هناك حاجة متزايدة للتعلم المتمركز حول الطالب (SCL) في مؤسسات التعليم العالي، بما في ذلك طب الأسنان.ومع ذلك، SCL له تطبيق محدود في تعليم طب الأسنان.لذلك، تهدف هذه الدراسة إلى تعزيز تطبيق SCL في طب الأسنان باستخدام تقنية التعلم الآلي لشجرة القرار (ML) لرسم خريطة لأسلوب التعلم المفضل (LS) واستراتيجيات التعلم المقابلة (IS) لطلاب طب الأسنان كأداة مفيدة لتطوير إرشادات IS .طرق واعدة لطلاب طب الأسنان.
أكمل ما مجموعه 255 طالبًا من طلاب طب الأسنان من جامعة مالايا استبيان مؤشر أساليب التعلم (m-ILS) المعدل، والذي يحتوي على 44 عنصرًا لتصنيفهم إلى LSs الخاصة بهم.يتم استخدام البيانات التي تم جمعها (وتسمى مجموعة البيانات) في تعلم شجرة القرارات الخاضعة للإشراف لمطابقة أنماط تعلم الطلاب تلقائيًا مع أنظمة المعلومات الأكثر ملاءمة.يتم بعد ذلك تقييم دقة أداة توصية نظم المعلومات القائمة على التعلم الآلي.
يسمح تطبيق نماذج شجرة القرار في عملية رسم الخرائط الآلية بين LS (المدخلات) وIS (المخرجات المستهدفة) بقائمة فورية من استراتيجيات التعلم المناسبة لكل طالب طب الأسنان.أظهرت أداة توصية IS دقة مثالية وتذكرًا لدقة النموذج الإجمالية، مما يشير إلى أن مطابقة LS مع IS تتمتع بحساسية وخصوصية جيدة.
أثبتت أداة توصية نظم المعلومات المستندة إلى شجرة قرارات تعلم الآلة قدرتها على مطابقة أنماط التعلم لطلاب طب الأسنان بدقة مع استراتيجيات التعلم المناسبة.توفر هذه الأداة خيارات قوية لتخطيط الدورات أو الوحدات التي تركز على المتعلم والتي يمكن أن تعزز تجربة التعلم للطلاب.
يعد التدريس والتعلم من الأنشطة الأساسية في المؤسسات التعليمية.عند تطوير نظام تعليم مهني عالي الجودة، من المهم التركيز على احتياجات التعلم للطلاب.يمكن تحديد التفاعل بين الطلاب وبيئة التعلم الخاصة بهم من خلال نظام LS الخاص بهم.تشير الأبحاث إلى أن عدم التطابق الذي يقصده المعلم بين تعلم الطلاب وتعلم العلوم يمكن أن يكون له عواقب سلبية على تعلم الطلاب، مثل انخفاض الاهتمام والتحفيز.وهذا سوف يؤثر بشكل غير مباشر على أداء الطالب [1،2].
IS هي طريقة يستخدمها المعلمون لنقل المعرفة والمهارات للطلاب، بما في ذلك مساعدة الطلاب على التعلم [3].بشكل عام، يخطط المعلمون الجيدون لاستراتيجيات التدريس التي تتوافق بشكل أفضل مع مستوى معرفة طلابهم، والمفاهيم التي يتعلمونها، ومرحلة التعلم الخاصة بهم.من الناحية النظرية، عندما يتطابق LS وIS، سيتمكن الطلاب من تنظيم واستخدام مجموعة محددة من المهارات للتعلم بفعالية.عادةً، تتضمن خطة الدرس عدة انتقالات بين المراحل، مثل من التدريس إلى الممارسة الموجهة أو من الممارسة الموجهة إلى الممارسة المستقلة.ومع أخذ ذلك في الاعتبار، غالبًا ما يخطط المعلمون الفعالون للتعليم بهدف بناء معارف الطلاب ومهاراتهم [4].
يتزايد الطلب على SCL في مؤسسات التعليم العالي، بما في ذلك طب الأسنان.تم تصميم استراتيجيات SCL لتلبية احتياجات التعلم للطلاب.ويمكن تحقيق ذلك، على سبيل المثال، إذا شارك الطلاب بنشاط في أنشطة التعلم وقام المعلمون بدور الميسرين وكانوا مسؤولين عن تقديم تعليقات قيمة.ويقال إن توفير المواد والأنشطة التعليمية التي تتناسب مع المستوى التعليمي للطلاب أو تفضيلاتهم يمكن أن يحسن بيئة تعلم الطلاب ويعزز تجارب التعلم الإيجابية [5].
