Roste potřeba učení zaměřeného na studenty (SCL) ve vysokoškolských institucích, včetně stomatologie. SCL má však omezené použití v zubním vzdělávání. Cílem této studie je proto propagovat aplikaci SCL ve stomatologii pomocí technologie pro stromové učení (ML) pro mapování preferovaného stylu učení (LS) a odpovídající strategie učení (IS) zubních studentů jako užitečným nástrojem pro vývoj je pokyny . Slibné metody pro zubní studenty.
Celkem 255 zubních studentů z Malajské univerzity vyplnilo dotazník upraveného indexu učebních stylů (M-ILS), který obsahoval 44 položek, aby je klasifikoval do příslušných LSS. Shromážděná data (nazývaná datový soubor) se používají v učení stromu pod dohledem, aby automaticky porovnávaly styly učení studentů podle nejvhodnějších je. Přesnost založeného na strojovém učení je nástroj pro doporučení.
Aplikace modelů rozhodovacích stromů v automatizovaném procesu mapování mezi LS (vstup) a IS (cílový výstup) umožňuje okamžitý seznam vhodných strategií učení pro každého studenta zubů. Nástroj IS doporučení prokázal dokonalou přesnost a vyvolání celkové přesnosti modelu, což naznačuje, že shoda LS je dobrá citlivost a specificitu.
Nástroj IS doporučení založený na ML rozhodovacím stromu prokázal svou schopnost přesně porovnat styly učení studentů zubních studentů s vhodnými strategiemi učení. Tento nástroj poskytuje výkonné možnosti pro plánování kurzů nebo modulů zaměřených na studenty, které mohou zlepšit zkušenost s učením studentů.
Výuka a učení jsou základními činnostmi ve vzdělávacích institucích. Při vývoji vysoce kvalitního systému odborného vzdělávání je důležité se zaměřit na vzdělávací potřeby studentů. Interakce mezi studenty a jejich vzdělávacím prostředím lze určit prostřednictvím jejich LS. Výzkum naznačuje, že neshody zamýšlené učiteli mezi LS studentů a je to mít negativní důsledky pro učení studentů, jako je snížená pozornost a motivace. To nepřímo ovlivní výkon studentů [1,2].
Je metoda používaná učiteli k předávání znalostí a dovedností studentům, včetně pomoci studentům učit se [3]. Obecně řečeno, dobří učitelé plánují výuku strategií nebo je to, že nejlépe odpovídá úrovni znalostí svých studentů, koncepty, které se učí, a jejich fázi učení. Teoreticky, když se LS a shoví, budou studenti schopni uspořádat a používat konkrétní sadu dovedností, aby se efektivně učit. Plán lekce obvykle zahrnuje několik přechodů mezi fázemi, například od výuky po vedenou praxi nebo od vedené praxe po nezávislou praxi. S ohledem na to efektivní učitelé často plánují výuku s cílem budovat znalosti a dovednosti studentů [4].
Poptávka po SCL roste v institucích vysokoškolského vzdělávání, včetně stomatologie. Strategie SCL jsou navrženy tak, aby vyhovovaly vzdělávacím potřebám studentů. Toho lze dosáhnout například, pokud se studenti aktivně účastní vzdělávacích aktivit a učitelů působí jako facilitátoři a jsou zodpovědní za poskytování cenné zpětné vazby. Říká se, že poskytování vzdělávacích materiálů a činností, které jsou vhodné pro úroveň vzdělávání nebo preference studentů, může zlepšit vzdělávací prostředí studentů a podporovat pozitivní vzdělávací zkušenosti [5].
Obecně lze říci, že proces učení studentů zubních studentů je ovlivněn různými klinickými postupy, které musí provádět, a klinickým prostředím, ve kterém rozvíjejí účinné mezilidské dovednosti. Účelem školení je umožnit studentům kombinovat základní znalosti stomatologie s zubními klinickými dovednostmi a aplikovat získané znalosti na nové klinické situace [6, 7]. Je zjištěno, že včasný výzkum vztahu mezi LS a je zjištěn, že úprava strategií učení mapované na preferované LS by pomohlo zlepšit vzdělávací proces [8]. Autoři také doporučují použití různých metod výuky a hodnocení, aby se přizpůsobily učení a potřebám studentů.
