نیاز روزافزونی به یادگیری دانشجو محور (SCL) در مؤسسات 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 ماشینی درخت تصمیم (ML) برای ترسیم سبک یادگیری ترجیحی (LS) و استراتژیهای یادگیری مربوطه (IS) دانشجویان دندانپزشکی به عنوان ابزاری مفید برای تدوین دستورالعملهای IS انجام شده است. روشهای امیدوارکننده برای دانشجویان دندانپزشکی.
در مجموع ۲۵۵ دانشجوی دندانپزشکی از دانشگاه مالایا پرسشنامه اصلاحشده شاخص سبکهای یادگیری (m-ILS) را تکمیل کردند که شامل ۴۴ مورد برای طبقهبندی آنها در سبکهای یادگیری مربوطهشان بود. دادههای جمعآوریشده (که مجموعه داده نامیده میشوند) در یادگیری درخت تصمیمگیری نظارتشده برای تطبیق خودکار سبکهای یادگیری دانشجویان با مناسبترین IS استفاده میشوند. سپس دقت ابزار توصیه IS مبتنی بر یادگیری ماشین ارزیابی میشود.
کاربرد مدلهای درخت تصمیمگیری در یک فرآیند نگاشت خودکار بین LS (ورودی) و IS (خروجی هدف) امکان تهیه فهرستی فوری از استراتژیهای یادگیری مناسب برای هر دانشجوی دندانپزشکی را فراهم میکند. ابزار توصیه IS دقت و یادآوری کاملی از دقت کلی مدل را نشان داد، که نشان میدهد تطبیق LS با IS از حساسیت و ویژگی خوبی برخوردار است.
یک ابزار توصیهگر IS مبتنی بر درخت تصمیمگیری یادگیری ماشین، توانایی خود را در تطبیق دقیق سبکهای یادگیری دانشجویان دندانپزشکی با استراتژیهای یادگیری مناسب ثابت کرده است. این ابزار گزینههای قدرتمندی را برای برنامهریزی دورهها یا ماژولهای متمرکز بر دانشجو ارائه میدهد که میتوانند تجربه یادگیری دانشجویان را افزایش دهند.
تدریس و یادگیری از فعالیتهای اساسی در مؤسسات آموزشی هستند. هنگام توسعه یک سیستم آموزش حرفهای با کیفیت بالا، تمرکز بر نیازهای یادگیری دانشآموزان بسیار مهم است. تعامل بین دانشآموزان و محیط یادگیری آنها میتواند از طریق LS آنها تعیین شود. تحقیقات نشان میدهد که عدم تطابق مورد نظر معلم بین LS و IS دانشآموزان میتواند پیامدهای منفی برای یادگیری دانشآموزان، مانند کاهش توجه و انگیزه، داشته باشد. این امر به طور غیرمستقیم بر عملکرد دانشآموزان تأثیر میگذارد [1،2].
IS روشی است که توسط معلمان برای انتقال دانش و مهارت به دانشآموزان، از جمله کمک به یادگیری آنها، استفاده میشود [3]. به طور کلی، معلمان خوب استراتژیهای تدریس یا IS را طوری برنامهریزی میکنند که به بهترین وجه با سطح دانش دانشآموزان، مفاهیمی که یاد میگیرند و مرحله یادگیری آنها مطابقت داشته باشد. از لحاظ تئوری، وقتی LS و IS با هم مطابقت داشته باشند، دانشآموزان قادر خواهند بود مجموعهای خاص از مهارتها را برای یادگیری مؤثر سازماندهی و استفاده کنند. به طور معمول، یک طرح درس شامل چندین مرحله گذار بین مراحل، مانند از تدریس به تمرین هدایتشده یا از تمرین هدایتشده به تمرین مستقل است. با توجه به این نکته، معلمان مؤثر اغلب آموزش را با هدف ایجاد دانش و مهارتهای دانشآموزان برنامهریزی میکنند [4].
تقاضا برای SCL در مؤسسات آموزش عالی، از جمله دندانپزشکی، رو به افزایش است. استراتژیهای SCL برای برآوردن نیازهای یادگیری دانشجویان طراحی شدهاند. به عنوان مثال، اگر دانشجویان به طور فعال در فعالیتهای یادگیری شرکت کنند و معلمان به عنوان تسهیلکننده عمل کنند و مسئول ارائه بازخورد ارزشمند باشند، میتوان به این هدف دست یافت. گفته میشود که ارائه مطالب و فعالیتهای یادگیری متناسب با سطح تحصیلی یا ترجیحات دانشجویان میتواند محیط یادگیری دانشجویان را بهبود بخشد و تجربیات یادگیری مثبت را ترویج دهد [5].
