קיים צורך גובר בלמידה ממוקדת סטודנט (SCL) במוסדות להשכלה גבוהה, כולל רפואת שיניים. עם זאת, ל-SCL יש יישום מוגבל בחינוך רפואת שיניים. לכן מחקר זה שואף לקדם את היישום של SCL ברפואת שיניים באמצעות טכנולוגיית למידת מכונה (ML) של עץ החלטה כדי למפות את סגנון הלמידה המועדף (LS) ואסטרטגיות הלמידה (IS) המתאימות של סטודנטים לרפואת שיניים ככלי שימושי לפיתוח הנחיות IS. שיטות מבטיחות עבור סטודנטים לרפואת שיניים.
בסך הכל, 255 סטודנטים לרפואת שיניים מאוניברסיטת מלאיה השלימו את שאלון מדד סגנונות הלמידה המתוקן (m-ILS), שהכיל 44 פריטים לסיווגם לפי רמות הלמידה המתאימות שלהם. הנתונים שנאספו (הנקראים מערך נתונים) משמשים בלמידה מונחית על עץ החלטות כדי להתאים אוטומטית את סגנונות הלמידה של הסטודנטים ל-IS המתאים ביותר. לאחר מכן, מוערך דיוק כלי ההמלצות ל-IS המבוסס על למידת מכונה.
יישום מודלים של עץ החלטה בתהליך מיפוי אוטומטי בין LS (קלט) ל-IS (פלט יעד) מאפשר רשימה מיידית של אסטרטגיות למידה מתאימות לכל סטודנט לרפואת שיניים. כלי ההמלצות של IS הדגים דיוק וזכירה מושלמים של דיוק המודל הכולל, דבר המצביע על כך שהתאמת LS ל-IS בעלת רגישות וספציפיות טובות.
כלי המלצות למערכות מידע (IS) המבוסס על עץ החלטות של למידה אלקטרונית (ML) הוכיח את יכולתו להתאים במדויק את סגנונות הלמידה של סטודנטים לרפואת שיניים עם אסטרטגיות למידה מתאימות. כלי זה מספק אפשרויות רבות עוצמה לתכנון קורסים או מודולים ממוקדי לומד שיכולים לשפר את חוויית הלמידה של הסטודנטים.
הוראה ולמידה הן פעילויות יסודיות במוסדות חינוך. בעת פיתוח מערכת חינוך מקצועית איכותית, חשוב להתמקד בצורכי הלמידה של התלמידים. ניתן לקבוע את האינטראקציה בין התלמידים לסביבת הלמידה שלהם באמצעות הלמידה המקצועית (LS) שלהם. מחקרים מצביעים על כך שחוסר התאמה מכוון על ידי המורים בין הלמידה המקצועית (LS) של התלמידים לבין הלמידה המקצועית (IS) עלולה להיות בעלת השלכות שליליות על למידת התלמידים, כגון ירידה בקשב ובמוטיבציה. דבר זה ישפיע בעקיפין על ביצועי התלמידים [1,2].
מערכות מידע (IS) היא שיטה בה משתמשים מורים כדי להקנות ידע ומיומנויות לתלמידים, כולל סיוע לתלמידים ללמוד [3]. באופן כללי, מורים טובים מתכננים אסטרטגיות הוראה או מערכות מידע (IS) שמתאימות בצורה הטובה ביותר לרמת הידע של תלמידיהם, למושגים שהם לומדים ולשלב הלמידה שלהם. תיאורטית, כאשר LS ו-IS תואמים, תלמידים יוכלו לארגן ולהשתמש בקבוצת מיומנויות ספציפית כדי ללמוד ביעילות. בדרך כלל, תוכנית שיעור כוללת מספר מעברים בין שלבים, כגון מהוראה לתרגול מודרך או מתרגול מודרך לתרגול עצמאי. מתוך מחשבה זו, מורים יעילים מתכננים לעתים קרובות הוראה במטרה לבנות את הידע והמיומנויות של התלמידים [4].
