יש צורך הולך וגובר בלמידה ממוקדת סטודנטים (SCL) במוסדות להשכלה גבוהה, כולל רפואת שיניים.עם זאת, ל-SCL יש יישום מוגבל בחינוך שיניים.לכן, מחקר זה נועד לקדם את היישום של SCL ברפואת שיניים על ידי שימוש בטכנולוגיית למידת מכונה של עץ החלטות (ML) למיפוי סגנון הלמידה המועדף (LS) ואסטרטגיות הלמידה המתאימות (IS) של סטודנטים לרפואת שיניים ככלי שימושי לפיתוח הנחיות IS .שיטות מבטיחות לסטודנטים לרפואת שיניים.
בסך הכל 255 סטודנטים לרפואת שיניים מאוניברסיטת מלאיה מילאו את השאלון המותאם של אינדקס סגנונות למידה (m-ILS), שהכיל 44 פריטים כדי לסווג אותם ל-LSs בהתאמה.הנתונים שנאספו (הנקראים מערך נתונים) משמשים למידת עץ החלטות מפוקחת כדי להתאים אוטומטית את סגנונות הלמידה של התלמידים ל-IS המתאים ביותר.הדיוק של כלי ההמלצה מבוסס למידה חישובית מוערך לאחר מכן.
יישום מודלים של עץ החלטות בתהליך מיפוי אוטומטי בין LS (קלט) ו-IS (תפוקת יעד) מאפשר רשימה מיידית של אסטרטגיות למידה מתאימות לכל סטודנט לרפואת שיניים.כלי המלצת ה-IS הוכיח דיוק מושלם וזיכרונות של דיוק המודל הכולל, מה שמצביע על כך שלהתאמה של LS ל-IS יש רגישות וסגוליות טובות.
כלי המלצות IS המבוסס על עץ החלטות ML הוכיח את יכולתו להתאים במדויק את סגנונות הלמידה של סטודנטים לרפואת שיניים עם אסטרטגיות למידה מתאימות.כלי זה מספק אפשרויות עוצמתיות לתכנון קורסים או מודולים ממוקדי לומד שיכולים לשפר את חווית הלמידה של התלמידים.
הוראה ולמידה הן פעילויות יסוד במוסדות החינוך.כאשר מפתחים מערכת חינוך מקצועית איכותית, חשוב להתמקד בצרכי הלמידה של התלמידים.ניתן לקבוע את האינטראקציה בין התלמידים וסביבת הלמידה שלהם באמצעות ה-LS שלהם.מחקרים מצביעים על כך שלאי התאמה של כוונת המורה בין ה-LS וה-IS של התלמידים יכולה להיות השלכות שליליות על למידת התלמידים, כגון ירידה בתשומת הלב והמוטיבציה.זה ישפיע בעקיפין על ביצועי התלמידים [1,2].
IS היא שיטה המשמשת מורים להקניית ידע ומיומנויות לתלמידים, כולל עזרה לתלמידים ללמוד [3].באופן כללי, מורים טובים מתכננים אסטרטגיות הוראה או IS התואמות בצורה הטובה ביותר את רמת הידע של תלמידיהם, המושגים שהם לומדים ושלב הלמידה שלהם.באופן תיאורטי, כאשר LS ו-IS תואמים, התלמידים יוכלו לארגן ולהשתמש במערך מסוים של מיומנויות כדי ללמוד ביעילות.בדרך כלל, מערך שיעור כולל מספר מעברים בין שלבים, כגון מהוראה לתרגול מודרך או מתרגול מודרך לתרגול עצמאי.עם זאת בחשבון, מורים יעילים מתכננים לעתים קרובות הוראה במטרה לבנות את הידע והמיומנויות של התלמידים [4].
