در مؤسسات آموزش عالی ، از جمله دندانپزشکی ، نیاز به یادگیری دانش آموزان محور (SCL) وجود دارد. با این حال ، SCL کاربرد محدودی در آموزش دندانپزشکی دارد. بنابراین ، این مطالعه با هدف ترویج کاربرد SCL در دندانپزشکی با استفاده از فناوری یادگیری ماشین درخت تصمیم (ML) برای ترسیم سبک یادگیری ترجیحی (LS) و استراتژی های یادگیری مربوطه (IS) دانشجویان دندانپزشکی به عنوان ابزاری مفید برای توسعه دستورالعمل ها است. بشر روشهای امیدوارکننده برای دانشجویان دندانپزشکی.
در مجموع 255 دانشجوی دندانپزشکی از دانشگاه مالایا پرسشنامه اصلاح شده سبک یادگیری (M-ILS) را تکمیل کردند ، که شامل 44 مورد برای طبقه بندی آنها در LS های مربوطه بود. داده های جمع آوری شده (به نام Dataset) در یادگیری درخت تصمیم گیری تحت نظارت استفاده می شود تا به طور خودکار سبک های یادگیری دانش آموزان را با مناسب ترین آنها مطابقت دهد. سپس صحت ابزار یادگیری مبتنی بر ماشین است.
استفاده از مدل های درخت تصمیم گیری در یک فرآیند نقشه برداری خودکار بین LS (ورودی) و (خروجی هدف) اجازه می دهد تا یک لیست فوری از استراتژی های یادگیری مناسب برای هر دانش آموز دندانپزشکی فراهم شود. ابزار توصیه IS دقت و فراخوانی کامل از دقت مدل را نشان می دهد ، نشان می دهد که تطبیق LS با IS دارای حساسیت و ویژگی خوبی است.
یک ابزار توصیه ای مبتنی بر یک درخت تصمیم ML ، توانایی خود را در مطابقت دقیق با سبک های یادگیری دانشجویان دندانپزشکی با استراتژی های یادگیری مناسب ثابت کرده است. این ابزار گزینه های قدرتمندی را برای برنامه ریزی دوره ها یا ماژول های محور یادگیرنده فراهم می کند که می تواند تجربه یادگیری دانش آموزان را تقویت کند.
آموزش و یادگیری فعالیتهای اساسی در مؤسسات آموزشی است. هنگام توسعه یک سیستم آموزش حرفه ای با کیفیت بالا ، مهم است که بر نیازهای یادگیری دانش آموزان متمرکز شوید. تعامل بین دانش آموزان و محیط یادگیری آنها را می توان از طریق LS آنها تعیین کرد. تحقیقات نشان می دهد که عدم تطابق معلمان بین LS دانش آموزان و IS می تواند عواقب منفی برای یادگیری دانش آموزان داشته باشد ، مانند کاهش توجه و انگیزه. این به طور غیرمستقیم بر عملکرد دانش آموزان تأثیر می گذارد [1،2].
IS روشی است که توسط معلمان برای انتقال دانش و مهارت به دانش آموزان استفاده می شود ، از جمله کمک به دانش آموزان در یادگیری [3]. به طور کلی ، معلمان خوب استراتژی های تدریس را برنامه ریزی می کنند یا به بهترین وجه با سطح دانش دانش آموزان خود ، مفاهیمی که یاد می گیرند و مرحله یادگیری آنها مطابقت دارد. از لحاظ تئوریکی ، هنگامی که LS و با هم مطابقت دارد ، دانش آموزان قادر به سازماندهی و استفاده از مجموعه مهارت های خاصی برای یادگیری مؤثر خواهند بود. به طور معمول ، یک برنامه درسی شامل چندین انتقال بین مراحل ، از جمله تدریس به تمرین هدایت شده یا از تمرین هدایت شده به تمرین مستقل است. با توجه به این نکته ، معلمان مؤثر اغلب با هدف ایجاد دانش و مهارت دانش آموزان آموزش می دهند [4].
تقاضا برای SCL در مؤسسات آموزش عالی از جمله دندانپزشکی در حال رشد است. استراتژی های SCL برای تأمین نیازهای یادگیری دانش آموزان طراحی شده اند. به عنوان مثال ، اگر دانش آموزان به طور فعال در فعالیت های یادگیری شرکت کنند و معلمان به عنوان تسهیل کننده عمل می کنند و مسئولیت ارائه بازخورد ارزشمند را بر عهده دارند ، می توان به آن دست یافت. گفته می شود که ارائه مطالب یادگیری و فعالیتهایی که متناسب با سطح آموزشی دانش آموزان باشد یا ترجیحات می تواند محیط یادگیری دانش آموزان را بهبود بخشد و تجربیات یادگیری مثبت را ارتقا بخشد [5].
