Postoji sve veća potreba za učenjem usmjerenim na studenta (SCL) u visokoškolskim ustanovama, uključujući i stomatologiju. Međutim, SCL ima ograničenu primjenu u stomatološkom obrazovanju. Stoga je cilj ove studije promovirati primjenu SCL-a u stomatologiji korištenjem tehnologije strojnog učenja (ML) stabla odlučivanja 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 popunilo je modificirani upitnik Indeksa stilova učenja (m-ILS), koji je sadržavao 44 stavke za njihovu klasifikaciju u odgovarajuće LS-ove. Prikupljeni podaci (nazvani skup podataka) koriste se u nadziranom učenju stabla odlučivanja kako bi se automatski povezali stilovi učenja studenata s najprikladnijim IS-om. Zatim se procjenjuje tačnost alata za preporuke IS-a zasnovanog na mašinskom učenju.
Primjena modela stabla odlučivanja u automatiziranom procesu mapiranja između LS (ulaz) i IS (ciljni izlaz) omogućava trenutno dobijanje liste odgovarajućih strategija učenja za svakog studenta stomatologije. Alat za preporuke IS pokazao je savršenu tačnost i pouzdanost ukupne tačnosti modela, što ukazuje na to da usklađivanje LS sa IS ima dobru osjetljivost i specifičnost.
Alat za preporuke informacionih sistema zasnovan na stablu odluka strojnog učenja dokazao je 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 učenike koji mogu poboljšati iskustvo učenja studenata.
Nastava i učenje su fundamentalne 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 utvrditi putem njihovog LS (literature strucnog obrazovanja). Istraživanja pokazuju da neusklađenosti između LS i IS učenika, koje namjeravaju nastavnici, mogu imati negativne posljedice po učenje učenika, kao što su smanjena pažnja i motivacija. To će indirektno uticati na uspjeh učenika [1,2].
IS je metoda koju nastavnici koriste za prenošenje znanja i vještina učenicima, uključujući i pomoć učenicima u učenju [3]. Općenito govoreći, dobri nastavnici planiraju strategije podučavanja 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 organizirati i koristiti određeni skup vještina za efikasno učenje. Tipično, plan časa uključuje nekoliko prijelaza između faza, kao što je od podučavanja do vođene prakse ili od vođene prakse do samostalne prakse. Imajući to na umu, efikasni nastavnici često planiraju nastavu s ciljem izgradnje znanja i vještina učenika [4].
Potražnja za SCL-om (Sustainable Concept - Izrazito Korištenje Koncepta) raste u visokoškolskim ustanovama, uključujući i stomatologiju. SCL strategije su osmišljene kako bi zadovoljile potrebe studenata za učenjem. To se može postići, na primjer, ako studenti aktivno učestvuju u aktivnostima učenja, a nastavnici djeluju kao posrednici i odgovorni su za pružanje vrijednih povratnih informacija. Kaže se da pružanje materijala za učenje i aktivnosti koje su primjerene obrazovnom nivou ili preferencijama studenata može poboljšati okruženje za učenje studenata i promovirati pozitivna iskustva učenja [5].
Općenito govoreći, proces učenja studenata stomatologije je pod utjecajem različitih kliničkih procedura koje moraju izvoditi i kliničkog okruženja u kojem razvijaju efikasne međuljudske vještine. Svrha obuke je omogućiti studentima da kombiniraju osnovna znanja iz stomatologije sa stomatološkim kliničkim vještinama i da primijene stečeno znanje u novim kliničkim situacijama [6, 7]. Rana istraživanja odnosa između LS i IS pokazala su da bi prilagođavanje strategija učenja mapiranih na preferirani LS pomoglo u poboljšanju obrazovnog procesa [8]. Autori također preporučuju korištenje različitih metoda podučavanja i ocjenjivanja kako bi se prilagodili učenju i potrebama studenata.
Nastavnici imaju koristi od primjene znanja o LS-u kako bi im pomogli u dizajniranju, razvoju i implementaciji nastave koja će poboljšati sticanje dubljeg znanja i razumijevanja gradiva kod studenata. Istraživači su razvili nekoliko alata za procjenu LS-a, kao što su Kolbov model iskustvenog učenja, Felder-Silvermanov model stila učenja (FSLSM) i Flemingov VAK/VARK model [5, 9, 10]. Prema literaturi, ovi modeli učenja su najčešće korišteni i najproučavaniji modeli učenja. U trenutnom istraživačkom radu, FSLSM se koristi za procjenu LS-a među studentima stomatologije.
