Ve vysokoškolských institucích, včetně zubního lékařství, roste potřeba vzdělávání zaměřeného na studenta (SCL).SCL má však omezené uplatnění ve stomatologickém vzdělávání.Tato studie si proto klade za cíl propagovat aplikaci SCL ve stomatologii pomocí technologie strojového učení rozhodovacího stromu (ML) ke zmapování preferovaného učebního stylu (LS) a odpovídajících strategií učení (IS) studentů zubního lékařství jako užitečného nástroje pro vývoj směrnic IS. .Slibné metody pro studenty zubního lékařství.
Celkem 255 studentů zubního lékařství z University of Malaya vyplnilo upravený dotazník Index of Learning Styles (m-ILS), který obsahoval 44 položek pro jejich zařazení do příslušných LS.Shromážděná data (nazývaná datová sada) se používají při učení se stromem rozhodování pod dohledem k automatickému přiřazení učebních stylů studentů k nejvhodnějšímu IS.Následně je vyhodnocena přesnost nástroje doporučení IS založeného na strojovém učení.
Aplikace modelů rozhodovacího stromu v automatizovaném procesu mapování mezi LS (vstup) a IS (cílový výstup) umožňuje okamžitý seznam vhodných strategií učení pro každého studenta zubního lékařství.Nástroj doporučení IS prokázal dokonalou přesnost a vyvolání celkové přesnosti modelu, což naznačuje, že přiřazování LS k IS má dobrou senzitivitu a specificitu.
Doporučovací nástroj IS založený na rozhodovacím stromě ML prokázal svou schopnost přesně sladit učební styly studentů zubního lékařství s vhodnými učebními strategiemi.Tento nástroj poskytuje výkonné možnosti pro plánování kurzů nebo modulů zaměřených na studenta, které mohou zlepšit studijní zkušenost studentů.
Výuka a učení jsou základními činnostmi ve vzdělávacích institucích.Při rozvoji kvalitního systému odborného vzdělávání je důležité zaměřit se na vzdělávací potřeby studentů.Interakce mezi studenty a jejich učebním prostředím lze určit prostřednictvím jejich LS.Výzkum naznačuje, že učitelem zamýšlený nesoulad mezi LS a IS studentů může mít negativní důsledky pro učení studentů, jako je snížená pozornost a motivace.To nepřímo ovlivní výkon žáků [1,2].
IS je metoda, kterou učitelé používají k předávání znalostí a dovedností studentům, včetně pomoci studentům učit se [3].Obecně řečeno, dobří učitelé plánují výukové strategie nebo IS, které nejlépe odpovídají úrovni znalostí jejich studentů, konceptům, které se učí, a jejich fázi učení.Teoreticky, když se LS a IS shodují, budou studenti schopni organizovat a používat konkrétní sadu dovedností k efektivnímu učení.Plán lekce obvykle zahrnuje několik přechodů mezi jednotlivými fázemi, například od výuky k řízené praxi nebo od řízené praxe k samostatné praxi.S ohledem na tuto skutečnost efektivní učitelé často plánují výuku s cílem budovat znalosti a dovednosti studentů [4].
Poptávka po SCL roste na vysokých školách, včetně zubního lékařství.Strategie SCL jsou navrženy tak, aby vyhovovaly vzdělávacím potřebám studentů.Toho lze dosáhnout například tím, že se studenti aktivně účastní vzdělávacích aktivit a učitelé působí jako facilitátoři a jsou zodpovědní za poskytování cenné zpětné vazby.Říká se, že poskytování učebních materiálů a aktivit, které jsou přiměřené úrovni vzdělání nebo preferencím studentů, může zlepšit učební prostředí studentů a podporovat pozitivní studijní zkušenosti [5].
