Kreskas bezono de student-centra 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 per uzado de decidarba maŝinlernada (ML) teknologio por mapi la preferatan lernstilon (LS) kaj respondajn lernadstrategiojn (IS) de dentokuracaj studentoj kiel utilan ilon por evoluigi IS-gvidliniojn. Promesplenaj metodoj por dentokuracaj studentoj.
Entute 255 dentostudantoj de la Universitato de Malajo kompletigis la modifitan enketilon Indekso de Lernado-Stiloj (m-ILS), kiu enhavis 44 erojn por klasifiki ilin en iliajn respektivajn LS-ojn. La kolektitaj datumoj (nomataj datumbazo) estas uzataj en kontrolita decidarba lernado por aŭtomate kongruigi la lernado-stilojn de la studentoj kun la plej taŭga IS. La precizeco de la maŝinlernado-bazita IS-rekomendilo estas poste taksata.
La apliko de decidarbaj modeloj en aŭtomata mapiga procezo inter LS (enigo) kaj IS (cela eligo) ebligas tujan liston de taŭgaj lernado-strategioj por ĉiu dentostudanto. La rekomendilo IS montris perfektan precizecon kaj memoron de la ĝenerala modelprecizeco, indikante ke la kongruigo de LS kun IS havas bonan sentemon kaj specifecon.
Rekomendilo por Sistemoj de Informadiko (IS) bazita sur decidarbo de Maŝina Lernstudo (ML) pruvis sian kapablon precize kongruigi la lernajn stilojn de dentokuracaj studentoj kun taŭgaj lernaj strategioj. Ĉi tiu ilo provizas potencajn eblojn por plani lernanto-centrajn kursojn aŭ modulojn, kiuj povas plibonigi la lernan sperton de studentoj.
Instruado kaj lernado estas fundamentaj agadoj en edukaj institucioj. Dum disvolvado de altkvalita metia eduka sistemo, gravas fokusiĝi sur la lernado-bezonoj de studentoj. La interagado inter studentoj kaj ilia lerna medio povas esti determinita per ilia LS. Esploroj sugestas, ke instruisto-celitaj misagordoj inter la LS kaj IS de studentoj povas havi negativajn sekvojn por studenta lernado, kiel ekzemple malpliiĝinta atento kaj motivado. Tio nerekte influos studentan rendimenton [1,2].
IS estas metodo uzata de instruistoj por transdoni scion kaj kapablojn al studentoj, inkluzive de helpado al studentoj lerni [3]. Ĝenerale parolante, bonaj instruistoj planas instruajn strategiojn aŭ IS, kiuj plej bone kongruas kun la scionivelo de siaj studentoj, la konceptoj, kiujn ili lernas, kaj ilia lernado-fazo. Teorie, kiam LS kaj IS kongruas, studentoj povos organizi kaj uzi specifan aron da kapabloj por lerni efike. Tipe, lecionplano inkluzivas plurajn transirojn inter fazoj, kiel ekzemple de instruado al gvidita praktiko aŭ de gvidita praktiko al sendependa praktiko. Konsiderante tion, efikaj instruistoj ofte planas instruadon kun la celo konstrui la scion kaj kapablojn de studentoj [4].
La postulo pri SCL kreskas en altlernejoj, inkluzive de dentokuracado. SCL-strategioj estas desegnitaj por kontentigi la lernajn bezonojn de studentoj. Ĉi tio povas esti atingita, ekzemple, se studentoj aktive partoprenas en lernaj agadoj kaj instruistoj agas kiel faciligantoj kaj respondecas pri provizado de valora retrosciigo. Oni diras, ke provizi lernajn materialojn 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 parolante, la lernado-procezo de dentokuracaj studentoj estas influita de la diversaj klinikaj proceduroj, kiujn ili devas plenumi, kaj la klinika medio, en kiu ili evoluigas efikajn interpersonajn kapablojn. La celo de la trejnado estas ebligi al studentoj kombini bazan scion pri dentokuracado kun dentokuracaj klinikaj kapabloj kaj apliki la lernitajn sciojn al novaj klinikaj situacioj [6, 7]. Fruaj esploroj pri la rilato inter LS kaj IS trovis, ke adapti lernado-strategiojn mapitajn al la preferata LS helpus plibonigi la edukan procezon [8]. La aŭtoroj ankaŭ rekomendas uzi diversajn instruajn kaj taksadajn metodojn por adaptiĝi al la lernado kaj bezonoj de la studentoj.
