تتزايد الحاجة إلى التعلم المتمحور حول الطالب في مؤسسات التعليم العالي، بما في ذلك طب الأسنان. ومع ذلك، فإن تطبيق هذا النوع من التعلم محدود في تعليم طب الأسنان. لذا، تهدف هذه الدراسة إلى تعزيز تطبيق التعلم المتمحور حول الطالب في طب الأسنان باستخدام تقنية التعلم الآلي القائمة على شجرة القرار لرسم خريطة لأسلوب التعلم المفضل واستراتيجيات التعلم المقابلة لدى طلاب طب الأسنان، كأداة فعالة لتطوير إرشادات استراتيجيات التعلم. أساليب واعدة لطلاب طب الأسنان.
أكمل 255 طالبًا من طلاب طب الأسنان بجامعة مالايا استبيان مؤشر أنماط التعلم المُعدَّل (m-ILS)، والذي تضمن 44 بندًا لتصنيفهم وفقًا لأنماط تعلمهم. استُخدمت البيانات المُجمَّعة (مجموعة البيانات) في تعلّم شجرة القرار الخاضع للإشراف لمطابقة أنماط تعلم الطلاب تلقائيًا مع نظام المعلومات الأنسب. ثم جرى تقييم دقة أداة التوصية بنظام المعلومات القائمة على التعلّم الآلي.
يُتيح تطبيق نماذج شجرة القرار في عملية ربط آلية بين نظام التعلم (المدخلات) ونظام المعلومات (المخرجات المستهدفة) الحصول على قائمة فورية باستراتيجيات التعلم المناسبة لكل طالب طب أسنان. وقد أظهرت أداة التوصية الخاصة بنظام المعلومات دقةً واسترجاعًا مثاليين لدقة النموذج الإجمالية، مما يدل على أن مطابقة نظام التعلم مع نظام المعلومات تتمتع بحساسية ونوعية عاليتين.
أثبتت أداة توصيات نظم المعلومات، القائمة على شجرة قرارات التعلم الآلي، قدرتها على مطابقة أنماط تعلم طلاب طب الأسنان بدقة مع استراتيجيات التعلم المناسبة. توفر هذه الأداة خيارات فعّالة لتخطيط دورات أو وحدات دراسية تتمحور حول المتعلم، مما يُحسّن تجربة التعلم للطلاب.
يُعدّ التعليم والتعلم من الأنشطة الأساسية في المؤسسات التعليمية. عند تطوير نظام تعليم مهني عالي الجودة، من المهم التركيز على احتياجات الطلاب التعليمية. ويمكن تحديد التفاعل بين الطلاب وبيئة تعلمهم من خلال احتياجاتهم التعليمية. تشير الأبحاث إلى أن عدم التوافق المقصود بين احتياجات الطلاب التعليمية وبيئة التعلم قد يؤدي إلى عواقب سلبية على تعلمهم، مثل انخفاض الانتباه والدافعية، مما يؤثر بشكل غير مباشر على أدائهم [1، 2].
تُعدّ استراتيجيات التعلم الذاتي (IS) أسلوبًا يستخدمه المعلمون لنقل المعرفة والمهارات إلى الطلاب، بما في ذلك مساعدتهم على التعلم [3]. وبشكل عام، يُخطط المعلمون المتميزون استراتيجيات تدريس أو استراتيجيات تعلم ذات صلة تتناسب مع مستوى معرفة طلابهم، والمفاهيم التي يتعلمونها، ومرحلة تعلمهم. نظريًا، عندما تتوافق استراتيجيات التعلم الذاتي مع استراتيجيات التعلم الذاتي، سيتمكن الطلاب من تنظيم واستخدام مجموعة محددة من المهارات للتعلم بفعالية. عادةً ما تتضمن خطة الدرس عدة انتقالات بين المراحل، مثل الانتقال من التدريس إلى التدريب الموجه، أو من التدريب الموجه إلى التدريب المستقل. وانطلاقًا من هذا، غالبًا ما يُخطط المعلمون المتميزون للتدريس بهدف بناء معارف الطلاب ومهاراتهم [4].
