• мы

Картирование Стипов обучения студентов -стоматологических учеников с соответствующими стратегиями обучения с использованием моделей машинного обучения Tree Decision BMC Medical Education |

В высших учебных заведениях растет потребность в обучении, ориентированном на студентов (SCL), включая стоматологию. Тем не менее, SCL имеет ограниченное применение в области стоматологического образования. Таким образом, это исследование направлено на содействие применению SCL в стоматологии с использованием технологии Tree Machine Learning (ML) для сопоставления предпочтительного стиля обучения (LS), а соответствующие стратегии обучения (IS) студентов -стоматологи Полем Многообещающие методы для студентов -стоматологов.
В общей сложности 255 студентов-стоматологических студентов из Университета Малайи заполнили вопросник модифицированного индекса стилей обучения (M-ILS), который содержал 44 пункта для классификации их в соответствующих LS. Собранные данные (называемые набором данных) используются в контролируемом дереве решений, чтобы автоматически соответствовать стилям обучения учащихся с наиболее подходящим. Затем оценивается точность на основе машинного обучения.
Применение моделей дерева решений в процессе автоматического отображения между LS (входом) и IS (целевой вывод) позволяет получить немедленный список соответствующих стратегий обучения для каждого студента -стоматолога. Инструмент рекомендаций IS продемонстрировал идеальную точность и отзыв общей точности модели, что указывает на то, что сопоставление LS к IS имеет хорошую чувствительность и специфичность.
Инструмент IS рекомендации, основанный на дереве решений ML, доказал свою способность точно соответствовать стилям обучения студентов -стоматологии с соответствующими стратегиями обучения. Этот инструмент предоставляет мощные варианты для планирования курсов или модулей, ориентированных на учащихся, которые могут улучшить опыт обучения студентов.
Преподавание и обучение являются фундаментальной деятельностью в учебных заведениях. При разработке высококачественной системы профессионального образования важно сосредоточиться на потребностях учащихся в обучении. Взаимодействие между студентами и их учебной средой может быть определено через их LS. Исследования показывают, что несоответствия, заинтересованные учителями между LS, и могут иметь негативные последствия для обучения учащихся, такие как снижение внимания и мотивация. Это косвенно повлияет на успеваемость учащихся [1,2].
IS - это метод, используемый учителями для предоставления студентам знаний и навыков, включая помощь учащимся [3]. Вообще говоря, хорошие учителя планируют стратегии преподавания или в том, что лучше всего соответствуют уровню знаний своих учеников, концепциях, которые они изучают, и их стадию обучения. Теоретически, когда LS и соответствует, студенты смогут организовать и использовать определенный набор навыков для эффективного обучения. Как правило, план урока включает в себя несколько переходов между этапами, такими как от преподавания к практике управляемой или от практики с гидом к независимой практике. Имея это в виду, эффективные учителя часто планируют обучение с целью создания знаний и навыков студентов [4].
Спрос на SCL растет в высших учебных заведениях, включая стоматологию. Стратегии SCL предназначены для удовлетворения потребностей студентов в обучении. Это может быть достигнуто, например, если студенты активно участвуют в учебной деятельности, а учителя выступают в качестве фасилитаторов и несут ответственность за обеспечение ценной обратной связи. Говорят, что предоставление учебных материалов и мероприятий, которые соответствуют уровню образования или предпочтениям студентов, может улучшить учебную среду учащихся и способствовать положительному обучению [5].
Вообще говоря, на процесс обучения студентов -стоматологов влияет различные клинические процедуры, которые они необходимы для выполнения, и клиническая среда, в которой они развивают эффективные навыки межличностного общения. Цель обучения состоит в том, чтобы дать студентам объединить базовые знания стоматологии с стоматологическими клиническими навыками и применять приобретенные знания в новых клинических ситуациях [6, 7]. Ранние исследования взаимосвязи между LS и обнаружены, что корректировка стратегий обучения, отображаемых с предпочтительным LS, поможет улучшить образовательный процесс [8]. Авторы также рекомендуют использовать различные методы обучения и оценки для адаптации к обучению и потребностям учащихся.
