U visokoškolskim ustanovama, uključujući stomatologiju, postoji rastuća potreba za učenjem usmjerenim na studenta (SCL).Međutim, SCL ima ograničenu primjenu u stomatološkom obrazovanju.Stoga, ova studija ima za cilj promovirati primjenu SCL-a u stomatologiji korištenjem tehnologije mašinskog učenja stabla odluka (ML) za mapiranje preferiranog stila učenja (LS) i odgovarajućih strategija učenja (IS) studenata stomatologije kao korisnog alata za razvoj smjernica za IS. .Obećavajuće metode za studente stomatologije.
Ukupno 255 studenata stomatologije sa Univerziteta Malaya ispunilo je modificirani upitnik o indeksu stilova učenja (m-ILS), koji je sadržavao 44 stavke za klasifikaciju u njihove odgovarajuće LS.Prikupljeni podaci (koji se nazivaju skup podataka) koriste se u nadgledanom učenju na stablu odlučivanja kako bi se automatski uskladili stilovi učenja učenika s najprikladnijim IS-om.Zatim se procjenjuje tačnost alata za preporuku IS zasnovanog na mašinskom učenju.
Primjena modela stabla odlučivanja u automatiziranom procesu mapiranja između LS (ulaz) i IS (ciljni izlaz) omogućava neposrednu listu odgovarajućih strategija učenja za svakog studenta stomatologije.Alat za preporuku IS pokazao je savršenu tačnost i prisjećanje ukupne tačnosti modela, što ukazuje da usklađivanje LS sa IS ima dobru osjetljivost i specifičnost.
Alat za IS preporuke zasnovan na stablu odlučivanja o ML je dokazao svoju sposobnost da precizno uskladi stilove učenja studenata stomatologije sa odgovarajućim strategijama učenja.Ovaj alat pruža moćne opcije za planiranje kurseva ili modula usmjerenih na učenika koji mogu poboljšati iskustvo učenja učenika.
Nastava i učenje su osnovne aktivnosti u obrazovnim institucijama.Prilikom razvoja visokokvalitetnog sistema stručnog obrazovanja, važno je fokusirati se na potrebe učenika za učenjem.Interakcija između učenika i njihovog okruženja za učenje može se odrediti kroz njihov LS.Istraživanja sugeriraju da neusklađenost nastavnika između LS i IS učenika može imati negativne posljedice na učenje učenika, kao što su smanjena pažnja i motivacija.Ovo će indirektno uticati na učinak učenika [1,2].
IS je metoda koju nastavnici koriste za prenošenje znanja i vještina učenicima, uključujući i pomoć učenicima da uče [3].Uopšteno govoreći, dobri nastavnici planiraju nastavne strategije ili IS koje najbolje odgovaraju nivou znanja njihovih učenika, konceptima koje uče i njihovoj fazi učenja.Teoretski, kada se LS i IS podudaraju, učenici će moći da organizuju i koriste određeni skup veština za efikasno učenje.Tipično, plan lekcije uključuje nekoliko prijelaza između faza, kao što je od podučavanja do vođene prakse ili od vođene prakse do samostalne prakse.Imajući ovo na umu, efektivni nastavnici često planiraju nastavu s ciljem izgradnje znanja i vještina učenika [4].
Potražnja za SCL raste u visokoškolskim ustanovama, uključujući i stomatologiju.SCL strategije su dizajnirane da zadovolje potrebe učenika za učenjem.Ovo se može postići, na primjer, ako učenici aktivno učestvuju u aktivnostima učenja, a nastavnici djeluju kao fasilitatori i odgovorni su za pružanje vrijednih povratnih informacija.Rečeno je da obezbjeđivanje materijala za učenje i aktivnosti koji su primjereni obrazovnom nivou ili preferencijama učenika može poboljšati okruženje za učenje učenika i promovirati pozitivna iskustva učenja [5].
