• אָנוּ

מיפוי סגנונות הלמידה המועדפים על תלמידי שיניים על פני אסטרטגיות למידה תואמות באמצעות מודלים של לימוד מכונות עץ ההחלטה BMC חינוך רפואי |

יש צורך הולך וגובר בלמידה מרוכזת סטודנטים (SCL) במוסדות להשכלה גבוהה, כולל רפואת שיניים. עם זאת, ל- SCL יש יישום מוגבל בחינוך שיניים. לפיכך, מחקר זה נועד לקדם את היישום של SCL ברפואת שיניים על ידי שימוש בטכנולוגיית Machine Machine Machine (ML) כדי למפות את סגנון הלמידה המועדף (LS) ואסטרטגיות למידה תואמות (IS) של תלמידי שיניים ככלי שימושי לפיתוח הוא הנחיות ו שיטות מבטיחות לתלמידי שיניים.
בסך הכל 255 סטודנטים לשיניים מאוניברסיטת מלאיה השלימו את האינדקס המותאם של שאלון סגנונות למידה (M-IL), שהכיל 44 פריטים כדי לסווג אותם ל- LSS שלהם. הנתונים שנאספו (המכונים מערך נתונים) משמשים בלימוד עץ ההחלטה המפוקח כדי להתאים אוטומטית את סגנונות הלמידה של התלמידים לכיוון המתאים ביותר. לאחר מכן מוערך הדיוק של המבוסס על למידת המכונה.
היישום של דגמי עץ ההחלטה בתהליך מיפוי אוטומטי בין LS (קלט) ו- IS (פלט יעד) מאפשר רשימה מיידית של אסטרטגיות למידה מתאימות לכל תלמיד שיניים. כלי ההמלצה של IS הפגין דיוק מושלם וזיכרון של דיוק המודל הכולל, מה שמצביע על כך שלתאמה של LS ל- IS יש רגישות וספציפיות טובה.
כלי המלצות הוא המבוסס על עץ החלטה של ​​ML הוכיח את יכולתו להתאים במדויק את סגנונות הלמידה של תלמידי שיניים לאסטרטגיות למידה מתאימות. כלי זה מספק אפשרויות עוצמתיות לתכנון קורסים או מודולים מרוכזים בלומדים שיכולים לשפר את חווית הלמידה של התלמידים.
הוראה ולמידה הן פעילויות מהותיות במוסדות חינוך. בעת פיתוח מערכת חינוך מקצועית באיכות גבוהה, חשוב להתמקד בצרכי הלמידה של התלמידים. ניתן לקבוע את האינטראקציה בין התלמידים לסביבת הלמידה שלהם באמצעות ה- LS שלהם. מחקרים מראים כי אי התאמות מיועדות למורים בין ה- LS של התלמידים יכולים להיות בעלי השלכות שליליות על למידת התלמידים, כמו ירידה בתשומת לב ומוטיבציה. זה ישפיע בעקיפין על ביצועי התלמידים [1,2].
היא שיטה המשמשת את המורים להקניית ידע ומיומנויות לתלמידים, כולל עזרה לתלמידים ללמוד [3]. באופן כללי, מורים טובים מתכננים אסטרטגיות הוראה או שמתאימות בצורה הטובה ביותר לרמת הידע של התלמידים שלהם, למושגים שהם לומדים, ושלב הלמידה שלהם. באופן תיאורטי, כאשר LS ותואמים, התלמידים יוכלו לארגן ולהשתמש במערכת מיומנויות ספציפית כדי ללמוד ביעילות. בדרך כלל, תוכנית שיעורים כוללת מספר מעברים בין שלבים, כמו מהוראה לתרגול מודרך או מתרגול מודרך לתרגול עצמאי. עם זאת בחשבון, מורים יעילים מתכננים לעתים קרובות הדרכה במטרה לבנות את הידע והמיומנויות של התלמידים [4].