بشكل عام، تتأثر عملية تعلم طلاب طب الأسنان بالإجراءات السريرية المختلفة التي يتعين عليهم القيام بها والبيئة السريرية التي يطورون فيها مهارات التعامل مع الآخرين بشكل فعال.الغرض من التدريب هو تمكين الطلاب من الجمع بين المعرفة الأساسية لطب الأسنان والمهارات السريرية لطب الأسنان وتطبيق المعرفة المكتسبة على المواقف السريرية الجديدة [6، 7].وجدت الأبحاث المبكرة حول العلاقة بين LS وIS أن تعديل استراتيجيات التعلم المعينة لـ LS المفضل من شأنه أن يساعد في تحسين العملية التعليمية [8].يوصي المؤلفون أيضًا باستخدام مجموعة متنوعة من أساليب التدريس والتقييم للتكيف مع تعلم الطلاب واحتياجاتهم.
يستفيد المعلمون من تطبيق معرفة LS لمساعدتهم على تصميم وتطوير وتنفيذ التعليمات التي من شأنها تعزيز اكتساب الطلاب لمعرفة أعمق وفهم للموضوع.قام الباحثون بتطوير العديد من أدوات تقييم LS، مثل نموذج التعلم التجريبي Kolb، ونموذج أسلوب التعلم Felder-Silverman (FSLSM)، ونموذج Fleming VAK/VARK [5، 9، 10].وفقا للأدبيات، فإن نماذج التعلم هذه هي نماذج التعلم الأكثر استخداما والأكثر دراسة.في العمل البحثي الحالي، يتم استخدام FSLSM لتقييم LS بين طلاب طب الأسنان.
FSLSM هو نموذج يستخدم على نطاق واسع لتقييم التعلم التكيفي في الهندسة.هناك العديد من الأعمال المنشورة في العلوم الصحية (بما في ذلك الطب والتمريض والصيدلة وطب الأسنان) التي يمكن العثور عليها باستخدام نماذج FSLSM [5، 11، 12، 13].تسمى الأداة المستخدمة لقياس أبعاد تعلم التعلم في FLSM مؤشر أساليب التعلم (ILS) [8]، والذي يحتوي على 44 عنصرًا تقيم أربعة أبعاد لتعلم التعلم: المعالجة (النشط/الانعكاسي)، والإدراك (الإدراكي/الحدسي)، الإدخال (البصري)./ لفظي) والفهم (متسلسل / عالمي) [14].
كما هو مبين في الشكل 1، كل بعد FSLSM له تفضيل سائد.على سبيل المثال، في بُعد المعالجة، يفضل الطلاب ذوي التعلم النشط "النشط" معالجة المعلومات من خلال التفاعل المباشر مع المواد التعليمية، والتعلم بالممارسة، ويميلون إلى التعلم في مجموعات.يشير LS "الانعكاسي" إلى التعلم من خلال التفكير ويفضل العمل بمفرده.يمكن تقسيم بُعد "الإدراك" في LS إلى "الشعور" و/أو "الحدس".يفضل طلاب "الشعور" المزيد من المعلومات الملموسة والإجراءات العملية، ويكونون موجهين نحو الحقائق مقارنة بالطلاب "ذوي الحدس" الذين يفضلون المواد المجردة ويكونون أكثر ابتكارًا وإبداعًا بطبيعتهم.يتكون البعد "الإدخالي" في تعلم التعلم من المتعلمين "البصريين" و"اللفظيين".يفضل الأشخاص الذين يعانون من LS "البصري" التعلم من خلال العروض المرئية (مثل الرسوم البيانية أو مقاطع الفيديو أو العروض التوضيحية الحية)، في حين يفضل الأشخاص الذين يعانون من LS "اللفظي" التعلم من خلال الكلمات في التفسيرات المكتوبة أو الشفهية.ومن أجل "فهم" أبعاد LS، يمكن تقسيم هؤلاء المتعلمين إلى "متسلسلين" و"عالميين"."يفضل المتعلمون المتسلسلون عملية تفكير خطية ويتعلمون خطوة بخطوة، بينما يميل المتعلمون العالميون إلى عملية تفكير شمولية ويكون لديهم دائمًا فهم أفضل لما يتعلمونه.
