В высших учебных заведениях, включая стоматологию, растет потребность в студенто-ориентированном обучении (SCL).Однако SCL имеет ограниченное применение в стоматологическом образовании.Таким образом, данное исследование направлено на содействие применению SCL в стоматологии путем использования технологии машинного обучения (ML) дерева решений для отображения предпочтительного стиля обучения (LS) и соответствующих стратегий обучения (IS) студентов-стоматологов в качестве полезного инструмента для разработки рекомендаций по IS. .Перспективные методы для студентов-стоматологов.
В общей сложности 255 студентов-стоматологов из Университета Малайи заполнили модифицированную анкету Индекса стилей обучения (m-ILS), которая содержала 44 пункта для классификации их по соответствующим LS.Собранные данные (называемые набором данных) используются в контролируемом обучении по дереву решений для автоматического сопоставления стилей обучения учащихся с наиболее подходящей ИС.Затем оценивается точность инструмента рекомендаций по обеспечению безопасности на основе машинного обучения.
Применение моделей дерева решений в автоматическом процессе сопоставления между LS (входными данными) и IS (целевыми выходными данными) позволяет сразу составить список подходящих стратегий обучения для каждого студента-стоматолога.Инструмент рекомендаций IS продемонстрировал идеальную точность и полную точность модели, что указывает на то, что сопоставление LS с IS имеет хорошую чувствительность и специфичность.
Инструмент рекомендаций ИС, основанный на дереве решений машинного обучения, доказал свою способность точно сопоставлять стили обучения студентов-стоматологов с соответствующими стратегиями обучения.Этот инструмент предоставляет мощные возможности для планирования курсов или модулей, ориентированных на учащихся, которые могут улучшить учебный процесс учащихся.
Преподавание и обучение являются фундаментальными видами деятельности в образовательных учреждениях.При разработке качественной системы профессионального образования важно ориентироваться на потребности учащихся в обучении.Взаимодействие между учащимися и их средой обучения можно определить через их LS.Исследования показывают, что намеренное учителем несоответствие между LS и IS учащихся может иметь негативные последствия для обучения учащихся, такие как снижение внимания и мотивации.Это косвенно повлияет на успеваемость учащихся [1,2].
ИС — это метод, используемый учителями для передачи знаний и навыков учащимся, в том числе для помощи учащимся в обучении [3].Вообще говоря, хорошие учителя планируют стратегии преподавания или ИС, которые лучше всего соответствуют уровню знаний их учеников, концепциям, которые они изучают, и их стадии обучения.Теоретически, когда LS и IS совпадают, учащиеся смогут организовать и использовать определенный набор навыков для эффективного обучения.Обычно план урока включает в себя несколько переходов между этапами, например, от преподавания к практике под руководством или от практики под руководством к самостоятельной практике.Имея это в виду, эффективные учителя часто планируют обучение с целью развития знаний и навыков учащихся [4].
Спрос на СКЛ растет в высших учебных заведениях, в том числе в стоматологии.Стратегии SCL разработаны с учетом потребностей учащихся в обучении.Этого можно достичь, например, если учащиеся активно участвуют в учебной деятельности, а учителя выступают в роли координаторов и несут ответственность за предоставление ценной обратной связи.Говорят, что предоставление учебных материалов и мероприятий, соответствующих образовательному уровню или предпочтениям учащихся, может улучшить среду обучения учащихся и способствовать положительному опыту обучения [5].
Вообще говоря, на процесс обучения студентов-стоматологов влияют различные клинические процедуры, которые им необходимо выполнять, и клиническая среда, в которой они развивают эффективные навыки межличностного общения.Цель обучения – дать возможность студентам объединить базовые знания в области стоматологии со стоматологическими клиническими навыками и применить полученные знания в новых клинических ситуациях [6, 7].Ранние исследования взаимосвязи между LS и IS показали, что корректировка стратегий обучения, сопоставленных с предпочтительным LS, поможет улучшить образовательный процесс [8].Авторы также рекомендуют использовать различные методы преподавания и оценки, чтобы адаптироваться к обучению и потребностям учащихся.