Učitelé těží z uplatňování znalostí LS, aby jim pomohli navrhovat, rozvíjet a implementovat výuku, která zlepší získávání hlubších znalostí a porozumění předmětu studentů. Vědci vyvinuli několik nástrojů pro hodnocení LS, jako je model zážitkového učení Kolb, model stylu učení Felder-Silverman (FSLSM) a model Fleming VAK/VARK [5, 9, 10]. Podle literatury jsou tyto učební modely nejčastěji používanými a nejvíce studovanými modely učení. V současné výzkumné práci se FSLSM používá k hodnocení LS mezi zubními studenty.
FSLSM je široce používaný model pro hodnocení adaptivního učení ve strojírenství. Existuje mnoho publikovaných děl ve zdravotnických vědách (včetně medicíny, ošetřovatelství, lékáren a stomatologie), která lze nalézt pomocí modelů FSLSM [5, 11, 12, 13]. Přístroj používaný k měření rozměrů LS ve FLSM se nazývá index stylů učení (ILS) [8], který obsahuje 44 položek hodnotících čtyři rozměry LS: zpracování (aktivní/reflexní), vnímání (percepční/intuitivní),,. vstup (vizuální). /verbální) a porozumění (sekvenční/globální) [14].
Jak je znázorněno na obrázku 1, každá dimenze FSLSM má dominantní preferenci. Například v dimenzi zpracování studenti s „aktivními“ LS dávají přednost zpracování informací přímým interakcí s učebními materiály, učením se a mají tendenci se učit ve skupinách. „Reflexní“ LS označuje učení prostřednictvím myšlení a raději pracovat samostatně. „Vnímání“ dimenze LS lze rozdělit na „pocity“ a/nebo „intuice“. „Pocit“ studenti dávají přednost konkrétním informacím a praktickým postupům, jsou orientovaní na skutečnost ve srovnání s „intuitivními“ studenty, kteří dávají přednost abstraktnímu materiálu a jsou inovativnější a kreativnější. „Vstupní“ dimenze LS se skládá z „vizuálních“ a „verbálních“ studentů. Lidé s „vizuálními“ LS se raději učí prostřednictvím vizuálních demonstrací (jako jsou diagramy, videa nebo živé demonstrace), zatímco lidé s „verbálními“ LS raději se učí slovy v písemných nebo ústních vysvětleních. Aby se „porozuměli“ rozměrů LS, lze tito žáci rozdělit na „sekvenční“ a „globální“. „Sekvenční studenti upřednostňují lineární myšlenkový proces a učí se krok za krokem, zatímco globální studenti mají tendenci mít holistický myšlenkový proces a vždy lépe porozumět tomu, co se učí.
Nedávno mnoho vědců začalo zkoumat metody pro automatický objev založený na datech, včetně vývoje nových algoritmů a modelů schopných interpretovat velké množství dat [15, 16]. Na základě poskytnutých údajů je pod dohledem ML (Machine Learning) generovat vzorce a hypotézy, které předpovídají budoucí výsledky založené na konstrukci algoritmů [17]. Jednoduše řečeno, techniky strojového učení pod dohledem manipulují s vstupními daty a algoritmy vlaků. Poté generuje rozsah, který klasifikuje nebo předpovídá výsledek na základě podobných situací pro poskytnutá vstupní data. Hlavní výhodou algoritmů strojového učení je jeho schopnost stanovit ideální a požadované výsledky [17].
Prostřednictvím použití metod založených na údajích a modelech řízení stromů rozhodování je možné automatické detekce LS. Bylo hlášeno, že stromy jsou široce používány ve vzdělávacích programech v různých oborech, včetně zdravotních věd [18, 19]. V této studii byl model specificky vyškolen vývojáři systému, aby identifikovali LS studentů a doporučili to nejlepší je pro ně.
Účelem této studie je vyvinout strategie doručení založené na LS studentů a aplikovat přístup SCL vývojem nástroje IS IS mapované na LS. Konstrukční tok nástroje IS IS jako strategie metody SCL je znázorněn na obrázku 1. Nástroj IS doporučení je rozdělen do dvou částí, včetně klasifikačního mechanismu LS pomocí ILS a nejvhodnější je zobrazení pro studenty.
Zejména charakteristiky nástrojů pro doporučení zabezpečení informací zahrnují použití webových technologií a použití strojového učení rozhodovacích stromů. Vývojáři systému zlepšují uživatelský zážitek a mobilitu tím, že je přizpůsobují mobilním zařízením, jako jsou mobilní telefony a tablety.