Instruistoj profitas de apliko de LS-scio por helpi ilin desegni, evoluigi kaj efektivigi instruadon, kiu plibonigos la akiron de pli profunda scio kaj kompreno pri la temo fare de studentoj. Esploristoj evoluigis plurajn LS-taksajn ilojn, kiel ekzemple la Kolb-Sperteca Lernado-Modelo, la Felder-Silverman-Lernado-Stila Modelo (FSLSM), kaj la Fleming VAK/VARK-Modelo [5, 9, 10]. Laŭ la literaturo, ĉi tiuj lernado-modeloj estas la plej ofte uzataj kaj plej studitaj lernado-modeloj. En la nuna esplorado, FSLSM estas uzata por taksi LS inter dentostudantoj.
FSLSM estas vaste uzata modelo por taksi adaptan lernadon en inĝenierarto. Ekzistas multaj publikigitaj verkoj en la sansciencoj (inkluzive de medicino, flego, farmacio kaj dentokuracado) kiuj troveblas uzante FSLSM-modelojn [5, 11, 12, 13]. La instrumento uzata por mezuri la dimensiojn de LS en la FLSM nomiĝas la Indekso de Lernado-Stiloj (ILS) [8], kiu enhavas 44 erojn taksantajn kvar dimensiojn de LS: prilaborado (aktiva/reflekta), percepto (percepta/intuicia), enigo (vida/vorta) kaj kompreno (sekvenca/tutmonda) [14].
Kiel montrite en Figuro 1, ĉiu dimensio de FSLSM havas dominan preferon. Ekzemple, en la prilabora dimensio, studentoj kun "aktiva" LS preferas prilabori informojn per rekta interagado kun lernadomaterialoj, lerni per farado, kaj emas lerni en grupoj. La "reflekta" LS rilatas al lernado per pensado kaj preferas labori sole. La "percepta" dimensio de LS povas esti dividita en "sentadon" kaj/aŭ "intuicion". "Sentantaj" studentoj preferas pli konkretajn informojn kaj praktikajn procedurojn, estas fakto-orientitaj kompare kun "intuiciaj" studentoj, kiuj preferas abstraktan materialon kaj estas pli novigaj kaj kreivaj laŭnature. La "eniga" dimensio de LS konsistas el "vidaj" kaj "vortaj" lernantoj. Homoj kun "vida" LS preferas lerni per vidaj demonstraĵoj (kiel diagramoj, filmetoj aŭ vivaj demonstraĵoj), 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". "Sinsekvaj lernantoj preferas linian pensmanieron kaj lernas paŝon post paŝo, dum tutmondaj lernantoj emas havi holisman pensmanieron kaj ĉiam pli bone komprenas tion, kion ili lernas."
Lastatempe, multaj esploristoj komencis esplori metodojn por aŭtomata daten-movita malkovro, inkluzive de la disvolviĝo de novaj algoritmoj kaj modeloj kapablaj interpreti grandajn kvantojn da datumoj [15, 16]. Surbaze de la provizitaj datumoj, kontrolita maŝinlernado (ML) kapablas generi ŝablonojn kaj hipotezojn, kiuj antaŭdiras estontajn rezultojn surbaze de la konstruado de algoritmoj [17]. Simple dirite, kontrolitaj maŝinlernadaj teknikoj manipulas enirdatumojn kaj trejnas algoritmojn. Ĝi tiam generas intervalon, kiu klasifikas aŭ antaŭdiras la rezulton surbaze de similaj situacioj por la provizitaj enirdatumoj. La ĉefa avantaĝo de kontrolitaj maŝinlernadaj algoritmoj estas ilia kapablo establi idealajn kaj deziratajn rezultojn [17].
