Բարձրագույն ուսումնական հաստատություններում ուսանողական կենտրոնացված ուսուցման (SCL) աճի անհրաժեշտություն կա, ներառյալ ստոմատոլոգիան: Այնուամենայնիվ, SCL- ն սահմանափակ ծրագիր ունի ատամնաբուժական կրթության մեջ: Հետեւաբար, այս ուսումնասիրությունը նպատակ ունի խթանել SCL- ի դիմումը ստոմատոլոգիայի մեջ `օգտագործելով որոշումների ծառի ուսուցման (ML) տեխնոլոգիա` նախընտրելի ուսուցման ոճը (LS) եւ համապատասխան ուսուցման ռազմավարությունը (համապատասխան ուսուցման ռազմավարությունը), որպես արտացոլման օգտակար գործիք Մի շարք Խոստումնալից մեթոդներ ատամնաբուժական ուսանողների համար:
Մալայայի համալսարանի 255 ատամնաբուժական ուսանողներ ավարտեցին ուսման ոճերի (M-ILS) հարցաթերթիկի ձեւափոխված ցուցանիշը, որը պարունակում էր 44 իրեր, դրանք իրենց համապատասխան LSS- ն դասակարգելու համար: Հավաքված տվյալները (DataSet) անվանում են վերահսկվող որոշման ծառի ուսուցման մեջ `ավտոմատ կերպով համապատասխանեցնել ուսանողների ուսման ոճերը առավել հարմար: Մեքենայի ուսուցման վրա հիմնված առաջարկի ճշգրտությունն այնուհետեւ գնահատվում է:
LS- ի (մուտքային) եւ (նպատակային ելքի) միջեւ տվյալների ավտոմատացված քարտեզագրման գործընթացում որոշումների ծառի մոդելների կիրառումը թույլ է տալիս յուրաքանչյուր ատամնաբուժական ուսանողի համար համապատասխան ուսման ռազմավարությունների անմիջական ցուցակ: Առաջարկության գործիքը ցուցադրեց կատարյալ ճշգրտություն եւ հիշեցում ընդհանուր մոդելի ճշգրտության մասին, նշելով, որ LS- ի համապատասխանությունը լավ զգայունություն եւ առանձնահատկություն ունի:
Հանձնարարական գործիք է, որը հիմնված է ML որոշման ծառի վրա, ապացուցել է իր ունակությունը ճշգրիտ համապատասխանեցնել ատամնաբուժական ուսանողների ուսման ոճերը համապատասխան ուսման ռազմավարություններով: Այս գործիքը ապահովում է սովորող-կենտրոնացված դասընթացների կամ մոդուլների պլանավորման հզոր ընտրանքներ, որոնք կարող են բարձրացնել ուսանողների ուսման փորձը:
Ուսուցումն ու ուսումը հիմնարար գործողություններ են կրթական հաստատություններում: Բարձրորակ մասնագիտական կրթության համակարգ մշակելիս կարեւոր է կենտրոնանալ ուսանողների ուսուցման կարիքների վրա: Ուսանողների եւ նրանց ուսուցման միջավայրի փոխազդեցությունը կարող են որոշվել իրենց LS- ի միջոցով: Հետազոտությունները ենթադրում են, որ ուսուցիչների կողմից նախատեսված եւ ուսանողների միջեւ ուսուցիչների կողմից նախատեսված անհամապատասխանությունները կարող են բացասական հետեւանքներ ունենալ ուսանողների ուսուցման համար, ինչպիսիք են ուշադրության եւ մոտիվացիայի նվազումը: Սա անուղղակիորեն կանդրադառնա ուսանողների գործունեության վրա [1,2]:
Է ուսուցիչների կողմից օգտագործվող մեթոդ, ուսանողներին գիտելիք եւ հմտություններ հաղորդելու համար, ներառյալ ուսանողներին օգնելու համար [3]: Ընդհանրապես, լավ ուսուցիչները ծրագրում են դասավանդման ռազմավարություններ, կամ դա լավագույնս համընկնում է ուսանողների գիտելիքների մակարդակին, նրանց սովորելու գաղափարները եւ ուսման փուլը: Տեսականորեն, երբ LS- ը եւ խաղը համընկնում է, ուսանողները կկարողանան կազմակերպել եւ օգտագործել հմտությունների հատուկ շարք `արդյունավետ սովորելու համար: Սովորաբար, դասի պլանը ներառում է մի քանի անցումային փուլերի միջեւ, ինչպիսիք են, առաջնորդվող պրակտիկայում կամ առաջնորդվող պրակտիկայից մինչեւ անկախ պրակտիկային: Այս մտքով, արդյունավետ ուսուցիչները հաճախ ծրագրում են ուսուցում `ուսանողների գիտելիքների եւ հմտությունների կառուցման նպատակով [4]:
SCL- ի պահանջարկը աճում է բարձրագույն ուսումնական հաստատություններում, ներառյալ ստոմատոլոգիան: SCL ռազմավարությունները նախատեսված են ուսանողների ուսուցման կարիքները բավարարելու համար: Դա հնարավոր է հասնել, օրինակ, եթե ուսանողներն ակտիվորեն մասնակցեն ուսումնական գործողություններին եւ ուսուցիչներին հանդես են գալիս որպես դյուրացնողներ եւ պատասխանատու են արժեքավոր արձագանքներ տրամադրելու համար: Ասում են, որ ուսումնական նյութերի եւ գործունեության ապահովման համար, որոնք տեղին են ուսանողների կրթական մակարդակի կամ նախասիրությունների համար, կարող են բարելավել ուսանողների ուսման միջավայրը եւ նպաստել ուսման դրական փորձի [5]:
Ընդհանրապես, ատամնաբուժական ուսանողների ուսուցման գործընթացը ազդում է տարբեր կլինիկական ընթացակարգերի վրա, որոնցից նրանք պարտավոր են կատարել եւ կլինիկական միջավայրը, որում նրանք զարգացնում են միջանձնային արդյունավետ հմտություններ: Դասընթացի նպատակն է ուսանողներին հնարավորություն տալ ատամնաբուժության հիմնական գիտելիքները համադրել ատամնաբուժական կլինիկական հմտություններով եւ ձեռք բերված գիտելիքները կիրառել նոր կլինիկական իրավիճակներին [6, 7]: Վաղ ուսումնասիրություն LS- ի եւ պարզվում է, որ նախընտրելի LS- ին համապատասխան ուսուցման ռազմավարությունների կարգավորումը կօգնի բարելավել կրթական գործընթացը [8]: Հեղինակները նաեւ խորհուրդ են տալիս օգտագործել դասավանդման եւ գնահատման մի շարք մեթոդներ `ուսանողների ուսուցման եւ կարիքների հարմարվելու համար:
Ուսուցիչները օգուտ են քաղում LS գիտելիքների կիրառմանը, նրանց օգնելու համար ձեւավորել, մշակել եւ իրականացնել հրահանգներ, որոնք կբարձրացնեն ուսանողների խորը գիտելիքների եւ առարկայի հասկանալու ձեռքբերումը: Հետազոտողները մշակել են LS գնահատման մի քանի գործիքներ, ինչպիսիք են Kolb- ի փորձարարական ուսուցման մոդելը, Felder-Silverman Learny Style մոդելը (FSLSM) եւ Fleming Vak / Vark Model [5, 9, 10]: Գրականության համաձայն, ուսման այս մոդելներն ամենատարածված եւ առավել ուսումնասիրված ուսուցման մոդելներն են: Ընթացիկ հետազոտական աշխատանքում FSLSM- ն օգտագործվում է ատամնաբուժական ուսանողների շրջանում LS- ն գնահատելու համար:
FSLSM- ը լայնորեն օգտագործված մոդել է Engineering արտարագիտության ոլորտում հարմարվողական ուսուցման գնահատման համար: Առողջապահության ոլորտում կան շատ հրապարակված աշխատանքներ (ներառյալ բժշկությունը, բուժքույրը, դեղատունը եւ ստոմատոլոգիան), որոնք կարելի է գտնել FSLSM մոդելների օգտագործմամբ [5, 11, 12, 13]: FLSM- ում LS- ի չափերը չափելու համար օգտագործվող գործիքը կոչվում է ուսուցման ոճերի ցուցիչ (ILS) [8], որը պարունակում է 44 իրեր, որոնք գնահատում են LS- ի չորս չափսերը, վերամշակում (ընկալում / ինտուիտիվ), մուտքագրում (տեսողական): / բանավոր) եւ հասկացողություն (հաջորդական / գլոբալ) [14]:
Ինչպես ցույց է տրված Նկար 1-ում, յուրաքանչյուր FSLSM հարթություն ունի գերակշռող նախապատվություն: Օրինակ, վերամշակման հարթության մեջ «Ակտիվ» LS- ի ուսանողները նախընտրում են տեղեկատվություն մշակել, ուղղակիորեն շփվելով ուսուցման նյութերի հետ, սովորեք, կատարելով եւ հակված են սովորել խմբերով: «Ռեֆլեկտիվ» LS- ն վերաբերում է մտածելու միջոցով սովորելուն եւ նախընտրում է միայնակ աշխատել: LS- ի «ընկալումը» կարող է բաժանվել «զգացմունքի» եւ (կամ) «ինտուիցիա»: «Զգացմունք» ուսանողները նախընտրում են ավելի շատ կոնկրետ տեղեկատվություն եւ գործնական ընթացակարգեր, փաստորեն ուղղված են «Ինտուիտիվ» ուսանողների հետ, ովքեր նախընտրում են վերացական նյութեր եւ ավելի նորարարական եւ ստեղծագործական բնույթ են կրում: LS- ի «մուտք» չափը բաղկացած է «տեսողական» եւ «բանավոր» սովորողներից: «Տեսողական» LS ունեցող մարդիկ նախընտրում են սովորել տեսողական ցույցերի միջոցով (օրինակ, դիագրամներ, տեսանյութեր կամ կենդանի ցույցեր), մինչդեռ «բանավոր» ls ունեցող մարդիկ նախընտրում են գրավոր կամ բանավոր բացատրություններով բառերով սովորել: «Հասկանալ» LS չափերը, նման սովորողները կարող են բաժանվել «հաջորդական» եւ «գլոբալ»: «Հաջորդական սովորողները նախընտրում են գծային մտքի գործընթաց եւ քայլ առ քայլ սովորել, մինչդեռ գլոբալ սովորողները հակված են ունենալ ամբողջական մտքի գործընթաց եւ միշտ ավելի լավ հասկանալ իրենց սովորածը:
Վերջերս շատ հետազոտողներ սկսեցին ուսումնասիրել տվյալների ավտոմատ տվյալների վրա հիմնված հայտնաբերման մեթոդները, ներառյալ նոր ալգորիթմների եւ մոդելների զարգացումը, որոնք ունակ են թարգմանել մեծ քանակությամբ տվյալների [15, 16]: Ելնելով տրամադրված տվյալների վրա, վերահսկվող ML (մեքենայի ուսուցում) կարողանում է ստեղծել նախշեր եւ վարկածներ, որոնք կանխատեսում են ապագա արդյունքների հիման վրա [17]: Պարզապես տեղադրեք, վերահսկվող մեքենայի ուսուցման տեխնիկան շահագործման համար մուտքագրեք տվյալների եւ գնացքի ալգորիթմներ: Այնուհետեւ այն ստեղծում է մի շարք, որը դասակարգում կամ կանխատեսում է արդյունքը, որը հիմնված է տրամադրված մուտքային տվյալների նմանատիպ իրավիճակների վրա: Վերահսկվող մեքենայի ուսուցման ալգորիթմների հիմնական առավելությունը իդեալական եւ ցանկալի արդյունքներ ստեղծելու ունակությունն է [17]:
Տվյալների վրա հիմնված մեթոդների եւ որոշումների ծառի կառավարման մոդելների օգտագործման միջոցով հնարավոր է LS- ի ավտոմատ հայտնաբերում: Հաղորդվել է, որ որոշումների ծառերը լայնորեն կիրառվում են տարբեր ոլորտներում վերապատրաստման ծրագրերում, ներառյալ առողջության գիտությունները [18, 19]: Այս ուսումնասիրության մեջ մոդելը հատուկ պատրաստված էր համակարգի մշակողների կողմից `ուսանողների LS- ն հայտնաբերելու եւ լավագույնը խորհուրդ տալու համար:
Այս ուսումնասիրության նպատակն է զարգացումը `ուսանողների LS- ի հիման վրա առաքման ռազմավարություններ եւ կիրառել SCL մոտեցումը` զարգացնելով առաջարկությունների գործիք: Առաջարկության գործիքի նախագծման հոսքը, որպես SCL մեթոդի ռազմավարություն ներկայացված է Նկար 1-ում: Առաջարկության գործիքը բաժանվում է երկու մասի, ներառյալ ուսանողների համար ցուցադրվող LS դասակարգման մեխանիզմը:
Մասնավորապես, տեղեկատվական անվտանգության առաջարկությունների գործիքների բնութագրերը ներառում են վեբ տեխնոլոգիաների օգտագործումը եւ որոշումների ծառի ուսուցման օգտագործումը: Համակարգի մշակողները բարելավում են օգտագործողի փորձը եւ շարժունակությունը `դրանք հարմարեցնելով բջջային հեռախոսների եւ պլանշետների բջջային սարքեր:
Փորձը իրականացվել է երկու փուլով, իսկ Մալայայի համալսարանի Ատամնաբուժության ֆակուլտետի ուսանողները մասնակցել են կամավոր հիմունքներով: Մասնակիցները պատասխանեցին ատամնաբուժական ուսանողի առցանց M-Ils- ին անգլերեն լեզվով: Նախնական փուլում որոշումների կայացման մեքենայի ուսուցման ալգորիթմը մարզելու համար օգտագործվել է 50 ուսանողների տվյալների բազա: Զարգացման գործընթացի երկրորդ փուլում զարգացած գործիքի ճշգրտությունը բարելավելու համար օգտագործվել է 255 ուսանողների տվյալների շտեմարան:
Բոլոր մասնակիցները յուրաքանչյուր փուլի սկզբում ստանում են առցանց ճեպազրույց, կախված ուսումնական տարվանից, Microsoft- ի թիմերի միջոցով: Ուսումնասիրության նպատակը բացատրվել է, եւ ստացվել է տեղեկացված համաձայնություն: Բոլոր մասնակիցներին տրամադրվել է հղում `M-Ils- ին մուտք ունենալու համար: Յուրաքանչյուր ուսանող հանձնարարվել է պատասխանել հարցաթերթիկի բոլոր 44 կետերին: Նրանց տրվել է մեկ շաբաթ `փոփոխված ILS- ը լրացնելու ժամանակաշրջանի եւ գտնվելու վայրում, կիսամյակի ընթացքում իրենց համար հարմար վայրում: M-ils- ը հիմնված է բնօրինակ ILS գործիքների վրա եւ ձեւափոխված է ատամնաբուժական ուսանողների համար: Նմանատիպ ILS- ի նման, այն պարունակում է 44 հավասարաչափ բաշխված իրեր (A, B), որոնցից յուրաքանչյուրը յուրաքանչյուրը օգտագործվում է յուրաքանչյուր FSLSM հարթության կողմերի գնահատման համար:
Գործիքի զարգացման նախնական փուլերի ընթացքում հետազոտողները ձեռքով նշում են քարտեզները, օգտագործելով 50 ատամնաբույժի տվյալների շտեմարան: FSLM- ի համաձայն, համակարգը տրամադրում է «Ա» եւ «Բ» -ի պատասխանների գումարը: Յուրաքանչյուր հարթության համար, եթե ուսանողը «ա» է ընտրում որպես պատասխան, LS- ն դասակարգվում է որպես ակտիվ / ընկալման / տեսողական / հաջորդական, եւ եթե ուսանողը ընտրում է «B» - ը, որպես պատասխան, ուսանողը դասակարգվում է որպես պատասխան / ինտուիտիվ / լեզվական Մի շարք / Գլոբալ սովորող:
Ատամնաբուժական կրթության հետազոտողների եւ համակարգի մշակողների միջեւ աշխատանքային հոսքը տրամաչափելուց հետո հարցեր են ընտրվել FLSSM տիրույթի հիման վրա եւ սնվում է ML մոդելի վրա `յուրաքանչյուր ուսանողի LS- ի կանխատեսման համար: «Աղբը, աղբը» հանրաճանաչ ասացվածքն է մեքենայական ուսուցման ոլորտում, շեշտը դնելով տվյալների որակի վրա: Մուտքագրման տվյալների որակը որոշում է մեքենայի ուսուցման մոդելի ճշգրտությունն ու ճշգրտությունը: Խաղարկային ինժեներական փուլում ստեղծվում է նոր խաղարկային հավաքածու, որը FLSSM- ի հիման վրա «Ա» եւ «Բ» -ի պատասխանների գումարն է: Թմրամիջոցների դիրքերի նույնականացման թվերը տրվում են Աղյուսակ 1-ում:
Հաշվարկեք հաշիվը `հիմնվելով պատասխանների վրա եւ որոշեք ուսանողի LS- ն: Յուրաքանչյուր ուսանողի համար միավորը 1-ից 11-ն է: 1-ից 11-ը միավորները նշում են նույն հարթության մեջ ուսման նախապատվությունների հավասարակշռությունը, եւ 5-ից 7-ի միավորները նշում են, որ ուսանողները հակված են մեկ այլ միջավայրի Մի շարք Նույն հարթության մեկ այլ տատանումն այն է, որ 9-ից 11-ը միավորները արտացոլում են մի ուժեղ նախապատվություն մեկ ծայրին կամ մյուսին [8]:
Յուրաքանչյուր հարթության համար դեղերը խմբավորվել են «ակտիվ», «արտացոլող» եւ «հավասարակշռված»: Օրինակ, երբ ուսանողը պատասխանում է «Ա» -ին, քան «B» - ը նշանակված կետի վրա եւ իր գնահատականը գերազանցում է LS հարթությունը ներկայացնող որոշակի կետի նախաշեմին, նա պատկանում է «Ակտիվ» LS- ին Դոմեյն: Մի շարք Այնուամենայնիվ, ուսանողները դասակարգվել են որպես «արտացոլող» LS, երբ նրանք ընտրեցին «բ» -ը, քան «Ա» -ը `յուրաքանչյուր 11 հարցում (Աղյուսակ 1) եւ վաստակեցին ավելի քան 5 միավոր: Վերջապես, ուսանողը գտնվում է «հավասարակշռության» վիճակում: Եթե հաշիվը չի գերազանցում 5 միավորը, ապա սա «գործընթաց» LS է: Դասակարգման գործընթացը կրկնվեց այլ LS չափսերի, մասնավորապես, ընկալման համար (ակտիվ / արտացոլող), մուտքային (տեսողական / բանավոր) եւ հասկացողություն (հաջորդական / գլոբալ):
Որոշումների ծառի մոդելները կարող են օգտագործել դասակարգման գործընթացի տարբեր փուլերում առանձնահատկությունների եւ որոշման կանոնների տարբեր բաժանմունքներ: Այն համարվում է հանրաճանաչ դասակարգման եւ կանխատեսման գործիք: Այն կարող է ներկայացվել ծառի կառուցվածքի միջոցով, ինչպիսիք են Flowchart- ը [20], որում կան ներքին հանգույցներ, որոնք ներկայացնում են թեստեր, թեստային արդյունքներ, որոնք ներկայացնում են դասի պիտակը:
Ստեղծվել է կանոնների վրա հիմնված պարզ ծրագիր `յուրաքանչյուր ուսանողի LS- ն ինքնաբերաբար գնահատելու եւ նշելու իրենց պատասխանների հիման վրա: Կանոնակարգի վրա հիմնված, եթե հայտարարության ձեւը վերցնում է, որտեղ «Եթե» նկարագրում է ձգան եւ «այն ժամանակ» -ը, օրինակ, կատարվելիք գործողությունները. Օրինակ. Եթե տվյալների հավաքածուները ցուցադրում են հարաբերակցությունը, եւ որոշումների ծառի մոդելը պատշաճ կերպով պատրաստված եւ գնահատվում է, այս մոտեցումը կարող է լինել արդյունավետ միջոց, LS եւ հետեւյալը:
Մշակման երկրորդ փուլում, առաջարկությունների գործիքի ճշգրտությունը բարելավելու համար տվյալների բազա ավելացավ 255-ի: Տվյալների հավաքածուն բաժանվում է 1: 4 հարաբերակցությամբ: Թեստի հավաքածուի համար օգտագործվել է տվյալների հավաքածուի 25% (64), իսկ մնացած 75% -ը (191) օգտագործվել է որպես դասընթացների հավաքածու (Նկար 2): Տվյալների հավաքածուն պետք է բաժանվի, որպեսզի մոդելը վերապատրաստվի եւ փորձարկվի նույն տվյալների հավաքածուի վրա, ինչը կարող է հանգեցնել, թե ինչպես սովորել: Մոդելը վերապատրաստվում է դասընթացների հավաքածուի վրա եւ գնահատում է դրա կատարումը թեստային հավաքածուի վրա, մոդելը նախկինում չի տեսել:
Գործիքը մշակելուց հետո դիմումը կկարողանա դասակարգել LS- ը `ելնելով ատամնաբուժական ուսանողների պատասխանների վրա վեբ ինտերֆեյսի միջոցով: Համացանցային տեղեկատվական անվտանգության առաջարկության գործիքների համակարգը կառուցված է Python ծրագրավորման լեզուն `օգտագործելով Django շրջանակը, որպես հետեւի: Աղյուսակ 2-ը թվարկում է այս համակարգի զարգացման մեջ օգտագործված գրադարանները:
Dataset- ը սնուցվում է որոշումների ծառի մոդելի համար `ուսանողական պատասխանները հաշվարկելու եւ արդյունահանելու համար` ուսանողական LS չափումները ինքնաբերաբար դասակարգելու համար:
Խառնաշփոթի մատրիցը օգտագործվում է տվյալ տվյալների հավաքածուի վերաբերյալ որոշումների ծառի ուսուցման ալգորիթմի ճշգրտությունը գնահատելու համար: Միեւնույն ժամանակ, այն գնահատում է դասակարգման մոդելի կատարումը: Այն ամփոփում է մոդելի կանխատեսումները եւ դրանք համեմատում է իրական տվյալների պիտակների հետ: Գնահատման արդյունքները հիմնված են չորս տարբեր արժեքների վրա. True դրական (TP) - Մոդելը ճիշտ կանխատեսում էր դրական կատեգորիան, կեղծ դրական (FP) - Մոդելը ճիշտ կանխատեսեց բացասական դասը եւ կեղծ բացասականը (FN) - մոդելը կանխատեսում է բացասական դաս, բայց իրական պիտակը դրական է:
Այս արժեքներն այնուհետեւ օգտագործվում են Python- ում, մասնավորապես ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտությամբ, ճշգրտության, հետկոյթելու համար հաշվարկելու համար օգտագործվում են: Ահա օրինակներ.
Հիշեցումը (կամ զգայունությունը) չափում է մոդելի ունակությունը `ուսանողի LS- ն ճշգրիտ դասակարգելու համար` M-Ils հարցաթերթիկին պատասխանելուց հետո:
Հատուկությունը կոչվում է իրական բացասական փոխարժեք: Ինչպես տեսնում եք վերը նշված բանաձեւից, դա պետք է լինի իրական բացասական (TN) հարաբերակցությունը ճշմարիտ բացասական եւ կեղծ դրական (FP): Որպես ուսանողական դեղամիջոցների դասակարգման առաջարկվող գործիքի շրջանակներում այն պետք է լինի ճշգրիտ նույնականացման:
50 ուսանողների բնօրինակ տվյալների բազան, որը նախկինում մարզվում էր Tree ML մոդելը, ցույց տվեց համեմատաբար ցածր ճշգրտություն `ծանոթագրություններում մարդու սխալի պատճառով (աղյուսակ 3): Կանոնակարգի վրա հիմնված պարզ ծրագիր ստեղծելուց հետո LS միավորները եւ ուսանողական ծանոթագրությունները ինքնաբերաբար հաշվարկելու համար տվյալների հավաքագրման եւ փորձարկման համար օգտագործվել է տվյալների ավելացման քանակը (255):
Multiclass Confusion Matrix- ում անկյունագծային տարրերը ներկայացնում են յուրաքանչյուր LS տիպի ճիշտ կանխատեսումների քանակը (Նկար 4): Որոշումների ծառի մոդելի օգտագործմամբ, ընդհանուր առմամբ 64 նմուշ ճիշտ կանխատեսված էր: Այսպիսով, այս ուսումնասիրության մեջ անկյունագծային տարրերը ցույց են տալիս ակնկալվող արդյունքները, նշելով, որ մոդելը լավ է կատարում եւ ճշգրիտ կանխատեսում է դասի պիտակը յուրաքանչյուր LS դասակարգման համար: Այսպիսով, առաջարկությունների գործի ընդհանուր ճշգրտությունը 100% է:
Հեղինակային, ճշգրտության, հետկանչի եւ F1 գնահատականի արժեքները ներկայացված են Նկար 5-ում: արժեքներ:
Գծապատկեր 6-ը ցույց է տալիս, որ որոշումների ծառի մոդելի արտացոլումը վերապատրաստումն ու փորձարկումն ավարտվելուց հետո: Կողմնակի համեմատության մեջ, ավելի քիչ հատկություններով պատրաստված որոշումների ծառի մոդելը ցույց տվեց ավելի բարձր ճշգրտություն եւ ավելի հեշտ մոդելի պատկերացում: Սա ցույց է տալիս, որ գեղարվեստական նվազեցման տանող առանձնահատկությունները կարեւոր քայլ են մոդելի կատարման բարելավման գործում:
Կիրառելով որոշումների ծառի վերահսկվող ուսումը, LS- ի (մուտքային) եւ (նպատակային ելք) քարտեզագրումը ինքնաբերաբար ստեղծվում է եւ պարունակում է մանրամասն տեղեկություններ յուրաքանչյուր LS- ի համար:
Արդյունքները ցույց տվեցին, որ 255 ուսանողների 34.9% -ը նախընտրում է մեկ (1) LS տարբերակ: Մեծամասնությունը (54.3%) ուներ երկու կամ ավելի ls նախասիրություններ: Ուսանողների 12.2% -ը նշել է, որ LS- ը բավականին հավասարակշռված է (Աղյուսակ 4): Բացի ութ հիմնական LS- ից, Մալայայի համալսարանի համալսարանի համար կա LS դասակարգումների 34 կոմբինացիա: Դրանց թվում, ընկալում, տեսլական եւ ընկալման եւ տեսողության համադրությունն ուսանողների կողմից հաղորդված հիմնական LS- ն է (Նկար 7):
Ինչպես երեւում է Աղյուսակ 4-ից, ուսանողների մեծամասնությունը ուներ գերակշռող զգայական (13,7%) կամ տեսողական (8,6%) LS: Հաղորդվել է, որ ուսանողների 12.2% -ը համակցված է տեսլականով (ընկալիչ-տեսողական LS): Այս բացահայտումները ենթադրում են, որ ուսանողները նախընտրում են սովորել եւ հիշել սահմանված մեթոդներով, հետեւել հատուկ եւ մանրամասն ընթացակարգերին եւ ուշադիր են բնության մեջ: Միեւնույն ժամանակ, նրանք վայելում են սովորելը `նայելով (օգտագործելով դիագրամներ եւ այլն) եւ հակված են քննարկել եւ կիրառել տեղեկատվություն խմբերի կամ ինքնուրույն:
Այս ուսումնասիրությունն ապահովում է տվյալների հանքարդյունաբերության մեջ օգտագործվող մեքենայական ուսուցման տեխնիկայի ակնարկ, անմիջապես եւ ճշգրիտ կանխատեսելով ուսանողների LS- ն եւ առաջարկվող հարմար է: Որոշումների ծառի մոդելի կիրառումը հայտնաբերեց նրանց կյանքի եւ կրթական փորձի հետ առավել սերտ կապի գործոնները: Այն վերահսկվող մեքենայի ուսուցման ալգորիթմ է, որն օգտագործում է ծառի կառուցվածքը `տվյալները դասակարգելու համար տվյալների մի շարք բաժանարար բաժանելու ենթակետերի վրա: Այն աշխատում է մուտքային տվյալները մուտքագրման տվյալները բաժանելու միջոցով `յուրաքանչյուր ներքին հանգույցի մուտքային առանձնահատկություններից մեկի արժեքի հիման վրա, մինչեւ որ որոշում կայացվի տերեւի հանգույցում:
Որոշումների ծառի ներքին հանգույցները ներկայացնում են լուծումը `հիմնվելով M-ILS խնդրի մուտքային բնութագրերի վրա, եւ տերեւի հանգույցները ներկայացնում են LS դասակարգման վերջնական կանխատեսումը: Ուսումնասիրության ընթացքում հեշտ է հասկանալ որոշումների ծառերի հիերարխիան, որոնք բացատրում եւ պատկերացնում են որոշումների գործընթացը `նայելով մուտքային հատկությունների եւ ելքային կանխատեսումների միջեւ փոխհարաբերություններին:
Համակարգչային գիտության եւ ճարտարագիտության ոլորտներում մեքենայական ուսուցման ալգորիթմները լայնորեն օգտագործվում են ուսանողների ներկայացումը կանխատեսելու համար, հիմնվելով իրենց ընդունելության քննության միավորների վրա [21]: Հետազոտությունները ցույց են տվել, որ ալգորիթմը ճշգրիտ կանխատեսում է ուսանողների աշխատանքը եւ նրանց օգնեց ճանաչել ուսանողներին ակադեմիական դժվարությունների ռիսկի տակ:
Հայտնի է ML ալգորիթմների կիրառումը ատամնաբուժական դասընթացների վիրտուալ հիվանդի սիմուլյատորների զարգացման գործում: Սիմուլյատորը ունակ է ճշգրիտ վերարտադրել իրական հիվանդների ֆիզիոլոգիական պատասխանները եւ կարող է օգտագործվել ատամնաբուժական ուսանողներին անվտանգ եւ վերահսկվող միջավայրում [23]: Մի քանի այլ ուսումնասիրություններ ցույց են տալիս, որ մեքենայական ուսուցման ալգորիթմները կարող են բարելավել ատամնաբուժական եւ բժշկական կրթության եւ հիվանդների խնամքի որակը եւ արդյունավետությունը: Ատամնաբուժական հիվանդությունների ախտորոշման համար օգտագործվել են մեքենայի ուսուցման ալգորիթմներ, որոնք հիմնված են տվյալների հավաքածուների հիման վրա, ինչպիսիք են ախտանիշներն ու հիվանդի բնութագրերը [24, 25]: Թեեւ այլ ուսումնասիրություններ ուսումնասիրել են մեքենայական ուսուցման ալգորիթմների օգտագործումը կատարելու համար այնպիսի առաջադրանքներ, ինչպիսիք են `հիվանդների արդյունքների կանխատեսումը, բարձր ռիսկային հիվանդների հայտնաբերումը, անհատականացված բուժման պլաններ [25]:
Չնայած հրապարակվել են ստոմատոլոգիայում մեքենայի ուսուցման հայտի վերաբերյալ հաղորդումները, դրա դիմումը ատամնաբուժարանում մնում է սահմանափակ: Հետեւաբար, այս ուսումնասիրությունը նպատակ ուներ օգտագործել որոշումների ծառի մոդել, LS- ի հետ առավել սերտորեն կապված գործոնները պարզելու համար եւ ստոմատոլոգների թվում է:
Այս ուսումնասիրության արդյունքները ցույց են տալիս, որ մշակված առաջարկությունների գործիքը ունի բարձր ճշգրտություն եւ կատարյալ ճշգրտություն, նշելով, որ ուսուցիչները կարող են օգտվել այս գործիքից: Օգտագործելով տվյալների վրա հիմնված դասակարգման գործընթացը, այն կարող է ապահովել անհատականացված առաջարկություններ եւ բարելավել կրթական փորձը եւ արդյունքները մանկավարժների եւ ուսանողների համար: Նրանց թվում առաջարկությունների գործիքների միջոցով ստացված տեղեկատվությունը կարող է լուծել ուսուցիչների նախընտրած դասավանդման մեթոդների եւ ուսանողների ուսուցման կարիքների միջեւ առկա հակամարտությունները: Օրինակ, առաջարկությունների գործիքների ավտոմատացված արտադրանքի պատճառով, ուսանողի IP- ն հայտնաբերելու եւ համապատասխան IP- ի հետ համընկնելու համար անհրաժեշտ ժամանակը զգալիորեն կնվազի: Այս եղանակով կարող են կազմակերպվել համապատասխան վերապատրաստման աշխատանքներ եւ ուսումնական նյութեր: Սա օգնում է զարգացնել ուսանողների դրական ուսման վարքը եւ կենտրոնանալու ունակությունը: Ուսումնասիրության մասին հաղորդվել է, որ ուսանողներին ուսուցման նյութեր եւ ուսուցման գործունեություն տրամադրելը, որոնք համապատասխանում են իրենց նախընտրած LS- ին, կարող են օգնել ուսանողներին ինտեգրվել, մշակել եւ վայելել ավելի մեծ ներուժի հասնելու բազմաթիվ եղանակներով: Հետազոտությունները ցույց են տալիս նաեւ, որ դասարանում ուսանողների մասնակցության բարելավումից բացի, ուսանողների ուսուցման գործընթացը հասկանալը նույնպես կարեւոր դեր է խաղում ուսանողների հետ դասավանդման պրակտիկայի եւ հաղորդակցության բարելավման գործում [28, 29]:
Այնուամենայնիվ, ինչպես ցանկացած ժամանակակից տեխնոլոգիայի, կան խնդիրներ եւ սահմանափակումներ: Դրանք ներառում են տվյալների գաղտնիության, կողմնակալության եւ արդարության եւ մասնագիտական հմտությունների եւ ռեսուրսների եւ մասնագիտական հմտությունների եւ ռեսուրսների վերաբերյալ, որոնք անհրաժեշտ են ատամնաբուժական կրթության մեջ մեքենայական ուսուցման ալգորիթմներ մշակելու եւ իրականացնելու համար. Այնուամենայնիվ, այս ոլորտում աճող հետաքրքրությունն ու հետազոտությունը հուշում է, որ մեքենայի ուսուցման տեխնոլոգիաները կարող են դրականորեն ազդել ատամնաբուժական կրթության եւ ատամնաբուժական ծառայությունների վրա:
Այս ուսումնասիրության արդյունքները ցույց են տալիս, որ ատամնաբուժական ուսանողների կեսը «ընկալելու» թմրանյութերի միտում ունի: Սովորողի այս տեսակը նախընտրում է փաստերը եւ կոնկրետ օրինակներ, գործնական կողմնորոշում, մանրամասնության համբերություն եւ «տեսողական» LS նախապատվություն, որտեղ սովորողները նախընտրում են օգտագործել պատկերներ, գրաֆիկա, գույներ եւ քարտեզներ: Ընթացիկ արդյունքները համահունչ են ILS- ի օգտագործմամբ այլ ուսումնասիրություններին, ստոմատոլոգիական եւ բժշկական ուսանողների համար LS- ն գնահատելու համար, որոնց մեծ մասը ունի ընկալման եւ տեսողական LS [12, 30]: Dalmolin et al- ը ենթադրում է, որ ուսանողներին տեղեկացնել իրենց LS- ի մասին թույլ է տալիս նրանց հասնել իրենց ուսման ներուժին: Հետազոտողները պնդում են, որ երբ ուսուցիչները լիովին հասկանում են ուսանողների կրթական գործընթացը, կարող են իրականացվել դասավանդման տարբեր մեթոդներ եւ գործողություններ, որոնք կբարելավեն ուսանողների գործունեության եւ ուսուցման փորձը [12, 31, 32]: Այլ ուսումնասիրություններ ցույց են տվել, որ ուսանողների ճշգրտումը ցույց է տալիս նաեւ ուսանողների ուսուցման փորձի եւ կատարման բարելավում `իրենց ուսման ոճերը փոխելուց հետո` իրենց սեփական LS- ին համապատասխանելու համար [13, 33]:
Ուսուցիչների կարծիքները կարող են տարբեր լինել ուսանողների ուսուցման ունակությունների հիման վրա դասավանդման ռազմավարությունների իրականացման վերաբերյալ: Մինչ ոմանք տեսնում են այս մոտեցման առավելությունները, ներառյալ մասնագիտական զարգացման հնարավորությունները, մենթորությունը եւ համայնքի աջակցությունը, մյուսները կարող են անհանգստանալ ժամանակի եւ ինստիտուցիոնալ աջակցությամբ: Հավասարակշռության ձգտումը ուսանողական կենտրոնացած վերաբերմունք ստեղծելու բանալին է: Բարձրագույն կրթության մարմինները, ինչպիսիք են համալսարանական ադմինիստրատորները, կարող են կարեւոր դեր ունենալ դրական փոփոխություն վարելու մեջ `ներկայացնելով նորարարական պրակտիկա եւ աջակցելով ֆակուլտետի զարգացմանը [34]: Քաղաքականություն մշակողները պետք է ունենան իսկապես դինամիկ եւ պատասխանատու բարձրագույն կրթության համակարգ, քաղաքականություն մշակողները պետք է ունենան համարձակ քայլեր, ինչպիսիք են քաղաքականության փոփոխությունները, տեխնոլոգիական ինտեգրման համար ռեսուրսներ նվիրելը եւ ուսանողների կենտրոնացված մոտեցումները խթանող շրջանակներ ստեղծելը: Այս միջոցները շատ կարեւոր են ցանկալի արդյունքների հասնելու համար: Տարբերակ հրահանգների վերաբերյալ վերջին հետազոտությունները հստակ ցույց են տվել, որ տարբերակված հրահանգների հաջող իրականացումը պահանջում է ուսուցիչների շարունակական դասընթացների եւ զարգացման հնարավորություններ [35]:
Այս գործիքը արժեքավոր աջակցություն է ցուցաբերում ատամնաբուժական ուսուցիչներին, ովքեր ցանկանում են ուսանողական-կենտրոնացվող մոտեցում ցուցաբերել ուսանողական-բարեկամական ուսումնական գործողությունների պլանավորման հարցում: Այնուամենայնիվ, այս ուսումնասիրությունը սահմանափակվում է որոշումների ծառի ML մոդելների օգտագործմամբ: Ապագայում պետք է հավաքվեն ավելի շատ տվյալներ `համեմատելու համար առաջարկությունների գործիքների ճշգրտությունը, հուսալիությունը եւ ճշգրտությունը համեմատելու համար տարբեր մեքենայի ուսուցման մոդելների կատարումը համեմատելու համար: Բացի այդ, որոշակի առաջադրանքի համար ամենահարմար մեքենայի ուսուցման մեթոդ ընտրելիս կարեւոր է հաշվի առնել այլ գործոններ, ինչպիսիք են մոդելի բարդությունը եւ մեկնաբանությունը:
Այս ուսումնասիրության սահմանափակումն այն է, որ այն կենտրոնացած է միայն LS- ի քարտեզագրման վրա եւ ատամնաբուժական ուսանողների թվում է: Հետեւաբար, մշակված առաջարկությունների համակարգը խորհուրդ կտա միայն նրանց, ովքեր հարմար են ատամնաբուժական ուսանողների համար: Ընդհանուր բարձրագույն կրթության ուսանողների օգտագործման համար անհրաժեշտ են փոփոխություններ:
Նոր զարգացած մեքենայական ուսուցման վրա հիմնված առաջարկությունների գործիքը ունակ է ակնթարթորեն դասակարգել եւ համապատասխանեցնել ուսանողների համար համապատասխան, այն դարձնելով ատամնաբուժական կրթության առաջին ծրագիրը: Օգտագործելով տվյալների վրա հիմնված տրիման գործընթաց, այն կարող է ապահովել անհատականացված առաջարկություններ, խնայել ժամանակը, բարելավել ուսուցման ռազմավարությունները, աջակցել նպատակային միջամտություններին եւ նպաստել շարունակական մասնագիտական զարգացմանը: Դրա դիմումը կնպաստի ատամնաբուժական կրթության ուսանողական կենտրոնացված մոտեցումներին:
Gilak Jani Associated Press. Համընկնում կամ անհամապատասխանություն ուսանողի ուսուցման ոճի եւ ուսուցչի դասավանդման ոճին: Int J Mod- ի համակարգչային գիտություն: 2012; 4 (11), 51-60: https://do.org/10.5815/ijmecs.2012.11.05
Փոստի ժամանակը, Ապրիլ -29-2024