به طور کلی ، روند یادگیری دانشجویان دندانپزشکی تحت تأثیر روشهای مختلف بالینی مورد نیاز برای انجام و محیط بالینی که در آن مهارتهای بین فردی مؤثر ایجاد می شود ، تحت تأثیر قرار می گیرد. هدف از آموزش این است که دانش آموزان بتوانند دانش اساسی دندانپزشکی را با مهارت های بالینی دندانپزشکی ترکیب کنند و دانش اکتسابی را در موقعیت های جدید بالینی به کار گیرند [6 ، 7]. تحقیقات اولیه در مورد رابطه بین LS و مشخص شده است که تنظیم استراتژی های یادگیری نقشه برداری به LS ترجیحی به بهبود روند آموزشی کمک می کند [8]. نویسندگان همچنین توصیه می کنند از انواع روشهای تدریس و ارزیابی برای سازگاری با یادگیری و نیازهای دانش آموزان استفاده کنید.
معلمان از استفاده از دانش LS برای کمک به آنها در طراحی ، تدوین و اجرای دستورالعمل هایی بهره مند می شوند که باعث افزایش دانش دانش آموزان از دانش و درک عمیق تر از موضوع می شود. محققان چندین ابزار ارزیابی LS ، مانند مدل یادگیری تجربی KOLB ، مدل سبک یادگیری Felder-Silverman (FSLSM) و مدل Fleming Vak/Vark را توسعه داده اند [5 ، 9 ، 10]. طبق ادبیات ، این مدل های یادگیری متداول ترین و مورد مطالعه ترین مدلهای یادگیری هستند. در کار تحقیق فعلی ، از FSLSM برای ارزیابی LS در بین دانشجویان دندانپزشکی استفاده می شود.
FSLSM یک الگوی گسترده برای ارزیابی یادگیری تطبیقی در مهندسی است. بسیاری از آثار منتشر شده در علوم بهداشتی (از جمله پزشکی ، پرستاری ، داروسازی و دندانپزشکی) وجود دارد که می توان با استفاده از مدل های FSLSM یافت [5 ، 11 ، 12 ، 13]. ابزاری که برای اندازه گیری ابعاد LS در FLSM استفاده می شود ، شاخص سبک های یادگیری (ILS) نامیده می شود [8] ، که شامل 44 مورد ارزیابی چهار بعد LS است: پردازش (فعال/بازتابنده) ، ادراک (ادراکی/بصری) ، ورودی (بصری). /کلامی) و درک (پی در پی/جهانی) [14].
همانطور که در شکل 1 نشان داده شده است ، هر بعد FSLSM ترجیح غالب دارد. به عنوان مثال ، در بعد پردازش ، دانش آموزان دارای LS "فعال" ترجیح می دهند اطلاعات را با تعامل مستقیم با مواد یادگیری ، یادگیری با انجام کار ، پردازش کنند و تمایل به یادگیری در گروه ها داشته باشند. LS "بازتابنده" به یادگیری از طریق تفکر اشاره دارد و ترجیح می دهد به تنهایی کار کند. بعد "درک" LS را می توان به "احساس" و/یا "شهود" تقسیم کرد. دانش آموزان "احساس" اطلاعات خاص و روشهای عملی را ترجیح می دهند ، در مقایسه با دانش آموزان "بصری" که مطالب انتزاعی را ترجیح می دهند و از نظر ماهیت خلاق تر و خلاق تر هستند ، محور هستند. بعد "ورودی" LS از زبان آموزان "بصری" و "کلامی" تشکیل شده است. افرادی که دارای "بصری" هستند ترجیح می دهند از طریق تظاهرات بصری (مانند نمودارها ، فیلم ها یا تظاهرات زنده) یاد بگیرند ، در حالی که افرادی که دارای LS "کلامی" هستند ترجیح می دهند از طریق کلمات در توضیحات نوشتاری یا شفاهی بیاموزند. برای "درک" ابعاد LS ، چنین زبان آموزان را می توان به "متوالی" و "جهانی" تقسیم کرد. "زبان آموزان پی در پی یک فرایند فکر خطی را ترجیح می دهند و گام به گام یاد می گیرند ، در حالی که فراگیران جهانی تمایل دارند یک فرایند تفکر جامع داشته باشند و همیشه درک بهتری از آنچه می آموزند داشته باشند.