في الآونة الأخيرة، بدأ العديد من الباحثين في استكشاف طرق الاكتشاف التلقائي المعتمد على البيانات، بما في ذلك تطوير خوارزميات ونماذج جديدة قادرة على تفسير كميات كبيرة من البيانات [15، 16].بناءً على البيانات المقدمة، فإن ML (التعلم الآلي) الخاضع للإشراف قادر على توليد أنماط وافتراضات تتنبأ بالنتائج المستقبلية بناءً على بناء الخوارزميات [17].ببساطة، تعالج تقنيات التعلم الآلي الخاضعة للإشراف بيانات الإدخال وتدرب الخوارزميات.ثم يقوم بإنشاء نطاق يصنف النتيجة أو يتنبأ بها بناءً على مواقف مماثلة لبيانات الإدخال المقدمة.الميزة الرئيسية لخوارزميات التعلم الآلي الخاضعة للإشراف هي قدرتها على تحقيق النتائج المثالية والمرغوبة [17].
من خلال استخدام الأساليب المبنية على البيانات ونماذج التحكم في شجرة القرار، من الممكن الكشف التلقائي عن LS.تم الإبلاغ عن استخدام أشجار القرار على نطاق واسع في برامج التدريب في مختلف المجالات، بما في ذلك العلوم الصحية [18، 19].في هذه الدراسة، تم تدريب النموذج خصيصًا من قبل مطوري النظام لتحديد LS للطلاب والتوصية بأفضل نظام تشغيل لهم.
الغرض من هذه الدراسة هو تطوير استراتيجيات توصيل نظم المعلومات بناءً على تعلم الطلاب وتطبيق نهج SCL من خلال تطوير أداة توصية نظم المعلومات المعينة لتعلم التعلم.يظهر الشكل 1. تدفق تصميم أداة توصية IS كاستراتيجية لطريقة SCL. وتنقسم أداة توصية IS إلى جزأين، بما في ذلك آلية تصنيف LS باستخدام ILS وعرض IS الأكثر ملاءمة للطلاب.
على وجه الخصوص، تتضمن خصائص أدوات توصية أمن المعلومات استخدام تقنيات الويب واستخدام التعلم الآلي لشجرة القرار.يعمل مطورو الأنظمة على تحسين تجربة المستخدم وإمكانية التنقل من خلال تكييفها مع الأجهزة المحمولة مثل الهواتف المحمولة والأجهزة اللوحية.
تم تنفيذ التجربة على مرحلتين وشارك فيها طلاب من كلية طب الأسنان بجامعة مالايا بشكل تطوعي.استجاب المشاركون لطالب طب الأسنان عبر الإنترنت m-ILS باللغة الإنجليزية.في المرحلة الأولية، تم استخدام مجموعة بيانات مكونة من 50 طالبًا لتدريب خوارزمية التعلم الآلي لشجرة القرار.وفي المرحلة الثانية من عملية التطوير، تم استخدام مجموعة بيانات مكونة من 255 طالبًا لتحسين دقة الأداة المطورة.
ويتلقى جميع المشاركين إحاطة عبر الإنترنت في بداية كل مرحلة، حسب العام الدراسي، عبر برنامج Microsoft Teams.تم شرح الغرض من الدراسة وتم الحصول على موافقة مستنيرة.تم تزويد جميع المشاركين برابط للوصول إلى m-ILS.تم توجيه كل طالب للإجابة على جميع البنود الـ 44 في الاستبيان.تم منحهم أسبوعًا واحدًا لاستكمال اختبار ILS المعدل في الوقت والمكان المناسب لهم خلال إجازة الفصل الدراسي قبل بداية الفصل الدراسي.يعتمد m-ILS على أداة ILS الأصلية وتم تعديله لطلاب طب الأسنان.على غرار ILS الأصلي، فهو يحتوي على 44 عنصرًا موزعة بالتساوي (أ، ب)، مع 11 عنصرًا لكل منها، والتي تستخدم لتقييم جوانب كل بُعد من أبعاد FSLSM.
