Diş həkimi də daxil olmaqla ali təhsil müəssisələrində tələbə mərkəzli öyrənmə (SCL) ehtiyac var. Bununla birlikdə, SCL diş təhsili məhdud bir tətbiqdir. Buna görə, bu iş SCL-nin Diş həkimliyində Tətbiq Tree Machine Learning (LS) (LS) və diş tələbələrinin uyğun öyrənmə strategiyalarını (inkişaf etdirmək üçün faydalı öyrənmə strategiyalarını (İnkişaf etmək üçün faydalı öyrənmə strategiyalarından istifadə edərək stomatologiyada stomatologiyanın tətbiqini təşviq etmək məqsədi daşıyır . Diş şagirdləri üçün perspektivli üsullar.
Malaya Universitetindən cəmi 255 diş şagirdi, 44 element olan LSS-ləri təsnif etmək üçün 44 maddə olan Anketi (M-IS) anketinin dəyişdirilmiş indeksini başa çatdırdı. Toplanmış məlumatlar (bir məlumat bazası deyilir), şagirdlərin öyrənmə üslublarını avtomatik uyğunlaşdırmağı öyrənən qərar ağacında istifadə olunur. Maşın öyrənmə əsaslı tövsiyə vasitəsi, sonra qiymətləndirmə vasitəsi qiymətləndirilir.
LS (Giriş) arasındakı avtomatlaşdırılmış xəritəçəkmə prosesində qərar ağacı modellərinin tətbiqi (hədəf çıxışı) hər diş tələbəsi üçün müvafiq öyrənmə strategiyalarının dərhal siyahısına imkan verir. Tövsiyə vasitəsi, mükəmməl bir dəqiqliyi nümayiş etdirir və ümumi model dəqiqliyini xatırladır, uyğun LS-nin uyğun həssaslığı və spesifikliyi olduğunu göstərir.
Bir ml qərar ağacına əsaslanan tövsiyə vasitəsi, diş şagirdlərinin öyrənmə üslublarını müvafiq öyrənmə strategiyaları ilə dəqiq uyğunlaşdırmaq qabiliyyətini sübut etdi. Bu vasitə şagird mərkəzli kurslar və ya tələbələrin öyrənmə təcrübəsini artıra biləcək modulları planlaşdırmaq üçün güclü seçimlər təqdim edir.
Tədris və öyrənmə təhsil müəssisələrində fundamental fəaliyyətlərdir. Yüksək keyfiyyətli peşə təhsili sistemini inkişaf etdirərkən tələbələrin öyrənmə ehtiyaclarına diqqət yetirmək vacibdir. Tələbələr və onların tədris mühiti arasındakı qarşılıqlı əlaqə LS vasitəsilə müəyyən edilə bilər. Tədqiqatlar tələbələrin LS arasındakı müəllim tərəfindən nəzərdə tutulan uyğunsuzluqların və şagirdlərin öyrənilməsi üçün mənfi nəticələrə diqqət və motivasiyanın azalması üçün mənfi nəticələrə səbəb ola bilər. Bu, dolayı yolla tələbə performansına təsir edəcəkdir [1,2].
Müəllimlərin tələbələrə bilik və bacarıqları, o cümlədən tələbələrə kömək etmək üçün istifadə olunan bir üsuldur [3]. Ümumiyyətlə, yaxşı müəllimlərin tədris strategiyaları planlaşdırması və ya tələbələrin bilik səviyyəsi, öyrəndikləri anlayışları və öyrənmə mərhələləri ən yaxşısıdır. Nəzəri cəhətdən, LS və uyğun olduqda, tələbələr səmərəli öyrənmək üçün müəyyən bir bacarıq dəsti təşkil edə və istifadə edə biləcəklər. Tipik olaraq, bir dərs planı, rəhbərlik təcrübəsinə və ya rəhbərlik təcrübəsinə qədər təlimatdan müstəqil təcrübəyə qədər olan mərhələlər arasında bir neçə keçid daxildir. Bunu nəzərə alaraq, effektiv müəllimlər tez-tez tələbələrin bilik və bacarıqlarını inşa etmək məqsədi ilə təlimat planlaşdırırlar [4].
SCL-yə olan tələb, Ali təhsil müəssisələrində, o cümlədən stomatologiya üzrə böyüyür. SCL strategiyaları tələbələrin öyrənmə ehtiyaclarını ödəmək üçün hazırlanmışdır. Buna görə, məsələn, tələbələrin öyrənmə fəaliyyətlərində fəal iştirak etmələri və müəllimlər köməkçi kimi iştirak etsələr və dəyərli rəy vermək üçün məsuliyyət daşıyır. Tələbələrin təhsil səviyyəsinə və ya üstünlüklərinə uyğun olan təlim materialları və fəaliyyətlərini təmin edən tələbələrin öyrənmə mühitini yaxşılaşdıra və müsbət öyrənmə təcrübələrini inkişaf etdirə bilər [5].
