Stomatologiya da daxil olmaqla, ali təhsil müəssisələrində tələbəyə yönəlmiş təlimə (SCL) artan ehtiyac var. Lakin, SCL-in stomatoloji təhsildə tətbiqi məhduddur. Buna görə də, bu tədqiqatın məqsədi stomatologiya tələbələrinin üstünlük verilən öyrənmə tərzini (LS) və müvafiq öyrənmə strategiyalarını (İS) İS təlimatlarının hazırlanması üçün faydalı bir vasitə kimi xəritələşdirmək üçün qərar ağacı maşın öyrənməsi (ML) texnologiyasından istifadə etməklə STL-in stomatologiyada tətbiqini təşviq etməkdir. Stomatologiya tələbələri üçün perspektivli metodlar.
Malaya Universitetindən cəmi 255 stomatologiya tələbəsi, müvafiq LS-lərinə təsnif etmək üçün 44 bənddən ibarət dəyişdirilmiş Öyrənmə Stilləri İndeksi (m-ILS) anketini doldurdu. Toplanan məlumatlar (məlumatlar dəsti adlanır) nəzarətli qərar ağacı təlimində tələbələrin öyrənmə üslublarını ən uyğun İS-ə avtomatik olaraq uyğunlaşdırmaq üçün istifadə olunur. Daha sonra maşın öyrənməsinə əsaslanan İS tövsiyə alətinin dəqiqliyi qiymətləndirilir.
LS (giriş) və IS (hədəf çıxışı) arasında avtomatlaşdırılmış xəritələşdirmə prosesində qərar ağacı modellərinin tətbiqi hər bir stomatologiya tələbəsi üçün müvafiq öyrənmə strategiyalarının dərhal siyahısını yaratmağa imkan verir. IS tövsiyə aləti, LS-in IS ilə uyğunlaşdırılmasının yaxşı həssaslığa və spesifikliyə malik olduğunu göstərən mükəmməl dəqiqlik və ümumi model dəqiqliyinin xatırlanmasını nümayiş etdirdi.
ML qərar ağacına əsaslanan İS tövsiyə aləti, stomatologiya tələbələrinin öyrənmə üslublarını müvafiq öyrənmə strategiyaları ilə dəqiq şəkildə uyğunlaşdırmaq qabiliyyətini sübut etmişdir. Bu alət tələbələrin öyrənmə təcrübəsini artıra biləcək tələbə mərkəzli kurslar və ya modullar planlaşdırmaq üçün güclü seçimlər təqdim edir.
Təhsil müəssisələrində tədris və öyrənmə əsas fəaliyyətlərdir. Yüksək keyfiyyətli peşə təhsili sistemi inkişaf etdirilərkən tələbələrin təlim ehtiyaclarına diqqət yetirmək vacibdir. Tələbələr və onların təlim mühiti arasındakı qarşılıqlı əlaqə onların təlim proqramları vasitəsilə müəyyən edilə bilər. Tədqiqatlar göstərir ki, müəllim tərəfindən tələbələrin təlim proqramları və təlim proqramları arasında uyğunsuzluqlar tələbələrin təlim proqramlarına mənfi təsir göstərə bilər, məsələn, diqqət və motivasiyanın azalması. Bu, dolayı yolla tələbələrin fəaliyyətinə təsir edəcək [1,2].
İS müəllimlərin şagirdlərə bilik və bacarıqlar aşılamaq, o cümlədən şagirdlərin öyrənməsinə kömək etmək üçün istifadə etdiyi bir metoddur [3]. Ümumiyyətlə, yaxşı müəllimlər şagirdlərinin bilik səviyyəsinə, öyrəndikləri anlayışlara və öyrənmə mərhələlərinə ən uyğun olan tədris strategiyaları və ya İS planlaşdırırlar. Nəzəri olaraq, İS və İS uyğun gəldikdə, şagirdlər effektiv öyrənmək üçün müəyyən bacarıqlar dəstini təşkil edə və istifadə edə biləcəklər. Adətən, dərs planı mərhələlər arasında bir neçə keçidi əhatə edir, məsələn, tədrisdən rəhbərlik edilən təcrübəyə və ya rəhbərlik edilən təcrübədən müstəqil təcrübəyə. Bunu nəzərə alaraq, effektiv müəllimlər tez-tez şagirdlərin bilik və bacarıqlarını inkişaf etdirmək məqsədi ilə tədris planlaşdırırlar [4].