به طور کلی، فرآیند یادگیری دانشجویان دندانپزشکی تحت تأثیر رویههای بالینی مختلفی است که باید انجام دهند و محیط بالینی که در آن مهارتهای بین فردی مؤثری را توسعه میدهند. هدف از آموزش، قادر ساختن دانشجویان به ترکیب دانش پایه دندانپزشکی با مهارتهای بالینی دندانپزشکی و به کارگیری دانش کسب شده در موقعیتهای بالینی جدید است [6، 7]. تحقیقات اولیه در مورد رابطه بین LS و IS نشان داد که تنظیم استراتژیهای یادگیری متناسب با LS ترجیحی به بهبود فرآیند آموزشی کمک میکند [8]. نویسندگان همچنین استفاده از روشهای مختلف تدریس و ارزیابی را برای انطباق با یادگیری و نیازهای دانشجویان توصیه میکنند.
معلمان از بهکارگیری دانش سبک یادگیری (LS) برای کمک به طراحی، توسعه و اجرای آموزشی که به کسب دانش و درک عمیقتر دانشجویان از موضوع کمک میکند، بهرهمند میشوند. محققان چندین ابزار ارزیابی سبک یادگیری (LS) مانند مدل یادگیری تجربی کلب (Kolb)، مدل سبک یادگیری فلدر-سیلورمن (FSLSM) و مدل فلمینگ VAK/VARK [5، 9، 10] را توسعه دادهاند. طبق منابع، این مدلهای یادگیری رایجترین و مورد مطالعهترین مدلهای یادگیری هستند. در کار تحقیقاتی فعلی، FSLSM برای ارزیابی سبک یادگیری (LS) در بین دانشجویان دندانپزشکی استفاده میشود.
FSLSM یک مدل پرکاربرد برای ارزیابی یادگیری تطبیقی در مهندسی است. آثار منتشر شده زیادی در علوم بهداشتی (از جمله پزشکی، پرستاری، داروسازی و دندانپزشکی) وجود دارد که میتوان با استفاده از مدلهای FSLSM آنها را یافت [5، 11، 12، 13]. ابزاری که برای اندازهگیری ابعاد LS در FLSM استفاده میشود، شاخص سبکهای یادگیری (ILS) [8] نام دارد که شامل 44 مورد است که چهار بعد LS را ارزیابی میکند: پردازش (فعال/تأمل)، ادراک (ادراکی/شهودی)، ورودی (بصری/کلامی) و درک (متوالی/کلی) [14].
همانطور که در شکل 1 نشان داده شده است، هر بُعد FSLSM یک ترجیح غالب دارد. برای مثال، در بُعد پردازش، دانشآموزانی که دارای LS «فعال» هستند، ترجیح میدهند اطلاعات را با تعامل مستقیم با مواد آموزشی پردازش کنند، با انجام دادن یاد بگیرند و تمایل دارند به صورت گروهی یاد بگیرند. LS «تأملآمیز» به یادگیری از طریق تفکر اشاره دارد و ترجیح میدهد به تنهایی کار کند. بُعد «درک» LS را میتوان به «احساسی» و/یا «شهودی» تقسیم کرد. دانشآموزان «احساسی» اطلاعات ملموستر و رویههای عملی را ترجیح میدهند، در مقایسه با دانشآموزان «شهودی» که مطالب انتزاعی را ترجیح میدهند و ذاتاً خلاقتر و نوآورتر هستند، واقعیتمحور هستند. بُعد «ورودی» LS شامل یادگیرندگان «بصری» و «کلامی» است. افراد دارای LS «بصری» ترجیح میدهند از طریق نمایشهای بصری (مانند نمودارها، ویدیوها یا نمایشهای زنده) یاد بگیرند، در حالی که افراد دارای LS «کلامی» ترجیح میدهند از طریق کلمات در توضیحات کتبی یا شفاهی یاد بگیرند. برای «درک» ابعاد LS، چنین یادگیرندگانی را میتوان به «متوالی» و «کلی» تقسیم کرد. «یادگیرندگان ترتیبی، فرآیند تفکر خطی را ترجیح میدهند و گام به گام یاد میگیرند، در حالی که یادگیرندگان کلی تمایل به داشتن یک فرآیند تفکر جامع دارند و همیشه درک بهتری از آنچه میآموزند، دارند.»