Obecně řečeno, proces učení studentů zubního lékařství je ovlivněn různými klinickými postupy, které musí provádět, a klinickým prostředím, ve kterém si rozvíjejí efektivní mezilidské dovednosti.Smyslem školení je umožnit studentům spojit základní znalosti stomatologie se stomatologickými klinickými dovednostmi a aplikovat získané znalosti na nové klinické situace [6, 7].Raný výzkum vztahu mezi LS a IS zjistil, že úprava strategií učení mapovaných na preferované LS by pomohla zlepšit vzdělávací proces [8].Autoři také doporučují používat různé metody výuky a hodnocení, aby se přizpůsobily učení a potřebám studentů.
Učitelé těží z aplikace znalostí LS, které jim pomohou navrhnout, vyvinout a implementovat výuku, která studentům posílí osvojení hlubších znalostí a porozumění dané látce.Výzkumníci vyvinuli několik nástrojů hodnocení LS, jako je Kolbův model experienciálního učení, Felder-Silvermanův model učebního stylu (FSLSM) a Flemingův VAK/VARK model [5, 9, 10].Podle literatury jsou tyto modely učení nejčastěji používanými a nejvíce studovanými modely učení.V současné výzkumné práci se FSLSM používá k hodnocení LS mezi studenty zubního lékařství.
FSLSM je široce používaný model pro hodnocení adaptivního učení v inženýrství.Existuje mnoho publikovaných prací ve zdravotnických vědách (včetně lékařství, ošetřovatelství, farmacie a stomatologie), které lze nalézt pomocí modelů FSLSM [5, 11, 12, 13].Nástroj používaný k měření dimenzí LS ve FLSM se nazývá Index stylů učení (ILS) [8], který obsahuje 44 položek hodnotících čtyři dimenze LS: zpracování (aktivní/reflektivní), vnímání (percepční/intuitivní), vstup (vizuální)./verbální) a porozumění (sekvenční/globální) [14].
Jak ukazuje obrázek 1, každá dimenze FSLSM má dominantní preferenci.Například v dimenzi zpracování studenti s „aktivním“ LS preferují zpracování informací přímou interakcí s učebními materiály, učí se praxí a mají tendenci učit se ve skupinách.„Reflexní“ LS odkazuje na učení prostřednictvím myšlení a dává přednost samostatné práci.Dimenze „vnímání“ LS lze rozdělit na „pocit“ a/nebo „intuici“.Studenti „pocitově“ preferují konkrétnější informace a praktické postupy, jsou orientovaní na fakta ve srovnání s „intuitivními“ studenty, kteří preferují abstraktní materiál a jsou svou povahou inovativnější a kreativnější.„Vstupní“ dimenze LS se skládá z „vizuálních“ a „verbálních“ studentů.Lidé s „vizuální“ LS dávají přednost učení prostřednictvím vizuálních demonstrací (jako jsou diagramy, videa nebo živé ukázky), zatímco lidé s „verbální“ LS dávají přednost učení prostřednictvím slov v písemném nebo ústním vysvětlení.Abychom „pochopili“ dimenze LS, lze takové studenty rozdělit na „sekvenční“ a „globální“.„Sekvenční studenti preferují lineární myšlenkový proces a učí se krok za krokem, zatímco globální studenti mají tendenci mít holistický myšlenkový proces a vždy lépe rozumí tomu, co se učí.
V poslední době začalo mnoho výzkumníků zkoumat metody automatického objevování založeného na datech, včetně vývoje nových algoritmů a modelů schopných interpretovat velké množství dat [15, 16].Na základě poskytnutých dat je supervidované ML (strojové učení) schopné generovat vzory a hypotézy, které předpovídají budoucí výsledky na základě konstrukce algoritmů [17].Jednoduše řečeno, techniky strojového učení pod dohledem manipulují se vstupními daty a trénují algoritmy.Poté vygeneruje rozsah, který klasifikuje nebo předpovídá výsledek na základě podobných situací pro poskytnutá vstupní data.Hlavní výhodou supervidovaných algoritmů strojového učení je jejich schopnost stanovit ideální a požadované výsledky [17].