Experiment byl proveden ve dvou fázích a studenti z fakulty stomatologie na University of Malaya se dobrovolně účastnili. Účastníci odpověděli na online M-Ils na studentské studentské studenty v angličtině. V počáteční fázi byl k trénování algoritmu pro učení stromu rozhodovacího stromu použit datový soubor 50 studentů. Ve druhé fázi vývojového procesu byl ke zlepšení přesnosti rozvinutého nástroje použit datový soubor 255 studentů.
Všichni účastníci obdrží online briefing na začátku každé fáze v závislosti na akademickém roce prostřednictvím týmů Microsoft. Účel studie byl vysvětlen a byl získán informovaný souhlas. Všichni účastníci dostali odkaz na přístup k M-ILS. Každý student byl instruován, aby odpověděl na všech 44 položek na dotazníku. Dostali jeden týden na dokončení modifikovaných IL najednou a umístění, které se jim během semestru před začátkem semestru pohodlné. M-ILS je založen na původním nástroji ILS a upraveno pro studenty zubů. Podobně jako původní ILS obsahuje 44 rovnoměrně distribuovaných položek (a, b) s 11 položkami, které se používají k posouzení aspektů každé dimenze FSLSM.
Během počátečních fází vývoje nástrojů vědci ručně anotovali mapy pomocí datového souboru 50 zubních studentů. Podle FSLM systém poskytuje součet odpovědí „A“ a „B“. Pokud student vybere „A“ jako odpověď, pro každou dimenzi je LS klasifikován jako aktivní/percepční/vizuální/sekvenční a pokud student vybere jako odpověď „B“, je student klasifikován jako odraz/intuitivní/lingvistika . / Globální student.
Po kalibraci pracovního postupu mezi výzkumníky zubního vzdělávání a vývojářům systému byly vybrány otázky na základě domény FLSSM a přivedeny do modelu ML, aby se předpovídala LS každého studenta. „Odpadky, odpadky“ je populární přísloví 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, což je součet odpovědí „A“ a „B“ založené na FLSSM. Identifikační čísla poloh léčiva jsou uvedena v tabulce 1.
Vypočítejte skóre na základě odpovědí a určete LS studenta. Pro každého studenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 označuje rovnováhu preferencí učení ve stejné dimenzi a skóre od 5 do 7 naznačuje mírnou preferenci, což naznačuje, že studenti mají tendenci upřednostňovat jedno prostředí výuky ostatních . Další variace ve stejné dimenzi je, že skóre od 9 do 11 odráží silnou preferenci pro jeden nebo druhý konec [8].
Pro každou dimenzi byly léky seskupeny do „aktivní“, „reflexní“ a „vyvážené“. Například, když student odpovídá na „A“ častěji než „B“ na určené položce a jeho skóre překročí prahovou hodnotu 5 pro konkrétní položku představující rozměr zpracování LS, patří do „aktivní“ LS doména. . Studenti však byli klasifikováni jako „reflexní“ LS, když si vybrali „B“ více než „A“ v konkrétních 11 otázkách (tabulka 1) a získali více než 5 bodů. Nakonec je student ve stavu „rovnováhy“. Pokud skóre nepřesáhne 5 bodů, jedná se o „proces“ LS. Proces klasifikace byl opakován pro ostatní rozměry LS, jmenovitě vnímání (aktivní/reflexní), vstup (vizuální/verbální) a porozumění (sekvenční/globální).
Modely rozhodovacích stromů mohou používat různé podmnožiny funkcí a pravidel rozhodování v různých fázích procesu klasifikace. Je považován za populární nástroj pro klasifikaci a predikci. Může být reprezentován pomocí stromové struktury, jako je vývojový diagram [20], ve kterém existují interní uzly představující testy atributem, každá větev představující výsledky testu a každý listový uzel (listový uzel) obsahující štítek třídy.
Byl vytvořen jednoduchý program založený na pravidlech, který automaticky skóre a anotace LS každého studenta na základě jejich odpovědí. Založené na pravidlech má podobu příkazu IF, kde „pokud“ popisuje spoušť a „pak“ určuje akci, která má být provedena, například: „Pokud se X stane, pak udělejte y“ (Liu et al., 2014). Pokud soubor dat vykazuje korelaci a model rozhodovacího stromu je správně vyškolen a vyhodnocen, může být tento přístup účinným způsobem, jak automatizovat proces porovnávání LS a IS.
