V institucích vyššího vzdělávání, včetně stomatologie, roste potřeba učení zaměřeného na studenta (SCL). SCL má však ve stomatologickém vzdělávání omezené uplatnění. Tato studie si proto klade za cíl podpořit aplikaci SCL ve stomatologii pomocí technologie strojového učení (ML) rozhodovacích stromů k mapování preferovaného stylu učení (LS) a odpovídajících strategií učení (IS) studentů stomatologie jako užitečného nástroje pro vývoj směrnic pro IS. Slibné metody pro studenty stomatologie.
Celkem 255 studentů zubního lékařství z Malajské univerzity vyplnilo upravený dotazník Indexu stylů učení (m-ILS), který obsahoval 44 položek pro jejich zařazení do příslušných LS. Shromážděná data (nazývaná datová sada) se používají v systému řízeného rozhodovacího stromového učení k automatickému přiřazení stylů učení studentů k nejvhodnějšímu informačnímu systému (IS). Poté je vyhodnocena přesnost nástroje pro doporučení IS založeného na strojovém učení.
Aplikace modelů rozhodovacích stromů v automatizovaném procesu mapování mezi LS (vstup) a IS (cílový výstup) umožňuje okamžitý seznam vhodných učebních strategií pro každého studenta zubního lékařství. Nástroj pro doporučení IS prokázal perfektní přesnost a úplnost celkové přesnosti modelu, což naznačuje, že porovnávání LS s IS má dobrou citlivost a specificitu.
Nástroj pro doporučení informačních systémů založený na rozhodovacím stromu strojového učení 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 vývoji vysoce kvalitního systému odborného vzdělávání je důležité zaměřit se na vzdělávací potřeby studentů. Interakci mezi studenty a jejich vzdělávacím prostředím lze určit prostřednictvím jejich vzdělávacích dovedností (LS). Výzkum naznačuje, že učitelem zamýšlené nesoulady mezi vzdělávacími dovednostmi a informačními dovednostmi studentů mohou mít negativní důsledky pro učení studentů, jako je snížená pozornost a motivace. To nepřímo ovlivní jejich výkon [1,2].
Informační systém (IS) je metoda, kterou učitelé používají k předávání znalostí a dovedností studentům, včetně pomoci studentům s učením [3]. Obecně řečeno, dobří učitelé plánují výukové strategie nebo informační systém, které nejlépe odpovídají úrovni znalostí jejich studentů, konceptům, které se učí, a jejich fázi učení. Teoreticky, když se LS a IS shodují, studenti budou schopni organizovat a používat specifickou sadu dovedností k efektivnímu učení. Plán lekce obvykle zahrnuje několik přechodů mezi fázemi, například od výuky k řízené praxi nebo od řízené praxe k samostatné praxi. S ohledem na to efektivní učitelé často plánují výuku s cílem rozvíjet znalosti a dovednosti studentů [4].
Poptávka po SCL (Scientific Continuous Claiming - učebně-vzdělávací dovednosti) roste na vysokých školách, včetně stomatologie. Strategie SCL jsou navrženy tak, aby splňovaly vzdělávací potřeby studentů. Toho lze dosáhnout například aktivně se studenti účastní vzdělávacích aktivit a učitelé působí jako facilitátoři a jsou zodpovědní za poskytování cenné zpětné vazby. Říká se, že poskytování vzdělávacích materiálů a aktivit, které jsou vhodné pro úroveň vzdělání nebo preference studentů, může zlepšit jejich vzdělávací prostředí a podpořit pozitivní vzdělávací 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 interpersonální dovednosti. Účelem školení je umožnit studentům kombinovat základní znalosti stomatologie s klinickými dovednostmi v zubním lékařství a aplikovat získané znalosti v nových klinických situacích [6, 7]. První výzkum vztahu mezi LS a IS zjistil, že úprava učebních strategií namapovaných na preferovaný 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 uplatňování znalostí o učení na základě zkušeností (LS) při navrhování, vývoji a implementaci výuky, která podpoří hlubší znalosti a porozumění studentům dané problematice. Výzkumníci vyvinuli několik nástrojů pro hodnocení LS, jako je Kolbův model zážitkového učení (Experiential Learning Model), Felder-Silvermanův model učení (FSLSM) a Flemingův model VAK/VARK [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 u studentů zubního lékařství.