يتزايد الطلب على التعلم الموجه نحو الطلاب في مؤسسات التعليم العالي، بما في ذلك طب الأسنان. صُممت استراتيجيات التعلم الموجه نحو الطلاب لتلبية احتياجاتهم التعليمية. ويمكن تحقيق ذلك، على سبيل المثال، من خلال مشاركة الطلاب الفعّالة في الأنشطة التعليمية، ودور المعلمين كميسرين مسؤولين عن تقديم تغذية راجعة قيّمة. ويُقال إن توفير مواد وأنشطة تعليمية مناسبة لمستوى الطلاب التعليمي أو تفضيلاتهم يُحسّن بيئة التعلم لديهم ويعزز تجاربهم التعليمية الإيجابية [5].
بشكل عام، تتأثر عملية تعلم طلاب طب الأسنان بالإجراءات السريرية المختلفة التي يُطلب منهم القيام بها، وبالبيئة السريرية التي يطورون فيها مهاراتهم الشخصية الفعّالة. يهدف التدريب إلى تمكين الطلاب من الجمع بين المعرفة الأساسية في طب الأسنان والمهارات السريرية، وتطبيق المعرفة المكتسبة على حالات سريرية جديدة [6، 7]. وقد أظهرت الأبحاث المبكرة التي تناولت العلاقة بين استراتيجيات التعلم واستراتيجيات التواصل أن تعديل استراتيجيات التعلم بما يتناسب مع استراتيجيات التعلم المفضلة من شأنه أن يُحسّن العملية التعليمية [8]. كما يوصي الباحثون باستخدام مجموعة متنوعة من أساليب التدريس والتقييم للتكيف مع تعلم الطلاب واحتياجاتهم.
يستفيد المعلمون من تطبيق معارف أنماط التعلم لمساعدتهم في تصميم وتطوير وتنفيذ مناهج تعليمية تُعزز اكتساب الطلاب معرفة وفهمًا أعمق للمادة الدراسية. وقد طوّر الباحثون العديد من أدوات تقييم أنماط التعلم، مثل نموذج كولب للتعلم التجريبي، ونموذج فيلدر-سيلفرمان لأنماط التعلم (FSLSM)، ونموذج فليمنج VAK/VARK [5، 9، 10]. ووفقًا للدراسات المنشورة، تُعد هذه النماذج التعليمية الأكثر شيوعًا ودراسةً. في هذا البحث، يُستخدم نموذج FSLSM لتقييم أنماط التعلم لدى طلاب طب الأسنان.
يُعدّ نموذج FSLSM نموذجًا شائع الاستخدام لتقييم التعلّم التكيفي في الهندسة. وتوجد العديد من الدراسات المنشورة في العلوم الصحية (بما في ذلك الطب والتمريض والصيدلة وطب الأسنان) التي تستخدم نماذج FSLSM [5، 11، 12، 13]. وتُسمى الأداة المستخدمة لقياس أبعاد نمط التعلّم في نموذج FSLSM مؤشر أنماط التعلّم (ILS) [8]، والذي يتضمن 44 بندًا تقيّم أربعة أبعاد لنمط التعلّم: المعالجة (نشطة/تأملية)، والإدراك (إدراكي/حدسي)، والإدخال (بصري/لفظي)، والفهم (تسلسلي/شامل) [14].
كما هو موضح في الشكل 1، لكل بُعد من أبعاد نموذج التعلم الموجه نحو التعلم (FSLSM) تفضيل سائد. فعلى سبيل المثال، في بُعد المعالجة، يُفضل الطلاب ذوو نمط التعلم "النشط" معالجة المعلومات من خلال التفاعل المباشر مع المواد التعليمية، والتعلم بالممارسة، ويميلون إلى التعلم في مجموعات. أما نمط التعلم "التأملي" فيشير إلى التعلم من خلال التفكير، ويُفضل فيه الطلاب العمل بشكل فردي. ويمكن تقسيم بُعد "الإدراك" في نمط التعلم إلى "الشعور" و/أو "الحدس". يُفضل الطلاب ذوو نمط "الشعور" المعلومات الملموسة والإجراءات العملية، وهم أكثر ميلاً إلى الحقائق مقارنةً بالطلاب ذوي نمط "الحدس" الذين يُفضلون المواد المجردة، وهم أكثر ابتكاراً وإبداعاً بطبيعتهم. ويتكون بُعد "الإدخال" في نمط التعلم من متعلمين "بصريين" و"لفظيين". يُفضل الأشخاص ذوو نمط التعلم "البصري" التعلم من خلال العروض المرئية (مثل الرسوم البيانية أو مقاطع الفيديو أو العروض التوضيحية المباشرة)، بينما يُفضل الأشخاص ذوو نمط التعلم "اللفظي" التعلم من خلال الكلمات في الشروحات المكتوبة أو الشفوية. ولفهم أبعاد نمط التعلم، يمكن تقسيم هؤلاء المتعلمين إلى "متعلمين تسلسليين" و"متعلمين شاملين". "يفضل المتعلمون التسلسليون عملية التفكير الخطية ويتعلمون خطوة بخطوة، بينما يميل المتعلمون العالميون إلى امتلاك عملية تفكير شاملة ولديهم دائمًا فهم أفضل لما يتعلمونه."
