نیاز روزافزونی به یادگیری دانشجو محور (SCL) در موسسات آموزش عالی از جمله دندانپزشکی 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 استراتژی‌های یادگیری مربوطه (IS) دانشجویان دندانپزشکی به عنوان ابزاری مفید برای توسعه دستورالعمل‌های IS است. .روش های امیدوار کننده برای دانشجویان دندانپزشکی.
در مجموع 255 دانشجوی دندانپزشکی از دانشگاه مالایا پرسشنامه اصلاح شده شاخص سبک های یادگیری (m-ILS) را تکمیل کردند که شامل 44 آیتم بود تا آنها را در LS های مربوطه خود طبقه بندی کند.داده های جمع آوری شده (به نام مجموعه داده) در یادگیری درخت تصمیم نظارت شده استفاده می شود تا به طور خودکار سبک های یادگیری دانش آموزان را با مناسب ترین IS مطابقت دهد.سپس دقت ابزار توصیه IS مبتنی بر یادگیری ماشین ارزیابی می‌شود.
استفاده از مدل‌های درخت تصمیم در یک فرآیند نقشه‌برداری خودکار بین LS (ورودی) و IS (خروجی هدف) امکان فهرست فوری استراتژی‌های یادگیری مناسب را برای هر دانشجوی دندانپزشکی فراهم می‌کند.ابزار توصیه IS دقت کامل و یادآوری دقت کلی مدل را نشان داد، که نشان می‌دهد تطبیق LS با IS دارای حساسیت و ویژگی خوبی است.
یک ابزار توصیه IS مبتنی بر درخت تصمیم ML توانایی خود را در مطابقت دقیق سبک های یادگیری دانشجویان دندانپزشکی با استراتژی های یادگیری مناسب ثابت کرده است.این ابزار گزینه‌های قدرتمندی را برای برنامه‌ریزی دوره‌ها یا ماژول‌های یادگیرنده‌محور ارائه می‌دهد که می‌تواند تجربه یادگیری دانش‌آموزان را افزایش دهد.
آموزش و یادگیری فعالیت های اساسی در مؤسسات آموزشی است.هنگام توسعه یک سیستم آموزش حرفه ای با کیفیت بالا، تمرکز بر نیازهای یادگیری دانش آموزان مهم است.تعامل بین دانش آموزان و محیط یادگیری آنها را می توان از طریق LS آنها تعیین کرد.تحقیقات نشان می دهد که عدم تطابق معلم بین LS و IS دانش آموزان می تواند پیامدهای منفی مانند کاهش توجه و انگیزه برای یادگیری دانش آموزان داشته باشد.این امر به طور غیرمستقیم بر عملکرد دانش آموزان تأثیر می گذارد [1،2].
IS روشی است که توسط معلمان برای انتقال دانش و مهارت به دانش‌آموزان از جمله کمک به یادگیری دانش‌آموزان استفاده می‌شود [3].به طور کلی، معلمان خوب، استراتژی‌های آموزشی یا IS را برنامه‌ریزی می‌کنند که به بهترین وجه با سطح دانش دانش‌آموزان، مفاهیمی که یاد می‌گیرند و مرحله یادگیری آنها مطابقت دارد.از نظر تئوری، زمانی که LS و IS مطابقت دارند، دانش‌آموزان قادر خواهند بود مجموعه خاصی از مهارت‌ها را برای یادگیری مؤثر سازماندهی و استفاده کنند.به طور معمول، یک طرح درس شامل چندین انتقال بین مراحل است، مانند از آموزش به تمرین هدایت شده یا از تمرین هدایت شده به تمرین مستقل.با در نظر گرفتن این موضوع، معلمان مؤثر اغلب آموزش را با هدف ایجاد دانش و مهارت های دانش آموزان برنامه ریزی می کنند [4].
تقاضا برای SCL در موسسات آموزش عالی از جمله دندانپزشکی در حال رشد است.استراتژی های SCL برای برآوردن نیازهای یادگیری دانش آموزان طراحی شده اند.برای مثال، اگر دانش‌آموزان فعالانه در فعالیت‌های آموزشی شرکت کنند و معلمان به‌عنوان تسهیل‌کننده عمل کنند و مسئول ارائه بازخورد ارزشمند باشند، می‌توان به این امر دست یافت.گفته می‌شود که ارائه مواد و فعالیت‌های آموزشی متناسب با سطح تحصیلی یا ترجیحات دانش‌آموزان می‌تواند محیط یادگیری دانش‌آموزان را بهبود بخشد و تجربیات یادگیری مثبت را ارتقا دهد [5].