Pomocí metod řízených daty a modelů řízení rozhodovacího stromu je možná automatická detekce LS.Uvádí se, že rozhodovací stromy jsou široce používány ve školicích programech v různých oblastech, včetně zdravotnických věd [18, 19].V této studii byl model speciálně vyškolen vývojáři systému, aby identifikoval LS studentů a doporučil jim nejlepší IS.
Účelem této studie je vyvinout strategie poskytování IS založené na LS studentů a aplikovat přístup SCL vytvořením nástroje doporučení IS mapovaného na LS.Návrhový tok nástroje doporučení IS jako strategie metody SCL je znázorněn na obrázku 1. Nástroj doporučení IS je rozdělen na dvě části, včetně klasifikačního mechanismu LS pomocí ILS a nejvhodnějšího zobrazení IS pro studenty.
Mezi vlastnosti nástrojů pro doporučení bezpečnosti informací patří zejména použití webových technologií a využití strojového učení rozhodovacího stromu.Vývojáři systémů vylepšují uživatelskou zkušenost a mobilitu tím, že je přizpůsobují mobilním zařízením, jako jsou mobilní telefony a tablety.
Experiment probíhal ve dvou fázích a dobrovolně se ho účastnili studenti Fakulty zubního lékařství Malajské univerzity.Účastníci odpovídali na online m-ILS studenta zubního lékařství v angličtině.V počáteční fázi byl k trénování algoritmu strojového učení rozhodovacího stromu použit datový soubor 50 studentů.Ve druhé fázi vývojového procesu byl ke zlepšení přesnosti vyvinutého přístroje použit datový soubor 255 studentů.
Všichni účastníci obdrží online briefing na začátku každé fáze, v závislosti na akademickém roce, prostřednictvím Microsoft Teams.Byl vysvětlen účel studie a byl získán informovaný souhlas.Všem účastníkům byl poskytnut odkaz pro přístup k m-ILS.Každý student dostal pokyn, aby odpověděl na všech 44 položek v dotazníku.Dostali jeden týden na dokončení upraveného ILS v čase a na místě, které jim vyhovuje, během semestrální přestávky před začátkem semestru.m-ILS vychází z původního přístroje ILS a je upraven pro studenty zubního lékařství.Podobně jako původní ILS obsahuje 44 rovnoměrně rozložených položek (a, b), každá s 11 položkami, které se používají k posouzení aspektů každé dimenze FSLSM.
Během počátečních fází vývoje nástroje výzkumníci ručně anotovali mapy pomocí datové sady 50 studentů zubního lékařství.Podle FSLM systém poskytuje součet odpovědí „a“ a „b“.Pro každou dimenzi, pokud student vybere „a“ jako odpověď, LS je klasifikován jako aktivní/percepční/vizuální/sekvenční, a pokud student vybere jako odpověď „b“, student je klasifikován jako reflexní/intuitivní/lingvistický ./ globální žák.
Po kalibraci pracovního postupu mezi výzkumníky v oblasti zubního vzdělávání a vývojáři systémů byly otázky vybrány na základě domény FLSSM a vloženy do modelu ML, aby se předpověděla LS každého studenta.„Garbage in, garbage out“ je oblíbené rčení v oblasti strojového učení s důrazem na kvalitu dat.Kvalita vstupních dat určuje přesnost a přesnost modelu strojového učení.Během fáze inženýrství funkcí je vytvořena nová sada funkcí, která je součtem odpovědí „a“ a „b“ na základě FLSSM.Identifikační čísla pozic léčiva jsou uvedena v tabulce 1.
Na základě odpovědí vypočítejte skóre a určete LS žáka.Pro každého studenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 značí rovnováhu studijních preferencí v rámci stejné dimenze a skóre od 5 do 7 značí střední preference, což naznačuje, že studenti mají tendenci preferovat jedno prostředí, ve kterém učí ostatní .Další variací na stejné dimenzi je, že skóre od 9 do 11 odráží silnou preferenci jednoho nebo druhého konce [8].