Ümumiyyətlə, diş şagirdlərinin öyrənmə prosesi, effektiv kişilərarası bacarıqları inkişaf etdirmələri üçün tələb olunan müxtəlif klinik prosedurların və klinik mühitin tədris prosesindən təsirlənir. Təlimin məqsədi tələbələrin diş klinikaları ilə stomatologiya haqqında əsas bilikləri birləşdirməyə və əldə edilmiş bilikləri yeni klinik vəziyyətlərə tətbiq etməyə imkan verən [6, 7]. LS arasındakı əlaqəyə erkən araşdırmalar və seçilən LS-ə təhvil verilmiş öyrənmə strategiyalarının tənzimlənməsi təhsil prosesinin yaxşılaşdırılmasına kömək edəcəkdir [8]. Müəlliflər, tələbələrin öyrənmə və ehtiyaclarına uyğunlaşmaq üçün müxtəlif tədris və qiymətləndirmə metodlarından istifadə etməyi də tövsiyə edirlər.
Müəllimlər, tələbələrin daha da dərin bilik və mövzu mövzusunda anlayışların əldə edilməsini artıracaq təlimləri inkişaf etdirməyə, inkişaf etdirməyə və həyata keçirməyə kömək etmək üçün LS biliyini tətbiq etməkdən faydalanırlar. Tədqiqatçılar, Kolb təcrübəli tədris modeli, Felder-Silverman Öyrənmə tərzi modeli (FSLSM) və Fleming Vak / Vark modeli kimi bir neçə LS qiymətləndirmə vasitələrini inkişaf etdirdilər. [5, 9, 10]. Ədəbiyyata görə, bu öyrənmə modelləri ən çox istifadə olunan və ən çox öyrənilən öyrənmə modelləridir. Mövcud tədqiqat işində, FSLSM diş şagirdləri arasında LS-ləri qiymətləndirmək üçün istifadə olunur.
FSLSM, mühəndislikdə uyğunlaşma öyrənməsini qiymətləndirmək üçün geniş istifadə olunan bir modeldir. FSLSM modellərindən istifadə etməklə tapıla bilən sağlamlıq elmləri, o cümlədən tibb, tibb bacısı və stomatologiya və stomatologiya və stomatologiya daxil olmaqla bir çox dərc olunmuş əsər var [5, 11, 12, 13]. FLSM-də LS-in ölçülərini ölçmək üçün istifadə olunan alət, LS-in dörd ölçüsü (aktiv / reflection), qavrayış (pereptual / intuitiv), 44 maddə olan 44 maddə olan Lazımi (ILS) [8] [8] indeksi adlanır. giriş (vizual). / şifahi) və anlaşma (ardıcıl / qlobal) [14].
Şəkil 1-də göstərildiyi kimi, hər bir FSLSM ölçüsü üstünlük təşkil edən üstünlük var. Məsələn, emal ölçüsündə, "Aktiv" ls olan tələbələr məlumat tədris materialları ilə birbaşa qarşılıqlı əlaqə qurmağı, işlədikləri və qruplarda öyrənməyə meylli olan məlumatları emal etməyi üstün tuturlar. "Yansıtıcı" LS düşüncə yolu ilə öyrənməyə və tək işləməyi üstün tutur. LS-in "qavrayan" ölçüsü "hiss" və / və ya "intuisiya" bölünmək olar. "Hissi" tələbələr daha konkret məlumat və praktik prosedurlara üstünlük verirlər, mücərrəd materiala üstünlük verən və təbiətdə daha innovativ və yaradıcıdır "intuitiv" tələbələrlə müqayisədə həqiqət yönümlüdür. LS-in "Giriş" ölçüsü "Vizual" və "şifahi" şagirdlərdən ibarətdir. "Visual" LS olan insanlar vizual nümayişlər (məsələn, diaqramlar, videolar və ya canlı nümayişlər kimi) öyrənməyi üstün tuturlar, halbuki "şifahi" olan insanlar yazılı və ya şifahi izahatlarda sözlər vasitəsilə öyrənməyi üstün tuturlar. LS ölçülərini "başa düşmək" üçün bu cür öyrənənlər "ardıcıl" və "qlobal" bölünmək olar. "Ardıcıl öyrənənlər xətti düşüncə prosesinə üstünlük verir və addım-addım öyrənirlər, qlobal öyrənənlər isə vahid düşüncə prosesinə sahib olmağa meyllidirlər və hər zaman öyrəndiklərini daha yaxşı başa düşürlər.
