هناك حاجة متزايدة للتعلم الذي يركز على الطلاب (SCL) في مؤسسات التعليم العالي ، بما في ذلك طب الأسنان. ومع ذلك ، فإن SCL لديه تطبيق محدود في تعليم الأسنان. لذلك ، تهدف هذه الدراسة إلى تعزيز تطبيق SCL في طب الأسنان باستخدام تقنية التعلم الآلي لشجرة القرار (ML) لرسم خريطة نمط التعلم المفضل (LS) واستراتيجيات التعلم المقابلة (IS) لطلاب الأسنان كأداة مفيدة لتطوير هي المبادئ التوجيهية . طرق واعدة لطلاب الأسنان.
أكمل ما مجموعه 255 طالبًا من طلاب طب الأسنان من جامعة مالايا استبيان مؤشر أنماط التعلم المعدلة (M-ILS) ، والذي احتوى على 44 عنصرًا لتصنيفها في LSS الخاصة بهم. يتم استخدام البيانات التي تم جمعها (تسمى مجموعة بيانات) في تعلم شجرة القرار الخاضعة للإشراف لمطابقة أساليب التعلم للطلاب تلقائيًا مع الأنسب. ثم يتم تقييم دقة أداة التوصية التي تعتمد على التعلم الآلي.
يتيح تطبيق نماذج شجرة القرار في عملية رسم الخرائط الآلية بين LS (الإدخال) و (الإخراج المستهدف) قائمة فورية باستراتيجيات التعلم المناسبة لكل طالب طب الأسنان. أظهرت أداة التوصية دقة كاملة واستدعاء دقة النموذج الشامل ، مما يشير إلى أن مطابقة LS مع IS لها حساسية جيدة وخصوصية.
أثبتت أداة التوصية التي تعتمد على شجرة قرار ML قدرتها على مطابقة أساليب تعلم طلاب الأسنان بدقة مع استراتيجيات التعلم المناسبة. توفر هذه الأداة خيارات قوية لتخطيط الدورات أو الوحدات النمطية التي تركز على المتعلم والتي يمكن أن تعزز تجربة تعلم الطلاب.
التدريس والتعلم هي أنشطة أساسية 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 LS. تشير الأبحاث إلى أن عدم التطابق المقصود بين المعلمين بين LS للطلاب ويمكن أن يكون له عواقب سلبية لتعلم الطلاب ، مثل انخفاض الاهتمام والتحفيز. سيؤثر هذا بشكل غير مباشر على أداء الطلاب [1،2].
هي طريقة يستخدمها المعلمون لنقل المعرفة والمهارات للطلاب ، بما في ذلك مساعدة الطلاب على التعلم [3]. بشكل عام ، يخطط المعلمون الجيدون يخططون لاستراتيجيات التدريس أو من الأفضل أن يتطابق مع مستوى المعرفة لطلابهم ، والمفاهيم التي يتعلمونها ، ومرحلة التعلم الخاصة بهم. من الناحية النظرية ، عندما يكون LS و HEST ، سيتمكن الطلاب من تنظيم واستخدام مجموعة محددة من المهارات للتعلم بفعالية. عادةً ما تتضمن خطة الدرس العديد من التحولات بين المراحل ، مثل التدريس إلى الممارسة الموجهة أو من الممارسة الموجهة إلى الممارسة المستقلة. مع وضع ذلك في الاعتبار ، غالبًا ما يخطط المعلمون الفعالون للتعليم بهدف بناء معرفة الطلاب ومهاراتهم [4].
يتزايد الطلب على SCL في مؤسسات التعليم العالي ، بما في ذلك طب الأسنان. تم تصميم استراتيجيات SCL لتلبية احتياجات تعلم الطلاب. يمكن تحقيق ذلك ، على سبيل المثال ، إذا شارك الطلاب بنشاط في أنشطة التعلم ويعمل المعلمون كميسرين ومسؤولين عن تقديم تعليقات قيمة. يقال إن توفير مواد تعليمية وأنشطة مناسبة للمستوى التعليمي للطلاب أو التفضيلات يمكن أن يحسن بيئة التعلم للطلاب وتعزيز خبرات 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 فعالة بين الأشخاص. الغرض من التدريب هو تمكين الطلاب من الجمع بين المعرفة الأساسية لطب الأسنان والمهارات السريرية للأسنان وتطبيق المعرفة المكتسبة على المواقف السريرية الجديدة [6 ، 7]. البحث المبكر في العلاقة بين LS ووجد أن تعديل استراتيجيات التعلم التي تم تعيينها إلى LS المفضل سيساعد على تحسين العملية التعليمية [8]. يوصي المؤلفون أيضًا باستخدام مجموعة متنوعة من أساليب التدريس والتقييم للتكيف مع تعلم الطلاب واحتياجاتهم.