הביקוש ל-SCL הולך וגדל במוסדות להשכלה גבוהה, כולל רפואת שיניים.אסטרטגיות SCL נועדו לענות על צורכי הלמידה של התלמידים.ניתן להשיג זאת, למשל, אם התלמידים משתתפים באופן פעיל בפעילויות למידה והמורים פועלים כמנחים ואחראים למתן משוב בעל ערך.נאמר כי מתן חומרי למידה ופעילויות המתאימים לרמתם החינוכית או להעדפותיהם של התלמידים יכולים לשפר את סביבת הלמידה של התלמידים ולקדם חוויות למידה חיוביות [5].
באופן כללי, תהליך הלמידה של סטודנטים לרפואת שיניים מושפע מההליכים הקליניים השונים שהם נדרשים לבצע ומהסביבה הקלינית שבה הם מפתחים מיומנויות בינאישיות אפקטיביות.מטרת ההכשרה היא לאפשר לסטודנטים לשלב ידע בסיסי ברפואת שיניים עם מיומנויות קליניות דנטליות וליישם את הידע הנרכש למצבים קליניים חדשים [6, 7].מחקר מוקדם על הקשר בין LS ל-IS מצא שהתאמת אסטרטגיות למידה הממופות ל-LS המועדף תעזור לשפר את התהליך החינוכי [8].המחברים גם ממליצים להשתמש במגוון שיטות הוראה והערכה כדי להתאים ללמידה ולצרכים של התלמידים.
מורים נהנים מיישום ידע LS כדי לעזור להם לעצב, לפתח וליישם הוראה שתגביר את רכישת הידע וההבנה העמוקה של התלמידים של הנושא.חוקרים פיתחו מספר כלים להערכת LS, כגון מודל הלמידה התנסותית של קולב, מודל סגנון הלמידה של פלדר-סילברמן (FSLSM) ומודל פלמינג VAK/VARK [5, 9, 10].על פי הספרות, מודלים למידה אלו הם מודל הלמידה הנפוצים והנחקרים ביותר.בעבודת המחקר הנוכחית, FSLSM משמש להערכת LS בקרב סטודנטים לרפואת שיניים.
FSLSM הוא מודל בשימוש נרחב להערכת למידה אדפטיבית בהנדסה.ישנן עבודות שפורסמו רבות במדעי הבריאות (כולל רפואה, סיעוד, רוקחות ורפואת שיניים) שניתן למצוא באמצעות מודלים של FSLSM [5, 11, 12, 13].המכשיר המשמש למדידת הממדים של LS ב-FLSM נקרא אינדקס סגנונות למידה (ILS) [8], המכיל 44 פריטים המעריכים ארבעה מימדים של LS: עיבוד (פעיל/רפלקטיבי), תפיסה (תפיסה/אינטואיטיבית), קלט (ויזואלי)./מילולית) והבנה (רציף/עולמי) [14].
כפי שמוצג באיור 1, לכל מימד FSLSM יש העדפה דומיננטית.לדוגמה, בממד העיבוד, תלמידים עם LS "פעיל" מעדיפים לעבד מידע על ידי אינטראקציה ישירה עם חומרי למידה, ללמוד תוך כדי עשייה ונוטים ללמוד בקבוצות.ה-LS ה"משקף" מתייחס ללמידה דרך חשיבה ומעדיף לעבוד לבד.ניתן לחלק את ממד ה"תפיסה" של LS ל"תחושה" ו/או "אינטואיציה".תלמידים "מרגישים" מעדיפים מידע קונקרטי יותר ונהלים מעשיים, הם מכווני עובדות לעומת תלמידים "אינטואיטיביים" המעדיפים חומר מופשט ובעלי אופי חדשני ויצירתי יותר.מימד ה"קלט" של LS מורכב מלומדים "חזותיים" ו"מילוליים".אנשים עם LS "חזותי" מעדיפים ללמוד באמצעות הדגמות חזותיות (כגון דיאגרמות, סרטונים או הדגמות חיות), בעוד שאנשים עם LS "מילולית" מעדיפים ללמוד באמצעות מילים בהסברים בכתב או בעל פה.כדי "להבין" את ממדי ה-LS, ניתן לחלק לומדים כאלה ל"רציף" ו"גלובלי"."לומדים ברצף מעדיפים תהליך חשיבה ליניארי ולומדים צעד אחר צעד, בעוד שללומדים גלובליים נוטים להיות תהליך חשיבה הוליסטי ותמיד יש להם הבנה טובה יותר של מה שהם לומדים.