הביקוש ל-SCL גובר במוסדות להשכלה גבוהה, כולל רפואת שיניים. אסטרטגיות SCL נועדו לענות על צרכי הלמידה של הסטודנטים. ניתן להשיג זאת, למשל, אם הסטודנטים משתתפים באופן פעיל בפעילויות למידה והמורים פועלים כמנחים ואחראים על מתן משוב בעל ערך. נאמר כי אספקת חומרי למידה ופעילויות המתאימים לרמתם החינוכית או להעדפותיהם של הסטודנטים יכולה לשפר את סביבת הלמידה של הסטודנטים ולקדם חוויות למידה חיוביות [5].
באופן כללי, תהליך הלמידה של סטודנטים לרפואת שיניים מושפע מההליכים הקליניים השונים שהם נדרשים לבצע ומהסביבה הקלינית בה הם מפתחים מיומנויות בין-אישיות יעילות. מטרת ההכשרה היא לאפשר לסטודנטים לשלב ידע בסיסי ברפואת שיניים עם מיומנויות קליניות דנטליות וליישם את הידע הנרכש במצבים קליניים חדשים [6, 7]. מחקר מוקדם על הקשר בין LS ו-IS מצא כי התאמת אסטרטגיות למידה הממופות ל-LS המועדף תסייע בשיפור תהליך הלמידה [8]. המחברים ממליצים גם להשתמש במגוון שיטות הוראה והערכה כדי להתאים אותן ללמידת הסטודנטים ולצרכיהם.
מורים מרוויחים מיישום ידע בתחום הלמידה החווייתית (LS) כדי לסייע להם לתכנן, לפתח וליישם הוראה שתשפר את רכישת הידע וההבנה המעמיקים יותר של התלמידים בנושא. חוקרים פיתחו מספר כלי הערכה של למידה חווייתית (LS), כגון מודל הלמידה החווייתית של קולב, מודל סגנון הלמידה של פלדר-סילברמן (FSLSM) ומודל פלמינג VAK/VARK [5, 9, 10]. על פי הספרות, מודלי למידה אלה הם מודלי הלמידה הנפוצים והנחקרים ביותר. במחקר הנוכחי, FSLSM משמש להערכת למידה חווייתית בקרב סטודנטים לרפואת שיניים.
FSLSM הוא מודל נפוץ להערכת למידה אדפטיבית בהנדסה. ישנם עבודות רבות שפורסמו במדעי הבריאות (כולל רפואה, סיעוד, רוקחות ורפואת שיניים) שניתן למצוא באמצעות מודלים של FSLSM [5, 11, 12, 13]. הכלי המשמש למדידת ממדי LS ב-FLSM נקרא מדד סגנונות הלמידה (ILS) [8], המכיל 44 פריטים המעריכים ארבעה ממדים של LS: עיבוד (אקטיבי/רפלקטיבי), תפיסה (תפיסתית/אינטואיטיבית), קלט (חזותי/מילולי) והבנה (רציפה/גלובלית) [14].
כפי שמוצג באיור 1, לכל מימד של FSLSM יש העדפה דומיננטית. לדוגמה, במימד העיבוד, תלמידים עם LS "אקטיבי" מעדיפים לעבד מידע על ידי אינטראקציה ישירה עם חומרי למידה, ללמוד באמצעות עשייה, ונוטים ללמוד בקבוצות. LS "רפלקטיבי" מתייחס ללמידה דרך חשיבה ומעדיף לעבוד לבד. את מימד ה"תפיסה" של LS ניתן לחלק ל"תחושה" ו/או "אינטואיציה". תלמידים "תחושה" מעדיפים מידע קונקרטי ונהלים מעשיים יותר, מכוונים לעובדות בהשוואה לתלמידים "אינטואיטיביים" המעדיפים חומר מופשט והם חדשניים ויצירתיים יותר באופיים. מימד ה"קלט" של LS מורכב מלומדים "חזותיים" ו"מילוליים". אנשים עם LS "חזותיים" מעדיפים ללמוד באמצעות הדגמות חזותיות (כגון דיאגרמות, סרטונים או הדגמות חיות), בעוד שאנשים עם LS "מילוליים" מעדיפים ללמוד באמצעות מילים בהסברים בכתב או בעל פה. כדי "להבין" את מימדי LS, ניתן לחלק לומדים כאלה ל"רציפים" ו"גלובליים". "לומדים סדרתיים מעדיפים תהליך חשיבה ליניארי ולומדים צעד אחר צעד, בעוד שלומדים גלובליים נוטים להיות בעלי תהליך חשיבה הוליסטי ותמיד יש להם הבנה טובה יותר של מה שהם לומדים."