يستفيد المعلمون من تطبيق المعرفة LS لمساعدتهم على تصميم وتطوير وتنفيذ التعليمات التي من شأنها تعزيز اكتساب الطلاب للمعرفة العميقة وفهم الموضوع. قام الباحثون بتطوير العديد من أدوات تقييم LS ، مثل نموذج التعلم التجريبي KOLB ، ونموذج نمط التعلم فيلدر سيلفيرمان (FSLSM) ، ونموذج فليمنج VAK/VARK [5 ، 9 ، 10]. وفقًا للأدب ، فإن نماذج التعلم هذه هي نماذج التعلم الأكثر استخدامًا والأكثر دراسة. في العمل البحثي الحالي ، يتم استخدام FSLSM لتقييم LS بين طلاب 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]. يسمى الأداة المستخدمة لقياس أبعاد LS في FLSM مؤشر أنماط التعلم (ILS) [8] ، والتي تحتوي على 44 عنصرًا لتقييم أربعة أبعاد من LS: المعالجة (النشطة/العاكسة) ، الإدراك (الإدراك/البديهية) ، ، المدخلات (بصرية). /اللفظي) والتفاهم (متسلسل/عالمي) [14].
كما هو مبين في الشكل 1 ، كل بعد FSLSM له تفضيل مهيمن. على سبيل المثال ، في بُعد المعالجة ، يفضل الطلاب الذين لديهم LS "النشط" معالجة المعلومات من خلال التفاعل المباشر مع مواد التعلم ، والتعلم بالقيام ، والتعلم في مجموعات. يشير LS "العاكس" إلى التعلم من خلال التفكير ويفضل العمل بمفرده. يمكن تقسيم البعد "الإدراك" لـ LS إلى "الشعور" و/أو "الحدس". يفضل طلاب "الشعور" المعلومات الملموسة والإجراءات العملية ، وهم موجهون نحو الحقائق مقارنة بالطلاب "البديهيين" الذين يفضلون المواد المجردة وهم أكثر ابتكارًا وإبداعًا بطبيعته. يتكون البعد "الإدخال" من LS من المتعلمين "البصريين" و "اللفظي". يفضل الأشخاص المصابون بـ "المرئي" التعلم من خلال المظاهرات المرئية (مثل المخططات أو مقاطع الفيديو أو المظاهرات الحية) ، في حين أن الأشخاص الذين يعانون من "اللفظي" يفضلون التعلم من خلال الكلمات في تفسيرات مكتوبة أو عن طريق الفم. "لفهم" أبعاد LS ، يمكن تقسيم هؤلاء المتعلمين إلى "متسلسل" و "عالمي". "يفضل المتعلمون المتسلسلون عملية التفكير الخطية والتعلم خطوة بخطوة ، في حين أن المتعلمين العالميين يميلون إلى الحصول على عملية تفكير شاملة ولديهم دائمًا فهم أفضل لما يتعلمونه.
في الآونة الأخيرة ، بدأ العديد من الباحثين في استكشاف طرق الاكتشاف التلقائي القائم على البيانات ، بما في ذلك تطوير خوارزميات ونماذج جديدة قادرة على تفسير كميات كبيرة من البيانات [15 ، 16]. استنادًا إلى البيانات المقدمة ، فإن ML الخاضع للإشراف (التعلم الآلي) قادر على توليد أنماط وفرضيات تتنبأ بالنتائج المستقبلية بناءً على بناء الخوارزميات [17]. ببساطة ، تعالج تقنيات التعلم الآلي الخاضعة للإشراف بيانات الإدخال وخوارزميات القطار. ثم ينشئ نطاقًا يصنف أو يتوقع النتيجة بناءً على مواقف مماثلة لبيانات الإدخال المقدمة. الميزة الرئيسية لخوارزميات التعلم الآلي الخاضع للإشراف هي قدرتها على تحديد النتائج المثالية والمطلوبة [17].