הביקוש ל- SCL צומח במוסדות להשכלה גבוהה, כולל רפואת שיניים. אסטרטגיות SCL נועדו לענות על צרכי הלמידה של התלמידים. ניתן להשיג זאת, למשל, אם התלמידים משתתפים באופן פעיל בפעילויות למידה ומורים פועלים כמנחים ואחראים לספק משוב חשוב. נאמר כי מתן חומרי למידה ופעילויות המתאימים לרמת החינוך או העדפותיהם של התלמידים יכול לשפר את סביבת הלמידה של התלמידים ולקדם חוויות למידה חיוביות [5].
באופן כללי, תהליך הלמידה של תלמידי שיניים מושפע מהנהלים הקליניים השונים שהם נדרשים לבצע והסביבה הקלינית בה הם מפתחים מיומנויות בינאישיות יעילות. מטרת ההכשרה היא לאפשר לתלמידים לשלב ידע בסיסי ברפואת שיניים עם מיומנויות קליניות שיניים וליישם את הידע הנרכש על מצבים קליניים חדשים [6, 7]. מחקר מוקדם על הקשר בין LS ונמצא כי התאמת אסטרטגיות למידה הממפות ל- LS המועדף תסייע בשיפור התהליך החינוכי [8]. המחברים ממליצים גם להשתמש במגוון שיטות הוראה והערכה כדי להסתגל ללמידה וצרכיהם של התלמידים.
המורים נהנים מיישום הידע של LS כדי לעזור להם לתכנן, לפתח וליישם הדרכה אשר תשפר את רכישת התלמידים את הידע העמוק יותר והבנה של הנושא. החוקרים פיתחו מספר כלי הערכת LS, כמו מודל הלמידה החווייתית של KOLB, מודל סגנון הלמידה של פלדר-סילברמן (FSLSM), ומודל ה- VAK/VARK FLEMING [5, 9, 10]. על פי הספרות, מודלים למידה אלה הם המודלים הלמידה הנפוצים ביותר והנחקרים ביותר. בעבודת המחקר הנוכחית, FSLSM משמש להערכת LS בקרב תלמידי שיניים.
FSLSM הוא מודל בשימוש נרחב להערכת למידה אדפטיבית בהנדסה. ישנן עבודות רבות שפורסמו במדעי הבריאות (כולל רפואה, סיעוד, בית מרקחת ורפואת שיניים) שניתן למצוא באמצעות דגמי FSLSM [5, 11, 12, 13]. המכשיר המשמש למדידת הממדים של LS ב- FLSM נקרא אינדקס סגנונות הלמידה (ILS) [8], המכיל 44 פריטים המעריכים ארבעה ממדים של LS: עיבוד (פעיל/רפלקטיבי), תפיסה (תפיסתית/אינטואיטיבית), קלט (חזותי). /מילולית) והבנה (רצף/גלובלי) [14].
כפי שמוצג באיור 1, לכל ממד FSLSM יש העדפה דומיננטית. לדוגמה, בממד העיבוד, סטודנטים עם "פעילים" מעדיפים לעבד מידע על ידי אינטראקציה ישירה עם חומרי למידה, ללמוד על ידי עשייה ונוטים ללמוד בקבוצות. ה- LS "הרפלקטיבי" מתייחס ללמידה באמצעות חשיבה ומעדיף לעבוד לבד. ניתן לחלק את הממד "התפיסה" של LS ל"רגשה "ו/או" אינטואיציה ". התלמידים "הרגשים" מעדיפים מידע קונקרטי יותר ונהלים מעשיים, הם מכוונים עובדות בהשוואה לתלמידים "אינטואיטיביים" שמעדיפים חומר מופשט והם חדשניים ויצירתיים יותר באופיים. הממד "הקלט" של LS מורכב מלומדים "חזותיים" ו"עליות ". אנשים עם "חזותיים" LS מעדיפים ללמוד באמצעות הפגנות חזותיות (כמו דיאגרמות, סרטונים או הפגנות חיות), ואילו אנשים עם "מילולית" מעדיפים ללמוד באמצעות מילים בהסברים כתובים או בעל פה. כדי "להבין" את מידות ה- LS, לומדים כאלה יכולים להיות מחולקים ל"רצף "ו"עולמי". "לומדים ברצף מעדיפים תהליך מחשבה לינארי ולומדים צעד אחר צעד, בעוד שלומדים גלובליים נוטים להיות בעלי תהליך מחשבה הוליסטי ותמיד יש להם הבנה טובה יותר של מה שהם לומדים.
