Բարձրագույն ուսումնական հաստատություններում, ներառյալ ատամնաբուժությունը, ուսանողակենտրոն ուսուցման (SCL) աճող անհրաժեշտություն կա:Այնուամենայնիվ, SCL-ը սահմանափակ կիրառություն ունի ատամնաբուժական կրթության մեջ:Հետևաբար, այս ուսումնասիրությունը նպատակ ունի խթանել SCL-ի կիրառումը ստոմատոլոգիայում՝ օգտագործելով որոշումների ծառի մեքենայական ուսուցման տեխնոլոգիան՝ քարտեզագրելու ատամնաբուժական ուսանողների նախընտրելի ուսուցման ոճը (LS) և համապատասխան ուսուցման ռազմավարությունները (IS)՝ որպես IS ուղեցույցների մշակման օգտակար գործիք: .Խոստումնալից մեթոդներ ատամնաբուժական ուսանողների համար.
Մալայայի համալսարանի 255 ատամնաբուժական ուսանողներ լրացրեցին ուսուցման ոճերի փոփոխված ինդեքսը (m-ILS) հարցաշարը, որը պարունակում էր 44 կետ՝ դրանք դասակարգելու իրենց համապատասխան LS-ներին:Հավաքագրված տվյալները (կոչվում են տվյալների բազա) օգտագործվում են վերահսկվող որոշումների ծառի ուսուցման մեջ՝ ուսանողների ուսուցման ոճերը ավտոմատ կերպով համապատասխանեցնելու ամենահարմար IS-ին:Այնուհետև գնահատվում է մեքենայական ուսուցման վրա հիմնված IS առաջարկությունների գործիքի ճշգրտությունը:
Որոշումների ծառի մոդելների կիրառումը ավտոմատացված քարտեզագրման գործընթացում LS (ներածում) և IS (նպատակային ելք) միջև թույլ է տալիս ստոմատոլոգիայի յուրաքանչյուր ուսանողի համար ստեղծել համապատասխան ուսուցման ռազմավարությունների անհապաղ ցուցակ:IS-ի առաջարկության գործիքը ցուցադրեց կատարյալ ճշգրտություն և ընդհանուր մոդելի ճշգրտության հիշում՝ ցույց տալով, որ LS-ի համապատասխանությունը IS-ին ունի լավ զգայունություն և առանձնահատկություն:
ՄԼ որոշումների ծառի վրա հիմնված IS-ի առաջարկության գործիքն ապացուցել է ատամնաբուժական ուսանողների սովորելու ոճերը համապատասխան ուսուցման ռազմավարությունների հետ ճշգրիտ համապատասխանելու իր կարողությունը:Այս գործիքը հզոր տարբերակներ է տրամադրում սովորողակենտրոն դասընթացների կամ մոդուլների պլանավորման համար, որոնք կարող են բարելավել ուսանողների ուսուցման փորձը:
Ուսուցումն ու ուսուցումը հիմնարար գործունեություն են ուսումնական հաստատություններում:Բարձրորակ մասնագիտական կրթական համակարգ մշակելիս կարևոր է կենտրոնանալ ուսանողների ուսումնական կարիքների վրա:Ուսանողների և նրանց ուսումնական միջավայրի փոխազդեցությունը կարող է որոշվել նրանց LS-ի միջոցով:Հետազոտությունը ցույց է տալիս, որ ուսուցչի կողմից նախատեսված անհամապատասխանությունները ուսանողների LS-ի և IS-ի միջև կարող են բացասական հետևանքներ ունենալ ուսանողների ուսուցման վրա, ինչպիսիք են ուշադրության և մոտիվացիայի նվազումը:Սա անուղղակիորեն կազդի ուսանողի կատարողականի վրա [1,2]:
IS-ը մեթոդ է, որն օգտագործվում է ուսուցիչների կողմից՝ ուսանողներին գիտելիքներ և հմտություններ հաղորդելու համար, ներառյալ՝ օգնելով ուսանողներին սովորել [3]:Ընդհանուր առմամբ, լավ ուսուցիչները պլանավորում են ուսուցման ռազմավարություններ կամ IS, որոնք լավագույնս համապատասխանում են իրենց ուսանողների գիտելիքների մակարդակին, նրանց սովորած հասկացություններին և ուսման փուլին:Տեսականորեն, երբ LS-ը և IS-ը համընկնեն, ուսանողները կկարողանան կազմակերպել և օգտագործել հմտությունների որոշակի խումբ՝ արդյունավետ սովորելու համար:Սովորաբար, դասի պլանը ներառում է մի քանի անցումներ փուլերի միջև, օրինակ՝ ուսուցումից առաջնորդվող պրակտիկա կամ առաջնորդվող պրակտիկայից անկախ պրակտիկա:Սա նկատի ունենալով` արդյունավետ ուսուցիչները հաճախ պլանավորում են ուսուցում` նպատակ ունենալով զարգացնել ուսանողների գիտելիքներն ու հմտությունները [4]:
SCL-ի պահանջարկն աճում է բարձրագույն ուսումնական հաստատություններում, այդ թվում՝ ստոմատոլոգիայում։SCL ռազմավարությունները նախատեսված են ուսանողների ուսուցման կարիքները բավարարելու համար:Դրան կարելի է հասնել, օրինակ, եթե ուսանողները ակտիվորեն մասնակցեն ուսումնական գործունեությանը, իսկ ուսուցիչները հանդես գան որպես օժանդակողներ և պատասխանատու լինեն արժեքավոր հետադարձ կապի համար:Ասվում է, որ ուսանողների կրթական մակարդակին կամ նախասիրություններին համապատասխան ուսումնական նյութերի և միջոցառումների տրամադրումը կարող է բարելավել ուսանողների ուսումնական միջավայրը և խթանել ուսումնական դրական փորձը [5]:
Ընդհանուր առմամբ, ատամնաբուժական ուսանողների ուսուցման գործընթացի վրա ազդում են տարբեր կլինիկական պրոցեդուրաները, որոնք նրանք պետք է կատարեն, և կլինիկական միջավայրը, որտեղ նրանք զարգացնում են արդյունավետ միջանձնային հմտություններ:Թրեյնինգի նպատակն է ուսանողներին հնարավորություն տալ համատեղել ստոմատոլոգիայի հիմնական գիտելիքները ստոմատոլոգիական կլինիկական հմտությունների հետ և ձեռք բերված գիտելիքները կիրառել նոր կլինիկական իրավիճակներում [6, 7]:LS-ի և IS-ի միջև փոխհարաբերությունների վաղ հետազոտությունը պարզել է, որ նախընտրելի LS-ին համապատասխանեցված ուսուցման ռազմավարությունների ճշգրտումը կօգնի բարելավել կրթական գործընթացը [8]:Հեղինակները նաև խորհուրդ են տալիս օգտագործել ուսուցման և գնահատման տարբեր մեթոդներ՝ հարմարվելու ուսանողների ուսմանը և կարիքներին:
Ուսուցիչները օգտվում են LS գիտելիքների կիրառումից՝ օգնելու նրանց մշակել, մշակել և իրականացնել հրահանգներ, որոնք կնպաստեն ուսանողների ավելի խորը գիտելիքների ձեռքբերմանը և առարկայի ըմբռնմանը:Հետազոտողները մշակել են LS գնահատման մի քանի գործիքներ, ինչպիսիք են Kolb Experiential Learning Model-ը, Felder-Silverman Learning Style Model-ը (FSLSM) և Fleming VAK/VARK մոդելը [5, 9, 10]:Ըստ գրականության՝ այս ուսուցման մոդելներն ամենից հաճախ կիրառվող և ամենաուսումնասիրված ուսուցման մոդելներն են։Ընթացիկ հետազոտական աշխատանքում FSLSM-ն օգտագործվում է ատամնաբուժական ուսանողների մոտ LS գնահատելու համար:
FSLSM-ը լայնորեն օգտագործվող մոդել է ճարտարագիտության մեջ հարմարվողական ուսուցումը գնահատելու համար:Կան բազմաթիվ հրատարակված աշխատություններ առողջապահական գիտություններում (ներառյալ բժշկությունը, բուժքույրը, դեղագործությունը և ատամնաբուժությունը), որոնք կարելի է գտնել օգտագործելով FSLSM մոդելները [5, 11, 12, 13]:FLSM-ում LS-ի չափերը չափելու համար օգտագործվող գործիքը կոչվում է ուսուցման ոճերի ինդեքս (ILS) [8], որը պարունակում է 44 կետ, որոնք գնահատում են LS-ի չորս չափերը. մուտքագրում (տեսողական):/բանավոր) և հասկացողություն (հաջորդական/գլոբալ) [14]:
Ինչպես ցույց է տրված Նկար 1-ում, յուրաքանչյուր FSLSM չափս ունի գերիշխող նախապատվություն:Օրինակ՝ մշակման հարթությունում «ակտիվ» ԼՍ-ով ուսանողները նախընտրում են տեղեկատվությունը մշակել՝ ուղղակիորեն շփվելով ուսումնական նյութերի հետ, սովորել անելով և հակված են սովորել խմբերով:«Ռեֆլեկտիվ» LS-ը վերաբերում է մտածելու միջոցով սովորելուն և նախընտրում է միայնակ աշխատել:LS-ի «ընկալման» չափումը կարելի է բաժանել «զգացմունքի» և/կամ «ինտուիցիայի»:«Զգացող» ուսանողները նախընտրում են ավելի կոնկրետ տեղեկատվություն և գործնական ընթացակարգեր, կողմնորոշված են փաստերի վրա՝ համեմատած «ինտուիտիվ» ուսանողների հետ, ովքեր նախընտրում են վերացական նյութեր և ավելի նորարար և ստեղծագործական բնույթ ունեն:LS-ի «ներածական» չափումը բաղկացած է «տեսողական» և «բանավոր» սովորողներից:«Վիզուալ» ԼՍ ունեցող մարդիկ նախընտրում են սովորել տեսողական ցուցադրությունների միջոցով (օրինակ՝ դիագրամներ, տեսանյութեր կամ կենդանի ցուցադրություններ), մինչդեռ «բանավոր» ԼՍ ունեցող մարդիկ նախընտրում են սովորել գրավոր կամ բանավոր բացատրությունների բառերի միջոցով:LS չափումները «հասկանալու» համար նման սովորողներին կարելի է բաժանել «հաջորդական» և «գլոբալ»:«Հաջորդական սովորողները նախընտրում են գծային մտածողության գործընթացը և սովորում են քայլ առ քայլ, մինչդեռ գլոբալ սովորողները հակված են ամբողջական մտածողության գործընթացին և միշտ ավելի լավ են հասկանում, թե ինչ են սովորում:
Վերջերս շատ հետազոտողներ սկսել են ուսումնասիրել տվյալների վրա հիմնված ավտոմատ հայտնաբերման մեթոդներ, ներառյալ նոր ալգորիթմների և մոդելների մշակումը, որոնք կարող են մեկնաբանել մեծ քանակությամբ տվյալներ [15, 16]:Տրամադրված տվյալների հիման վրա վերահսկվող ML-ն (մեքենայական ուսուցում) ի վիճակի է առաջացնել օրինաչափություններ և վարկածներ, որոնք կանխատեսում են ապագա արդյունքները՝ հիմնվելով ալգորիթմների կառուցման վրա [17]:Պարզ ասած՝ վերահսկվող մեքենայական ուսուցման տեխնիկան շահարկում է մուտքային տվյալները և վարժեցնում ալգորիթմները:Այնուհետև այն ստեղծում է մի տիրույթ, որը դասակարգում կամ կանխատեսում է արդյունքը` հիմնվելով տրամադրված մուտքային տվյալների համանման իրավիճակների վրա:Վերահսկվող մեքենայական ուսուցման ալգորիթմների հիմնական առավելությունը իդեալական և ցանկալի արդյունքներ հաստատելու կարողությունն է [17]:
Տվյալների վրա հիմնված մեթոդների և որոշումների ծառի կառավարման մոդելների կիրառման միջոցով հնարավոր է LS-ի ավտոմատ հայտնաբերում:Հաղորդվում է, որ որոշման ծառերը լայնորեն օգտագործվում են տարբեր ոլորտներում, ներառյալ առողջապահական գիտությունների վերապատրաստման ծրագրերում [18, 19]:Այս ուսումնասիրության ընթացքում մոդելը հատուկ վերապատրաստվել է համակարգի մշակողների կողմից՝ բացահայտելու ուսանողների LS-ն և առաջարկելու լավագույն IS-ը նրանց համար:
Այս ուսումնասիրության նպատակն է զարգացնել IS առաքման ռազմավարություններ՝ հիմնված ուսանողների LS-ի վրա և կիրառել SCL մոտեցումը՝ մշակելով IS-ի առաջարկությունների գործիք, որը քարտեզագրված է LS-ին:IS առաջարկությունների գործիքի նախագծման հոսքը որպես SCL մեթոդի ռազմավարություն ցույց է տրված Նկար 1-ում: IS հանձնարարական գործիքը բաժանված է երկու մասի, ներառյալ LS դասակարգման մեխանիզմը, օգտագործելով ILS և ուսանողների համար ամենահարմար IS ցուցադրումը:
Մասնավորապես, տեղեկատվական անվտանգության առաջարկությունների գործիքների բնութագրիչները ներառում են վեբ տեխնոլոգիաների օգտագործումը և որոշումների ծառի մեքենայական ուսուցման օգտագործումը:Համակարգի մշակողները բարելավում են օգտատերերի փորձը և շարժունակությունը՝ հարմարեցնելով դրանք շարժական սարքերին, ինչպիսիք են բջջային հեռախոսները և պլանշետները:
Փորձն իրականացվել է երկու փուլով և կամավոր հիմունքներով մասնակցել են Մալայայի համալսարանի ստոմատոլոգիական ֆակուլտետի ուսանողները։Մասնակիցները պատասխանեցին ատամնաբուժական ուսանողի առցանց m-ILS-ին անգլերենով:Սկզբնական փուլում 50 ուսանողներից բաղկացած տվյալների բազան օգտագործվել է որոշումների ծառի մեքենայական ուսուցման ալգորիթմը վարժեցնելու համար:Մշակման գործընթացի երկրորդ փուլում մշակված գործիքի ճշգրտությունը բարելավելու համար օգտագործվել է 255 ուսանողներից բաղկացած տվյալների բազա:
Բոլոր մասնակիցները յուրաքանչյուր փուլի սկզբում ստանում են առցանց ճեպազրույց՝ կախված ուսումնական տարվանից, Microsoft Teams-ի միջոցով:Բացատրվեց ուսումնասիրության նպատակը և ստացվեց տեղեկացված համաձայնություն:Բոլոր մասնակիցներին տրվել է m-ILS մուտք գործելու հղում:Յուրաքանչյուր ուսանողի հանձնարարվել է պատասխանել հարցաշարի բոլոր 44 կետերին:Նրանց տրվել է մեկ շաբաթ, որպեսզի լրացնեն փոփոխված ILS-ը իրենց հարմար ժամանակում և վայրում կիսամյակի ընդմիջման ընթացքում մինչև կիսամյակի սկիզբը:m-ILS-ը հիմնված է բնօրինակ ILS գործիքի վրա և ձևափոխված է ատամնաբուժական ուսանողների համար:Բնօրինակ ILS-ի նման, այն պարունակում է 44 հավասարաչափ բաշխված տարրեր (a, b), յուրաքանչյուրը 11 կետով, որոնք օգտագործվում են յուրաքանչյուր FSLSM չափման ասպեկտները գնահատելու համար:
Գործիքների մշակման սկզբնական փուլերում հետազոտողները ձեռքով նշում էին քարտեզները՝ օգտագործելով 50 ատամնաբուժական ուսանողների տվյալների հավաքածու:Համաձայն FSLM-ի, համակարգը տրամադրում է «ա» և «բ» պատասխանների գումարը:Յուրաքանչյուր հարթության համար, եթե ուսանողն ընտրում է «a»-ն որպես պատասխան, LS-ը դասակարգվում է որպես Ակտիվ/Ըմբռնողական/Տեսողական/Հաջորդական, իսկ եթե ուսանողը ընտրում է «b»-ը որպես պատասխան, ուսանողը դասակարգվում է որպես Ռեֆլեկտիվ/Ինտուիտիվ/Լեզվաբանական: ./ գլոբալ սովորող.