Учителя получают выгоду от применения знаний LS, которые помогают им проектировать, разрабатывать и реализовывать инструкции, которые улучшат приобретение учащимися более глубоких знаний и понимания предмета.Исследователи разработали несколько инструментов оценки LS, таких как модель экспериментального обучения Колба, модель стиля обучения Фельдера-Сильвермана (FSLSM) и модель Флеминга VAK/VARK [5, 9, 10].Согласно литературе, эти модели обучения являются наиболее часто используемыми и наиболее изученными моделями обучения.В текущей исследовательской работе FSLSM используется для оценки LS среди студентов-стоматологов.
FSLSM — широко используемая модель для оценки адаптивного обучения в инженерии.Существует множество опубликованных работ в области наук о здоровье (включая медицину, сестринское дело, фармацию и стоматологию), которые можно найти с использованием моделей FSLSM [5, 11, 12, 13].Инструмент, используемый для измерения размеров LS в FLSM, называется Индексом стилей обучения (ILS) [8], который содержит 44 пункта, оценивающих четыре измерения LS: обработку (активный/рефлексивный), восприятие (перцептивный/интуитивный), ввод (визуальный)./вербальный) и понимание (последовательное/глобальное) [14].
Как показано на рисунке 1, каждое измерение FSLSM имеет доминирующее предпочтение.Например, в измерении обработки учащиеся с «активным» LS предпочитают обрабатывать информацию, напрямую взаимодействуя с учебными материалами, учатся на практике и склонны учиться в группах.«Рефлексивный» ЛС относится к обучению посредством мышления и предпочитает работать в одиночку.«Воспринимающее» измерение LS можно разделить на «чувство» и/или «интуицию».«Чувствующие» студенты предпочитают более конкретную информацию и практические процедуры, ориентированы на факты по сравнению с «интуитивными» студентами, которые предпочитают абстрактный материал и являются более инновационными и творческими по своей природе.«Входное» измерение LS состоит из «визуальных» и «вербальных» учащихся.Люди с «визуальным» LS предпочитают учиться посредством визуальных демонстраций (таких как диаграммы, видео или живые демонстрации), тогда как люди с «вербальным» LS предпочитают учиться посредством слов в письменных или устных объяснениях.Чтобы «понять» измерения LS, таких учащихся можно разделить на «последовательных» и «глобальных».«Последовательные учащиеся предпочитают линейный мыслительный процесс и учатся шаг за шагом, в то время как глобальные учащиеся, как правило, имеют целостный мыслительный процесс и всегда лучше понимают, что они изучают.
В последнее время многие исследователи начали изучать методы автоматического открытия данных, включая разработку новых алгоритмов и моделей, способных интерпретировать большие объемы данных [15, 16].На основе предоставленных данных контролируемое МО (машинное обучение) способно генерировать закономерности и гипотезы, которые предсказывают будущие результаты на основе построения алгоритмов [17].Проще говоря, методы контролируемого машинного обучения манипулируют входными данными и обучают алгоритмы.Затем он генерирует диапазон, который классифицирует или прогнозирует результат на основе аналогичных ситуаций для предоставленных входных данных.Основным преимуществом алгоритмов контролируемого машинного обучения является его способность устанавливать идеальные и желаемые результаты [17].
Благодаря использованию методов, управляемых данными, и моделей управления деревом решений, возможно автоматическое обнаружение ЛС.Сообщается, что деревья решений широко используются в программах обучения в различных областях, включая науки о здравоохранении [18, 19].В этом исследовании модель была специально обучена разработчиками системы, чтобы идентифицировать ЛС студентов и рекомендовать для них лучшую ИС.
Целью данного исследования является разработка стратегий доставки ИС на основе LS студентов и применение подхода SCL путем разработки инструмента рекомендаций по ИС, сопоставленного с LS.Поток разработки инструмента рекомендаций ИС как стратегии метода SCL показан на рисунке 1. Инструмент рекомендаций ИС разделен на две части, включая механизм классификации LS с использованием ILS и наиболее подходящее отображение ИС для студентов.
В частности, характеристики инструментов рекомендаций по информационной безопасности включают использование веб-технологий и использование машинного обучения дерева решений.Разработчики систем улучшают удобство использования и мобильность, адаптируя их к мобильным устройствам, таким как мобильные телефоны и планшеты.