Per la uzo de daten-movitaj metodoj kaj decidarbaj kontrolaj modeloj, aŭtomata detekto de LS (mallongigo de la sperto). Oni raportis, ke decidarboj estas vaste uzataj en trejnadprogramoj en diversaj kampoj, inkluzive de sansciencoj [18, 19]. En ĉi tiu studo, la modelo estis specife trejnita de la sistemprogramistoj por identigi la LS de studentoj kaj rekomendi la plej bonan IS por ili.
La celo de ĉi tiu studo estas evoluigi strategiojn por liverado de IS bazitajn sur la LS de studentoj kaj apliki la SCL-aliron per evoluigo de IS-rekomendilo mapita al LS. La dezajnfluo de la IS-rekomendilo kiel strategio de la SCL-metodo estas montrita en Figuro 1. La IS-rekomendilo estas dividita en du partojn, inkluzive de la LS-klasifikmekanismo uzante ILS kaj la plej taŭgan IS-montradon por studentoj.
Aparte, la karakterizaĵoj de rekomendiloj pri informa sekureco inkluzivas la uzon de TTT-teknologioj kaj la uzon de decidarba maŝinlernado. Sistemprogramistoj plibonigas la uzanto-sperton kaj moveblecon adaptante ilin al porteblaj aparatoj kiel poŝtelefonoj kaj tabulkomputiloj.
La eksperimento estis efektivigita en du etapoj kaj studentoj de la Fakultato de Dentokuracado ĉe la Universitato de Malajo partoprenis libervole. Partoprenantoj respondis al reta m-ILS-ekzameno de dentokuracado-studento en la angla. En la komenca fazo, datumbazo de 50 studentoj estis uzata por trejni la decidarban maŝinlernadan algoritmon. En la dua fazo de la evoluiga procezo, datumbazo de 255 studentoj estis uzata por plibonigi la precizecon de la evoluigita instrumento.
Ĉiuj partoprenantoj ricevas retan 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 en la enketilo. Ili ricevis unu semajnon por kompletigi la modifitan ILS je tempo kaj loko konvenaj al ili dum la semestra paŭzo antaŭ la komenco de la semestro. La m-ILS baziĝas sur la originala ILS-instrumento kaj estas modifita por dentostudentoj. Simile al la originala ILS, ĝi enhavas 44 egale distribuitajn erojn (a, b), kun po 11 eroj ĉiu, kiuj estas uzataj por taksi aspektojn de ĉiu FSLSM-dimensio.
Dum la komencaj stadioj de la ilo-disvolvado, la esploristoj permane prinotis la mapojn uzante datumbazon de 50 dentostudantoj. Laŭ la FSLM (Financa Lerneja Metodo), 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 Reflektiva/Intuicia/Lingva/tutmonda lernanto.
Post kalibrado de la laborfluo inter esploristoj pri denta edukado kaj sistemprogramistoj, demandoj estis elektitaj surbaze de la FLSSM-domajno kaj enigitaj en la ML-modelon por antaŭdiri la LS de ĉiu studento. "Rubo eniras, rubo eliras" estas populara diraĵo en la kampo de maŝinlernado, kun emfazo pri datenkvalito. La kvalito de la enigitaj datumoj determinas la precizecon kaj ĝustecon de la maŝinlernada modelo. Dum la fazo de trajta inĝenierado, nova trajta aro estas kreita, kiu estas la sumo de respondoj "a" kaj "b" bazitaj sur FLSSM. Identigaj numeroj de drogpozicioj estas donitaj en Tabelo 1.
Kalkulu la poentaron surbaze de la respondoj kaj determinu la LS de la studento. Por ĉiu studento, la poentaro varias de 1 ĝis 11. Poentaroj de 1 ĝis 3 indikas ekvilibron de lernado-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 vario de 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 "aktivan", "reflektan" kaj "ekvilibran". Ekzemple, kiam studento respondas "a" pli ofte ol "b" pri difinita ero kaj lia/ŝia poentaro superas la sojlon de 5 por aparta ero reprezentanta la Prilaboran 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 "proceza" LS. La klasifika procezo estis ripetata por la aliaj LS-dimensioj, nome percepto (aktiva/reflekta), enigo (vida/vorta), kaj kompreno (sekvenca/tutmonda).