Stomatologiya da daxil olmaqla, ali təhsil müəssisələrində SCL-ə tələbat artır. SCL strategiyaları tələbələrin təlim ehtiyaclarını ödəmək üçün hazırlanmışdır. Buna, məsələn, tələbələr təlim fəaliyyətlərində fəal iştirak etdikdə və müəllimlər fasilitator kimi çıxış etdikdə və dəyərli rəy bildirməkdən məsul olduqda nail olmaq olar. Deyilənə görə, tələbələrin təhsil səviyyəsinə və ya üstünlüklərinə uyğun təlim materialları və fəaliyyətləri təmin etmək tələbələrin təlim mühitini yaxşılaşdıra və müsbət təlim təcrübələrini təşviq edə bilər [5].
Ümumiyyətlə, stomatologiya tələbələrinin təlim prosesinə onların yerinə yetirməli olduqları müxtəlif klinik prosedurlar və effektiv ünsiyyət bacarıqlarını inkişaf etdirdikləri klinik mühit təsir göstərir. Təlimin məqsədi tələbələrə stomatologiyanın əsas biliklərini stomatoloji klinik bacarıqlarla birləşdirməyə və əldə etdikləri bilikləri yeni klinik vəziyyətlərə tətbiq etməyə imkan verməkdir [6, 7]. LS və IS arasındakı əlaqəyə dair erkən tədqiqatlar göstərmişdir ki, üstünlük verilən LS-ə uyğunlaşdırılmış təlim strategiyalarının tənzimlənməsi təhsil prosesini təkmilləşdirməyə kömək edəcəkdir [8]. Müəlliflər həmçinin tələbələrin təlim və ehtiyaclarına uyğunlaşmaq üçün müxtəlif tədris və qiymətləndirmə metodlarından istifadə etməyi tövsiyə edirlər.
Müəllimlər şagirdlərin daha dərin bilik əldə etmələrini və mövzunu anlamalarını artıracaq təlimatların dizaynında, hazırlanmasında və tətbiqində kömək etmək üçün LS biliklərini tətbiq etməkdən faydalanırlar. Tədqiqatçılar Kolb Təcrübəli Öyrənmə Modeli, Felder-Silverman Öyrənmə Üslubu Modeli (FSLSM) və Fleming VAK/VARK Modeli [5, 9, 10] kimi bir neçə LS qiymətləndirmə vasitəsi hazırlamışlar. Ədəbiyyata görə, bu öyrənmə modelləri ən çox istifadə edilən və ən çox öyrənilən öyrənmə modelləridir. Hazırkı tədqiqat işlərində FSLSM stomatologiya tələbələri arasında LS-i qiymətləndirmək üçün istifadə olunur.
FSLSM mühəndislikdə adaptiv öyrənmənin qiymətləndirilməsi üçün geniş istifadə olunan bir modeldir. Səhiyyə elmlərində (tibb, tibb bacısı, əczaçılıq və stomatologiya daxil olmaqla) FSLSM modellərindən istifadə etməklə tapıla bilən bir çox nəşr olunmuş əsər var [5, 11, 12, 13]. FLSM-də LS ölçülərini ölçmək üçün istifadə edilən alət, LS-in dörd ölçüsünü qiymətləndirən 44 elementdən ibarət olan Öyrənmə Üslubları İndeksi (ILS) [8] adlanır: emal (aktiv/əks etdirici), qavrayış (perseptual/intuitiv), giriş (vizual). /verbal) və anlama (ardıcıl/qlobal) [14].
Şəkil 1-də göstərildiyi kimi, hər bir FSLSM ölçüsü dominant bir üstünlükə malikdir. Məsələn, emal ölçüsündə "aktiv" LS-ə malik şagirdlər təlim materialları ilə birbaşa qarşılıqlı əlaqədə olmaqla məlumatları emal etməyə, işləməklə öyrənməyə və qruplarda öyrənməyə meyllidirlər. "Refleksiv" LS düşünmə yolu ilə öyrənməyə aiddir və tək işləməyə üstünlük verir. LS-in "qavrayış" ölçüsü "hiss etmə" və/və ya "intuisiya"ya bölünə bilər. "Hiss etmə" şagirdləri daha konkret məlumata və praktik prosedurlara üstünlük verir, mücərrəd materiala üstünlük verən və təbiətcə daha innovativ və yaradıcı olan "intuitiv" şagirdlərlə müqayisədə fakt yönümlüdürlər. LS-in "giriş" ölçüsü "vizual" və "şifahi" öyrənənlərdən ibarətdir. "Vizual" LS-ə malik insanlar vizual nümayişlər (məsələn, diaqramlar, videolar və ya canlı nümayişlər) vasitəsilə öyrənməyə üstünlük verirlər, "şifahi" LS-ə malik insanlar isə yazılı və ya şifahi izahatlarda sözlər vasitəsilə öyrənməyə üstünlük verirlər. LS ölçülərini "başa düşmək" üçün belə öyrənənlər "ardıcıl" və "qlobal"a bölünə bilər. “Ardıcıl öyrənənlər xətti düşüncə prosesinə üstünlük verirlər və addım-addım öyrənirlər, qlobal öyrənənlər isə vahid düşüncə prosesinə malik olmağa meyllidirlər və həmişə öyrəndiklərini daha yaxşı başa düşürlər.”
