Postoji rastuća potreba za učenjem usmerenim na studente (SCL) u visokoškolskim ustanovama, uključujući stomatologiju. Međutim, SCL ima ograničenu primjenu u zubnom obrazovanju. Stoga je ova studija ima za cilj promovirati primjenu SCL-a u Stomatologiji pomoću tehnologije (ML) o stabla za mapiranje (ML) za mapiranje preferiranog stila učenja (LS) i odgovarajućih strategija učenja (IS) stomatoloških studenata kao korisno sredstvo za razvoj su smjernice . Obećavajuće metode za stomatološke studente.
Ukupno 255 stomatoloških studenata sa Univerziteta u Malaji dovršili su izmijenjeni indeks upitnika stilova učenja (M-ILS), koji je sadržavao 44 predmeta za klasifikaciju u njihove LSS. Prikupljeni podaci (nazivani skupovi podataka) koriste se u nadzoru učenje stabla odluke za automatsko usklađivanje sa stilovima učenja učenika na najprikladnije je. Tačnost se temelje na preporuku zasnovano na uređaju zasnovana na preporuku se zatim procjenjuje.
Primjena modela stabla odluka u automatiziranom procesu mapiranja između LS (ulaz) i je (ciljni izlaz) omogućava neposrednu listu odgovarajućih strategija učenja za svakog zubnog učenika. Alat za preporuku pokazuje savršenu tačnost i opoziv ukupne preciznosti modela, što ukazuje da je podudaranje LS-a da ima dobru osjetljivost i specifičnost.
Alat za preporuku zasnovan na stablu odlučivanja ML dokazao je svoju sposobnost preciznih učenjem učenjem zubnih studenata s odgovarajućim strategijama učenja. Ovaj alat pruža snažne opcije za planiranje tečajeva ili modula usredsređenih na učenike koji mogu poboljšati iskustvo učenja učenika.
Nastava i učenje su temeljne aktivnosti u obrazovnim ustanovama. Prilikom razvoja visokokvalitetnog sustava stručnog obrazovanja važno je usredotočiti se na potrebe učenika učenika. Interakcija između studenata i njihovog okruženja za učenje može se odrediti kroz njihov LS. Istraživanje sugerira da neusklađenosti nastavnika između učenika između LS-a učenika i mogu imati negativne posljedice za učenje učenika, poput smanjene pažnje i motivacije. Ovo će indirektno uticati na učenike [1,2].
Je metoda koju nastavnici koriste za davanje znanja i vještina studentima, uključujući pomoć studentima da uče [3]. Generalno gledano, dobri nastavnici planiraju nastavne strategije ili je ono što najbolje odgovaraju nivou znanja njihovim učenicima, koncepti koje uče i njihova faza učenja. Teoretski, kada je LS i je podudaranje, studenti će moći organizirati i koristiti određeni skup vještina za učinkovito učenje. Tipično, plan lekcije uključuje nekoliko prelaza između faza, poput nastave za vođenje prakse ili od vođene prakse na neovisnu praksu. Imajući to u vidu, efikasni nastavnici često planiraju instrukcije sa ciljem izgradnje znanja i vještina učenika [4].
Potražnja za SCL raste u visokoškolskim ustanovama, uključujući stomatologiju. SCL strategije osmišljene su za ispunjavanje potreba za učenjem učenika. To se može postići, na primjer, ako studenti aktivno sudjeluju u aktivnostima učenja i učiteljima djeluju kao facilitatori i odgovorni su za pružanje vrijednih povratnih informacija. Kaže se da pružanje materijala za učenje i aktivnosti koje su prikladne studentskom obrazovnom nivou ili preferencijama mogu poboljšati okruženje učenja učenika i promovirati pozitivna iskustva učenja [5].