לאחרונה, חוקרים רבים החלו לחקור שיטות לגילוי אוטומטי מונע נתונים, כולל פיתוח אלגוריתמים ומודלים חדשים המסוגלים לפרש כמויות גדולות של נתונים [15, 16].בהתבסס על הנתונים שסופקו, ML מפוקח (למידת מכונה) מסוגל ליצור דפוסים והשערות המנבאים תוצאות עתידיות על סמך בניית אלגוריתמים [17].במילים פשוטות, טכניקות למידת מכונה בפיקוח מטפלות בנתוני קלט ומאמנות אלגוריתמים.לאחר מכן הוא יוצר טווח שמסווג או מנבא את התוצאה בהתבסס על מצבים דומים עבור נתוני הקלט שסופקו.היתרון העיקרי של אלגוריתמים של למידת מכונה מפוקחת הוא היכולת שלה לבסס תוצאות אידיאליות ורצויות [17].
באמצעות שימוש בשיטות מונעות נתונים ובמודלים של בקרת עצי החלטות, זיהוי אוטומטי של LS אפשרי.דווח כי עצי החלטה נמצאים בשימוש נרחב בתכניות הכשרה בתחומים שונים, כולל מדעי הבריאות [18, 19].במחקר זה, המודל הוכשר במיוחד על ידי מפתחי המערכת לזהות את ה-LS של התלמידים ולהמליץ על ה-IS הטוב ביותר עבורם.
מטרת מחקר זה היא לפתח אסטרטגיות אספקת IS המבוססות על LS של התלמידים וליישם את גישת ה-SCL על ידי פיתוח כלי המלצת IS ממופה ל-LS.זרימת התכנון של כלי המלצת IS כאסטרטגיה של שיטת SCL מוצגת באיור 1. כלי המלצת IS מחולק לשני חלקים, כולל מנגנון סיווג LS באמצעות ILS ותצוגת IS המתאימה ביותר לתלמידים.
בפרט, המאפיינים של כלי המלצות אבטחת מידע כוללים שימוש בטכנולוגיות אינטרנט ושימוש בלמידת מכונה של עץ החלטות.מפתחי מערכות משפרים את חווית המשתמש והניידות על ידי התאמתם למכשירים ניידים כגון טלפונים ניידים וטאבלטים.
הניסוי בוצע בשני שלבים וסטודנטים מהפקולטה לרפואת שיניים באוניברסיטת מלאיה השתתפו בהתנדבות.המשתתפים הגיבו ל-m-ILS מקוון של סטודנט לרפואת שיניים באנגלית.בשלב הראשוני נעשה שימוש במערך נתונים של 50 תלמידים כדי להכשיר את אלגוריתם למידת המכונה של עץ ההחלטות.בשלב השני של תהליך הפיתוח, נעשה שימוש במערך נתונים של 255 תלמידים כדי לשפר את הדיוק של המכשיר שפותח.
כל המשתתפים מקבלים תדרוך מקוון בתחילת כל שלב, בהתאם לשנת הלימודים, באמצעות Microsoft Teams.מטרת המחקר הוסברה והתקבלה הסכמה מדעת.כל המשתתפים קיבלו קישור לגישה ל-m-ILS.כל תלמיד קיבל הוראה לענות על כל 44 הפריטים בשאלון.הם קיבלו שבוע להשלים את ה-ILS המותאם בזמן ובמקום הנוחים להם במהלך חופשת הסמסטר לפני תחילת הסמסטר.ה-m-ILS מבוסס על מכשיר ה-ILS המקורי ומותאם לסטודנטים לרפואת שיניים.בדומה ל-ILS המקורי, הוא מכיל 44 פריטים בחלוקה שווה (א, ב), עם 11 פריטים כל אחד, המשמשים להערכת היבטים של כל ממד FSLSM.