Эксперимент проводился в два этапа, и студенты стоматологического факультета Малайского университета участвовали на добровольной основе.Участники ответили на онлайн-запрос m-ILS студента-стоматолога на английском языке.На начальном этапе для обучения алгоритма машинного обучения дерева решений использовался набор данных из 50 студентов.На втором этапе процесса разработки набор данных из 255 студентов был использован для повышения точности разработанного инструмента.
Все участники получают онлайн-брифинг в начале каждого этапа, в зависимости от учебного года, через Microsoft Teams.Была объяснена цель исследования и получено информированное согласие.Всем участникам была предоставлена ссылка для доступа к m-ILS.Каждому студенту было предложено ответить на все 44 пункта анкеты.Им была предоставлена одна неделя на заполнение модифицированного ILS в удобное для них время и место во время семестровых каникул перед началом семестра.m-ILS основан на оригинальном инструменте ILS и модифицирован для студентов-стоматологов.Подобно исходной ILS, она содержит 44 равномерно распределенных пункта (a, b), по 11 пунктов в каждом, которые используются для оценки аспектов каждого измерения FSLSM.
На начальных этапах разработки инструмента исследователи вручную аннотировали карты, используя набор данных 50 студентов-стоматологов.По данным ФСЛМ, система выдает сумму ответов «а» и «б».Для каждого измерения, если учащийся выбирает «а» в качестве ответа, LS классифицируется как Активный/Перцептивный/Визуальный/Последовательный, а если учащийся выбирает «b» в качестве ответа, учащийся классифицируется как Рефлексивный/Интуитивный/Лингвистический. ./ глобальный ученик.
После калибровки рабочего процесса между исследователями стоматологического образования и разработчиками систем вопросы были выбраны на основе домена FLSSM и переданы в модель ML для прогнозирования LS каждого студента.«Мусор на входе, мусор на выходе» — популярное высказывание в области машинного обучения, в котором особое внимание уделяется качеству данных.Качество входных данных определяет точность и достоверность модели машинного обучения.На этапе разработки функций создается новый набор функций, который представляет собой сумму ответов «a» и «b» на основе FLSSM.Идентификационные номера позиций лекарственных средств приведены в таблице 1.
Подсчитайте балл на основе ответов и определите LS учащегося.Для каждого учащегося диапазон баллов составляет от 1 до 11. Баллы от 1 до 3 указывают на баланс предпочтений в обучении в рамках одного и того же измерения, а баллы от 5 до 7 указывают на умеренные предпочтения, указывая на то, что учащиеся склонны предпочитать одну среду обучения другим. .Другой вариант того же параметра заключается в том, что баллы от 9 до 11 отражают сильное предпочтение того или иного конца [8].
По каждому параметру наркотики были сгруппированы на «активные», «рефлексивные» и «сбалансированные».Например, если учащийся отвечает «а» чаще, чем «б» по определенному элементу, и его/ее оценка превышает порог в 5 баллов для конкретного элемента, представляющего измерение LS «Обработка», он/она принадлежит к «активному» LS. домен..Однако к «рефлексивным» ЛС относились студенты, когда в конкретных 11 вопросах они выбирали «б» чаще, чем «а» (табл. 1) и набирали более 5 баллов.Наконец, студент находится в состоянии «равновесия».Если оценка не превышает 5 баллов, то это «процессное» ЛС.Процесс классификации был повторен для других измерений LS, а именно восприятия (активного/рефлексивного), ввода (визуального/вербального) и понимания (последовательного/глобального).
Модели дерева решений могут использовать разные подмножества функций и правил принятия решений на разных этапах процесса классификации.Он считается популярным инструментом классификации и прогнозирования.Его можно представить с помощью древовидной структуры, такой как блок-схема [20], в которой есть внутренние узлы, представляющие тесты по атрибутам, каждая ветвь, представляющая результаты тестов, и каждый листовой узел (листовой узел), содержащий метку класса.
Была создана простая программа, основанная на правилах, которая автоматически оценивает и комментирует LS каждого учащегося на основе его ответов.Основанный на правилах принимает форму оператора ЕСЛИ, где «ЕСЛИ» описывает триггер, а «ТО» указывает действие, которое необходимо выполнить, например: «Если произойдет X, то сделайте Y» (Лю и др., 2014).Если набор данных демонстрирует корреляцию, а модель дерева решений правильно обучена и оценена, этот подход может стать эффективным способом автоматизации процесса сопоставления LS и IS.