به طور کلی، فرآیند یادگیری دانشجویان دندانپزشکی تحت تأثیر روش‌های بالینی مختلفی است که باید انجام دهند و محیط بالینی که در آن مهارت‌های بین فردی مؤثر ایجاد می‌کنند.هدف از آموزش این است که دانشجویان را قادر سازد تا دانش پایه دندانپزشکی را با مهارت های بالینی دندانپزشکی ترکیب کنند و دانش کسب شده را در موقعیت های بالینی جدید به کار ببرند [6، 7].تحقیقات اولیه در مورد رابطه بین LS و IS نشان داد که تنظیم راهبردهای یادگیری که با LS ترجیحی ترسیم شده اند به بهبود فرآیند آموزشی کمک می کند [8].نویسندگان همچنین استفاده از انواع روش های تدریس و ارزشیابی را برای انطباق با یادگیری و نیازهای دانش آموزان توصیه می کنند.
معلمان از به کارگیری دانش LS برای کمک به طراحی، توسعه و اجرای دستورالعملی بهره می برند که دانش آموزان را از دانش عمیق تر و درک موضوع درسی افزایش می دهد.محققان چندین ابزار ارزیابی LS مانند مدل یادگیری تجربی Kolb، مدل سبک یادگیری فلدر-سیلورمن (FSLSM) و مدل Fleming VAK/VARK [5، 9، 10] توسعه داده اند.با توجه به ادبیات، این مدل های یادگیری رایج ترین و مورد مطالعه ترین مدل های یادگیری هستند.در پژوهش حاضر، از FSLSM برای ارزیابی LS در بین دانشجویان دندانپزشکی استفاده می شود.
FSLSM یک مدل پرکاربرد 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 اندازه‌گیری ابعاد LS در FLSM استفاده می‌شود، شاخص سبک‌های یادگیری (ILS) [8] نامیده می‌شود که شامل 44 مورد است که چهار بعد LS را ارزیابی می‌کند: پردازش (فعال/بازتابنده)، ادراک (ادراکی/شهودی)، ورودی (بصری)./کلامی) و فهمیدن (توالی/جهانی) [14].
همانطور که در شکل 1 نشان داده شده است، هر بعد FSLSM دارای اولویت غالب است.برای مثال، در بعد پردازش، دانش‌آموزان با LS «فعال» ترجیح می‌دهند اطلاعات را با تعامل مستقیم با مواد آموزشی پردازش کنند، از طریق انجام دادن یاد بگیرند و تمایل دارند در گروه‌ها یاد بگیرند.LS "بازتابی" 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.دانش‌آموزان «احساس» اطلاعات ملموس‌تر و روش‌های عملی را ترجیح می‌دهند، در مقایسه با دانش‌آموزان «شهودی» که مطالب انتزاعی را ترجیح می‌دهند و ماهیت مبتکرتر و خلاقانه‌تری دارند، واقعیت‌گرا هستند.بعد "ورودی" LS شامل یادگیرندگان "بصری" و "کلامی" است.افراد مبتلا به LS "بصری" ترجیح می دهند از طریق نمایش های بصری (مانند نمودارها، فیلم ها یا نمایش های زنده) یاد بگیرند، در حالی که افراد مبتلا به LS "کلامی" ترجیح می دهند از طریق کلمات در توضیحات نوشتاری یا شفاهی یاد بگیرند.برای "درک" ابعاد LS، چنین یادگیرندگانی را می توان به "متوالی" و "جهانی" تقسیم کرد.«یادگیرندگان متوالی یک فرآیند فکری خطی را ترجیح می‌دهند و گام به گام یاد می‌گیرند، در حالی که فراگیران جهانی تمایل دارند فرآیند فکری جامع داشته باشند و همیشه درک بهتری از آنچه می‌آموزند دارند.