Bu yaxınlarda bir çox tədqiqatçı, avtomatik məlumat idarəetmə kəşfinin, o cümlədən yeni alqoritmlərin və böyük miqdarda məlumatların təfsusunu təfs etməyə qadir olan modellərin inkişaf etdirilməsi metodlarını araşdırmağa başlamışdır [15, 16]. Təqdim olunan məlumatlara əsasən, nəzarət olunan ML (Maşın öyrənməsi) alqoritmlərin inşasına əsaslanaraq gələcək nəticələrini proqnozlaşdıran nümunələr və fərziyyələr yarada bilir [17]. Sadəcə qoyun, nəzarət etmiş maşın öyrənmə üsulları giriş məlumatlarını və qatar alqoritmlərini manipulyasiya edir. Daha sonra təqdim olunan giriş məlumatları üçün oxşar vəziyyətlərə əsaslanan nəticəni təsnif edən və ya proqnozlaşdıran bir sıra yaradır. Nəzarət olunan maşın öyrənmə alqoritmlərinin əsas üstünlüyü onun ideal və arzu olunan nəticələrin yaradılmasıdır [17].
Məlumat idarəedici metodların və qərar ağacı idarəetmə modellərindən istifadə etməklə LS-in avtomatik aşkarlanması mümkündür. Qərar ağaclarının müxtəlif sahələrdə, o cümlədən sağlamlıq elmləri üzrə təlim proqramlarında geniş istifadə edildiyi bildirildi [18, 19]. Bu araşdırmada, model xüsusi olaraq sistem inkişaf etdiriciləri tərəfindən tələbələrin LS-i müəyyənləşdirmək və ən yaxşısını tövsiyə etmək üçün ən yaxşısını tövsiyə etdi.
Bu araşdırmanın məqsədi inkişaf etməkdir, tələbələrin LS əsasında çatdırılma strategiyalarıdır və bir inkişaf etməklə SCL yanaşmasını tətbiq etmək üçün Tövsiyə vasitəsidir. Dizayn axını, SCL metodunun strategiyası kimi tövsiyə vasitəsidir. Şəkil 1-də göstərilmişdir.
Xüsusilə, informasiya təhlükəsizliyi tövsiyələrinin xüsusiyyətlərinə xüsusiyyətlər daxildir Veb texnologiyalarının istifadəsi və qərar ağacı maşın öyrənmə istifadəsi daxildir. Sistem inkişaf etdiriciləri, mobil telefonlar və planşetlər kimi mobil cihazlara uyğunlaşdıraraq istifadəçi təcrübəsini və hərəkətliliyini artırır.
Təcrübə iki mərhələdə və Malaya Universitetində stomatologiya fakültəsindən tələbə, könüllü olaraq iştirak etdi. İştirakçılar ingilis dilində bir diş şagirdin onlayn m-ilsinə cavab verdilər. İlkin mərhələdə, 50 tələbənin bir versiyası qərar ağacı maşın öyrənmə alqoritmini yetişdirmək üçün istifadə edilmişdir. İnkişaf prosesinin ikinci mərhələsində, inkişaf etmiş alətin düzgünlüyünü yaxşılaşdırmaq üçün 255 şagirddən ibarət bir verilənlər üçün istifadə edilmişdir.
Bütün iştirakçılar, hər mərhələnin əvvəlində, tədris ilindən asılı olaraq, Microsoft komandaları vasitəsi ilə onlayn brifinq alırlar. Tədqiqatın məqsədi izah edildi və məlumatlı razılıq alındı. Bütün iştirakçılara M-ILS-ə daxil olmaq üçün bir əlaqə ilə təmin edildi. Hər bir şagirdi anketdəki bütün 44 elementə cavab verməsi tapşırıldı. Onlara semestr başlamazdan əvvəl semestr fasiləsi zamanı onlara rahat bir anda dəyişdirilmiş ILS-ni və yerləri tamamlamaq üçün bir həftə ərzində verildi. M-ILS orijinal ILS alətinə əsaslanır və diş tələbələri üçün dəyişdirilmişdir. Orijinal Ils-ə bənzər, hər bir FSLSM ölçünün aspektlərini qiymətləndirmək üçün istifadə olunan 11 maddə olan 44 bərabər paylanmış məhsul (A, B) ehtiva edir.