במהלך השלבים הראשוניים של פיתוח הכלים, החוקרים כתבו ידנית את המפות באמצעות מערך נתונים של 50 סטודנטים לרפואת שיניים.לפי ה-FSLM, המערכת מספקת את סכום התשובות "א" ו-"ב".עבור כל מימד, אם התלמיד בוחר "א" כתשובה, ה-LS מסווג כפעיל/תפיסתי/חזותי/רציף, ואם התלמיד בוחר ב-"ב" כתשובה, התלמיד מסווג כרעיוני/אינטואיטיבי/לשוני. ./ לומד גלובלי.
לאחר כיול זרימת העבודה בין חוקרי חינוך שיניים ומפתחי מערכות, שאלות נבחרו על סמך תחום FLSSM והוזנו למודל ה-ML כדי לחזות את ה-LS של כל תלמיד."זבל פנימה, זבל החוצה" היא אמירה פופולרית בתחום למידת מכונה, עם דגש על איכות הנתונים.איכות נתוני הקלט קובעת את הדיוק והדיוק של מודל למידת המכונה.במהלך שלב הנדסת התכונות, נוצרת קבוצת תכונות חדשה שהיא סכום התשובות "a" ו-"b" המבוססות על FLSSM.מספרי זיהוי של עמדות סמים מופיעים בטבלה 1.
חשב את הציון על סמך התשובות וקבע את ה-LS של התלמיד.עבור כל תלמיד, טווח הציונים הוא בין 1 ל-11. ציונים מ-1 עד 3 מצביעים על איזון של העדפות למידה בתוך אותו מימד, וציונים מ-5 עד 7 מצביעים על העדפה מתונה, מה שמצביע על כך שתלמידים נוטים להעדיף סביבה אחת המלמדת אחרת. .וריאציה נוספת על אותו מימד היא שציונים מ-9 עד 11 משקפים העדפה חזקה לקצה זה או אחר [8].
עבור כל מימד, סמים קובצו ל"פעיל", "רפלקטיבי" ו"מאוזן".לדוגמה, כאשר תלמיד עונה "a" לעתים קרובות יותר מאשר "ב" על פריט ייעודי והציון שלו חורג מהסף של 5 עבור פריט מסוים המייצג את ממד העיבוד LS, הוא/היא שייך ל-LS ה"פעיל". תְחוּם..עם זאת, תלמידים סווגו כ-LS "משקף" כאשר בחרו ב-"b" יותר מ-"a" ב-11 שאלות ספציפיות (טבלה 1) וקיבלו יותר מ-5 נקודות.לבסוף, התלמיד נמצא במצב של "שיווי משקל".אם הציון לא יעלה על 5 נקודות, אז זה "תהליך" LS.תהליך הסיווג חזר על עצמו עבור מימדי ה-LS האחרים, כלומר תפיסה (פעיל/רפלקטיבי), קלט (ויזואלי/מילולי) והבנה (רציף/גלובלי).
מודלים של עץ החלטות יכולים להשתמש בקבוצות משנה שונות של תכונות ובכללי החלטה בשלבים שונים של תהליך הסיווג.זה נחשב לכלי סיווג וחיזוי פופולרי.ניתן לייצג אותו באמצעות מבנה עץ כגון תרשים זרימה [20], בו ישנם צמתים פנימיים המייצגים בדיקות לפי תכונה, כל ענף מייצג תוצאות בדיקה, וכל צומת עלה (צומת עלה) מכיל תווית מחלקה.