Općenito govoreći proces učenja zubnih studenata utječe različiti klinički postupci koji su potrebni za obavljanje i kliničko okruženje u kojem razvijaju efikasne međuljudske vještine. Svrha obuke je omogućiti studentima da kombiniraju osnovno znanje stomatologije sa stomatoromnim kliničkim vještinama i primijeni stečena znanja na nove kliničke situacije [6, 7]. Rano istraživanje odnosa između LS-a i utvrđeno je da bi prilagođavanje strategija učenja preslikane na preferirani LS pomoći poboljšanju obrazovnog procesa [8]. Autori također preporučuju korištenje različitih metoda podučavanja i procjene da se prilagode učenju i potrebama učenika.
Nastavnici imaju koristi od primjene LS znanja kako bi im pomogao u dizajniranju, razvoju i provođenje nastave koji će poboljšati stjecanje studenata dubljeg znanja i razumijevanja predmeta. Istraživači su razvili nekoliko LS alata za ocjenu, kao što su Kolb model učenja, model Felder-Silverman učenje (FSLSM) i Fleming Vak / Vak Model [5, 9, 10]. Prema literaturi, ovi modeli učenja su najčešće korišteni i najčešće studirani modeli učenja. U trenutnom istraživačkom radu FSLSM se koristi za procjenu LS među stomatološkim studentima.
FSLSM je široko korišten model za procjenu adaptivnog učenja u inženjerstvu. Mnogo je objavljenih radova u zdravstvenim naukama (uključujući medicinu, sestrinu, ljekarnu i stomatologu) koja se može pronaći pomoću FSLSM modela [5, 11, 12, 13]. Instrument koji se koristi za mjerenje dimenzija LS-a u FLSM-u naziva se indeksom stilova učenja (ILS) [8], koji sadrži 44 stavke koje procjenjuju četiri dimenzije LS: obrada (aktivna / reflektivna), percepcija (percepcijska / intuitivna), ulaz (vizualno). / Verbalno) i razumijevanje (sekvencijalno / globalno) [14].
Kao što je prikazano na slici 1, svaka FSLSM dimenzija ima dominantnu sklonost. Na primjer, u dimenziji prerade studenti sa "aktivnim" preferiraju informacije direktno u interakciji sa učenjem materijala, učenje radeći i teže učenja u grupama. "Reflective" LS odnosi se na učenje razmišljanjem i preferira da rade sami. Dimenzija "opažanja" ls može se podijeliti u "osjećaj" i / ili "intuiciju". "Osjećaj" preferiraju konkretnije informativne i praktične procedure, orijentirani na činjenice u odnosu na "intuitivne" studente koji preferiraju apstraktni materijal i u prirodi su više inovativniji i kreativniji u prirodi. Dimenzija "ulaza" LS sastoji se od "vizualnog" i "verbalnog" učenika. Ljudi sa "vizuelnim" preferiraju vizualne demonstracije (poput dijagrama, videozapisa ili demonstracija uživo), dok ljudi s "verbalnim" preferiraju da u saznaju riječi u pisanim ili usmenim objašnjenjima. Da bi "razumio" dimenzije LS-a, takvi učenici mogu se podijeliti u "sekvencijalni" i "globalni". "Sekvencijalni učenici preferiraju linearni misaoni proces i uče korak po korak, dok globalni učenici imaju tendenciju da imaju holistički misaoni proces i uvijek imaju bolje razumijevanje onoga što uče.
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje pokretanog podacima, uključujući razvoj novih algoritama i modela koji mogu tumačiti velike količine podataka [15, 16]. Na osnovu pruženih podataka, nadgledani ml (mašinsko učenje) može generirati obrasce i hipoteze koje predviđaju buduće rezultate na temelju izgradnje algoritama [17]. Jednostavno stavite, nadzorene tehnike učenja mašine manipuliraju ulaznim podacima i algoritmima vlaka. Zatim generira raspon koji klasificira ili predviđa ishod na osnovu sličnih situacija za pružene ulazne podatke. Glavna prednost nadzorenih algoritama za mašinsko učenje je njegova sposobnost uspostavljanja idealnih i željenih rezultata [17].