Alətlərin inkişafının ilkin mərhələləri zamanı tədqiqatçılar 50 diş şagirdin bir verilənlər bazasından istifadə edərək xəritələri əl ilə qeyd etdilər. FSLM görə, sistem "A" və "B" cavabların cəmini təqdim edir. Tələbə üçün "A" cavab olaraq, LS aktiv / qavrayış / vizual / ardıcıllıqla təsnif edilirsə və tələbə cavab olaraq "B" seçirsə, tələbə əks / intuitiv / dil kimi təsnif edilir . / qlobal öyrənən.
Diş təhsil tədqiqatçıları və sistem inkişaf etdiriciləri arasında iş axını kalibrləmə etdikdən sonra, FLSSM domeninə görə suallar seçildi və hər bir tələbənin LS-i proqnozlaşdırmaq üçün ML modelinə qidalandırıldı. "Zibildə zibil çıxır", məlumatların keyfiyyətinə vurğu edən maşın öyrənmə sahəsində məşhur bir sözdür. Giriş məlumatlarının keyfiyyəti maşın öyrənmə modelinin dəqiqliyini və dəqiqliyini müəyyənləşdirir. Xüsusi mühəndislik mərhələsində, FLSSM-ə əsaslanan "A" və "B" cavablarının cəmi olan yeni bir xüsusiyyət dəsti yaradılır. Narkotik mövqelərinin identifikasiya nömrələri Cədvəl 1-də verilmişdir.
Cavablara əsasən hesabı hesablayın və tələbənin LS-ni təyin edin. Hər bir tələbə üçün hesab sahəsi 1-dən 11-ə qədərdir. 1-dən 3-ə qədər olan puanlar eyni ölçüdə seçim seçimlərinin tarazlığını göstərir və 5-dən 7-dək puanlar, tələbələrin başqalarına öyrətməsini tələb etdiklərini göstərir . Eyni ölçülü başqa bir dəyişiklik, 9-dan 11-ə qədər olan puanlar bir ucu və ya digəri üçün güclü bir üstünlük əks etdirir [8].
Hər ölçü üçün dərmanlar "aktiv", "əks" və "balanslı" a qruplaşdırılmışdır. Məsələn, bir tələbə təyin olunmuş bir əşyada "B" -dən daha çox "A" cavabı və hesabı, emalı Ls ölçüsünü əks etdirən müəyyən bir maddə üçün 5-dən çox olduqda, "aktiv" ls-ə aiddir Domain. . Bununla birlikdə, tələbələr "A" daha çox "A" dan daha çoxunu seçdikləri zaman "Yansıtıcı" LS kimi təsnif edildi (Cədvəl 1) və 5-dən çox bal topladı. Nəhayət, tələbə "tarazlıq" vəziyyətindədir. Hesab 5 baldan çox olmadıqda, bu "proses" ls. Təsnifat prosesi digər LS ölçüləri, yəni qavrayış (aktiv / əksedici), giriş (vizual / şifahi) və anlayış (ardıcıl / qlobal) üçün təkrarlandı.
Qərar ağacı modelləri təsnifat prosesinin müxtəlif mərhələlərində müxtəlif xüsusiyyətlərin və qərar qaydalarından istifadə edə bilər. Məşhur bir təsnifat və proqnozlaşdırma vasitəsi hesab olunur. Flowchart [20] kimi bir ağac quruluşundan istifadə edərək təmsil edilə bilər, burada test nəticələrini təmsil edən hər filial və sinif etiketi olan hər bir yarpaq node (yarpaq node).
Sadə bir qayda əsaslı bir proqram, hər bir tələbənin LS-lərini cavablarına görə avtomatik olaraq toplamaq və annot etmək üçün yaradılmışdır. Qayda əsaslı bir ifadəni, "əgər" tetikleyicini təsvir edir və "sonra" təsvir olunan hərəkəti təsvir edir, məsələn, "əgər x olur, onda Y" (Liu et al., 2014). Məlumatların qurulması ilə əlaqəli məlumatlar və qərar ağacı modeli düzgün təlim və qiymətləndirilirsə, bu yanaşma LS uyğunluğu prosesini avtomatlaşdırmağın təsirli bir yolu ola bilər və.