من خلال استخدام الأساليب القائمة على البيانات ونماذج التحكم في شجرة القرار ، يمكن 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 على وجه التحديد من قبل مطوري النظام لتحديد LS للطلاب والتوصية بالأفضل هو لهم.
الغرض من هذه الدراسة هو تطوير استراتيجيات التسليم بناءً على LS للطلاب وتطبيق نهج SCL من خلال تطوير أداة توصية تم تعيينها على LS. يوضح الشكل 1 تدفق تصميم Design of the IS Construction لأسلوب SCL.
على وجه الخصوص ، تتضمن خصائص أدوات توصية أمن المعلومات استخدام تقنيات الويب واستخدام التعلم الآلي لشجرة القرار. يقوم مطورو النظام بتحسين تجربة المستخدم والتنقل من خلال تكييفها مع الأجهزة المحمولة مثل الهواتف المحمولة والأجهزة اللوحية.
تم تنفيذ التجربة على مرحلتين وشارك طلاب من كلية طب الأسنان بجامعة مالايا على أساس تطوعي. استجاب المشاركون إلى M-ILS لطالب طب الأسنان على الإنترنت باللغة الإنجليزية. في المرحلة الأولية ، تم استخدام مجموعة بيانات تضم 50 طالبًا لتدريب خوارزمية التعلم الآلي لشجرة القرار. في المرحلة الثانية من عملية التطوير ، تم استخدام مجموعة بيانات تضم 255 طالبًا لتحسين دقة الأداة المتقدمة.
يتلقى جميع المشاركين إحاطة عبر الإنترنت في بداية كل مرحلة ، اعتمادًا على العام الدراسي ، عبر فرق Microsoft. 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 العناصر الـ 44 في الاستبيان. تم منحهم أسبوعًا واحدًا لإكمال ILS المعدلة في وقت وموقع مناسب لهم خلال فترة استراحة الفصل الدراسي قبل بدء الفصل الدراسي. يعتمد M-ILS على أداة ILS الأصلية وتعديلها لطلاب الأسنان. على غرار ILS الأصلي ، فإنه يحتوي على 44 عنصرًا موزعة بالتساوي (A ، B) ، مع 11 عنصرًا لكل منهما ، والتي تستخدم لتقييم جوانب كل بعد FSLSM.
خلال المراحل الأولية لتطوير الأدوات ، قام الباحثون بتوضيح الخرائط يدويًا باستخدام مجموعة بيانات تضم 50 طالبًا من طلاب الأسنان. وفقًا لـ FSLM ، يوفر النظام مجموع الإجابات "A" و "B". لكل بعد ، إذا اختار الطالب "A" كإجابة ، يتم تصنيف LS على أنه نشط/إدراكية/بصرية/متسلسلة ، وإذا اختار الطالب "B" كإجابة ، يتم تصنيف الطالب على أنه عاكس/بديهي/لغوي . / المتعلم العالمي.
بعد معايرة سير العمل بين باحثو تعليم الأسنان ومطوري النظام ، تم اختيار الأسئلة استنادًا إلى مجال FLSSM وتغذيتها في نموذج ML للتنبؤ LS لكل طالب. "Garbage in ، Garbage Out" هو قول شائع في مجال التعلم الآلي ، مع التركيز على جودة البيانات. تحدد جودة بيانات الإدخال دقة ودقة نموذج التعلم الآلي. خلال مرحلة هندسة الميزات ، يتم إنشاء مجموعة ميزات جديدة وهي مجموع الإجابات "A" و "B" بناءً على FLSSM. وترد أرقام تحديد مواقف الدواء في الجدول 1.
احسب النتيجة بناءً على الإجابات وتحديد LS الطالب. لكل طالب ، يتراوح نطاق الدرجات من 1 إلى 11. تشير الدرجات من 1 إلى 3 إلى توازن بين تفضيلات التعلم في نفس البعد ، وتشير الدرجات من 5 إلى 7 إلى تفضيل معتدل ، مما يشير إلى أن الطلاب يفضلون بيئة واحدة لتعليم الآخرين الآخرين . تباين آخر على نفس البعد هو أن الدرجات من 9 إلى 11 تعكس تفضيلًا قويًا لطرف واحد أو آخر [8].