في الآونة الأخيرة، بدأ العديد من الباحثين باستكشاف أساليب الاكتشاف التلقائي القائم على البيانات، بما في ذلك تطوير خوارزميات ونماذج جديدة قادرة على تحليل كميات هائلة من البيانات [15، 16]. وبناءً على البيانات المُقدمة، يُمكن للتعلم الآلي الخاضع للإشراف توليد أنماط وفرضيات تتنبأ بالنتائج المستقبلية استنادًا إلى بناء الخوارزميات [17]. ببساطة، تُعالج تقنيات التعلم الآلي الخاضع للإشراف بيانات الإدخال وتُدرّب الخوارزميات، ثم تُولّد نطاقًا يُصنّف أو يتنبأ بالنتائج بناءً على حالات مماثلة لبيانات الإدخال المُقدمة. وتتمثل الميزة الرئيسية لخوارزميات التعلم الآلي الخاضع للإشراف في قدرتها على تحقيق نتائج مثالية ومرغوبة [17].
باستخدام أساليب تعتمد على البيانات ونماذج التحكم القائمة على شجرة القرار، أصبح الكشف التلقائي عن الاحتياجات التعليمية للطلاب ممكنًا. وقد أشارت الدراسات إلى استخدام أشجار القرار على نطاق واسع في البرامج التدريبية في مختلف المجالات، بما في ذلك العلوم الصحية [18، 19]. في هذه الدراسة، قام مطورو النظام بتدريب النموذج خصيصًا لتحديد الاحتياجات التعليمية للطلاب واقتراح أفضل نظام معلوماتي مناسب لهم.
تهدف هذه الدراسة إلى تطوير استراتيجيات تقديم خدمات نظم المعلومات بناءً على احتياجات الطلاب التعليمية، وتطبيق منهجية التعلم التعاوني الاجتماعي من خلال تطوير أداة توصية لنظم المعلومات تتناسب مع هذه الاحتياجات. يوضح الشكل 1 مخطط تصميم أداة التوصية هذه كاستراتيجية ضمن منهجية التعلم التعاوني الاجتماعي. تنقسم أداة التوصية إلى جزأين: آلية تصنيف الاحتياجات التعليمية باستخدام نظام إدارة التعلم، وعرض نظم المعلومات الأنسب للطلاب.
تتضمن خصائص أدوات التوصية بأمن المعلومات استخدام تقنيات الويب وخوارزميات التعلم الآلي القائمة على شجرة القرار. ويعمل مطورو الأنظمة على تحسين تجربة المستخدم وسهولة الوصول إليها من خلال تكييفها مع الأجهزة المحمولة كالهواتف الذكية والأجهزة اللوحية.
أُجريت التجربة على مرحلتين، وشارك فيها طلاب من كلية طب الأسنان بجامعة مالايا تطوعًا. أجاب المشاركون على استبيان إلكتروني باللغة الإنجليزية أعدّه أحد طلاب طب الأسنان. في المرحلة الأولى، استُخدمت بيانات 50 طالبًا لتدريب خوارزمية التعلم الآلي القائمة على شجرة القرار. وفي المرحلة الثانية من عملية التطوير، استُخدمت بيانات 255 طالبًا لتحسين دقة الأداة المُطوّرة.
يتلقى جميع المشاركين جلسة تعريفية عبر الإنترنت في بداية كل مرحلة، بحسب السنة الدراسية، باستخدام برنامج مايكروسوفت تيمز. تم شرح هدف الدراسة والحصول على موافقة المشاركين. زُوّد جميع المشاركين برابط للوصول إلى استبيان التعلم المُعدّل (m-ILS). طُلب من كل طالب الإجابة على جميع بنود الاستبيان البالغ عددها 44 بندًا. مُنحوا أسبوعًا واحدًا لإكمال استبيان التعلم المُعدّل في وقت ومكان مناسبين لهم خلال عطلة الفصل الدراسي قبل بدء الفصل الدراسي الجديد. يستند استبيان التعلم المُعدّل إلى أداة استبيان التعلم المُعدّل الأصلية، وقد تم تعديله خصيصًا لطلاب طب الأسنان. وكما هو الحال في استبيان التعلم المُعدّل الأصلي، يحتوي على 44 بندًا موزعة بالتساوي (أ، ب)، بواقع 11 بندًا لكل بند، تُستخدم لتقييم جوانب كل بُعد من أبعاد نموذج التعلم المُعدّل لطلاب طب الأسنان.