خلال المراحل الأولى من تطوير الأداة، قام الباحثون بتعليق الخرائط يدويًا باستخدام مجموعة بيانات تضم 50 طالبًا في طب الأسنان.وفقًا لـ FSLM، يوفر النظام مجموع الإجابات "أ" و"ب".لكل بُعد، إذا اختار الطالب "أ" كإجابة، فسيتم تصنيف التعلم على أنه نشط/إدراكي/بصري/متسلسل، وإذا اختار الطالب "ب" كإجابة، فسيتم تصنيف الطالب على أنه عاكس/بديهي/لغوي ./ المتعلم العالمي.
بعد معايرة سير العمل بين الباحثين في تعليم طب الأسنان ومطوري النظام، تم اختيار الأسئلة بناءً على مجال FLSSM وإدخالها في نموذج ML للتنبؤ بـ LS لكل طالب."القمامة تدخل، القمامة تخرج" هو مقولة شائعة في مجال التعلم الآلي، مع التركيز على جودة البيانات.تحدد جودة البيانات المدخلة دقة ودقة نموذج التعلم الآلي.أثناء مرحلة هندسة الميزات، يتم إنشاء مجموعة ميزات جديدة وهي مجموع الإجابات "أ" و"ب" استنادًا إلى FLSSM.وترد أرقام تعريف مواقف المخدرات في الجدول 1.
احسب النتيجة بناءً على الإجابات وحدد LS للطالب.يتراوح نطاق الدرجات لكل طالب من 1 إلى 11. وتشير الدرجات من 1 إلى 3 إلى توازن تفضيلات التعلم ضمن نفس البعد، وتشير الدرجات من 5 إلى 7 إلى تفضيل معتدل، مما يشير إلى أن الطلاب يميلون إلى تفضيل بيئة واحدة لتعليم الآخرين .هناك اختلاف آخر على نفس البعد وهو أن الدرجات من 9 إلى 11 تعكس تفضيلًا قويًا لأحد الطرفين أو الآخر [8].
بالنسبة لكل بعد، تم تجميع الأدوية إلى "فعالة" و"عاكسة" و"متوازنة".على سبيل المثال، عندما يجيب الطالب بـ "أ" أكثر من "ب" في عنصر معين وتتجاوز درجاته حد 5 لعنصر معين يمثل بُعد LS المعالجة، فإنه ينتمي إلى LS "النشط" اِختِصاص..ومع ذلك، تم تصنيف الطلاب على أنهم LS "انعكاسي" عندما اختاروا "ب" أكثر من "أ" في 11 سؤالًا محددًا (الجدول 1) وسجلوا أكثر من 5 نقاط.وأخيرًا، يكون الطالب في حالة "توازن".إذا كانت النتيجة لا تتجاوز 5 نقاط، فهذه "عملية" LS.وتكررت عملية التصنيف لأبعاد LS الأخرى، وهي الإدراك (النشط/الانعكاسي)، والمدخلات (البصري/اللفظي)، والفهم (المتسلسل/العالمي).
يمكن لنماذج شجرة القرار استخدام مجموعات فرعية مختلفة من الميزات وقواعد القرار في مراحل مختلفة من عملية التصنيف.تعتبر أداة تصنيف وتنبؤ شائعة.يمكن تمثيلها باستخدام بنية شجرة مثل المخطط الانسيابي [20]، حيث توجد عقد داخلية تمثل الاختبارات حسب السمة، وكل فرع يمثل نتائج الاختبار، وكل عقدة ورقية (عقدة ورقية) تحتوي على تسمية فئة.
تم إنشاء برنامج بسيط قائم على القواعد لتسجيل النقاط والتعليقات التوضيحية تلقائيًا على مستوى التعلم لكل طالب بناءً على إجاباتهم.يأخذ المستند إلى القواعد شكل عبارة IF، حيث تصف "IF" المشغل وتحدد "THEN" الإجراء الذي سيتم تنفيذه، على سبيل المثال: "إذا حدث X، فافعل Y" (Liu et al., 2014).إذا أظهرت مجموعة البيانات ارتباطًا وتم تدريب نموذج شجرة القرار وتقييمه بشكل صحيح، فيمكن أن يكون هذا النهج وسيلة فعالة لأتمتة عملية مطابقة LS وIS.