لكل بعد ، تم تجميع المخدرات في "نشطة" و "عاكسة" و "متوازنة". على سبيل المثال ، عندما يجيب الطالب على "A" في كثير من الأحيان من "B" على عنصر مخصص ، وتجاوز درجاته عتبة 5 لعنصر معين يمثل البعد المعالجة LS ، فهو ينتمي إلى "نشط" LS اِختِصاص. . ومع ذلك ، تم تصنيف الطلاب على أنهم "عاكس" LS عندما اختاروا "B" أكثر من "A" في 11 سؤالًا محددًا (الجدول 1) وسجلوا أكثر من 5 نقاط. أخيرًا ، الطالب في حالة "توازن". إذا كانت النتيجة لا تتجاوز 5 نقاط ، فهذه "عملية" LS. تم تكرار عملية التصنيف لأبعاد LS الأخرى ، وهي الإدراك (النشط/العاكس) ، والمدخلات (البصرية/اللفظي) ، والفهم (متسلسل/عالمي).
يمكن أن تستخدم نماذج شجرة القرار مجموعات فرعية مختلفة من الميزات وقواعد القرار في مراحل مختلفة من عملية التصنيف. يعتبر أداة تصنيف وتنبؤ شعبية. يمكن تمثيله باستخدام بنية شجرة مثل مخطط انسيابي [20] ، حيث توجد عقد داخلية تمثل الاختبارات حسب السمة ، وكل فرع يمثل نتائج الاختبار ، وكل عقدة ورقة (عقدة ورقة) تحتوي على ملصق فئة.
تم إنشاء برنامج بسيط قائم على القواعد للتسجيل تلقائيًا وشرح LS لكل طالب بناءً على ردودهم. يأخذ القاعدة شكل عبارة IF ، حيث يصف "if" الزناد و "ثم" يحدد الإجراء المراد تنفيذه ، على سبيل المثال: "إذا حدث x ، فافعل y" (Liu et al. ، 2014). إذا كانت مجموعة البيانات تُظهر الارتباط وتم تدريب نموذج شجرة القرار بشكل صحيح وتقييمه ، فيمكن أن يكون هذا النهج وسيلة فعالة لأتمتة عملية مطابقة LS و IS.
في المرحلة الثانية من التطوير ، تم 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 التدريب (الشكل 2). يجب تقسيم مجموعة البيانات لمنع تدريب النموذج واختباره على نفس مجموعة البيانات ، مما قد يتسبب في تذكر النموذج بدلاً من التعلم. تم تدريب النموذج على مجموعة التدريب ويقيم أدائه على مجموعة الاختبار - Data لم يسبق له مثيل من قبل.
بمجرد تطوير أداة IS ، سيتمكن التطبيق من تصنيف LS بناءً على ردود طلاب الأسنان عبر واجهة ويب. تم تصميم نظام أداة توصية أمان المعلومات المستندة إلى الويب باستخدام لغة برمجة Python باستخدام إطار عمل Django باعتباره الواجهة الخلفية. يسرد الجدول 2 المكتبات المستخدمة في تطوير هذا النظام.
يتم تغذية مجموعة البيانات لنموذج شجرة القرار لحساب واستخراج استجابات الطلاب لتصنيف قياسات الطالب LS تلقائيًا.
يتم استخدام مصفوفة الارتباك لتقييم دقة خوارزمية التعلم الآلي لآلة شجرة القرار على مجموعة بيانات معينة. في الوقت نفسه ، يقوم بتقييم أداء نموذج التصنيف. يلخص تنبؤات النموذج ويقارنها بملصقات البيانات الفعلية. تستند نتائج التقييم إلى أربع قيم مختلفة: إيجابية حقيقية (TP) - تنبأ النموذج بشكل صحيح بالفئة الإيجابية ، الإيجابية الخاطئة (FP) - تنبأ النموذج بالفئة الإيجابية ، ولكن الملصق الحقيقي كان سلبيًا حقيقيًا (TN) - تنبأ النموذج بشكل صحيح بالفئة السلبية ، والسلبية الخاطئة (FN) - يتنبأ النموذج بفئة سلبية ، لكن التسمية الحقيقية إيجابية.
ثم يتم استخدام هذه القيم لحساب مقاييس الأداء المختلفة لنموذج تصنيف Scikit-Learn في Python ، وهي الدقة ، الدقة ، الاستدعاء ، و F1. فيما يلي أمثلة:
أذكر (أو حساسية) يقيس قدرة النموذج على تصنيف LS الطالب بدقة بعد الإجابة على استبيان M-ILS.