İnkişafın ikinci mərhələsində tövsiyə vasitəsinin düzgünlüyünü artırmaq üçün verilənlər bazası 255-ə qədər artırıldı. Məlumat dəsti 1: 4 nisbətində bölünür. Məlumat dəstinin 25% (64) test dəsti üçün istifadə edilmişdir və qalan 75% (191) təlim dəsti kimi istifadə edilmişdir (Şəkil 2). Məlumat dəsti modelin öyrədilməsinin qarşısını almaq və eyni məlumat dəsti üzərində sınaqdan keçirilməsinin qarşısını almaq üçün, modelin öyrənməkdənsə, yadda saxlamasına səbəb ola bilər. Model təlim dəstinə öyrədilir və əvvəllər görməmiş modelin test dəsti məlumatlarında performansını qiymətləndirir.
Vasitə hazırlandıqdan sonra tətbiq, bir veb interfeysi vasitəsilə diş şagirdlərinin cavablarına əsasən LS-ləri təsnif edə biləcək. İnternet əsaslı informasiya təhlükəsizliyi tövsiyə vasitəsi sistemi, Jango çərçivəsindən istifadə edərək Python proqramlaşdırma dilindən istifadə edərək qurulmuşdur. Cədvəl 2 bu sistemin inkişafında istifadə olunan kitabxanaları sadalayır.
Məlumat bazası, tələbə cavablarını avtomatik olaraq təsnif etmək üçün tələbə cavablarını hesablamaq və çıxarmaq üçün qərar ağacı modeli ilə qidalanır.
Qarışıqlıq matrixi müəyyən bir məlumat dəsti üzərində bir qərarlı ağac maşın daşınma alqoritminin düzgünlüyünü qiymətləndirmək üçün istifadə olunur. Eyni zamanda, təsnifat modelinin fəaliyyətini qiymətləndirir. Modelin proqnozlarını ümumiləşdirir və faktiki məlumat etiketləri ilə müqayisə edir. Qiymətləndirmə nəticələri dörd fərqli dəyərə əsaslanır - Model müsbət kateqoriyanı düzgün proqnozlaşdırdı, yalançı müsbət (FP) - Model müsbət kateqoriyanı proqnozlaşdırdı, lakin əsl etiket mənfi, həqiqi mənfi (tn) - Model mənfi sinifin düzgün proqnozlaşdırıldığını və yalan mənfi (FN) - model mənfi bir sinif proqnozlaşdırır, lakin əsl etiket müsbətdir.
Bundan sonra bu dəyərlər Python, yəni dəqiq, dəqiqlik, geri çağırılması və F1 hesabında skikit öyrənmə təsnifat modelinin müxtəlif performans ölçümlərini hesablamaq üçün istifadə olunur. Budur nümunələr:
Xatırladaq (və ya həssaslıq) M-ILS anketini cavablandırdıqdan sonra bir tələbə LS-i dəqiq təsnif etmək qabiliyyətini ölçür.
Xüsusiyyət əsl mənfi nisbət adlanır. Yuxarıdakı düsturdan gördüyünüz kimi, bu, əsl mənfi cəhətlərin (TN) həqiqi mənfi cəhətlərə və saxta müsbətlərə (FP) nisbəti olmalıdır. Tələbə dərmanlarını təsnif etmək üçün tövsiyə olunan vasitənin bir hissəsi olaraq, bu dəqiq müəyyənləşdirməyə qadir olmalıdır.
Qərar ağacı ML modelini yetişdirmək üçün istifadə etdiyi 50 şagirdin orijinal məlumat bazası, annotasiyalardakı insan səhvləri səbəbiylə nisbətən aşağı dəqiqliyi göstərdi (Cədvəl 3). LS puanları və tələbə annotasiyalarını avtomatik hesablamaq üçün sadə bir qayda əsaslı bir proqram yaratdıqdan sonra, tövsiyəçi sistemini hazırlamaq və sınamaq üçün artan məlumatlar (255) istifadə olunurdu.
Multiclass qarışıqlıq matrisində diaqonal elementlər hər LS tipli (Şəkil 4) üçün düzgün proqnozların sayını təmsil edir. Qərar ağacı modelindən istifadə edərək cəmi 64 nümunə düzgün proqnozlaşdırıldı. Beləliklə, bu işdə diaqonal elementlər gözlənilən nəticəni göstərir, modelin hər LS təsnifatı üçün sinif etiketini yaxşı proqnozlaşdırır və dəqiq proqnozlaşdırır. Beləliklə, tövsiyə vasitəsinin ümumi dəqiqliyi 100% -dir.
Dəqiqlik, dəqiqlik, geri çağırılması və F1 hesabı dəyərləri Şəkil 5-də göstərilmişdir. dəyərlər.