اخیراً، بسیاری از محققان شروع به کشف روش‌هایی برای کشف خودکار داده‌محور کرده‌اند، از جمله توسعه الگوریتم‌ها و مدل‌های جدید که قادر به تفسیر مقادیر زیادی از داده‌ها هستند [15، 16].بر اساس داده های ارائه شده، ML نظارت شده (یادگیری ماشینی) قادر به تولید الگوها و فرضیه هایی است که نتایج آینده را بر اساس ساخت الگوریتم ها پیش بینی می کند [17].به زبان ساده، تکنیک‌های یادگیری ماشینی تحت نظارت، داده‌های ورودی را دستکاری می‌کنند و الگوریتم‌ها را آموزش می‌دهند.سپس محدوده ای تولید می کند که بر اساس موقعیت های مشابه برای داده های ورودی ارائه شده، نتیجه را طبقه بندی یا پیش بینی می کند.مزیت اصلی الگوریتم های یادگیری ماشینی تحت نظارت، توانایی آن در ایجاد نتایج ایده آل و مطلوب است [17].
از طریق استفاده از روش های داده محور و مدل های کنترل درخت تصمیم، تشخیص خودکار LS امکان پذیر است.گزارش شده است که درختان تصمیم به طور گسترده در برنامه های آموزشی در زمینه های مختلف از جمله علوم بهداشتی استفاده می شوند [18، 19].در این مطالعه، این مدل به طور خاص توسط توسعه دهندگان سیستم آموزش داده شد تا LS دانش آموزان را شناسایی کند و بهترین IS را برای آنها توصیه کند.
هدف از این مطالعه توسعه استراتژی های ارائه IS بر اساس LS دانش آموزان و اعمال رویکرد SCL با توسعه یک ابزار توصیه IS است که به LS نگاشت شده است.جریان طراحی ابزار توصیه IS به عنوان یک استراتژی از 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 نمایشگر IS برای دانش آموزان.
به طور خاص، ویژگی های ابزارهای توصیه امنیت اطلاعات شامل استفاده از فناوری های وب و استفاده از یادگیری ماشین درخت تصمیم 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 دانشگاه مالایا به صورت داوطلبانه شرکت کردند.شرکت کنندگان به m-ILS آنلاین یک دانشجوی دندانپزشکی به زبان انگلیسی پاسخ دادند.در مرحله اولیه، از مجموعه داده ای متشکل 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 دقت ابزار توسعه یافته استفاده شد.
همه شرکت کنندگان در ابتدای هر مرحله، بسته به سال تحصیلی، از طریق تیم های مایکروسافت، یک جلسه توجیهی آنلاین دریافت می کنند.هدف مطالعه توضیح داده شد و رضایت آگاهانه اخذ شد.به همه شرکت کنندگان پیوندی برای دسترسی به m-ILS ارائه شد.به هر دانش آموز دستور داده شد که به تمام 44 مورد پرسشنامه پاسخ دهد.به آنها یک هفته فرصت داده شد تا ILS اصلاح شده را در زمان و مکان مناسب در طول تعطیلات ترم قبل از شروع ترم تکمیل کنند.m-ILS بر اساس ابزار اصلی ILS است و برای دانشجویان دندانپزشکی اصلاح شده است.مشابه ILS اصلی، شامل 44 آیتم به طور مساوی توزیع شده (a, b) با 11 مورد است که برای ارزیابی جنبه های هر بعد FSLSM استفاده می شود.
در طول مراحل اولیه توسعه ابزار، محققان به صورت دستی نقشه ها را با استفاده از مجموعه داده ای متشکل از 50 دانشجوی دندانپزشکی حاشیه نویسی کردند.طبق FSLM، این سیستم مجموع پاسخ های "a" و "b" را ارائه می دهد.برای هر بعد، اگر دانش آموز "الف" را به عنوان پاسخ انتخاب کند، LS به عنوان فعال / ادراکی / بصری / متوالی طبقه بندی می شود و اگر دانش آموز "b" را به عنوان پاسخ انتخاب کند، دانش آموز به عنوان بازتابی / شهودی / زبانی طبقه بندی می شود. ./ فراگیر جهانی.