اخیراً، بسیاری از محققان شروع به بررسی روشهایی برای کشف خودکار مبتنی بر داده، از جمله توسعه الگوریتمها و مدلهای جدید با قابلیت تفسیر حجم زیادی از دادهها کردهاند [15، 16]. بر اساس دادههای ارائه شده، یادگیری ماشینی تحت نظارت (یادگیری ماشین) قادر به تولید الگوها و فرضیههایی است که نتایج آینده را بر اساس ساختار الگوریتمها پیشبینی میکنند [17]. به عبارت ساده، تکنیکهای یادگیری ماشین تحت نظارت، دادههای ورودی را دستکاری کرده و الگوریتمها را آموزش میدهند. سپس محدودهای ایجاد میکند که نتیجه را بر اساس موقعیتهای مشابه برای دادههای ورودی ارائه شده، طبقهبندی یا پیشبینی میکند. مزیت اصلی الگوریتمهای یادگیری ماشین تحت نظارت، توانایی آن در ایجاد نتایج ایدهآل و مطلوب است [17].
با استفاده از روشهای مبتنی بر داده و مدلهای کنترل درخت تصمیمگیری، تشخیص خودکار LS امکانپذیر است. گزارش شده است که درختهای تصمیمگیری به طور گسترده در برنامههای آموزشی در زمینههای مختلف، از جمله علوم بهداشتی، مورد استفاده قرار میگیرند [18، 19]. در این مطالعه، این مدل به طور خاص توسط توسعهدهندگان سیستم آموزش داده شد تا LS دانشجویان را شناسایی کرده و بهترین IS را برای آنها توصیه کند.
هدف از این مطالعه، توسعه استراتژیهای ارائه IS بر اساس LS دانشجویان و اعمال رویکرد SCL با توسعه یک ابزار توصیه IS نگاشت شده به LS 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 میشود، شامل مکانیسم طبقهبندی LS با استفاده از ILS و مناسبترین نمایش IS برای دانشجویان.
به طور خاص، ویژگیهای ابزارهای توصیهگر امنیت اطلاعات شامل استفاده از فناوریهای وب و استفاده از یادگیری ماشینی درخت تصمیمگیری است. توسعهدهندگان سیستم با تطبیق آنها با دستگاههای همراه مانند تلفنهای همراه و تبلتها، تجربه کاربری و قابلیت جابجایی را بهبود میبخشند.
این آزمایش در دو مرحله انجام شد و دانشجویان دانشکده دندانپزشکی دانشگاه مالایا به صورت داوطلبانه در آن شرکت کردند. شرکتکنندگان به سوالات آنلاین یک دانشجوی دندانپزشکی به زبان انگلیسی پاسخ دادند. در مرحله اولیه، از مجموعه دادههای ۵۰ دانشجو برای آموزش الگوریتم یادگیری ماشین درخت تصمیم استفاده شد. در مرحله دوم فرآیند توسعه، از مجموعه دادههای ۲۵۵ دانشجو برای بهبود دقت ابزار توسعهیافته استفاده شد.
همه شرکتکنندگان در ابتدای هر مرحله، بسته به سال تحصیلی، از طریق Microsoft Teams، یک جلسه توجیهی آنلاین دریافت میکنند. هدف از مطالعه توضیح داده شد و رضایت آگاهانه اخذ گردید. به همه شرکتکنندگان لینکی برای دسترسی به m-ILS ارائه شد. به هر دانشجو دستور داده شد تا به هر ۴۴ مورد موجود در پرسشنامه پاسخ دهد. به آنها یک هفته فرصت داده شد تا ILS اصلاحشده را در زمان و مکانی مناسب برای خود در طول تعطیلات ترم قبل از شروع ترم تکمیل کنند. m-ILS بر اساس ابزار ILS اصلی ساخته شده و برای دانشجویان دندانپزشکی اصلاح شده است. مشابه ILS اصلی، شامل ۴۴ مورد با توزیع مساوی (a، b) است که هر کدام ۱۱ مورد دارند و برای ارزیابی جنبههای هر بعد FSLSM استفاده میشوند.