לאחרונה, חוקרים רבים החלו לחקור שיטות לגילוי אוטומטי מבוסס נתונים, כולל פיתוח אלגוריתמים ומודלים חדשים המסוגלים לפרש כמויות גדולות של נתונים [15, 16]. בהתבסס על הנתונים המסופקים, למידת מכונה מפוקחת (ML) מסוגלת לייצר דפוסים והשערות החוזים תוצאות עתידיות על סמך בניית אלגוריתמים [17]. במילים פשוטות, טכניקות למידת מכונה מפוקחות מניפולציות של נתוני קלט ומאמנות אלגוריתמים. לאחר מכן, היא מייצרת טווח שמסווג או מנבא את התוצאה על סמך מצבים דומים עבור נתוני הקלט המסופקים. היתרון העיקרי של אלגוריתמים של למידת מכונה מפוקחת הוא יכולתם לקבוע תוצאות אידיאליות ורצויות [17].
באמצעות שימוש בשיטות מבוססות נתונים ובמודלים של בקרת עץ החלטה, זיהוי אוטומטי של LS אפשרי. דווח כי עצי החלטה נמצאים בשימוש נרחב בתוכניות הכשרה בתחומים שונים, כולל מדעי הבריאות [18, 19]. במחקר זה, המודל אומן במיוחד על ידי מפתחי המערכת כדי לזהות את LS של הסטודנטים ולהמליץ על ה-IS הטוב ביותר עבורם.
מטרת מחקר זה היא לפתח אסטרטגיות להעברה של מערכות מידע (IS) המבוססות על כישורי הלמידה (LS) של התלמידים וליישם את גישת SCL על ידי פיתוח כלי המלצות IS הממופה ל-LS. זרימת התכנון של כלי ההמלצות של IS כאסטרטגיה של שיטת SCL מוצגת באיור 1. כלי ההמלצות של IS מחולק לשני חלקים, כולל מנגנון סיווג LS באמצעות ILS ותצוגת ה-IS המתאימה ביותר עבור התלמידים.
בפרט, המאפיינים של כלי המלצה לאבטחת מידע כוללים שימוש בטכנולוגיות אינטרנט ושימוש בלמידת מכונה של עץ החלטה. מפתחי מערכות משפרים את חוויית המשתמש והניידות על ידי התאמתם למכשירים ניידים כגון טלפונים ניידים וטאבלטים.
הניסוי נערך בשני שלבים וסטודנטים מהפקולטה לרפואת שיניים באוניברסיטת מלאיה השתתפו בו על בסיס התנדבותי. המשתתפים ענו לשאלון מקוון של סטודנט לרפואת שיניים, m-ILS, באנגלית. בשלב הראשוני, נעשה שימוש במערך נתונים של 50 סטודנטים לאימון אלגוריתם למידת מכונה של עץ ההחלטות. בשלב השני של תהליך הפיתוח, נעשה שימוש במערך נתונים של 255 סטודנטים כדי לשפר את דיוק המכשיר שפותח.