FSLSM je široko korišten model za procjenu adaptivnog učenja u inženjerstvu. Postoje mnogi objavljeni radovi u zdravstvenim naukama (uključujući medicinu, sestrinstvo, farmaciju i stomatologiju) koji se mogu pronaći korištenjem FSLSM modela [5, 11, 12, 13]. Instrument koji se koristi za mjerenje dimenzija LS u FLSM-u naziva se Indeks stilova učenja (ILS) [8], koji sadrži 44 stavke koje procjenjuju četiri dimenzije LS-a: obradu (aktivno/refleksivno), percepciju (perceptivno/intuitivno), unos (vizualni/verbalni) i razumijevanje (sekvencijalno/globalno) [14].
Kao što je prikazano na Slici 1, svaka dimenzija FSLSM-a ima dominantnu preferenciju. Na primjer, u dimenziji obrade, učenici s "aktivnim" LS-om preferiraju obrađivati informacije direktnom interakcijom s materijalima za učenje, uče radeći i teže učenju u grupama. "Reflektivni" LS odnosi se na učenje kroz razmišljanje i preferira samostalni rad. "Opažajuća" dimenzija LS-a može se podijeliti na "osjećanje" i/ili "intuiciju". "Osjećajući" učenici preferiraju konkretnije informacije i praktične postupke, orijentirani su na činjenice u usporedbi s "intuitivnim" učenicima koji preferiraju apstraktni materijal i inovativniji su i kreativniji po prirodi. "Ulazna" dimenzija LS-a sastoji se od "vizualnih" i "verbalnih" učenika. Ljudi s "vizualnim" LS-om preferiraju učenje putem vizualnih demonstracija (kao što su dijagrami, videozapisi ili demonstracije uživo), dok ljudi s "verbalnim" LS-om preferiraju učenje putem riječi u pisanim ili usmenim objašnjenjima. Da bi "razumjeli" dimenzije LS-a, takvi učenici mogu se podijeliti na "sekvencijalne" i "globalne". „Sekvencijalni učenici preferiraju linearni proces razmišljanja i uče korak po korak, dok globalni učenici imaju tendenciju da imaju holistički proces razmišljanja i uvijek bolje razumiju ono što uče.“
Nedavno su mnogi istraživači počeli istraživati metode za automatsko otkrivanje na osnovu podataka, uključujući razvoj novih algoritama i modela sposobnih za interpretaciju velikih količina podataka [15, 16]. Na osnovu dostavljenih podataka, nadzirano ML (mašinsko učenje) je u stanju da generiše obrasce i hipoteze koji predviđaju buduće rezultate na osnovu konstrukcije algoritama [17]. Jednostavno rečeno, tehnike nadziranog mašinskog učenja manipulišu ulaznim podacima i obučavaju algoritme. Zatim generiše raspon koji klasifikuje ili predviđa ishod na osnovu sličnih situacija za dostavljene ulazne podatke. Glavna prednost algoritama nadziranog mašinskog učenja je njegova sposobnost da uspostavi idealne i željene rezultate [17].
Korištenjem metoda zasnovanih na podacima i modela upravljanja stablom odlučivanja, moguće je automatsko otkrivanje LS-a. Prijavljeno je da se stabla odlučivanja široko koriste u programima obuke u različitim oblastima, uključujući zdravstvene nauke [18, 19]. U ovoj studiji, model su posebno obučili programeri sistema da identifikuju LS studenata i preporuče najbolji IS za njih.
Svrha ove studije je razvoj strategija isporuke informacionog sistema zasnovanih na LS-u učenika i primjena SCL pristupa razvojem alata za preporuke IS-a mapiranog na LS. Tok dizajna alata za preporuke IS-a kao strategije SCL metode prikazan je na Slici 1. Alat za preporuke IS-a podijeljen je u dva dijela, uključujući mehanizam klasifikacije LS-a korištenjem ILS-a i najprikladniji IS prikaz za učenike.
Posebno, karakteristike alata za preporuke u oblasti informacione sigurnosti uključuju upotrebu web tehnologija i upotrebu mašinskog učenja zasnovanog na stablu odlučivanja. Programeri sistema poboljšavaju korisničko iskustvo i mobilnost prilagođavajući ih mobilnim uređajima kao što su mobilni telefoni i tableti.