در طول مراحل اولیه توسعه ابزار، محققان به صورت دستی نقشهها را با استفاده از مجموعه دادههای ۵۰ دانشجوی دندانپزشکی حاشیهنویسی کردند. طبق FSLM، سیستم مجموع پاسخهای «الف» و «ب» را ارائه میدهد. برای هر بعد، اگر دانشجو «الف» را به عنوان پاسخ انتخاب کند، LS به عنوان فعال/ادراکی/دیداری/ترتیبی طبقهبندی میشود و اگر دانشجو «ب» را به عنوان پاسخ انتخاب کند، دانشجو به عنوان بازتابی/شهودی/زبانی/یادگیرنده کلی طبقهبندی میشود.
پس از کالیبره کردن گردش کار بین محققان آموزش دندانپزشکی و توسعهدهندگان سیستم، سوالات بر اساس دامنه FLSSM انتخاب و به مدل ML داده شدند تا LS هر دانشجو پیشبینی شود. «ورودی بیارزش، خروجی بیارزش» یک ضربالمثل رایج در زمینه یادگیری ماشین است که بر کیفیت دادهها تأکید دارد. کیفیت دادههای ورودی، دقت و صحت مدل یادگیری ماشین را تعیین میکند. در طول مرحله مهندسی ویژگی، یک مجموعه ویژگی جدید ایجاد میشود که مجموع پاسخهای «الف» و «ب» بر اساس FLSSM است. شمارههای شناسایی موقعیتهای دارویی در جدول 1 آورده شده است.
نمره را بر اساس پاسخها محاسبه کنید و LS دانشآموز را تعیین کنید. برای هر دانشآموز، محدوده نمره از 1 تا 11 است. نمرات 1 تا 3 نشان دهنده تعادل ترجیحات یادگیری در همان بعد است و نمرات 5 تا 7 نشان دهنده ترجیح متوسط است که نشان میدهد دانشآموزان تمایل دارند یک محیط را برای آموزش به محیطهای دیگر ترجیح دهند. یکی دیگر از تغییرات در همان بعد این است که نمرات 9 تا 11 نشان دهنده ترجیح قوی برای یک هدف یا هدف دیگر است [8].
برای هر بعد، داروها به «فعال»، «تأملآمیز» و «متعادل» گروهبندی شدند. برای مثال، وقتی دانشآموزی در یک مورد مشخصشده به «الف» بیشتر از «ب» پاسخ میدهد و نمره او برای یک مورد خاص که نشاندهنده بعد پردازش LS است، از آستانه ۵ فراتر میرود، او به حوزه LS «فعال» تعلق دارد. با این حال، دانشآموزانی که در ۱۱ سوال خاص (جدول ۱) «ب» را بیشتر از «الف» انتخاب میکردند و بیش از ۵ امتیاز کسب میکردند، به عنوان LS «تأملآمیز» طبقهبندی میشدند. در نهایت، دانشآموز در حالت «تعادل» قرار دارد. اگر نمره از ۵ امتیاز تجاوز نکند، این یک LS «فرآیندی» است. فرآیند طبقهبندی برای سایر ابعاد LS، یعنی ادراک (فعال/تأملآمیز)، ورودی (بصری/کلامی) و درک (متوالی/کلی) تکرار شد.
مدلهای درخت تصمیمگیری میتوانند از زیرمجموعههای مختلفی از ویژگیها و قوانین تصمیمگیری در مراحل مختلف فرآیند طبقهبندی استفاده کنند. این یک ابزار طبقهبندی و پیشبینی محبوب محسوب میشود. میتوان آن را با استفاده از یک ساختار درختی مانند نمودار جریان [20] نمایش داد که در آن گرههای داخلی وجود دارند که آزمایشها را بر اساس ویژگی نشان میدهند، هر شاخه نتایج آزمایش را نشان میدهد و هر گره برگ (گره برگ) حاوی یک برچسب کلاس است.
یک برنامه ساده مبتنی بر قانون ایجاد شد تا به طور خودکار نمرهدهی و حاشیهنویسی LS هر دانشآموز را بر اساس پاسخهای آنها انجام دهد. مبتنی بر قانون به شکل یک عبارت IF است، که در آن «IF» محرک را توصیف میکند و «THEN» عملی را که باید انجام شود مشخص میکند، به عنوان مثال: «اگر X اتفاق بیفتد، آنگاه Y را انجام دهید» (لیو و همکاران، ۲۰۱۴). اگر مجموعه دادهها همبستگی نشان دهند و مدل درخت تصمیم به درستی آموزش داده و ارزیابی شود، این رویکرد میتواند راهی مؤثر برای خودکارسازی فرآیند تطبیق LS و IS باشد.