Son zamanlar bir çox tədqiqatçı, böyük miqdarda məlumatları şərh edə bilən yeni alqoritmlər və modellərin hazırlanması da daxil olmaqla, avtomatik məlumatlara əsaslanan kəşf metodlarını araşdırmağa başlayıb [15, 16]. Təqdim olunan məlumatlara əsasən, nəzarətli maşın öyrənməsi (MA) alqoritmlərin qurulmasına əsaslanaraq gələcək nəticələri proqnozlaşdıran nümunələr və fərziyyələr yarada bilir [17]. Sadə dillə desək, nəzarətli maşın öyrənmə texnikaları giriş məlumatlarını manipulyasiya edir və alqoritmləri öyrədir. Daha sonra təqdim olunan giriş məlumatları üçün oxşar vəziyyətlərə əsasən nəticəni təsnif edən və ya proqnozlaşdıran bir diapazon yaradır. Nəzarətli maşın öyrənmə alqoritmlərinin əsas üstünlüyü ideal və arzuolunan nəticələri müəyyən etmək qabiliyyətidir [17].
Məlumatlara əsaslanan metodlardan və qərar ağacı idarəetmə modellərindən istifadə etməklə, LS-in avtomatik aşkarlanması mümkündür. Qərar ağaclarının səhiyyə elmləri də daxil olmaqla müxtəlif sahələrdə təlim proqramlarında geniş istifadə edildiyi bildirilir [18, 19]. Bu tədqiqatda model, sistem tərtibatçıları tərəfindən tələbələrin LS-lərini müəyyən etmək və onlar üçün ən yaxşı IS-ni tövsiyə etmək üçün xüsusi olaraq öyrədilib.
Bu tədqiqatın məqsədi tələbələrin LS-lərinə əsaslanan İS çatdırılma strategiyalarını inkişaf etdirmək və LS-ə uyğunlaşdırılmış İS tövsiyə aləti hazırlamaqla SCL yanaşmasını tətbiq etməkdir. SCL metodunun strategiyası kimi İS tövsiyə alətinin dizayn axını Şəkil 1-də göstərilmişdir. İS tövsiyə aləti, ILS istifadə edərək LS təsnifat mexanizmi və tələbələr üçün ən uyğun İS displeyi daxil olmaqla iki hissəyə bölünür.
Xüsusilə, informasiya təhlükəsizliyi tövsiyə vasitələrinin xüsusiyyətlərinə veb texnologiyalarının istifadəsi və qərar ağacı maşın öyrənməsinin istifadəsi daxildir. Sistem tərtibatçıları istifadəçi təcrübəsini və mobilliyi mobil telefonlar və planşetlər kimi mobil cihazlara uyğunlaşdıraraq təkmilləşdirirlər.
Təcrübə iki mərhələdə aparılıb və Malaya Universitetinin Stomatologiya Fakültəsinin tələbələri könüllü olaraq iştirak ediblər. İştirakçılar stomatologiya tələbəsinin ingilis dilində onlayn m-ILS sorğusuna cavab veriblər. İlkin mərhələdə qərar ağacı maşın öyrənmə alqoritmini öyrətmək üçün 50 tələbədən ibarət məlumat bazasından istifadə edilib. İnkişaf prosesinin ikinci mərhələsində isə hazırlanmış alətin dəqiqliyini artırmaq üçün 255 tələbədən ibarət məlumat bazasından istifadə edilib.
Bütün iştirakçılar tədris ilindən asılı olaraq hər mərhələnin əvvəlində Microsoft Teams vasitəsilə onlayn brifinq alırlar. Tədqiqatın məqsədi izah edildi və məlumatlı razılıq alındı. Bütün iştirakçılara m-ILS-ə daxil olmaq üçün keçid verildi. Hər bir tələbəyə anketdəki 44 sualın hamısını cavablandırmaq tapşırıldı. Onlara semestr başlamazdan əvvəl semestr tətili ərzində özləri üçün əlverişli olan vaxtda və yerdə dəyişdirilmiş ILS-i tamamlamaq üçün bir həftə vaxt verildi. m-ILS orijinal ILS alətinə əsaslanır və stomatologiya tələbələri üçün dəyişdirilib. Orijinal ILS-ə bənzər şəkildə, hər bir FSLSM ölçüsünün aspektlərini qiymətləndirmək üçün istifadə olunan hər biri 11 sual olmaqla 44 bərabər paylanmış sualdan (a, b) ibarətdir.