Pro každou dimenzi byly drogy rozděleny do skupin „aktivní“, „reflexní“ a „vyvážené“.Když například student na určenou položku odpoví „a“ častěji než „b“ a jeho/její skóre překročí práh 5 pro konkrétní položku představující dimenzi Zpracování LS, patří do „aktivní“ LS. doména..Studenti však byli klasifikováni jako „reflektivní“ LS, když v konkrétních 11 otázkách (tabulka 1) zvolili „b“ více než „a“ a získali více než 5 bodů.Nakonec je student ve stavu „rovnováhy“.Pokud skóre nepřesáhne 5 bodů, jedná se o „procesní“ LS.Proces klasifikace byl opakován pro další dimenze LS, jmenovitě vnímání (aktivní/reflexní), vstup (vizuální/verbální) a porozumění (sekvenční/globální).
Modely rozhodovacího stromu mohou používat různé podmnožiny funkcí a rozhodovacích pravidel v různých fázích klasifikačního procesu.Je považován za populární klasifikační a prediktivní nástroj.Může být reprezentován pomocí stromové struktury, jako je vývojový diagram [20], ve kterém jsou vnitřní uzly reprezentující testy podle atributu, každá větev představuje výsledky testu a každý listový uzel (listový uzel) obsahuje označení třídy.
Byl vytvořen jednoduchý program založený na pravidlech, který automaticky skóroval a anotoval LS každého studenta na základě jeho odpovědí.Na základě pravidel má formu příkazu IF, kde „IF“ popisuje spouštěcí událost a „THEN“ specifikuje akci, která má být provedena, například: „Pokud se stane X, pak udělejte Y“ (Liu et al., 2014).Pokud soubor dat vykazuje korelaci a model rozhodovacího stromu je správně natrénován a vyhodnocen, může být tento přístup efektivním způsobem, jak automatizovat proces párování LS a IS.
Ve druhé fázi vývoje byl soubor dat zvýšen na 255, aby se zlepšila přesnost nástroje doporučení.Soubor dat je rozdělen v poměru 1:4.25 % (64) datového souboru bylo použito pro testovací soubor a zbývajících 75 % (191) bylo použito jako tréninkový soubor (obrázek 2).Soubor dat je třeba rozdělit, aby se zabránilo trénování a testování modelu na stejné sadě dat, což by mohlo způsobit, že si model bude spíše pamatovat, než se učit.Model je trénován na trénovací sadě a vyhodnocuje svůj výkon na testovací sadě – data, která model nikdy předtím neviděl.
Po vyvinutí nástroje IS bude aplikace schopna klasifikovat LS na základě odpovědí studentů zubního lékařství prostřednictvím webového rozhraní.Webový systém nástrojů pro doporučení bezpečnosti informací je vytvořen pomocí programovacího jazyka Python s využitím frameworku Django jako backendu.Tabulka 2 uvádí knihovny použité při vývoji tohoto systému.
Datový soubor je přiváděn do modelu rozhodovacího stromu pro výpočet a extrahování odpovědí studentů pro automatickou klasifikaci měření LS studentů.
Matice zmatků se používá k vyhodnocení přesnosti algoritmu strojového učení rozhodovacího stromu na daném souboru dat.Zároveň vyhodnocuje výkonnost klasifikačního modelu.Shrnuje předpovědi modelu a porovnává je se skutečnými datovými štítky.Výsledky hodnocení jsou založeny na čtyřech různých hodnotách: True Positive (TP) – model správně předpověděl pozitivní kategorii, False Positive (FP) – model předpověděl pozitivní kategorii, ale pravdivé označení bylo negativní, True Negative (TN) – model správně předpověděl negativní třídu a falešně negativní (FN) – Model předpovídá negativní třídu, ale pravdivé označení je pozitivní.
Tyto hodnoty se pak použijí k výpočtu různých výkonnostních metrik klasifikačního modelu scikit-learn v Pythonu, konkrétně přesnosti, přesnosti, zapamatování a skóre F1.Zde jsou příklady:
Recall (neboli citlivost) měří schopnost modelu přesně klasifikovat LS studenta po zodpovězení dotazníku m-ILS.