Kroz upotrebu metoda pogoršane podacima i modelima upravljanja odlukama, moguće je automatsko otkrivanje LS-a. Zabilježeno je da se odluka o odlučima široko koriste u programima obuke u različitim oblastima, uključujući zdravstvene nauke [18, 19]. U ovoj studiji model su konkretno obučavali programeri sistema za identifikaciju LS-a učenika i preporučuju im najbolje.
Svrha ove studije je razviti su strategije isporuke na temelju studenata i primjenjuju SCL pristup razvojem alata za preporuku preslikanu na LS. Protok dizajna IS preporuka kao strategija SCL metode prikazan je na slici 1. Da li je alat za preporuku podijeljen u dva dijela, uključujući mehanizam klasifikacije LS koristeći ILS i najprikladniji je za studente.
Konkretno, karakteristike alata za preporuke za informacije o sigurnosti uključuju upotrebu web tehnologija i korištenje uređaja za učenje stabla odluke. Programeri sistema poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima kao što su mobilni telefoni i tableti.
Eksperiment je izveden u dvije faze i studentima iz Stomatološkog fakulteta na Univerzitetu u Malaji učestvovali su na dobrovoljnoj osnovi. Učesnici su odgovorili na internetsku M-ILS zubne studente na engleskom jeziku. U početnoj fazi korišten je skup podataka od 50 učenika koji se trenira algoritam učenja stabla odluke. U drugoj fazi razvojnog procesa korišten je skup podataka od 255 studenata za poboljšanje tačnosti razvijenog instrumenta.
Svi učesnici dobivaju online brifing na početku svake faze, ovisno o akademskoj godini, putem Microsoftovih timova. Svrha studije je objasnjena i dobivena je informirana saglasnost. Svi učesnici su osigurani vezom za pristup M-ILS-u. Svaki student je upućen da odgovori na svih 44 predmeta na upitniku. Dali su ih jedne sedmice kako bi ispunili modificirani ILS po vremenu i lokaciji prikladno za njih tokom semestralne pauze prije početka semestra. M-ILS se temelji na originalnom ILS instrumentu i modificira se za stomatološke studente. Slično originalnim ILS-u sadrži 44 ravnomjerno raspoređene stavke (A, B), sa 11 predmeta koje se koriste za procjenu aspekata svake FSLSM dimenzije.
Tijekom početnih faza razvoja alata, istraživači su ručno napomenuli karte koristeći skup podataka od 50 stomatoloških studenata. Prema FSLM-u, sistem pruža zbroj odgovora "A" i "B". Za svaku dimenziju, ako student odabere odgovor "A", LS je klasificiran kao aktivno / perceptivno / vizualno / sekvencijalno, a ako student odabere "B" kao odgovor, student je klasificiran kao reflektirajući / intuitivni / jezički . / Global učenik.
Nakon kalibracije tihog radnog vremena između istraživača zubnog obrazovanja i programera sistema, pitanja su odabrana na osnovu FLSMSM domene i nahranila u ML model kako bi se predvidio da je LS za predviđanje LS-a svakog učenika. "Smeće u, smeće" je popularna izreka u oblasti mašinskog učenja, sa naglaskom na kvalitetu podataka. Kvaliteta ulaznih podataka određuje preciznost i tačnost modela mašinskog učenja. Tijekom faze značajke inženjerstva kreira se novi set funkcija koji je zbroj odgovora "A" i "B" na osnovu FLSSM-a. Identifikacijski brojevi položaja droga dat je u tablici 1.
Izračunajte rezultat na osnovu odgovora i odredite učenike LS. Za svakog učenika, raspon rezultata je od 1 do 11. Rezultati od 1 do 3 ukazuju na ravnotežu preferencija učenja u istoj dimenziji, a rezultati iz 5 do 7 ukazuju na umjerenu sklonost, što ukazuje na to da studenti preferiraju jedno okoliš u nastavku drugih . Druga varijacija na istoj dimenziji je da se rezultati od 9 do 11 odražava snažnu sklonost za jedan kraj ili drugu [8].