Alətin hazırlanmasının ilkin mərhələlərində tədqiqatçılar 50 stomatologiya tələbəsindən ibarət məlumat dəstindən istifadə edərək xəritələri əl ilə qeyd etdilər. FSLM-ə görə, sistem "a" və "b" cavablarının cəmini təqdim edir. Hər bir ölçü üçün tələbə cavab olaraq "a" seçərsə, LS Aktiv/Qavrayış/Vizual/Ardıcıl kimi təsnif edilir və tələbə cavab olaraq "b" seçərsə, tələbə Refleksiv/İntuitiv/Linqvistik/qlobal öyrənən kimi təsnif edilir.
Stomatoloji təhsil tədqiqatçıları və sistem tərtibatçıları arasında iş axınını kalibrlədikdən sonra, suallar FLSSM sahəsinə əsasən seçildi və hər bir tələbənin LS-ni proqnozlaşdırmaq üçün ML modelinə daxil edildi. "Zibil içəri girir, zibil çıxır" deyimi maşın öyrənməsi sahəsində məlumatların keyfiyyətinə vurğu etməklə məşhurdur. Giriş məlumatlarının keyfiyyəti maşın öyrənmə modelinin dəqiqliyini və dəqiqliyini müəyyən edir. Xüsusiyyət mühəndisliyi mərhələsində FLSSM-ə əsaslanan "a" və "b" cavablarının cəmindən ibarət yeni bir xüsusiyyət dəsti yaradılır. Dərman mövqelərinin identifikasiya nömrələri Cədvəl 1-də verilmişdir.
Cavablara əsasən balı hesablayın və tələbənin LS-ni təyin edin. Hər bir tələbə üçün bal diapazonu 1-dən 11-ə qədərdir. 1-dən 3-ə qədər ballar eyni ölçü daxilində öyrənmə üstünlüklərinin balansını, 5-dən 7-yə qədər ballar isə orta dərəcədə üstünlük təşkil etdiyini göstərir ki, bu da tələbələrin bir mühiti digərlərinə öyrətməyə üstünlük verməyə meylli olduqlarını göstərir. Eyni ölçüdə digər bir dəyişiklik isə 9-dan 11-ə qədər balların bir və ya digər tərəfə güclü bir üstünlük göstərməsidir [8].
Hər bir ölçü üçün dərmanlar "aktiv", "əks etdirici" və "balanslı" olaraq qruplaşdırılıb. Məsələn, tələbə müəyyən bir suala "b" cavabından daha çox "a" cavabı verdikdə və onun balı Emal LS ölçüsünü təmsil edən müəyyən bir sual üçün 5 həddini keçdikdə, o, "aktiv" LS sahəsinə aiddir. Lakin, tələbələr konkret 11 sualda (Cədvəl 1) "a" cavabından daha çox "b" cavabını seçdikdə və 5 baldan çox topladıqda "əks etdirici" LS kimi təsnif ediliblər. Nəhayət, tələbə "tarazlıq" vəziyyətindədir. Əgər bal 5 baldan çox deyilsə, bu, "proses" LS-dir. Təsnifat prosesi digər LS ölçüləri, yəni qavrayış (aktiv/əks etdirici), giriş (vizual/şifahi) və anlama (ardıcıl/qlobal) üçün təkrarlanıb.
Qərar ağacı modelləri təsnifat prosesinin müxtəlif mərhələlərində müxtəlif xüsusiyyətlər alt dəstlərindən və qərar qaydalarından istifadə edə bilər. Bu, məşhur təsnifat və proqnozlaşdırma vasitəsi hesab olunur. Bu, atributlara görə testləri təmsil edən daxili qovşaqların, test nəticələrini təmsil edən hər bir budağın və sinif etiketini ehtiva edən hər bir yarpaq düyününün (yarpaq düyününün) olduğu axın sxemi [20] kimi bir ağac strukturu ilə təmsil oluna bilər.
Hər bir tələbənin cavablarına əsasən LS-ni avtomatik olaraq qiymətləndirmək və şərh etmək üçün sadə bir qayda əsaslı proqram yaradıldı. Qayda əsaslı proqram, "ƏGƏR" tetikleyicini təsvir etdiyi və "SONRA" yerinə yetiriləcək hərəkəti göstərdiyi IF ifadəsi şəklindədir, məsələn: "Əgər X baş verərsə, onda Y edin" (Liu və digərləri, 2014). Məlumat dəsti korrelyasiya nümayiş etdirirsə və qərar ağacı modeli düzgün öyrədilib qiymətləndirilirsə, bu yanaşma LS və IS uyğunlaşdırma prosesini avtomatlaşdırmaq üçün təsirli bir yol ola bilər.