Учителя получают выгоду от применения знаний LS, чтобы помочь им разрабатывать, разрабатывать и внедрить инструкции, которые улучшат приобретение учащихся более глубоких знаний и понимания предмета. Исследователи разработали несколько инструментов оценки LS, таких как модель опыта обучения KOLB, модель стиля обучения Felder-Silverman (FSLSM) и модель Fleming 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 -стоматолога.
FSLSM является широко используемой моделью для оценки адаптивного обучения в инженерии. В медицинских науках есть много опубликованных работ (включая медицину, сестринское дело, аптеку 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 элемента, которые оценивают четыре измерения LS: обработка (активное/отражающее), восприятие (восприятие/интуитивно понятно),), Ввод (визуальный). /устный) и понимание (последовательный/глобальный) [14].
Как показано на рисунке 1, каждое измерение FSLSM имеет доминирующее предпочтение. Например, в измерении обработки учащиеся с «активными» LS предпочитают обрабатывать информацию, напрямую взаимодействуя с учебными материалами, учились на выполнении и склонны учиться в группах. «Рефлексивный» LS относится к обучению посредством мышления и предпочитает работать в одиночку. «Восприятие» измерения LS можно разделить на «чувство» и/или «интуицию». «Чувство» студентов предпочитают более конкретную информацию и практические процедуры, ориентированы на факты по сравнению с «интуитивно понятными» студентами, которые предпочитают абстрактный материал и являются более инновационными и креативными по своей природе. «Входной» измерение LS состоит из «визуальных» и «словесных» учеников. Люди с «визуальными» LS предпочитают учиться с помощью визуальных демонстраций (таких как диаграммы, видео или живые демонстрации), тогда как люди с «словесными» LS предпочитают учиться через слова в письменных или устных объяснениях. Чтобы «понять» измерения LS, таких учащихся можно разделить на «последовательный» и «глобальный». «Последовательные ученики предпочитают линейный мыслительный процесс и учится шаг за шагом, в то время как у учащихся глобальных, как правило, есть целостный мыслительный процесс и всегда лучше понимают, что они изучают.
Недавно многие исследователи начали изучать методы автоматического обнаружения, управляемого данными, включая разработку новых алгоритмов и моделей, способных интерпретировать большие объемы данных [15, 16]. Основываясь на предоставленных данных, контролируемый ML (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 алгоритмами обучения. Затем он генерирует диапазон, который классифицирует или предсказывает 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 деревами решений, возможно автоматическое обнаружение LS. Сообщалось, что деревья решений широко используются в учебных программах в различных областях, включая медицинские науки [18, 19]. В этом исследовании модель была специально обучена разработчиками системы для выявления LS студентов и рекомендовать лучшее для них.
Целью данного исследования является разработка стратегии доставки, основанные на LS студентов и применение подхода SCL путем разработки инструмента рекомендации IS, отображаемых с LS. Программный поток инструмента рекомендации IS как стратегия метода SCL показан на рисунке 1. Инструмент рекомендации IS разделен на две части, включая механизм классификации LS с использованием ILS, и наиболее подходящим является отображение для студентов.
В частности, характеристики инструментов рекомендаций по безопасности включают использование веб -технологий и использование машинного обучения дерева решений. Разработчики системы улучшают пользовательский опыт и мобильность, адаптируя их к мобильным устройствам, таким как мобильные телефоны и планшеты.
Эксперимент проводился на двух этапах, и студенты из факультета стоматологии в Университете Малайи участвовали на добровольной основе. Участники отреагировали на онлайн-MI-ILS студента-стоматолога на английском языке. На начальном этапе набор данных из 50 студентов использовался для обучения алгоритма машинного обучения дерева решений. На втором этапе процесса разработки набор данных из 255 студентов использовался для повышения точности разработанного инструмента.