Eksperiment je proveden u dvije faze, a studenti Stomatološkog fakulteta Univerziteta Malaya učestvovali su na dobrovoljnoj osnovi. Učesnici su odgovarali na online m-ILS upitnik studenata stomatologije na engleskom jeziku. U početnoj fazi, skup podataka od 50 studenata korišten je za obuku algoritma mašinskog učenja stabla odlučivanja. U drugoj fazi procesa razvoja, skup podataka od 255 studenata korišten je za poboljšanje tačnosti razvijenog instrumenta.
Svi učesnici dobijaju online brifing na početku svake faze, u zavisnosti od akademske godine, putem Microsoft Teamsa. Objašnjena je svrha studije i dobijen je informisani pristanak. Svim učesnicima je dat link za pristup m-ILS-u. Svaki student je dobio uputstvo da odgovori na svih 44 stavki iz upitnika. Dobili su jednu sedmicu da popune modifikovani ILS u vrijeme i na mjestu koje im odgovara tokom semestralnog odmora prije početka semestra. m-ILS se zasniva na originalnom ILS instrumentu i modifikovan je 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 dimenzije FSLSM-a.
Tokom početnih faza razvoja alata, istraživači su ručno označavali mape koristeći skup podataka od 50 studenata stomatologije. Prema FSLM-u, sistem pruža zbir odgovora "a" i "b". Za svaku dimenziju, ako student odabere "a" kao odgovor, LS se klasificira kao Aktivni/Perceptivni/Vizualni/Sekvencijalni, a ako student odabere "b" kao odgovor, student se klasificira kao Refleksivni/Intuitivni/Lingvistički/globalni učenik.
Nakon kalibracije radnog procesa između istraživača u stomatološkom obrazovanju i programera sistema, pitanja su odabrana na osnovu FLSSM domene i unesena u ML model kako bi se predvidio LS svakog učenika. "Smeće unutra, smeće van" je popularna izreka u oblasti mašinskog učenja, s naglaskom na kvalitetu 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-a. Identifikacijski brojevi pozicija lijekova dati su u Tabeli 1.
Izračunajte rezultat na osnovu odgovora i odredite učenikov LS (Least Level of Learning - prosjek ocjena). Za svakog učenika, raspon rezultata je od 1 do 11. Rezultati od 1 do 3 ukazuju na ravnotežu preferencija učenja unutar iste dimenzije, a rezultati od 5 do 7 ukazuju na umjerenu preferenciju, što ukazuje na to da učenici imaju tendenciju da preferiraju jedno okruženje dok podučavaju druga. Druga varijacija na istoj dimenziji je da rezultati od 9 do 11 odražavaju snažnu preferenciju za jedan ili drugi kraj [8].
Za svaku dimenziju, droge su grupirane u "aktivne", "refleksivne" i "uravnotežene". Na primjer, kada učenik odgovori "a" češće nego "b" na određenom pitanju i njegov/njen rezultat premaši prag od 5 za određeno pitanje koje predstavlja dimenziju Procesing LS, on/ona pripada domenu "aktivnog" LS-a. Međutim, učenici su klasificirani kao "refleksivni" LS kada su u specifičnih 11 pitanja (Tabela 1) više odabrali "b" nego "a" i osvojili više od 5 bodova. Konačno, učenik je u stanju "ravnoteže". Ako rezultat ne prelazi 5 bodova, onda je ovo "procesni" LS. Proces klasifikacije je ponovljen za ostale dimenzije LS-a, naime percepciju (aktivna/refleksivna), unos (vizualni/verbalni) i razumijevanje (sekvencijalno/globalno).
Modeli stabla odlučivanja mogu koristiti različite podskupove karakteristika i pravila odlučivanja u različitim fazama procesa klasifikacije. Smatra se popularnim alatom za klasifikaciju i predviđanje. Može se predstaviti korištenjem strukture stabla kao što je dijagram toka [20], u kojem postoje interni čvorovi koji predstavljaju testove po atributu, svaka grana predstavlja rezultate testova, a svaki listni čvor (listni čvor) sadrži oznaku klase.