پس از کالیبره کردن گردش کار بین محققان آموزش دندانپزشکی و توسعه دهندگان سیستم، سوالات بر اساس دامنه FLSSM انتخاب شدند و به مدل ML برای پیش‌بینی LS هر دانش‌آموز وارد شدند.«زباله داخل، زباله بیرون» یک ضرب المثل رایج در زمینه یادگیری ماشینی است که بر کیفیت داده تاکید دارد.کیفیت داده های ورودی دقت و صحت مدل یادگیری ماشین را تعیین می کند.در مرحله مهندسی ویژگی، مجموعه ویژگی های جدیدی ایجاد می شود که مجموع پاسخ های "a" و "b" بر اساس FLSSM است.شماره شناسایی موقعیت های دارویی در جدول 1 آورده شده است.
امتیاز را بر اساس پاسخ ها محاسبه کنید و LS دانش آموز را تعیین کنید.برای هر دانش آموز، دامنه نمرات از 1 تا 11 است. نمرات از 1 تا 3 نشان دهنده تعادل ترجیحات یادگیری در همان بعد است، و نمرات 5 تا 7 نشان دهنده ترجیح متوسط است، که نشان می دهد دانش آموزان تمایل دارند یک محیط را برای آموزش دیگران ترجیح دهند. .یکی دیگر از تغییرات در همان بعد این است که نمرات از 9 تا 11 نشان دهنده ترجیح قوی برای یک طرف یا طرف دیگر است [8].
برای هر بعد، داروها به «فعال»، «بازتابنده» و «متعادل» گروه بندی شدند.به عنوان مثال، وقتی دانش‌آموزی در مورد یک مورد تعیین‌شده بیشتر از «b» به «a» پاسخ می‌دهد و نمره او از آستانه 5 برای یک مورد خاص که بعد LS پردازش را نشان می‌دهد، بیشتر می‌شود، او به LS «فعال» تعلق دارد. دامنه..با این حال، دانش‌آموزان وقتی در 11 سؤال خاص (جدول 1) «b» را بیشتر از «الف» انتخاب کردند و بیش از 5 امتیاز کسب کردند، به عنوان LS «بازتابی» طبقه‌بندی شدند.در نهایت، دانش آموز در حالت "تعادل" است.اگر امتیاز از 5 امتیاز تجاوز نکند، این یک LS "فرایند" است.فرآیند طبقه‌بندی برای سایر ابعاد LS، یعنی ادراک (فعال/بازتابی)، ورودی (بصری/کلامی)، و درک (متوالی/جهانی) تکرار شد.
مدل های درخت تصمیم می توانند از زیرمجموعه های مختلفی از 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 درختی مانند فلوچارت [20] نشان داد، که در آن گره های داخلی وجود دارد که آزمایش ها را با ویژگی نشان می دهد، هر شاخه نشان دهنده نتایج آزمون، و هر گره برگ (گره برگ) حاوی یک برچسب کلاس است.
یک برنامه ساده مبتنی بر قاعده ایجاد شد تا به طور خودکار نمره LS هر دانش آموز را بر اساس پاسخ های آنها حاشیه نویسی کند.Rule-based شکل یک دستور IF را به خود می گیرد، که در آن "IF" محرک را توصیف می کند و "THEN" عملی را که باید انجام شود را مشخص می کند، به عنوان مثال: "اگر X اتفاق افتاد، پس Y را انجام دهید" (Liu et al., 2014).اگر مجموعه داده ها همبستگی را نشان دهد و مدل درخت تصمیم به درستی آموزش داده و ارزیابی شود، این رویکرد می تواند راهی موثر برای خودکارسازی فرآیند تطبیق LS و IS باشد.
در مرحله دوم توسعه، مجموعه داده به 255 افزایش یافت تا دقت ابزار توصیه بهبود یابد.مجموعه داده ها به نسبت 1:4 تقسیم می شوند.25 درصد (64) از مجموعه داده ها برای مجموعه آزمون و 75 درصد باقی مانده (191) به عنوان مجموعه آموزشی استفاده شد (شکل 2).مجموعه داده باید تقسیم شود تا از آموزش و آزمایش مدل بر روی همان مجموعه داده جلوگیری شود، که می تواند باعث به خاطر سپردن مدل به جای یادگیری شود.مدل بر روی مجموعه آموزشی آموزش داده می شود و عملکرد خود را در مجموعه تست ارزیابی می کند - داده هایی که مدل قبلا هرگز ندیده است.