לאחרונה החלו חוקרים רבים לחקור שיטות לגילוי אוטומטי מונע נתונים, כולל פיתוח אלגוריתמים ומודלים חדשים המסוגלים לפרש כמויות גדולות של נתונים [15, 16]. בהתבסס על הנתונים שסופקו, ML בפיקוח (למידת מכונה) מסוגלת לייצר דפוסים והשערות המנבאים תוצאות עתידיות המבוססות על בניית אלגוריתמים [17]. במילים פשוטות, טכניקות למידת מכונה בפיקוח מניפולציות על נתוני קלט ואלגוריתמי רכבת. לאחר מכן הוא מייצר טווח המסווג או מנבא את התוצאה על סמך מצבים דומים עבור נתוני הקלט שסופקו. היתרון העיקרי של אלגוריתמי למידת מכונה בפיקוח הוא יכולתו ליצור תוצאות אידיאליות ורצויות [17].
באמצעות שימוש בשיטות מונעות נתונים ובדגמי בקרת עץ החלטות, ניתן לגילוי אוטומטי של LS. דווח כי עצי החלטה נמצאים בשימוש נרחב בתוכניות אימונים בתחומים שונים, כולל מדעי הבריאות [18, 19]. במחקר זה, המודל הוכשר באופן ספציפי על ידי מפתחי המערכת כדי לזהות את ה- LS של התלמידים ולהמליץ ​​על הטוב ביותר הוא עבורם.
מטרת מחקר זה היא לפתח היא אסטרטגיות משלוח המבוססות על LS של התלמידים ומיישמים את גישת ה- SCL על ידי פיתוח כלי המלצות IS הממופה ל- LS. זרימת העיצוב של כלי ההמלצה של IS כאסטרטגיה של שיטת SCL מוצגת באיור 1. כלי ההמלצה של IS מחולק לשני חלקים, כולל מנגנון סיווג ה- LS באמצעות ILS והמתאים ביותר הוא תצוגה לתלמידים.
בפרט, המאפיינים של כלי המלצות אבטחת מידע כוללים שימוש בטכנולוגיות אינטרנט ושימוש בלמידה של מכונת עץ ההחלטה. מפתחי מערכות משפרים את חווית המשתמש והניידות על ידי התאמתם למכשירים ניידים כמו טלפונים ניידים וטאבלטים.
הניסוי בוצע בשני שלבים וסטודנטים מהפקולטה לרפואת שיניים באוניברסיטת מלאיה השתתפו בהתנדבות. המשתתפים הגיבו ל- M-IL המקוונים של סטודנט שיניים באנגלית. בשלב הראשוני, מערך נתונים של 50 סטודנטים שימש לאימון אלגוריתם למידת מכונת עץ ההחלטה. בשלב השני של תהליך הפיתוח, שימש מערך נתונים של 255 סטודנטים לשיפור הדיוק של המכשיר המפותח.
כל המשתתפים מקבלים תדריך מקוון בתחילת כל שלב, תלוי בשנה האקדמית, באמצעות צוותי מיקרוסופט. מטרת המחקר הוסברה והתקבלה הסכמה מדעת. לכל המשתתפים סופקו קישור לגישה ל- M-ILs. כל סטודנט הונחה לענות על כל 44 הפריטים בשאלון. הם ניתנו שבוע להשלמת ה- ILs ששונו בכל פעם ומיקום נוח להם במהלך הפסקת הסמסטר לפני תחילת הסמסטר. ה- M-ILs מבוסס על מכשיר ה- ILS המקורי ושונה לתלמידי שיניים. בדומה ל- ILs המקוריים, הוא מכיל 44 פריטים המופצים באופן שווה (A, B), עם 11 פריטים כל אחד, המשמשים להערכת היבטים של כל ממד FSLSM.