FSLSM je široce používaný model pro hodnocení adaptivního učení v inženýrství. Existuje mnoho publikovaných prací ve zdravotnických vědách (včetně medicíny, ošetřovatelství, farmacie a stomatologie), které lze nalézt pomocí modelů FSLSM [5, 11, 12, 13]. Nástroj používaný k měření dimenzí LS v FLSM se nazývá Index stylů učení (ILS) [8], který obsahuje 44 položek hodnotících čtyři dimenze LS: zpracování (aktivní/reflexivní), 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 „aktivním“ LS preferují zpracovávání informací přímou interakcí s výukovými materiály, učí se praxí a mají tendenci se učit ve skupinách. „Reflektivní“ LS se vztahuje k učení prostřednictvím myšlení a preferuje práci samostatně. Dimenzi „vnímání“ LS lze rozdělit na „cítění“ a/nebo „intuici“. „Cítící“ studenti preferují konkrétnější informace a praktické postupy, jsou orientovaní na fakta ve srovnání s „intuitivními“ studenty, kteří preferují abstraktní materiály a jsou inovativnější a kreativnější. Dimenzi „vstupu“ LS tvoří „vizuální“ a „verbální“ studenti. Lidé s „vizuálním“ LS preferují učení se prostřednictvím vizuálních demonstrací (jako jsou diagramy, videa nebo živé demonstrace), zatímco lidé s „verbálním“ LS preferují učení se prostřednictvím slov v písemných nebo ústních vysvětleních. 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 mívají holistický myšlenkový proces a vždy lépe chápou to, co se učí.“
V poslední době mnoho výzkumníků začalo zkoumat metody pro automatické objevování na základě dat, včetně vývoje nových algoritmů a modelů schopných interpretovat velké množství dat [15, 16]. Na základě poskytnutých dat je řízené strojové učení (ML) schopno generovat vzory a hypotézy, které předpovídají budoucí výsledky na základě konstrukce algoritmů [17]. Jednoduše řečeno, techniky řízeného strojového učení manipulují se vstupními daty a trénují algoritmy. Poté generují rozsah, který klasifikuje nebo předpovídá výsledek na základě podobných situací pro poskytnutá vstupní data. Hlavní výhodou algoritmů řízeného strojového učení je jeho schopnost stanovit ideální a požadované výsledky [17].
Díky použití datově řízených metod a modelů rozhodovacích stromů je možná automatická detekce LS. Rozhodovací stromy byly hlášeny jako široce používané ve vzdělávacích programech v různých oblastech, včetně zdravotnických věd [18, 19]. V této studii byl model speciálně natrénován vývojáři systému k identifikaci LS studentů a doporučení nejlepšího informační systému pro ně.
Cílem této studie je vyvinout strategie poskytování informačního systému (IS) založené na LS studentů a aplikovat přístup SCL (Searching Compensation Line - systém pro klasifikaci studentů) vytvořením nástroje pro doporučení IS namapovaného na LS. Postup návrhu nástroje pro doporučení IS jako strategie metody SCL je znázorněn na obrázku 1. Nástroj pro doporučení IS je rozdělen do dvou částí, včetně mechanismu klasifikace LS pomocí ILS a nejvhodnějšího zobrazení IS pro studenty.
Mezi charakteristiky nástrojů pro doporučení v oblasti informační bezpečnosti patří zejména využití webových technologií a strojového učení rozhodovacích stromů. Vývojáři systémů zlepšují uživatelskou zkušenost a mobilitu tím, že je přizpůsobují mobilním zařízením, jako jsou mobilní telefony a tablety.
Experiment byl proveden ve dvou fázích a studenti Stomatologické fakulty Univerzity v Malajsii se ho zúčastnili dobrovolně. Účastníci odpovídali na online dotazník m-ILS studentů 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 nástroje použit datový soubor 255 studentů.
Všichni účastníci obdrží na začátku každé fáze, v závislosti na akademickém roce, online instruktáž prostřednictvím Microsoft Teams. Byl jim vysvětlen účel studie a byl získán informovaný souhlas. Všem účastníkům byl poskytnut odkaz pro přístup k m-ILS. Každý student byl instruován, aby zodpověděl všech 44 položek dotazníku. Na vyplnění upraveného ILS dostali jeden týden v čase a místě, které jim vyhovovalo, během semestrálních prázdnin před začátkem semestru. m-ILS je založen na původním nástroji ILS a je upraven pro studenty zubního lékařství. Podobně jako původní ILS obsahuje 44 rovnoměrně rozložených položek (a, b) s 11 položkami v každé z nich, které se používají k posouzení aspektů každé dimenze FSLSM.