وتسمى الخصوصية معدل سلبي حقيقي. كما ترون من الصيغة أعلاه ، يجب أن تكون هذه نسبة السلبيات الحقيقية (TN) إلى السلبيات الحقيقية والإيجابيات الخاطئة (FP). كجزء من الأداة الموصى بها لتصنيف أدوية الطلاب ، يجب أن تكون قادرة على تحديد دقيق.
أظهرت مجموعة البيانات الأصلية لـ 50 طالبًا يستخدم لتدريب نموذج شجرة القرار ML دقة منخفضة نسبيًا بسبب الخطأ البشري في التعليقات التوضيحية (الجدول 3). بعد إنشاء برنامج بسيط قائم على القواعد لحساب درجات LS وشروحات الطلاب تلقائيًا ، تم استخدام عدد متزايد من مجموعات البيانات (255) لتدريب نظام التوصية واختبارها.
في مصفوفة الارتباك متعددة الكتلة ، تمثل العناصر القطرية عدد التنبؤات الصحيحة لكل نوع LS (الشكل 4). باستخدام نموذج شجرة القرار ، تم التنبؤ بما مجموعه 64 عينة بشكل صحيح. وهكذا ، في هذه الدراسة ، تُظهر العناصر القطرية النتائج المتوقعة ، مما يشير إلى أن النموذج يؤدي جيدًا ودقة ملصق الفصل لكل تصنيف LS. وبالتالي ، فإن الدقة الكلية لأداة التوصية هي 100 ٪.
يوضح الشكل 5 قيم الدقة والدقة والاستدعاء و F1 قيم.
يوضح الشكل 6 تصورًا لنموذج شجرة القرار بعد التدريب والاختبار. في مقارنة جنبًا إلى جنب ، أظهر نموذج شجرة القرار المدرب مع عدد أقل من الميزات دقة أعلى وتصور النموذج الأسهل. هذا يدل على أن هندسة تؤدي إلى تقليل الميزات هي خطوة مهمة في تحسين أداء النموذج.
من خلال تطبيق التعلم الخاضع للإشراف على شجرة القرار ، يتم إنشاء التعيين بين LS (الإدخال) و (الإخراج المستهدف) تلقائيًا ويحتوي على معلومات مفصلة لكل LS.
أظهرت النتائج أن 34.9 ٪ من 255 طالب يفضلون خيار LS واحد (1). وكان الغالبية (54.3 ٪) تفضيلتين أو أكثر من LS. أشار 12.2 ٪ من الطلاب إلى أن LS متوازن تمامًا (الجدول 4). بالإضافة إلى LS الرئيسي الثمانية ، هناك 34 مجموعة من تصنيفات LS لطلاب طب الأسنان في جامعة مالايا. من بينها ، الإدراك والرؤية والمزيج من الإدراك والرؤية هي LS الرئيسية التي أبلغ عنها الطلاب (الشكل 7).
كما يتضح من الجدول 4 ، كان لدى غالبية الطلاب حسية سائدة (13.7 ٪) أو LS البصرية (8.6 ٪). تم الإبلاغ عن أن 12.2 ٪ من الطلاب مجتمعين مع الرؤية (LS الإدراكية البصرية). تشير هذه النتائج إلى أن الطلاب يفضلون التعلم والتذكر من خلال الأساليب المحددة ، واتبع إجراءات محددة ومفصلة ، وهم منتبهون في الطبيعة. في الوقت نفسه ، يستمتعون بالتعلم من خلال البحث (باستخدام الرسوم البيانية ، وما إلى ذلك) ويميلون إلى مناقشة وتطبيق المعلومات في مجموعات أو بمفردهم.
توفر هذه الدراسة نظرة عامة على تقنيات التعلم الآلي المستخدمة في استخراج البيانات ، مع التركيز على التنبؤ على الفور ودقة LS والتوصية المناسبة. حدد تطبيق نموذج شجرة القرار العوامل الأكثر ارتباطًا بحياتهم وتجاربهم التعليمية. إنها خوارزمية التعلم الآلي الخاضعة للإشراف تستخدم بنية شجرة لتصنيف البيانات بتقسيم مجموعة من البيانات إلى فئات فرعية بناءً على معايير معينة. إنه 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 عقدة الورقة.
تمثل العقد الداخلية لشجرة القرار الحل بناءً على خصائص الإدخال لمشكلة M-ILS ، وتمثل عقد الأوراق تنبؤًا في تصنيف LS النهائي. خلال الدراسة ، من السهل فهم التسلسل الهرمي لأشجار القرار التي تشرح وتصور عملية اتخاذ القرار من خلال النظر في العلاقة بين ميزات المدخلات وتوقعات الإخراج.