پس از توسعه ابزار IS، برنامه قادر خواهد بود LS را بر اساس پاسخ های دانشجویان دندانپزشکی از طریق یک رابط وب طبقه بندی کند.سیستم ابزار توصیه امنیت اطلاعات مبتنی بر وب با استفاده از زبان برنامه نویسی پایتون با استفاده از چارچوب جنگو به عنوان باطن ساخته شده است.جدول 2 کتابخانه های مورد استفاده در توسعه این سیستم را فهرست می کند.
مجموعه داده به یک مدل درخت تصمیم برای محاسبه و استخراج پاسخ‌های دانش‌آموز برای طبقه‌بندی خودکار اندازه‌گیری‌های LS دانش‌آموز تغذیه می‌شود.
ماتریس سردرگمی برای ارزیابی دقت الگوریتم یادگیری ماشین درخت تصمیم در یک مجموعه داده معین استفاده می شود.در عین حال، عملکرد مدل طبقه بندی را ارزیابی می کند.پیش بینی های مدل را خلاصه می کند و آنها را با برچسب های داده واقعی مقایسه می کند.نتایج ارزیابی بر اساس چهار مقدار مختلف است: مثبت واقعی (TP) - مدل به درستی مقوله مثبت را پیش بینی کرد، مثبت کاذب (FP) - مدل مقوله مثبت را پیش بینی کرد، اما برچسب واقعی منفی بود، منفی واقعی (TN) - مدل کلاس منفی را به درستی پیش‌بینی کرد و منفی کاذب (FN) - مدل یک کلاس منفی را پیش‌بینی کرد، اما برچسب واقعی مثبت است.
سپس از این مقادیر برای محاسبه معیارهای مختلف عملکرد مدل طبقه‌بندی scikit-learn در پایتون، یعنی دقت، دقت، یادآوری و امتیاز F1 استفاده می‌شود.در اینجا نمونه هایی وجود دارد:
یادآوری (یا حساسیت) توانایی مدل را در طبقه بندی دقیق LS دانش آموز پس از پاسخ دادن به پرسشنامه m-ILS اندازه گیری می کند.
ویژگی نرخ منفی واقعی نامیده می شود.همانطور که از فرمول بالا می بینید، این باید نسبت منفی های واقعی (TN) به منفی های واقعی و مثبت های کاذب (FP) باشد.به عنوان بخشی از ابزار توصیه شده برای طبقه بندی داروهای دانش آموزی، باید قابلیت شناسایی دقیق را داشته باشد.
مجموعه داده اصلی 50 دانش آموز مورد استفاده برای آموزش مدل درخت تصمیم ML به دلیل خطای انسانی در حاشیه نویسی دقت نسبتا پایینی را نشان داد (جدول 3).پس از ایجاد یک برنامه ساده مبتنی بر قانون برای محاسبه خودکار نمرات LS و حاشیه نویسی دانش آموز، تعداد فزاینده ای از مجموعه داده ها (255) برای آموزش و آزمایش سیستم توصیه گر استفاده شد.
در ماتریس سردرگمی چند کلاسه، عناصر مورب تعداد پیش‌بینی‌های صحیح را برای هر نوع LS نشان می‌دهند (شکل 4).با استفاده از مدل درخت تصمیم، در مجموع 64 نمونه به درستی پیش‌بینی شد.بنابراین، در این مطالعه، عناصر مورب نتایج مورد انتظار را نشان می‌دهند، که نشان می‌دهد مدل به خوبی عمل می‌کند و برچسب کلاس را برای هر طبقه‌بندی LS به دقت پیش‌بینی می‌کند.بنابراین، دقت کلی ابزار توصیه 100٪ است.
مقادیر دقت، دقت، یادآوری و امتیاز F1 در شکل 5 نشان داده شده است. برای سیستم توصیه با استفاده از مدل درخت تصمیم، امتیاز F1 آن 1.0 "کامل" است، که نشان دهنده دقت و یادآوری کامل است، که حساسیت و ویژگی قابل توجهی را منعکس می کند. ارزش های.
شکل 6 تصویری از مدل درخت تصمیم را پس از تکمیل آموزش و آزمایش نشان می دهد.در یک مقایسه جانبی، مدل درخت تصمیم آموزش‌دیده با ویژگی‌های کمتر، دقت بالاتر و تجسم مدل آسان‌تر را نشان داد.این نشان می دهد که مهندسی ویژگی که منجر به کاهش ویژگی می شود گام مهمی در بهبود عملکرد مدل است.