Během počátečních fází vývoje nástroje vědci ručně anotovali mapy s využitím datové sady 50 studentů zubního lékařství. Podle FSLM systém poskytuje součet odpovědí „a“ a „b“. Pro každou dimenzi, pokud student vybere jako odpověď „a“, je LS klasifikován jako aktivní/percepční/vizuální/sekvenční, a pokud student vybere jako odpověď „b“, je klasifikován jako reflexivní/intuitivní/lingvistický/globální student.
Po kalibraci pracovního postupu mezi výzkumníky v oblasti zubního vzdělávání a vývojáři systémů byly vybrány otázky na základě domény FLSSM a zadány do modelu strojového učení za účelem predikce LS každého studenta. „Odpadky dovnitř, odpadky ven“ je populární rčení v oblasti strojového učení s důrazem na kvalitu dat. Kvalita vstupních dat určuje přesnost a správnost modelu strojového učení. Během fáze inženýrství prvků se vytvoří nová sada prvků, která je součtem odpovědí „a“ a „b“ na základě FLSSM. Identifikační čísla pozic léčiv jsou uvedena v tabulce 1.
Vypočítejte skóre na základě odpovědí a určete LS (Learning Average - průměrná úroveň učení) studenta. Pro každého studenta je rozsah skóre od 1 do 11. Skóre od 1 do 3 ukazuje na vyváženost preferencí učení v rámci stejné dimenze a skóre od 5 do 7 ukazuje na střední preferenci, což naznačuje, že studenti mají tendenci preferovat jedno prostředí a učit jiná. Další variantou stejné dimenze je, že skóre od 9 do 11 odráží silnou preferenci jednoho nebo druhého konce [8].
Pro každou dimenzi byly drogy rozděleny do skupin „aktivní“, „reflexivní“ a „vyvážené“. Například když student u určené položky odpoví „a“ častěji než „b“ a jeho/její skóre překročí prahovou hodnotu 5 u konkrétní položky představující dimenzi Zpracování LS, patří do domény „aktivní“ LS. Studenti však byli klasifikováni jako „reflexivní“ LS, když v konkrétních 11 otázkách (tabulka 1) zvolili „b“ častěji než „a“ a získali více než 5 bodů. Nakonec se student nachází ve stavu „rovnováhy“. Pokud skóre nepřekročí 5 bodů, jedná se o „procesní“ LS. Proces klasifikace byl opakován pro ostatní dimenze LS, konkrétně pro vnímání (aktivní/reflexivní), vstup (vizuální/verbální) a porozumění (sekvenční/globální).
Modely rozhodovacích stromů mohou v různých fázích klasifikačního procesu používat různé podmnožiny rysů a rozhodovacích pravidel. Jsou považovány za oblíbený nástroj pro klasifikaci a predikci. Lze je reprezentovat pomocí stromové struktury, jako je vývojový diagram [20], ve kterém existují interní uzly reprezentující testy podle atributu, každá větev představuje výsledky testů a každý koncový uzel (listový uzel) obsahuje popisek třídy.
Byl vytvořen jednoduchý program založený na pravidlech, který automaticky hodnotí a anotuje LS každého studenta na základě jeho odpovědí. Program založený na pravidlech má podobu příkazu KDYŽ, kde „KDYŽ“ popisuje spouštěč a „PAK“ specifikuje akci, která má být provedena, například: „Pokud se stane X, pak proveďte Y“ (Liu a kol., 2014). Pokud datová sada vykazuje korelaci a model rozhodovacího stromu je řádně natrénován a vyhodnocen, může být tento přístup efektivním způsobem, jak automatizovat proces porovnávání LS a IS.
Ve druhé fázi vývoje byl datový soubor zvětšen na 255, aby se zlepšila přesnost doporučovacího nástroje. Datový soubor je rozdělen v poměru 1:4. 25 % (64) datového souboru bylo použito pro testovací soubor a zbývajících 75 % (191) bylo použito jako trénovací soubor (obrázek 2). Datový soubor je třeba rozdělit, aby se zabránilo trénování a testování modelu na stejném datovém souboru, což by mohlo vést k tomu, že si model bude data spíše pamatovat, než aby se učil. Model je trénován na trénovacím souboru a vyhodnocuje svůj výkon na testovacím souboru – datech, která model dosud neviděl.