Ve druhé fázi vývoje byl datový soubor zvýšen na 255, aby se zlepšila přesnost nástroje doporučení. Soubor dat je rozdělen do poměru 1: 4. Pro testovací sadu bylo použito 25% (64) souboru dat a zbývajících 75% (191) bylo použito jako tréninková sada (obrázek 2). Soubor dat musí být rozdělen, aby se zabránilo trénování a testování modelu na stejném souboru dat, což by mohlo způsobit, že si model zapamatuje, spíše než se učit. Model je vyškolen na tréninkové sadě a vyhodnocuje její výkon na testovací sadě - daty, které model nikdy předtím neviděl.
Jakmile je nástroj IS vyvinut, aplikace bude moci klasifikovat LS na základě odpovědí studentů zubního lékaře prostřednictvím webového rozhraní. Systém nástrojů pro doporučení pro informační zabezpečení informačního zabezpečení je vytvořen pomocí programovacího jazyka Python pomocí Django Framework 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 automaticky klasifikaci měření studentů LS.
Matice zmatení se používá k vyhodnocení přesnosti algoritmu pro učení strojů rozhodovacího stromu na daném souboru dat. Současně vyhodnocuje výkon klasifikačního modelu. Shrnuje předpovědi modelu a porovnává je se skutečnými datovými štítky. Výsledky hodnocení jsou založeny na čtyřech různých hodnotách: True Pozitivní (TP) - model správně předpovídal pozitivní kategorii, falešně pozitivní (FP) - model předpovídal pozitivní kategorii, ale skutečný štítek byl negativní, skutečný negativní (TN) - Model správně předpovídal negativní třídu a falešně negativní (FN) - model předpovídá negativní třídu, ale skutečný štítek je pozitivní.
Tyto hodnoty se pak používají pro výpočet různých metrik výkonu klasifikačního modelu Scikit-Learn v Pythonu, jmenovitě přesnost, přesnost, vyvolání a skóre F1. Zde jsou příklady:
Vyvolání (nebo citlivost) měří schopnost modelu přesně klasifikovat studentovu LS po odpovědi na dotazník M-ILS.
Specifičnost se nazývá skutečná negativní sazba. Jak můžete vidět z výše uvedeného vzorce, měl by to být poměr skutečných negativů (TN) ke skutečným negativům a falešným pozitivům (FP). V rámci doporučeného nástroje pro klasifikaci léků studentů by měla být schopna přesná identifikace.
Původní datový soubor 50 studentů používal k trénování modelu rozhodovacího stromu ML ML vykazoval relativně nízkou přesnost v důsledku lidské chyby v anotacích (tabulka 3). Po vytvoření jednoduchého programu založeného na pravidlech pro automatické výpočet skóre LS a anotací studentů byl k trénování a testování systému doporučení použit rostoucí počet datových sad (255).
V matici zmatení vícehiclass představují diagonální prvky počet správných předpovědí pro každý typ LS (obrázek 4). Pomocí modelu rozhodovacího stromu bylo správně předpovězeno celkem 64 vzorků. V této studii tedy diagonální prvky ukazují očekávané výsledky, což naznačuje, že model funguje dobře a přesně předpovídá štítek třídy pro každou klasifikaci LS. Celková přesnost nástroje doporučení je tedy 100%.
Hodnoty přesnosti, přesnosti, přesnosti, vyvolání a skóre F1 jsou uvedeny na obrázku 5. Pro systém doporučení pomocí modelu rozhodovacího stromu je jeho skóre F1 1,0 „perfektní“, což ukazuje na dokonalou přesnost a vyvolání, což odráží významnou citlivost a specificitu hodnoty.
Obrázek 6 ukazuje vizualizaci modelu rozhodovacího stromu po dokončení tréninku a testování. Ve srovnání vedle sebe vykazoval model stromu rozhodovacího stromu s menším počtem funkcí vyšší přesnost a snadnější vizualizaci modelu. To ukazuje, že inženýrství prvků vedoucí ke snížení funkcí je důležitým krokem ke zlepšení výkonu modelu.
Použitím učení pod dohledem stromu rozhodování je automaticky generováno mapování mezi LS (vstup) a IS (cílový výstup) a obsahuje podrobné informace pro každý LS.
Výsledky ukázaly, že 34,9% z 255 studentů upřednostňovalo jednu (1) LS možnost. Většina (54,3%) měla dvě nebo více preferencí LS. 12,2% studentů poznamenal, že LS je poměrně vyvážený (tabulka 4). Kromě osmi hlavních LS existuje 34 kombinací klasifikací LS pro studenty University of Malaya Dental. Mezi nimi jsou vnímání, vize a kombinace vnímání a vidění hlavními LS hlášenými studenty (obrázek 7).