با استفاده از یادگیری تحت نظارت درخت تصمیم، نقشه برداری بین LS (ورودی) و IS (خروجی هدف) به طور خودکار تولید می شود و حاوی اطلاعات دقیق برای هر LS است.
نتایج نشان داد که 34.9 درصد از 255 دانش آموز یک (1) گزینه LS را ترجیح دادند.اکثریت (54.3٪) دو یا چند ترجیح LS داشتند.12.2% از دانش آموزان خاطرنشان کردند که LS کاملاً متعادل است (جدول 4).علاوه بر هشت LS اصلی، 34 ترکیب از طبقه بندی LS برای دانشجویان دندانپزشکی دانشگاه مالایا وجود دارد.در این میان، ادراک، بینایی و ترکیب ادراک و بینایی، LS اصلی گزارش شده توسط دانش آموزان هستند (شکل 7).
همانطور که از جدول 4 مشاهده می شود، اکثر دانش آموزان دارای LS حسی (13.7%) یا بینایی (8.6%) بودند.گزارش شد که 12.2 درصد دانش آموزان ادراک را با بینایی (LS ادراکی-بصری) ترکیب کردند.این یافته‌ها نشان می‌دهد که دانش‌آموزان ترجیح می‌دهند از طریق روش‌های تعیین‌شده یاد بگیرند و به خاطر بسپارند، رویه‌های خاص و دقیق را دنبال کنند و ماهیتشان توجه باشد.در عین حال از یادگیری با نگاه کردن (با استفاده از نمودارها و غیره) لذت می برند و تمایل دارند اطلاعات را به صورت گروهی یا به تنهایی مورد بحث و بررسی قرار دهند و به کار ببرند.
این مطالعه مروری بر تکنیک‌های یادگیری ماشینی مورد استفاده در داده‌کاوی، با تمرکز بر پیش‌بینی فوری و دقیق LS دانش‌آموزان و توصیه IS مناسب ارائه می‌دهد.استفاده از مدل درخت تصمیم، عواملی را که بیشترین ارتباط را با زندگی و تجارب تحصیلی آنها دارد شناسایی کرد.این یک الگوریتم یادگیری ماشینی نظارت شده است که از ساختار درختی برای طبقه‌بندی داده‌ها با تقسیم مجموعه‌ای از داده‌ها به زیرمجموعه‌ها بر اساس معیارهای خاص استفاده می‌کند.با تقسیم بازگشتی 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 گرفته شود، کار می کند.
گره های داخلی درخت تصمیم راه حل را بر اساس ویژگی های ورودی مسئله m-ILS نشان می دهند و گره های برگ نشان دهنده پیش بینی طبقه بندی نهایی LS هستند.در طول مطالعه، درک سلسله مراتب درخت های تصمیم که فرآیند تصمیم گیری را با نگاه کردن به رابطه بین ویژگی های ورودی و پیش بینی های خروجی توضیح می دهند، 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 کنکور [21]، اطلاعات جمعیت شناختی و رفتار یادگیری [22] استفاده می شود.تحقیقات نشان داد که این الگوریتم به طور دقیق عملکرد دانش آموزان را پیش بینی می کند و به آنها کمک می کند دانش آموزان در معرض خطر مشکلات تحصیلی را شناسایی کنند.
کاربرد الگوریتم های ML در توسعه شبیه سازهای بیمار مجازی برای آموزش دندانپزشکی گزارش شده است.شبیه ساز قادر به بازتولید دقیق پاسخ های فیزیولوژیکی بیماران واقعی است و می تواند برای آموزش دانشجویان دندانپزشکی در یک محیط امن و کنترل شده استفاده شود [23].چندین مطالعه دیگر نشان می دهد که الگوریتم های یادگیری ماشینی به طور بالقوه می توانند کیفیت و کارایی آموزش دندانپزشکی و پزشکی و مراقبت از بیمار را بهبود بخشند.الگوریتم های یادگیری ماشین برای کمک به تشخیص بیماری های دندانی بر اساس مجموعه داده هایی مانند علائم و ویژگی های بیمار استفاده شده است [24، 25].در حالی که مطالعات دیگر استفاده از الگوریتم‌های یادگیری ماشین را برای انجام وظایفی مانند پیش‌بینی نتایج بیمار، شناسایی بیماران پرخطر، توسعه برنامه‌های درمانی شخصی [26]، درمان پریودنتال [27] و درمان پوسیدگی [25] مورد بررسی قرار داده‌اند.