Za svaku dimenziju, lijekovi su grupirani u "aktivne", "reflektirajuće" i "uravnotežene". Na primjer, kada student odgovori "" češće od "B" na određenoj stavci, a njegov / njen rezultat prelazi prag od 5 za određenu stavku koja predstavlja preradu dimenzije LS, on / ona pripada "aktivnom" LS-u Domena. . Međutim, studenti su klasificirani kao "reflektirajući" LS kada su odabrali "B" više od "a" u određenim 11 pitanja (Tabela 1) i postigla više od 5 bodova. Konačno, student je u stanju "ravnoteže". Ako rezultat ne prelazi 5 bodova, onda je ovo "proces" ls. Proces klasifikacije ponovljen je za ostale dimenzije LS-a, naime percepcija (aktivna / reflektirala), ulaz (vizualni / verbalni) i razumijevanje (sekvencijalno / globalno).
Modeli stabla odluke mogu koristiti različite podskupove karakteristika i pravila odluka u različitim fazama procesa klasifikacije. Smatra se popularno klasifikacijskim i predviđanjem. Može se zastupno koristiti strukturu drveća, poput dijagramatosti [20], u kojem postoje interni čvorovi koji predstavljaju testove atributom, svaka grana koja predstavlja testne rezultate, a svaki čvor lista) koji sadrži oznaku klase.
Jednostavan program zasnovan na pravilu stvoren je za automatsko postizanje i napomena svakog učenika na osnovu njihovih odgovora. Na osnovu pravila ima oblik ako izjava, gdje "ako" opisuje okidač i "tada" određuje radnju koja će se izvesti, na primjer: "Ako se X dogodi, onda radim", onda radim ", onda radim", onda radi "" (Liu et al "(Liu et al). Ako se podatkovni podaci pokaže korelaciju i model stabla odluke pravilno je obučen i procjenjuje, ovaj pristup može biti učinkovit način za automatizaciju procesa podudaranja LS i jeste.
U drugoj fazi razvoja, skup podataka povećan je na 255 za poboljšanje tačnosti alata za preporuku. Skup podataka je podijeljen u omjeru 1: 4. 25% (64) skupa podataka korišten je za testni set, a preostalih 75% (191) korišten je kao skup treninga (slika 2). Skup podataka treba podijeliti kako bi se spriječio da se model obučava i testira na istim skupom podataka, što bi moglo uzrokovati da se model zapamti, a ne da se nauči. Model je obučen za skup treninga i ocjenjuje njegove performanse na testnim skupovima podataka koji se model nikada ranije nije vidio.
Nakon razvijenog alata, aplikacija će moći klasificirati LS na osnovu odgovora stomatoloških studenata putem web sučelja. Sistem alata za preporuke za web bak temeljen na internetu izgrađen je pomoću programiranja Python-a pomoću okvira Django kao pozadinsko. Tabela 2 navodi biblioteke korištene u razvoju ovog sistema.
DataSet se navodi na model stabla odluke za izračunavanje i izvlačenje odgovora studenata na automatski klasificirati student LS mjerenja.
Zbunjena matrica koristi se za procjenu tačnosti algoritma učenja stabla odluke o određenom skupu podataka. Istovremeno, procjenjuje performanse modela klasifikacije. Sažima predviđanja modela i upoređuje ih sa stvarnim naljepnicama podataka. Rezultati evaluacije temelje se na četiri različite vrijednosti: istinito pozitivno (TP) - model je pravilno predvidio pozitivnu kategoriju, lažno pozitivno (FP) - model je predvidio pozitivnu kategoriju, ali istinska etiketa bila je negativna, istinski negativan (TN) - Model je pravilno predvidio negativnu klasu, a lažna negativna (fn) - model predviđa negativnu klasu, ali pravu etiketu je pozitivna.
Ove vrijednosti se zatim koriste za izračunavanje različitih mjernih podataka performansi iz klasifikacijskog modela Scikit-Learn u Pythonu, naime preciznosti, preciznosti, opoziva i F1 rezultata. Evo primjera:
Podsjećanje (ili osjetljivosti) mjeri sposobnost modela da precizno klasificira student LS nakon odgovaranja na M-ILS upitniku.