בשלבים הראשונים של פיתוח הכלים, החוקרים העלו באופן ידני את המפות באמצעות מערך נתונים של 50 סטודנטים לשיניים. על פי ה- FSLM, המערכת מספקת את סכום התשובות "A" ו- "B". עבור כל ממד, אם התלמיד בוחר "A" כתשובה, ה- LS מסווג כפעיל/תפיסתי/חזותי/רצף, ואם התלמיד בוחר "B" כתשובה, התלמיד מסווג כמשקף/אינטואיטיבי/לשוני ו / לומד גלובלי.
לאחר כיול זרימת העבודה בין חוקרי חינוך שיניים למפתחי מערכות, נבחרו שאלות על בסיס תחום FLSSM והוזנו למודל ML כדי לחזות את ה- LS של כל תלמיד. "זבל פנימה, זבל החוצה" הוא אמירה פופולרית בתחום למידת מכונות, עם דגש על איכות הנתונים. איכות נתוני הקלט קובעת את הדיוק והדיוק של מודל למידת המכונה. במהלך שלב ההנדסה של התכונות נוצר מערך תכונות חדש המהווה סכום התשובות "A" ו- "B" המבוסס על FLSSM. מספר זיהוי של עמדות התרופות ניתנות בטבלה 1.
חשב את הציון על סמך התשובות וקבע את ה- LS של התלמיד. עבור כל תלמיד, טווח הניקוד הוא בין 1 ל -11. ציונים בין 1 ל -3 מצביעים על איזון של העדפות למידה באותו מימד, וציונים בין 5 ל 7 מעידים על העדפה מתונה, מה שמצביע על כך שהתלמידים נוטים להעדיף סביבה אחת ללמד אחרים ו וריאציה נוספת באותו ממד היא שציונים בין 9 ל -11 משקפים העדפה חזקה לקצה זה או אחר [8].
עבור כל ממד, תרופות נקבעו ל"פעילות "," רפלקטיבית "ו"מאוזנת". לדוגמה, כאשר סטודנט עונה "A" לעיתים קרובות יותר מ- "B" על פריט ייעודי והציון שלו עולה על סף 5 עבור פריט מסוים המייצג את הממד העיבוד LS, הוא/היא שייכים ל- LS "הפעיל" תְחוּם. ו עם זאת, התלמידים סווגו כ- LS "רפלקטיבי" כאשר בחרו ב"ה "יותר מ-" A "ב -11 שאלות ספציפיות (טבלה 1) וקלעו יותר מחמש נקודות. לבסוף, התלמיד נמצא במצב של "שיווי משקל". אם הציון אינו עולה על 5 נקודות, אז זהו "תהליך" LS. תהליך הסיווג חזר על הממדים האחרים של LS, כלומר תפיסה (פעילה/רפלקטיבית), קלט (חזותי/מילולי) והבנה (רצף/גלובלי).
מודלים של עץ ההחלטה יכולים להשתמש בקבוצות משנה שונות של תכונות וכללי החלטה בשלבים שונים של תהליך הסיווג. זה נחשב לכלי סיווג וחיזוי פופולרי. ניתן לייצג אותו באמצעות מבנה עץ כמו תרשים זרימה [20], בו ישנם צמתים פנימיים המייצגים בדיקות לפי תכונה, כל ענף המייצג תוצאות בדיקה, וכל צומת עלים (צומת עלים) המכיל תווית כיתה.
תוכנית פשוטה מבוססת כללים נוצרה כדי להבקיע באופן אוטומטי ולהערה את ה- LS של כל סטודנט על סמך התגובות שלהם. מבוסס הכלל לובש צורה של הצהרת IF, כאשר "אם" מתאר את ההדק ו- "אז" מציין את הפעולה שתבוצע, למשל: "אם X יקרה, אז עשה y" (Liu et al., 2014). אם מערך הנתונים מציג מתאם ומודל עץ ההחלטה מאומן ומוערך כראוי, גישה זו יכולה להיות דרך יעילה לאוטומציה של תהליך ההתאמה של LS ו- IS.