وفي المرحلة الثانية من التطوير، تمت زيادة مجموعة البيانات إلى 255 لتحسين دقة أداة التوصية.يتم تقسيم مجموعة البيانات بنسبة 1:4.تم استخدام 25% (64) من مجموعة البيانات لمجموعة الاختبار، وتم استخدام 75% المتبقية (191) كمجموعة تدريب (الشكل 2).يجب تقسيم مجموعة البيانات لمنع تدريب النموذج واختباره على نفس مجموعة البيانات، مما قد يتسبب في تذكر النموذج بدلاً من التعلم.يتم تدريب النموذج على مجموعة التدريب ويقيم أدائه على مجموعة الاختبار - وهي بيانات لم يشاهدها النموذج من قبل.
بمجرد تطوير أداة IS، سيكون التطبيق قادرًا على تصنيف LS بناءً على استجابات طلاب طب الأسنان عبر واجهة الويب.تم إنشاء نظام أداة توصيات أمن المعلومات المستندة إلى الويب باستخدام لغة برمجة Python باستخدام إطار عمل Django كواجهة خلفية.ويبين الجدول 2 المكتبات المستخدمة في تطوير هذا النظام.
يتم تغذية مجموعة البيانات إلى نموذج شجرة القرار لحساب واستخراج استجابات الطلاب لتصنيف قياسات LS للطلاب تلقائيًا.
يتم استخدام مصفوفة الارتباك لتقييم دقة خوارزمية التعلم الآلي لشجرة القرار في مجموعة بيانات معينة.وفي الوقت نفسه، يقوم بتقييم أداء نموذج التصنيف.فهو يلخص تنبؤات النموذج ويقارنها بتسميات البيانات الفعلية.تعتمد نتائج التقييم على أربع قيم مختلفة: إيجابية حقيقية (TP) – تنبأ النموذج بشكل صحيح بالفئة الإيجابية، إيجابية كاذبة (FP) – تنبأ النموذج بالفئة الإيجابية، ولكن التسمية الحقيقية كانت سلبية، سلبية حقيقية (TN) – تنبأ النموذج بشكل صحيح بالفئة السالبة، والسلبية الكاذبة (FN) - يتنبأ النموذج بالفئة السالبة، ولكن التسمية الحقيقية إيجابية.
يتم بعد ذلك استخدام هذه القيم لحساب مقاييس الأداء المختلفة لنموذج تصنيف scikit-Learn في بايثون، وهي الدقة والدقة والاستدعاء ودرجة F1.فيما يلي أمثلة:
يقيس الاستدعاء (أو الحساسية) قدرة النموذج على تصنيف LS للطالب بدقة بعد الإجابة على استبيان m-ILS.
تسمى الخصوصية بالمعدل السلبي الحقيقي.كما ترون من الصيغة أعلاه، يجب أن تكون هذه هي نسبة السلبيات الحقيقية (TN) إلى السلبيات الحقيقية والإيجابيات الكاذبة (FP).كجزء من الأداة الموصى بها لتصنيف أدوية الطلاب، يجب أن تكون قادرة على التحديد الدقيق.
أظهرت مجموعة البيانات الأصلية المكونة من 50 طالبًا المستخدمة لتدريب نموذج ML لشجرة القرار دقة منخفضة نسبيًا بسبب خطأ بشري في التعليقات التوضيحية (الجدول 3).بعد إنشاء برنامج بسيط قائم على القواعد لحساب درجات LS وشروح الطلاب تلقائيًا، تم استخدام عدد متزايد من مجموعات البيانات (255) لتدريب واختبار نظام التوصيات.
في مصفوفة الارتباك متعددة الفئات، تمثل العناصر القطرية عدد التنبؤات الصحيحة لكل نوع LS (الشكل 4).باستخدام نموذج شجرة القرار، تم التنبؤ بشكل صحيح بما مجموعه 64 عينة.وبالتالي، في هذه الدراسة، تظهر العناصر القطرية النتائج المتوقعة، مما يشير إلى أن النموذج يعمل بشكل جيد ويتنبأ بدقة بمسمى الفئة لكل تصنيف LS.وبالتالي، فإن الدقة الإجمالية لأداة التوصية هي 100%.