خلال المراحل الأولى لتطوير الأداة، قام الباحثون بتصنيف الخرائط يدويًا باستخدام مجموعة بيانات تضم 50 طالبًا في طب الأسنان. وفقًا لنموذج FSLM، يُقدّم النظام مجموع الإجابتين "أ" و"ب". لكل بُعد، إذا اختار الطالب "أ" كإجابة، يُصنّف مستوى تعلّمه (LS) على أنه نشط/إدراكي/بصري/تسلسلي، وإذا اختار "ب" كإجابة، يُصنّف على أنه تأملي/حدسي/لغوي/عالمي.
بعد معايرة سير العمل بين باحثي تعليم طب الأسنان ومطوري النظام، تم اختيار الأسئلة بناءً على مجال FLSSM وإدخالها في نموذج التعلم الآلي للتنبؤ بدرجة كل طالب. "مدخلات رديئة، مخرجات رديئة" مقولة شائعة في مجال التعلم الآلي، مع التركيز على جودة البيانات. فجودة بيانات الإدخال تحدد دقة نموذج التعلم الآلي. خلال مرحلة هندسة الميزات، يتم إنشاء مجموعة ميزات جديدة تمثل مجموع الإجابتين "أ" و"ب" بناءً على FLSSM. ترد أرقام تعريف مواقع الأدوية في الجدول 1.
احسب الدرجة بناءً على الإجابات وحدد تفضيل الطالب. يتراوح نطاق الدرجات لكل طالب من 1 إلى 11. تشير الدرجات من 1 إلى 3 إلى توازن في تفضيلات التعلم ضمن البُعد نفسه، بينما تشير الدرجات من 5 إلى 7 إلى تفضيل متوسط، مما يدل على أن الطلاب يميلون إلى تفضيل بيئة معينة لتعليم الآخرين. وهناك اختلاف آخر في البُعد نفسه، وهو أن الدرجات من 9 إلى 11 تعكس تفضيلًا قويًا لأحد طرفي البُعد [8].
لكل بُعد، صُنفت الأدوية إلى "نشطة" و"تأملية" و"متوازنة". على سبيل المثال، عندما يُجيب الطالب بـ "أ" أكثر من "ب" في سؤال مُحدد، وتتجاوز درجته عتبة 5 نقاط في سؤال مُعين يُمثل بُعد المعالجة في مهارات التعلم، فإنه ينتمي إلى مجال "النشطة". أما الطلاب الذين اختاروا "ب" أكثر من "أ" في 11 سؤالًا مُحددًا (الجدول 1) وحصلوا على أكثر من 5 نقاط، فيُصنفون ضمن مجال "التأملية". وأخيرًا، يكون الطالب في حالة "توازن". إذا لم تتجاوز درجته 5 نقاط، فإنه يُصنف ضمن مجال "العملية". تكررت عملية التصنيف لأبعاد مهارات التعلم الأخرى، وهي: الإدراك (نشط/تأملي)، والإدخال (بصري/لفظي)، والفهم (تسلسلي/شامل).
تستخدم نماذج شجرة القرار مجموعات فرعية مختلفة من السمات وقواعد القرار في مراحل مختلفة من عملية التصنيف. وتُعتبر أداة شائعة للتصنيف والتنبؤ. ويمكن تمثيلها باستخدام بنية شجرية، مثل مخطط انسيابي [20]، حيث تمثل العقد الداخلية الاختبارات حسب السمة، ويمثل كل فرع نتائج الاختبار، وتحتوي كل عقدة طرفية على تصنيف.