Specifičnost se nazývá skutečná záporná míra.Jak můžete vidět z výše uvedeného vzorce, měl by to být poměr skutečných negativů (TN) ke skutečným negativům a falešným pozitivům (FP).Jako součást doporučeného nástroje pro klasifikaci studentských drog by měl být schopen přesné identifikace.
Původní datový soubor 50 studentů použitý k trénování modelu ML rozhodovacího stromu vykazoval relativně nízkou přesnost kvůli lidské chybě v anotacích (tabulka 3).Po vytvoření jednoduchého programu založeného na pravidlech pro automatický výpočet skóre LS a studentských anotací byl k trénování a testování systému doporučování použit stále větší počet datových sad (255).
Ve vícetřídní zmatené matici představují diagonální prvky počet správných předpovědí pro každý typ LS (obrázek 4).Pomocí modelu rozhodovacího stromu bylo správně predikováno celkem 64 vzorků.V této studii tedy diagonální prvky ukazují očekávané výsledky, což naznačuje, že model funguje dobře a přesně předpovídá označení třídy pro každou klasifikaci LS.Celková přesnost nástroje doporučení je tedy 100 %.
Hodnoty přesnosti, preciznosti, zapamatovatelnosti a skóre F1 jsou znázorněny na obrázku 5. Pro systém doporučení využívající model rozhodovacího stromu je jeho skóre F1 1,0 „perfektní“, což znamená dokonalou přesnost a vybavitelnost, což odráží významnou senzitivitu a specificitu hodnoty.
Obrázek 6 ukazuje vizualizaci modelu rozhodovacího stromu po dokončení školení a testování.V porovnání vedle sebe ukázal model rozhodovacího stromu trénovaný s menším počtem funkcí vyšší přesnost a snadnější vizualizaci modelu.To ukazuje, že inženýrství funkcí vedoucí k omezení funkcí je důležitým krokem ke zlepšení výkonu modelu.
Použitím učení pod dohledem rozhodovacího stromu se automaticky generuje mapování mezi LS (vstup) a IS (cílový výstup) a obsahuje podrobné informace pro každý LS.
Výsledky ukázaly, že 34,9 % z 255 studentů preferovalo jednu (1) možnost LS.Většina (54,3 %) měla dvě nebo více preferencí LS.12,2 % studentů poznamenalo, že LS je poměrně vyrovnaná (tabulka 4).Kromě osmi hlavních LS existuje 34 kombinací klasifikací LS pro studenty zubního lékařství University of Malaya.Mezi nimi jsou vnímání, vidění a kombinace vnímání a vidění hlavními LS uváděnými studenty (obrázek 7).
Jak je patrné z tabulky 4, u většiny studentů převažovala smyslová (13,7 %) nebo zraková (8,6 %) LS.Bylo uvedeno, že 12,2 % studentů kombinovalo vnímání s viděním (percepčně-vizuální LS).Tato zjištění naznačují, že studenti se raději učí a pamatují pomocí zavedených metod, dodržují konkrétní a podrobné postupy a jsou pozorní.Zároveň se rádi učí pohledem (pomocí diagramů atd.) a mají tendenci diskutovat a aplikovat informace ve skupinách nebo sami.
Tato studie poskytuje přehled technik strojového učení používaných při dolování dat se zaměřením na okamžitou a přesnou předpověď LS studentů a doporučení vhodných IS.Aplikace modelu rozhodovacího stromu identifikovala faktory, které nejvíce souvisejí s jejich životními a vzdělávacími zkušenostmi.Jedná se o kontrolovaný algoritmus strojového učení, který používá stromovou strukturu ke klasifikaci dat rozdělením sady dat do podkategorií na základě určitých kritérií.Funguje tak, že rekurzivně rozděluje vstupní data do podmnožin na základě hodnoty jedné ze vstupních vlastností každého interního uzlu, dokud není učiněno rozhodnutí v koncovém uzlu.