כל המשתתפים מקבלים תדרוך מקוון בתחילת כל שלב, בהתאם לשנת הלימודים, דרך Microsoft Teams. מטרת המחקר הוסברה והתקבלה הסכמה מדעת. כל המשתתפים קיבלו קישור לגישה ל-m-ILS. כל סטודנט התבקש לענות על כל 44 הפריטים בשאלון. ניתן להם שבוע להשלים את ה-ILS המתוקן בזמן ובמיקום שנוחים להם במהלך חופשת הסמסטר לפני תחילת הסמסטר. ה-m-ILS מבוסס על כלי ה-ILS המקורי ומותאם לסטודנטים לרפואת שיניים. בדומה ל-ILS המקורי, הוא מכיל 44 פריטים המחולקים באופן שווה (a, b), עם 11 פריטים כל אחד, המשמשים להערכת היבטים של כל ממד FSLSM.
בשלבים הראשוניים של פיתוח הכלי, החוקרים סיווגו באופן ידני את המפות באמצעות מערך נתונים של 50 סטודנטים לרפואת שיניים. על פי מערכת ה-FSLM, המערכת מספקת את סכום התשובות "a" ו-"b". עבור כל ממד, אם הסטודנט בוחר "a" כתשובה, ה-LS מסווג כלומד פעיל/ת/תפיסתי/ויזואלי/סדרתי, ואם הסטודנט בוחר "b" כתשובה, הסטודנט מסווג כלומד רפלקטיבי/אינטואיטיבי/לשוני/גלובלי.
לאחר כיול זרימת העבודה בין חוקרי חינוך רפואת שיניים למפתחי מערכות, נבחרו שאלות על סמך תחום FLSSM והוזנו למודל למידת מכונה כדי לחזות את רמת ה-LS של כל סטודנט. "Garbage in, garbage out" הוא אמרה פופולרית בתחום למידת המכונה, עם דגש על איכות הנתונים. איכות נתוני הקלט קובעת את הדיוק והדיוק של מודל למידת המכונה. במהלך שלב הנדסת התכונות, נוצר מערך תכונות חדש שהוא סכום התשובות "a" ו-"b" המבוסס על FLSSM. מספרי הזיהוי של עמדות התרופות ניתנים בטבלה 1.
חשבו את הציון בהתבסס על התשובות וקבעו את יחס הלמידה הנמוך (LS) של התלמיד. עבור כל תלמיד, טווח הציונים הוא בין 1 ל-11. ציונים בין 1 ל-3 מצביעים על איזון של העדפות למידה באותו מימד, וציונים בין 5 ל-7 מצביעים על העדפה בינונית, דבר המצביע על כך שתלמידים נוטים להעדיף סביבה אחת ללימוד אחרים. וריאציה נוספת על אותו מימד היא שציונים בין 9 ל-11 משקפים העדפה חזקה לכיוון אחד או אחר [8].
עבור כל ממד, סמים סווגו ל"פעילים", "רפלקטיביים" ו"מאוזנים". לדוגמה, כאשר תלמיד עונה "א" בתדירות גבוהה יותר מ"ב" בפריט ייעודי והציון שלו עולה על הסף של 5 עבור פריט מסוים המייצג את ממד LS העיבוד, הוא שייך לתחום LS ה"פעיל". עם זאת, תלמידים סווגו כ-LS "רפלקטיביים" כאשר בחרו "ב" יותר מ-"א" ב-11 שאלות ספציפיות (טבלה 1) וקיבלו יותר מ-5 נקודות. לבסוף, התלמיד נמצא במצב של "שיווי משקל". אם הציון אינו עולה על 5 נקודות, אז זהו LS "תהליך". תהליך הסיווג חזר על עצמו עבור שאר ממדי LS, כלומר תפיסה (פעילה/רפלקטיבית), קלט (חזותית/מילולית) והבנה (רציפה/גלובלית).