تم إنشاء برنامج بسيط قائم على القواعد لتقييم وتصنيف مهارات التعلم لدى كل طالب تلقائيًا بناءً على إجاباته. يأخذ هذا البرنامج شكل عبارة شرطية، حيث يصف الشرط المحفز، بينما يحدد الإجراء المطلوب تنفيذه، على سبيل المثال: "إذا حدث X، فافعل Y" (ليو وآخرون، 2014). إذا أظهرت مجموعة البيانات ترابطًا، وتم تدريب نموذج شجرة القرار وتقييمه بشكل صحيح، فإن هذا النهج يُعد وسيلة فعالة لأتمتة عملية مطابقة مهارات التعلم مع مهارات التفكير.
في المرحلة الثانية من التطوير، تم زيادة حجم مجموعة البيانات إلى 255 لتحسين دقة أداة التوصية. قُسّمت مجموعة البيانات بنسبة 1:4، حيث استُخدم 25% (64) منها كمجموعة اختبار، بينما استُخدمت النسبة المتبقية (75%) (191) كمجموعة تدريب (الشكل 2). كان تقسيم البيانات ضروريًا لمنع تدريب النموذج واختباره على نفس مجموعة البيانات، مما قد يؤدي إلى حفظ النموذج للبيانات بدلًا من تعلمها. يُدرّب النموذج على مجموعة التدريب، ثم يُقيّم أداءه على مجموعة الاختبار - وهي بيانات لم يسبق للنموذج رؤيتها من قبل.
بمجرد تطوير أداة أمن المعلومات، سيتمكن التطبيق من تصنيف الطلاب بناءً على إجاباتهم عبر واجهة ويب. تم بناء نظام توصيات أمن المعلومات عبر الويب باستخدام لغة البرمجة بايثون وإطار عمل جانغو كخادم خلفي. يوضح 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.
تُستخدم مصفوفة الارتباك لتقييم دقة خوارزمية التعلم الآلي لشجرة القرار على مجموعة بيانات معينة. كما تُقيّم أداء نموذج التصنيف، إذ تُوجز تنبؤات النموذج وتقارنها بتصنيفات البيانات الفعلية. وتستند نتائج التقييم إلى أربع قيم: إيجابي صحيح (TP) - حيث تنبأ النموذج بشكل صحيح بالفئة الإيجابية، إيجابي خاطئ (FP) - حيث تنبأ النموذج بالفئة الإيجابية، لكن التصنيف الحقيقي كان سلبياً، سلبي صحيح (TN) - حيث تنبأ النموذج بشكل صحيح بالفئة السلبية، سلبي خاطئ (FN) - حيث تنبأ النموذج بالفئة السلبية، لكن التصنيف الحقيقي كان إيجابياً.
تُستخدم هذه القيم بعد ذلك لحساب مقاييس الأداء المختلفة لنموذج التصنيف في مكتبة scikit-learn بلغة بايثون، وهي: الدقة، والاستدعاء، ومقياس F1. فيما يلي بعض الأمثلة:
يقيس الاستدعاء (أو الحساسية) قدرة النموذج على تصنيف مستوى التعلم لدى الطالب بدقة بعد الإجابة على استبيان m-ILS.
تُسمى الخصوصية معدل السلبية الحقيقية. وكما هو موضح في الصيغة أعلاه، ينبغي أن تكون هذه النسبة هي نسبة السلبيات الحقيقية (TN) إلى مجموع السلبيات الحقيقية والإيجابيات الكاذبة (FP). وكجزء من الأداة الموصى بها لتصنيف المخدرات التي يتناولها الطلاب، يجب أن تكون هذه الأداة قادرة على تحديدها بدقة.
أظهرت مجموعة البيانات الأصلية المكونة من 50 طالبًا، والتي استُخدمت لتدريب نموذج التعلم الآلي لشجرة القرار، دقة منخفضة نسبيًا بسبب الأخطاء البشرية في عمليات التصنيف (الجدول 3). بعد إنشاء برنامج بسيط قائم على القواعد لحساب درجات LS وتصنيفات الطلاب تلقائيًا، تم استخدام عدد متزايد من مجموعات البيانات (255) لتدريب نظام التوصية واختباره.
في مصفوفة الارتباك متعددة الفئات، تمثل العناصر القطرية عدد التنبؤات الصحيحة لكل نوع من أنواع LS (الشكل 4). باستخدام نموذج شجرة القرار، تم التنبؤ بـ 64 عينة بشكل صحيح. وبالتالي، في هذه الدراسة، تُظهر العناصر القطرية النتائج المتوقعة، مما يدل على أن النموذج يعمل بكفاءة عالية ويتنبأ بدقة بتصنيف كل نوع من أنواع LS. وبذلك، تبلغ الدقة الإجمالية لأداة التوصية 100%.