تظهر قيم الدقة والدقة والاستدعاء ودرجة F1 في الشكل 5. بالنسبة لنظام التوصية الذي يستخدم نموذج شجرة القرار، فإن درجة F1 الخاصة به هي 1.0 "ممتاز"، مما يشير إلى الدقة والتذكر المثاليين، مما يعكس حساسية وخصوصية كبيرة قيم.
يوضح الشكل 6 تصورًا لنموذج شجرة القرار بعد اكتمال التدريب والاختبار.في المقارنة جنبًا إلى جنب، أظهر نموذج شجرة القرار الذي تم تدريبه بميزات أقل دقة أعلى وتصورًا أسهل للنموذج.يوضح هذا أن هندسة الميزات التي تؤدي إلى تقليل الميزات تعد خطوة مهمة في تحسين أداء النموذج.
من خلال تطبيق التعلم الخاضع للإشراف على شجرة القرار، يتم إنشاء التعيين بين LS (الإدخال) وIS (المخرجات المستهدفة) تلقائيًا ويحتوي على معلومات مفصلة لكل LS.
أظهرت النتائج أن 34.9% من 255 طالبًا يفضلون خيارًا واحدًا (1) من LS.كان للأغلبية (54.3%) تفضيلان أو أكثر لـ LS.لاحظ 12.2% من الطلاب أن تعلم التعلم متوازن تمامًا (الجدول 4).بالإضافة إلى LS الثمانية الرئيسية، هناك 34 مجموعة من تصنيفات LS لطلاب طب الأسنان بجامعة مالايا.من بينها، الإدراك والرؤية والجمع بين الإدراك والرؤية هي وسائل التعلم الرئيسية التي أبلغ عنها الطلاب (الشكل 7).
كما يتبين من الجدول 4، كان لدى غالبية الطلاب مهارة حسية سائدة (13.7%) أو بصرية (8.6%).وأفيد أن 12.2٪ من الطلاب يجمعون بين الإدراك والرؤية (LS الإدراكي البصري).تشير هذه النتائج إلى أن الطلاب يفضلون التعلم والتذكر من خلال الأساليب المعمول بها، واتباع إجراءات محددة ومفصلة، ويكونون منتبهين بطبيعتهم.وفي الوقت نفسه، يستمتعون بالتعلم من خلال النظر (باستخدام الرسوم البيانية، وما إلى ذلك) ويميلون إلى مناقشة المعلومات وتطبيقها في مجموعات أو بمفردهم.
تقدم هذه الدراسة نظرة عامة على تقنيات التعلم الآلي المستخدمة في استخراج البيانات، مع التركيز على التنبؤ الفوري والدقيق لتعلم الآلة والتوصية بأنظمة المعلومات المناسبة.وقد حدد تطبيق نموذج شجرة القرار العوامل الأكثر ارتباطًا بحياتهم وخبراتهم التعليمية.إنها خوارزمية تعلم آلي خاضعة للإشراف تستخدم بنية شجرة لتصنيف البيانات عن طريق تقسيم مجموعة من البيانات إلى فئات فرعية بناءً على معايير معينة.وهو يعمل عن طريق تقسيم بيانات الإدخال بشكل متكرر إلى مجموعات فرعية بناءً على قيمة إحدى ميزات الإدخال لكل عقدة داخلية حتى يتم اتخاذ قرار في العقدة الطرفية.
تمثل العقد الداخلية لشجرة القرار الحل بناءً على خصائص الإدخال لمشكلة m-ILS، وتمثل العقد الورقية التنبؤ النهائي لتصنيف LS.خلال الدراسة، من السهل فهم التسلسل الهرمي لأشجار القرار التي تشرح وتصور عملية اتخاذ القرار من خلال النظر في العلاقة بين ميزات الإدخال وتوقعات المخرجات.
في مجالات علوم الكمبيوتر والهندسة، تُستخدم خوارزميات التعلم الآلي على نطاق واسع للتنبؤ بأداء الطلاب بناءً على درجات امتحان القبول [21] والمعلومات الديموغرافية وسلوك التعلم [22].أظهرت الأبحاث أن الخوارزمية تنبأت بدقة بأداء الطلاب وساعدتهم في تحديد الطلاب المعرضين لخطر الصعوبات الأكاديمية.