Decidarbaj modeloj povas uzi malsamajn subarojn de trajtoj kaj decidregulojn en malsamaj stadioj de la klasifikprocezo. Ĝi estas konsiderata populara klasifika kaj prognoza ilo. Ĝi povas esti reprezentita per arbostrukturo kiel ekzemple fludiagramo [20], en kiu estas internaj nodoj reprezentantaj testojn laŭ atributo, ĉiu branĉo reprezentanta testrezultojn, kaj ĉiu folia nodo (folia nodo) enhavanta klasetikedon.
Simpla regul-bazita programo estis kreita por aŭtomate poenti kaj prinoti la LS de ĉiu studento surbaze de iliaj respondoj. Regul-bazita programo prenas la formon de SE-frazo, kie "SE" priskribas la ellasilon kaj "TIAM" specifas la agon plenumotan, ekzemple: "Se X okazas, tiam faru Y" (Liu et al., 2014). Se la datumbazo montras korelacion kaj la decidarba modelo estas konvene trejnita kaj taksita, ĉi tiu aliro povas esti efika maniero aŭtomatigi la procezon de kongruigo de LS kaj IS.
En la dua fazo de disvolviĝo, la datumbazo estis pliigita al 255 por plibonigi la precizecon de la rekomendilo. La datumbazo estas dividita en proporcio de 1:4. 25% (64) de la datumbazo estis uzata por la testa aro, kaj la ceteraj 75% (191) estis uzataj kiel la trejna aro (Figuro 2). La datumbazo devas esti dividita por malhelpi, ke la modelo estu trejnita kaj testita sur la sama datumbazo, kio povus igi la modelon memori anstataŭ lerni. La modelo estas trejnita sur la trejna aro kaj taksas sian rendimenton sur la testa aro — datumoj, kiujn la modelo neniam antaŭe vidis.
Post kiam la IS-ilo estos evoluigita, la aplikaĵo povos klasifiki LS surbaze de la respondoj de dentostudantoj per TTT-interfaco. La TTT-bazita sistemo de rekomendiloj pri informa sekureco estas konstruita uzante la programlingvon Python kaj la kadron Django kiel la internan sistemon. Tabelo 2 listigas la bibliotekojn uzitajn en la evoluigo de ĉi tiu sistemo.
La datumbazo estas enmetita en decidarban modelon por kalkuli kaj eltiri studentajn respondojn por aŭtomate klasifiki studentajn LS-mezuradojn.
La konfuza matrico estas uzata por taksi la precizecon de decidarba maŝinlernada algoritmo sur donita datumaro. Samtempe, ĝi taksas la rendimenton de la klasifikmodelo. Ĝi resumas la antaŭdirojn de la modelo kaj komparas ilin kun la faktaj datenaj etikedoj. La taksaj rezultoj baziĝas sur kvar malsamaj valoroj: Vera Pozitiva (VP) - la modelo ĝuste antaŭdiris la pozitivan kategorion, Falsa Pozitiva (FP) - la modelo antaŭdiris la pozitivan kategorion, sed la vera etikedo estis negativa, Vera Negativa (VN) - la modelo ĝuste antaŭdiris la negativan klason, kaj Falsa Negativa (FN) - la modelo antaŭdiras negativan klason, sed la vera etikedo estas pozitiva.
Tiuj valoroj estas poste uzataj por kalkuli diversajn rendimentajn metrikojn de la scikit-learn klasifikmodelo en Python, nome precizecon, precizecon, revokon kaj F1-poentaron. Jen ekzemploj:
Revoko (aŭ sentemeco) mezuras la kapablon de la modelo precize klasifiki la LS de studento post respondo al la m-ILS-enketilo.
Specifeco nomiĝas vera negativa indico. Kiel vi povas vidi el la supra formulo, ĉi tio devus esti la proporcio de veraj negativoj (VN) al veraj negativoj kaj falsaj pozitivoj (FP). Kiel parto de la rekomendita ilo por klasifiki studentajn drogojn, ĝi devus povi je preciza identigo.