Specifičnost se naziva istinskom negativnom stopom. Kao što vidite iz gore navedene formule, to bi trebalo biti omjer istinskih negativa (TN) do istinitih negativa i lažnih pozitiva (FP). Kao dio preporučenog alata za razvrstavanje lijekova za studente, trebao bi biti sposoban za tačnu identifikaciju.
Izvorni skup podataka od 50 studenata koji se koristi za obuku ML modela Odluka ML-a pokazao je relativno nisku tačnost zbog ljudske greške u napomenama (Tabela 3). Nakon kreiranja jednostavnog programa zasnovanog na pravilu za automatsko izračunavanje rezultata LS-a i studentskih napomena, sve veći broj skupova podataka (255) korišten je za obuku i testiranje sustava preporuke.
U matrici za zbrku multikrisa dijagonalni elementi predstavljaju broj ispravnih predviđanja za svaki LS tip (slika 4). Korištenje modela stabla odluke, pravilno je predviđeno 64 uzoraka. Dakle, u ovoj studiji dijagonalni elementi pokazuju očekivane rezultate, što ukazuju na to da model dobro obavlja i precizno predviđa oznaku klase za svaku klasifikaciju LS. Dakle, ukupna tačnost alata za preporuku je 100%.
Vrijednosti tačnosti, preciznosti, opoziva i F1 prikazane su na slici 5. Za sustav preporuke pomoću modela stabla odluke, njegov F1 rezultat je 1,0 "savršen", koji pokazuje savršenu preciznost i opoziv, koji odražavaju značajnu osjetljivost i specifičnost Vrijednosti.
Slika 6 prikazuje vizualizaciju modela stabla odluke nakon završetka obuke i testiranja. U usporedbi na jednoj strani, model stabla odluke obučen sa manje značajki pokazao je veću tačnost i lakše vizualizaciju modela. To pokazuje da je značajan inženjering koji vodi do smanjenja karakteristika važan je korak u poboljšanju performansi modela.
Primjenom stabla odluke nadgledano učenje, preslikavanje LS (ulaz) i je (ciljni izlaz) automatski se generira i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% 255 učenika preferiralo jednu (1) LS opciju. Većina (54,3%) imala je dvije ili više preferencija LS-a. 12,2% učenika napomenulo je da je LS prilično uravnotežen (Tabela 4). Pored osam glavnih LS, postoje 34 kombinacije klasifikacija LS za univerzitet u Malaji Stomatološkim studentima. Među njima, percepcija, vizija i kombinacija percepcije i vizije glavni su LS koji su prijavili studenti (slika 7).
Kao što se može vidjeti iz tablice 4, većina studenata imala je prevladavajuće senzorne (13,7%) ili vizualnog (8,6%) ls. Zabilježeno je da je 12,2% učenika kombiniralo percepciju s vidom (percepcijski vizualni LS). Ovi nalazi sugeriraju da studenti radije učenje i sjećaju se uspostavljenim metodama, slijede posebne i detaljne procedure i pažljivi su u prirodi. Istovremeno uživaju u učenju gledajući (koristeći dijagrame itd.) I teže raspravljati i primijeniti informacije u skupinama ili sami.
Ova studija pruža pregled strojnih tehnika učenja koji se koriste u rudarstvu podataka, s fokusom na trenutak i tačno predviđaju LS učenika i preporučuju prikladno. Primjena modela stabla odluke identificirao je faktore koji su najokrutniji za njihov život i obrazovna iskustva. To je nadziran algoritam mašinskog učenja koji koristi strukturu drveća za klasificiranje podataka dijeljenjem skupa podataka u potkategorije na temelju određenih kriterija. Djeluje rekurzivno dijeljenje ulaznih podataka u podskupove na temelju vrijednosti jedne od ulaznih karakteristika svakog unutarnjeg čvora dok se ne donese odluka na čvoru lista.