Uopšteno govoreći, na proces učenja studenata stomatologije utiču različite kliničke procedure koje su obavezne da izvedu i kliničko okruženje u kojem razvijaju efikasne interpersonalne veštine.Svrha obuke je osposobiti studente da spoje osnovna znanja iz stomatologije sa stomatološkim kliničkim vještinama i primjenjuju stečena znanja u novim kliničkim situacijama [6, 7].Rano istraživanje odnosa između LS i IS otkrilo je da bi prilagođavanje strategija učenja mapiranih na preferirani LS pomoglo poboljšanju obrazovnog procesa [8].Autori također preporučuju korištenje različitih metoda nastave i ocjenjivanja kako bi se prilagodili učenju i potrebama učenika.
Nastavnici imaju koristi od primjene LS znanja kako bi im pomogli da osmisle, razviju i implementiraju nastavu koja će poboljšati stjecanje dubljeg znanja i razumijevanja predmeta.Istraživači su razvili nekoliko alata za procjenu LS, kao što su Kolbov model iskustvenog učenja, Felder-Silverman model stila učenja (FSLSM) i Flemingov VAK/VARK model [5, 9, 10].Prema literaturi, ovi modeli učenja su najčešće korišteni i najviše proučavani modeli učenja.U trenutnom istraživačkom radu, FSLSM se koristi za procjenu LS kod studenata stomatologije.
FSLSM je široko korišten model za evaluaciju adaptivnog učenja u inženjerstvu.Postoji mnogo objavljenih radova u zdravstvenim naukama (uključujući medicinu, sestrinstvo, farmaciju i stomatologiju) koji se mogu pronaći pomoću FSLSM modela [5, 11, 12, 13].Instrument koji se koristi za mjerenje dimenzija LS-a u FLSM-u naziva se Indeks stilova učenja (ILS) [8], koji sadrži 44 stavke koje procjenjuju četiri dimenzije LS-a: procesiranje (aktivno/reflektivno), percepciju (perceptualno/intuitivno), ulaz (vizuelni)./verbalno) i razumijevanje (sekvencijalno/globalno) [14].
Kao što je prikazano na slici 1, svaka FSLSM dimenzija ima dominantnu prednost.Na primjer, u dimenziji obrade, učenici sa „aktivnim“ LS radije obrađuju informacije direktnom interakcijom sa materijalima za učenje, uče radeći i imaju tendenciju da uče u grupama.“Reflektivni” LS se odnosi na učenje kroz razmišljanje i radije radi sam.Dimenzija „percepcije“ LS-a može se podijeliti na „osjećaj“ i/ili „intuiciju“.Studenti koji se osjećaju preferiraju konkretnije informacije i praktične postupke, orijentirani su na činjenice u odnosu na „intuitivne“ studente koji preferiraju apstraktni materijal i inovativniji su i kreativniji po prirodi.Dimenzija „ulaza“ LS-a sastoji se od „vizuelnih“ i „verbalnih“ učenika.Ljudi sa „vizuelnim“ LS radije uče putem vizuelnih demonstracija (kao što su dijagrami, video zapisi ili demonstracije uživo), dok osobe sa „verbalnim“ LS više vole da uče putem reči u pisanim ili usmenim objašnjenjima.Da bi se „razumijele“ dimenzije LS-a, takvi učenici se mogu podijeliti na „sekvencijalne“ i „globalne“.„Sekvencionalni učenici preferiraju linearni misaoni proces i uče korak po korak, dok globalni učenici imaju tendenciju da imaju holistički misaoni proces i uvijek bolje razumiju ono što uče.
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje vođeno podacima, uključujući razvoj novih algoritama i modela sposobnih za interpretaciju velikih količina podataka [15, 16].Na osnovu dostavljenih podataka, nadgledano ML (mašinsko učenje) je u stanju da generiše obrasce i hipoteze koje predviđaju buduće rezultate na osnovu konstrukcije algoritama [17].Jednostavno rečeno, nadzirane tehnike mašinskog učenja manipulišu ulaznim podacima i treniraju algoritme.Zatim generiše opseg koji klasifikuje ili predviđa ishod na osnovu sličnih situacija za date ulazne podatke.Glavna prednost nadziranih algoritama mašinskog učenja je njegova sposobnost da se utvrde idealni i željeni rezultati [17].