Vnitřní uzly rozhodovacího stromu představují řešení založené na vstupních charakteristikách úlohy m-ILS a listové uzly představují konečnou predikci klasifikace LS.V průběhu studie je snadné porozumět hierarchii rozhodovacích stromů, které vysvětlují a vizualizují rozhodovací proces, když se podíváme na vztah mezi vstupními funkcemi a výstupními predikcemi.
V oblasti informatiky a inženýrství jsou algoritmy strojového učení široce používány k předpovídání výkonu studentů na základě skóre přijímacích zkoušek [21], demografických informací a chování při učení [22].Výzkum ukázal, že algoritmus přesně předpovídal výkon studentů a pomohl jim identifikovat studenty ohrožené akademickými potížemi.
Je popsána aplikace ML algoritmů při vývoji virtuálních pacientských simulátorů pro zubní výcvik.Simulátor je schopen přesně reprodukovat fyziologické reakce skutečných pacientů a lze jej použít k výcviku studentů zubního lékařství v bezpečném a kontrolovaném prostředí [23].Několik dalších studií ukazuje, že algoritmy strojového učení mohou potenciálně zlepšit kvalitu a efektivitu zubního a lékařského vzdělávání a péče o pacienty.Algoritmy strojového učení byly použity k pomoci při diagnostice zubních onemocnění na základě souborů dat, jako jsou symptomy a charakteristiky pacienta [24, 25].Zatímco jiné studie zkoumaly použití algoritmů strojového učení k provádění úkolů, jako je predikce výsledků pacientů, identifikace vysoce rizikových pacientů, vývoj personalizovaných léčebných plánů [26], parodontologická léčba [27] a léčba zubního kazu [25].
Přestože byly publikovány zprávy o aplikaci strojového učení ve stomatologii, jeho aplikace ve stomatologickém vzdělávání zůstává omezená.Proto se tato studie zaměřila na použití modelu rozhodovacího stromu k identifikaci faktorů nejtěsněji spojených s LS a IS mezi studenty zubního lékařství.
Výsledky této studie ukazují, že vyvinutý nástroj doporučení má vysokou přesnost a dokonalou přesnost, což naznačuje, že učitelé mohou z tohoto nástroje těžit.Pomocí klasifikačního procesu založeného na datech může poskytovat personalizovaná doporučení a zlepšovat vzdělávací zkušenosti a výsledky pro pedagogy a studenty.Mezi nimi mohou informace získané prostřednictvím doporučovacích nástrojů vyřešit konflikty mezi učiteli preferovanými vyučovacími metodami a vzdělávacími potřebami studentů.Například díky automatizovanému výstupu doporučovacích nástrojů se výrazně zkrátí čas potřebný k identifikaci IP studenta a přiřazení k odpovídající IP.Tímto způsobem lze organizovat vhodné školicí aktivity a školicí materiály.To pomáhá rozvíjet pozitivní chování studentů při učení a schopnost soustředit se.Jedna studie uvedla, že poskytování studijních materiálů a učebních aktivit studentům, které odpovídají jejich preferovanému LS, může studentům pomoci integrovat se, zpracovat a užít si učení mnoha způsoby, aby dosáhli většího potenciálu [12].Výzkum také ukazuje, že kromě zlepšení participace studentů ve třídě hraje zásadní roli při zlepšování vyučovacích postupů a komunikace se studenty také porozumění procesu učení studentů [28, 29].
Jako každá moderní technologie však existují problémy a omezení.Patří mezi ně otázky týkající se ochrany osobních údajů, předpojatosti a spravedlnosti a odborných dovedností a zdrojů potřebných k vývoji a implementaci algoritmů strojového učení v zubním vzdělávání;Rostoucí zájem a výzkum v této oblasti však naznačují, že technologie strojového učení mohou mít pozitivní dopad na stomatologické vzdělávání a stomatologické služby.