נוצרה תוכנית פשוטה מבוססת כללים כדי לציון אוטומטית ולציין את ה-LS של כל תלמיד על סמך התגובות שלו.מבוסס על כללים לוקח צורה של הצהרת IF, כאשר "IF" מתאר את הטריגר ו-"THEN" מציין את הפעולה שיש לבצע, למשל: "אם X קורה, אז תעשה Y" (Liu et al., 2014).אם מערך הנתונים מציג קורלציה ומודל עץ ההחלטות מאומן ומוערך כראוי, גישה זו יכולה להיות דרך יעילה להפוך את תהליך ההתאמה של LS ו-IS לאוטומטי.
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 המבחנים, ו-75% הנותרים (191) שימשו כמערך ההדרכה (איור 2).יש לפצל את מערך הנתונים כדי למנוע מהמודל להתאמן ולבדוק על אותו מערך נתונים, מה שעלול לגרום למודל לזכור במקום ללמוד.המודל מאומן על סט האימונים ומעריך את ביצועיו במערך המבחן - נתונים שהמודל מעולם לא ראה בעבר.
לאחר פיתוח כלי ה-IS, האפליקציה תוכל לסווג LS על סמך תגובות סטודנטים לרפואת שיניים באמצעות ממשק אינטרנט.מערכת כלי המלצות אבטחת המידע מבוססת האינטרנט בנויה באמצעות שפת התכנות Python תוך שימוש במסגרת Django בתור הקצה האחורי.טבלה 2 מפרטת את הספריות המשמשות בפיתוח מערכת זו.
מערך הנתונים מוזן למודל עץ החלטות כדי לחשב ולחלץ תגובות תלמידים כדי לסווג אוטומטית מדידות LS של תלמידים.
מטריצת הבלבול משמשת להערכת הדיוק של אלגוריתם למידת מכונה של עץ החלטות על מערך נתונים נתון.במקביל, הוא מעריך את הביצועים של מודל הסיווג.הוא מסכם את התחזיות של המודל ומשווה אותם לתוויות הנתונים בפועל.תוצאות ההערכה מבוססות על ארבעה ערכים שונים: True Positive (TP) - המודל חזה נכון את הקטגוריה החיובית, False Positive (FP) - המודל חזה את הקטגוריה החיובית, אך התווית האמיתית הייתה שלילית, True Negative (TN) - המודל חזה נכון את המחלקה השלילית, ו-false negative (FN) - המודל חוזה מחלקה שלילית, אבל התווית האמיתית היא חיובית.
ערכים אלה משמשים לאחר מכן לחישוב מדדי ביצועים שונים של מודל הסיווג scikit-learn ב-Python, כלומר דיוק, דיוק, ריקול וציון F1.הנה דוגמאות:
היזכרות (או רגישות) מודדת את יכולתו של המודל לסווג במדויק את ה-LS של תלמיד לאחר מענה על שאלון m-ILS.
ספציפיות נקראת שיעור שלילי אמיתי.כפי שניתן לראות מהנוסחה לעיל, זה צריך להיות היחס בין שליליים אמיתיים (TN) לשליליים אמיתיים וחיוביים שגויים (FP).כחלק מהכלי המומלץ לסיווג סמים לתלמידים, עליו להיות מסוגל לזיהוי מדויק.
מערך הנתונים המקורי של 50 תלמידים ששימשו לאימון מודל ML עץ ההחלטות הראה דיוק נמוך יחסית עקב טעות אנוש בהערות (טבלה 3).לאחר יצירת תוכנית פשוטה מבוססת כללים לחישוב אוטומטי של ציוני LS והערות תלמידים, נעשה שימוש במספר הולך וגדל של מערכי נתונים (255) כדי להכשיר ולבדוק את מערכת הממליצים.
במטריצת הבלבול הרב-מעמדית, האלמנטים האלכסוניים מייצגים את מספר התחזיות הנכונות עבור כל סוג LS (איור 4).באמצעות מודל עץ ההחלטות, סה"כ חזו כהלכה 64 דגימות.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%.