في مجالات علوم الكمبيوتر والهندسة ، تُستخدم خوارزميات التعلم الآلي على نطاق واسع للتنبؤ بأداء الطلاب استنادًا إلى درجات امتحان القبول [21] ، والمعلومات الديموغرافية ، وسلوك التعلم [22]. أظهرت الأبحاث أن الخوارزمية تنبأت بدقة بأداء الطلاب وساعدتهم على تحديد الطلاب المعرضين لخطر الصعوبات الأكاديمية.
تم الإبلاغ عن تطبيق خوارزميات ML في تطوير أجهزة محاكاة المريض الظاهرية للتدريب على الأسنان. محاكاة قادرة على إعادة إنتاج الاستجابات الفسيولوجية بدقة للمرضى الحقيقيين ويمكن استخدامها لتدريب طلاب الأسنان في بيئة آمنة ومراقبة [23]. تُظهر العديد من الدراسات الأخرى أن خوارزميات التعلم الآلي يمكن أن تحسن من جودة وكفاءة التعليم الطبي والطبية 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 المريض ، وتحديد المرضى المعرضين للخطر ، وتطوير خطط علاج شخصية [26] ، والعلاج اللثة [27] ، وعلاج تسوس [25].
على الرغم من أن التقارير المتعلقة بتطبيق التعلم الآلي في طب الأسنان قد تم نشرها ، إلا أن تطبيقه في تعليم الأسنان يظل محدودًا. لذلك ، تهدف هذه الدراسة إلى استخدام نموذج شجرة القرار لتحديد العوامل المرتبطة ارتباطًا وثيقًا بـ LS وهي بين طلاب طب الأسنان.
تظهر نتائج هذه الدراسة أن أداة التوصية المتقدمة لها دقة عالية ودقة مثالية ، مما يشير إلى أنه يمكن للمعلمين الاستفادة من هذه الأداة. باستخدام عملية تصنيف تعتمد على البيانات ، يمكن أن تقدم توصيات مخصصة وتحسين الخبرات والنتائج التعليمية للمعلمين والطلاب. من بينها ، يمكن للمعلومات التي تم الحصول عليها من خلال أدوات التوصية حل النزاعات بين أساليب التدريس المفضلة للمعلمين والاحتياجات التعليمية للطلاب. على سبيل المثال ، نظرًا للإخراج الآلي لأدوات التوصية ، سيتم تقليل الوقت اللازم لتحديد IP للطالب ومطابقةه مع IP المقابل بشكل كبير. وبهذه الطريقة ، يمكن تنظيم أنشطة التدريب المناسبة والمواد التدريبية. هذا يساعد على تطوير سلوك التعلم الإيجابي للطلاب وقدرته على التركيز. ذكرت إحدى الدراسات أن تزويد الطلاب بمواد تعليمية وأنشطة تعليمية تتطابق مع LS المفضل لديهم يمكن أن يساعد الطلاب على دمج ومعالجة والاستمتاع بالتعلم بطرق متعددة لتحقيق إمكانات أكبر [12]. تُظهر الأبحاث أيضًا أنه بالإضافة إلى تحسين مشاركة الطلاب في الفصل الدراسي ، فإن فهم عملية تعلم الطلاب تلعب أيضًا دورًا مهمًا في تحسين ممارسات التدريس والتواصل مع الطلاب [28 ، 29].
ومع ذلك ، كما هو الحال مع أي تقنية حديثة ، هناك مشاكل وقيود. وتشمل هذه المشكلات المتعلقة بخصوصية البيانات والتحيز والإنصاف ، والمهارات والموارد المهنية اللازمة لتطوير وتنفيذ خوارزميات التعلم الآلي في تعليم الأسنان ؛ ومع ذلك ، فإن الاهتمام المتزايد والبحث في هذا المجال يشير إلى أن تقنيات التعلم الآلي قد يكون لها تأثير إيجابي على تعليم الأسنان وخدمات الأسنان.