Unutarnji čvorovi stabla odluke predstavljaju rješenje zasnovano na ulaznim karakteristikama problema M-ILS-a, a čvorovi lišća predstavljaju konačnu predviđanje Classifikacije LS-a. Kroz cijelu studiju lako je shvatiti hijerarhiju stabla odluka koja objašnjava i vizualiziraju proces odluka gledajući odnos između ulaznih karakteristika i izlaznih predviđanja.
U oblastima računarske nauke i inženjerstva, algoritmi mašinskog učenja široko se koriste za predviđanje performansi studenata na osnovu njihovih rezultata ispitivanja [21], demografskih informacija i ponašanja učenja [22]. Istraživanja su pokazala da algoritam je precizno predvidio učinak učenika i pomogao im da identificiraju studente u riziku od akademskih poteškoća.
Prijava ML algoritama u razvoju virtualnih simulatora pacijenta za stomatološku obuku je prijavljena. Simulator je u stanju precizno reproducirati fiziološke odgovore stvarnih pacijenata i može se koristiti za obuku stomatoloških studenata u sigurnom i kontroliranom okruženju [23]. Nekoliko drugih studija pokazuje da algoritmi mašinskog učenja mogu potencijalno poboljšati kvalitetu i efikasnost stomatološkog i medicinskog obrazovanja i brige o pacijentima. Algoritmi za mašinski učenje korišteni su za pomoć u dijagnozi zubnih bolesti na osnovu skupova podataka kao što su simptomi i karakteristike pacijenta [24, 25]. Iako su druge studije istražile upotrebu strojnih algoritama za učenje za obavljanje zadataka poput predviđanja ishoda pacijenata, identificiranje visokih pacijenata, razvijajući personalizirani tretman [26], i tretman za perionice [25].
Iako su objavljeni izvještaji o primjeni strojnog učenja u stomatologiji, njegova primjena u stomatološko obrazovanju ostaje ograničena. Stoga je ova studija imala za cilj da koristi model stabla odluke za identifikaciju faktora koji su većice povezani sa LS i među dentalnim studentima.
Rezultati ove studije pokazuju da razvijeni alat za preporuku ima veliku preciznost i savršenu tačnost, što ukazuje da nastavnici mogu imati koristi od ovog alata. Koristeći postupak klasifikacije pogonskog podataka, on može pružiti personalizirane preporuke i poboljšati obrazovna iskustva i rezultate za nastavnike i studente. Među njima, informacije dobivene putem alata za preporuke mogu riješiti sukobe između preferiranih nastavnih metoda nastavnika i potreba učenika. Na primjer, zbog automatiziranog izlaza alata za preporuke, vrijeme potrebno za identifikaciju IP-a učenika i uskladiti s odgovarajućim IP-om značajno će se smanjiti. Na taj se način mogu organizirati odgovarajuće aktivnosti obuke i materijale za obuku. Ovo pomaže razviti pozitivno učenje učenika i sposobnost koncentracije. Jedna studija izvijestila je da pružanje studenata u učenju i aktivnosti učenja koje odgovaraju njihovim preferiranim LS mogu pomoći učenicima integrirati, procesuirati i uživati u učenju na više načina za postizanje većeg potencijala [12]. Istraživanja također pokazuje da je pored poboljšanja sudjelovanja učenika u učionici, razumijevanje procesa učenja učenika također igra kritičnu ulogu u poboljšanju nastavnih praksi i komunikacije sa studentima [28, 29].
Međutim, kao i sa bilo kojom modernom tehnologijom, postoje problemi i ograničenja. Oni uključuju pitanja koja se odnose na privatnost podataka, pristranost i pravednost, te profesionalne vještine i resurse potrebne za razvoj i provođenje algoritama mašina u zubnom obrazovanju; Međutim, rastući interes i istraživanje u ovom području sugeriraju da tehnologije za mašinsko učenje mogu imati pozitivan utjecaj na stomatološko obrazovanje i stomatološke usluge.
