Բարձրագույն ուսումնական հաստատություններում, այդ թվում՝ ատամնաբուժության ոլորտում, աճում է ուսանողակենտրոն ուսուցման (ՈՒՈՒ) անհրաժեշտությունը: Այնուամենայնիվ, ՈւՈՒՈւ-ն սահմանափակ կիրառություն ունի ատամնաբուժական կրթության մեջ: Հետևաբար, այս ուսումնասիրությունը նպատակ ունի խթանել ՈւՈՒՈւ-ի կիրառումը ատամնաբուժության մեջ՝ օգտագործելով որոշումների ծառի տեսքով մեքենայական ուսուցման (ՄՈՒ) տեխնոլոգիան՝ ատամնաբուժության ուսանողների նախընտրելի ուսուցման ոճը (ՈՒՈՒ) և համապատասխան ուսուցման ռազմավարությունները (ՈՒՌ) քարտեզագրելու համար՝ որպես օգտակար գործիք ՈւՈՒ ուղեցույցներ մշակելու համար: Խոստումնալից մեթոդներ ատամնաբուժության ուսանողների համար:
Մալայայի համալսարանի ատամնաբուժական ֆակուլտետի 255 ուսանող լրացրել է «Ուսումնառության ոճերի ինդեքսի» (m-ILS) փոփոխված հարցաթերթիկը, որը պարունակում էր 44 կետ՝ դրանք դասակարգելու համար համապատասխան LS-ների մեջ: Հավաքված տվյալները (կոչվում են տվյալների հավաքածու) օգտագործվում են վերահսկվող որոշումների ծառի վրա հիմնված ուսուցման մեջ՝ ուսանողների ուսուցման ոճերը ավտոմատ կերպով համապատասխանեցնելու համար ամենահարմար տեղեկատվական տեխնոլոգիաներին: Այնուհետև գնահատվում է մեքենայական ուսուցման վրա հիմնված տեղեկատվական տեխնոլոգիաների առաջարկության գործիքի ճշգրտությունը:
Որոշման ծառի մոդելների կիրառումը LS-ի (մուտքային) և IS-ի (նպատակային ելքային) միջև ավտոմատացված քարտեզագրման գործընթացում թույլ է տալիս անմիջապես կազմել համապատասխան ուսումնական ռազմավարությունների ցանկ ատամնաբուժական յուրաքանչյուր ուսանողի համար: IS առաջարկող գործիքը ցույց է տվել մոդելի ընդհանուր ճշգրտության կատարյալ ճշգրտություն և հետադարձելիություն, ինչը ցույց է տալիս, որ LS-ը IS-ին համապատասխանեցնելն ունի լավ զգայունություն և ճշգրտություն:
Մարդկային մեքենայական ուսուցման որոշումների ծառի վրա հիմնված տեղեկատվական տեխնոլոգիաների (ՏՏ) առաջարկության գործիքը ապացուցել է ատամնաբուժական ուսանողների ուսուցման ոճերը համապատասխան ուսուցման ռազմավարությունների հետ ճշգրիտ համապատասխանեցնելու իր կարողությունը: Այս գործիքը հզոր տարբերակներ է տրամադրում ուսանողակենտրոն դասընթացների կամ մոդուլների պլանավորման համար, որոնք կարող են բարելավել ուսանողների ուսումնական փորձը:
Ուսուցումն ու ուսումնառությունը կրթական հաստատություններում հիմնարար գործունեություն են: Բարձրորակ մասնագիտական կրթության համակարգ մշակելիս կարևոր է կենտրոնանալ ուսանողների ուսումնական կարիքների վրա: Ուսանողների և նրանց ուսումնական միջավայրի միջև փոխազդեցությունը կարող է որոշվել նրանց ուսուցման միջոցով: Հետազոտությունները ցույց են տալիս, որ ուսանողների ուսուցման և տեղեկատվական տեխնոլոգիաների միջև ուսուցչի կողմից նախատեսված անհամապատասխանությունները կարող են բացասական հետևանքներ ունենալ ուսանողների ուսուցման համար, ինչպիսիք են ուշադրության և մոտիվացիայի նվազումը: Սա անուղղակիորեն կազդի ուսանողների առաջադիմության վրա [1,2]:
ՏՀ-ն ուսուցիչների կողմից օգտագործվող մեթոդ է՝ աշակերտներին գիտելիքներ և հմտություններ փոխանցելու, այդ թվում՝ աշակերտներին սովորելուն օգնելու համար [3]: Ընդհանուր առմամբ, լավ ուսուցիչները պլանավորում են դասավանդման ռազմավարություններ կամ ՏՀ, որոնք լավագույնս համապատասխանում են իրենց աշակերտների գիտելիքների մակարդակին, նրանց սովորած հասկացություններին և նրանց ուսուցման փուլին: Տեսականորեն, երբ ՏՀ-ն և ՏՀ-ն համընկնում են, աշակերտները կկարողանան կազմակերպել և օգտագործել հմտությունների որոշակի շարք՝ արդյունավետ սովորելու համար: Սովորաբար դասի պլանը ներառում է մի քանի անցումներ փուլերի միջև, ինչպիսիք են դասավանդումից դեպի ուղղորդվող պրակտիկա կամ ուղղորդվող պրակտիկայից դեպի անկախ պրակտիկա: Հաշվի առնելով սա՝ արդյունավետ ուսուցիչները հաճախ պլանավորում են ուսուցումը՝ աշակերտների գիտելիքներն ու հմտությունները զարգացնելու նպատակով [4]:
Բարձրագույն ուսումնական հաստատություններում, այդ թվում՝ ատամնաբուժության ոլորտում, SCL-ի պահանջարկը մեծանում է: SCL ռազմավարությունները մշակված են ուսանողների ուսումնական կարիքները բավարարելու համար: Դրան կարելի է հասնել, օրինակ, եթե ուսանողները ակտիվորեն մասնակցեն ուսումնական գործունեությանը, իսկ ուսուցիչները հանդես գան որպես ֆասիլիտատորներ և պատասխանատու լինեն արժեքավոր հետադարձ կապ տրամադրելու համար: Ասվում է, որ ուսանողների կրթական մակարդակին կամ նախասիրություններին համապատասխանող ուսումնական նյութերի և գործունեության տրամադրումը կարող է բարելավել ուսանողների ուսումնական միջավայրը և խթանել դրական ուսումնական փորձառությունները [5]:
Ընդհանուր առմամբ, ատամնաբուժական ուսանողների ուսումնական գործընթացը կախված է տարբեր կլինիկական ընթացակարգերից, որոնք նրանք պետք է կատարեն, և կլինիկական միջավայրից, որտեղ նրանք զարգացնում են արդյունավետ միջանձնային հմտություններ: Ուսուցման նպատակն է ուսանողներին հնարավորություն տալ համատեղել ատամնաբուժության հիմնական գիտելիքները ատամնաբուժական կլինիկական հմտությունների հետ և կիրառել ձեռք բերված գիտելիքները նոր կլինիկական իրավիճակներում [6, 7]: LS-ի և IS-ի միջև փոխհարաբերության վերաբերյալ վաղ հետազոտությունները ցույց են տվել, որ նախընտրելի LS-ին համապատասխանեցված ուսումնական ռազմավարությունների հարմարեցումը կօգնի բարելավել կրթական գործընթացը [8]: Հեղինակները նաև խորհուրդ են տալիս օգտագործել ուսուցման և գնահատման բազմազան մեթոդներ՝ ուսանողների ուսուցմանը և կարիքներին հարմարվելու համար:
Ուսուցիչները օգուտ են քաղում LS գիտելիքների կիրառումից՝ օգնելու նրանց մշակել, մշակել և իրականացնել այնպիսի ուսուցում, որը կբարելավի ուսանողների կողմից առարկայի ավելի խորը գիտելիքների և ըմբռնման ձեռքբերումը: Հետազոտողները մշակել են LS գնահատման մի քանի գործիքներ, ինչպիսիք են Քոլբի փորձառական ուսուցման մոդելը, Ֆելդեր-Սիլվերմանի ուսուցման ոճի մոդելը (FSLSM) և Ֆլեմինգի VAK/VARK մոդելը [5, 9, 10]: Գրականության համաձայն, այս ուսուցման մոդելները ամենատարածված և ամենաշատ ուսումնասիրված ուսուցման մոդելներն են: Ներկայիս հետազոտական աշխատանքում FSLSM-ն օգտագործվում է ատամնաբուժական ուսանողների շրջանում LS-ը գնահատելու համար:
FSLSM-ը լայնորեն օգտագործվող մոդել է ճարտարագիտության մեջ ադապտիվ ուսուցման գնահատման համար: Առողջապահության գիտությունների (ներառյալ բժշկությունը, բուժքույրական գործը, դեղագիտությունը և ատամնաբուժությունը) բնագավառներում կան բազմաթիվ հրապարակված աշխատանքներ, որոնք կարելի է գտնել FSLSM մոդելների միջոցով [5, 11, 12, 13]: FLSM-ում LS-ի չափումները չափելու համար օգտագործվող գործիքը կոչվում է Ուսուցման ոճերի ինդեքս (ILS) [8], որը պարունակում է LS-ի չորս չափումները գնահատող 44 կետ՝ մշակում (ակտիվ/ռեֆլեկտիվ), ընկալում (ընկալողական/ինտուիտիվ), մուտքային (տեսողական/բանավոր) և հասկացողություն (հաջորդական/գլոբալ) [14]:
Ինչպես ցույց է տրված նկար 1-ում, FSLSM-ի յուրաքանչյուր չափանիշ ունի գերիշխող նախընտրություն: Օրինակ՝ մշակման չափանիշում «ակտիվ» LS ունեցող ուսանողները նախընտրում են տեղեկատվությունը մշակել՝ անմիջականորեն փոխազդելով ուսումնական նյութերի հետ, սովորել գործելով և հակված են սովորել խմբերով: «Ռեֆլեկտիվ» LS-ը վերաբերում է մտածելու միջոցով սովորելուն և նախընտրում է աշխատել միայնակ: LS-ի «ընկալող» չափանիշը կարելի է բաժանել «զգացողության» 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 բնույթով ավելի նորարարական և ստեղծագործ են: LS-ի «մուտքային» չափանիշը բաղկացած է «տեսողական» և «բանավոր» սովորողներից: «Տեսողական» LS ունեցող մարդիկ նախընտրում են սովորել տեսողական ցուցադրությունների միջոցով (օրինակ՝ դիագրամներ, տեսանյութեր կամ կենդանի ցուցադրություններ), մինչդեռ «բանավոր» LS ունեցող մարդիկ նախընտրում են սովորել բառերով՝ գրավոր կամ բանավոր բացատրություններով: LS չափանիշերը «հասկանալու» համար նման