تظهر قيم الدقة والضبط والاستدعاء ودرجة F1 في الشكل 5. بالنسبة لنظام التوصية الذي يستخدم نموذج شجرة القرار، فإن درجة F1 الخاصة به هي 1.0 "مثالية"، مما يشير إلى دقة واستدعاء مثاليين، ويعكس قيم حساسية ونوعية كبيرة.
يوضح الشكل 6 تمثيلًا مرئيًا لنموذج شجرة القرار بعد اكتمال التدريب والاختبار. في مقارنة مباشرة، أظهر نموذج شجرة القرار المدرب بعدد أقل من الميزات دقة أعلى وسهولة أكبر في تمثيل النموذج. وهذا يدل على أن هندسة الميزات التي تؤدي إلى تقليلها تُعد خطوة مهمة في تحسين أداء النموذج.
من خلال تطبيق التعلم الخاضع للإشراف باستخدام شجرة القرار، يتم إنشاء الربط بين LS (المدخلات) و IS (المخرجات المستهدفة) تلقائيًا ويحتوي على معلومات مفصلة لكل LS.
أظهرت النتائج أن 34.9% من الطلاب البالغ عددهم 255 طالبًا فضلوا خيارًا واحدًا من خيارات التعلم. بينما فضلت الأغلبية (54.3%) خيارين أو أكثر. وأشار 12.2% من الطلاب إلى أن التعلم متوازن إلى حد كبير (الجدول 4). بالإضافة إلى خيارات التعلم الثمانية الرئيسية، توجد 34 تركيبة لتصنيفات التعلم لطلاب طب الأسنان في جامعة مالايا. ومن بينها، يُعد الإدراك والرؤية، بالإضافة إلى الجمع بينهما، من أهم خيارات التعلم التي أبلغ عنها الطلاب (الشكل 7).
كما هو موضح في الجدول 4، كان لدى غالبية الطلاب نمط تعلم حسي سائد (13.7%) أو بصري سائد (8.6%). وقد أشارت التقارير إلى أن 12.2% من الطلاب يجمعون بين الإدراك والبصر (نمط تعلم إدراكي-بصري). تشير هذه النتائج إلى أن الطلاب يفضلون التعلم والتذكر من خلال أساليب راسخة، ويتبعون إجراءات محددة ومفصلة، ويتسمون بالانتباه. في الوقت نفسه، يستمتعون بالتعلم من خلال النظر (باستخدام الرسوم البيانية، وما إلى ذلك)، ويميلون إلى مناقشة المعلومات وتطبيقها في مجموعات أو بشكل فردي.
تقدم هذه الدراسة نظرة عامة على تقنيات التعلم الآلي المستخدمة في استخراج البيانات، مع التركيز على التنبؤ الفوري والدقيق بمستوى الطلاب في حياتهم وخبراتهم التعليمية، والتوصية بالأنظمة التعليمية المناسبة. وقد حدد تطبيق نموذج شجرة القرار العوامل الأكثر ارتباطًا بتجاربهم الحياتية والتعليمية. وهو خوارزمية تعلم آلي خاضعة للإشراف، تستخدم بنية شجرية لتصنيف البيانات من خلال تقسيم مجموعة البيانات إلى فئات فرعية بناءً على معايير محددة. وتعمل هذه الخوارزمية عن طريق تقسيم بيانات الإدخال بشكل متكرر إلى مجموعات فرعية بناءً على قيمة إحدى خصائص الإدخال لكل عقدة داخلية، حتى يتم اتخاذ القرار عند العقدة الطرفية.
تمثل العقد الداخلية لشجرة القرار الحل بناءً على خصائص المدخلات لمسألة m-ILS، بينما تمثل العقد الطرفية التنبؤ النهائي لتصنيف LS. ومن خلال هذه الدراسة، يسهل فهم التسلسل الهرمي لأشجار القرار التي تشرح وتوضح عملية اتخاذ القرار من خلال النظر إلى العلاقة بين خصائص المدخلات وتنبؤات المخرجات.
في مجالي علوم وهندسة الحاسوب، تُستخدم خوارزميات التعلّم الآلي على نطاق واسع للتنبؤ بأداء الطلاب بناءً على نتائج امتحانات القبول [21]، والمعلومات الديموغرافية، وسلوك التعلّم [22]. وقد أظهرت الأبحاث أن هذه الخوارزميات تتنبأ بدقة بأداء الطلاب وتساعد في تحديد الطلاب المعرضين لخطر مواجهة صعوبات أكاديمية.