Korištenjem metoda vođenih podacima i modela upravljanja stablom odluka, moguća je automatska detekcija LS.Izvještava se da se stabla odlučivanja široko koriste u programima obuke u različitim oblastima, uključujući zdravstvene nauke [18, 19].U ovoj studiji, model je posebno obučen od strane programera sistema da identifikuje LS učenika i preporuči najbolji IS za njih.
Svrha ove studije je da se razviju strategije za isporuku IS zasnovane na LS učenika i primeni SCL pristup razvijanjem alata za preporuke IS mapiranog na LS.Tok dizajna alata za preporuku IS-a kao strategije SCL metode prikazan je na slici 1. Alat za IS preporuke podijeljen je na dva dijela, uključujući LS klasifikacijski mehanizam koji koristi ILS i najprikladniji IS prikaz za studente.
Posebno, karakteristike alata za preporuke za sigurnost informacija uključuju upotrebu web tehnologija i korištenje mašinskog učenja stabla odluka.Programeri sistema poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima kao što su mobilni telefoni i tableti.
Eksperiment je izveden u dvije faze, a studenti sa Stomatološkog fakulteta Univerziteta Malaya učestvovali su na dobrovoljnoj bazi.Učesnici su odgovorili na onlajn m-ILS studenta stomatologije na engleskom.U početnoj fazi, skup podataka od 50 učenika korišćen je za obuku algoritma mašinskog učenja stabla odluka.U drugoj fazi procesa razvoja korišćen je skup podataka od 255 studenata za poboljšanje tačnosti razvijenog instrumenta.
Svi učesnici dobijaju onlajn brifing na početku svake faze, u zavisnosti od akademske godine, putem Microsoft timova.Objašnjena je svrha studije i dobiven je informirani pristanak.Svi učesnici su dobili link za pristup m-ILS-u.Svaki učenik je dobio instrukciju da odgovori na sve 44 stavke u upitniku.Dobili su jednu sedmicu da završe izmijenjeni ILS u vrijeme i na mjestu koje im odgovara tokom semestralne pauze prije početka semestra.m-ILS je baziran na originalnom ILS instrumentu i modificiran za studente stomatologije.Slično originalnom ILS-u, sadrži 44 ravnomjerno raspoređene stavke (a, b), sa po 11 stavki koje se koriste za procjenu aspekata svake FSLSM dimenzije.
Tokom početnih faza razvoja alata, istraživači su ručno označili karte koristeći skup podataka od 50 studenata stomatologije.Prema FSLM-u, sistem daje zbir odgovora “a” i “b”.Za svaku dimenziju, ako učenik odabere “a” kao odgovor, LS je klasifikovan kao aktivni/perceptualni/vizualni/sekvencijski, a ako učenik odabere “b” kao odgovor, učenik je klasifikovan kao refleksivni/intuitivni/lingvistički ./ globalni učenik.
Nakon kalibracije tijeka rada između istraživača stomatološkog obrazovanja i programera sistema, pitanja su odabrana na osnovu FLSSM domena i unesena u ML model da se predvidi LS svakog učenika.„Smeće unutra, smeće van” popularna je izreka u oblasti mašinskog učenja, sa naglaskom na kvalitet podataka.Kvalitet ulaznih podataka određuje preciznost i tačnost modela mašinskog učenja.Tokom faze inženjeringa karakteristika, kreira se novi skup karakteristika koji je zbir odgovora “a” i “b” na osnovu FLSSM.Identifikacioni brojevi pozicija leka dati su u tabeli 1.
Izračunajte rezultat na osnovu odgovora i odredite LS učenika.Za svakog učenika, raspon bodova je od 1 do 11. Bodovi od 1 do 3 ukazuju na ravnotežu preferencija učenja unutar iste dimenzije, a rezultati od 5 do 7 označavaju umjerenu sklonost, što ukazuje na to da učenici preferiraju jedno okruženje koje podučava druge .Druga varijacija na istoj dimenziji je da rezultati od 9 do 11 odražavaju snažnu sklonost prema jednom ili drugom kraju [8].