սովորողները կարելի է բաժանել «հաջորդական» և «գլոբալ» սովորողների: «Հաջորդականորեն սովորողները նախընտրում են գծային մտածողության գործընթաց և սովորում են քայլ առ քայլ, մինչդեռ գլոբալ սովորողները հակված են ունենալ ամբողջական մտածողության գործընթաց 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 մեքենայական ուսուցումը (ML) կարող է ստեղծել օրինաչափություններ և վարկածներ, որոնք կանխատեսում են ապագա արդյունքները՝ հիմնվելով ալգորիթմների կառուցման վրա [17]: Պարզ ասած, վերահսկվող մեքենայական ուսուցման տեխնիկաները մանիպուլյացիաներ են անում մուտքային տվյալների հետ և մարզում ալգորիթմներ: Այնուհետև այն ստեղծում է մի տիրույթ, որը դասակարգում կամ կանխատեսում է արդյունքը՝ հիմնվելով տրամադրված մուտքային տվյալների համար նմանատիպ իրավիճակների վրա: Վերահսկվող մեքենայական ուսուցման ալգորիթմների հիմնական առավելությունը իդեալական և ցանկալի արդյունքներ սահմանելու ունակությունն է [17]:
Տվյալների վրա հիմնված մեթոդների և որոշումների ծառի կառավարման մոդելների կիրառման միջոցով հնարավոր է LS-ի ավտոմատ հայտնաբերումը: Որոշումների ծառերը լայնորեն կիրառվում են տարբեր ոլորտների, այդ թվում՝ առողջապահության գիտությունների ուսումնական ծրագրերում [18, 19]: Այս ուսումնասիրության մեջ մոդելը հատուկ մարզվել է համակարգի մշակողների կողմից՝ ուսանողների LS-ը բացահայտելու և նրանց համար լավագույն IS-ը խորհուրդ տալու համար:
Այս ուսումնասիրության նպատակն է մշակել ՏՏ մատուցման ռազմավարություններ՝ հիմնված ուսանողների LS-ի վրա և կիրառել SCL մոտեցումը՝ մշակելով ՏՏ առաջարկությունների գործիք, որը համապատասխանում է LS-ին: ՏՏ առաջարկությունների գործիքի նախագծման հոսքը որպես SCL մեթոդի ռազմավարություն ներկայացված է նկար 1-ում: ՏՏ առաջարկությունների գործիքը բաժանված է երկու մասի՝ ներառյալ ILS-ի միջոցով LS դասակարգման մեխանիզմը և ուսանողների համար ամենահարմար ՏՏ ցուցադրումը:
Մասնավորապես, տեղեկատվական անվտանգության առաջարկությունների գործիքների բնութագրերը ներառում են վեբ տեխնոլոգիաների և որոշումների ծառի տեսքով մեքենայական ուսուցման կիրառումը: Համակարգերի մշակողները բարելավում են օգտագործողի փորձը և շարժունակությունը՝ դրանք հարմարեցնելով բջջային սարքերին, ինչպիսիք են բջջային հեռախոսները և պլանշետները:
Փորձը իրականացվել է երկու փուլով, և Մալայայի համալսարանի ատամնաբուժության ֆակուլտետի ուսանողները մասնակցել են կամավորական հիմունքներով: Մասնակիցները պատասխանել են ատամնաբուժության ուսանողի առցանց m-ILS-ին անգլերեն լեզվով: Սկզբնական փուլում 50 ուսանողից բաղկացած տվյալների բազա է օգտագործվել որոշումների ծառի մեքենայական ուսուցման ալգորիթմը մարզելու համար: Մշակման գործընթացի երկրորդ փուլում մշակված գործիքի ճշգրտությունը բարելավելու համար օգտագործվել է 255 ուսանողից բաղկացած տվյալների բազա:
Բոլոր մասնակիցները յուրաքանչյուր փուլի սկզբում, կախված ուսումնական տարվանից, ստանում են առցանց ամփոփում Microsoft Teams-ի միջոցով: Ուսումնասիրության նպատակը բացատրվել է և ստացվել է տեղեկացված համաձայնություն: Բոլոր մասնակիցներին տրամադրվել է m-ILS-ին մուտք գործելու հղում: Յուրաքանչյուր ուսանողի հանձնարարվել է պատասխանել հարցաթերթիկի բոլոր 44 կետերին: Նրանց տրվել է մեկ շաբաթ՝ կիսամյակի մեկնարկից առաջ կիսամյակի ընդմիջման ժամանակ իրենց համար հարմար ժամանակ և վայրում լրացնելու փոփոխված ILS-ը: m-ILS-ը հիմնված է ILS-ի սկզբնական գործիքի վրա և փոփոխված է ատամնաբուժական ուսանողների համար: Նման սկզբնական ILS-ին, այն պարունակում է 44 հավասարաչափ բաշխված կետեր (ա, բ)՝ յուրաքանչյուրը 11 կետով, որոնք օգտագործվում են FSLSM չափանիշի յուրաքանչյուր կողմը գնահատելու համար:
Գործիքների մշակման սկզբնական փուլերում հետազոտողները ձեռքով մեկնաբանել են քարտեզները՝ օգտագործելով 50 ատամնաբուժական ուսանողների տվյալների բազա։ FSLM-ի համաձայն՝ համակարգը տրամադրում է «ա» և «բ» պատասխանների գումարը։ Յուրաքանչյուր չափման համար, եթե ուսանողը որպես պատասխան ընտրում է «ա»-ն, LS-ը դասակարգվում է որպես Ակտիվ/Ընկալողական/Տեսողական/Հաջորդական, իսկ եթե ուսանողը որպես պատասխան ընտրում է «բ»-ն, ապա դասակարգվում է որպես Ռեֆլեկտիվ/Ինտուիտիվ/Լեզվաբանական/Գլոբալ սովորող։
Ստոմատոլոգիական կրթության հետազոտողների և համակարգերի մշակողների միջև աշխատանքային հոսքը կարգավորելուց հետո, հարցերը ընտրվել են FLSSM տիրույթի հիման վրա և մտցվել են մեքենայական ուսուցման մոդել՝ յուրաքանչյուր ուսանողի LS-ը կանխատեսելու համար: «Աղբը մտնում է, աղբը դուրս է գալիս»՝ մեքենայական ուսուցման ոլորտում տարածված ասացվածք է, որը շեշտը դնում է տվյալների որակի վրա: Մուտքային տվյալների որակը որոշում է մեքենայական ուսուցման մոդելի ճշգրտությունն ու ճշգրտությունը: Հատկանիշների ճարտարագիտության փուլում ստեղծվում է նոր հատկանիշների հավաքածու, որը FLSSM-ի հիման վրա «ա» և «բ» պատասխանների գումարն է: Դեղերի դիրքերի նույնականացման համարները տրված են աղյուսակ 1-ում:
Հաշվարկեք միավորը՝ հիմնվելով պատասխանների վրա և որոշեք ուսանողի ուսուցման մակարդակը (LS): Յուրաքանչյուր ուսանողի համար միավորների միջակայքը 1-ից 11 է: 1-ից 3 միավորները ցույց են տալիս նույն չափանիշի շրջանակներում ուսումնական նախասիրությունների հավասարակշռությունը, իսկ 5-ից 7 միավորները՝ միջին նախասիրությունը, ինչը ցույց է տալիս, որ ուսանողները հակված են նախընտրել մեկ միջավայր՝ մյուսներին սովորեցնելով: Նույն չափանիշի մեկ այլ տարբերակն այն է, որ 9-ից 11 միավորները արտացոլում են մեկ կամ մյուսի նկատմամբ ուժեղ նախասիրությունը [8]:
Յուրաքանչյուր չափման համար թմրանյութերը խմբավորվել են «ակտիվ», «ռեֆլեկտիվ» և «հավասարակշռված»։ Օրինակ, երբ ուսանողը որոշակի հարցի վերաբերյալ ավելի հաճախ է պատասխանում «ա»-ին, քան «բ»-ին, և նրա միավորը գերազանցում է 5 միավորի շեմը Մշակման LS չափումը ներկայացնող որոշակի հարցի համար, նա պատկանում է «ակտիվ» LS տիրույթին։ Այնուամենայնիվ, ուսանողները դասակարգվել են որպես «ռեֆլեկտիվ» LS, երբ նրանք 11 կոնկրետ հարցերում ընտրել են «բ»-ն «ա»-ից ավելի շատ (աղյուսակ 1) և հավաքել են ավելի քան 5 միավոր։ Վերջապես, ուսանողը գտնվում է «հավասարակշռության» վիճակում։ Եթե միավորը չի գերազանցում 5 միավորը, ապա սա «գործընթացային» LS է։ Դասակարգման գործընթացը կրկնվել է մյուս LS չափումների համար, մասնավորապես՝ ընկալման (ակտիվ/ռեֆլեկտիվ), մուտքային (տեսողական/բանավոր) և ըմբռնման (հաջորդական/գլոբալ)։
Որոշումների ծառի մոդելները կարող են օգտագործել հատկանիշների և որոշման կանոնների տարբեր ենթաբազմություններ դասակարգման գործընթացի տարբեր փուլերում: Այն համարվում է դասակարգման և կանխատեսման հայտնի գործիք: Այն կարող է ներկայացվել ծառի կառուցվածքի միջոցով, ինչպիսին է հոսքագիծը [20], որտեղ կան ներքին հանգույցներ, որոնք ներկայացնում են թեստերը ըստ ատրիբուտի, յուրաքանչյուր ճյուղ ներկայացնում է թեստի արդյունքները, և յուրաքանչյուր տերևային հանգույց (տերևային հանգույց) պարունակում է դասի պիտակ:
Ստեղծվել է պարզ կանոնների վրա հիմնված ծրագիր՝ յուրաքանչյուր ուսանողի LS-ը ավտոմատ կերպով գնահատելու և մեկնաբանելու համար՝ հիմնվելով նրանց պատասխանների վրա: Կանոնների վրա հիմնվածը IF հրամանի տեսքով է, որտեղ «IF»-ը նկարագրում է ձգանը, իսկ «THEN»-ը նշում է կատարվող գործողությունը, օրինակ՝ «Եթե X-ը տեղի է ունենում, ապա Y-ը» (Liu et al., 2014): Եթե տվյալների բազմությունը ցուցաբերում է համահարաբերակցություն, և որոշումների ծառի մոդելը պատշաճ կերպով մարզված և գնահատված է, այս մոտեցումը կարող է լինել LS-ի և IS-ի համապատասխանեցման գործընթացը ավտոմատացնելու արդյունավետ միջոց:
Մշակման երկրորդ փուլում տվյալների բազմությունը մեծացվեց մինչև 255՝ առաջարկությունների գործիքի ճշգրտությունը բարելավելու համար: Տվյալների բազմությունը բաժանված է 1:4 հարաբերակցությամբ: Տվյալների բազմության 25%-ը (64) օգտագործվել է թեստային բազմության համար, իսկ մնացած 75%-ը (191)՝ որպես մարզման բազմություն (Նկար 2): Տվյալների բազմությունը պետք է բաժանվի՝ կանխելու համար մոդելի մարզումը և փորձարկումը նույն տվյալների բազմության վրա, ինչը կարող է հանգեցնել նրան, որ մոդելը հիշի՝ սովորելու փոխարեն: Մոդելը մարզվում է մարզման բազմության վրա և գնահատում է իր կատարողականությունը թեստային բազմության վրա՝ տվյալներ, որոնք մոդելը երբեք չի տեսել:
Երբ Տեղեկատվական անվտանգության գործիքը մշակվի, այն կկարողանա դասակարգել LS-ը՝ հիմնվելով ատամնաբուժական ուսանողների պատասխանների վրա՝ վեբ ինտերֆեյսի միջոցով: Վեբ-հիմքով տեղեկատվական անվտանգության առաջարկությունների գործիքային համակարգը կառուցված է Python ծրագրավորման լեզվով՝ Django շրջանակը որպես հիմք օգտագործելով: Աղյուսակ 2-ում ներկայացված են այս համակարգի մշակման մեջ օգտագործված գրադարանները:
Տվյալների բազմությունը մատակարարվում է որոշումների ծառի մոդելին՝ ուսանողների պատասխանները հաշվարկելու և արդյունահանելու համար՝ ուսանողների LS չափումներն ավտոմատ կերպով դասակարգելու համար։
Շփոթության մատրիցը օգտագործվում է որոշումների ծառի մեքենայական ուսուցման ալգորիթմի ճշգրտությունը տվյալ տվյալների բազմության վրա գնահատելու համար: Միաժամանակ, այն գնահատում է դասակարգման մոդելի աշխատանքը: Այն ամփոփում է մոդելի կանխատեսումները և համեմատում դրանք իրական տվյալների պիտակների հետ: Գնահատման արդյունքները հիմնված են չորս տարբեր արժեքների վրա՝ True Positive (TP) – մոդելը ճիշտ է կանխատեսել դրական կատեգորիան, False Positive (FP) – մոդելը կանխատեսել է դրական կատեգորիան, բայց իրական պիտակը բացասական է, True Negative (TN) – մոդելը ճիշտ է կանխատեսել բացասական դասը, և False Negative (FN) – մոդելը կանխատեսում է բացասական դաս, բայց իրական պիտակը դրական է:
Այս արժեքները այնուհետև օգտագործվում են Python-ում scikit-learn դասակարգման մոդելի տարբեր կատարողականության չափանիշներ հաշվարկելու համար, մասնավորապես՝ ճշգրտություն, ճշգրտություն, հետկանչ և F1 միավոր: Ահա օրինակներ՝
Հիշողությունը (կամ զգայունությունը) չափում է մոդելի կարողությունը ճշգրիտ դասակարգելու ուսանողի LS-ը m-ILS հարցաթերթիկին պատասխանելուց հետո։
Ճշգրիտությունը կոչվում է իսկական բացասական ցուցանիշ։ Ինչպես կարող եք տեսնել վերը նշված բանաձևից, սա պետք է լինի իսկական բացասականների (TN) և իսկական բացասականների (FP) հարաբերակցությունը։ Որպես ուսանողական դեղերի դասակարգման համար առաջարկվող գործիքի մաս, այն պետք է կարողանա ճշգրիտ նույնականացնել։
Որոշումների ծառի մեքենայական ուսուցման մոդելը մարզելու համար օգտագործված 50 ուսանողներից բաղկացած սկզբնական տվյալների բազան ցույց տվեց համեմատաբար ցածր ճշգրտություն՝ ծանոթագրություններում մարդկային սխալի պատճառով (տե՛ս աղյուսակ 3): LS միավորները և ուսանողների մեկնաբանությունները ավտոմատ կերպով հաշվարկելու համար պարզ կանոնների վրա հիմնված ծրագիր ստեղծելուց հետո, առաջարկողների համակարգը մարզելու և փորձարկելու համար օգտագործվեց տվյալների բազաների աճող թիվ (255):
Բազմադասային շփոթության մատրիցում անկյունագծային տարրերը ներկայացնում են յուրաքանչյուր LS տիպի համար ճիշտ կանխատեսումների քանակը (Նկար 4): Որոշման ծառի մոդելի միջոցով ճիշտ կանխատեսվել է ընդհանուր առմամբ 64 նմուշ: Այսպիսով, այս ուսումնասիրության մեջ անկյունագծային տարրերը ցույց են տալիս սպասվող արդյունքները, ինչը ցույց է տալիս, որ մոդելը լավ է աշխատում և ճշգրիտ կանխատեսում է դասի պիտակը յուրաքանչյուր LS դասակարգման համար: Այսպիսով, առաջարկությունների գործիքի ընդհանուր ճշգրտությունը 100% է:
Ճշգրտության, ճշգրտության, հետկանչման և F1 միավորի արժեքները ներկայացված են նկար 5-ում: Որոշումների ծառի մոդելն օգտագործող առաջարկությունների համակարգի համար դրա F1 միավորը 1.0 «կատարյալ» է, որը ցույց է տալիս կատարյալ ճշգրտություն և հետկանչ, արտացոլելով զգայունության և յուրահատկության նշանակալի արժեքներ:
Նկար 6-ը ցույց է տալիս որոշումների ծառի մոդելի վիզուալիզացիան՝ մարզման և փորձարկման ավարտից հետո: Կողք կողքի համեմատության մեջ, ավելի քիչ հատկանիշներով մարզված որոշումների ծառի մոդելը ցույց է տվել ավելի բարձր ճշգրտություն և մոդելի ավելի հեշտ վիզուալիզացիա: Սա ցույց է տալիս, որ հատկանիշների կրճատմանը հանգեցնող հատկանիշների ինժեներիան կարևոր քայլ է մոդելի աշխատանքի բարելավման գործում:
Որոշումների ծառի վերահսկվող ուսուցում կիրառելով՝ LS-ի (մուտքային) և IS-ի (նպատակային ելքային) միջև համապատասխանությունը ստեղծվում է ավտոմատ կերպով և պարունակում է յուրաքանչյուր LS-ի համար մանրամասն տեղեկատվություն։
Արդյունքները ցույց տվեցին, որ 255 ուսանողների 34.9%-ը նախընտրել է մեկ (1) LS տարբերակ: Մեծամասնությունը (54.3%) նախընտրել է երկու կամ ավելի LS: Ուսանողների 12.2%-ը նշել է, որ LS-ը բավականին հավասարակշռված է (աղյուսակ 4): Մալայայի համալսարանի ատամնաբուժական ուսանողների համար կան LS դասակարգումների 34 համակցություններ: Դրանց թվում են ընկալումը, տեսողությունը և ընկալման ու տեսողության համադրությունը, որոնք ուսանողների կողմից նշված հիմնական LS-ն են (նկար 7):
Ինչպես երևում է աղյուսակ 4-ից, ուսանողների մեծամասնության մոտ գերակշռում էր զգայական (13.7%) կամ տեսողական (8.6%) LS-ը: Հաղորդվել է, որ ուսանողների 12.2%-ը համատեղում էր ընկալումը տեսողության հետ (ընկալողական-տեսողական LS): Այս արդյունքները ենթադրում են, որ ուսանողները նախընտրում են սովորել և հիշել սահմանված մեթոդներով, հետևել կոնկրետ և մանրամասն ընթացակարգերի և ուշադիր են բնույթով: Միևնույն ժամանակ, նրանք վայելում են նայելով սովորելը (օգտագործելով դիագրամներ և այլն) և հակված են քննարկել և կիրառել տեղեկատվությունը խմբերով կամ ինքնուրույն:
Այս ուսումնասիրությունը ներկայացնում է տվյալների հանքարդյունաբերության մեջ օգտագործվող մեքենայական ուսուցման տեխնիկաների ակնարկ՝ կենտրոնանալով ուսանողների LS-ի անհապաղ և ճշգրիտ կանխատեսման և համապատասխան IS-ի առաջարկման վրա: Որոշումների ծառի մոդելի կիրառումը բացահայտել է նրանց կյանքի և կրթական փորձի հետ առավել սերտորեն կապված գործոնները: Այն վերահսկվող մեքենայական ուսուցման ալգորիթմ է, որն օգտագործում է ծառի կառուցվածք՝ տվյալները դասակարգելու համար՝ տվյալների բազմությունը որոշակի չափանիշների հիման վրա ենթակատեգորիաների բաժանելով: Այն աշխատում է մուտքային տվյալները ռեկուրսիվորեն բաժանելով ենթաբազմությունների՝ հիմնվելով յուրաքանչյուր ներքին հանգույցի մուտքային հատկանիշներից մեկի արժեքի վրա, մինչև տերևային հանգույցում որոշում կայացվի:
Որոշումների ծառի ներքին հանգույցները ներկայացնում են m-ILS խնդրի մուտքային բնութագրերի վրա հիմնված լուծումը, իսկ տերևային հանգույցները՝ LS դասակարգման վերջնական կանխատեսումը: Ուսումնասիրության ընթացքում հեշտ է հասկանալ որոշման ծառերի հիերարխիան, որոնք բացատրում և պատկերացնում են որոշման գործընթացը՝ դիտարկելով մուտքային հատկանիշների և ելքային կանխատեսումների միջև եղած կապը:
Համակարգչային գիտության և ճարտարագիտության ոլորտներում մեքենայական ուսուցման ալգորիթմները լայնորեն կիրառվում են ուսանողների առաջադիմությունը կանխատեսելու համար՝ հիմնվելով նրանց ընդունելության քննությունների արդյունքների [21], ժողովրդագրական տվյալների և ուսումնառության վարքագծի [22] վրա: Հետազոտությունները ցույց են տվել, որ ալգորիթմը ճշգրիտ կանխատեսել է ուսանողների առաջադիմությունը և օգնել է նրանց նույնականացնել ակադեմիական դժվարությունների ռիսկի ենթարկված ուսանողներին:
Հաղորդվում է մեքենայական ուսուցման ալգորիթմների կիրառման մասին ատամնաբուժական ուսուցման համար վիրտուալ հիվանդների սիմուլյատորների մշակման գործում: Սիմուլյատորը կարող է ճշգրիտ վերարտադրել իրական հիվանդների ֆիզիոլոգիական արձագանքները և կարող է օգտագործվել ատամնաբուժական ուսանողներին անվտանգ և վերահսկվող միջավայրում մարզելու համար [23]: Մի շարք այլ ուսումնասիրություններ ցույց են տալիս, որ մեքենայական ուսուցման ալգորիթմները կարող են պոտենցիալ բարելավել ատամնաբուժական և բժշկական կրթության, ինչպես նաև հիվանդների խնամքի որակը և արդյունավետությունը: Մեքենայական ուսուցման ալգորիթմները օգտագործվել են ատամնաբուժական հիվանդությունների ախտորոշմանը՝ հիմնվելով տվյալների հավաքածուների վրա, ինչպիսիք են ախտանիշները և հիվանդների բնութագրերը [24, 25]: Մինչդեռ այլ ուսումնասիրություններ ուսումնասիրել են մեքենայական ուսուցման ալգորիթմների օգտագործումը այնպիսի առաջադրանքներ կատարելու համար, ինչպիսիք են հիվանդների արդյունքների կանխատեսումը, բարձր ռիսկի հիվանդների նույնականացումը, անհատականացված բուժման պլանների մշակումը [26], պարոդոնտալ բուժումը [27] և կարիեսի բուժումը [25]:
Չնայած ստոմատոլոգիայում մեքենայական ուսուցման կիրառման վերաբերյալ հրապարակվել են զեկույցներ, դրա կիրառումը ստոմատոլոգիական կրթության մեջ մնում է սահմանափակ: Հետևաբար, այս ուսումնասիրության նպատակն էր օգտագործել որոշումների ծառի մոդել՝ ստոմատոլոգիական 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: Տվյալների վրա հիմնված դասակարգման գործընթացի միջոցով այն կարող է տրամադրել անհատականացված առաջարկություններ և բարելավել մանկավարժների և ուսանողների կրթական փորձը և արդյունքները: Դրանց թվում, առաջարկությունների գործիքների միջոցով ստացված տեղեկատվությունը կարող է լուծել ուսուցիչների նախընտրելի դասավանդման մեթոդների և ուսանողների ուսումնական կարիքների միջև առկա հակասությունները: Օրինակ, առաջարկությունների գործիքների ավտոմատացված արդյունքի շնորհիվ, ուսանողի մտավոր սեփականությունը (ՄՍ) նույնականացնելու և այն համապատասխան ՄՍ-ին համապատասխանեցնելու համար անհրաժեշտ ժամանակը զգալիորեն կնվազի: Այսպիսով, կարելի է կազմակերպել համապատասխան ուսումնական միջոցառումներ և ուսումնական նյութեր: Սա օգնում է զարգացնել ուսանողների դրական ուսումնական վարքագիծը և կենտրոնանալու ունակությունը: Մի ուսումնասիրություն ցույց է տվել, որ ուսանողներին իրենց նախընտրած ուսուցմանը համապատասխանող ուսումնական նյութեր և ուսումնական միջոցառումներ տրամադրելը կարող է օգնել ուսանողներին ինտեգրվել, մշակել և վայելել ուսուցումը բազմաթիվ ձևերով՝ ավելի մեծ ներուժի հասնելու համար [12]: Հետազոտությունները նաև ցույց են տալիս, որ դասարանում ուսանողների մասնակցությունը բարելավելուց բացի, ուսանողների ուսումնական գործընթացի ըմբռնումը նույնպես կարևոր դեր է խաղում դասավանդման մեթոդների և ուսանողների հետ հաղորդակցության բարելավման գործում [28, 29]:
Սակայն, ինչպես ցանկացած ժամանակակից տեխնոլոգիայի դեպքում, 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 հմտությունների և ռեսուրսների հետ կապված հարցեր։ Այնուամենայնիվ, այս ոլորտում աճող հետաքրքրությունը և հետազոտությունները ենթադրում են, որ մեքենայական ուսուցման տեխնոլոգիաները կարող են դրական ազդեցություն ունենալ ատամնաբուժական կրթության և ատամնաբուժական ծառայությունների վրա։
Այս ուսումնասիրության արդյունքները ցույց են տալիս, որ ատամնաբուժական ուսանողների կեսը հակված է «ընկալել» դեղերը: Այս տեսակի ուսանողները նախընտրում են փաստերը և կոնկրետ օրինակները, գործնական կողմնորոշում, համբերատարություն մանրամասների նկատմամբ և «տեսողական» LS նախընտրություն, որտեղ ուսանողները նախընտրում են օգտագործել նկարներ, գրաֆիկա, գույներ և քարտեզներ՝ գաղափարներ և մտքեր փոխանցելու համար: Ներկայիս արդյունքները համապատասխանում են ատամնաբուժական և բժշկական ուսանողների LS-ը գնահատելու համար ILS օգտագործող այլ ուսումնասիրություններին, որոնցից շատերն ունեն ընկալողական և տեսողական LS-ի բնութագրեր [12, 30]: Դալմոլինը և այլք ենթադրում են, որ ուսանողներին իրենց LS-ի մասին տեղեկացնելը թույլ է տալիս նրանց հասնել իրենց ուսումնական ներուժին: Հետազոտողները պնդում են, որ երբ ուսուցիչները լիովին հասկանում են ուսանողների կրթական գործընթացը, կարող են իրականացվել տարբեր ուսուցման մեթոդներ և գործողություններ, որոնք կբարելավեն ուսանողների առաջադիմությունը և ուսումնական փորձը [12, 31, 32]: Այլ ուսումնասիրություններ ցույց են տվել, որ ուսանողների LS-ի ճշգրտումը նաև ցույց է տալիս ուսանողների ուսումնական փորձի և առաջադիմության բարելավումներ՝ իրենց ուսումնական ոճերը փոխելուց հետո՝ համապատասխանեցնելով դրանք իրենց սեփական LS-ին [13, 33]:
Ուսուցիչների կարծիքները կարող են տարբեր լինել ուսանողների ուսումնական կարողությունների վրա հիմնված դասավանդման ռազմավարությունների իրականացման վերաբերյալ: Մինչդեռ ոմանք տեսնում են այս մոտեցման առավելությունները, ներառյալ մասնագիտական զարգացման հնարավորությունները, մենթորությունը և համայնքային աջակցությունը, մյուսները կարող են մտահոգված լինել ժամանակի և ինստիտուցիոնալ աջակցության վերաբերյալ: Հավասարակշռության ձգտումը ուսանողակենտրոն վերաբերմունք ստեղծելու բանալին է: Բարձրագույն կրթության մարմինները, ինչպիսիք են համալսարանների ադմինիստրատորները, կարող են կարևոր դեր խաղալ դրական փոփոխությունների խթանման գործում՝ ներդնելով նորարարական գործելակերպեր և աջակցելով դասախոսական կազմի զարգացմանը [34]: Իսկապես դինամիկ և արագ արձագանքող բարձրագույն կրթության համակարգ ստեղծելու համար քաղաքականության մշակողները պետք է ձեռնարկեն համարձակ քայլեր, ինչպիսիք են քաղաքականության փոփոխություններ կատարելը, տեխնոլոգիաների ինտեգրմանը ռեսուրսներ հատկացնելը և ուսանողակենտրոն մոտեցումները խթանող շրջանակների ստեղծումը: Այս միջոցառումները կարևոր են ցանկալի արդյունքների հասնելու համար: Դիֆերենցված ուսուցման վերաբերյալ վերջին հետազոտությունները հստակ ցույց են տվել, որ դիֆերենցված ուսուցման հաջող իրականացումը պահանջում է ուսուցիչների համար շարունակական վերապատրաստման և զարգացման հնարավորություններ [35]:
Այս գործիքը արժեքավոր աջակցություն է տրամադրում ատամնաբուժական մանկավարժներին, ովքեր ցանկանում են ուսանողակենտրոն մոտեցում ցուցաբերել ուսանողակենտրոն ուսումնական գործունեության պլանավորման հարցում: Այնուամենայնիվ, այս ուսումնասիրությունը սահմանափակվում է որոշումների ծառի տեսքով մեքենայական ուսուցման մոդելների օգտագործմամբ: Ապագայում պետք է ավելի շատ տվյալներ հավաքվեն՝ տարբեր մեքենայական ուսուցման մոդելների կատարողականը համեմատելու համար՝ առաջարկությունների գործիքների ճշգրտությունը, հուսալիությունը և ճշգրտությունը համեմատելու համար: Բացի այդ, որոշակի առաջադրանքի համար ամենահարմար մեքենայական ուսուցման մեթոդը ընտրելիս կարևոր է հաշվի առնել այլ գործոններ, ինչպիսիք են մոդելի բարդությունը և մեկնաբանությունը:
Այս ուսումնասիրության սահմանափակումն այն է, որ այն կենտրոնացած էր միայն ատամնաբուժական ուսանողների շրջանում LS-ի և IS-ի քարտեզագրման վրա: Հետևաբար, մշակված առաջարկությունների համակարգը կառաջարկի միայն այն համակարգերը, որոնք հարմար են ատամնաբուժական ուսանողների համար: Փոփոխություններ անհրաժեշտ են բարձրագույն կրթության ուսանողների ընդհանուր օգտագործման համար:
Նոր մշակված մեքենայական ուսուցման վրա հիմնված առաջարկությունների գործիքը կարող է անմիջապես դասակարգել և համապատասխանեցնել ուսանողների LS-ը համապատասխան IS-ին, դարձնելով այն առաջին ատամնաբուժական կրթական ծրագիրը, որը կօգնի ատամնաբուժական մանկավարժներին պլանավորել համապատասխան դասավանդման և ուսումնական գործունեություն: Տվյալների վրա հիմնված տեսակավորման գործընթացի միջոցով այն կարող է տրամադրել անհատականացված առաջարկություններ, խնայել ժամանակ, բարելավել դասավանդման ռազմավարությունները, աջակցել թիրախային միջամտություններին և խթանել շարունակական մասնագիտական զարգացումը: Դրա կիրառումը կխթանի ատամնաբուժական կրթության ուսանողակենտրոն մոտեցումները:
Գիլակ Ջանի, Associated Press: Ուսանողի ուսուցման ոճի և ուսուցչի դասավանդման ոճի միջև համապատասխանություն կամ անհամապատասխանություն: Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Հրապարակման ժամանակը. Ապրիլի 29-2024