Şəkil 6 təlim və sınaqdan sonra qərar ağacı modelinin vizuallaşdırılmasını göstərir. Yan-yana müqayisə edərək, daha az xüsusiyyətlərlə öyrədilən qərar ağacı modeli daha yüksək dəqiqlik və daha asan model vizualizasiyasını göstərdi. Bu göstərir ki, xüsusiyyətlərin azaldılmasına səbəb olan xüsusiyyət mühəndisliyi model performansının yaxşılaşdırılmasında vacib bir addımdır.
Qərar ağacının nəzarətində nəzarət olunan öyrənmə tətbiq edərək, LS (giriş) arasındakı xəritə (hədəf çıxışı) avtomatik olaraq yaradılır və hər LS üçün ətraflı məlumat var.
Nəticələr göstərdi ki, 255 şagirdin 34,9% -i (1) LS seçimini seçdi. Əksəriyyət (54.3%) iki və ya daha çox LS üstünlükləri var. Tələbələrin 12,2% -i LS olduqca balanslı olduğunu qeyd etdi (Cədvəl 4). Səkkiz əsas Ls-a əlavə olaraq, Malaya Diş Tələbələri Universiteti üçün LS təsnifatlarının 34 birləşməsi var. Bunların arasında, qavrayış, görmə və qavrayış və görmə birləşməsi tələbələrin məlumat verdiyi əsas LS (Şəkil 7).
Cədvəl 4-dən göründüyü kimi, tələbələrin əksəriyyətinin üstünlük təşkil edən bir sensoru (13,7%) və ya vizual (8.6%) ls var. Şagirdlərin 12,2% -i görmə qabiliyyəti ilə qavrayış (qavrayış-vizual l) birləşdirdiyi bildirildi. Bu tapıntılar tələbələrin müəyyən edilmiş metodlar vasitəsilə öyrənməyi və yadda saxlamağı, xüsusi və ətraflı prosedurları izləməyi və təbiətdə diqqətli olduqlarını göstərir. Eyni zamanda, baxaraq (diaqramlardan istifadə etməklə və s. İstifadə etməklə öyrənməkdən zövq alırlar və məlumatı qruplarda və ya öz-özünə müzakirə etməyə və tətbiq etməyə meyllidirlər.
Bu iş, məlumatların hisğində istifadə olunan maşın öyrənmə üsulları, tələbələrin LS-lərin və uyğun tövsiyə etmək üçün dərhal diqqət mərkəzində olan maşın öyrənmə texnikaları haqqında ümumi məlumat verir. Qərar ağacı modelinin tətbiqi onların həyatı və təhsil təcrübələri ilə ən çox bəhs edən amilləri müəyyənləşdirdi. Bu, müəyyən meyarlara əsaslanan məlumatları alt kateqoriyalara bölmə məlumatlarını bölməklə məlumatları təsnif etmək üçün bir ağac quruluşundan istifadə edən bir ağac quruluşu alqoritmidir. Giriş məlumatlarını yarpaq düyünündə bir qərar qəbul olunana qədər hər bir daxili node giriş xüsusiyyətlərindən birinin dəyərinə görə, giriş məlumatlarını hər bir daxili node dəyərinə əsaslanaraq alt hissələrə bölməklə işləyir.
Qərar ağacının daxili düyünləri, M-ILS probleminin giriş xüsusiyyətlərinə əsaslanaraq həllini təmsil edir və yarpaq düyünləri son LS təsnifat proqnozunu təmsil edir. Tədqiqat boyunca, giriş xüsusiyyətləri və çıxış proqnozları arasındakı əlaqələrə baxaraq qərar prosesini izah edən və görüntüləyən qərar ağaclarının iyerarxiyasını başa düşmək asandır.
Kompüter elmləri və mühəndislik sahələrində, maşın öyrənmə alqoritmləri, tələb imtahanı puanları [21], demoqrafik məlumat və öyrənmə davranışı əsasında tələbə performansını proqnozlaşdırmaq üçün geniş istifadə olunur [22]. Tədqiqatlar alqoritm tələbə performansını dəqiq proqnozlaşdırdığını və tələbələrin akademik çətinlikləri riski ilə müəyyənləşdirməyə kömək etdiyini göstərdi.