Kreiran je jednostavan program zasnovan na pravilima koji automatski ocjenjuje i označava LS svakog učenika na osnovu njihovih odgovora. Program zasnovan na pravilima ima oblik IF naredbe, gdje „IF“ opisuje okidač, a „THEN“ specificira radnju koja treba da se izvrši, na primjer: „Ako se dogodi X, onda uradi Y“ (Liu et al., 2014). Ako skup podataka pokazuje korelaciju i model stabla odlučivanja je pravilno obučen i evaluiran, ovaj pristup može biti efikasan način za automatizaciju procesa usklađivanja 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 testni skup, a preostalih 75% (191) korišteno je kao skup za obuku (Slika 2). Skup podataka potrebno je podijeliti kako bi se spriječilo da se model obučava 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 - podacima koje model nikada prije nije vidio.
Nakon što se razvije IS alat, aplikacija će moći klasificirati LS na osnovu odgovora studenata stomatologije putem web interfejsa. Web-bazirani sistem alata za preporuke za sigurnost informacija izgrađen je korištenjem programskog jezika Python, a Django framework je korišten kao pozadinski sistem. 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 radi automatske klasifikacije mjerenja LS učenika.
Matrica konfuzije se koristi za procjenu tačnosti algoritma mašinskog učenja stabla odlučivanja na datom skupu podataka. Istovremeno, ona procjenjuje performanse modela klasifikacije. Sumira predviđanja modela i upoređuje ih sa stvarnim oznakama podataka. Rezultati evaluacije zasnivaju se na četiri različite vrijednosti: Istinski pozitivno (TP) – model je ispravno predvidio pozitivnu kategoriju, Lažno pozitivno (FP) – model je ispravno predvidio pozitivnu kategoriju, ali je istinita oznaka bila negativna, Istinski negativno (TN) – model je ispravno predvidio negativnu klasu i lažno negativno (FN) – model predviđa negativnu klasu, ali je istinita oznaka pozitivna.
Ove vrijednosti se zatim koriste za izračunavanje različitih metrika performansi scikit-learn klasifikacijskog modela u Pythonu, naime preciznost, preciznost, prisjećanje i F1 rezultat. Evo primjera:
Prisjećanje (ili osjetljivost) mjeri sposobnost modela da precizno klasificira učenikove LS nakon što odgovori na m-ILS upitnik.
Specifičnost se naziva stopa zaista negativnih rezultata. Kao što možete vidjeti iz gornje formule, ovo bi trebao biti omjer zaista negativnih (TN) rezultata prema zaista negativnim i lažno pozitivnim (FP) rezultatima. Kao dio preporučenog alata za klasifikaciju studentskih lijekova, trebao bi biti sposoban za tačnu identifikaciju.
Originalni skup podataka od 50 studenata korišten za obuku modela strojnog učenja stabla odlučivanja pokazao je relativno nisku tačnost zbog ljudske greške u anotacijama (Tabela 3). Nakon kreiranja jednostavnog programa zasnovanog na pravilima za automatsko izračunavanje LS rezultata i studentskih anotacija, sve veći broj skupova podataka (255) korišten je za obuku i testiranje sistema preporuka.
U matrici višeklasne konfuzije, dijagonalni elementi predstavljaju broj tačnih predviđanja za svaki tip LS-a (Slika 4). Korištenjem modela stabla odlučivanja, ukupno 64 uzorka je ispravno predviđeno. Dakle, u ovoj studiji, dijagonalni elementi pokazuju očekivane rezultate, što ukazuje na to da model dobro funkcioniše i tačno predviđa oznaku klase za svaku LS klasifikaciju. Dakle, ukupna tačnost alata za preporuke je 100%.
Vrijednosti tačnosti, preciznosti, prisjetljivosti i F1 rezultata prikazane su na Slici 5. Za sistem preporuka koji koristi model stabla odlučivanja, njegov F1 rezultat je 1,0 „savršeno“, što ukazuje na savršenu preciznost i prisjetljivost, što odražava značajne vrijednosti osjetljivosti i specifičnosti.
Slika 6 prikazuje vizualizaciju modela stabla odlučivanja nakon završetka obuke i testiranja. U uporednoj analizi, model stabla odlučivanja obučen s manje karakteristika pokazao je veću tačnost i lakšu vizualizaciju modela. Ovo pokazuje da je inženjering karakteristika koji dovodi do smanjenja broja karakteristika važan korak u poboljšanju performansi modela.
Primjenom nadziranog učenja putem stabla odlučivanja, mapiranje između LS (ulaz) i IS (ciljni izlaz) se automatski generira i sadrži detaljne informacije za svaki LS.