בשלב השני של הפיתוח, מערך הנתונים הוגדל ל 255 כדי לשפר את הדיוק של כלי ההמלצה. מערך הנתונים מפוצל ביחס של 1: 4. 25% (64) ממערך הנתונים שימשו למערך הבדיקה, ו 75% הנותרים (191) שימשו כמערכת האימונים (איור 2). יש לפצל את מערך הנתונים כדי למנוע את הכשרת המודל ולבדוק באותה מערך נתונים, מה שעלול לגרום למודל לזכור ולא ללמוד. המודל מאומן על מערך האימונים ומעריך את ביצועיו במערכת הבדיקה - נתונים שהמודל מעולם לא ראה לפני כן.
לאחר פיתוח כלי ה- IS, היישום יוכל לסווג LS על סמך התגובות של תלמידי שיניים באמצעות ממשק אינטרנט. מערכת כלי ההמלצות לאבטחת מידע מבוססת אינטרנט בנויה באמצעות שפת התכנות של Python באמצעות מסגרת Django כ- Backend. טבלה 2 מפרטת את הספריות המשמשות בפיתוח מערכת זו.
מערך הנתונים מוזן למודל עץ ההחלטה לחישוב וחילוץ תגובות סטודנטים לסיווג אוטומטית של מדידות LS של התלמידים.
מטריצת הבלבול משמשת להערכת הדיוק של אלגוריתם למידת מכונת עץ ההחלטה על מערך נתונים נתון. יחד עם זאת, זה מעריך את הביצועים של מודל הסיווג. זה מסכם את תחזיות המודל ומשווה אותן לתוויות הנתונים בפועל. תוצאות ההערכה מבוססות על ארבעה ערכים שונים: True Positive (TP) - המודל ניבא נכון את הקטגוריה החיובית, שווא חיובי (FP) - המודל ניבא את הקטגוריה החיובית, אך התווית האמיתית הייתה שלילית, שלילית אמיתית (TN) - המודל ניבא נכון את המעמד השלילי, ושלילי כוזב (FN) - המודל חוזה מעמד שלילי, אך התווית האמיתית היא חיובית.
לאחר מכן משתמשים בערכים אלה לחישוב מדדי ביצועים שונים של מודל סיווג Scikit-Learn בציון Python, כלומר דיוק, דיוק, זיכרון וציון F1. להלן דוגמאות:
נזכר (או רגישות) מודד את יכולתו של המודל לסווג במדויק את ה- LS של התלמיד לאחר שענה על שאלון M-ILS.
הספציפיות נקראת שיעור שלילי אמיתי. כפי שאתה יכול לראות מהנוסחה לעיל, זה אמור להיות היחס בין שליליות אמיתיות (TN) לשליליות אמיתיות ולחיובי שווא (FP). כחלק מהכלי המומלץ לסיווג תרופות לסטודנטים, הוא אמור להיות מסוגל להזדהות מדויקת.
מערך הנתונים המקורי של 50 סטודנטים ששימשו לאימוני מודל ML עץ ההחלטה הראה דיוק נמוך יחסית בגלל טעות אנוש בהערות (טבלה 3). לאחר יצירת תוכנית פשוטה מבוססת כללים לחישוב אוטומטי של ציוני LS והערות סטודנטים, נעשה שימוש במספר הולך וגדל של מערכי נתונים (255) כדי לאמן ולבחון את מערכת הממליצים.
במטריקס הבלבול הרב -קלאס, האלמנטים האלכסוניים מייצגים את מספר התחזיות הנכונות עבור כל סוג LS (איור 4). בעזרת מודל עץ ההחלטה, סך הכל 64 דגימות ניבאו כראוי. לפיכך, במחקר זה, האלמנטים האלכסוניים מראים את התוצאות הצפויות, מה שמצביע על כך שהמודל מתפקד היטב ומנבא במדויק את תווית הכיתה עבור כל סיווג LS. לפיכך, הדיוק הכולל של כלי ההמלצה הוא 100%.