Все участники получают онлайн -брифинг в начале каждого этапа, в зависимости от учебного года, через команды Microsoft. Цель исследования была объяснена, и было получено информированное согласие. Всем участникам была предоставлена ​​ссылка для доступа к M-ILS. Каждому студенту было дано указание ответить на все 44 пункта в вопроснике. Им дали одну неделю, чтобы завершить модифицированные IL за раз и место, удобное для них в течение семестра до начала семестра. M-ILS основан на оригинальном инструменте ILS и модифицирован для студентов-стоматологии. Подобно исходному ILS, он содержит 44 равномерно распределенных элементов (A, B), с по 11 пунктам, которые используются для оценки аспектов каждого измерения FSLSM.
На начальных этапах разработки инструментов исследователи вручную аннотировали карты, используя набор данных из 50 студентов -стоматологов. Согласно FSLM, система предоставляет сумму ответов «A» и «B». Для каждого измерения, если ученик выбирает «A» в качестве ответа, LS классифицируется как активное/восприятие/визуальное/последовательное, и если студент выбирает «B» в качестве ответа, студент классифицируется как отражающий/интуитивно/лингвистический Полем / Глобальный ученик.
После калибровки рабочего процесса между исследователями стоматологического образования и разработчиками системы были отобраны вопросы на основе домена FLSSM и поданы в модель ML для прогнозирования LS каждого студента. «Мусор, мусор» - это популярная поговорка в области машинного обучения, с акцентом на качество данных. Качество входных данных определяет точность и точность модели машинного обучения. На этапе инженерии функций создается новый набор функций, который представляет собой сумму ответов «A» и «B» на основе FLSSM. Идентификационные номера позиций лекарственного средства приведены в таблице 1.
Рассчитайте оценку на основе ответов и определите LS студента. Для каждого студента диапазон баллов составляет от 1 до 11. Оценки от 1 до 3 указывают на баланс предпочтений обучения в одном и том же измерении, а оценки от 5 до 7 указывают на умеренное предпочтение, указывая на то, что студенты, как правило, предпочитают одну среду, обучающую другим Полем Еще один вариант того же измерения заключается в том, что оценки от 9 до 11 отражают сильное предпочтение для того или другого конца [8].
Для каждого измерения лекарства были сгруппированы в «активные», «отражающие» и «сбалансированные». Например, когда студент отвечает «А» чаще, чем «В» на назначенном предмете, а его/ее счет превышает порог 5 для конкретного предмета, представляющего обработку LS, он/она принадлежит к «активному» LS домен. Полем Тем не менее, студенты были классифицированы как «рефлексивные» LS, когда они выбрали «B» больше, чем «A» в определенных 11 вопросах (Таблица 1) и набрали более 5 очков. Наконец, студент находится в состоянии «равновесия». Если оценка не превышает 5 баллов, то это «процесс». Процесс классификации повторялся для других измерений LS, а именно восприятия (активного/отражающего), входного (визуального/словесного) и понимания (последовательно/глобального).
Модели дерева решений могут использовать различные подмножества функций и правил принятия решений на разных этапах процесса классификации. Это считается популярным инструментом классификации и прогнозирования. Он может быть представлен с использованием структуры дерева, такой как блок -схема [20], в которой существуют внутренние узлы, представляющие тесты по атрибуту, каждая ветвя, представляющая результаты теста, и каждый узел листового узла (листовой узел), содержащий метку класса.
Простая программа, основанная на правилах, была создана для автоматического оценки и аннотирования LS каждого студента на основе его ответов. Основанный на правилах принимает форму оператора IF, где «если» описывает триггер и «затем» определяет действие, необходимое, например: «Если X происходит, то сделайте Y» (Liu et al., 2014). Если набор данных демонстрирует корреляцию, а модель дерева решений должным образом обучен и оценен, этот подход может быть эффективным способом автоматизации процесса сопоставления LS и IS.