به تازگی ، بسیاری از محققان شروع به کشف روشهای کشف خودکار داده محور ، از جمله توسعه الگوریتم ها و مدل های جدید که قادر به تفسیر مقادیر زیادی از داده ها هستند [15 ، 16]. بر اساس داده های ارائه شده ، ML تحت نظارت (یادگیری ماشین) قادر به تولید الگوهای و فرضیه هایی است که نتایج آینده را بر اساس ساخت الگوریتم ها پیش بینی می کند [17]. به عبارت ساده تر ، تکنیک های نظارت بر ماشین ، داده های ورودی و الگوریتم های قطار را دستکاری می کنند. سپس دامنه ای ایجاد می کند که نتیجه را بر اساس موقعیت های مشابه برای داده های ورودی ارائه شده طبقه بندی یا پیش بینی می کند. مزیت اصلی الگوریتم های یادگیری ماشین نظارت ، توانایی آن در ایجاد نتایج ایده آل و مطلوب است [17].
با استفاده از روشهای داده محور و مدل های کنترل درخت تصمیم گیری ، تشخیص خودکار LS امکان پذیر است. گزارش شده است که درختان تصمیم گیری به طور گسترده در برنامه های آموزشی در زمینه های مختلف از جمله علوم بهداشتی مورد استفاده قرار می گیرند [18 ، 19]. در این مطالعه ، این مدل به طور خاص توسط توسعه دهندگان سیستم برای شناسایی LS دانش آموزان آموزش داده شده و بهترین آنها را برای آنها توصیه می کند.
هدف از این مطالعه ، توسعه استراتژی های تحویل مبتنی بر LS دانش آموزان و استفاده از رویکرد SCL با تهیه ابزار توصیه ای است که به LS نقشه برداری شده است. جریان طراحی ابزار توصیه IS به عنوان یک استراتژی روش SCL در شکل 1 نشان داده شده است. ابزار توصیه IS به دو بخش تقسیم می شود ، از جمله مکانیسم طبقه بندی LS با استفاده از ILS و مناسب ترین نمایش برای دانش آموزان است.
به طور خاص ، ویژگی های ابزارهای توصیه امنیت اطلاعات شامل استفاده از فناوری های وب و استفاده از یادگیری ماشین درخت تصمیم گیری است. توسعه دهندگان سیستم با تطبیق آنها با دستگاه های تلفن همراه مانند تلفن های همراه و تبلت ، تجربه و تحرک کاربر را بهبود می بخشند.
این آزمایش در دو مرحله انجام شد و دانشجویان دانشکده دندانپزشکی در دانشگاه مالایا به طور داوطلبانه شرکت کردند. شرکت کنندگان به M-IL های آنلاین یک دانش آموز دندانپزشکی به زبان انگلیسی پاسخ دادند. در مرحله اولیه ، از مجموعه ای از 50 دانش آموز برای آموزش الگوریتم یادگیری ماشین درخت تصمیم استفاده شد. در مرحله دوم فرآیند توسعه ، از مجموعه داده های 255 دانش آموز برای بهبود صحت ابزار توسعه یافته استفاده شد.
همه شرکت کنندگان بسته به سال تحصیلی ، از طریق تیم های مایکروسافت ، در ابتدای هر مرحله یک جلسه توجیهی آنلاین دریافت می کنند. هدف از مطالعه توضیح داده شد و رضایت آگاهانه به دست آمد. به همه شرکت کنندگان پیوندی برای دسترسی به M-ILS ارائه شد. به هر دانش آموز دستور داده شد تا به 44 مورد در مورد پرسشنامه پاسخ دهد. به آنها یک هفته داده شد تا IL های اصلاح شده را در یک زمان و مکان مناسب برای آنها در طول استراحت ترم قبل از شروع ترم انجام دهند. M-ILS بر اساس ابزار اصلی ILS ساخته شده و برای دانشجویان دندانپزشکی اصلاح شده است. مشابه IL های اصلی ، حاوی 44 مورد به طور مساوی توزیع شده (A ، B) است که هر کدام از آنها برای ارزیابی جنبه های هر بعد FSLSM استفاده می شود.