La originala datumbazo de 50 studentoj uzita por trejni la decidarban ML-modelon montris relative malaltan precizecon pro homa eraro en la komentoj (Tabelo 3). Post kreado de simpla regul-bazita programo por aŭtomate kalkuli LS-poentarojn kaj studentajn komentojn, kreskanta nombro da datumbazoj (255) estis uzita por trejni kaj testi la rekomendan sistemon.
En la plurklasa konfuza matrico, la diagonalaj elementoj reprezentas la nombron de ĝustaj antaŭdiroj por ĉiu LS-tipo (Figuro 4). Uzante la decidarban modelon, entute 64 specimenoj estis ĝuste antaŭdiritaj. Tiel, en ĉi tiu studo, la diagonalaj elementoj montras la atenditajn rezultojn, indikante ke la modelo funkcias bone kaj precize antaŭdiras la klasetikedon por ĉiu LS-klasifiko. Tiel, la ĝenerala precizeco de la rekomendilo estas 100%.
La valoroj de precizeco, precizeco, revoko kaj F1-poentaro estas montritaj en Figuro 5. Por la rekomendsistemo uzanta la decidarban modelon, ĝia F1-poentaro estas 1.0 "perfekta", indikante perfektan precizecon kaj revokon, reflektante signifajn sentemo- kaj specifeco-valorojn.
Figuro 6 montras bildigon de la decidarba modelo post kiam trejnado kaj testado estas finitaj. En flank-al-flanka komparo, la decidarba modelo trejnita kun malpli da trajtoj montris pli altan precizecon kaj pli facilan modelbildigon. Ĉi tio montras, ke trajta inĝenierado kondukanta al trajta redukto estas grava paŝo en plibonigo de la modela rendimento.
Per apliko de decidarbo kontrolita lernado, la mapado inter LS (enigo) 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 la studentoj notis, ke LS estas sufiĉe ekvilibra (Tabelo 4). Aldone al la ok ĉefaj LS, ekzistas 34 kombinaĵoj de LS-klasifikoj por dentokuracaj studentoj de la Universitato de Malajo. Inter ili, percepto, vidado, kaj la kombinaĵo de percepto kaj vidado 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. Oni raportis, ke 12.2% de studentoj kombinis percepton kun vidado (percept-vida LS). Ĉi tiuj rezultoj sugestas, ke studentoj preferas lerni kaj memori per establitaj metodoj, sekvas specifajn kaj detalajn procedurojn, kaj estas atentemaj laŭnature. Samtempe, ili ĝuas lerni per rigardado (uzante diagramojn, ktp.) kaj emas diskuti kaj apliki informojn en grupoj aŭ memstare.
Ĉi tiu studo provizas superrigardon pri maŝinlernadaj teknikoj uzataj en datenminado, kun fokuso sur tuja kaj preciza antaŭdirado de la LS (mallongigo de la lernado) de studentoj kaj rekomendado de taŭgaj IS (Individuaj Sistemoj). Apliko de decidarba modelo identigis la faktorojn plej proksime rilatajn al iliaj viv- kaj edukaj spertoj. Ĝi estas kontrolita maŝinlernada algoritmo, kiu uzas arbostrukturon por klasifiki datumojn dividante aron da datumoj en subkategoriojn bazitajn sur certaj kriterioj. Ĝi funkcias per rekursie dividante la enigajn datumojn en subarojn bazitajn sur la valoro de unu el la enigaj trajtoj de ĉiu interna nodo ĝis decido estas farita ĉe la folia nodo.
La internaj nodoj de la decidarbo reprezentas la solvon bazitan sur la enigaj karakterizaĵoj de la m-ILS-problemo, kaj la foliaj nodoj reprezentas la finan LS-klasifikan prognozon. Dum la studo, estas facile kompreni la hierarkion de decidarboj, kiuj klarigas kaj bildigas la decidprocezon, per rigardo al la rilato inter enigaj trajtoj kaj eligaj prognozoj.