يُقدّم هذا التقرير تطبيق خوارزميات التعلّم الآلي في تطوير أجهزة محاكاة المرضى الافتراضية لتدريب أطباء الأسنان. يتميّز جهاز المحاكاة بقدرته على محاكاة الاستجابات الفسيولوجية للمرضى الحقيقيين بدقة، ويمكن استخدامه لتدريب طلاب طب الأسنان في بيئة آمنة ومُحكمة [23]. تُشير العديد من الدراسات الأخرى إلى إمكانية تحسين خوارزميات التعلّم الآلي لجودة وكفاءة التعليم الطبي وطب الأسنان ورعاية المرضى. وقد استُخدمت هذه الخوارزميات للمساعدة في تشخيص أمراض الأسنان بناءً على مجموعات بيانات مثل الأعراض وخصائص المرضى [24، 25]. بينما استكشفت دراسات أخرى استخدام خوارزميات التعلّم الآلي لأداء مهام مثل التنبؤ بنتائج المرضى، وتحديد المرضى المعرضين لمخاطر عالية، ووضع خطط علاجية مُخصصة [26]، وعلاج أمراض 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، هدفت هذه الدراسة إلى استخدام نموذج شجرة القرار لتحديد العوامل الأكثر ارتباطًا بالرضا الوظيفي والسلوكيات الاجتماعية لدى طلاب طب الأسنان.
تُظهر نتائج هذه الدراسة أن أداة التوصية المُطوَّرة تتمتع بدقة عالية، بل ودقة مثالية، مما يُشير إلى إمكانية استفادة المعلمين منها. وباستخدام عملية تصنيف قائمة على البيانات، تُقدِّم الأداة توصيات مُخصَّصة، وتُحسِّن التجارب والنتائج التعليمية للمعلمين والطلاب على حدٍّ سواء. ومن بين فوائدها، تُسهم المعلومات المُستقاة من أدوات التوصية في حلّ التعارضات بين أساليب التدريس المُفضَّلة لدى المعلمين واحتياجات الطلاب التعليمية. فعلى سبيل المثال، بفضل الإخراج الآلي لأدوات التوصية، يقلّ الوقت اللازم لتحديد عنوان IP الخاص بالطالب ومطابقته مع العنوان المُناسب له بشكلٍ ملحوظ. وبهذه الطريقة، يُمكن تنظيم أنشطة ومواد تدريبية مُلائمة، مما يُساعد على تنمية سلوك التعلّم الإيجابي لدى الطلاب وقدرتهم على التركيز. وقد أشارت إحدى الدراسات إلى أن تزويد الطلاب بمواد وأنشطة تعليمية تُناسب أسلوب تعلّمهم المُفضَّل يُساعدهم على دمج المعلومات ومعالجتها والاستمتاع بالتعلّم بطرق مُتعددة لتحقيق إمكانات أكبر [12]. كما تُشير الأبحاث إلى أنه بالإضافة إلى تحسين مُشاركة الطلاب في الفصل الدراسي، فإن فهم عملية تعلّمهم يلعب دورًا حاسمًا في تحسين ممارسات التدريس والتواصل معهم [28، 29].
مع ذلك، وكما هو الحال مع أي تقنية حديثة، توجد بعض المشكلات والقيود. تشمل هذه المشكلات قضايا تتعلق بخصوصية البيانات، والتحيز، والإنصاف، والمهارات والموارد المهنية اللازمة لتطوير وتطبيق خوارزميات التعلم الآلي في تعليم طب الأسنان. ومع ذلك، يشير الاهتمام المتزايد والبحوث 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 يميلون إلى "التصور" فيما يتعلق بالأدوية. يتميز هذا النوع من المتعلمين بتفضيله للحقائق والأمثلة الملموسة، وتوجهه العملي، وصبره على التفاصيل، وتفضيله للأسلوب "البصري" في التعلم، حيث يفضلون استخدام الصور والرسومات والألوان والخرائط للتعبير عن أفكارهم. تتوافق النتائج الحالية مع دراسات أخرى استخدمت مقياس أساليب التعلم التفاعلية لتقييم أساليب التعلم لدى طلاب طب الأسنان والطب، والذين يتميز معظمهم بخصائص التصور والبصري في التعلم [12، 30]. يقترح دالمولين وزملاؤه أن إطلاع الطلاب على أساليب تعلمهم يمكّنهم من تحقيق أقصى إمكاناتهم التعليمية. ويؤكد الباحثون أنه عندما يفهم المعلمون العملية التعليمية للطلاب فهمًا كاملًا، يمكن تطبيق أساليب وأنشطة تعليمية متنوعة تُحسّن أداء الطلاب وتجربتهم التعليمية [12، 31، 32]. كما أظهرت دراسات أخرى أن تعديل أساليب تعلم الطلاب يُحسّن أيضًا من تجربتهم التعليمية وأدائهم بعد تغيير أساليب تعلمهم لتناسب أساليبهم الخاصة [13، 33].