На втором этапе разработки набор данных был увеличен до 255 для повышения точности инструмента рекомендаций. Набор данных разделен в соотношении 1: 4. 25% (64) набора данных использовали для тестового набора, а оставшиеся 75% (191) использовали в качестве учебного набора (рис. 2). Набор данных должен быть разделен, чтобы предотвратить обучение модели и протестирование на одном и том же наборе данных, что может привести к тому, что модель может запомнить, а не учиться. Модель обучена обучающему набору и оценивает ее производительность на тестовом наборе - Data, которую модель никогда не видела.
После того, как инструмент IS будет разработан, приложение сможет классифицировать LS на основе ответов студентов -стоматологов через веб -интерфейс. Веб-система инструментов рекомендаций по безопасности информационной безопасности создается с использованием языка программирования Python с использованием структуры Django в качестве бэкэнда. В таблице 2 перечислены библиотеки, используемые при разработке этой системы.
Набор данных подается в модель дерева решений для расчета и извлечения ответов учащихся в автоматическую классификацию измерений LS учащихся.
Матрица путаницы используется для оценки точности алгоритма машинного обучения дерева решений на данном наборе данных. В то же время он оценивает производительность классификационной модели. Он суммирует прогнозы модели и сравнивает их с фактическими метками данных. Результаты оценки основаны на четырех различных значениях: True Poilic (TP) - модель правильно предсказала положительную категорию, False Positive (FP) - модель предсказала положительную категорию, но истинная метка была отрицательной, истинной отрицательной (TN) - - Модель правильно предсказала отрицательный класс и ложно -отрицательный (FN) - модель предсказывает отрицательный класс, но истинная метка положительная.
Эти значения затем используются для расчета различных показателей производительности модели классификации Scikit-Learn в Python, а также точность, точность, отзыв и оценка F1. Вот примеры:
Напомним (или чувствительность) измеряет способность модели точно классифицировать LS студента после ответа на вопросник M-ILS.
Специфичность называется истинной негативной скоростью. Как вы можете видеть из приведенной выше формулы, это должно быть соотношение истинных негативов (TN) к истинным негативам и ложным срабатыванию (FP). В рамках рекомендуемого инструмента для классификации студенческих лекарств он должен быть способен к точной идентификации.
Первоначальный набор данных из 50 студентов, используемых для обучения модели Tree Decision Tree ML, показал относительно низкую точность из -за человеческой ошибки в аннотациях (Таблица 3). После создания простой программы, основанной на правилах для автоматического расчета баллов LS и аннотаций студентов, для обучения и проверки системы рекомендателей было использовано все большее количество наборов данных (255).
В Multiclass Matrix диагональные элементы представляют количество правильных прогнозов для каждого типа LS (рисунок 4). Используя модель дерева решений, было правильно предсказано 64 образца. Таким образом, в этом исследовании диагональные элементы показывают ожидаемые результаты, что указывает на то, что модель работает хорошо и точно предсказывает этикетку класса для каждой классификации LS. Таким образом, общая точность инструмента рекомендации составляет 100%.
Значения точности, точности, отзывания и баллов F1 показаны на рисунке 5. Для системы рекомендаций с использованием модели дерева решений ее оценка F1 составляет 1,0 «идеально», что указывает на идеальную точность и отзыв, отражая значительную чувствительность и специфичность ценности.
На рисунке 6 показана визуализация модели дерева решений после завершения обучения и тестирования. В сравнении бок о бок модель дерева решений, обученная меньшим количеством функций, показала более высокую точность и более легкую визуализацию модели. Это показывает, что инженерия функций, приводящая к сокращению функций, является важным шагом в улучшении производительности модели.
Применяясь, применяя обучение дерева решений, отображение между LS (входом) и IS (целевой вывод) создается автоматически и содержит подробную информацию для каждого LS.
Результаты показали, что 34,9% из 255 студентов предпочли один (1) вариант LS. У большинства (54,3%) было два или более предпочтений LS. 12,2% студентов отметили, что LS довольно сбалансирован (Таблица 4). В дополнение к восьми основным LS, существует 34 комбинации классификаций LS для студентов -стоматологов Университета Малайи. Среди них восприятие, зрение и сочетание восприятия и видения являются основными LS, о которых сообщают студенты (рис. 7).