מודלים של עץ החלטה יכולים להשתמש בתת-קבוצות שונות של תכונות וכללי החלטה בשלבים שונים של תהליך הסיווג. הוא נחשב לכלי סיווג וחיזוי פופולרי. ניתן לייצג אותו באמצעות מבנה עץ כגון תרשים זרימה [20], שבו 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 לדרג ולביאור באופן אוטומטי את הציון (LS) של כל תלמיד על סמך תשובותיו. תוכנית מבוססת כללים לובשת צורה של משפט IF, כאשר "IF" מתאר את הגורם המפעיל ו-"THEN" מציין את הפעולה שיש לבצע, לדוגמה: "אם X קורה, אז בצע את Y" (Liu et al., 2014). אם מערך הנתונים מציג קורלציה ומודל עץ ההחלטות מאומן ומוערך כראוי, גישה זו יכולה להיות דרך יעילה לאוטומציה של תהליך התאמת ה-LS וה-IS.
בשלב השני של הפיתוח, מערך הנתונים הוגדל ל-255 כדי לשפר את דיוק כלי ההמלצות. מערך הנתונים מפוצל ביחס של 1:4. 25% (64) ממערך הנתונים שימשו עבור מערך הבדיקה, ו-75% הנותרים (191) שימשו כמערך האימון (איור 2). יש לפצל את מערך הנתונים כדי למנוע אימון ובדיקה של המודל על אותו מערך נתונים, דבר שעלול לגרום למודל לזכור במקום ללמוד. המודל מאומן על מערך האימון ומעריך את ביצועיו על מערך הבדיקה - נתונים שהמודל מעולם לא ראה קודם לכן.
לאחר פיתוח כלי ה-IS, האפליקציה תוכל לסווג LS בהתבסס על תשובותיהם של סטודנטים לרפואת שיניים באמצעות ממשק אינטרנט. מערכת כלי ההמלצות לאבטחת מידע מבוססת האינטרנט בנויה באמצעות שפת התכנות Python ומשתמשת במסגרת Django כבסיס. טבלה 2 מפרטת את הספריות ששימשו בפיתוח מערכת זו.
קבוצת הנתונים מוזן למודל עץ החלטות כדי לחשב ולחלץ תגובות תלמידים כדי לסווג באופן אוטומטי את מדידות LS של התלמידים.
מטריצת הבלבול משמשת להערכת הדיוק של אלגוריתם למידת מכונה של עץ החלטות על מערך נתונים נתון. במקביל, היא מעריכה את ביצועי מודל הסיווג. היא מסכמת את תחזיות המודל ומשווה אותן לתוויות הנתונים בפועל. תוצאות ההערכה מבוססות על ארבעה ערכים שונים: חיובי אמיתי (TP) - המודל ניבא נכון את הקטגוריה החיובית, חיובי שקר (FP) - המודל ניבא את הקטגוריה החיובית, אך התווית האמיתית הייתה שלילית, שלילי אמיתי (TN) - המודל ניבא נכון את הקטגוריה השלילית, ושלילי שקר (FN) - המודל ניבא קטגוריה שלילית, אך התווית האמיתית היא חיובית.
ערכים אלה משמשים לאחר מכן לחישוב מדדי ביצועים שונים של מודל הסיווג scikit-learn בפייתון, כלומר דיוק (precision), רמת זיכרון (recall) וציון F1. להלן דוגמאות:
זכירה (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 תוצאות שליליות אמיתיות (TN) לשליליות אמיתיות ותוצאות חיוביות שגויות (FP). כחלק מהכלי המומלץ לסיווג תרופות לסטודנטים, הוא צריך להיות מסוגל לזהות במדויק.
מערך הנתונים המקורי של 50 סטודנטים ששימש לאימון מודל עץ ההחלטות ללמידה (ML) הראה דיוק נמוך יחסית עקב טעויות אנוש בהערות (טבלה 3). לאחר יצירת תוכנית פשוטה מבוססת כללים לחישוב אוטומטי של ציוני LS והערות סטודנטים, מספר הולך וגדל של מערכי נתונים (255) שימש לאימון ובדיקת מערכת הממליצים.