در مراحل اولیه توسعه ابزار ، محققان با استفاده از مجموعه داده 50 دانش آموز دندانپزشکی ، نقشه ها را به صورت دستی حاشیه نویسی کردند. طبق FSLM ، سیستم مجموع پاسخ های "A" و "B" را ارائه می دهد. برای هر بعد ، اگر دانش آموز "A" را به عنوان پاسخ انتخاب کند ، LS به عنوان فعال/ادراکی/بصری/پی در پی طبقه بندی می شود ، و اگر دانش آموز "B" را به عنوان پاسخ انتخاب کند ، دانش آموز به عنوان بازتاب/شهودی/زبانی طبقه بندی می شود بشر / یادگیرنده جهانی.
پس از کالیبراسیون گردش کار بین محققان آموزش دندانپزشکی و توسعه دهندگان سیستم ، سؤالاتی بر اساس دامنه FLSSM انتخاب شد و برای پیش بینی LS هر دانش آموز در مدل ML تغذیه شد. "زباله در ، زباله بیرون" یک جمله محبوب در زمینه یادگیری ماشین است ، با تأکید بر کیفیت داده ها. کیفیت داده های ورودی دقت و صحت مدل یادگیری ماشین را تعیین می کند. در مرحله مهندسی ویژگی ، یک مجموعه ویژگی جدید ایجاد می شود که جمع پاسخ های "A" و "B" بر اساس FLSSM است. تعداد شناسایی موقعیت های دارویی در جدول 1 آورده شده است.
نمره را بر اساس پاسخ ها محاسبه کرده و LS دانش آموز را تعیین کنید. برای هر دانش آموز ، محدوده نمره از 1 تا 11 است. نمرات از 1 تا 3 نشانگر تعادل ترجیحات یادگیری در همان بعد است و نمرات از 5 تا 7 نشانگر ترجیح متوسط است ، نشان می دهد که دانش آموزان تمایل دارند یک محیط را به دیگران آموزش دهند بشر تغییر دیگر در همان بعد این است که نمرات 9 تا 11 نشان دهنده اولویت قوی برای یک انتها یا دیگری است [8].
برای هر بعد ، داروها به "فعال" ، "بازتابنده" و "متعادل" گروه بندی شدند. به عنوان مثال ، هنگامی که یک دانش آموز بیشتر از "B" در مورد "B" پاسخ می دهد و نمره او از آستانه 5 برای یک مورد خاص که نشان دهنده ابعاد پردازش LS است ، فراتر می رود ، او متعلق به "فعال" LS است دامنه بشر با این حال ، دانش آموزان هنگام انتخاب "B" بیشتر از "A" در 11 سؤال خاص (جدول 1) به عنوان "بازتاب" طبقه بندی شدند و بیش از 5 امتیاز کسب کردند. سرانجام ، دانش آموز در وضعیت "تعادل" قرار دارد. اگر نمره از 5 امتیاز تجاوز نکند ، این یک "فرآیند" LS است. فرآیند طبقه بندی برای سایر ابعاد LS ، یعنی ادراک (فعال/بازتابنده) ، ورودی (بصری/کلامی) و درک (پی در پی/جهانی) تکرار شد.
مدل های درخت تصمیم می توانند از زیر مجموعه های مختلف ویژگی ها و قوانین تصمیم گیری در مراحل مختلف فرآیند طبقه بندی استفاده کنند. این یک ابزار طبقه بندی و پیش بینی محبوب در نظر گرفته می شود. می توان آن را با استفاده از یک ساختار درخت مانند نمودار جریان [20] نشان داد ، که در آن گره های داخلی وجود دارد که آزمایش ها را با ویژگی نشان می دهد ، هر شاخه ای که نتایج آزمایش را نشان می دهد ، و هر گره برگ (گره برگ) حاوی یک برچسب کلاس است.
یک برنامه ساده مبتنی بر قانون برای کسب خودکار و حاشیه نویسی LS هر دانش آموز بر اساس پاسخ های آنها ایجاد شده است. قانون مبتنی بر قانون بیانیه IF را می گیرد ، جایی که "اگر" ماشه را توصیف می کند و "سپس" عملکردی را که باید انجام شود مشخص می کند ، به عنوان مثال: "اگر x اتفاق می افتد ، پس y را انجام دهید" (لیو و همکاران ، 2014). اگر مجموعه داده همبستگی داشته باشد و مدل درخت تصمیم به درستی آموزش داده و ارزیابی شود ، این روش می تواند راهی مؤثر برای اتوماسیون فرآیند تطبیق LS باشد و IS.