הערכים של דיוק, דיוק, ריקול וציון F1 מוצגים באיור 5. עבור מערכת ההמלצות המשתמשת במודל עץ ההחלטות, ציון F1 שלה הוא 1.0 "מושלם", המצביע על דיוק וזיכרונות מושלמים, המשקפים רגישות וסגוליות משמעותיות ערכים.
איור 6 מציג הדמיה של מודל עץ ההחלטות לאחר השלמת האימון והבדיקות.בהשוואה זה לצד זה, מודל עץ ההחלטות שאומן עם פחות תכונות הראה דיוק גבוה יותר והדמיית מודל קלה יותר.זה מראה שהנדסת תכונות המובילה להפחתת תכונות היא צעד חשוב בשיפור ביצועי המודל.
על ידי יישום למידה בפיקוח עץ החלטות, המיפוי בין LS (קלט) ו-IS (פלט יעד) נוצר אוטומטית ומכיל מידע מפורט עבור כל LS.
התוצאות הראו כי 34.9% מ-255 התלמידים העדיפו אפשרות אחת (1) LS.לרוב (54.3%) היו שתי העדפות LS או יותר.12.2% מהתלמידים ציינו ש-LS מאוזן למדי (טבלה 4).בנוסף לשמונה LS העיקריים, ישנם 34 שילובים של סיווגי LS עבור סטודנטים לרפואת שיניים באוניברסיטת מלאיה.ביניהם, תפיסה, חזון והשילוב של תפיסה וחזון הם ה-LS העיקריים שמדווחים על ידי התלמידים (איור 7).
כפי שניתן לראות מטבלה 4, לרוב התלמידים היה LS חושי דומיננטי (13.7%) או חזותי (8.6%).דווח כי 12.2% מהתלמידים שילבו תפיסה עם ראייה (תפיסה-חזותית LS).ממצאים אלו מצביעים על כך שתלמידים מעדיפים ללמוד ולזכור באמצעות שיטות מבוססות, לעקוב אחר נהלים ספציפיים ומפורטים, והם קשובים באופיים.יחד עם זאת, הם נהנים ללמוד על ידי הסתכלות (באמצעות דיאגרמות וכו') ונוטים לדון וליישם מידע בקבוצות או בכוחות עצמם.
מחקר זה מספק סקירה כללית של טכניקות למידת מכונה המשמשות בכריית נתונים, תוך התמקדות בחיזוי מיידי ומדויק של ה-LS של התלמידים והמלצה על IS מתאים.יישום מודל עץ ההחלטות זיהה את הגורמים הקשורים ביותר לחיים ולחוויות החינוכיות שלהם.זהו אלגוריתם למידת מכונה מפוקחת המשתמש במבנה עץ כדי לסווג נתונים על ידי חלוקת קבוצת נתונים לקטגוריות משנה על סמך קריטריונים מסוימים.זה עובד על ידי חלוקה רקורסיבית של נתוני הקלט לתת-קבוצות על סמך הערך של אחת מתכונות הקלט של כל צומת פנימי עד לקבלת החלטה בצומת העלה.
הצמתים הפנימיים של עץ ההחלטות מייצגים את הפתרון המבוסס על מאפייני הקלט של בעיית m-ILS, וצמתי העלים מייצגים את חיזוי הסיווג הסופי של LS.במהלך המחקר, קל להבין את ההיררכיה של עצי החלטה המסבירים ומדמיינים את תהליך ההחלטה על ידי התבוננות בקשר בין תכונות קלט ותחזיות פלט.
בתחומי מדעי המחשב וההנדסה, נעשה שימוש נרחב באלגוריתמים של למידת מכונה כדי לחזות את ביצועי התלמידים על סמך ציוני בחינות הכניסה שלהם [21], מידע דמוגרפי והתנהגות למידה [22].מחקר הראה שהאלגוריתם חזה במדויק את ביצועי התלמידים ועזר להם לזהות תלמידים בסיכון לקשיים אקדמיים.