در مرحله دوم توسعه، مجموعه دادهها به ۲۵۵ افزایش یافت تا دقت ابزار توصیه بهبود یابد. مجموعه دادهها با نسبت ۱:۴ تقسیم شدهاند. ۲۵٪ (۶۴) از مجموعه دادهها برای مجموعه آزمایش و ۷۵٪ باقیمانده (۱۹۱) به عنوان مجموعه آموزش استفاده شد (شکل ۲). مجموعه دادهها باید تقسیم شوند تا از آموزش و آزمایش مدل روی یک مجموعه داده جلوگیری شود، که میتواند باعث شود مدل به جای یادگیری، دادهها را به خاطر بسپارد. مدل روی مجموعه آموزش آموزش داده میشود و عملکرد خود را روی مجموعه آزمایش ارزیابی میکند - دادههایی که مدل قبلاً هرگز ندیده است.
پس از توسعه ابزار IS، این برنامه قادر خواهد بود LS را بر اساس پاسخهای دانشجویان دندانپزشکی از طریق یک رابط وب طبقهبندی کند. سیستم ابزار توصیه امنیت اطلاعات مبتنی بر وب با استفاده از زبان برنامهنویسی پایتون و با استفاده از چارچوب Django به عنوان backend ساخته شده است. جدول 2 کتابخانههای مورد استفاده در توسعه این سیستم را فهرست میکند.
این مجموعه دادهها به یک مدل درخت تصمیمگیری داده میشود تا پاسخهای دانشآموزان را محاسبه و استخراج کند و به طور خودکار اندازهگیریهای LS دانشآموزان را طبقهبندی کند.
ماتریس درهمریختگی برای ارزیابی دقت الگوریتم یادگیری ماشین درخت تصمیم روی یک مجموعه داده معین استفاده میشود. در عین حال، عملکرد مدل طبقهبندی را نیز ارزیابی میکند. این ماتریس پیشبینیهای مدل را خلاصه کرده و آنها را با برچسبهای واقعی دادهها مقایسه میکند. نتایج ارزیابی بر اساس چهار مقدار مختلف است: مثبت واقعی (TP) - مدل به درستی دسته مثبت را پیشبینی کرده است، مثبت کاذب (FP) - مدل دسته مثبت را پیشبینی کرده است، اما برچسب واقعی منفی بوده است، منفی واقعی (TN) - مدل به درستی دسته منفی را پیشبینی کرده است، و منفی کاذب (FN) - مدل یک دسته منفی را پیشبینی کرده است، اما برچسب واقعی مثبت بوده است.
سپس از این مقادیر برای محاسبه معیارهای مختلف عملکرد مدل طبقهبندی scikit-learn در پایتون، یعنی دقت، صحت، فراخوانی و امتیاز F1، استفاده میشود. در اینجا مثالهایی آورده شده است:
یادآوری (یا حساسیت) توانایی مدل را در طبقهبندی دقیق LS دانشآموز پس از پاسخ به پرسشنامه m-ILS اندازهگیری میکند.
ویژگی، نرخ منفی واقعی نامیده میشود. همانطور که از فرمول بالا میبینید، این باید نسبت منفیهای واقعی (TN) به منفیهای واقعی و مثبتهای کاذب (FP) باشد. به عنوان بخشی از ابزار توصیه شده برای طبقهبندی داروهای دانشجویی، باید قادر به شناسایی دقیق باشد.
مجموعه دادههای اولیه شامل ۵۰ دانشآموز که برای آموزش مدل یادگیری ماشین درخت تصمیم استفاده شد، به دلیل خطای انسانی در حاشیهنویسیها، دقت نسبتاً پایینی را نشان داد (جدول ۳). پس از ایجاد یک برنامه ساده مبتنی بر قانون برای محاسبه خودکار نمرات LS و حاشیهنویسیهای دانشآموز، تعداد فزایندهای از مجموعه دادهها (۲۵۵) برای آموزش و آزمایش سیستم توصیهگر استفاده شد.
در ماتریس درهمریختگی چندکلاسه، عناصر قطری نشاندهنده تعداد پیشبینیهای صحیح برای هر نوع LS هستند (شکل 4). با استفاده از مدل درخت تصمیمگیری، در مجموع 64 نمونه به درستی پیشبینی شدند. بنابراین، در این مطالعه، عناصر قطری نتایج مورد انتظار را نشان میدهند که نشان میدهد مدل به خوبی عمل میکند و برچسب کلاس را برای هر طبقهبندی LS به طور دقیق پیشبینی میکند. بنابراین، دقت کلی ابزار توصیه 100٪ است.