На втором этапе разработки набор данных был увеличен до 255, чтобы повысить точность инструмента рекомендаций.Набор данных разделен в соотношении 1:4.25% (64) набора данных использовалось для тестового набора, а оставшиеся 75% (191) использовались в качестве обучающего набора (рис. 2).Набор данных необходимо разделить, чтобы предотвратить обучение и тестирование модели на одном и том же наборе данных, что может привести к тому, что модель запомнит, а не обучится.Модель обучается на обучающем наборе и оценивает свою производительность на тестовом наборе — данных, которых модель никогда раньше не видела.
После разработки инструмента ИС приложение сможет классифицировать LS на основе ответов студентов-стоматологов через веб-интерфейс.Веб-система инструментов рекомендаций по информационной безопасности построена с использованием языка программирования Python с использованием инфраструктуры Django в качестве серверной части.В таблице 2 перечислены библиотеки, использованные при разработке этой системы.
Набор данных передается в модель дерева решений для расчета и извлечения ответов учащихся для автоматической классификации измерений LS учащихся.
Матрица путаницы используется для оценки точности алгоритма машинного обучения дерева решений на заданном наборе данных.В то же время он оценивает производительность модели классификации.Он суммирует прогнозы модели и сравнивает их с фактическими метками данных.Результаты оценки основаны на четырех различных значениях: True Positive (TP) — модель правильно предсказала положительную категорию, False Positive (FP) — модель предсказала положительную категорию, но истинная метка была отрицательной, True Negative (TN) — модель правильно предсказала отрицательный класс, а ложноотрицательный (FN). Модель предсказывает отрицательный класс, но истинная метка положительна.
Эти значения затем используются для расчета различных показателей производительности модели классификации scikit-learn в Python, а именно точности, точности, отзыва и оценки F1.Вот примеры:
Напомним (или чувствительность) измеряет способность модели точно классифицировать LS учащегося после ответа на анкету m-ILS.
Специфичностью называют истинно отрицательный показатель.Как видно из приведенной выше формулы, это должно быть соотношение истинно отрицательных результатов (TN) к истинно отрицательным и ложноположительным (FP).Являясь частью рекомендуемого инструмента классификации студенческих наркотиков, он должен обеспечивать точную идентификацию.
Исходный набор данных из 50 студентов, использованный для обучения модели ML дерева решений, показал относительно низкую точность из-за человеческой ошибки в аннотациях (таблица 3).После создания простой программы на основе правил для автоматического расчета баллов LS и аннотаций учащихся, для обучения и тестирования рекомендательной системы использовалось все большее количество наборов данных (255).
В матрице многоклассовой путаницы диагональные элементы представляют количество правильных предсказаний для каждого типа LS (рис. 4).Используя модель дерева решений, было правильно предсказано в общей сложности 64 выборки.Таким образом, в этом исследовании диагональные элементы показывают ожидаемые результаты, указывая на то, что модель работает хорошо и точно предсказывает метку класса для каждой классификации LS.Таким образом, общая точность рекомендательного инструмента составляет 100%.
Значения точности, прецизионности, полноты и оценки F1 показаны на рисунке 5. Для системы рекомендаций, использующей модель дерева решений, ее оценка F1 равна 1,0 «идеально», что указывает на идеальную точность и полноту, что отражает значительную чувствительность и специфичность. ценности.
На рисунке 6 показана визуализация модели дерева решений после завершения обучения и тестирования.При параллельном сравнении модель дерева решений, обученная с меньшим количеством функций, показала более высокую точность и более простую визуализацию модели.Это показывает, что разработка функций, ведущая к сокращению функций, является важным шагом в улучшении производительности модели.
Применяя обучение с учителем по дереву решений, автоматически генерируется сопоставление между LS (входом) и IS (целевым выходом) и содержит подробную информацию для каждого LS.
Результаты показали, что 34,9% из 255 студентов предпочли один (1) вариант LS.Большинство (54,3%) имели два или более предпочтений LS.12,2% студентов отметили, что LS достаточно сбалансирован (табл. 4).Помимо восьми основных LS, существует 34 комбинации классификаций LS для студентов-стоматологов Университета Малайи.Среди них восприятие, видение и сочетание восприятия и видения являются основными LS, о которых сообщают студенты (рис. 7).