דווח על יישום אלגוריתמי ML בפיתוח סימולטורים וירטואליים למטופלים להכשרת שיניים.הסימולטור מסוגל לשחזר במדויק את התגובות הפיזיולוגיות של מטופלים אמיתיים וניתן להשתמש בו כדי להכשיר סטודנטים לרפואת שיניים בסביבה בטוחה ומבוקרת [23].מספר מחקרים אחרים מראים שאלגוריתמים של למידת מכונה יכולים לשפר את האיכות והיעילות של חינוך שיניים ורפואה וטיפול בחולים.נעשה שימוש באלגוריתמים של למידת מכונה כדי לסייע באבחון של מחלות שיניים על סמך מערכי נתונים כגון תסמינים ומאפייני מטופל [24, 25].בעוד מחקרים אחרים בחנו את השימוש באלגוריתמים של למידת מכונה לביצוע משימות כגון חיזוי תוצאות המטופל, זיהוי חולים בסיכון גבוה, פיתוח תוכניות טיפול מותאמות אישית [26], טיפול חניכיים [27] וטיפול בעששת [25].
למרות שפורסמו דוחות על יישום למידת מכונה ברפואת שיניים, היישום שלה בחינוך דנטלי נותר מוגבל.לכן, מחקר זה נועד להשתמש במודל עץ החלטות כדי לזהות גורמים הקשורים הכי קרובים ל-LS ו-IS בקרב סטודנטים לרפואת שיניים.
תוצאות מחקר זה מראות כי לכלי ההמלצה שפותח יש דיוק גבוה ודיוק מושלם, מה שמעיד על כך שהמורים יכולים להפיק תועלת מכלי זה.באמצעות תהליך סיווג מונחה נתונים, הוא יכול לספק המלצות מותאמות אישית ולשפר חוויות ותוצאות חינוכיות עבור מחנכים ותלמידים.ביניהם, מידע המתקבל באמצעות כלי המלצות יכול לפתור קונפליקטים בין שיטות ההוראה המועדפות על המורים לבין צרכי הלמידה של התלמידים.לדוגמא, עקב הפלט האוטומטי של כלי המלצות, הזמן הנדרש לזיהוי ה-IP של תלמיד והתאמתו ל-IP המתאים יקטן משמעותית.כך ניתן לארגן פעילויות הדרכה מתאימות וחומרי הדרכה.זה עוזר לפתח את התנהגות הלמידה החיובית של התלמידים ואת יכולת הריכוז.מחקר אחד דיווח כי מתן חומרי למידה ופעילויות למידה לתלמידים התואמות את ה-LS המועדף עליהם יכול לעזור לתלמידים להשתלב, לעבד וליהנות מלמידה במספר דרכים כדי להשיג פוטנציאל גדול יותר [12].מחקרים מראים גם כי בנוסף לשיפור השתתפות התלמידים בכיתה, להבנת תהליך הלמידה של התלמידים יש גם תפקיד קריטי בשיפור שיטות ההוראה והתקשורת עם התלמידים [28, 29].
עם זאת, כמו בכל טכנולוגיה מודרנית, ישנן בעיות ומגבלות.אלה כוללים סוגיות הקשורות לפרטיות נתונים, הטיה והגינות, ואת המיומנויות והמשאבים המקצועיים הדרושים לפיתוח ויישום אלגוריתמים של למידת מכונה בחינוך שיניים;עם זאת, עניין ומחקר גוברים בתחום זה מצביעים על כך שלטכנולוגיות למידת מכונה עשויות להיות השפעה חיובית על חינוך שיניים ושירותי שיניים.