İnkişafın ikinci mərhələsində tövsiyə alətinin dəqiqliyini artırmaq üçün məlumat dəsti 255-ə qədər artırıldı. Məlumat dəsti 1:4 nisbətində bölünür. Məlumat dəstinin 25%-i (64) test dəsti üçün, qalan 75%-i (191) isə təlim dəsti kimi istifadə edildi (Şəkil 2). Modelin eyni məlumat dəstində təlim keçməsinin və sınaqdan keçirilməsinin qarşısını almaq üçün məlumat dəsti bölünməlidir ki, bu da modelin öyrənmək əvəzinə yadda saxlamasına səbəb ola bilər. Model təlim dəstində təlim keçir və test dəstində - modelin əvvəllər heç görmədiyi məlumatlarda - performansını qiymətləndirir.
İS aləti hazırlandıqdan sonra, tətbiq veb interfeysi vasitəsilə stomatologiya tələbələrinin cavablarına əsasən LS-i təsnif edə biləcək. Veb əsaslı informasiya təhlükəsizliyi tövsiyə aləti sistemi, arxa plan kimi Django çərçivəsini istifadə edərək Python proqramlaşdırma dilindən istifadə edilərək qurulub. Cədvəl 2-də bu sistemin hazırlanmasında istifadə edilən kitabxanalar sadalanır.
Məlumat dəsti, tələbə cavablarını hesablamaq və çıxarmaq, tələbə LS ölçmələrini avtomatik olaraq təsnif etmək üçün qərar ağacı modelinə ötürülür.
Qarışıqlıq matrisi, müəyyən bir məlumat dəsti üzərində qərar ağacı maşın öyrənmə alqoritminin dəqiqliyini qiymətləndirmək üçün istifadə olunur. Eyni zamanda, təsnifat modelinin performansını qiymətləndirir. Modelin proqnozlarını ümumiləşdirir və onları faktiki məlumat etiketləri ilə müqayisə edir. Qiymətləndirmə nəticələri dörd fərqli dəyərə əsaslanır: Doğru Müsbət (TP) – model müsbət kateqoriyanı düzgün proqnozlaşdırdı, Yalan Müsbət (FP) – model müsbət kateqoriyanı proqnozlaşdırdı, lakin əsl etiket mənfi idi, Doğru Mənfi (TN) – model mənfi sinfi düzgün proqnozlaşdırdı və yalan mənfi (FN) – Model mənfi sinfi proqnozlaşdırır, lakin əsl etiket müsbətdir.
Bu dəyərlər daha sonra Python-da scikit-learn təsnifat modelinin müxtəlif performans metriklərini, yəni dəqiqlik, dəqiqlik, xatırlama və F1 balını hesablamaq üçün istifadə olunur. Nümunələr:
Xatırlama (və ya həssaslıq), m-ILS anketini cavablandırdıqdan sonra modelin tələbənin LS-ni dəqiq təsnif etmək qabiliyyətini ölçür.
Spesifiklik əsl mənfi nisbət adlanır. Yuxarıdakı düsturdan da göründüyü kimi, bu, əsl mənfilərin (TN) əsl mənfi və yalançı müsbətlərə (FP) nisbəti olmalıdır. Tələbə dərmanlarını təsnif etmək üçün tövsiyə olunan vasitənin bir hissəsi olaraq, dəqiq müəyyən edilə bilməlidir.
Qərar ağacı ML modelini öyrətmək üçün istifadə edilən 50 tələbənin orijinal məlumat dəsti, annotasiyalarda insan səhvi səbəbindən nisbətən aşağı dəqiqlik göstərdi (Cədvəl 3). LS ballarını və tələbə annotasiyalarını avtomatik olaraq hesablamaq üçün sadə bir qayda əsaslı proqram yaradıldıqdan sonra, tövsiyə sistemini öyrətmək və sınaqdan keçirmək üçün getdikcə artan sayda məlumat dəsti (255) istifadə edildi.
Çoxsinifli qarışıqlıq matrisində diaqonal elementlər hər bir LS növü üçün düzgün proqnozların sayını təmsil edir (Şəkil 4). Qərar ağacı modelindən istifadə edərək, cəmi 64 nümunə düzgün proqnozlaşdırılıb. Beləliklə, bu tədqiqatda diaqonal elementlər gözlənilən nəticələri göstərir ki, bu da modelin hər bir LS təsnifatı üçün sinif etiketini yaxşı işlədiyini və dəqiq proqnozlaşdırdığını göstərir. Beləliklə, tövsiyə alətinin ümumi dəqiqliyi 100% -dir.
Dəqiqlik, dəqiqlik, xatırlama və F1 balının dəyərləri Şəkil 5-də göstərilmişdir. Qərar ağacı modelindən istifadə edən tövsiyə sistemi üçün onun F1 balı 1.0 "mükəmməl"dir ki, bu da mükəmməl dəqiqlik və xatırlama göstəricisidir və əhəmiyyətli həssaslıq və spesifiklik dəyərlərini əks etdirir.