اگرچه گزارش هایی در مورد کاربرد یادگیری ماشین در دندانپزشکی منتشر شده است، کاربرد آن در آموزش دندانپزشکی محدود است.بنابراین، این مطالعه با هدف استفاده از مدل درخت تصمیم برای شناسایی عواملی که بیشترین ارتباط را با LS و IS در بین دانشجویان دندانپزشکی دارد، انجام شد.
نتایج این پژوهش نشان می‌دهد که ابزار توصیه‌ای توسعه‌یافته از دقت بالا و دقت کاملی برخوردار است که نشان می‌دهد معلمان می‌توانند از این ابزار بهره‌مند شوند.با استفاده از یک فرآیند طبقه‌بندی مبتنی بر داده، می‌تواند توصیه‌های شخصی‌سازی شده ارائه دهد و تجربیات و نتایج آموزشی را برای مربیان و دانش‌آموزان بهبود بخشد.در میان آنها، اطلاعات به دست آمده از طریق ابزارهای توصیه می تواند تضاد بین روش های تدریس ترجیحی معلمان و نیازهای یادگیری دانش آموزان را حل کند.به عنوان مثال، به دلیل خروجی خودکار ابزارهای توصیه، زمان مورد نیاز برای شناسایی IP دانش آموز و تطبیق آن با IP مربوطه به میزان قابل توجهی کاهش می یابد.از این طریق می توان فعالیت های آموزشی و مواد آموزشی مناسبی را سازماندهی کرد.این به رشد رفتار یادگیری مثبت و توانایی تمرکز دانش آموزان کمک می کند.یک مطالعه گزارش داد که ارائه مواد آموزشی و فعالیت‌های یادگیری به دانش‌آموزان که مطابق با LS ترجیحی آنها باشد، می‌تواند به دانش‌آموزان در ادغام، پردازش و لذت بردن از یادگیری به روش‌های متعدد برای دستیابی به پتانسیل بیشتر کمک کند [12].تحقیقات همچنین نشان می‌دهد که علاوه بر بهبود مشارکت دانش‌آموزان در کلاس درس، درک فرآیند یادگیری دانش‌آموزان نیز نقش مهمی در بهبود شیوه‌های تدریس و ارتباط با دانش‌آموزان دارد [28، 29].
با این حال، مانند هر فناوری مدرن، مشکلات و محدودیت هایی وجود دارد.این موارد شامل مسائل مربوط به حریم خصوصی داده ها، تعصب و انصاف، و مهارت ها و منابع حرفه ای مورد نیاز برای توسعه و پیاده سازی الگوریتم های یادگیری ماشین در آموزش دندانپزشکی می شود.با این حال، علاقه و تحقیقات فزاینده در این زمینه نشان می‌دهد که فناوری‌های یادگیری ماشین ممکن است تأثیر مثبتی بر آموزش دندانپزشکی و خدمات دندانپزشکی داشته باشند.
نتایج این مطالعه نشان می دهد که نیمی از دانشجویان دندانپزشکی تمایل به "درک" داروها دارند.این نوع یادگیرنده ترجیحی برای حقایق و مثال‌های عینی، جهت‌گیری عملی، صبر برای جزئیات، و ترجیح LS «بصری» دارد که در آن زبان‌آموز ترجیح می‌دهد از تصاویر، گرافیک، رنگ‌ها و نقشه‌ها برای انتقال ایده‌ها و افکار استفاده کند.نتایج کنونی با سایر مطالعاتی که از ILS برای ارزیابی LS در دانشجویان دندانپزشکی و پزشکی استفاده می‌کنند، که اکثر آنها دارای ویژگی‌های LS ادراکی و بصری هستند، مطابقت دارد [12، 30].Dalmolin و همکاران پیشنهاد می کنند که اطلاع رسانی به دانش آموزان در مورد LS به آنها امکان می دهد تا به پتانسیل یادگیری خود برسند.محققان استدلال می کنند که وقتی معلمان فرآیند آموزشی دانش آموزان را به طور کامل درک کنند، روش ها و فعالیت های آموزشی مختلفی را می توان اجرا کرد که عملکرد و تجربه یادگیری دانش آموزان را بهبود می بخشد [12، 31، 32].مطالعات دیگر نشان داده‌اند که تنظیم LS دانش‌آموزان نیز بهبودهایی را در تجربه یادگیری و عملکرد دانش‌آموزان پس از تغییر سبک‌های یادگیری برای مطابقت با LS خود نشان می‌دهد [13، 33].