Výsledky této studie ukazují, že polovina studentů zubního lékařství má tendenci „vnímat“ drogy.Tento typ studenta preferuje fakta a konkrétní příklady, praktickou orientaci, trpělivost pro detail a preferuje „vizuální“ LS, kde studenti preferují používání obrázků, grafiky, barev a map k předávání nápadů a myšlenek.Současné výsledky jsou v souladu s jinými studiemi využívajícími ILS k hodnocení LS u studentů zubního lékařství a lékařství, z nichž většina má charakteristiky percepční a zrakové LS [12, 30].Dalmolin a kol. tvrdí, že informování studentů o jejich LS jim umožňuje dosáhnout jejich studijního potenciálu.Výzkumníci tvrdí, že když učitelé plně porozumí vzdělávacímu procesu žáků, mohou být implementovány různé vyučovací metody a aktivity, které zlepší výkon žáků a zkušenost s učením [12, 31, 32].Jiné studie ukázaly, že úprava LS studentů také ukazuje zlepšení ve studijních zkušenostech a výkonu studentů po změně jejich stylů učení tak, aby vyhovovaly jejich vlastním LS [13, 33].
Názory učitelů se mohou lišit, pokud jde o implementaci výukových strategií založených na schopnostech studentů učit se.Zatímco někteří vidí výhody tohoto přístupu, včetně příležitostí k profesnímu rozvoji, mentorství a komunitní podpory, jiní mohou mít obavy o čas a institucionální podporu.Snaha o rovnováhu je klíčem k vytvoření postoje zaměřeného na studenta.Orgány vyššího vzdělávání, jako jsou administrátoři univerzit, mohou hrát důležitou roli při řízení pozitivních změn zaváděním inovativních postupů a podporou rozvoje fakult [34].K vytvoření skutečně dynamického a citlivého systému vysokoškolského vzdělávání musí tvůrci politik podniknout odvážné kroky, jako jsou změny politik, věnování zdrojů technologické integraci a vytváření rámců, které podporují přístupy zaměřené na studenty.Tato opatření jsou zásadní pro dosažení požadovaných výsledků.Nedávný výzkum diferencované výuky jasně ukázal, že úspěšná implementace diferencované výuky vyžaduje průběžné školení a příležitosti pro rozvoj učitelů [35].
Tento nástroj poskytuje cennou podporu pedagogům zubního lékařství, kteří chtějí při plánování vzdělávacích aktivit vstřícných ke studentům zaujmout přístup zaměřený na studenty.Tato studie je však omezena na použití modelů ML rozhodovacího stromu.V budoucnu by mělo být shromážděno více dat pro porovnání výkonu různých modelů strojového učení pro porovnání přesnosti, spolehlivosti a preciznosti nástrojů pro doporučení.Při výběru nejvhodnější metody strojového učení pro konkrétní úkol je navíc důležité vzít v úvahu další faktory, jako je složitost modelu a interpretace.
Omezením této studie je, že se zaměřila pouze na mapování LS a IS mezi studenty zubního lékařství.Vyvinutý systém doporučení proto doporučí pouze ty, které jsou vhodné pro studenty zubního lékařství.Změny jsou nezbytné pro použití studentů všeobecného vysokoškolského vzdělávání.
Nově vyvinutý doporučovací nástroj založený na strojovém učení je schopen okamžitě klasifikovat a přiřazovat LS studentů k odpovídajícímu IS, což z něj dělá první dentální vzdělávací program, který pomáhá pedagogům zubního lékařství plánovat příslušné výukové a vzdělávací aktivity.Pomocí procesu třídění na základě dat může poskytovat personalizovaná doporučení, šetřit čas, zlepšovat strategie výuky, podporovat cílené intervence a podporovat neustálý profesní rozvoj.Jeho aplikace podpoří přístupy k výuce zubního lékařství zaměřené na studenty.
Gilak Jani Associated Press.Shoda nebo nesoulad mezi stylem učení žáka a stylem výuky učitele.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Čas odeslání: 29. dubna 2024