Как видно из таблицы 4, у большинства студентов преобладала сенсорная (13,7%) или зрительная (8,6%) ЛС.Сообщалось, что у 12,2% студентов восприятие сочеталось со зрением (перцептивно-зрительное LS).Эти данные свидетельствуют о том, что учащиеся предпочитают учиться и запоминать с помощью установленных методов, следуют конкретным и подробным процедурам и внимательны по своей природе.В то же время им нравится учиться, глядя (используя диаграммы и т. д.), они склонны обсуждать и применять информацию в группах или самостоятельно.
В этом исследовании представлен обзор методов машинного обучения, используемых при интеллектуальном анализе данных, с упором на мгновенное и точное прогнозирование результатов обучения студентов и рекомендации подходящих ИС.Применение модели дерева решений выявило факторы, наиболее тесно связанные с их жизнью и образовательным опытом.Это контролируемый алгоритм машинного обучения, который использует древовидную структуру для классификации данных путем разделения набора данных на подкатегории на основе определенных критериев.Он работает путем рекурсивного разделения входных данных на подмножества на основе значения одного из входных признаков каждого внутреннего узла до тех пор, пока решение не будет принято на листовом узле.
Внутренние узлы дерева решений представляют решение, основанное на входных характеристиках задачи m-ILS, а конечные узлы представляют окончательный прогноз классификации LS.На протяжении всего исследования легко понять иерархию деревьев решений, которые объясняют и визуализируют процесс принятия решений, рассматривая взаимосвязь между входными функциями и выходными прогнозами.
В области информатики и инженерии алгоритмы машинного обучения широко используются для прогнозирования успеваемости студентов на основе их результатов вступительных экзаменов [21], демографической информации и учебного поведения [22].Исследования показали, что алгоритм точно предсказал успеваемость учащихся и помог им выявить учащихся, подверженных риску академических трудностей.
Сообщается о применении алгоритмов ML при разработке виртуальных симуляторов пациентов для обучения стоматологов.Симулятор способен точно воспроизводить физиологические реакции реальных пациентов и может использоваться для обучения студентов-стоматологов в безопасной и контролируемой среде [23].Несколько других исследований показывают, что алгоритмы машинного обучения потенциально могут улучшить качество и эффективность стоматологического и медицинского образования и ухода за пациентами.Алгоритмы машинного обучения использовались для диагностики стоматологических заболеваний на основе наборов данных, таких как симптомы и характеристики пациентов [24, 25].В то время как в других исследованиях изучалось использование алгоритмов машинного обучения для выполнения таких задач, как прогнозирование результатов лечения пациентов, выявление пациентов с высоким риском, разработка персонализированных планов лечения [26], пародонтологическое лечение [27] и лечение кариеса [25].
Хотя отчеты о применении машинного обучения в стоматологии были опубликованы, его применение в стоматологическом образовании остается ограниченным.Таким образом, это исследование было направлено на использование модели дерева решений для выявления факторов, наиболее тесно связанных с LS и IS среди студентов-стоматологов.
Результаты этого исследования показывают, что разработанный инструмент рекомендаций обладает высокой точностью и идеальной точностью, что указывает на то, что учителя могут извлечь выгоду из этого инструмента.Используя процесс классификации на основе данных, он может предоставлять персонализированные рекомендации и улучшать образовательный опыт и результаты для преподавателей и студентов.Среди них информация, полученная с помощью рекомендательных инструментов, может разрешить конфликты между предпочтительными методами преподавания учителей и потребностями учащихся в обучении.Например, за счет автоматизированного вывода рекомендательных инструментов время, необходимое для определения IP студента и сопоставления его с соответствующим IP, будет значительно сокращено.Таким образом можно организовать подходящие учебные мероприятия и учебные материалы.Это помогает развить у учащихся позитивное учебное поведение и способность концентрироваться.В одном исследовании сообщалось, что предоставление учащимся учебных материалов и учебных мероприятий, соответствующих их предпочтительному LS, может помочь учащимся интегрировать, обрабатывать и получать удовольствие от обучения разными способами для достижения большего потенциала [12].Исследования также показывают, что помимо улучшения участия учащихся в классе, понимание процесса обучения учащихся также играет решающую роль в улучшении практики преподавания и общения со студентами [28, 29].