Jak je vidět z tabulky 4, většina studentů měla převládající senzorické (13,7%) nebo vizuální (8,6%) LS. Bylo hlášeno, že 12,2% studentů kombinovalo vnímání se vizí (perceptuálně vizuální LS). Tato zjištění naznačují, že studenti se raději učí a pamatují prostřednictvím zavedených metod, sledují specifické a podrobné postupy a jsou pozorní povahy. Zároveň si užívají učení tím, že hledají (pomocí diagramů atd.) A mají tendenci diskutovat a aplikovat informace ve skupinách nebo samo o sobě.
Tato studie poskytuje přehled technik strojového učení používaného při těžbě dat se zaměřením na okamžitě a přesně předpovídání LS studentů a doporučení vhodného je. Aplikace modelu rozhodovacího stromu identifikovala faktory, které nejvíce souvisejí s jejich životními a vzdělávacími zkušenostmi. Je to algoritmus strojového učení pod dohledem, který používá strukturu stromu k klasifikaci dat rozdělením sady dat do podkategorií na základě určitých kritérií. Funguje rekurzivní rozdělení vstupních dat do podmnožin na základě hodnoty jednoho ze vstupních funkcí každého interního uzlu, dokud nebude učiněno v listovém uzlu.
Vnitřní uzly stromu rozhodování představují řešení založené na vstupních charakteristikách problému M-ILS a uzly listů představují konečnou predikci klasifikace LS. V průběhu studie je snadné pochopit hierarchii rozhodovacích stromů, které vysvětlují a vizualizují proces rozhodování tím, že se podíváme na vztah mezi vstupními rysy a předpovědi výstupu.
V oblasti informatiky a inženýrství se algoritmy strojového učení široce používají k předpovídání výkonnosti studentů na základě jejich skóre přijímacích zkoušek [21], demografických informací a chování učení [22]. Výzkum ukázal, že algoritmus přesně předpovídal výkon studentů a pomohl jim identifikovat studenty ohrožené akademické potíže.
Uvádí se aplikace algoritmů ML při vývoji simulátorů virtuálních pacientů pro trénink zubního školení. Simulátor je schopen přesně reprodukovat fyziologické reakce skutečných pacientů a může být použit k trénování studentů zubních lékařů 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 dentálních onemocnění na základě souborů dat, jako jsou příznaky a charakteristiky pacienta [24, 25]. Zatímco jiné studie prozkoumaly použití algoritmů strojového učení k provádění úkolů, jako je predikce výsledků pacienta, identifikace vysoce rizikových pacientů, vyvíjející se personalizované léčebné plány [26], periodontální léčbu [27] a léčba kazu [25].
Přestože byly zveřejněny zprávy o aplikaci strojového učení ve stomatologii, jeho aplikace v zubním vzdělávání zůstává omezená. Tato studie se proto zaměřila na použití modelu rozhodovacího stromu k identifikaci faktorů nejvíce spojených s LS a patří mezi studenty zubů.
Výsledky této studie ukazují, že vyvinutý nástroj doporučení má vysokou přesnost a dokonalou přesnost, což naznačuje, že učitelé mohou z tohoto nástroje těžit. Pomocí procesu klasifikace založeného na údajích může poskytnout personalizovaná doporučení a zlepšit vzdělávací zkušenosti a výsledky pro pedagogy a studenty. Mezi nimi mohou informace získané prostřednictvím nástrojů doporučení vyřešit konflikty mezi preferovanými metodami výuky učitelů a vzdělávacími potřebami studentů. Například vzhledem k automatizovanému výstupu nástrojů doporučení bude doba potřebná k identifikaci IP studenta a porovnat ji s odpovídající IP. Tímto způsobem lze organizovat vhodné vzdělávací činnosti a školicí materiály. To pomáhá rozvíjet pozitivní chování studentů a schopnost soustředit se. Jedna studie uvedla, že poskytování studentů s výukovými materiály a vzdělávacími činnostmi, které odpovídají jejich preferovaným LS, může studentům pomoci integrovat, zpracovávat a užívat se učení několika způsoby, aby dosáhli většího potenciálu [12]. Výzkum také ukazuje, že kromě zlepšení účasti studentů ve třídě hraje porozumění procesu učení studentů také rozhodující roli při zlepšování výukových postupů a komunikaci se studenty [28, 29].