במטריצת הבלבול הרב-מחלקתית, האלמנטים האלכסוניים מייצגים את מספר התחזיות הנכונות עבור כל סוג LS (איור 4). באמצעות מודל עץ ההחלטות, סך של 64 דגימות ניבאו בצורה נכונה. לפיכך, במחקר זה, האלמנטים האלכסוניים מציגים את התוצאות הצפויות, דבר המצביע על כך שהמודל מתפקד היטב וחוזה במדויק את תווית המחלקה עבור כל סיווג LS. לפיכך, הדיוק הכולל של כלי ההמלצה הוא 100%.
ערכי הדיוק, הדיוק, הזכירה וציון F1 מוצגים באיור 5. עבור מערכת ההמלצות המשתמשת במודל עץ ההחלטות, ציון ה-F1 שלה הוא 1.0 "מושלם", המצביע על דיוק וזכירה מושלמים, המשקפים ערכי רגישות וספציפיות משמעותיים.
איור 6 מציג ויזואליזציה של מודל עץ ההחלטות לאחר השלמת האימון והבדיקה. בהשוואה זו לצד זו, מודל עץ ההחלטות שאומן עם פחות תכונות הראה דיוק גבוה יותר ויזואליזציה קלה יותר של המודל. ממצא זה מראה כי הנדסת תכונות המובילה להפחתת תכונות היא צעד חשוב בשיפור ביצועי המודל.
על ידי יישום למידה מפוקחת של עץ החלטות, המיפוי בין LS (קלט) ל-IS (פלט יעד) נוצר אוטומטית ומכיל מידע מפורט עבור כל LS.
התוצאות הראו כי 34.9% מתוך 255 הסטודנטים העדיפו אפשרות אחת (1) של LS. לרוב (54.3%) היו שתיים או יותר העדפות LS. 12.2% מהסטודנטים ציינו כי LS מאוזן למדי (טבלה 4). בנוסף לשמונה LS העיקריים, ישנם 34 שילובים של סיווגי LS עבור סטודנטים לרפואת שיניים באוניברסיטת מלאיה. ביניהם, תפיסה, ראייה והשילוב של תפיסה וראייה הם LS העיקריים שדווחו על ידי הסטודנטים (איור 7).
כפי שניתן לראות בטבלה 4, לרוב התלמידים הייתה למידה חושי דומיננטית (13.7%) או חזותית (8.6%). דווח כי 12.2% מהתלמידים שילבו תפיסה עם ראייה (למידה חזותית-תפיסתית). ממצאים אלה מצביעים על כך שהתלמידים מעדיפים ללמוד ולזכור באמצעות שיטות מבוססות, לפעול לפי נהלים ספציפיים ומפורטים, ובעלי אופי קשוב. יחד עם זאת, הם נהנים ללמוד באמצעות התבוננות (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 הישגיהם החינוכיים (LS) של התלמידים והמלצה על מערכות מידע מתאימות. יישום מודל עץ החלטה זיהה את הגורמים הקשורים ביותר לחיי התלמידים ולחוויותיהם החינוכיות. זהו אלגוריתם למידת מכונה מבוקר המשתמש במבנה עץ כדי לסווג נתונים על ידי חלוקת קבוצת נתונים לתת-קטגוריות על סמך קריטריונים מסוימים. הוא פועל 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 בהתבסס על מאפייני הקלט של בעיית m-ILS, וצמתי העלים מייצגים את התחזית הסופית של סיווג LS. לאורך המחקר, קל להבין את ההיררכיה של עצי ההחלטה המסבירים וממחישים את תהליך ההחלטה על ידי התבוננות בקשר בין מאפייני הקלט ותחזיות הפלט.