تم الإبلاغ عن تطبيق خوارزميات ML في تطوير أجهزة محاكاة افتراضية للمرضى لتدريب طب الأسنان.جهاز المحاكاة قادر على إعادة إنتاج الاستجابات الفسيولوجية للمرضى الحقيقيين بدقة ويمكن استخدامه لتدريب طلاب طب الأسنان في بيئة آمنة وخاضعة للرقابة [23].تظهر العديد من الدراسات الأخرى أن خوارزميات التعلم الآلي يمكن أن تحسن جودة وكفاءة التعليم الطبي وطب الأسنان ورعاية المرضى.تم استخدام خوارزميات التعلم الآلي للمساعدة في تشخيص أمراض الأسنان بناءً على مجموعات البيانات مثل الأعراض وخصائص المريض [24، 25].بينما استكشفت دراسات أخرى استخدام خوارزميات التعلم الآلي لأداء مهام مثل التنبؤ بنتائج المرضى، وتحديد المرضى المعرضين لمخاطر عالية، وتطوير خطط علاج شخصية [26]، وعلاج اللثة [27]، وعلاج تسوس الأسنان [25].
على الرغم من نشر تقارير حول تطبيق التعلم الآلي في طب الأسنان، إلا أن تطبيقه في تعليم طب الأسنان لا يزال محدودًا.لذلك، تهدف هذه الدراسة إلى استخدام نموذج شجرة القرار لتحديد العوامل الأكثر ارتباطًا بـ LS وIS بين طلاب طب الأسنان.
وأظهرت نتائج هذه الدراسة أن أداة التوصية المطورة تتمتع بدقة عالية ودقة تامة، مما يشير إلى أنه يمكن للمعلمين الاستفادة من هذه الأداة.وباستخدام عملية تصنيف تعتمد على البيانات، يمكنها تقديم توصيات مخصصة وتحسين الخبرات والنتائج التعليمية للمعلمين والطلاب.ومن بينها، يمكن للمعلومات التي يتم الحصول عليها من خلال أدوات التوصية حل التضارب بين طرق التدريس المفضلة لدى المعلمين واحتياجات التعلم للطلاب.على سبيل المثال، نظرًا للإخراج الآلي لأدوات التوصية، سيتم تقليل الوقت المطلوب لتحديد عنوان IP الخاص بالطالب ومطابقته مع عنوان IP المقابل بشكل كبير.وبهذه الطريقة يمكن تنظيم الأنشطة التدريبية والمواد التدريبية المناسبة.وهذا يساعد على تطوير سلوك التعلم الإيجابي لدى الطلاب وقدرتهم على التركيز.ذكرت إحدى الدراسات أن تزويد الطلاب بالمواد التعليمية والأنشطة التعليمية التي تتوافق مع تعلمهم المفضل يمكن أن يساعد الطلاب على التكامل والمعالجة والاستمتاع بالتعلم بطرق متعددة لتحقيق إمكانات أكبر [12].تظهر الأبحاث أيضًا أنه بالإضافة إلى تحسين مشاركة الطلاب في الفصل الدراسي، فإن فهم عملية تعلم الطلاب يلعب أيضًا دورًا حاسمًا في تحسين ممارسات التدريس والتواصل مع الطلاب [28، 29].
ومع ذلك، كما هو الحال مع أي تكنولوجيا حديثة، هناك مشاكل وقيود.وتشمل هذه القضايا المتعلقة بخصوصية البيانات والتحيز والعدالة، والمهارات والموارد المهنية اللازمة لتطوير وتنفيذ خوارزميات التعلم الآلي في تعليم طب الأسنان؛ومع ذلك، يشير الاهتمام والأبحاث المتزايدة في هذا المجال إلى أن تقنيات التعلم الآلي قد يكون لها تأثير إيجابي على تعليم طب الأسنان وخدمات طب الأسنان.