Однако, как и в любой современной технологии, здесь есть проблемы и ограничения.К ним относятся вопросы, связанные с конфиденциальностью данных, предвзятостью и справедливостью, а также профессиональными навыками и ресурсами, необходимыми для разработки и внедрения алгоритмов машинного обучения в стоматологическом образовании;Однако растущий интерес и исследования в этой области позволяют предположить, что технологии машинного обучения могут оказать положительное влияние на стоматологическое образование и стоматологические услуги.
Результаты этого исследования показывают, что половина студентов-стоматологов имеют склонность «воспринимать» лекарства.У этого типа учащихся есть предпочтение фактам и конкретным примерам, практическая ориентация, терпение к деталям и «визуальное» предпочтение LS, когда учащиеся предпочитают использовать изображения, графику, цвета и карты для передачи идей и мыслей.Текущие результаты согласуются с другими исследованиями, использующими ILS для оценки LS у студентов-стоматологов и студентов-медиков, большинство из которых имеют характеристики перцептивного и зрительного LS [12, 30].Далмолин и др. предполагают, что информирование учащихся об их LS позволяет им реализовать свой учебный потенциал.Исследователи утверждают, что, когда учителя полностью понимают образовательный процесс учащихся, можно применять различные методы обучения и мероприятия, которые улучшат успеваемость учащихся и опыт обучения [12, 31, 32].Другие исследования показали, что корректировка LS студентов также показывает улучшение опыта обучения и успеваемости студентов после изменения их стилей обучения в соответствии с их собственным LS [13, 33].
Мнения учителей могут различаться относительно реализации стратегий обучения, основанных на способностях учащихся к обучению.Хотя некоторые видят преимущества этого подхода, включая возможности профессионального развития, наставничество и поддержку сообщества, другие могут быть обеспокоены временем и институциональной поддержкой.Стремление к балансу является ключом к созданию ориентированного на учащихся отношения.Органы высшего образования, такие как администрация университетов, могут сыграть важную роль в обеспечении позитивных изменений, внедряя инновационные практики и поддерживая развитие профессорско-преподавательского состава [34].Чтобы создать по-настоящему динамичную и быстро реагирующую систему высшего образования, политики должны предпринять смелые шаги, такие как внесение изменений в политику, выделение ресурсов на интеграцию технологий и создание структур, продвигающих подходы, ориентированные на студентов.Эти меры имеют решающее значение для достижения желаемых результатов.Недавние исследования дифференцированного обучения ясно показали, что успешное внедрение дифференцированного обучения требует постоянного обучения и возможностей развития учителей [35].
Этот инструмент оказывает ценную поддержку преподавателям-стоматологам, которые хотят использовать ориентированный на учащихся подход к планированию учебной деятельности, ориентированной на учащихся.Однако это исследование ограничивается использованием моделей ML в виде дерева решений.В будущем необходимо собрать больше данных для сравнения производительности различных моделей машинного обучения, чтобы сравнить точность, надежность и точность инструментов рекомендаций.Кроме того, при выборе наиболее подходящего метода машинного обучения для конкретной задачи важно учитывать другие факторы, такие как сложность модели и ее интерпретация.
Ограничением этого исследования является то, что оно было сосредоточено только на картировании LS и IS среди студентов-стоматологов.Поэтому разработанная система рекомендаций будет рекомендовать только те, которые подходят студентам-стоматологам.Изменения необходимы для использования студентами общего высшего образования.
Недавно разработанный инструмент рекомендаций на основе машинного обучения способен мгновенно классифицировать и сопоставлять LS студентов с соответствующим IS, что делает его первой программой стоматологического образования, которая помогает преподавателям стоматологии планировать соответствующие учебные и учебные мероприятия.Используя процесс сортировки на основе данных, он может предоставлять персонализированные рекомендации, экономить время, улучшать стратегии обучения, поддерживать целевые вмешательства и способствовать постоянному профессиональному развитию.Его применение будет способствовать развитию подходов к стоматологическому образованию, ориентированных на студентов.
Гилак Джани Ассошиэйтед Пресс.Совпадение или несоответствие между стилем обучения ученика и стилем преподавания учителя.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Время публикации: 29 апреля 2024 г.