Rezultati su pokazali da je 34,9% od 255 studenata preferiralo jednu (1) opciju LS-a. Većina (54,3%) imala je dvije ili više preferencija u vezi s LS-om. 12,2% studenata je navelo da je LS prilično uravnotežen (Tabela 4). Pored osam glavnih LS-ova, postoje 34 kombinacije klasifikacija LS-a za studente stomatologije Univerziteta Malaya. Među njima, percepcija, vid i kombinacija percepcije i vida su glavni LS-ovi koje su studenti prijavili (Slika 7).
Kao što se može vidjeti iz Tabele 4, većina učenika imala je predominantno senzorno (13,7%) ili vizualno (8,6%) LS. Izviješteno je da je 12,2% učenika kombiniralo percepciju s vidom (perceptivno-vizualno LS). Ovi nalazi ukazuju na to da učenici preferiraju učenje i pamćenje putem utvrđenih metoda, slijede specifične i detaljne procedure te su pažljive prirode. Istovremeno, uživaju u učenju gledanjem (korištenjem dijagrama itd.) i skloni su raspravljati i primjenjivati informacije u grupama ili samostalno.
Ova studija pruža pregled tehnika mašinskog učenja koje se koriste u data miningu, s fokusom na trenutno i precizno predviđanje LS učenika i preporuku odgovarajućeg IS. Primjena modela stabla odlučivanja identificirala je faktore koji su najbliže povezani s njihovim životnim i obrazovnim iskustvima. To je nadzirani algoritam mašinskog učenja koji koristi strukturu stabla za klasifikaciju podataka dijeljenjem skupa podataka u podkategorije na osnovu određenih kriterija. Funkcioniše 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 listnom čvoru.
Unutrašnji čvorovi stabla odlučivanja predstavljaju rješenje zasnovano na ulaznim karakteristikama m-ILS problema, a listovi predstavljaju konačno predviđanje LS klasifikacije. Kroz studiju, lako je razumjeti hijerarhiju stabala odlučivanja koja objašnjavaju i vizualiziraju proces odlučivanja posmatrajući odnos između ulaznih karakteristika i predviđanja izlaza.
U oblastima računarstva i inženjerstva, algoritmi mašinskog učenja se široko koriste za predviđanje uspjeha studenata na osnovu rezultata prijemnih ispita [21], demografskih podataka i ponašanja pri učenju [22]. Istraživanja su pokazala da je algoritam precizno predvidio uspjeh studenata i pomogao im da identifikuju studente koji su u riziku od akademskih poteškoća.
Izvještava se o primjeni 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 stomatološkog i medicinskog obrazovanja i njege pacijenata. Algoritmi mašinskog učenja korišteni su za pomoć u dijagnosticiranju stomatoloških bolesti na osnovu skupova podataka kao što su simptomi i karakteristike pacijenata [24, 25]. Dok su druge studije istraživale upotrebu algoritama mašinskog učenja za obavljanje zadataka kao što su predviđanje ishoda pacijenata, identifikacija pacijenata visokog rizika, razvoj personaliziranih planova liječenja [26], parodontalni 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 cilj ove studije bio koristiti model stabla odlučivanja kako bi se identificirali faktori koji su najviše povezani s LS i IS među studentima stomatologije.
Rezultati ove studije pokazuju da razvijeni alat za preporuke ima visoku tačnost i savršenu tačnost, što ukazuje na to da nastavnici mogu imati koristi od ovog alata. Korištenjem procesa klasifikacije zasnovanog na podacima, on može pružiti personalizovane preporuke i poboljšati obrazovna iskustva i ishode za edukatore i učenike. Između ostalog, informacije dobijene putem alata za preporuke mogu riješiti sukobe između nastavnih preferiranih metoda podučavanja i potreba učenika za učenjem. Na primjer, zahvaljujući automatizovanom izlazu alata za preporuke, vrijeme potrebno za identifikaciju IP-a učenika i njegovo usklađivanje sa odgovarajućim IP-om bit će značajno smanjeno. Na ovaj način mogu se organizovati odgovarajuće aktivnosti obuke i materijali za obuku. Ovo pomaže u razvoju pozitivnog ponašanja učenika u učenju i sposobnosti koncentracije. Jedna studija je izvijestila da pružanje učenicima materijala za učenje i aktivnosti učenja koje odgovaraju njihovom preferiranom LS-u može pomoći učenicima da se integrišu, obrade i uživaju u učenju na više načina kako bi postigli veći potencijal [12]. Istraživanje također pokazuje da, pored poboljšanja učeničkog učešća u učionici, 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, pristranost i pravednost, te profesionalne vještine i resurse potrebne za razvoj i implementaciju algoritama mašinskog učenja u stomatološkom obrazovanju; Međutim, rastući interes i istraživanja u ovom području sugeriraju da tehnologije mašinskog učenja mogu imati pozitivan utjecaj na stomatološko obrazovanje i stomatološke usluge.
