezon, ĝi povas provizi personigitajn rekomendojn kaj plibonigi edukajn spertojn kaj rezultojn por edukistoj kaj studentoj.Inter ili, informoj akiritaj per rekomendaj iloj povas solvi konfliktojn inter la preferataj instrumetodoj de instruistoj kaj lernbezonoj de studentoj.Ekzemple, pro la aŭtomatigita eligo de rekomendaj iloj, la tempo bezonata por identigi la IP de studento kaj kongrui ĝin kun la responda IP estos signife reduktita.Tiamaniere oni povas organizi taŭgajn trejnajn agadojn kaj trejnmaterialojn.Ĉi tio helpas evoluigi pozitivan lernan konduton kaj kapablon koncentriĝi de studentoj.Unu studo raportis, ke provizi studentojn per lernmaterialoj kaj lernajn agadojn, kiuj kongruas kun ilia preferata LS, povas helpi studentojn integriĝi, prilabori kaj ĝui lernadon en multoblaj manieroj por atingi pli grandan potencialon [12].Esploro ankaŭ montras, ke krom plibonigi studentan partoprenon en la klasĉambro, kompreno de lernado de studentoj ankaŭ ludas kritikan rolon en plibonigo de instruaj praktikoj kaj komunikado kun studentoj [28, 29].
Tamen, kiel kun iu ajn moderna teknologio, ekzistas problemoj kaj limigoj.Ĉi tiuj inkluzivas aferojn rilatajn al datuma privateco, biaso kaj justeco, kaj la profesiaj kapabloj kaj rimedoj necesaj por evoluigi kaj efektivigi maŝinlernajn algoritmojn en denta edukado;Tamen, kreskanta intereso kaj esplorado en ĉi tiu areo sugestas, ke maŝinlernado teknologioj povas havi pozitivan efikon al denta edukado kaj dentalaj servoj.
La rezultoj de ĉi tiu studo indikas, ke duono de dentstudantoj havas emon "percepti" drogojn.Ĉi tiu speco de lernanto havas preferon por faktoj kaj konkretaj ekzemploj, praktikan orientiĝon, paciencon por detaloj, kaj "vidan" LS-preferon, kie lernantoj preferas uzi bildojn, grafikojn, kolorojn kaj mapojn por transdoni ideojn kaj pensojn.La nunaj rezultoj kongruas kun aliaj studoj uzantaj ILS por taksi LS en dentalaj kaj medicinaj studentoj, la plej multaj el kiuj havas trajtojn de percepta kaj vida LS [12, 30].Dalmolin et al sugestas, ke informi studentojn pri ilia LS permesas al ili atingi ilian lernpotencialon.Esploristoj argumentas, ke kiam instruistoj plene komprenas la edukan procezon de studentoj, diversaj instrumetodoj kaj agadoj povas esti efektivigitaj, kiuj plibonigos la agadon kaj lernan sperton de studentoj [12, 31, 32].Aliaj studoj montris, ke alĝustigo de la LS de studentoj ankaŭ montras plibonigojn en la sperto kaj agado de lernantoj post ŝanĝado de siaj lernstiloj por konveni sian propran LS [13, 33].
La opinioj de instruistoj povas varii koncerne la efektivigon de instrustrategioj bazitaj sur la lernkapabloj de studentoj.Dum iuj vidas la avantaĝojn de ĉi tiu aliro, inkluzive de profesiaj disvolvaj ŝancoj, mentorado kaj komunuma subteno, aliaj povas zorgi pri tempo kaj institucia subteno.Strebi al ekvilibro estas ŝlosilo por krei studentan sintenon.Altlernejaj aŭtoritatoj, kiel universitataj administrantoj, povas ludi gravan rolon en kondukado de pozitiva ŝanĝo enkondukante novigajn praktikojn kaj subtenante la disvolvon de fakultato [34].Por krei vere dinamikan kaj respondeman alteduksistemon, politikofaristoj devas fari aŭdacajn paŝojn, kiel fari politikajn ŝanĝojn, dediĉi rimedojn al teknologia integriĝo kaj krei kadrojn kiuj antaŭenigas student-centritajn alirojn.Ĉi tiuj mezuroj estas kritikaj por atingi la deziratajn rezultojn.Lastatempaj esploroj pri diferencigita instruado klare montris, ke sukcesa efektivigo de diferencigita instruado postulas daŭrajn trejnadojn kaj evoluajn ŝancojn por instruistoj [35].
Ĉi tiu ilo provizas valoran subtenon al dentaj edukistoj, kiuj volas preni studentan aliron al planado de studentamika lernado-agadoj.Tamen, ĉi tiu studo estas limigita al la uzo de decidarbaj ML-modeloj.Estonte, pli da datumoj devus esti kolektitaj por kompari la agadon de malsamaj maŝinlernado-modeloj por kompari la precizecon, fidindecon kaj precizecon de rekomendaj iloj.Aldone, elektante la plej taŭgan maŝinlernadmetodon por aparta tasko, estas grave konsideri aliajn faktorojn kiel modelkompleksecon kaj interpreton.
Limigo de ĉi tiu studo estas, ke ĝi nur koncentriĝis pri mapado de LS kaj IS inter dentalaj studentoj.Tial, la evoluinta rekomendsistemo nur rekomendos tiujn, kiuj taŭgas por dentaj studentoj.Ŝanĝoj estas necesaj por ĝenerala altlerneja studenta uzo.
La lastatempe evoluinta maŝinlernada rekomenda ilo kapablas tuj klasifiki kaj kongrui la LS de studentoj al la responda IS, igante ĝin la unua denta eduka programo por helpi dentajn edukistojn plani koncernajn instruadon kaj lernadon.Uzante datuman trian procezon, ĝi povas provizi personigitajn rekomendojn, ŝpari tempon, plibonigi instruajn strategiojn, subteni laŭcelajn intervenojn kaj antaŭenigi daŭran profesian evoluon.Ĝia apliko antaŭenigos student-centritajn alirojn al denta edukado.
Gilak Jani Associated Press.Kongruo aŭ nekongruo inter la lernstilo de la studento kaj la instrustilo de la instruisto.Int J Mod Educ Komputado.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Afiŝtempo: Apr-29-2024