Ատամնաբուժական կրթության հետազոտողների և համակարգի մշակողների միջև աշխատանքային հոսքը ստուգելուց հետո հարցերը ընտրվեցին՝ հիմնվելով FLSSM տիրույթի վրա և սնվեցին ML մոդելի մեջ՝ յուրաքանչյուր ուսանողի LS-ը կանխատեսելու համար:«Աղբը ներս, աղբը դուրս» հայտնի ասացվածք է մեքենայական ուսուցման ոլորտում՝ շեշտը դնելով տվյալների որակի վրա:Մուտքային տվյալների որակը որոշում է մեքենայական ուսուցման մոդելի ճշգրտությունն ու ճշգրտությունը:Հատկանշական ճարտարագիտության փուլում ստեղծվում է նոր առանձնահատկությունների հավաքածու, որը հանդիսանում է «a» և «b» պատասխանների գումարը՝ հիմնված FLSSM-ի վրա:Դեղերի դիրքերի նույնականացման համարները տրված են Աղյուսակ 1-ում:
Պատասխանների հիման վրա հաշվարկիր միավորը և որոշիր աշակերտի ԼՍ-ը:Յուրաքանչյուր ուսանողի համար միավորների միջակայքը 1-ից 11 է: 1-ից 3 միավորները ցույց են տալիս ուսուցման նախասիրությունների հավասարակշռությունը նույն հարթության մեջ, իսկ 5-ից 7 միավորները ցույց են տալիս չափավոր նախապատվություն, ինչը ցույց է տալիս, որ ուսանողները հակված են նախընտրելու մեկ միջավայր, որը սովորեցնում է մյուսներին: .Նույն հարթության մեկ այլ տարբերակն այն է, որ 9-ից 11 միավորները արտացոլում են մեկ կամ մյուս ծայրի ուժեղ նախապատվությունը [8]:
Յուրաքանչյուր հարթության համար դեղերը խմբավորվել են «ակտիվ», «արտացոլող» և «հավասարակշռված»:Օրինակ, երբ ուսանողը նշանակված կետի վրա ավելի հաճախ է պատասխանում «ա», քան «b», և նրա միավորը գերազանցում է 5-ի շեմը մշակման LS չափը ներկայացնող որոշակի կետի համար, նա պատկանում է «ակտիվ» LS-ին: տիրույթ..Այնուամենայնիվ, ուսանողները դասակարգվեցին որպես «արտացոլող» LS, երբ նրանք կոնկրետ 11 հարցերում ընտրեցին «b» ավելի քան «a»-ն (Աղյուսակ 1) և հավաքեցին ավելի քան 5 միավոր:Ի վերջո, ուսանողը գտնվում է «հավասարակշռության» վիճակում։Եթե միավորը չի գերազանցում 5 միավորը, ապա սա «գործընթաց» LS է:Դասակարգման գործընթացը կրկնվել է LS-ի մյուս չափումների համար՝ ընկալում (ակտիվ/արտացոլող), մուտքագրում (տեսողական/բանավոր) և ըմբռնում (հաջորդական/գլոբալ):
Որոշումների ծառի մոդելները դասակարգման գործընթացի տարբեր փուլերում կարող են օգտագործել հատկանիշների տարբեր ենթաբազմություններ և որոշումների կանոններ:Այն համարվում է հանրաճանաչ դասակարգման և կանխատեսման գործիք:Այն կարող է ներկայացվել օգտագործելով ծառի կառուցվածքը, ինչպիսին է հոսքի գծապատկերը [20], որտեղ կան ներքին հանգույցներ, որոնք ներկայացնում են թեստերը ըստ հատկանիշի, յուրաքանչյուր ճյուղը ներկայացնում է թեստի արդյունքները, և յուրաքանչյուր տերևային հանգույց (տերևային հանգույց) պարունակում է դասի պիտակ:
Ստեղծվել է կանոնների վրա հիմնված պարզ ծրագիր՝ յուրաքանչյուր ուսանողի պատասխանների հիման վրա ավտոմատ կերպով գնահատելու և ծանոթացնելու համար:Կանոնների վրա հիմնվածը ստանում է IF դրույթի ձև, որտեղ «IF»-ը նկարագրում է գործարկիչը, իսկ «THEN»-ը նշում է գործողությունը, որը պետք է կատարվի, օրինակ՝ «Եթե X-ը տեղի է ունենում, ապա արեք Y» (Liu et al., 2014):Եթե տվյալների հավաքածուն ցուցադրում է հարաբերակցություն, և որոշումների ծառի մոդելը պատշաճ կերպով պատրաստված և գնահատված է, այս մոտեցումը կարող է արդյունավետ միջոց լինել LS-ի և IS-ի համապատասխանության գործընթացն ավտոմատացնելու համար:
Մշակման երկրորդ փուլում տվյալների շտեմարանը հասցվել է 255-ի՝ առաջարկությունների գործիքի ճշգրտությունը բարելավելու համար:Տվյալների հավաքածուն բաժանված է 1:4 հարաբերակցությամբ:Տվյալների հավաքածուի 25%-ը (64) օգտագործվել է թեստային հավաքածուի համար, իսկ մնացած 75%-ը (191) օգտագործվել է որպես ուսուցման հավաքածու (Նկար 2):Տվյալների հավաքածուն պետք է բաժանվի, որպեսզի կանխվի մոդելի վերապատրաստումը և փորձարկումը նույն տվյալների հավաքածուի վրա, ինչը կարող է ստիպել մոդելը հիշել, այլ ոչ թե սովորել:Մոդելը վերապատրաստվում է ուսուցման հավաքածուի վրա և գնահատում է իր կատարումը թեստային հավաքածուի վրա՝ տվյալներ, որոնք մոդելը նախկինում երբեք չի տեսել:
Երբ IS գործիքը մշակվի, հավելվածը կկարողանա դասակարգել LS-ն՝ հիմնվելով ատամնաբուժական ուսանողների պատասխանների վրա՝ վեբ ինտերֆեյսի միջոցով:Վեբ վրա հիմնված տեղեկատվական անվտանգության առաջարկությունների գործիք համակարգը կառուցված է Python ծրագրավորման լեզվի միջոցով՝ օգտագործելով Django շրջանակը որպես հետնամաս:Աղյուսակ 2-ում ներկայացված են այս համակարգի մշակման համար օգտագործված գրադարանները:
Տվյալների հավաքածուն սնվում է որոշումների ծառի մոդելին՝ ուսանողների պատասխանները հաշվարկելու և արդյունահանելու համար՝ ուսանողի LS չափումները ավտոմատ կերպով դասակարգելու համար:
Շփոթության մատրիցը օգտագործվում է տվյալ տվյալների հավաքածուի վրա որոշումների ծառի մեքենայական ուսուցման ալգորիթմի ճշգրտությունը գնահատելու համար:Միևնույն ժամանակ, այն գնահատում է դասակարգման մոդելի կատարումը:Այն ամփոփում է մոդելի կանխատեսումները և համեմատում դրանք փաստացի տվյալների պիտակների հետ:Գնահատման արդյունքները հիմնված են չորս տարբեր արժեքների վրա՝ True Positive (TP) – մոդելը ճիշտ կանխատեսել է դրական կատեգորիան, False Positive (FP) – մոդելը կանխատեսել է դրական կատեգորիա, բայց իրական պիտակը բացասական է եղել, True Negative (TN) – մոդելը ճիշտ է կանխատեսել բացասական դասը, իսկ կեղծ բացասականը (FN) – Մոդելը կանխատեսում է բացասական դաս, իսկ իրական պիտակը դրական է:
Այս արժեքներն այնուհետև օգտագործվում են Python-ում scikit-learn դասակարգման մոդելի կատարողականի տարբեր չափումներ, մասնավորապես՝ ճշգրտություն, ճշգրտություն, հետ կանչում և F1 գնահատական:Ահա օրինակներ.
Հիշեցումը (կամ զգայունությունը) չափում է մոդելի կարողությունը՝ ճշգրիտ դասակարգելու աշակերտի LS-ը m-ILS հարցաշարին պատասխանելուց հետո:
Կոնկրետությունը կոչվում է իսկական բացասական դրույք:Ինչպես տեսնում եք վերը նշված բանաձևից, սա պետք է լինի ճշմարիտ բացասականների (TN) և իրական բացասականների և կեղծ դրականների (FP) հարաբերակցությունը:Որպես ուսանողական դեղերի դասակարգման առաջարկվող գործիքի մաս, այն պետք է կարողանա ճշգրիտ նույնականացնել:
Որոշումների ծառի ML մոդելը վարժեցնելու համար օգտագործված 50 ուսանողների սկզբնական տվյալների բազան ցույց է տվել համեմատաբար ցածր ճշգրտություն՝ անոտացիաներում մարդկային սխալի պատճառով (Աղյուսակ 3):Պարզ կանոնների վրա հիմնված ծրագիր ստեղծելուց հետո, որն ավտոմատ կերպով հաշվարկում է LS միավորները և ուսանողների ծանոթագրությունները, տվյալների հավաքածուների աճող թվով (255) օգտագործվել է առաջարկող համակարգը վերապատրաստելու և փորձարկելու համար:
Բազմադասային շփոթության մատրիցայում անկյունագծային տարրերը ներկայացնում են ճիշտ կանխատեսումների քանակը յուրաքանչյուր LS տեսակի համար (Նկար 4):Օգտագործելով որոշման ծառի մոդելը, ընդհանուր առմամբ 64 նմուշ է ճիշտ կանխատեսվել:Այսպիսով, այս ուսումնասիրության մեջ անկյունագծային տարրերը ցույց են տալիս ակնկալվող արդյունքները՝ ցույց տալով, որ մոդելը լավ է գործում և ճշգրիտ կանխատեսում է դասի պիտակը յուրաքանչյուր LS դասակարգման համար:Այսպիսով, առաջարկությունների գործիքի ընդհանուր ճշգրտությունը 100% է:
Ճշգրտության, ճշգրտության, հիշելու և F1 միավորի արժեքները ներկայացված են Նկար 5-ում: Որոշումների ծառի մոդելն օգտագործող առաջարկությունների համակարգի համար նրա F1 միավորը 1.0 «կատարյալ» է, որը ցույց է տալիս կատարյալ ճշգրտություն և հիշում՝ արտացոլելով էական զգայունությունն ու առանձնահատկությունը: արժեքներ։
Նկար 6-ը ցույց է տալիս որոշումների ծառի մոդելի վիզուալիզացիան՝ վերապատրաստման և փորձարկումների ավարտից հետո:Կողք կողքի համեմատության մեջ որոշման ծառի մոդելը, որը վերապատրաստվել է ավելի քիչ հատկանիշներով, ցույց է տվել ավելի բարձր ճշգրտություն և մոդելի ավելի հեշտ պատկերացում:Սա ցույց է տալիս, որ առանձնահատկությունների ճարտարագիտությունը, որը հանգեցնում է առանձնահատկությունների կրճատմանը, կարևոր քայլ է մոդելի կատարողականությունը բարելավելու համար:
Կիրառելով որոշումների ծառի վերահսկվող ուսուցում, քարտեզագրումը LS (ներածում) և IS (նպատակային ելք) միջև ավտոմատ ձևավորվում է և պարունակում է մանրամասն տեղեկատվություն յուրաքանչյուր LS-ի համար:
Արդյունքները ցույց են տվել, որ 255 ուսանողների 34.9%-ը նախընտրել է մեկ (1) LS տարբերակ:Մեծամասնությունը (54.3%) ուներ երկու կամ ավելի LS նախապատվություն:Ուսանողների 12.2%-ը նշել է, որ ԼՍ-ը բավականին հավասարակշռված է (Աղյուսակ 4):Ի լրումն ութ հիմնական LS-ի, Մալայայի համալսարանի ատամնաբուժական ուսանողների համար կան LS դասակարգումների 34 համակցություններ:Դրանցից ընկալումը, տեսլականը և ընկալման և տեսողության համադրությունը հիմնական LS-ն են, որոնք հաղորդում են ուսանողները (Նկար 7):
Ինչպես երևում է Աղյուսակ 4-ից, ուսանողների մեծամասնությունն ունեցել է գերակշռող զգայական (13.7%) կամ տեսողական (8.6%) ԼՍ:Զեկուցվել է, որ ուսանողների 12,2%-ը համատեղել է ընկալումը տեսողության հետ (ընկալում-տեսողական ԼՍ):Այս բացահայտումները հուշում են, որ ուսանողները նախընտրում են սովորել և հիշել սահմանված մեթոդների միջոցով, հետևել կոնկրետ և մանրամասն ընթացակարգերին և լինել ուշադիր:Միևնույն ժամանակ, նրանք հաճույքով սովորում են նայելով (օգտագործելով գծապատկերներ և այլն) և հակված են քննարկել և կիրառել տեղեկատվությունը խմբերով կամ ինքնուրույն:
Այս ուսումնասիրությունը տրամադրում է տվյալների արդյունահանման մեջ օգտագործվող մեքենայական ուսուցման տեխնիկայի ակնարկ՝ կենտրոնանալով ուսանողների LS-ի ակնթարթորեն և ճշգրիտ կանխատեսման և համապատասխան IS առաջարկելու վրա:Որոշումների ծառի մոդելի կիրառումը բացահայտեց այն գործոնները, որոնք առավել սերտորեն կապված են նրանց կյանքի և կրթական փորձի հետ:Դա վերահսկվող մեքենայական ուսուցման ալգորիթմ է, որն օգտագործում է ծառի կառուցվածքը՝ տվյալների դասակարգման համար՝ որոշակի չափանիշների հիման վրա տվյալների մի շարք ենթակատեգորիաների բաժանելով:Այն աշխատում է ռեկուրսիվ կերպով մուտքային տվյալները բաժանելով ենթաբազմությունների՝ հիմնված յուրաքանչյուր ներքին հանգույցի մուտքային հատկանիշներից մեկի արժեքի վրա, մինչև տերևային հանգույցում որոշում կայացվի:
Որոշման ծառի ներքին հանգույցները ներկայացնում են լուծումը՝ հիմնված m-ILS խնդրի մուտքային բնութագրերի վրա, իսկ տերևային հանգույցները ներկայացնում են վերջնական LS դասակարգման կանխատեսումը:Ողջ ուսումնասիրության ընթացքում հեշտ է հասկանալ որոշումների ծառերի հիերարխիան, որոնք բացատրում և պատկերացնում են որոշումների գործընթացը՝ դիտարկելով մուտքային հատկանիշների և ելքային կանխատեսումների փոխհարաբերությունները:
Համակարգչային գիտության և ճարտարագիտության ոլորտներում մեքենայական ուսուցման ալգորիթմները լայնորեն օգտագործվում են ուսանողների կատարողականը կանխատեսելու համար՝ հիմնվելով նրանց ընդունելության քննության միավորների [21], ժողովրդագրական տեղեկատվության և սովորելու վարքագծի վրա [22]:Հետազոտությունները ցույց են տվել, որ ալգորիթմը ճշգրիտ կանխատեսել է ուսանողների կատարողականը և օգնել նրանց բացահայտել ուսումնական դժվարությունների ռիսկի ենթարկված ուսանողներին:
Զեկուցվում է ML ալգորիթմների կիրառումը ատամնաբուժական ուսուցման համար վիրտուալ հիվանդների սիմուլյատորների մշակման մեջ:Սիմուլյատորն ի վիճակի է ճշգրիտ վերարտադրել իրական հիվանդների ֆիզիոլոգիական արձագանքները և կարող է օգտագործվել ատամնաբուժական ուսանողներին անվտանգ և վերահսկվող միջավայրում վարժեցնելու համար [23]:Մի քանի այլ ուսումնասիրություններ ցույց են տալիս, որ մեքենայական ուսուցման ալգորիթմները կարող են պոտենցիալ բարելավել ատամնաբուժական և բժշկական կրթության և հիվանդների խնամքի որակն ու արդյունավետությունը:Մեքենայական ուսուցման ալգորիթմները օգտագործվել են ատամնաբուժական հիվանդությունների ախտորոշմանը օգնելու համար՝ հիմնված տվյալների հավաքածուների վրա, ինչպիսիք են ախտանիշները և հիվանդի բնութագրերը [24, 25]:Մինչ այլ ուսումնասիրություններ ուսումնասիրել են մեքենայական ուսուցման ալգորիթմների օգտագործումը այնպիսի առաջադրանքներ կատարելու համար, ինչպիսիք են հիվանդի արդյունքների կանխատեսումը, բարձր ռիսկային հիվանդների նույնականացումը, անհատական բուժման պլանների մշակումը [26], պարոդոնտալ բուժումը [27] և կարիեսի բուժումը [25]:
Թեև հրապարակվել են ստոմատոլոգիայում մեքենայական ուսուցման կիրառման վերաբերյալ զեկույցներ, ատամնաբուժական կրթության մեջ դրա կիրառումը մնում է սահմանափակ:Հետևաբար, այս ուսումնասիրությունը նպատակ ուներ օգտագործել որոշումների ծառի մոդել՝ ատամնաբուժական ուսանողների շրջանում LS-ի և IS-ի հետ առավել սերտորեն կապված գործոնները բացահայտելու համար:
Այս ուսումնասիրության արդյունքները ցույց են տալիս, որ մշակված առաջարկությունների գործիքն ունի բարձր ճշգրտություն և կատարյալ ճշգրտություն, ինչը ցույց է տալիս, որ ուսուցիչները կարող են օգտվել այս գործիքից:Օգտագործելով տվյալների վրա հիմնված դասակարգման գործընթացը, այն կարող է տրամադրել անհատականացված առաջարկություններ և բարելավել կրթական փորձառությունն ու արդյունքները մանկավարժների և ուսանողների համար:Դրանց թվում՝ առաջարկությունների գործիքների միջոցով ստացված տեղեկատվությունը կարող է լուծել հակամարտությունները ուսուցիչների նախընտրած դասավանդման մեթոդների և ուսանողների ուսուցման կարիքների միջև:Օրինակ, առաջարկությունների գործիքների ավտոմատացված թողարկման շնորհիվ զգալիորեն կկրճատվի ուսանողի IP-ն նույնականացնելու և այն համապատասխան IP-ին համապատասխանեցնելու համար պահանջվող ժամանակը:Այս կերպ կարելի է կազմակերպել համապատասխան ուսումնական գործողություններ և ուսումնական նյութեր:Սա օգնում է զարգացնել ուսանողների դրական ուսուցման վարքագիծը և կենտրոնանալու կարողությունը:Մի ուսումնասիրություն ցույց է տվել, որ ուսանողներին տրամադրելով ուսումնական նյութեր և ուսումնական գործողություններ, որոնք համապատասխանում են իրենց նախընտրած LS-ին, կարող են օգնել ուսանողներին ինտեգրվել, մշակել և վայելել ուսումը բազմաթիվ եղանակներով՝ ավելի մեծ ներուժի հասնելու համար [12]:Հետազոտությունները նաև ցույց են տալիս, որ բացի ուսանողների մասնակցությունը դասարանում բարելավելուց, ուսանողների ուսուցման գործընթացի ըմբռնումը նաև կարևոր դեր է խաղում ուսուցման պրակտիկայի բարելավման և ուսանողների հետ հաղորդակցվելու գործում [28, 29]:
Այնուամենայնիվ, ինչպես ցանկացած ժամանակակից տեխնոլոգիա, կան խնդիրներ և սահմանափակումներ:Դրանք ներառում են տվյալների գաղտնիության, կողմնակալության և արդարության հետ կապված հարցեր, ինչպես նաև ատամնաբուժական կրթության մեջ մեքենայական ուսուցման ալգորիթմներ մշակելու և ներդնելու համար անհրաժեշտ մասնագիտական հմտություններն ու ռեսուրսները.Այնուամենայնիվ, այս ոլորտում աճող հետաքրքրությունն ու հետազոտությունները ցույց են տալիս, որ մեքենայական ուսուցման տեխնոլոգիաները կարող են դրական ազդեցություն ունենալ ատամնաբուժական կրթության և ատամնաբուժական ծառայությունների վրա:
Այս հետազոտության արդյունքները ցույց են տալիս, որ ատամնաբուժական ուսանողների կեսը հակված է դեղեր «ընկալելու»:Սովորողների այս տեսակը նախապատվություն ունի փաստերի և կոնկրետ օրինակների նկատմամբ, գործնական կողմնորոշում, համբերություն դետալների նկատմամբ և «տեսողական» LS նախապատվություն, որտեղ սովորողները նախընտրում են օգտագործել նկարներ, գրաֆիկա, գույներ և քարտեզներ գաղափարներ և մտքեր փոխանցելու համար:Ընթացիկ արդյունքները համահունչ են այլ ուսումնասիրություններին, որոնք օգտագործում են ILS՝ ատամնաբուժական և բժշկական ուսանողների մոտ LS գնահատելու համար, որոնցից շատերն ունեն ընկալման և տեսողական LS-ի բնութագրիչներ [12, 30]:Dalmolin-ը և այլոք առաջարկում են, որ ուսանողներին իրենց LS-ի մասին տեղեկացնելը թույլ է տալիս հասնել իրենց ուսուցման ներուժին:Հետազոտողները պնդում են, որ երբ ուսուցիչները լիովին հասկանում են ուսանողների կրթական գործընթացը, կարող են կիրառվել դասավանդման տարբեր մեթոդներ և գործողություններ, որոնք կբարելավեն ուսանողների կատարողականությունը և սովորելու փորձը [12, 31, 32]:Այլ ուսումնասիրություններ ցույց են տվել, որ ուսանողների LS-ի ճշգրտումը ցույց է տալիս նաև ուսանողների ուսումնառության փորձի և կատարողականի բարելավումներ՝ նրանց ուսուցման ոճերը փոխելուց հետո՝ իրենց սեփական LS-ին համապատասխանելու համար [13, 33]:
Ուսուցիչների կարծիքները կարող են տարբեր լինել՝ կապված ուսանողների սովորելու կարողությունների վրա հիմնված ուսուցման ռազմավարությունների իրականացման հետ:Թեև ոմանք տեսնում են այս մոտեցման առավելությունները, ներառյալ մասնագիտական զարգացման հնարավորությունները, մենթորությունը և համայնքի աջակցությունը, մյուսները կարող են մտահոգված լինել ժամանակի և ինստիտուցիոնալ աջակցությամբ:Հավասարակշռության ձգտումը առանցքային է ուսանողակենտրոն վերաբերմունք ստեղծելու համար:Բարձրագույն կրթության մարմինները, ինչպիսիք են համալսարանների ադմինիստրատորները, կարող են կարևոր դեր խաղալ դրական փոփոխությունների խթանման գործում՝ ներդրելով նորարարական պրակտիկա և աջակցելով ֆակուլտետների զարգացմանը [34]:Իրապես դինամիկ և արձագանքող բարձրագույն կրթության համակարգ ստեղծելու համար քաղաքականություն մշակողները պետք է համարձակ քայլեր ձեռնարկեն, ինչպիսիք են քաղաքականության փոփոխությունները, ռեսուրսների տրամադրումը տեխնոլոգիաների ինտեգրմանը և ուսանողակենտրոն մոտեցումները խթանող շրջանակների ստեղծում:Այս միջոցները չափազանց կարևոր են ցանկալի արդյունքների հասնելու համար:Տարբերակված ուսուցման վերաբերյալ վերջին հետազոտությունները հստակ ցույց են տվել, որ տարբերակված ուսուցման հաջող իրականացումը պահանջում է ուսուցիչների շարունակական վերապատրաստում և զարգացման հնարավորություններ [35]:
Այս գործիքը արժեքավոր աջակցություն է տրամադրում ատամնաբուժական մանկավարժներին, ովքեր ցանկանում են ուսանողակենտրոն մոտեցում ցուցաբերել ուսանողների համար հարմար ուսումնական գործունեության պլանավորման համար:Այնուամենայնիվ, այս ուսումնասիրությունը սահմանափակվում է որոշման ծառի ML մոդելների օգտագործմամբ:Ապագայում ավելի շատ տվյալներ պետք է հավաքվեն՝ մեքենայական ուսուցման տարբեր մոդելների կատարողականությունը համեմատելու համար՝ համեմատելու առաջարկությունների գործիքների ճշգրտությունը, հուսալիությունը և ճշգրտությունը:Բացի այդ, որոշակի առաջադրանքի համար մեքենայական ուսուցման ամենահարմար մեթոդ ընտրելիս կարևոր է հաշվի առնել այլ գործոններ, ինչպիսիք են մոդելի բարդությունը և մեկնաբանությունը:
Այս հետազոտության սահմանափակումն այն է, որ այն կենտրոնացած էր միայն ատամնաբուժական ուսանողների շրջանում LS և IS քարտեզագրման վրա:Հետևաբար, մշակված առաջարկությունների համակարգը խորհուրդ կտա միայն նրանց, որոնք հարմար են ատամնաբուժական ուսանողների համար:Փոփոխություններ են անհրաժեշտ ընդհանուր բարձրագույն կրթության ուսանողների օգտագործման համար:
Մեքենայի ուսուցման վրա հիմնված առաջարկությունների նոր մշակված գործիքը կարող է անմիջապես դասակարգել և համապատասխանեցնել ուսանողների LS-ը համապատասխան IS-ին՝ դարձնելով այն առաջին ատամնաբուժական կրթական ծրագիրը, որն օգնում է ատամնաբուժական մանկավարժներին պլանավորել համապատասխան ուսուցման և ուսուցման գործողություններ:Օգտագործելով տվյալների վրա հիմնված տրիաժ գործընթացը, այն կարող է տրամադրել անհատականացված առաջարկներ, խնայել ժամանակ, բարելավել դասավանդման ռազմավարությունները, աջակցել նպատակային միջամտություններին և նպաստել շարունակական մասնագիտական զարգացմանը:Դրա կիրառումը կնպաստի ատամնաբուժական կրթության ուսանողակենտրոն մոտեցումներին:
Gilak Jani Associated Press.Համապատասխանություն կամ անհամապատասխանություն աշակերտի ուսուցման ոճի և ուսուցչի ուսուցման ոճի միջև:Int J Mod Educ Համակարգչային Գիտություն.2012; 4 (11): 51–60:https://doi.org/10.5815/ijmecs.2012.11.05
Հրապարակման ժամանակը՝ ապրիլի 29-2024