در مرحله دوم توسعه ، برای بهبود صحت ابزار توصیه ، مجموعه داده به 255 افزایش یافته است. مجموعه داده ها به نسبت 1: 4 تقسیم می شود. 25 ٪ (64) از مجموعه داده ها برای مجموعه آزمون استفاده شد و از 75 ٪ باقیمانده (191) به عنوان مجموعه آموزش استفاده شد (شکل 2). برای جلوگیری از آموزش و آزمایش مدل در همان مجموعه داده ها ، باید مجموعه داده ها تقسیم شود ، که می تواند باعث شود مدل به جای یادگیری به یاد بیاورد. این مدل در مجموعه آموزش آموزش دیده و عملکرد آن را در مجموعه آزمون ارزیابی می کند - DATA مدل قبلاً ندیده است.
پس از توسعه ابزار IS ، برنامه قادر به طبقه بندی LS بر اساس پاسخ دانشجویان دندانپزشکی از طریق رابط وب خواهد بود. سیستم ابزار توصیه امنیت اطلاعات مبتنی بر وب با استفاده از زبان برنامه نویسی پایتون با استفاده از چارچوب Django به عنوان پس زمینه ساخته شده است. در جدول 2 کتابخانه های مورد استفاده در توسعه این سیستم ذکر شده است.
این مجموعه داده برای محاسبه و استخراج پاسخ های دانشجویی برای طبقه بندی خودکار اندازه گیری LS دانش آموزان به یک مدل درخت تصمیم گیری تغذیه می شود.
ماتریس سردرگمی برای ارزیابی صحت الگوریتم یادگیری ماشین درخت تصمیم در یک مجموعه داده معین استفاده می شود. در عین حال ، عملکرد مدل طبقه بندی را ارزیابی می کند. این پیش بینی های مدل را خلاصه می کند و آنها را با برچسب های داده واقعی مقایسه می کند. نتایج ارزیابی مبتنی بر چهار مقدار مختلف است: مثبت مثبت (TP) - مدل به درستی دسته مثبت ، مثبت کاذب (FP) را پیش بینی کرد - مدل دسته مثبت را پیش بینی کرد ، اما برچسب واقعی منفی ، منفی واقعی (TN) بود - مدل به درستی کلاس منفی را پیش بینی کرده و منفی کاذب (FN) - مدل یک کلاس منفی را پیش بینی می کند ، اما برچسب واقعی مثبت است.
این مقادیر سپس برای محاسبه معیارهای مختلف عملکرد مدل طبقه بندی Scikit-Learn در پایتون ، یعنی دقت ، دقت ، فراخوان و نمره F1 استفاده می شوند. در اینجا مثالهایی آورده شده است:
به یاد بیاورید (یا حساسیت) توانایی مدل را در طبقه بندی دقیق LS دانش آموز پس از پاسخ به پرسشنامه M-ILS اندازه گیری می کند.
ویژگی را به عنوان یک نرخ منفی واقعی گفته می شود. همانطور که از فرمول فوق می بینید ، این باید نسبت منفی واقعی (TN) به منفی های واقعی و مثبت کاذب (FP) باشد. به عنوان بخشی از ابزار توصیه شده برای طبقه بندی داروهای دانشجویی ، باید قادر به شناسایی دقیق باشد.
مجموعه داده اصلی 50 دانش آموز که برای آموزش مدل ML Tree Tree استفاده می کردند ، به دلیل خطای انسانی در حاشیه نویسی ، دقت نسبتاً کمی نشان داد (جدول 3). پس از ایجاد یک برنامه ساده مبتنی بر قانون برای محاسبه خودکار نمرات LS و حاشیه نویسی دانشجویی ، از تعداد فزاینده ای از مجموعه داده ها (255) برای آموزش و آزمایش سیستم پیشنهادی استفاده شد.
در ماتریس سردرگمی multiclass ، عناصر مورب تعداد پیش بینی های صحیح برای هر نوع LS را نشان می دهند (شکل 4). با استفاده از مدل درخت تصمیم ، در مجموع 64 نمونه به درستی پیش بینی شد. بنابراین ، در این مطالعه ، عناصر مورب نتایج مورد انتظار را نشان می دهند ، نشان می دهد که مدل عملکرد خوبی دارد و به طور دقیق برچسب کلاس را برای هر طبقه بندی LS پیش بینی می کند. بنابراین ، دقت کلی ابزار توصیه 100 ٪ است.