مقادیر دقت، صحت، فراخوانی و امتیاز F1 در شکل 5 نشان داده شده است. برای سیستم پیشنهادی که از مدل درخت تصمیم استفاده میکند، امتیاز F1 آن 1.0 «کامل» است که نشاندهنده دقت و فراخوانی کامل است و مقادیر حساسیت و ویژگی قابل توجهی را منعکس میکند.
شکل 6 تجسم مدل درخت تصمیم را پس از تکمیل آموزش و آزمایش نشان میدهد. در یک مقایسهی پهلو به پهلو، مدل درخت تصمیم آموزش دیده با ویژگیهای کمتر، دقت بالاتر و تجسم مدل آسانتری را نشان داد. این نشان میدهد که مهندسی ویژگی منجر به کاهش ویژگی، گامی مهم در بهبود عملکرد مدل است.
با اعمال یادگیری نظارتشده درخت تصمیمگیری، نگاشت بین LS (ورودی) و IS (خروجی هدف) بهطور خودکار ایجاد میشود و شامل اطلاعات دقیقی برای هر LS است.
نتایج نشان داد که 34.9٪ از 255 دانشجو یک (1) گزینه LS را ترجیح میدهند. اکثریت (54.3٪) دو یا چند اولویت LS داشتند. 12.2٪ از دانشجویان خاطرنشان کردند که LS کاملاً متعادل است (جدول 4). علاوه بر هشت LS اصلی، 34 ترکیب از طبقهبندیهای LS برای دانشجویان دندانپزشکی دانشگاه مالایا وجود دارد. در میان آنها، ادراک، بینایی و ترکیب ادراک و بینایی، LS اصلی گزارش شده توسط دانشجویان است (شکل 7).
همانطور که از جدول ۴ مشاهده میشود، اکثر دانشآموزان دارای LS حسی غالب (۱۳.۷٪) یا بصری (۸.۶٪) بودند. گزارش شده است که ۱۲.۲٪ از دانشآموزان ادراک را با بینایی (LS ادراکی-بصری) ترکیب میکنند. این یافتهها نشان میدهد که دانشآموزان ترجیح میدهند از طریق روشهای تعیینشده یاد بگیرند و به خاطر بسپارند، از رویههای خاص و دقیق پیروی کنند و ذاتاً توجهگرا هستند. در عین حال، آنها از یادگیری با نگاه کردن (استفاده از نمودارها و غیره) لذت میبرند و تمایل دارند اطلاعات را به صورت گروهی یا انفرادی مورد بحث و استفاده قرار دهند.
این مطالعه مروری بر تکنیکهای یادگیری ماشین مورد استفاده در دادهکاوی، با تمرکز بر پیشبینی فوری و دقیق سطح زبان دانشآموزان و توصیه IS مناسب، ارائه میدهد. کاربرد مدل درخت تصمیم، عواملی را که بیشترین ارتباط را با زندگی و تجربیات آموزشی آنها دارند، شناسایی کرد. این یک الگوریتم یادگیری ماشین تحت نظارت است که از یک ساختار درختی برای طبقهبندی دادهها با تقسیم مجموعهای از دادهها به زیرگروهها بر اساس معیارهای خاص استفاده میکند. این الگوریتم با تقسیم بازگشتی دادههای ورودی به زیرمجموعهها بر اساس مقدار یکی از ویژگیهای ورودی هر گره داخلی تا زمانی که در گره برگ تصمیمگیری شود، کار میکند.
گرههای داخلی درخت تصمیمگیری، راهحل مبتنی بر ویژگیهای ورودی مسئله m-ILS را نشان میدهند و گرههای برگ، پیشبینی نهایی طبقهبندی LS را نشان میدهند. در طول مطالعه، درک سلسله مراتب درختهای تصمیمگیری که فرآیند تصمیمگیری را با نگاه به رابطه بین ویژگیهای ورودی و پیشبینیهای خروجی توضیح میدهند، آسان است.