Jakmile bude nástroj IS vyvinut, bude aplikace schopna klasifikovat LS na základě odpovědí studentů zubního lékařství prostřednictvím webového rozhraní. Webový systém doporučení v oblasti informační bezpečnosti je vytvořen pomocí programovacího jazyka Python s využitím frameworku Django jako backendu. Tabulka 2 uvádí knihovny použité při vývoji tohoto systému.
Datová sada je převedena do modelu rozhodovacího stromu, kde se vypočítají a extrahují odpovědi studentů a automaticky se klasifikují měření LS studentů.
Matice zmatku se používá k vyhodnocení přesnosti algoritmu strojového učení rozhodovacího stromu na dané datové sadě. Zároveň vyhodnocuje výkon klasifikačního modelu. Shrnuje predikce modelu a porovnává je se skutečnými popisky dat. Výsledky vyhodnocení jsou založeny na čtyřech různých hodnotách: Skutečně pozitivní (TP) – model správně předpověděl pozitivní kategorii, Falešně pozitivní (FP) – model předpověděl pozitivní kategorii, ale skutečná návěští byla negativní, Skutečně negativní (TN) – model správně předpověděl negativní třídu a Falešně negativní (FN) – model předpověděl negativní třídu, ale skutečná návěští je pozitivní.
Tyto hodnoty se poté použijí k výpočtu různých výkonnostních metrik klasifikačního modelu scikit-learn v Pythonu, konkrétně přesnosti, preciznosti, úplnosti a skóre F1. Zde jsou příklady:
Citlivost (neboli vybavitelnost) měří schopnost modelu přesně klasifikovat LS studenta po zodpovězení dotazníku m-ILS.
Specifičnost se nazývá míra skutečně negativních výsledků. Jak je vidět z výše uvedeného vzorce, měl by se jednat o poměr skutečně negativních výsledků (TN) k skutečně negativním a falešně pozitivním výsledkům (FP). Jako součást doporučeného nástroje pro klasifikaci studentských léků by měl být schopen přesné identifikace.
Původní datová sada 50 studentů použitá k trénování modelu rozhodovacího stromu ML vykazovala relativně nízkou přesnost v důsledku lidské chyby v anotacích (tabulka 3). Po vytvoření jednoduchého programu založeného na pravidlech pro automatický výpočet skóre LS a anotací studentů byl k trénování a testování doporučovacího systému použit rostoucí počet datových sad (255).
V matici zmatku s více třídami představují diagonální prvky počet správných predikcí 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 predikuje označení třídy pro každou klasifikaci LS. Celková přesnost doporučovacího nástroje je tedy 100 %.
Hodnoty přesnosti, preciznosti, úplnosti a skóre F1 jsou znázorněny na obrázku 5. Pro systém doporučení využívající model rozhodovacího stromu je jeho skóre F1 1,0 „perfektní“, což naznačuje perfektní přesnost a úplnost a odráží významné hodnoty citlivosti a specificity.
Obrázek 6 ukazuje vizualizaci modelu rozhodovacího stromu po dokončení trénování a testování. V porovnání vykazoval model rozhodovacího stromu trénovaný s menším počtem rysů vyšší přesnost a snadnější vizualizaci modelu. To ukazuje, že optimalizace rysů vedoucí k redukci rysů je důležitým krokem ke zlepšení výkonu modelu.
Aplikací řízeného učení pomocí rozhodovacího stromu se automaticky generuje mapování mezi LS (vstup) a IS (cílový výstup), které 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 preferovaných LS. 12,2 % studentů uvedlo, že LS je poměrně vyvážený (tabulka 4). Kromě osmi hlavních LS existuje pro studenty zubního lékařství na University of Malaya 34 kombinací klasifikací LS. Mezi nimi jsou vnímání, zrak a kombinace vnímání a zraku hlavními LS uváděnými studenty (obrázek 7).