ערכי הדיוק, הדיוק, ההיזכרות והציון F1 מוצגים באיור 5. עבור מערכת ההמלצות באמצעות מודל עץ ההחלטה, ציון ה- F1 שלו הוא 1.0 "מושלם", מה שמצביע ערכים.
איור 6 מראה הדמיה של מודל עץ ההחלטה לאחר סיום האימונים והבדיקה. בהשוואה זו לצד זו, מודל עץ ההחלטה שהוכשר עם פחות תכונות הראה דיוק גבוה יותר והדמיה של מודלים קלים יותר. זה מראה כי הנדסת תכונות המובילה להפחתת תכונות היא צעד חשוב בשיפור ביצועי הדגם.
על ידי יישום למידה בפיקוח על עץ ההחלטה, המיפוי בין LS (קלט) ו- IS (פלט יעד) נוצר אוטומטית ומכיל מידע מפורט עבור כל LS.
התוצאות הראו כי 34.9% מתוך 255 התלמידים העדיפו אפשרות אחת (1) LS. לרוב (54.3%) היו שתי העדפות LS או יותר. 12.2% מהתלמידים ציינו כי LS די מאוזנת (טבלה 4). בנוסף לשמונת ה- LS העיקריות, ישנם 34 שילובים של סיווגי LS לסטודנטים לשיניים באוניברסיטת מלאיה. ביניהם, תפיסה, חזון ושילוב של תפיסה וחזון הם ה- LS העיקרי שדווחו על ידי התלמידים (איור 7).
כפי שניתן לראות בטבלה 4, לרוב התלמידים היה תחושה חושית (13.7%) או חזותית (8.6%) LS. דווח כי 12.2% מהתלמידים שילבו תפיסה עם חזון (LS תפיסתי-ויזואלי). ממצאים אלה מראים כי התלמידים מעדיפים ללמוד ולזכור בשיטות מבוססות, לעקוב אחר נהלים ספציפיים ומפורטים, והם קשובים באופיים. יחד עם זאת, הם נהנים ללמוד על ידי חיפוש (שימוש בתרשימים וכו ') ונוטים לדון וליישם מידע בקבוצות או בעצמם.
מחקר זה מספק סקירה של טכניקות למידת מכונה המשמשות בכריית נתונים, תוך התמקדות בחיזוי מיידי ומדויק של ה- LS של התלמידים והמלצת מתאימה היא. יישום מודל עץ ההחלטה זיהה את הגורמים הקשורים ביותר לחייהם ולחוויותיהם החינוכיות. זהו אלגוריתם למידת מכונה בפיקוח המשתמש במבנה עץ כדי לסווג נתונים על ידי חלוקת קבוצת נתונים לקטגוריות משנה על בסיס קריטריונים מסוימים. זה עובד על ידי חלוקת רקורסיבית של נתוני הקלט לקבוצות משנה על סמך הערך של אחת מתכונות הקלט של כל צומת פנימי עד שתתקבל החלטה בצומת העלים.
הצמתים הפנימיים של עץ ההחלטה מייצגים את הפיתרון על סמך מאפייני הקלט של בעיית M-ILS, וצמתי העלים מייצגים את תחזית הסיווג הסופית של LS. לאורך כל המחקר קל להבין את ההיררכיה של עצי ההחלטה המסבירים וממחישים את תהליך ההחלטה על ידי התבוננות בקשר בין תכונות קלט לתחזיות תפוקה.
בתחומי מדעי המחשב והנדסה, אלגוריתמים למידת מכונות נמצאים בשימוש נרחב כדי לחזות את ביצועי התלמידים על בסיס ציוני בחינות הכניסה שלהם [21], מידע דמוגרפי והתנהגות למידה [22]. מחקרים הראו כי האלגוריתם ניבא במדויק את ביצועי הסטודנטים ועזר להם לזהות סטודנטים בסיכון לקשיים אקדמיים.