Diş təhsili üçün virtual xəstə simulyatorlarının inkişafında ML alqoritmlərinin tətbiqi bildirilir. Simulyator, həqiqi xəstələrin fizioloji cavablarını dəqiq şəkildə əks etdirməyə qadirdir və seyrdəyici bir mühitdə diş şagirdlərini yetişdirmək üçün istifadə edilə bilər [23]. Bir neçə digər tədqiqatlar göstərir ki, maşın öyrənmə alqoritmləri diş və tibbi təhsil və xəstə baxımının keyfiyyəti və səmərəliliyini artıra bilər. Maşın öyrənmə alqoritmləri simptomlar və xəstə xüsusiyyətləri kimi məlumat dəstlərinə əsaslanan diş xəstəliklərinin diaqnozunda kömək etmək üçün istifadə edilmişdir [24, 25]. Digər tədqiqatlar xəstə nəticələrini proqnozlaşdırmaq, yüksək riskli xəstələrin müəyyənləşdirilməsi, fərdi müalicə planlarını inkişaf etdirmək, periodontal müalicə [27] və caries müalicəsi kimi vəzifələri yerinə yetirmək üçün maşın öyrənmə alqoritmlərinin istifadəsini araşdırdıqda
Diş həkimə dəzgahının tətbiqi ilə bağlı hesabatlar dərc olunduğuna baxmayaraq, Diş Təhsilindəki tətbiqi məhdud olaraq qalır. Buna görə, bu araşdırma, LS ilə ən çox əlaqəli olan amilləri müəyyənləşdirmək üçün bir qərar ağacı modelindən istifadə etmək məqsədi daşıyır və diş şagirdləri arasındadır.
Bu işin nəticələri, inkişaf etmiş tövsiyə vasitəsinin yüksək dəqiqliyə və mükəmməl dəqiqliyə malik olduğunu göstərir ki, müəllimlərin bu vasitədən faydalana biləcəyini göstərir. Məlumatla idarə olunan bir təsnifat prosesindən istifadə edərək, pedaqoq və tələbələr üçün fərdi tövsiyələr və təhsil təcrübələrini və nəticələrini yaxşılaşdıra bilər. Bunların arasında, tövsiyə vasitələri vasitəsilə əldə edilən məlumatlar müəllimlərin üstünlük verilən tədris metodları və tələbələrin öyrənmə ehtiyacları arasında münaqişələri həll edə bilər. Məsələn, tövsiyə vasitələrinin avtomatlaşdırılmış çıxışı səbəbindən tələbənin IP-ni müəyyənləşdirmək və müvafiq IP ilə uyğunlaşdırmaq üçün tələb olunan vaxt əhəmiyyətli dərəcədə azalacaq. Bu yolla uyğun təlim və təlim materialları təşkil edilə bilər. Bu, şagirdlərin müsbət öyrənmə davranışını və cəmləşmə qabiliyyətini inkişaf etdirməyə kömək edir. Bir araşdırma, tələbələrin öyrənmə materialları və seçilmiş LS uyğun gəldikdə öyrənmə fəaliyyətləri ilə təmin edən tələbələrin tələbələrə daha çox potensiala nail olmaq üçün bir çox yolda öyrənməyə, prosesi və zövq almağa kömək edə bilər. Tədqiqatlar da göstərir ki, sinifdə tələbə iştirakını yaxşılaşdırmaqla yanaşı, şagirdlərin öyrənmə prosesini başa düşmək, tədris təcrübəsi və tələbələrlə ünsiyyətin yaxşılaşdırılmasında da kritik rol oynayır [28, 29].
Ancaq hər hansı bir müasir texnologiyada olduğu kimi, problemlər və məhdudiyyətlər var. Bunlara məlumat məxfiliyi, qərəz və ədalətlilik və diş təhsil alqoritmlərində maşın öyrənmə alqoritmlərini inkişaf etdirmək və həyata keçirmək üçün lazım olan peşəkar bacarıq və mənbələr; Bununla birlikdə, bu sahədə artan maraq və araşdırma, maşın öyrənmə texnologiyalarının diş təhsili və diş xidmətlərinə müsbət təsir göstərə biləcəyini göstərir.
Bu işin nəticələri göstərir ki, diş şagirdlərinin yarısının dərmanları "qavrayan" a meylli olduğunu göstərir. Bu növ şagird növü faktlar və konkret nümunələr, praktik bir istiqamətə, təfərrüat üçün səbr və fikir və düşüncələrin şəkillər, qrafika, rəng və xəritələrdən istifadə etməyi üstün tutan "Visual" LS üstünlükləri var. Mövcud nəticələr, Diş və Tibb Tələbələrində LS-ləri qiymətləndirmək üçün ILS-ni istifadə edərək digər tədqiqatlara uyğundur, əksəriyyəti qəflətən və visual ls xüsusiyyətləri var (12, 30]. Dalmolin et al, şagirdlərin ls haqqında məlumatlandırmağı təklif edən LS onlara öyrənmə potensialına çatmalarına imkan verir. Tədqiqatçılar iddia edirlər ki, müəllimlər şagirdlərin təhsil prosesini tam başa düşəndə tələbələrin performans və öyrənmə təcrübəsini yaxşılaşdıracaq müxtəlif tədris metodları və fəaliyyətlər həyata keçirilə bilər [12, 31, 32]. Digər tədqiqatlar göstərdi ki, tələbələrin LS tənzimlənməsi, həmçinin öyrənmə üslublarını öz LS-lərinə uyğun olaraq dəyişdirildikdən sonra tələbələrin öyrənmə təcrübəsi və performansının yaxşılaşdırılmasını göstərir [13, 33].