Jak je patrné z tabulky 4, většina studentů měla převažující senzorickou (13,7 %) nebo vizuální (8,6 %) vnímání. Bylo hlášeno, že 12,2 % studentů kombinovalo vnímání se zrakem (percepčně-vizuální vnímání). Tato zjištění naznačují, že studenti dávají přednost učení a pamatování si pomocí zavedených metod, dodržují specifické a podrobné postupy a jsou pozorní. Zároveň se rádi učí pozorováním (pomocí diagramů atd.) a mají tendenci diskutovat a aplikovat informace ve skupinách nebo samostatně.
Tato studie poskytuje přehled technik strojového učení používaných v dolování dat se zaměřením na okamžitou a přesnou predikci LS studentů a doporučení vhodných IS. Aplikace modelu rozhodovacího stromu identifikovala faktory, které nejvíce souvisejí s jejich životními a vzdělávacími zkušenostmi. Jedná se o řízený algoritmus strojového učení, který využívá stromovou strukturu ke klasifikaci dat rozdělením sady dat do podkategorií na základě určitých kritérií. Funguje tak, že rekurzivně dělí vstupní data do podmnožin na základě hodnoty jedné ze vstupních vlastností každého interního uzlu, dokud není na koncovém uzlu učiněno rozhodnutí.
Vnitřní uzly rozhodovacího stromu představují řešení založené na vstupních charakteristikách problému m-ILS a koncové uzly představují konečnou predikci klasifikace LS. V průběhu studie je snadné pochopit hierarchii rozhodovacích stromů, které vysvětlují a vizualizují rozhodovací proces, a to pohledem na vztah mezi vstupními charakteristikami a výstupními predikcemi.
V oblasti informatiky a inženýrství se algoritmy strojového učení široce používají k predikci studentského výkonu na základě výsledků přijímacích zkoušek [21], demografických informací a studijního chování [22]. Výzkum ukázal, že algoritmus přesně předpovídal studentský výkon a pomohl identifikovat studenty s rizikem akademických obtíží.
Je publikováno využití algoritmů strojového učení při vývoji virtuálních simulátorů pacientů pro stomatologické vzdělávání. 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 stomatologického a lékařského vzdělávání a péče o pacienty. Algoritmy strojového učení byly použity k pomoci při diagnostice zubních onemocnění na základě datových sad, jako jsou symptomy a charakteristiky pacientů [24, 25]. Jiné studie zkoumaly využití algoritmů strojového učení k provádění úkolů, jako je predikce výsledků léčby pacientů, identifikace pacientů s vysokým rizikem, vývoj personalizovaných léčebných plánů [26], léčba parodontu [27] a léčba zubního kazu [25].
Přestože byly publikovány zprávy o aplikaci strojového učení ve stomatologii, jeho využití ve stomatologickém vzdělávání zůstává omezené. Proto si tato studie kladla za cíl použít model rozhodovacího stromu k identifikaci faktorů, které jsou nejvíce spojeny s LS a IS u studentů stomatologie.
Výsledky této studie ukazují, že vyvinutý nástroj pro doporučení má vysokou a dokonalou přesnost, což naznačuje, že učitelé mohou z něj těžit. Pomocí klasifikačního procesu založeného na datech může poskytovat personalizovaná doporučení a zlepšovat vzdělávací zkušenosti a výsledky pro pedagogy i studenty. Informace získané prostřednictvím nástrojů pro doporučení mohou mimo jiné vyřešit konflikty mezi preferovanými výukovými metodami učitelů a vzdělávacími potřebami studentů. Například díky automatizovanému výstupu nástrojů pro doporučení se výrazně zkrátí čas potřebný k identifikaci IP studenta a jeho přiřazení k odpovídajícímu IP. Tímto způsobem lze organizovat vhodné výukové aktivity a výukové materiály. To pomáhá rozvíjet pozitivní učební chování studentů a schopnost soustředění. Jedna studie uvádí, že poskytování výukových materiálů a výukových aktivit studentům, které odpovídají jejich preferovanému LS, může studentům pomoci integrovat, zpracovat a užívat si učení různými způsoby, aby dosáhli většího potenciálu [12]. Výzkum také ukazuje, že kromě zlepšení zapojení studentů do výuky hraje klíčovou roli ve zlepšování výukových postupů a komunikace se studenty také pochopení procesu učení studentů [28, 29].