תוצאות מחקר זה מצביעות על כך שלמחצית מהסטודנטים לרפואת שיניים יש נטייה "לתפוס" סמים.לסוג זה של לומד יש העדפה לעובדות ודוגמאות קונקרטיות, התמצאות מעשית, סבלנות לפרטים, והעדפת LS "חזותית", שבה הלומדים מעדיפים להשתמש בתמונות, גרפיקה, צבעים ומפות כדי להעביר רעיונות ומחשבות.התוצאות הנוכחיות עולות בקנה אחד עם מחקרים אחרים המשתמשים ב-ILS להערכת LS בסטודנטים לרפואת שיניים ורפואה, שלרובם יש מאפיינים של LS תפיסתי וחזותי [12, 30].Dalmolin וחב' מציעים שמידע לתלמידים על ה-LS שלהם מאפשר להם למצות את פוטנציאל הלמידה שלהם.חוקרים טוענים שכאשר מורים מבינים במלואם את התהליך החינוכי של התלמידים, ניתן ליישם שיטות הוראה ופעילויות שונות שישפרו את הביצועים וחוויית הלמידה של התלמידים [12, 31, 32].מחקרים אחרים הראו שהתאמת LS של תלמידים מראה גם שיפורים בחוויית הלמידה ובביצועים של התלמידים לאחר שינוי סגנונות הלמידה שלהם כך שיתאימו ל-LS שלהם [13, 33].
דעות המורים עשויות להשתנות לגבי יישום אסטרטגיות הוראה המבוססות על יכולות הלמידה של התלמידים.בעוד שחלק רואים את היתרונות של גישה זו, כולל הזדמנויות לפיתוח מקצועי, חונכות ותמיכה קהילתית, אחרים עשויים להיות מודאגים לגבי זמן ותמיכה ממסדית.חתירה לאיזון היא המפתח ליצירת גישה ממוקדת תלמיד.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 דינמית ומגיבה באמת, על קובעי המדיניות לנקוט בצעדים נועזים, כגון ביצוע שינויי מדיניות, הקדשת משאבים לאינטגרציה טכנולוגית ויצירת מסגרות המקדמות גישות ממוקדות סטודנטים.אמצעים אלו הם קריטיים להשגת התוצאות הרצויות.מחקר עדכני על הוראה מובחנת הראה בבירור שיישום מוצלח של הוראה מובחנת מצריך הזדמנויות הכשרה ופיתוח מתמשכים למורים [35].
כלי זה מספק תמיכה רבת ערך למחנכים לרפואת שיניים שרוצים לנקוט בגישה ממוקדת תלמיד לתכנון פעילויות למידה ידידותיות לתלמיד.עם זאת, מחקר זה מוגבל לשימוש במודלים של עץ החלטות ML.בעתיד, יש לאסוף נתונים נוספים כדי להשוות את הביצועים של מודלים שונים של למידת מכונה כדי להשוות את הדיוק, המהימנות והדיוק של כלי המלצות.בנוסף, בעת בחירת שיטת למידת המכונה המתאימה ביותר עבור משימה מסוימת, חשוב לקחת בחשבון גורמים אחרים כגון מורכבות ופרשנות המודל.
מגבלה של מחקר זה היא שהוא התמקד רק במיפוי LS ו-IS בקרב סטודנטים לרפואת שיניים.לכן, מערכת ההמלצות שפותחה תמליץ רק על אלו המתאימים לסטודנטים לרפואת שיניים.שינויים נחוצים לשימוש של סטודנטים להשכלה גבוהה כללית.
כלי המלצה מבוסס למידת מכונה שפותחה לאחרונה מסוגל לסווג ולהתאים באופן מיידי את ה-LS של התלמידים ל-IS המקביל, מה שהופך אותו לתוכנית החינוך לרפואת שיניים הראשונה שעוזרת למחנכי שיניים לתכנן פעילויות הוראה ולמידה רלוונטיות.באמצעות תהליך טריאז' מונחה נתונים, הוא יכול לספק המלצות מותאמות אישית, לחסוך זמן, לשפר אסטרטגיות הוראה, לתמוך בהתערבויות ממוקדות ולקדם התפתחות מקצועית מתמשכת.היישום שלו יקדם גישות ממוקדות 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 פרסום: 29 באפריל 2024