En la kampoj de komputiko kaj inĝenierarto, maŝinlernadaj algoritmoj estas vaste uzataj por antaŭdiri studentan rendimenton surbaze de iliaj alirekzamenaj rezultoj [21], demografiaj informoj kaj lerna konduto [22]. Esploro montris, ke la algoritmo precize antaŭdiris studentan rendimenton kaj helpis ilin identigi studentojn riskantajn akademiajn malfacilaĵojn.
La apliko de maŝinlernadaj 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 maŝinlernadaj algoritmoj povas potenciale plibonigi la kvaliton kaj efikecon de denta kaj medicina edukado kaj pacienta prizorgo. Maŝinlernadaj algoritmoj estis uzitaj por helpi en la diagnozo de dentaj malsanoj surbaze de datumaroj kiel simptomoj kaj pacientaj karakterizaĵoj [24, 25]. Dum aliaj studoj esploris la uzon de maŝinlernadaj algoritmoj por plenumi taskojn kiel antaŭdiri pacientajn rezultojn, identigi altriskajn pacientojn, disvolvi personecigitajn kuracplanojn [26], periodontan kuracadon [27] kaj karian kuracadon [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 decidarban modelon por identigi faktorojn plej proksime asociitajn kun LS kaj IS inter dentalaj studentoj.
La rezultoj de ĉi tiu studo montras, ke la evoluigita rekomendilo havas altan precizecon kaj perfektan precizecon, indikante ke instruistoj povas profiti de ĉi tiu ilo. Uzante daten-bazitan klasifikprocezon, ĝi povas provizi personecigitajn rekomendojn kaj plibonigi edukajn spertojn kaj rezultojn por edukistoj kaj studentoj. Inter ili, informoj akiritaj per rekomendiloj povas solvi konfliktojn inter la preferataj instrumetodoj de instruistoj kaj la lernadobezonoj de studentoj. Ekzemple, pro la aŭtomata eligo de rekomendiloj, la tempo bezonata por identigi la IP-on de studento kaj kongruigi ĝin kun la koresponda IP estos signife reduktita. Tiel, taŭgaj trejnaj agadoj kaj trejnaj materialoj povas esti organizitaj. Ĉi tio helpas evoluigi pozitivan lernan konduton kaj kapablon koncentriĝi de studentoj. Unu studo raportis, ke provizi al studentoj lernajn materialojn kaj lernajn agadojn, kiuj kongruas kun ilia preferata LS, povas helpi studentojn integri, prilabori kaj ĝui lernadon laŭ pluraj manieroj por atingi pli grandan potencialon [12]. Esploro ankaŭ montras, ke krom plibonigi studentan partoprenon en la klasĉambro, kompreni la lernadoprocezon de studentoj ankaŭ ludas kritikan rolon en plibonigado de instrupraktikoj kaj komunikado kun studentoj [28, 29].
Tamen, kiel ĉe iu ajn moderna teknologio, ekzistas problemoj kaj limigoj. Ĉi tiuj inkluzivas aferojn rilatajn al datenprivateco, antaŭjuĝo kaj justeco, kaj la profesiajn kapablojn kaj rimedojn necesajn por disvolvi kaj efektivigi maŝinlernadajn algoritmojn en dentala edukado; Tamen, kreskanta intereso kaj esplorado en ĉi tiu areo sugestas, ke maŝinlernadaj teknologioj povus havi pozitivan efikon sur dentala edukado kaj dentaj servoj.