Rezultati ove studije pokazuju da polovina stomatoloških studenata ima tendenciju da "percipiraju" drogu. Ova vrsta učenika ima sklonost činjenicama i konkretnim primjerima, praktičnoj orijentaciji, strpljenju za detalje i "vizualne" LS sklonosti, gdje učenici radije koriste slike, grafike, boje i mape za prenošenje ideja i misli. Trenutni rezultati su u skladu s drugim studijama pomoću ILS-a za procjenu LS-a u stomatološkim i medicinskim studentima, od kojih većina ima karakteristike percepcijske i vizualne LS [12, 30]. Dalmolin i ostali sugeriraju da im informiranje studenata o njihovom LS-u omogućava da postignu svoj potencijal za učenje. Istraživači tvrde da kada nastavnici u potpunosti razumiju obrazovni proces učenika, mogu se provoditi razne metode i aktivnosti nastave koje će poboljšati učinak i iskustvo učenja [12, 31, 32]. Ostale su studije pokazale da prilagođavanje LS-a učenika takođe pokazuje poboljšanja u iskustvu učenja učenika i performanse nakon što promeni svoje stilove učenja kako bi odgovarali svojim LS [13, 33].
Mišljenja nastavnika mogu se razlikovati u pogledu provedbe nastavnih strategija zasnovanih na sposobnostima učenja na osnovu učenika. Dok neki vide prednosti ovog pristupa, uključujući mogućnosti profesionalnog razvoja, mentorstvo i podršku u zajednici, mogu se zabrinuti zbog vremena i institucionalne podrške. Teživanje za ravnotežu je ključno za stvaranje stava usredotočenog na studente. Tijelo visokog obrazovanja, poput univerzitetskih administratora, mogu igrati važnu ulogu u pokretanju pozitivnih promjena uvođenjem inovativnih praksi i prateći razvoj fakulteta [34]. Da bi se stvorio istinski dinamičan i responzivan sistem visokog obrazovanja, kreatori politika moraju preuzeti podebljane korake, poput pravećih promjena politike, posvećene resurse za tehnološku integraciju i stvaranje okvira koji promoviraju pristupe usmjerene na studente. Te su mjere kritične za postizanje željenih rezultata. Nedavna istraživanja o diferenciranom uputstvu jasno su pokazala da uspješna primjena diferencirane upute zahtijeva stalne mogućnosti obuke i razvoja za nastavnike [35].
Ovaj alat pruža vrijednu podršku zubnim edukatorima koji žele uzeti pristup usmjeren na student koji planiraju aktivnosti učenja prilagođene studentima. Međutim, ova studija je ograničena na korištenje ML modela Odluka. U budućnosti treba prikupiti više podataka za usporedbu izvedbe različitih modela stroja za učenje za usporedbu tačnosti, pouzdanosti i preciznosti alata za preporuke. Uz to, pri odabiru najprikladnijeg metode mašine za određeni zadatak, važno je razmotriti druge faktore kao što su složenost modela i interpretacije.
Ograničenje ove studije je da se fokusiralo samo na mapiranje LS i je među stomatološkim studentima. Stoga razvijeni sustav preporuke preporučit će samo one koji su pogodni za stomatološke studente. Promjene su neophodne za opće korištenje studenata visokog obrazovanja.
Novo razvijeni alat za preporuku zasnovanu na stroju u stanju je odmah klasificirati i podudarati studente LS u odgovarajuću jest, čineći je prvim zubnim obrazovnim programom za pomoć u stomatološkim edukatorima koji planiraju relevantne aktivnosti podučavanja i učenja. Korištenje trogodišnjeg postupka koji se pokreće, može pružiti personalizirane preporuke, uštedjeti vrijeme, poboljšati nastavne strategije, podržavati ciljane intervencije i promovirati tekući profesionalni razvoj. Njegova aplikacija promovirat će pristupe usmjerenim na studente u stomatološko obrazovanje.
Gilak Jani Associated Press. Podudaranje ili neusklađenost između stila učenika i stila nastavnika i nastavnika. INT J MO MOD ECUS računarsku nauku. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Pošta: Apr-29-2024