מדווח על יישום אלגוריתמי ML בפיתוח סימולטורים חולים וירטואליים לאימוני שיניים. הסימולטור מסוגל לשחזר במדויק את התגובות הפיזיולוגיות של חולים אמיתיים וניתן להשתמש בו כדי להכשיר סטודנטים לשיניים בסביבה בטוחה ומבוקרת [23]. מספר מחקרים אחרים מראים כי אלגוריתמים למידת מכונות יכולים לשפר את האיכות והיעילות של חינוך שיניים ורפואי וטיפול בחולים. אלגוריתמים למידת מכונה שימשו כדי לסייע באבחון מחלות שיניים על בסיס מערכי נתונים כמו תסמינים ומאפייני חולים [24, 25]. בעוד שמחקרים אחרים בדקו את השימוש באלגוריתמים למידת מכונה לביצוע משימות כמו חיזוי תוצאות מטופלים, זיהוי חולים בסיכון גבוה, פיתוח תוכניות טיפול בהתאמה אישית [26], טיפול חניכיים [27] וטיפול ב- CAR [25].
אף על פי שפורסמו דיווחים על יישום למידת מכונות ברפואת שיניים, היישום שלה בחינוך שיניים נותר מוגבל. לפיכך, מחקר זה נועד להשתמש במודל עץ ההחלטה כדי לזהות גורמים הקשורים באופן הדוק ביותר ל- LS ונמצא בקרב תלמידי שיניים.
תוצאות המחקר מראות כי לכלי ההמלצה המפותח יש דיוק גבוה ודיוק מושלם, מה שמצביע על כך שהמורים יכולים ליהנות מכלי זה. בעזרת תהליך סיווג מונע נתונים, הוא יכול לספק המלצות בהתאמה אישית ולשפר חוויות ותוצאות חינוכיות עבור אנשי חינוך ותלמידים. ביניהם, מידע המתקבל באמצעות כלי המלצות יכול לפתור קונפליקטים בין שיטות ההוראה המועדפות על מורים לצרכי הלמידה של התלמידים. לדוגמה, בשל הפלט האוטומטי של כלי ההמלצה, הזמן הנדרש לזיהוי ה- IP של הסטודנט ולהתאים אותו ל- IP המתאים יופחת משמעותית. בדרך זו ניתן לארגן פעילויות אימונים מתאימות וחומרי הדרכה. זה עוזר בפיתוח התנהגות הלמידה החיובית של התלמידים ויכולת להתרכז. מחקר אחד דיווח כי מתן לתלמידים חומרי למידה ופעילויות למידה התואמות את ה- LS המועדף עליהם יכול לעזור לתלמידים לשלב, לעבד וליהנות מלמידה במספר דרכים להשגת פוטנציאל גדול יותר [12]. מחקרים מראים גם כי בנוסף לשיפור השתתפות התלמידים בכיתה, הבנת תהליך הלמידה של התלמידים ממלאת גם תפקיד קריטי בשיפור פרקטיקות ההוראה והתקשורת עם התלמידים [28, 29].
עם זאת, כמו בכל טכנולוגיה מודרנית, ישנן בעיות ומגבלות. אלה כוללים סוגיות הקשורות לפרטיות נתונים, הטיה והגינות, והכישורים והמשאבים המקצועיים הדרושים לפיתוח ויישום אלגוריתמים למידת מכונה בחינוך שיניים; עם זאת, העניין והמחקר ההולך וגובר בתחום זה מראים כי טכנולוגיות למידת מכונות עשויות להשפיע לטובה על חינוך שיניים ושירותי שיניים.
תוצאות המחקר מצביעות על כך שלמחצית מתלמידי השיניים יש נטייה לתרופות "לתפוס". לסוג זה של לומד יש העדפה לעובדות ודוגמאות קונקרטיות, אוריינטציה מעשית, סבלנות לפרטי פרטים והעדפת LS "חזותית", בה הלומדים מעדיפים להשתמש בתמונות, גרפיקה, צבעים ומפות כדי להעביר רעיונות ומחשבות. התוצאות הנוכחיות עולות בקנה אחד עם מחקרים אחרים המשתמשים ב- ILS כדי להעריך LS אצל סטודנטים לרפואה ורפואה, לרובם מאפיינים של LS תפיסתי וחזותי [12, 30]. דלמולין ואח 'מציעים כי ליידע את התלמידים על ה- LS שלהם מאפשר להם להגיע לפוטנציאל הלמידה שלהם. החוקרים טוענים שכאשר מורים מבינים היטב את התהליך החינוכי של התלמידים, ניתן ליישם שיטות הוראה ופעילויות שונות שישפרו את ביצועי הביצועים ואת חווית הלמידה של התלמידים [12, 31, 32]. מחקרים אחרים הראו כי התאמת ה- LS של התלמידים מראים גם שיפורים בחוויית הלמידה והביצועים של התלמידים לאחר שינוי סגנונות הלמידה שלהם כך שיתאימו ל- LS שלהם [13, 33].