La rezultoj de ĉi tiu studo indikas, ke duono de dentokuracaj studentoj emas "percepti" drogojn. Ĉi tiu tipo de lernanto preferas faktojn kaj konkretajn ekzemplojn, praktikan orientiĝon, paciencon por detaloj, kaj "vidan" preferon por lernkapablo (LS), kie lernantoj preferas uzi bildojn, grafikaĵojn, kolorojn kaj mapojn por peri ideojn kaj pensojn. La nunaj rezultoj kongruas kun aliaj studoj uzantaj ILS por taksi LS ĉe dentokuracaj kaj medicinaj studentoj, el kiuj la plej multaj havas karakterizaĵojn de percepta kaj vida LS [12, 30]. Dalmolin kaj aliaj sugestas, ke informi studentojn pri ilia LS permesas al ili atingi sian lernan potencialon. Esploristoj argumentas, ke kiam instruistoj plene komprenas la edukan procezon de studentoj, diversaj instrumetodoj kaj agadoj povas esti efektivigitaj, kiuj plibonigos la rendimenton kaj lernan sperton de studentoj [12, 31, 32]. Aliaj studoj montris, ke adapti la LS de studentoj ankaŭ montras plibonigojn en la lerna sperto kaj rendimento de studentoj post ŝanĝo de iliaj lernaj stiloj por konveni al sia propra LS [13, 33].
La opinioj de instruistoj povas varii rilate al la efektivigo de instruaj strategioj bazitaj sur la lernadokapabloj de studentoj. Dum iuj vidas la avantaĝojn de ĉi tiu aliro, inkluzive de profesiaj disvolviĝaj ŝancoj, mentorado kaj komunuma subteno, aliaj eble zorgas pri tempo kaj institucia subteno. Strebi al ekvilibro estas ŝlosila por krei student-centran sintenon. Altnivelaj edukaj aŭtoritatoj, kiel ekzemple universitataj administrantoj, povas ludi gravan rolon en antaŭenigado de pozitiva ŝanĝo per enkonduko de novigaj praktikoj kaj subteno de fakultata disvolviĝo [34]. Por krei vere dinamikan kaj respondeman altlernejan sistemon, politikofaristoj devas fari aŭdacajn paŝojn, kiel ekzemple fari politikajn ŝanĝojn, dediĉi rimedojn al teknologia integriĝo kaj krei kadrojn, kiuj antaŭenigas student-centrajn alirojn. Ĉi tiuj mezuroj estas kritikaj por atingi la deziratajn rezultojn. Lastatempa esplorado pri diferencigita instruado klare montris, ke sukcesa efektivigo de diferencigita instruado postulas daŭrajn trejnadojn kaj disvolviĝajn ŝancojn por instruistoj [35].
Ĉi tiu ilo provizas valoran subtenon al dentaj edukistoj, kiuj volas apliki student-centran aliron al planado de student-amikajn lernadagadojn. Tamen, ĉi tiu studo limiĝas al la uzo de decidarbaj maŝinlernadaj modeloj. Estonte, pli da datumoj devus esti kolektitaj por kompari la rendimenton de malsamaj maŝinlernadaj modeloj por kompari la precizecon, fidindecon kaj precizecon de rekomendiloj. Plie, kiam oni elektas la plej taŭgan maŝinlernadan metodon por specifa tasko, gravas konsideri aliajn faktorojn kiel ekzemple la komplekseco kaj interpreto de la modelo.
Limigo de ĉi tiu studo estas, ke ĝi nur fokusiĝis al mapado de LS kaj IS inter dentokuracaj studentoj. Tial, la evoluigita rekomendsistemo nur rekomendos tiujn, kiuj taŭgas por dentokuracaj studentoj. Ŝanĝoj estas necesaj por ĝenerala uzo de altlernejaj studentoj.
La nove evoluigita maŝinlernada rekomendilo kapablas tuj klasifiki kaj kongruigi la instruajn kaj lernadajn kapablojn (LS) de studentoj kun la koresponda IS, igante ĝin la unua dentala edukprogramo, kiu helpas dentalajn edukistojn plani koncernajn instruajn kaj lernadajn agadojn. Uzante daten-bazitan selektadprocezon, ĝi povas provizi personigitajn rekomendojn, ŝpari tempon, plibonigi instruajn strategiojn, subteni celitajn intervenojn kaj antaŭenigi daŭran profesian disvolviĝon. Ĝia apliko antaŭenigos student-centrajn alirojn al dentala edukado.
Gilak Jani Associated Press. Kongruo aŭ miskongruo inter la lerna 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
Afiŝtempo: 29-a de aprilo 2024