Za svaku dimenziju, lijekovi su grupisani u “aktivne”, “reflektirajuće” i “uravnotežene”.Na primjer, kada učenik odgovori na "a" češće od "b" na određenoj stvari i njegov/njen rezultat premašuje prag od 5 za određenu stavku koja predstavlja dimenziju Processing LS, on/ona pripada "aktivnom" LS domena..Međutim, učenici su klasifikovani kao „reflektivni“ LS kada su izabrali „b“ više od „a“ u konkretnih 11 pitanja (Tabela 1) i postigli više od 5 poena.Konačno, učenik je u stanju „ravnoteže“.Ako rezultat ne prelazi 5 bodova, onda je ovo "procesni" LS.Proces klasifikacije je ponovljen za ostale LS dimenzije, odnosno percepciju (aktivno/reflektivno), unos (vizuelno/verbalno) i razumijevanje (sekvencijalno/globalno).
Modeli stabla odluka mogu koristiti različite podskupove karakteristika i pravila odlučivanja u različitim fazama procesa klasifikacije.Smatra se popularnim alatom za klasifikaciju i predviđanje.Može se predstaviti pomoću strukture stabla kao što je dijagram toka [20], u kojem postoje interni čvorovi koji predstavljaju testove po atributu, svaka grana predstavlja rezultate testa, a svaki listni čvor (lisni čvor) sadrži oznaku klase.
Kreiran je jednostavan program zasnovan na pravilima kako bi se automatski bodovao i označio LS svakog učenika na osnovu njihovih odgovora.Zasnovano na pravilu ima oblik IF naredbe, gdje “IF” opisuje okidač, a “THEN” specificira radnju koja se izvodi, na primjer: “Ako se X dogodi, onda uradi Y” (Liu et al., 2014).Ako skup podataka pokazuje korelaciju i model stabla odluka je pravilno obučen i evaluiran, ovaj pristup može biti efikasan način za automatizaciju procesa uparivanja LS i IS.
U drugoj fazi razvoja, skup podataka je povećan na 255 kako bi se poboljšala tačnost alata za preporuke.Skup podataka je podijeljen u omjeru 1:4.25% (64) skupa podataka korišteno je za test skup, a preostalih 75% (191) korišteno je kao skup za obuku (Slika 2).Skup podataka treba podijeliti kako bi se spriječilo da se model obuči i testira na istom skupu podataka, što bi moglo uzrokovati da model pamti umjesto da uči.Model se obučava na skupu za obuku i procjenjuje svoje performanse na testnom skupu – podaci koje model nikada prije nije vidio.
Kada se IS alat razvije, aplikacija će moći da klasifikuje LS na osnovu odgovora studenata stomatologije putem web interfejsa.Sistem alata za preporuke za sigurnost informacija zasnovan na vebu je izgrađen korišćenjem programskog jezika Python koristeći Django framework kao pozadinu.Tabela 2 navodi biblioteke korištene u razvoju ovog sistema.
Skup podataka se unosi u model stabla odlučivanja kako bi se izračunali i izdvojili odgovori učenika kako bi se automatski klasifikovala mjerenja učenika LS.
Matrica konfuzije se koristi za procjenu tačnosti algoritma mašinskog učenja stabla odluka na datom skupu podataka.Istovremeno, ocjenjuje performanse modela klasifikacije.On sažima predviđanja modela i uspoređuje ih sa stvarnim oznakama podataka.Rezultati evaluacije su zasnovani na četiri različite vrijednosti: True Positive (TP) – model je tačno predvideo pozitivnu kategoriju, False Positive (FP) – model je predvideo pozitivnu kategoriju, ali je prava oznaka bila negativna, True Negative (TN) – model je tačno predvideo negativnu klasu, a lažno negativnu (FN) – model predviđa negativnu klasu, ali je prava oznaka pozitivna.
Ove vrijednosti se zatim koriste za izračunavanje različitih metrika performansi scikit-learn modela klasifikacije u Pythonu, a to su preciznost, preciznost, opoziv i F1 rezultat.Evo primjera:
Podsjećanje (ili osjetljivost) mjeri sposobnost modela da precizno klasifikuje učenikov LS nakon odgovaranja na m-ILS upitnik.