בתחומי מדעי המחשב וההנדסה, אלגוריתמים של למידת מכונה נמצאים בשימוש נרחב לחיזוי ביצועי תלמידים על סמך ציוני בחינות הכניסה שלהם [21], מידע דמוגרפי והתנהגות למידה [22]. מחקרים הראו כי האלגוריתם ניבא במדויק את ביצועי התלמידים וסייע להם לזהות תלמידים הנמצאים בסיכון לקשיים אקדמיים.
דווח על יישום של אלגוריתמי למידת מכונה בפיתוח סימולטורים וירטואליים של מטופלים 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 כי אלגוריתמים של למידת מכונה יכולים לשפר את האיכות והיעילות של חינוך דנטלי ורפואי ואת הטיפול בחולים. אלגוריתמים של למידת מכונה שימשו לסיוע באבחון מחלות שיניים על סמך מערכי נתונים כגון תסמינים ומאפייני מטופלים [24, 25]. בעוד שמחקרים אחרים בחנו את השימוש באלגוריתמים של למידת מכונה לביצוע משימות כגון ניבוי תוצאות מטופלים, זיהוי מטופלים בסיכון גבוה, פיתוח תוכניות טיפול מותאמות אישית [26], טיפול חניכיים [27] וטיפול בעששת [25].
למרות שפורסמו דיווחים על יישום למידת מכונה ברפואת שיניים, יישומה בחינוך רפואת שיניים נותר מוגבל. לכן, מחקר זה נועד להשתמש במודל עץ החלטות כדי לזהות גורמים הקשורים באופן הדוק ביותר ללמידה חישובית (LS) וללמידה חישובית (IS) בקרב סטודנטים לרפואת שיניים.
תוצאות מחקר זה מראות כי כלי ההמלצות שפותח הוא בעל דיוק גבוה ומושלם, דבר המצביע על כך שמורים יכולים להפיק תועלת מכלי זה. באמצעות תהליך סיווג מבוסס נתונים, הוא יכול לספק המלצות מותאמות אישית ולשפר את חוויות ההוראה והתוצאות החינוכיות עבור מחנכים ותלמידים. ביניהם, מידע המתקבל באמצעות כלי המלצות יכול לפתור קונפליקטים בין שיטות ההוראה המועדפות על המורים לבין צורכי הלמידה של התלמידים. לדוגמה, הודות לפלט האוטומטי של כלי ההמלצות, הזמן הנדרש לזיהוי כתובת ה-IP של התלמיד והתאמתה ל-IP המתאים יצטמצם משמעותית. בדרך זו, ניתן לארגן פעילויות הדרכה וחומרי הדרכה מתאימים. זה עוזר לפתח את התנהגות הלמידה החיובית של התלמידים ואת יכולתם להתרכז. מחקר אחד דיווח כי מתן חומרי למידה ופעילויות למידה לתלמידים התואמים את שפת הלמידה המועדפת עליהם יכול לעזור לתלמידים להשתלב, לעבד וליהנות מלמידה בדרכים מרובות כדי להשיג פוטנציאל גדול יותר [12]. מחקרים מראים גם כי בנוסף לשיפור השתתפות התלמידים בכיתה, הבנת תהליך הלמידה של התלמידים ממלאת גם תפקיד קריטי בשיפור שיטות ההוראה והתקשורת עם התלמידים [28, 29].
עם זאת, כמו בכל טכנולוגיה מודרנית, ישנן בעיות ומגבלות. אלה כוללות סוגיות הקשורות לפרטיות נתונים, הטיה והגינות, והכישורים והמשאבים המקצועיים הנדרשים לפיתוח ויישום אלגוריתמים של למידת מכונה בחינוך רפואת שיניים; עם זאת, עניין ומחקר גוברים בתחום זה מצביעים על כך שטכנולוגיות למידת מכונה עשויות להיות בעלות השפעה חיובית על חינוך רפואת שיניים ושירותי רפואת שיניים.