Şəkil 6-da təlim və sınaqdan sonra qərar ağacı modelinin vizuallaşdırılması göstərilir. Yan-yana müqayisədə, daha az xüsusiyyətlə öyrədilən qərar ağacı modeli daha yüksək dəqiqlik və daha asan model vizuallaşdırması göstərdi. Bu, xüsusiyyətlərin azaldılmasına gətirib çıxaran xüsusiyyət mühəndisliyinin model performansının yaxşılaşdırılmasında vacib bir addım olduğunu göstərir.
Qərar ağacı nəzarətli təlim tətbiq etməklə, giriş və çıxış arasındakı xəritələşdirmə avtomatik olaraq yaradılır və hər bir giriş və çıxış üçün ətraflı məlumat ehtiva edir.
Nəticələr göstərdi ki, 255 tələbənin 34,9%-i bir (1) LS seçiminə üstünlük verib. Əksəriyyəti (54,3%) iki və ya daha çox LS seçiminə sahib olub. Tələbələrin 12,2%-i LS-in olduqca balanslı olduğunu qeyd edib (Cədvəl 4). Səkkiz əsas LS-ə əlavə olaraq, Malaya Universitetinin stomatologiya tələbələri üçün 34 LS təsnifatı kombinasiyası mövcuddur. Bunların arasında qavrayış, görmə və qavrayışla görmənin kombinasiyası tələbələr tərəfindən bildirilən əsas LS-dir (Şəkil 7).
Cədvəl 4-dən göründüyü kimi, şagirdlərin əksəriyyətində sensor (13,7%) və ya vizual (8,6%) LS üstünlük təşkil edirdi. Bildirilib ki, şagirdlərin 12,2%-i qavrayışı görmə ilə birləşdirir (qavrayış-vizual LS). Bu tapıntılar şagirdlərin müəyyən edilmiş metodlar vasitəsilə öyrənməyə və yadda saxlamağa üstünlük verdiklərini, spesifik və ətraflı prosedurlara əməl etdiklərini və təbiətcə diqqətli olduqlarını göstərir. Eyni zamanda, onlar baxaraq (diaqramlardan və s. istifadə edərək) öyrənməkdən zövq alırlar və məlumatları qruplarda və ya təkbaşına müzakirə etməyə və tətbiq etməyə meyllidirlər.
Bu tədqiqat, tələbələrin LS-ni dərhal və dəqiq şəkildə proqnozlaşdırmağa və uyğun IS tövsiyə etməyə yönəlmiş məlumatların hasilatında istifadə olunan maşın öyrənmə üsullarına ümumi baxış təqdim edir. Qərar ağacı modelinin tətbiqi onların həyatı və təhsil təcrübələri ilə ən yaxından əlaqəli amilləri müəyyən etmişdir. Bu, müəyyən meyarlara əsasən məlumat dəstini alt kateqoriyalara bölməklə məlumatları təsnif etmək üçün ağac strukturundan istifadə edən nəzarətli maşın öyrənmə alqoritmidir. Bu, yarpaq düyünündə qərar qəbul edilənə qədər giriş məlumatlarını hər bir daxili düyünün giriş xüsusiyyətlərindən birinin dəyərinə əsasən alt çoxluqlara rekursiv şəkildə bölməklə işləyir.
Qərar ağacının daxili düyünləri m-ILS probleminin giriş xüsusiyyətlərinə əsaslanan həlli, yarpaq düyünləri isə son LS təsnifat proqnozunu təmsil edir. Tədqiqat boyunca giriş xüsusiyyətləri və çıxış proqnozları arasındakı əlaqəyə baxaraq qərar prosesini izah edən və vizuallaşdıran qərar ağaclarının iyerarxiyasını anlamaq asandır.
Kompüter elmləri və mühəndislik sahələrində maşın öyrənmə alqoritmləri tələbələrin qəbul imtahanındakı ballarına [21], demoqrafik məlumatlara və öyrənmə davranışlarına [22] əsasən onların göstəricilərini proqnozlaşdırmaq üçün geniş istifadə olunur. Tədqiqatlar göstərdi ki, alqoritm tələbələrin göstəricilərini dəqiq proqnozlaşdırır və akademik çətinliklər riski altında olan tələbələri müəyyən etməyə kömək edir.