مقادیر دقت ، دقت ، فراخوان و نمره F1 در شکل 5 نشان داده شده است. برای سیستم توصیه با استفاده از مدل درخت تصمیم ، نمره F1 آن 1.0 "عالی" است ، که نشان دهنده دقت و فراخوان کامل است ، و نشان دهنده حساسیت و ویژگی قابل توجهی است مقادیر
شکل 6 تجسم مدل درخت تصمیم را پس از اتمام آموزش و آزمایش نشان می دهد. در یک مقایسه جانبی ، مدل درخت تصمیم گیری که با ویژگی های کمتری آموزش داده می شود ، دقت بالاتری را نشان می دهد و تجسم مدل آسان تر. این نشان می دهد که مهندسی ویژگی که منجر به کاهش ویژگی ها می شود ، گام مهمی در بهبود عملکرد مدل است.
با استفاده از یادگیری نظارت بر درخت تصمیم ، نقشه برداری بین LS (ورودی) و (خروجی هدف) به طور خودکار تولید می شود و برای هر LS اطلاعات مفصلی دارد.
نتایج نشان داد که 34.9 ٪ از 255 دانش آموز گزینه (1) LS را ترجیح می دهند. اکثریت (54.3 ٪) دارای دو یا چند ترجیح LS بودند. 12.2 ٪ از دانش آموزان خاطرنشان كردند كه LS كاملاً متعادل است (جدول 4). علاوه بر هشت LS اصلی ، 34 ترکیب از طبقه بندی LS برای دانشجویان دندانپزشکی دانشگاه مالایا وجود دارد. در میان آنها ، ادراک ، بینایی و ترکیبی از ادراک و بینایی اصلی ترین LS است که توسط دانشجویان گزارش شده است (شکل 7).
همانطور که از جدول 4 مشاهده می شود ، اکثر دانش آموزان دارای حسی غالب (13.7 ٪) یا بصری (8.6 ٪) بودند. گزارش شده است که 12.2 ٪ از دانش آموزان ادراک را با دید (ادراکی-تصویری LS) ترکیب می کنند. این یافته ها نشان می دهد که دانش آموزان ترجیح می دهند از طریق روشهای تعیین شده یاد بگیرند و به یاد بیاورند ، از رویه های خاص و مفصل پیروی کنند و از نظر ماهیت توجه داشته باشند. در عین حال ، آنها با جستجوی (استفاده از نمودارها و غیره) از یادگیری لذت می برند و تمایل دارند که به صورت گروهی یا به تنهایی اطلاعات را مورد بحث و استفاده قرار دهند.
این مطالعه مروری بر تکنیک های یادگیری ماشین مورد استفاده در داده کاوی ، با تمرکز بر پیش بینی فوری و دقیق LS دانش آموزان و توصیه مناسب است. استفاده از یک مدل درخت تصمیم ، عواملی را که بیشتر با زندگی و تجربیات آموزشی آنها مرتبط است ، مشخص کرد. این یک الگوریتم یادگیری ماشین نظارت شده است که با تقسیم مجموعه ای از داده ها به زیر شاخه ها بر اساس معیارهای خاص ، از یک ساختار درخت برای طبقه بندی داده ها استفاده می کند. این کار با تقسیم مجدد داده های ورودی به زیر مجموعه ها بر اساس مقدار یکی از ویژگی های ورودی هر گره داخلی تا زمانی که تصمیمی در گره برگ اتخاذ شود ، کار می کند.
گره های داخلی درخت تصمیم گیری ، راه حل را بر اساس ویژگی های ورودی مشکل M-ILS نشان می دهد و گره های برگ نشان دهنده پیش بینی طبقه بندی LS نهایی است. در طول مطالعه ، درک سلسله مراتب درختان تصمیم گیری که با نگاهی به رابطه بین ویژگی های ورودی و پیش بینی های خروجی ، فرآیند تصمیم گیری را توضیح و تجسم می کنند ، آسان است.
در زمینه های علوم کامپیوتر و مهندسی ، الگوریتم های یادگیری ماشین به طور گسترده ای برای پیش بینی عملکرد دانش آموزان بر اساس نمرات آزمون ورودی خود استفاده می شود [21] ، اطلاعات جمعیت شناختی و رفتار یادگیری [22]. تحقیقات نشان داد که این الگوریتم عملکرد دانشجویی را به طور دقیق پیش بینی کرده و به آنها در شناسایی دانشجویان در معرض خطر مشکلات دانشگاهی کمک کرده است.