در زمینههای علوم کامپیوتر و مهندسی، الگوریتمهای یادگیری ماشین به طور گسترده برای پیشبینی عملکرد دانشجویان بر اساس نمرات آزمون ورودی [21]، اطلاعات جمعیتشناختی و رفتار یادگیری [22] استفاده میشوند. تحقیقات نشان داد که این الگوریتم عملکرد دانشجویان را به طور دقیق پیشبینی کرده و به آنها در شناسایی دانشجویان در معرض خطر مشکلات تحصیلی کمک کرده است.
کاربرد الگوریتمهای یادگیری ماشین در توسعه شبیهسازهای بیمار مجازی برای آموزش دندانپزشکی گزارش شده است. این شبیهساز قادر به بازتولید دقیق پاسخهای فیزیولوژیکی بیماران واقعی است و میتواند برای آموزش دانشجویان دندانپزشکی در یک محیط امن و کنترلشده مورد استفاده قرار گیرد [23]. چندین مطالعه دیگر نشان میدهد که الگوریتمهای یادگیری ماشین میتوانند به طور بالقوه کیفیت و کارایی آموزش دندانپزشکی و پزشکی و مراقبت از بیمار را بهبود بخشند. الگوریتمهای یادگیری ماشین برای کمک به تشخیص بیماریهای دندانی بر اساس مجموعه دادههایی مانند علائم و ویژگیهای بیمار استفاده شدهاند [24، 25]. در حالی که مطالعات دیگر استفاده از الگوریتمهای یادگیری ماشین را برای انجام وظایفی مانند پیشبینی نتایج بیمار، شناسایی بیماران پرخطر، تدوین برنامههای درمانی شخصیسازیشده [26]، درمان پریودنتال [27] و درمان پوسیدگی [25] بررسی کردهاند.
اگرچه گزارشهایی در مورد کاربرد یادگیری ماشینی در دندانپزشکی منتشر شده است، اما کاربرد آن در آموزش دندانپزشکی همچنان محدود است. بنابراین، این مطالعه با هدف استفاده از یک مدل درخت تصمیم برای شناسایی عواملی که بیشترین ارتباط را با LS و IS در بین دانشجویان دندانپزشکی دارند، انجام شد.
نتایج این مطالعه نشان میدهد که ابزار توصیه توسعهیافته از دقت بالا و دقت کامل برخوردار است و این نشان میدهد که معلمان میتوانند از این ابزار بهرهمند شوند. با استفاده از یک فرآیند طبقهبندی مبتنی بر داده، میتواند توصیههای شخصیسازیشده ارائه دهد و تجربیات و نتایج آموزشی را برای مربیان و دانشآموزان بهبود بخشد. در میان آنها، اطلاعات بهدستآمده از طریق ابزارهای توصیه میتواند تضاد بین روشهای تدریس ترجیحی معلمان و نیازهای یادگیری دانشآموزان را حل کند. به عنوان مثال، به دلیل خروجی خودکار ابزارهای توصیه، زمان لازم برای شناسایی IP دانشآموز و مطابقت آن با IP مربوطه به طور قابل توجهی کاهش مییابد. به این ترتیب، میتوان فعالیتهای آموزشی و مواد آموزشی مناسب را سازماندهی کرد. این امر به توسعه رفتار یادگیری مثبت و توانایی تمرکز دانشآموزان کمک میکند. یک مطالعه گزارش داد که ارائه مطالب آموزشی و فعالیتهای یادگیری که با LS ترجیحی آنها مطابقت دارد، میتواند به دانشآموزان کمک کند تا یادگیری را به روشهای مختلف ادغام، پردازش و از آن لذت ببرند تا به پتانسیل بیشتری دست یابند [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 دیگری، مشکلات و محدودیتهایی نیز وجود دارد. این موارد شامل مسائلی مربوط به حریم خصوصی دادهها، تعصب و انصاف، و مهارتها و منابع حرفهای مورد نیاز برای توسعه و پیادهسازی الگوریتمهای یادگیری ماشین در آموزش دندانپزشکی میشود. با این حال، علاقه و تحقیقات روزافزون 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 میدهد که نیمی از دانشجویان دندانپزشکی تمایل به «درک» داروها دارند. این نوع یادگیرنده، حقایق و مثالهای ملموس را ترجیح میدهد، جهتگیری عملی دارد، برای جزئیات صبر میکند و ترجیح میدهد از تصاویر، گرافیک، رنگها و نقشهها برای انتقال ایدهها و افکار استفاده کند. نتایج فعلی 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]. دالمولین و همکارانش پیشنهاد میکنند که آگاه کردن دانشجویان در مورد LS خود به آنها اجازه میدهد تا به پتانسیل یادگیری خود برسند. محققان استدلال میکنند که وقتی معلمان فرآیند آموزشی دانشجویان را به طور کامل درک میکنند، میتوان روشها و فعالیتهای مختلف تدریس را اجرا کرد که عملکرد و تجربه یادگیری دانشجویان را بهبود میبخشد [12، 31، 32]. مطالعات دیگر نشان دادهاند که تنظیم LS دانشجویان همچنین پس از تغییر سبکهای یادگیری آنها برای مطابقت با LS خودشان، بهبودهایی را در تجربه و عملکرد یادگیری دانشجویان نشان میدهد [13، 33].