نظرات معلمان ممکن است در مورد اجرای راهبردهای تدریس بر اساس توانایی های یادگیری دانش آموزان متفاوت باشد.در حالی که برخی از مزایای این رویکرد، از جمله فرصت‌های توسعه حرفه‌ای، مربیگری، و حمایت جامعه را می‌بینند، برخی دیگر ممکن است نگران زمان و حمایت سازمانی باشند.تلاش برای تعادل کلید ایجاد نگرش دانش آموز محور است.مقامات آموزش عالی، مانند مدیران دانشگاه، می توانند با معرفی شیوه های نوآورانه و حمایت از توسعه اساتید، نقش مهمی در ایجاد تغییرات مثبت ایفا کنند [34].برای ایجاد یک سیستم آموزش عالی واقعاً پویا و پاسخگو، سیاست گذاران باید گام های جسورانه ای مانند ایجاد تغییرات در سیاست، اختصاص منابع به یکپارچه سازی فناوری، و ایجاد چارچوب هایی که رویکردهای دانشجومحور را ترویج می کند، بردارند.این اقدامات برای دستیابی به نتایج مطلوب حیاتی هستند.تحقیقات اخیر در مورد آموزش متمایز به وضوح نشان داده است که اجرای موفقیت آمیز آموزش متمایز مستلزم آموزش مداوم و فرصت های توسعه برای معلمان است [35].
این ابزار برای مربیان دندانپزشکی که می خواهند رویکردی دانش آموز محور برای برنامه ریزی فعالیت های یادگیری دانش آموز پسند داشته باشند، پشتیبانی ارزشمندی را ارائه می دهد.با این حال، این مطالعه به استفاده از مدل‌های درخت تصمیم ML محدود می‌شود.در آینده، باید داده های بیشتری برای مقایسه عملکرد مدل های مختلف یادگیری ماشین جمع آوری شود تا دقت، قابلیت اطمینان و دقت ابزارهای توصیه مقایسه شود.علاوه بر این، هنگام انتخاب مناسب ترین روش یادگیری ماشین برای یک کار خاص، مهم است که عوامل دیگری مانند پیچیدگی مدل و تفسیر را در نظر بگیرید.
محدودیت این مطالعه این است که فقط بر روی نقشه برداری LS و IS در بین دانشجویان دندانپزشکی تمرکز کرده است.بنابراین، سیستم توصیه‌های توسعه‌یافته تنها مواردی را توصیه می‌کند که برای دانشجویان دندانپزشکی مناسب هستند.تغییرات برای استفاده عمومی دانشجویان آموزش عالی ضروری است.
ابزار توصیه مبتنی بر یادگیری ماشینی جدید توسعه یافته قادر است فوراً LS دانش آموزان را با IS مربوطه طبقه بندی و تطبیق دهد، و آن را به اولین برنامه آموزش دندانپزشکی تبدیل می کند که به مربیان دندانپزشکی کمک می کند تا فعالیت های آموزشی و یادگیری مرتبط را برنامه ریزی کنند.با استفاده از یک فرآیند تریاژ مبتنی بر داده، می‌تواند توصیه‌های شخصی‌سازی شده ارائه کند، در زمان صرفه‌جویی کند، استراتژی‌های آموزشی را بهبود بخشد، از مداخلات هدفمند حمایت کند و توسعه حرفه‌ای مداوم را ارتقا دهد.کاربرد آن رویکردهای دانشجو محور در آموزش دندانپزشکی را ترویج خواهد کرد.
گیلک جانی آسوشیتدپرس.تطابق یا عدم تطابق بین سبک یادگیری دانش آموز و شیوه تدریس معلم.Int J Mod Educ علوم کامپیوتر.2012؛ 4 (11): 51-60.https://doi.org/10.5815/ijmecs.2012.11.05
زمان ارسال: آوریل 29-2024