استفاده از الگوریتم های ML در توسعه شبیه سازهای بیمار مجازی برای آموزش دندانپزشکی گزارش شده است. این شبیه ساز قادر به بازتولید دقیق پاسخ های فیزیولوژیکی بیماران واقعی است و می تواند برای آموزش دانش آموزان دندانپزشکی در یک محیط امن و کنترل شده استفاده شود [23]. چندین مطالعه دیگر نشان می دهد که الگوریتم های یادگیری ماشین به طور بالقوه می توانند کیفیت و کارآیی آموزش دندانپزشکی و پزشکی و مراقبت از بیمار را بهبود بخشند. از الگوریتم های یادگیری ماشین برای کمک به تشخیص بیماری های دندانپزشکی بر اساس مجموعه داده ها مانند علائم و خصوصیات بیمار استفاده شده است [24 ، 25]. در حالی که مطالعات دیگر استفاده از الگوریتم های یادگیری ماشین را برای انجام کارهایی مانند پیش بینی نتایج بیمار ، شناسایی بیماران پرخطر ، تهیه برنامه های درمانی شخصی [26] ، درمان پریودنتال [27] و درمان با پوسیدگی مورد بررسی قرار داده اند.
اگرچه گزارش هایی در مورد استفاده از یادگیری ماشین در دندانپزشکی منتشر شده است ، اما کاربرد آن در آموزش دندانپزشکی محدود است. بنابراین ، این مطالعه با هدف استفاده از یک مدل درخت تصمیم گیری برای شناسایی عواملی که از نزدیک با LS ارتباط دارند و در بین دانشجویان دندانپزشکی است.
نتایج این مطالعه نشان می دهد که ابزار توصیه توسعه یافته از دقت و دقت بالایی برخوردار است و نشان می دهد که معلمان می توانند از این ابزار بهره مند شوند. با استفاده از یک فرآیند طبقه بندی داده محور ، می تواند توصیه های شخصی را ارائه دهد و تجربیات و نتایج آموزشی را برای مربیان و دانش آموزان بهبود بخشد. در میان آنها ، اطلاعات به دست آمده از طریق ابزارهای توصیه می تواند تعارض بین روشهای تدریس ترجیحی معلمان و نیازهای یادگیری دانش آموزان را برطرف کند. به عنوان مثال ، با توجه به خروجی خودکار ابزارهای توصیه ، زمان لازم برای شناسایی IP دانش آموز و مطابقت آن با IP مربوطه به میزان قابل توجهی کاهش می یابد. در این روش ، فعالیتهای آموزشی مناسب و مواد آموزشی می توانند سازماندهی شوند. این به توسعه رفتار و توانایی یادگیری مثبت دانش آموزان کمک می کند. یک مطالعه گزارش داد که ارائه مطالب یادگیری و فعالیتهای یادگیری که با LS مورد نظر خود مطابقت دارند ، می تواند به دانش آموزان کمک کند تا از روش های مختلفی برای دستیابی به پتانسیل بیشتر ، از یادگیری و لذت بردن از یادگیری لذت ببرند [12]. تحقیقات همچنین نشان می دهد که علاوه بر بهبود مشارکت دانش آموزان در کلاس ، درک فرایند یادگیری دانش آموزان نیز نقش مهمی در بهبود شیوه های تدریس و ارتباط با دانشجویان ایفا می کند [28 ، 29].
با این حال ، مانند هر فناوری مدرن ، مشکلات و محدودیت هایی وجود دارد. این موارد شامل موضوعات مربوط به حریم خصوصی داده ها ، تعصب و انصاف و مهارت ها و منابع حرفه ای مورد نیاز برای توسعه و اجرای الگوریتم های یادگیری ماشین در آموزش دندانپزشکی است. با این حال ، افزایش علاقه و تحقیقات در این زمینه نشان می دهد که فن آوری های یادگیری ماشین ممکن است تأثیر مثبتی در آموزش دندانپزشکی و خدمات دندانپزشکی داشته باشد.