Specifičnost se naziva istinska negativna stopa.Kao što možete vidjeti iz gornje formule, ovo bi trebao biti omjer pravih negativnih (TN) i istinitih negativnih i lažno pozitivnih (FP).Kao dio preporučenog alata za klasifikaciju studentskih droga, trebao bi biti sposoban za tačnu identifikaciju.
Originalni skup podataka od 50 studenata korišćen za obuku ML modela stabla odlučivanja pokazao je relativno nisku tačnost zbog ljudske greške u napomenama (Tabela 3).Nakon kreiranja jednostavnog programa zasnovanog na pravilima za automatsko izračunavanje LS rezultata i napomena učenika, sve veći broj skupova podataka (255) je korišten za obuku i testiranje sistema preporuka.
U višeklasnoj matrici konfuzije, dijagonalni elementi predstavljaju broj tačnih predviđanja za svaki LS tip (slika 4).Koristeći model stabla odlučivanja, tačno je predviđeno ukupno 64 uzorka.Dakle, u ovoj studiji dijagonalni elementi pokazuju očekivane rezultate, što ukazuje da model radi dobro i da precizno predviđa oznaku klase za svaku LS klasifikaciju.Dakle, ukupna tačnost alata za preporuke je 100%.
Vrijednosti tačnosti, preciznosti, opoziva i F1 rezultata prikazane su na slici 5. Za sistem preporuka koji koristi model stabla odluka, njegov F1 rezultat je 1,0 "savršeno", što ukazuje na savršenu preciznost i prisjećanje, odražavajući značajnu osjetljivost i specifičnost vrijednosti.
Slika 6 prikazuje vizualizaciju modela stabla odluka nakon završetka obuke i testiranja.Uporednom usporedbom, model stabla odluka obučen s manje karakteristika pokazao je veću preciznost i lakšu vizualizaciju modela.Ovo pokazuje da je inženjering karakteristika koji vodi do smanjenja karakteristika važan korak u poboljšanju performansi modela.
Primjenom učenja pod nadzorom stabla odlučivanja, mapiranje između LS (ulaz) i IS (ciljni izlaz) se automatski generiše i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% od 255 učenika preferiralo jednu (1) opciju LS.Većina (54,3%) je imala dva ili više preferencija LS.12,2% učenika je navelo da je LS prilično izbalansiran (Tabela 4).Pored osam glavnih LS, postoje 34 kombinacije LS klasifikacija za studente stomatologije Univerziteta Malaya.Među njima, percepcija, vizija i kombinacija percepcije i vizije su glavni LS koje su prijavili učenici (Slika 7).
Kao što se vidi iz tabele 4, većina učenika je imala dominantan senzorni (13,7%) ili vizuelni (8,6%) LS.Prijavljeno je da je 12,2% učenika kombinovalo percepciju sa vidom (perceptualno-vizuelni LS).Ovi nalazi sugeriraju da učenici više vole da uče i pamte kroz ustaljene metode, slijede specifične i detaljne procedure i da su pažljivi po prirodi.Istovremeno, uživaju u učenju gledajući (koristeći dijagrame, itd.) i imaju tendenciju da diskutuju i primjenjuju informacije u grupama ili samostalno.
Ova studija pruža pregled tehnika mašinskog učenja koje se koriste u rudarenju podataka, sa fokusom na trenutno i tačno predviđanje LS učenika i preporuku odgovarajućeg IS.Primjena modela stabla odlučivanja identificirala je faktore koji su najbliži njihovim životnim i obrazovnim iskustvima.To je nadzirani algoritam mašinskog učenja koji koristi strukturu stabla za klasifikaciju podataka dijeljenjem skupa podataka u potkategorije na osnovu određenih kriterija.Radi tako što rekurzivno dijeli ulazne podatke u podskupove na osnovu vrijednosti jedne od ulaznih karakteristika svakog internog čvora sve dok se ne donese odluka na lisnom čvoru.