Как видно из таблицы 4, у большинства учащихся были преобладающие сенсорные (13,7%) или визуальные (8,6%) LS. Сообщалось, что 12,2% учащихся объединили восприятие с зрением (Perceptual-Visual LS). Эти результаты предполагают, что студенты предпочитают учиться и помнить с помощью установленных методов, следовать конкретным и подробным процедурам и имеют внимательный характер. В то же время им нравится учиться, глядя (используя диаграммы и т. Д.) И склонна обсуждать и применять информацию в группах или самостоятельно.
В этом исследовании представлен обзор методов машинного обучения, используемых в добыче данных, с акцентом на мгновенное и точное прогнозирование LS студентов и рекомендации подходящего. Применение модели дерева решений определило факторы, наиболее тесно связанные с их жизнью и образовательным опытом. Это контролируемый алгоритм машинного обучения, который использует структуру дерева для классификации данных путем разделения набора данных на подкатегории на основе определенных критериев. Он работает путем рекурсивного деления входных данных на подмножества на основе значения одной из входных функций каждого внутреннего узла, пока решение не будет принято в листовом узле.
Внутренние узлы дерева решений представляют собой решение, основанное на входных характеристиках задачи M-ILS, а узлы листьев представляют собой конечный прогноз классификации LS. На протяжении всего исследования легко понять иерархию деревьев решений, которые объясняют и визуализируют процесс принятия решений, рассматривая взаимосвязь между входными характеристиками и прогнозами вывода.
В области компьютерных наук и техники алгоритмы машинного обучения широко используются для прогнозирования успеваемости учащихся на основе их оценки вступительных экзаменов [21], демографической информации и поведения в обучении [22]. Исследования показали, что алгоритм точно прогнозировал успеваемость учащихся и помог им выявить студентов, подвергающихся риску академических трудностей.
Сообщается о применении алгоритмов ML в разработке виртуальных симуляторов пациентов для лечения зубов. Симулятор способен точно воспроизводить физиологические реакции реальных пациентов и может использоваться для обучения студентов -стоматологических учеников в безопасную и контролируемую среду [23]. Несколько других исследований показывают, что алгоритмы машинного обучения могут потенциально улучшить качество и эффективность стоматологического и медицинского образования и ухода за пациентами. Алгоритмы машинного обучения использовались, чтобы помочь в диагностике стоматологических заболеваний на основе таких наборов данных, как симптомы и характеристики пациента [24, 25]. В то время как в других исследованиях изучалось использование алгоритмов машинного обучения для выполнения таких задач, как прогнозирование результатов пациентов, выявление пациентов с высоким риском, разработка персонализированных планов лечения [26], лечение пародонта [27] и лечение кариеса [25].
Хотя были опубликованы отчеты о применении машинного обучения в стоматологии, его применение в области стоматологического образования остается ограниченным. Таким образом, это исследование было направлено на использование модели дерева решений для выявления факторов, наиболее тесно связанных с LS, и среди студентов -стоматологов.
Результаты этого исследования показывают, что разработанный инструмент рекомендаций имеет высокую точность и идеальную точность, что указывает на то, что учителя могут извлечь выгоду из этого инструмента. Используя процесс классификации, управляемого данными, он может предоставить персонализированные рекомендации и улучшить образовательный опыт и результаты для преподавателей и студентов. Среди них информация, полученная с помощью инструментов рекомендаций, может разрешить конфликты между предпочтительными методами преподавания учителей и потребностями учащихся в обучении. Например, из -за автоматического вывода инструментов рекомендаций, время, необходимое для определения IP -адреса учащегося и соответствия его с соответствующим IP, будет значительно сокращено. Таким образом, могут быть организованы подходящие учебные мероприятия и учебные материалы. Это помогает развивать позитивное поведение учащихся и способность концентрироваться. В одном исследовании сообщалось, что предоставление студентам учебных материалов и учебных мероприятий, которые соответствуют их предпочтительным LS, может помочь студентам интегрировать, обрабатывать и наслаждаться обучением несколькими способами для достижения большего потенциала [12]. Исследования также показывают, что в дополнение к улучшению участия учащихся в классе, понимание процесса обучения учащихся также играет важную роль в улучшении практики преподавания и общении со студентами [28, 29].