قد تتباين آراء المعلمين بشأن تطبيق استراتيجيات التدريس القائمة على قدرات الطلاب التعليمية. فبينما يرى البعض فوائد هذا النهج، بما في ذلك فرص التطوير المهني والتوجيه والدعم المجتمعي، قد يشعر آخرون بالقلق حيال الوقت والدعم المؤسسي. ويُعدّ السعي لتحقيق التوازن أساسيًا لخلق توجهٍ يركز على الطالب. ويمكن لهيئات التعليم العالي، كإدارات الجامعات، أن تلعب دورًا هامًا في إحداث تغيير إيجابي من خلال تبني ممارسات مبتكرة ودعم تطوير أعضاء هيئة التدريس [34]. ولإنشاء نظام تعليم عالٍ ديناميكي ومتجاوب حقًا، يجب على واضعي السياسات اتخاذ خطوات جريئة، مثل إجراء تغييرات في السياسات، وتخصيص موارد لدمج التكنولوجيا، ووضع أطر عمل تُعزز المناهج التي تركز على الطالب. وتُعدّ هذه التدابير بالغة الأهمية لتحقيق النتائج المرجوة. وقد أظهرت الأبحاث الحديثة حول التدريس المتمايز بوضوح أن التطبيق الناجح لهذا النوع من التدريس يتطلب تدريبًا مستمرًا وفرصًا لتطوير المعلمين [35].
تُقدّم هذه الأداة دعمًا قيّمًا لمدرّسي طب الأسنان الراغبين في تبنّي نهجٍ مُركّز على الطالب في تخطيط أنشطة تعليمية مُلائمة له. مع ذلك، تقتصر هذه الدراسة على استخدام نماذج التعلّم الآلي القائمة على شجرة القرار. في المستقبل، ينبغي جمع المزيد من البيانات لمقارنة أداء نماذج التعلّم الآلي المختلفة، وذلك لتقييم دقة وموثوقية وفعالية أدوات التوصية. إضافةً إلى ذلك، عند اختيار أنسب طريقة للتعلّم الآلي لمهمة مُحدّدة، من المهم مراعاة عوامل أخرى، مثل تعقيد النموذج وتفسيره.
من بين قيود هذه الدراسة أنها ركزت فقط على تحديد أنماط التعلم والتعلم لدى طلاب طب الأسنان. لذا، فإن نظام التوصيات المُطور سيقتصر على التوصيات المناسبة لطلاب طب الأسنان فقط. يلزم إجراء تعديلات لتعميم استخدامها على طلاب التعليم العالي.
تتميز أداة التوصية المطورة حديثًا والقائمة على التعلم الآلي بقدرتها على تصنيف احتياجات الطلاب التعليمية ومطابقتها مع احتياجاتهم التعليمية المناسبة بشكل فوري، مما يجعلها أول برنامج تعليمي في طب الأسنان يساعد معلمي طب الأسنان على تخطيط أنشطة تعليمية وتدريبية فعّالة. وباستخدام عملية فرز تعتمد على البيانات، توفر الأداة توصيات شخصية، وتوفر الوقت، وتحسن استراتيجيات التدريس، وتدعم التدخلات الموجهة، وتعزز التطوير المهني المستمر. وسيسهم تطبيقها في تعزيز المناهج التعليمية التي تركز على الطالب في طب الأسنان.
جيلاك جاني، أسوشيتد برس. التوافق أو عدم التوافق بين أسلوب تعلم الطالب وأسلوب تدريس المعلم. المجلة الدولية للتعليم الحديث في علوم الحاسوب. 2012؛4(11):51-60. https://doi.org/10.5815/ijmecs.2012.11.05
تاريخ النشر: 29 أبريل 2024