Stejně jako u jakékoli moderní technologie však existují problémy a omezení. Patří mezi ně otázky týkající se ochrany osobních údajů, zaujatosti a spravedlnosti a odborné dovednosti a zdroje potřebné k vývoji a implementaci algoritmů strojového učení ve stomatologickém 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 naznačují, že polovina studentů zubního lékařství má tendenci „vnímat“ léky. Tento typ studentů dává přednost faktům a konkrétním příkladům, má praktickou orientaci, trpělivost s detaily a preferenci „vizuálního“ učebního porozumění, kde studenti preferují používání obrázků, grafiky, barev a map k vyjádření myšlenek. Současné výsledky jsou v souladu s dalšími studiemi používajícími mezilehlé učební porozumění k posouzení učebního porozumění u studentů zubního lékařství a medicíny, z nichž většina má charakteristiky percepčního a vizuálního učebního porozumění [12, 30]. Dalmolin a kol. naznačují, že informování studentů o jejich učebním porozumění jim umožňuje dosáhnout jejich vzdělávacího potenciálu. Výzkumníci tvrdí, že když učitelé plně rozumí vzdělávacímu procesu studentů, lze implementovat různé výukové metody a aktivity, které zlepší výkon studentů a jejich studijní zkušenosti [12, 31, 32]. Jiné studie ukázaly, že úprava učebního porozumění studentů také ukazuje zlepšení v učebních zkušenostech a výkonu studentů po změně jejich stylů učení tak, aby odpovídaly jejich vlastnímu učebnímu porozumění [13, 33].
Názory učitelů se mohou lišit, pokud jde o implementaci výukových strategií založených na studijních schopnostech studentů. Zatímco někteří vidí výhody tohoto přístupu, včetně příležitostí k profesnímu rozvoji, mentorství a podpory komunity, jiní se mohou obávat časové a institucionální podpory. Snaha o rovnováhu je klíčem k vytvoření přístupu zaměřeného na studenta. Orgány vyššího vzdělávání, jako jsou například univerzitní administrátoři, mohou hrát důležitou roli při prosazování pozitivních změn zaváděním inovativních postupů a podporou rozvoje pedagogických pracovníků [34]. Aby tvůrci politik vytvořili skutečně dynamický a responzivní systém vysokoškolského vzdělávání, musí podniknout odvážné kroky, jako je provádění změn politik, věnování zdrojů na integraci technologií a vytváření rámců, které podporují přístupy zaměřené na studenta. Tato opatření jsou klíčová pro dosažení požadovaných výsledků. Nedávný výzkum diferencované výuky jasně ukázal, že úspěšná implementace diferencované výuky vyžaduje průběžné vzdělávání a rozvojové příležitosti pro učitele [35].
Tento nástroj poskytuje cennou podporu zubním pedagogům, kteří chtějí zaujmout studentsky orientovaný přístup k plánování studentsky přívětivých vzdělávacích aktivit. Tato studie je však omezena na použití modelů strojového učení s rozhodovacími stromy. V budoucnu by mělo být shromážděno více dat pro porovnání výkonu různých modelů strojového učení a porovnání přesnosti, spolehlivosti a preciznosti doporučovacích nástrojů. Při výběru nejvhodnější metody strojového učení pro konkrétní úkol je navíc důležité zvážit další faktory, jako je složitost modelu a jeho interpretace.
Omezením této studie je, že se zaměřila pouze na mapování LS a IS u studentů zubního lékařství. Vyvinutý systém doporučení proto bude doporučovat pouze ty, které jsou vhodné pro studenty zubního lékařství. Pro všeobecné použití studenty vysokých škol jsou nutné změny.
Nově vyvinutý nástroj pro doporučení založený na strojovém učení je schopen okamžitě klasifikovat a přiřazovat studijní materiály studentů k odpovídajícímu informačnímu systému (IS), což z něj činí první program stomatologického vzdělávání, který pomáhá zubním pedagogům plánovat relevantní výukové a vzdělávací aktivity. Pomocí procesu třídění založeného na datech může poskytovat personalizovaná doporučení, šetřit čas, zlepšovat výukové strategie, podporovat cílené intervence a podporovat průběžný profesní rozvoj. Jeho aplikace podpoří přístupy ke stomatologickému vzdělávání zaměřené na studenty.
Gilak Jani, Associated Press. Shoda nebo nesoulad mezi učebním stylem studenta a výukovým stylem učitele. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Čas zveřejnění: 29. dubna 2024