Однако, как и в случае с любыми современными технологиями, есть проблемы и ограничения. К ним относятся проблемы, связанные с конфиденциальностью данных, предвзятостью и справедливостью, а также профессиональными навыками и ресурсами, необходимыми для разработки и реализации алгоритмов машинного обучения в стоматологическом образовании; Тем не менее, растущий интерес и исследования в этой области предполагают, что технологии машинного обучения могут оказать положительное влияние на образовательное образование и стоматологические услуги.
Результаты этого исследования показывают, что половина студентов -стоматологов имеет тенденцию «воспринимать» лекарства. Этот тип учащегося предпочитает факты и конкретные примеры, практическую ориентацию, терпение для деталей и «визуальное» предпочтение LS, где 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 -стоматолога и медикаментов, большинство из которых имеют характеристики восприятия и визуального LS [12, 30]. Далмолин и др. Предполагают, что информирование студентов о их LS позволяет им раскрывать свой учебный потенциал. Исследователи утверждают, что, когда учителя полностью понимают образовательный процесс учащихся, могут быть реализованы различные методы обучения и мероприятия, которые улучшат успеваемость и опыт обучения учащихся [12, 31, 32]. Другие исследования показали, что корректировка LS студентов также показывает улучшения в опыте обучения и производительности учащихся после изменения их стилей обучения в соответствии с их собственным LS [13, 33].
Мнения учителей могут варьироваться в зависимости от реализации стратегий преподавания, основанных на способностях обучения учащихся. В то время как 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 студентов отношения. Органы высшего образования, такие как администраторы университетов, могут сыграть важную роль в продвижении позитивных изменений, внедряя инновационные практики и поддержку развития преподавателей [34]. Чтобы создать по-настоящему динамичную и отзывчивую систему высшего образования, политики должны предпринять смелые шаги, такие как внесение политических изменений, посвящение ресурсов интеграции технологий и создание рамок, которые способствуют ориентированным на учащихся подходов. Эти меры имеют решающее значение для достижения желаемых результатов. Недавние исследования по дифференцированной инструкции показали, что успешная реализация дифференцированных инструкций требует постоянного обучения и возможностей для развития для учителей [35].
Этот инструмент обеспечивает ценную поддержку для преподавателей-стоматологов, которые хотят принять ориентированный на студентов подход к планированию обучающих мероприятий, благоприятных для студентов. Тем не менее, это исследование ограничено использованием моделей ML Tree Decision. В будущем необходимо собирать больше данных для сравнения производительности различных моделей машинного обучения для сравнения точности, надежности и точности инструментов рекомендаций. Кроме того, при выборе наиболее подходящего метода машинного обучения для конкретной задачи важно учитывать другие факторы, такие как сложность модели и интерпретация.
Ограничением этого исследования является то, что оно было сосредоточено только на картировании LS и является среди студентов -стоматолога. Таким образом, разработанная система рекомендаций будет рекомендовать только те, которые подходят для студентов -стоматологии. Изменения необходимы для общего использования студентов высшего образования.
Недавно разработанный инструмент рекомендаций на основе машинного обучения способен мгновенно классифицировать и соответствовать LS студентов в соответствии с соответствующими, что делает его первой программой стоматологического образования, которая помогает преподавателям-стоматологам планировать соответствующие занятия и обучение. Используя процесс сортировки, основанный на данных, он может предоставить персонализированные рекомендации, экономить время, улучшить стратегии обучения, поддержать целевые вмешательства и способствовать постоянному профессиональному развитию. Его приложение будет способствовать, ориентированным на студентов подходов к стоматологическому образованию.
Гилак Яни Ассошиэйтед Пресс. Матч или несоответствие между стилем обучения ученика и стилем преподавания учителя. Int J Mod Eduction Compury Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Пост времени: апрель-29-2024