Rezultati ove studije pokazuju da polovina studenata stomatologije ima tendenciju da "percipira" lijekove. Ova vrsta učenika ima preferenciju za činjenice i konkretne primjere, praktičnu orijentaciju, strpljenje za detalje i preferenciju za "vizuelno" učenje, gdje učenici preferiraju korištenje slika, grafike, boja i mapa za prenošenje ideja i misli. Trenutni rezultati su u skladu s drugim studijama koje koriste integrirano učenje (ILS) za procjenu učenja kod studenata stomatologije i medicine, od kojih većina ima karakteristike perceptivnog i vizualnog učenja [12, 30]. Dalmolin i saradnici sugeriraju da informiranje studenata o njihovom učenju omogućava im da ostvare svoj potencijal učenja. Istraživači tvrde da kada nastavnici u potpunosti razumiju obrazovni proces studenata, mogu se implementirati različite metode podučavanja i aktivnosti koje će poboljšati učinak i iskustvo učenja studenata [12, 31, 32]. Druge studije su pokazale da prilagođavanje učenja studenata također pokazuje poboljšanja u iskustvu učenja i učinku studenata nakon promjene njihovih stilova učenja kako bi odgovarali njihovom vlastitom učenju [13, 33].
Mišljenja nastavnika mogu se razlikovati u pogledu implementacije nastavnih strategija zasnovanih na sposobnostima učenja učenika. Dok neki vide prednosti ovog pristupa, uključujući mogućnosti profesionalnog razvoja, mentorstvo i podršku zajednice, drugi mogu biti zabrinuti zbog vremena i institucionalne podrške. Težnja za ravnotežom je ključna za stvaranje stava usmjerenog na studente. Vlasti visokog obrazovanja, kao što su univerzitetski administratori, mogu igrati važnu ulogu u podsticanju pozitivnih promjena uvođenjem inovativnih praksi i podrškom razvoju nastavnog osoblja [34]. Da bi se stvorio zaista dinamičan i responzivan sistem visokog obrazovanja, kreatori politika moraju poduzeti hrabre korake, kao što su promjene politika, posvećivanje resursa integraciji tehnologije i stvaranje okvira koji promovišu 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 kontinuiranu obuku i mogućnosti razvoja za nastavnike [35].
Ovaj alat pruža vrijednu podršku stomatološkim edukatorima koji žele primijeniti pristup usmjeren na studente u planiranju aktivnosti učenja prilagođenih studentima. Međutim, ova studija je ograničena na korištenje modela strojnog učenja zasnovanih na stablu odlučivanja. U budućnosti bi trebalo prikupiti više podataka kako bi se uporedile performanse različitih modela strojnog učenja te uporedila tačnost, pouzdanost i preciznost alata za preporuke. Osim toga, pri odabiru najprikladnije metode strojnog učenja za određeni zadatak, važno je uzeti u obzir i 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 pogodni za studente stomatologije. Za opću upotrebu od strane studenata visokog obrazovanja potrebne su promjene.
Novorazvijeni alat za preporuke zasnovan na mašinskom učenju sposoban je za trenutno klasifikovanje i usklađivanje studentskih LS sa odgovarajućim IS-om, što ga čini prvim programom stomatološkog obrazovanja koji pomaže stomatološkim edukatorima da planiraju relevantne nastavne i aktivnosti učenja. Koristeći proces trijaže zasnovan na podacima, može pružiti personalizovane preporuke, uštedjeti vrijeme, poboljšati nastavne strategije, podržati ciljane intervencije i promovisati kontinuirani profesionalni razvoj. Njegova primjena će promovisati pristupe stomatološkom obrazovanju usmjerene na studente.
Gilak Jani Associated Press. Podudaranje ili nepodudaranje 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: 29. april 2024.