Stomatoloji təlim üçün virtual xəstə simulyatorlarının hazırlanmasında ML alqoritmlərinin tətbiqi bildirilir. Simulyator real xəstələrin fizioloji reaksiyalarını dəqiq şəkildə təkrarlaya bilir və stomatoloji tələbələri təhlükəsiz və nəzarətli mühitdə öyrətmək üçün istifadə edilə bilər [23]. Bir sıra digər tədqiqatlar göstərir ki, maşın öyrənmə alqoritmləri stomatoloji və tibbi təhsilin və xəstələrə qulluqun keyfiyyətini və səmərəliliyini potensial olaraq artıra bilər. Maşın öyrənmə alqoritmləri simptomlar və xəstə xüsusiyyətləri kimi məlumat dəstlərinə əsaslanaraq diş xəstəliklərinin diaqnozunda kömək etmək üçün istifadə edilmişdir [24, 25]. Digər tədqiqatlar isə xəstə nəticələrinin proqnozlaşdırılması, yüksək riskli xəstələrin müəyyən edilməsi, fərdiləşdirilmiş müalicə planlarının hazırlanması [26], periodontal müalicə [27] və kariyesin müalicəsi [25] kimi tapşırıqları yerinə yetirmək üçün maşın öyrənmə alqoritmlərinin istifadəsini araşdırmışdır.
Stomatologiyada maşın öyrənməsinin tətbiqi ilə bağlı hesabatlar dərc olunsa da, onun stomatologiya təhsilində tətbiqi məhdud olaraq qalır. Buna görə də, bu tədqiqatın məqsədi stomatologiya tələbələri arasında LS və IS ilə ən çox əlaqəli amilləri müəyyən etmək üçün qərar ağacı modelindən istifadə etməkdir.
Bu tədqiqatın nəticələri göstərir ki, hazırlanmış tövsiyə vasitəsi yüksək dəqiqliyə və mükəmməl dəqiqliyə malikdir ki, bu da müəllimlərin bu vasitədən faydalana biləcəyini göstərir. Məlumatlara əsaslanan təsnifat prosesindən istifadə edərək, fərdiləşdirilmiş tövsiyələr verə və müəllimlər və tələbələr üçün təhsil təcrübələrini və nəticələrini yaxşılaşdıra bilər. Bunların arasında tövsiyə vasitələri vasitəsilə əldə edilən məlumatlar müəllimlərin üstünlük verdiyi tədris metodları ilə tələbələrin öyrənmə ehtiyacları arasındakı ziddiyyətləri həll edə bilər. Məsələn, tövsiyə vasitələrinin avtomatlaşdırılmış çıxışı sayəsində tələbənin ƏM-ni müəyyən etmək və onu müvafiq ƏM ilə uyğunlaşdırmaq üçün tələb olunan vaxt əhəmiyyətli dərəcədə azaldılacaq. Bu şəkildə uyğun təlim fəaliyyətləri və təlim materialları təşkil edilə bilər. Bu, tələbələrin müsbət öyrənmə davranışını və diqqətini cəmləmək qabiliyyətini inkişaf etdirməyə kömək edir. Bir tədqiqatda bildirilir ki, tələbələrə üstünlük verdikləri ƏM-ə uyğun təlim materialları və öyrənmə fəaliyyətlərinin təmin edilməsi tələbələrə daha böyük potensiala nail olmaq üçün bir çox yolla inteqrasiya etməyə, emal etməyə və öyrənmədən zövq almağa kömək edə bilər [12]. Tədqiqatlar həmçinin göstərir ki, tələbələrin sinifdə iştirakını yaxşılaşdırmaqla yanaşı, tələbələrin öyrənmə prosesini anlamaq da tədris təcrübələrinin və tələbələrlə ünsiyyətin yaxşılaşdırılmasında mühüm rol oynayır [28, 29].
Lakin, hər hansı bir müasir texnologiyada olduğu kimi, problemlər və məhdudiyyətlər də mövcuddur. Bunlara məlumatların məxfiliyi, qərəzlilik və ədalətlilik, eləcə də stomatoloji təhsildə maşın öyrənmə alqoritmlərinin hazırlanması və tətbiqi üçün lazım olan peşəkar bacarıqlar və resurslarla bağlı məsələlər daxildir; Bununla belə, bu sahədə artan maraq və tədqiqatlar göstərir ki, maşın öyrənmə texnologiyaları stomatoloji təhsilə və stomatoloji xidmətlərə müsbət təsir göstərə bilər.