Tələbələrin öyrənmə qabiliyyətlərinə əsaslanan tədris strategiyalarının həyata keçirilməsi ilə bağlı müəllimlərin fikirləri dəyişə bilər. Bəziləri bu yanaşmanın faydalarını, o cümlədən peşəkar inkişaf imkanları, mentorluq və icma dəstəyi, digərləri zaman və institusional dəstəyə görə narahat ola bilərlər. Balans üçün səy göstərən tələbə mərkəzli münasibət yaratmaq üçün açardır. Universitet idarəçiləri kimi ali təhsil orqanları, innovativ təcrübə və dəstəkləyici fakültənin inkişafını dəstəkləyərək müsbət dəyişikliklərin sürülməsində mühüm rol oynaya bilər [34]. Həqiqətən dinamik və həssas ali təhsil sistemi yaratmaq üçün siyasətçilər, siyasət dəyişiklikləri etmək, texnologiya inteqrasiyasına imkan vermək və tələbə mərkəzli yanaşmaları təşviq edən çərçivələr yaratmaq kimi cəsarətli addımlar atmalıdırlar. Bu tədbirlər istədiyiniz nəticələrə nail olmaq üçün vacibdir. Müəyyən edilmiş təlimat mövzusunda son araşdırmalar, fərqlənən təlimatın uğurla həyata keçirilməsinin müəllimlər üçün davamlı təlim və inkişaf imkanlarının tələb etdiyini açıq şəkildə göstərdi.
Bu vasitə, tələbə dostu öyrənmə fəaliyyətlərini planlaşdırmaq üçün tələbə mərkəzli bir yanaşma etmək istəyən diş müəllimlərinə dəyərli dəstək verir. Ancaq bu iş qərarı ağacı ml modellərindən istifadə ilə məhdudlaşır. Gələcəkdə tövsiyə alətlərinin dəqiqliyini, etibarlılığını və dəqiqliyini müqayisə etmək üçün fərqli maşın öyrənmə modellərinin performansını müqayisə etmək üçün daha çox məlumat toplanmalıdır. Bundan əlavə, müəyyən bir tapşırıq üçün ən uyğun maşın öyrənmə metodunu seçərkən, model mürəkkəbliyi və təfsiri kimi digər amilləri nəzərdən keçirmək vacibdir.
Bu araşdırmanın bir məhdudiyyəti budur ki, yalnız LS xəritələşdirməsinə yönəldilməsi və diş şagirdləri arasındadır. Buna görə inkişaf etmiş tövsiyə sistemi yalnız diş şagirdlərinə uyğun olanları tövsiyə edəcəkdir. Ümumi ali təhsil tələbə istifadəsi üçün dəyişikliklər lazımdır.
Yeni hazırlanmış maşın öyrənmə əsaslı tövsiyə vasitəsi, dərhal təsnifləşdirilməsi və uyğunlaşdırılan tələbələrin LS-ləri uyğunlaşdırmağa qadirdir, bu da diş müəllimlərinin müvafiq tədris və öyrənmə fəaliyyətlərini planlaşdırmasına kömək etmək üçün ilk Diş Təhsil Proqramı hazırlayır. Məlumatla idarə olunan bir triage prosesindən istifadə edərək, fərdi tövsiyələr, vaxtınıza qənaət edə, tədris strategiyalarını yaxşılaşdıra, hədəflənmiş müdaxilələri dəstəkləyə və davamlı peşəkar inkişafı təşviq edə bilər. Onun tətbiqi tələbə mərkəzli yanaşmaları diş təhsili ilə təşviq edəcəkdir.
Gilak Jani Associated Press. Tələbə öyrənmə tərzi və müəllimin tədris tərzi arasında uyğunlaşma və ya uyğunsuzluq. Int J Mod Tədbiri Kompüter Elmi. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Time vaxt: Apr-29-2024