תוצאות מחקר זה מצביעות על כך שמחצית מסטודנטים לרפואת שיניים נוטים "לתפוס" תרופות. לסוג זה של לומד יש העדפה לעובדות ודוגמאות קונקרטיות, אוריינטציה מעשית, סבלנות לפרטים והעדפה של למידה חברתית (LS) "ויזואלית", שבה 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 לרפואת שיניים ורפואה, שרובם בעלי מאפיינים של LS תפיסתי וחזותי [12, 30]. דלמולין ועמיתיו מציעים כי יידוע הסטודנטים על LS שלהם מאפשר להם לממש את פוטנציאל הלמידה שלהם. חוקרים טוענים שכאשר מורים מבינים באופן מלא את תהליך הלמידה של הסטודנטים, ניתן ליישם שיטות הוראה ופעילויות שונות שישפרו את ביצועי הסטודנטים ואת חוויית הלמידה שלהם [12, 31, 32]. מחקרים אחרים הראו כי התאמת LS של הסטודנטים מראה גם שיפורים בחוויית הלמידה ובביצועים של הסטודנטים לאחר שינוי סגנונות הלמידה שלהם בהתאם ל-LS שלהם [13, 33].
דעותיהם של מורים עשויות להשתנות בנוגע ליישום 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 מוסדית. שאיפה לאיזון היא המפתח ליצירת גישה ממוקדת סטודנט. רשויות להשכלה גבוהה, כגון מנהלי אוניברסיטאות, יכולות למלא תפקיד חשוב בקידום שינוי חיובי על ידי הטמעת שיטות עבודה חדשניות ותמיכה בפיתוח סגל [34]. כדי ליצור מערכת השכלה גבוהה דינמית ורגישה באמת, קובעי מדיניות חייבים לנקוט צעדים נועזים, כגון ביצוע שינויים במדיניות, הקדשת משאבים לשילוב טכנולוגיה ויצירת מסגרות המקדמות גישות ממוקדות סטודנט. צעדים אלה הם קריטיים להשגת התוצאות הרצויות. מחקרים אחרונים על הוראה מובחנת הראו בבירור כי יישום מוצלח של הוראה מובחנת דורש הזדמנויות הכשרה ופיתוח מתמשכות למורים [35].
כלי זה מספק תמיכה חשובה למדריכי רפואת שיניים המעוניינים לאמץ גישה ממוקדת תלמיד לתכנון פעילויות למידה ידידותיות לתלמיד. עם זאת, מחקר זה מוגבל לשימוש במודלי למידת מכונה מסוג עץ החלטה. בעתיד, יש לאסוף נתונים נוספים כדי להשוות את הביצועים של מודלים שונים של למידת מכונה כדי להשוות את הדיוק, האמינות והדיוק של כלי ההמלצה. בנוסף, בבחירת שיטת למידת המכונה המתאימה ביותר למשימה מסוימת, חשוב לקחת בחשבון גורמים אחרים כגון מורכבות המודל ופרשנותו.
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. יש צורך בשינויים לשימוש כללי על ידי סטודנטים להשכלה גבוהה.
כלי ההמלצות החדש, המבוסס על למידת מכונה, מסוגל לסווג ולהתאים באופן מיידי את מצב הלמידה התחתון (LS) של התלמידים למצב הלמידה המתאים, מה שהופך אותו לתוכנית החינוך הדנטלי הראשונה המסייעת למחנכים לרפואת שיניים לתכנן פעילויות הוראה ולמידה רלוונטיות. באמצעות תהליך מיון מונחה נתונים, הוא יכול לספק המלצות מותאמות אישית, לחסוך זמן, לשפר אסטרטגיות הוראה, לתמוך בהתערבויות ממוקדות ולקדם פיתוח מקצועי מתמשך. יישומו יקדם גישות לחינוך דנטלי הממוקדות בתלמיד.
גילאק ג'אני, Associated Press. התאמה או אי התאמה בין סגנון הלמידה של התלמיד לסגנון ההוראה של המורה. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
זמן פרסום: 29 באפריל 2024