تشير نتائج هذه الدراسة إلى أن نصف طلاب طب الأسنان لديهم ميل إلى "إدراك" المخدرات.هذا النوع من المتعلمين لديه تفضيل للحقائق والأمثلة الملموسة، والتوجه العملي، والصبر على التفاصيل، وتفضيل LS "المرئي"، حيث يفضل المتعلمون استخدام الصور والرسومات والألوان والخرائط لنقل الأفكار والآراء.تتوافق النتائج الحالية مع دراسات أخرى تستخدم ILS لتقييم LS لدى طلاب طب الأسنان والطب، ومعظمهم لديهم خصائص LS الإدراكية والبصرية [12، 30].يقترح Dalmolin وآخرون أن إعلام الطلاب حول نظام التعلم الخاص بهم يسمح لهم بالوصول إلى إمكانات التعلم الخاصة بهم.يرى الباحثون أنه عندما يفهم المعلمون العملية التعليمية للطلاب بشكل كامل، يمكن تنفيذ أساليب وأنشطة التدريس المختلفة التي من شأنها تحسين أداء الطلاب وتجربة التعلم [12، 31، 32].أظهرت دراسات أخرى أن تعديل تعلم الطلاب يُظهر أيضًا تحسينات في تجربة تعلم الطلاب وأدائهم بعد تغيير أساليب التعلم الخاصة بهم لتتناسب مع تعلمهم الخاص [13، 33].
قد تختلف آراء المعلمين فيما يتعلق بتنفيذ استراتيجيات التدريس بناءً على قدرات التعلم لدى الطلاب.في حين يرى البعض فوائد هذا النهج، بما في ذلك فرص التطوير المهني، والإرشاد، والدعم المجتمعي، قد يشعر البعض الآخر بالقلق بشأن الوقت والدعم المؤسسي.يعد السعي لتحقيق التوازن أمرًا أساسيًا لخلق سلوك يتمحور حول الطالب.يمكن لسلطات التعليم العالي، مثل مديري الجامعات، أن تلعب دورًا مهمًا في قيادة التغيير الإيجابي من خلال تقديم ممارسات مبتكرة ودعم تطوير أعضاء هيئة التدريس [34].لإنشاء نظام تعليم عالي ديناميكي وسريع الاستجابة حقًا، يجب على صناع السياسات اتخاذ خطوات جريئة، مثل إجراء تغييرات في السياسات، وتخصيص الموارد لتكامل التكنولوجيا، وإنشاء أطر تعزز الأساليب التي تركز على الطلاب.هذه التدابير حاسمة لتحقيق النتائج المرجوة.أظهرت الأبحاث الحديثة حول التعليم المتمايز بوضوح أن التنفيذ الناجح للتعليم المتمايز يتطلب تدريبًا مستمرًا وفرص تطوير للمعلمين [35].
توفر هذه الأداة دعمًا قيمًا لمعلمي طب الأسنان الذين يرغبون في اتباع نهج يركز على الطالب لتخطيط أنشطة التعلم الملائمة للطلاب.ومع ذلك، تقتصر هذه الدراسة على استخدام نماذج تعلم الآلة لشجرة القرار.في المستقبل، يجب جمع المزيد من البيانات لمقارنة أداء نماذج التعلم الآلي المختلفة لمقارنة دقة أدوات التوصية وموثوقيتها.بالإضافة إلى ذلك، عند اختيار طريقة التعلم الآلي الأكثر ملاءمة لمهمة معينة، من المهم مراعاة عوامل أخرى مثل تعقيد النموذج وتفسيره.
أحد قيود هذه الدراسة هو أنها ركزت فقط على رسم خرائط LS وIS بين طلاب طب الأسنان.ولذلك، فإن نظام التوصيات المطور سوف يوصي فقط بتلك المناسبة لطلاب طب الأسنان.التغييرات ضرورية لاستخدام طلاب التعليم العالي العام.
أداة التوصية المستندة إلى التعلم الآلي المطورة حديثًا قادرة على تصنيف ومطابقة التعلم الآلي للطلاب على الفور مع IS المقابل، مما يجعله أول برنامج تعليم طب الأسنان يساعد معلمي طب الأسنان على التخطيط لأنشطة التدريس والتعلم ذات الصلة.وباستخدام عملية فرز تعتمد على البيانات، يمكنها تقديم توصيات مخصصة، وتوفير الوقت، وتحسين استراتيجيات التدريس، ودعم التدخلات المستهدفة، وتعزيز التطوير المهني المستمر.سيؤدي تطبيقه إلى تعزيز الأساليب التي تركز على الطالب في تعليم طب الأسنان.
جيلاك جاني أسوشيتد برستطابق أو عدم تطابق بين أسلوب تعلم الطالب وأسلوب تدريس المعلم.Int J Mod Educ علوم الكمبيوتر.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
وقت النشر: 29 أبريل 2024