Bu tədqiqatın nəticələri göstərir ki, stomatologiya tələbələrinin yarısı dərmanları "qavramağa" meyllidir. Bu tip öyrənənlər faktlara və konkret nümunələrə üstünlük verirlər, praktik yönümlülük, detallara səbr və öyrənənlər fikir və düşüncələrini çatdırmaq üçün şəkillərdən, qrafiklərdən, rənglərdən və xəritələrdən istifadə etməyə üstünlük verən "vizual" LS üstünlüyünə malikdirlər. Mövcud nəticələr, əksəriyyəti qavrayış və vizual LS xüsusiyyətlərinə malik olan stomatologiya və tibb tələbələrində LS-i qiymətləndirmək üçün ILS istifadə edən digər tədqiqatlarla uyğundur [12, 30]. Dalmolin və digərləri tələbələrə LS haqqında məlumat verməyin onların öyrənmə potensiallarına çatmasına imkan verdiyini irəli sürürlər. Tədqiqatçılar iddia edirlər ki, müəllimlər tələbələrin təhsil prosesini tam başa düşdükdə, tələbələrin performansını və öyrənmə təcrübəsini yaxşılaşdıracaq müxtəlif tədris metodları və fəaliyyətləri tətbiq edilə bilər [12, 31, 32]. Digər tədqiqatlar göstərir ki, tələbələrin LS-ni tənzimləmək, öyrənmə tərzlərini öz LS-lərinə uyğunlaşdırdıqdan sonra tələbələrin öyrənmə təcrübəsində və performansında da irəliləyişlər göstərir [13, 33].
Müəllimlərin tələbələrin öyrənmə qabiliyyətlərinə əsaslanan tədris strategiyalarının tətbiqi ilə bağlı fikirləri fərqli ola bilər. Bəziləri bu yanaşmanın faydalarını, o cümlədən peşəkar inkişaf imkanlarını, mentorluğu və icma dəstəyini görsə də, digərləri vaxt və institusional dəstək barədə narahat ola bilərlər. Tarazlığa çalışmaq tələbə mərkəzli münasibət yaratmaq üçün vacibdir. Universitet administratorları kimi ali təhsil orqanları innovativ təcrübələr tətbiq etməklə və müəllim heyətinin inkişafını dəstəkləməklə müsbət dəyişikliklərin aparılmasında mühüm rol oynaya bilərlər [34]. Həqiqətən dinamik və cavabdeh ali təhsil sistemi yaratmaq üçün siyasətçilər siyasət dəyişiklikləri etmək, texnologiya inteqrasiyasına resurslar ayırmaq və tələbə mərkəzli yanaşmaları təşviq edən çərçivələr yaratmaq kimi cəsarətli addımlar atmalıdırlar. Bu tədbirlər istənilən nəticələrə nail olmaq üçün vacibdir. Fərqli tədris üzrə son tədqiqatlar aydın şəkildə göstərib ki, diferensial tədrisin uğurlu tətbiqi müəllimlər üçün davamlı təlim və inkişaf imkanları tələb edir [35].
Bu alət, tələbə yönümlü təlim fəaliyyətlərini planlaşdırmaq üçün tələbəyə yönəlmiş yanaşma tətbiq etmək istəyən stomatoloji müəllimlərə dəyərli dəstək verir. Lakin, bu tədqiqat qərar ağacı ML modellərinin istifadəsi ilə məhdudlaşır. Gələcəkdə tövsiyə vasitələrinin dəqiqliyini, etibarlılığını və dəqiqliyini müqayisə etmək üçün müxtəlif maşın öyrənmə modellərinin performansını müqayisə etmək üçün daha çox məlumat toplanmalıdır. Bundan əlavə, müəyyən bir tapşırıq üçün ən uyğun maşın öyrənmə metodunu seçərkən modelin mürəkkəbliyi və təfsiri kimi digər amilləri də nəzərə almaq vacibdir.
Bu tədqiqatın məhdudiyyəti ondan ibarətdir ki, o, yalnız stomatologiya tələbələri arasında LS və IS xəritələşdirilməsinə yönəlmişdir. Buna görə də, hazırlanmış tövsiyə sistemi yalnız stomatologiya tələbələri üçün uyğun olanları tövsiyə edəcək. Dəyişikliklər ümumi ali təhsil tələbələrinin istifadəsi üçün zəruridir.
Yeni hazırlanmış maşın öyrənməsinə əsaslanan tövsiyə vasitəsi tələbələrin LS-lərini dərhal təsnif edə və müvafiq IS ilə uyğunlaşdıra bilir və bu da onu stomatoloji müəllimlərə müvafiq tədris və öyrənmə fəaliyyətlərini planlaşdırmağa kömək edən ilk stomatoloji təhsil proqramına çevirir. Məlumatlara əsaslanan çeşidləmə prosesindən istifadə edərək, fərdiləşdirilmiş tövsiyələr verə, vaxta qənaət edə, tədris strategiyalarını təkmilləşdirə, hədəflənmiş müdaxilələri dəstəkləyə və davamlı peşəkar inkişafa kömək edə bilər. Onun tətbiqi stomatoloji təhsilə tələbə mərkəzli yanaşmaları təşviq edəcək.
Gilak Jani Associated Press. Şagirdin öyrənmə tərzi ilə müəllimin tədris tərzi arasında uyğunluq və ya uyğunsuzluq. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Yazı vaxtı: 29 aprel 2024