Unutrašnji čvorovi stabla odlučivanja predstavljaju rješenje zasnovano na ulaznim karakteristikama m-ILS problema, a lisni čvorovi predstavljaju konačno predviđanje LS klasifikacije.Tokom čitave studije, lako je razumjeti hijerarhiju stabala odlučivanja koja objašnjavaju i vizualiziraju proces odlučivanja gledajući odnos između ulaznih karakteristika i izlaznih predviđanja.
U oblastima računarskih nauka i inženjerstva, algoritmi mašinskog učenja se široko koriste za predviđanje učinka učenika na osnovu njihovih rezultata na prijemnim ispitima [21], demografskih informacija i ponašanja u učenju [22].Istraživanje je pokazalo da je algoritam tačno predvidio učinak učenika i pomogao im da identifikuju učenike koji su u riziku od akademskih poteškoća.
Prikazana je primjena ML algoritama u razvoju virtualnih simulatora pacijenata za stomatološku obuku.Simulator je sposoban precizno reproducirati fiziološke odgovore stvarnih pacijenata i može se koristiti za obuku studenata stomatologije u sigurnom i kontroliranom okruženju [23].Nekoliko drugih studija pokazuje da algoritmi mašinskog učenja mogu potencijalno poboljšati kvalitet i efikasnost stomatološke i medicinske edukacije i njege pacijenata.Algoritmi strojnog učenja korišteni su za pomoć u dijagnozi zubnih bolesti na osnovu skupova podataka kao što su simptomi i karakteristike pacijenata [24, 25].Dok su druge studije istraživale korištenje algoritama strojnog učenja za obavljanje zadataka kao što su predviđanje ishoda pacijenata, identifikacija visokorizičnih pacijenata, razvoj personaliziranih planova liječenja [26], parodontološki tretman [27] i liječenje karijesa [25].
Iako su objavljeni izvještaji o primjeni mašinskog učenja u stomatologiji, njegova primjena u stomatološkom obrazovanju ostaje ograničena.Stoga je ova studija imala za cilj korištenje modela stabla odlučivanja za identifikaciju faktora koji su najbliži povezani sa LS i IS među studentima stomatologije.
Rezultati ove studije pokazuju da razvijeni alat za preporuke ima visoku tačnost i savršenu tačnost, što ukazuje da nastavnici mogu imati koristi od ovog alata.Koristeći proces klasifikacije zasnovan na podacima, može pružiti personalizirane preporuke i poboljšati obrazovna iskustva i ishode za nastavnike i učenike.Među njima, informacije dobijene pomoću alata za preporuke mogu riješiti sukobe između preferiranih metoda podučavanja nastavnika i potreba učenika za učenjem.Na primjer, zbog automatiziranog izlaza alata za preporuke, vrijeme potrebno za identifikaciju IP adrese učenika i njegovo uparivanje sa odgovarajućom IP-om bit će značajno smanjeno.Na taj način se mogu organizovati odgovarajuće aktivnosti obuke i materijali za obuku.Ovo pomaže kod učenika kod razvijanja pozitivnog ponašanja učenja i sposobnosti koncentracije.Jedna studija je objavila da pružanje studentima materijala za učenje i aktivnosti učenja koje odgovaraju njihovom željenom LS može pomoći učenicima da se integriraju, procesuiraju i uživaju u učenju na više načina kako bi postigli veći potencijal [12].Istraživanja također pokazuju da osim poboljšanja učešća učenika u nastavi, razumijevanje procesa učenja učenika također igra ključnu ulogu u poboljšanju nastavnih praksi i komunikacije sa učenicima [28, 29].
Međutim, kao i kod svake moderne tehnologije, postoje problemi i ograničenja.To uključuje pitanja vezana za privatnost podataka, pristrasnost i pravičnost, te profesionalne vještine i resurse potrebne za razvoj i implementaciju algoritama mašinskog učenja u stomatološkom obrazovanju;Međutim, rastući interes i istraživanja u ovoj oblasti sugeriraju da tehnologije strojnog učenja mogu imati pozitivan utjecaj na stomatološko obrazovanje i stomatološke usluge.