تشير نتائج هذه الدراسة إلى أن نصف طلاب الأسنان لديهم ميل إلى "إدراك" الأدوية. هذا النوع من المتعلمين لديه تفضيل للحقائق والأمثلة الملموسة ، والتوجه العملي ، والصبر لمزيد من التفاصيل ، وتفضيل LS "البصري" ، حيث يفضل المتعلمون استخدام الصور والرسومات والألوان والخرائط لنقل الأفكار والأفكار. تتوافق النتائج الحالية مع دراسات أخرى باستخدام ILS لتقييم LS في طلاب طب الأسنان والطب ، ومعظمهم لديهم خصائص LS الإدراكية والبصرية [12 ، 30]. يشير Dalmolin et al إلى أن إبلاغ الطلاب عن LS الخاص بهم يسمح لهم بالوصول إلى إمكانات التعلم الخاصة بهم. يجادل الباحثون أنه عندما يفهم المعلمون العملية التربوية تمامًا للطلاب ، يمكن تنفيذ العديد من أساليب وأنشطة التدريس المختلفة التي من شأنها تحسين أداء الطلاب وتجربة التعلم [12 ، 31 ، 32]. أظهرت دراسات أخرى أن تعديل LS للطلاب يظهر أيضًا تحسينات في تجربة التعلم وأدائهم للطلاب بعد تغيير أساليب التعلم الخاصة بهم لتناسب LS [13 ، 33].
قد تختلف آراء المعلمين فيما يتعلق بتنفيذ استراتيجيات التدريس بناءً على قدرات تعلم الطلاب. في حين يرى البعض فوائد هذا النهج ، بما في ذلك فرص التطوير المهني ، والإرشاد ، ودعم المجتمع ، قد يشعر آخرون بالقلق من الوقت والدعم المؤسسي. السعي لتحقيق التوازن هو مفتاح إنشاء موقف يركز على الطالب. يمكن أن تلعب سلطات التعليم العالي ، مثل مديري الجامعات ، دورًا مهمًا في دفع التغيير الإيجابي من خلال إدخال ممارسات مبتكرة ودعم تنمية أعضاء هيئة التدريس [34]. لإنشاء نظام تعليمي عالي ديناميكي ومتجاوب حقًا ، يجب على صانعي السياسات اتخاذ خطوات جريئة ، مثل إجراء تغييرات في السياسة ، وتكريس الموارد لتكامل التكنولوجيا ، وإنشاء أطر تعزز الأساليب التي تركز على الطلاب. هذه التدابير مهمة لتحقيق النتائج المرجوة. أظهرت الأبحاث الحديثة حول التعليمات المتمايزة بوضوح أن التنفيذ الناجح للتعليم المتمايز يتطلب فرص التدريب والتطوير المستمرة للمعلمين [35].
توفر هذه الأداة دعمًا قيمًا لمعلمي الأسنان الذين يرغبون في اتباع نهج يركز على الطالب في التخطيط لأنشطة التعلم الصديقة للطلاب. ومع ذلك ، تقتصر هذه الدراسة على استخدام نماذج ML شجرة القرار. في المستقبل ، يجب جمع المزيد من البيانات لمقارنة أداء نماذج التعلم الآلي المختلفة لمقارنة دقة وموثوقية ودقة أدوات التوصية. بالإضافة إلى ذلك ، عند اختيار طريقة التعلم الآلي الأنسب لمهمة معينة ، من المهم النظر في عوامل أخرى مثل تعقيد النموذج والتفسير.
أحد قيود هذه الدراسة هو أنه يركز فقط على تعيين LS وهو بين طلاب الأسنان. لذلك ، سوف يوصي نظام التوصية المتقدم فقط بتلك المناسبة لطلاب الأسنان. التغييرات ضرورية لاستخدام طالب التعليم العالي العام.
أداة التوصية القائمة على التعلم الآلي المطورة حديثًا قادرة على تصنيف ومطابقة LS للطلاب على الفور مع المقابلة ، مما يجعلها أول برنامج تعليم الأسنان لمساعدة معلمي الأسنان على تخطيط أنشطة التعليم والتعلم ذات الصلة. باستخدام عملية الفرز القائمة على البيانات ، يمكن أن تقدم توصيات مخصصة ، وتوفير الوقت ، وتحسين استراتيجيات التدريس ، ودعم التدخلات المستهدفة ، وتعزيز التطوير المهني المستمر. سوف يعزز تطبيقه مناهج التي تركز على الطالب في تعليم الأسنان.
جيلاك جاني أسوشيتد برس. تطابق أو عدم تطابق بين أسلوب تعلم الطالب وأسلوب التدريس للمعلم. int j mod educ science. 2012 ؛ 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
وقت النشر: أبريل -29-2024