Stejně jako u jakékoli moderní technologie však existují problémy a omezení. Patří mezi ně problémy související s ochranou osobních údajů, zaujatost a spravedlnost a profesionální dovednosti a zdroje potřebné k vývoji a implementaci algoritmů strojového učení v zubním vzdělávání; Rostoucí zájem a výzkum v této oblasti však naznačují, že technologie strojového učení může mít pozitivní dopad na zubní vzdělávání a zubní služby.
Výsledky této studie naznačují, že polovina studentů zubů má tendenci „vnímat“ drogy. Tento typ žáka má přednost faktami a konkrétními příklady, praktickou orientaci, trpělivost pro detaily a „vizuální“ preference LS, kde studenti dávají přednost používání obrázků, grafiky, barev a map, aby zprostředkovali myšlenky a myšlenky. Současné výsledky jsou v souladu s jinými studiemi využívajícími ILS k hodnocení LS u studentů zubních a medicíny, z nichž většina má vlastnosti percepčního a vizuálního LS [12, 30]. Dalmolin et al naznačují, že informování studentů o jejich LS jim umožňuje dosáhnout jejich vzdělávacího potenciálu. Vědci tvrdí, že když učitelé plně rozumí vzdělávacímu procesu studentů, lze implementovat různé metody výuky a činnosti, které zlepší výkonnost a zkušenosti studentů [12, 31, 32]. Jiné studie ukázaly, že úprava LS studentů také ukazuje zlepšení zkušeností a výkonu učení studentů po změně jejich stylů učení tak, aby vyhovovaly jejich vlastním LS [13, 33].
Názory učitelů se mohou lišit, pokud jde o provádění strategií výuky na základě schopností učení studentů. Zatímco někteří vidí výhody tohoto přístupu, včetně možností profesního rozvoje, mentorství a podpory komunity, jiní se mohou obávat času a institucionální podpory. Snaha o rovnováhu je klíčem k vytvoření postoje zaměřeného na studenty. Úřady vysokoškolského vzdělávání, jako jsou administrátoři univerzity, mohou hrát důležitou roli při řízení pozitivních změn zavedením inovativních postupů a podporou rozvoje fakult [34]. Abychom vytvořili skutečně dynamický a responzivní systém vysokoškolského vzdělávání, musí tvůrci politik podniknout odvážné kroky, jako je provádění změn politiky, věnování zdrojů integraci technologií a vytváření rámců, které podporují přístupy zaměřené na studenty. Tato opatření jsou kritická pro dosažení požadovaných výsledků. Nedávný výzkum diferencované výuky jasně ukázal, že úspěšná implementace diferencované výuky vyžaduje pro učitele probíhající příležitosti pro školení a rozvoj [35].
Tento nástroj poskytuje cennou podporu zubním pedagogům, kteří chtějí zaujmout přístup zaměřený na studenta k plánování vzdělávacích aktivit přátelských studentů. Tato studie je však omezena na použití modelů rozhodovacího stromu ML. V budoucnu by mělo být shromažďováno více údajů, aby bylo možné porovnat výkon různých modelů strojového učení, aby se porovnal přesnost, spolehlivost a přesnost nástrojů doporučení. Navíc při výběru nejvhodnější metody strojového učení pro konkrétní úkol je důležité zvážit další faktory, jako je složitost modelu a interpretace.
Omezením této studie je, že se zaměřuje pouze na mapování LS a patří mezi studenty zubů. Rozvinutý systém doporučení proto doporučí pouze ty, které jsou vhodné pro studenty zubů. Změny jsou nezbytné pro využití všeobecného vysokoškolského vzdělávání.
Nově vyvinutý nástroj pro doporučení založené na strojovém učení je schopen okamžitě klasifikovat a přizpůsobit LS studentů s odpovídajícím, což z něj činí první program zubního vzdělávání, který pomáhá pedagogům zubního lékaře naplánovat relevantní výukové a vzdělávací aktivity. Pomocí procesu třídění založeného na údajích může poskytnout personalizovaná doporučení, šetřit čas, zlepšit strategie výuky, podporovat cílené intervence a podporovat pokračující profesní rozvoj. Jeho aplikace bude podporovat přístupy zaměřené na studenty k zubnímu vzdělávání.
Gilak Jani Associated Press. Match nebo nesoulad mezi stylem učení studenta 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 příspěvku: APR-29-2024