Rezultati ovog istraživanja pokazuju da polovina studenata stomatologije ima sklonost da „percipira“ droge.Ovaj tip učenika preferira činjenice i konkretne primjere, praktičnu orijentaciju, strpljenje za detalje i „vizuelnu“ LS sklonost, gdje učenici radije koriste slike, grafike, boje i karte za prenošenje ideja i misli.Trenutni rezultati su u skladu s drugim studijama koje koriste ILS za procjenu LS kod studenata stomatologije i medicine, od kojih većina ima karakteristike perceptivnog i vizualnog LS-a [12, 30].Dalmolin et al sugeriraju da im informiranje učenika o njihovom LS-u omogućava da ostvare svoj potencijal učenja.Istraživači tvrde da kada nastavnici u potpunosti razumiju obrazovni proces učenika, mogu se implementirati različite nastavne metode i aktivnosti koje će poboljšati učinak učenika i iskustvo učenja [12, 31, 32].Druge studije su pokazale da prilagođavanje LS učenika također pokazuje poboljšanja u iskustvu učenja i uspješnosti učenika nakon promjene stilova učenja kako bi odgovarali njihovom vlastitom LS [13, 33].
Mišljenja nastavnika mogu varirati u pogledu implementacije nastavnih strategija na osnovu sposobnosti učenika za učenje.Dok neki vide prednosti ovog pristupa, uključujući mogućnosti profesionalnog razvoja, mentorstvo i podršku zajednice, drugi mogu biti zabrinuti zbog vremena i institucionalne podrške.Težnja ka ravnoteži ključna je za stvaranje stava usredsređenog na studenta.Visokoškolske vlasti, kao što su administratori univerziteta, mogu igrati važnu ulogu u pokretanju pozitivnih promjena uvođenjem inovativnih praksi i podržavanjem razvoja fakulteta [34].Da bi stvorili istinski dinamičan i osjetljiv sistem visokog obrazovanja, kreatori politike moraju poduzeti hrabre korake, kao što su promjene politike, izdvajanje resursa za integraciju tehnologije i stvaranje okvira koji promoviraju pristupe usmjerene na studente.Ove mjere su ključne za postizanje željenih rezultata.Nedavna istraživanja o diferenciranoj nastavi jasno su pokazala da uspješna implementacija diferencirane nastave zahtijeva stalnu obuku i mogućnosti za razvoj nastavnika [35].
Ovaj alat pruža vrijednu podršku stomatološkim edukatorima koji žele zauzeti pristup usmjeren na studenta u planiranju aktivnosti učenja prilagođenih studentima.Međutim, ova studija je ograničena na korištenje ML modela stabla odlučivanja.U budućnosti bi trebalo prikupiti više podataka kako bi se uporedile performanse različitih modela mašinskog učenja kako bi se uporedila tačnost, pouzdanost i preciznost alata za preporuke.Pored toga, kada birate najprikladniju metodu mašinskog učenja za određeni zadatak, važno je uzeti u obzir druge faktore kao što su složenost modela i interpretacija.
Ograničenje ove studije je to što se fokusirala samo na mapiranje LS i IS među studentima stomatologije.Stoga će razvijeni sistem preporuka preporučiti samo one koji su primjereni studentima stomatologije.Promjene su neophodne za opće korištenje studenata visokog obrazovanja.
Novorazvijeni alat za preporuke zasnovan na mašinskom učenju može trenutno da klasifikuje i uskladi LS učenika sa odgovarajućim IS, što ga čini prvim programom stomatološkog obrazovanja koji pomaže stomatološkim edukatorima da planiraju relevantne aktivnosti nastave i učenja.Koristeći proces trijaže vođen podacima, može pružiti personalizirane preporuke, uštedjeti vrijeme, poboljšati strategije podučavanja, podržati ciljane intervencije i promovirati stalni profesionalni razvoj.Njegova primjena će promovirati pristupe stomatološkom obrazovanju usmjerene na studente.
Gilak Jani Associated Press.Podudaranje ili neusklađenost između stila učenja učenika i stila podučavanja nastavnika.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Vrijeme objave: Apr-29-2024