نظرات معلمان ممکن است در مورد اجرای استراتژیهای تدریس مبتنی بر تواناییهای یادگیری دانشآموزان متفاوت باشد. در حالی که برخی مزایای این رویکرد، از جمله فرصتهای توسعه حرفهای، مربیگری و حمایت جامعه را میبینند، برخی دیگر ممکن است نگران زمان و حمایت نهادی باشند. تلاش برای ایجاد تعادل، کلید ایجاد نگرش دانشجو محور است. مسئولین آموزش عالی، مانند مدیران دانشگاه، میتوانند با معرفی شیوههای نوآورانه و حمایت از توسعه اعضای هیئت علمی، نقش مهمی در ایجاد تغییرات مثبت ایفا کنند [34]. برای ایجاد یک سیستم آموزش عالی واقعاً پویا و پاسخگو، سیاستگذاران باید گامهای جسورانهای مانند ایجاد تغییرات در سیاستها، اختصاص منابع به ادغام فناوری و ایجاد چارچوبهایی که رویکردهای دانشجو محور را ترویج میکنند، بردارند. این اقدامات برای دستیابی به نتایج مطلوب بسیار مهم هستند. تحقیقات اخیر در مورد آموزش تفکیکی به وضوح نشان داده است که اجرای موفقیتآمیز آموزش تفکیکی نیازمند آموزش مداوم و فرصتهای توسعه برای معلمان است [35].
این ابزار پشتیبانی ارزشمندی را برای مربیان دندانپزشکی که میخواهند رویکردی دانشجو محور برای برنامهریزی فعالیتهای یادگیری مناسب برای دانشجویان داشته باشند، فراهم میکند. با این حال، این مطالعه محدود به استفاده از مدلهای یادگیری ماشین درخت تصمیم است. در آینده، باید دادههای بیشتری برای مقایسه عملکرد مدلهای مختلف یادگیری ماشین جمعآوری شود تا دقت، قابلیت اطمینان و دقت ابزارهای توصیهگر مقایسه شود. علاوه بر این، هنگام انتخاب مناسبترین روش یادگیری ماشین برای یک کار خاص، در نظر گرفتن عوامل دیگری مانند پیچیدگی و تفسیر مدل مهم است.
یکی از محدودیتهای این مطالعه این است که فقط بر نگاشت LS و IS در بین دانشجویان دندانپزشکی تمرکز داشته است. بنابراین، سیستم توصیه توسعهیافته فقط مواردی را توصیه میکند که برای دانشجویان دندانپزشکی مناسب هستند. تغییرات برای استفاده عمومی دانشجویان آموزش عالی ضروری است.
ابزار توصیه مبتنی بر یادگیری ماشین که به تازگی توسعه یافته است، قادر به طبقهبندی و تطبیق فوری LS دانشجویان با IS مربوطه است و آن را به اولین برنامه آموزش دندانپزشکی تبدیل میکند که به مربیان دندانپزشکی در برنامهریزی فعالیتهای آموزشی و یادگیری مرتبط کمک میکند. با استفاده از یک فرآیند اولویتبندی مبتنی بر داده، میتواند توصیههای شخصیسازیشده ارائه دهد، در زمان صرفهجویی کند، استراتژیهای آموزشی را بهبود بخشد، از مداخلات هدفمند پشتیبانی کند و توسعه حرفهای مداوم را ارتقا دهد. کاربرد آن، رویکردهای دانشجو محور را در آموزش دندانپزشکی ارتقا خواهد داد.
گیلک جانی، خبرگزاری آسوشیتدپرس. تطابق یا عدم تطابق بین سبک یادگیری دانشآموز و سبک تدریس معلم. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
زمان ارسال: ۲۹ آوریل ۲۰۲۴