نتایج این مطالعه حاکی از آن است که نیمی از دانشجویان دندانپزشکی تمایل به "درک" داروها دارند. این نوع یادگیرنده اولویت برای حقایق و نمونه های مشخص ، جهت گیری عملی ، صبر برای جزئیات و ترجیح "بصری" LS دارد ، جایی که زبان آموزان ترجیح می دهند از تصاویر ، گرافیک ها ، رنگ ها و نقشه ها برای انتقال ایده ها و افکار استفاده کنند. نتایج فعلی مطابق با سایر مطالعات با استفاده از ILS برای ارزیابی LS در دانشجویان دندانپزشکی و پزشکی است که بیشتر آنها ویژگی های ادراکی و بصری دارند [12 ، 30]. دالمولین و همكاران پیشنهاد می كنند كه اطلاع رسانی به دانش آموزان در مورد LS خود به آنها اجازه می دهد تا به پتانسیل یادگیری خود برسند. محققان استدلال می کنند که وقتی معلمان فرایند آموزشی دانش آموزان را کاملاً درک می کنند ، می توان روش ها و فعالیت های مختلفی را اجرا کرد که باعث بهبود عملکرد و تجربه یادگیری دانش آموزان می شود [12 ، 31 ، 32]. مطالعات دیگر نشان داده اند که تنظیم LS دانش آموزان همچنین پیشرفت در تجربه و عملکرد دانش آموزان را پس از تغییر سبک های یادگیری خود متناسب با LS خود نشان می دهد [13 ، 33].
نظرات معلمان ممکن است در مورد اجرای استراتژی های تدریس بر اساس توانایی های یادگیری دانش آموزان متفاوت باشد. در حالی که برخی از مزایای این رویکرد ، از جمله فرصت های توسعه حرفه ای ، مربیگری و حمایت از جامعه را می بینند ، برخی دیگر ممکن است نگران زمان و پشتیبانی نهادی باشند. تلاش برای تعادل برای ایجاد نگرش دانش آموز محور مهم است. مقامات آموزش عالی ، مانند مدیران دانشگاه ، می توانند با معرفی شیوه های نوآورانه و حمایت از توسعه دانشکده ، نقش مهمی در ایجاد تغییر مثبت داشته باشند [34]. برای ایجاد یک سیستم آموزش عالی واقعاً پویا و پاسخگو ، سیاست گذاران باید اقدامات جسورانه ای از قبیل ایجاد تغییر سیاست ، اختصاص منابع به ادغام فناوری و ایجاد چارچوب هایی را انجام دهند که رویکردهای محور دانش آموز را ارتقا می بخشد. این اقدامات برای دستیابی به نتایج مطلوب بسیار مهم است. تحقیقات اخیر در مورد دستورالعمل های متمایز به وضوح نشان داده است که اجرای موفقیت آمیز آموزش متمایز نیاز به آموزش و توسعه مداوم برای معلمان دارد [35].
این ابزار پشتیبانی ارزشمندی را برای مربیان دندانپزشکی که می خواهند برای برنامه ریزی فعالیتهای یادگیری دوستانه دانش آموزان از یک رویکرد دانش آموز محور استفاده کنند ، فراهم می کند. با این حال ، این مطالعه محدود به استفاده از مدل های ML Tree Tree است. در آینده ، برای مقایسه عملکرد مدل های مختلف یادگیری ماشین ، باید داده های بیشتری جمع آوری شود تا دقت ، قابلیت اطمینان و دقت ابزارهای توصیه را مقایسه کند. علاوه بر این ، هنگام انتخاب مناسب ترین روش یادگیری ماشین برای یک کار خاص ، مهم است که عوامل دیگری مانند پیچیدگی و تفسیر مدل را در نظر بگیرید.
محدودیت این مطالعه این است که فقط بر روی نقشه برداری LS متمرکز شده و در بین دانشجویان دندانپزشکی قرار دارد. بنابراین ، سیستم توصیه توسعه یافته فقط مواردی را که برای دانشجویان دندانپزشکی مناسب است ، توصیه می کند. تغییرات برای استفاده دانش آموزان آموزش عالی عمومی ضروری است.
ابزار توصیه شده مبتنی بر یادگیری ماشین که به تازگی توسعه یافته است ، قادر است فوراً طبقه بندی و تطبیق LS دانش آموزان را با IS مربوطه ، و آن را به عنوان اولین برنامه آموزش دندانپزشکی برای کمک به مربیان دندانپزشکی برای برنامه ریزی فعالیت های مربوط به آموزش و یادگیری تبدیل کند. با استفاده از یک فرآیند تریاژ داده محور ، می تواند توصیه های شخصی ، صرفه جویی در وقت ، بهبود استراتژی های تدریس ، پشتیبانی از مداخلات هدفمند و ارتقاء پیشرفت حرفه ای را ارائه دهد. کاربرد آن رویکردهای دانش آموز محور در آموزش دندانپزشکی را ارتقا می بخشد.
گیلاک جانی آسوشیتدپرس. بین سبک یادگیری دانش آموز و سبک تدریس معلم مطابقت یا عدم تطابق داشته باشید. Int J Mod Science Computer. 2012 ؛ 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
زمان پست: آوریل -29-2024