חוות דעתם של המורים עשויות להשתנות ביחס ליישום אסטרטגיות הוראה המבוססות על יכולות הלמידה של התלמידים. בעוד שחלק רואים את היתרונות של גישה זו, כולל הזדמנויות לפיתוח מקצועי, חונכות ותמיכה בקהילה, אחרים עשויים להיות מודאגים מתמיכה בזמן ותמיכה מוסדית. חתירה לאיזון היא המפתח ליצירת גישה מרוכזת סטודנטים. רשויות להשכלה גבוהה, כמו מנהלי אוניברסיטאות, יכולות למלא תפקיד חשוב בהנעת שינוי חיובי על ידי הצגת פרקטיקות חדשניות ותמיכה בפיתוח סגל [34]. כדי ליצור מערכת השכלה גבוהה דינאמית ומגיבה באמת, קובעי המדיניות חייבים לנקוט בצעדים נועזים, כגון ביצוע שינויים במדיניות, הקצאת משאבים לשילוב טכנולוגי ויצירת מסגרות המקדמות גישות מרוכזות סטודנטים. מדדים אלה הם קריטיים להשגת התוצאות הרצויות. מחקרים שנערכו לאחרונה על הוראה מובחנת הראו בבירור כי יישום מוצלח של הוראה מובחנת מחייב הזדמנויות הכשרה ופיתוח שוטפות למורים [35].
כלי זה מספק תמיכה חשובה למחנכי שיניים שרוצים לנקוט בגישה מרוכזת סטודנטים לתכנון פעילויות למידה ידידותיות לתלמידים. עם זאת, מחקר זה מוגבל לשימוש במודלים של עץ ההחלטה ML. בעתיד יש לאסוף נתונים נוספים כדי להשוות בין ביצועים של מודלים שונים של למידת מכונות כדי להשוות את הדיוק, האמינות והדיוק של כלי ההמלצה. בנוסף, בבחירת שיטת למידת המכונה המתאימה ביותר למשימה מסוימת, חשוב לקחת בחשבון גורמים אחרים כמו מורכבות מודל ופרשנות.
מגבלה של מחקר זה היא שהיא התמקדה רק במיפוי LS ונמצאת בקרב תלמידי שיניים. לפיכך, מערכת ההמלצות המפותחת תמליץ רק על אלה המתאימים לתלמידי שיניים. שינויים נחוצים לשימוש כללי להשכלה גבוהה.
כלי ההמלצות המבוסס על למידת מכונה שפותחה לאחרונה מסוגל לסווג ולהתאים באופן מיידי את ה- LS של התלמידים לתאריך הוא, מה שהופך אותו לתכנית לחינוך שיניים ראשון כדי לעזור למחנכי שיניים לתכנן פעילויות הוראה ולמידה רלוונטיות. בעזרת תהליך טריאז 'מונע נתונים, הוא יכול לספק המלצות בהתאמה אישית, לחסוך זמן, לשפר אסטרטגיות הוראה, לתמוך בהתערבויות ממוקדות ולקדם פיתוח מקצועי מתמשך. היישום שלה יקדם גישות מרוכזות סטודנטים לחינוך שיניים.
Gilak Jani Associated Press. התאמה או אי התאמה בין סגנון הלמידה של התלמיד לסגנון ההוראה של המורה. Int J Mod Educ מדעי המחשב. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


זמן הודעה: אפריל-29-2024