უმაღლესი საგანმანათლებლო დაწესებულებებში, სტუდენტზე ორიენტირებული სწავლის (SCL) მზარდი მოთხოვნილებაა, მათ შორის სტომატოლოგიაში. ამასთან, SCL– ს აქვს შეზღუდული გამოყენება სტომატოლოგიურ განათლებაში. ამრიგად, ეს კვლევა მიზნად ისახავს სტომატოლოგიაში SCL– ის გამოყენებას, გადაწყვეტილების ხის მანქანების სწავლების (ML) ტექნოლოგიის გამოყენებით, სასურველი სასწავლო სტილის (LS) და სტომატოლოგიური სტუდენტების შესაბამისი სასწავლო სტრატეგიების (IS) დასახმარებლად, როგორც შემუშავების სასარგებლო ინსტრუმენტი არის სახელმძღვანელო მითითებები . პერსპექტიული მეთოდები სტომატოლოგიური სტუდენტებისთვის.
მალაიას უნივერსიტეტის 255 სტომატოლოგიურმა სტუდენტმა დაასრულა სასწავლო სტილის (M-ILS) კითხვარის შეცვლილი ინდექსი, რომელიც შეიცავს 44 ნივთს, რათა მათ შესაბამის LSS- ში დაასახელონ. შეგროვებული მონაცემები (ე.წ. მონაცემთა ბაზა) გამოიყენება ზედამხედველობითი გადაწყვეტილების ხის სწავლაში, რომ ავტომატურად შეესაბამებოდეს მოსწავლეთა სწავლის სტილს ყველაზე შესაფერისი. შემდეგ შეფასებულია მანქანათმცოდნეზე დაფუძნებული სარეკომენდაციო საშუალების სიზუსტე.
გადაწყვეტილების ხის მოდელების გამოყენება ავტომატური რუკების პროცესში LS (შეყვანის) და IS (სამიზნე გამომავალი) საშუალებას იძლევა დაუყოვნებლივი ჩამონათვალი შესაბამისი სასწავლო სტრატეგიების თითოეული სტომატოლოგიური სტუდენტისთვის. IS სარეკომენდაციო ინსტრუმენტმა აჩვენა სრულყოფილი სიზუსტე და ზოგადი მოდელის სიზუსტე, რაც იმაზე მიუთითებს, რომ LS– ს შესატყვისი აქვს კარგი მგრძნობელობა და სპეციფიკა.
IS სარეკომენდაციო ინსტრუმენტი, რომელიც დაფუძნებულია ML გადაწყვეტილების ხეზე, დაამტკიცა, რომ მისი უნარი ზუსტად შეესაბამებოდეს სტომატოლოგიური სტუდენტების სწავლის სტილებს შესაბამისი სასწავლო სტრატეგიებით. ეს ინსტრუმენტი გთავაზობთ მძლავრ ვარიანტებს მოსწავლეზე ორიენტირებული კურსების ან მოდულების დაგეგმვისთვის, რამაც შეიძლება გაზარდოს სტუდენტების სწავლის გამოცდილება.
სწავლება და სწავლა ფუნდამენტური საქმიანობაა საგანმანათლებლო დაწესებულებებში. მაღალი ხარისხის პროფესიული განათლების სისტემის შემუშავებისას, მნიშვნელოვანია ფოკუსირება სტუდენტების სასწავლო საჭიროებებზე. სტუდენტებსა და მათ სასწავლო გარემოს შორის ურთიერთქმედება შეიძლება განისაზღვროს მათი LS– ით. კვლევების თანახმად, მასწავლებელთა ინტეგრირებულ შეუსაბამობებს სტუდენტების LS- ს შორის და შეიძლება უარყოფითი შედეგები მოჰყვეს სტუდენტთა სწავლებას, მაგალითად, ყურადღების დაქვეითებას და მოტივაციას. ეს ირიბად იმოქმედებს სტუდენტთა შესრულებაზე [1,2].
ეს არის მეთოდი, რომელსაც მასწავლებლები იყენებენ სტუდენტებს ცოდნისა და უნარების გადასაცემად, მათ შორის სტუდენტებს დაეხმარონ სწავლა [3]. საერთოდ, კარგი მასწავლებლები გეგმავენ სწავლების სტრატეგიებს, ან ის არის, რომ საუკეთესოდ შეესაბამება მათი სტუდენტების ცოდნის დონეს, მათ მიერ სწავლების ცნებებს და სწავლის ეტაპზე. თეორიულად, როდესაც LS და ემთხვევა, სტუდენტებს შეეძლებათ ეფექტურად ისწავლონ და გამოიყენონ სპეციფიკური უნარ -ჩვევები. როგორც წესი, გაკვეთილის გეგმა მოიცავს რამდენიმე გადასვლას ეტაპებს შორის, მაგალითად, სწავლებიდან დაწყებული სახელმძღვანელო პრაქტიკამდე ან ხელმძღვანელობით პრაქტიკიდან დამოუკიდებელ პრაქტიკამდე. ამის გათვალისწინებით, ეფექტური მასწავლებლები ხშირად გეგმავენ ინსტრუქციას სტუდენტების ცოდნისა და უნარების შექმნის მიზნით [4].
SCL– ს მოთხოვნა იზრდება უმაღლესი საგანმანათლებლო დაწესებულებებში, მათ შორის სტომატოლოგიაში. SCL სტრატეგიები შექმნილია სტუდენტების სწავლის საჭიროებების დასაკმაყოფილებლად. ამის მიღწევა შესაძლებელია, მაგალითად, თუ სტუდენტები აქტიურად მონაწილეობენ სასწავლო საქმიანობაში და მასწავლებლები მოქმედებენ როგორც ფასილიტატორები და პასუხისმგებელნი არიან ღირებული უკუკავშირის უზრუნველსაყოფად. ნათქვამია, რომ სასწავლო მასალებისა და საქმიანობის უზრუნველყოფა, რომლებიც შესაფერისია სტუდენტთა საგანმანათლებლო დონისთვის ან პრეფერენციებისთვის, შეუძლია გააუმჯობესოს სტუდენტების სასწავლო გარემო და ხელი შეუწყოს პოზიტიურ სასწავლო გამოცდილებას [5].
საერთოდ, სტომატოლოგიური სტუდენტების სწავლის პროცესზე გავლენას ახდენს სხვადასხვა კლინიკური პროცედურები, რომელთა შესრულებასაც მოეთხოვებათ და კლინიკური გარემო, რომელშიც ისინი ვითარდება ეფექტური ინტერპერსონალური უნარები. ტრენინგის მიზანია სტუდენტებს საშუალებას მისცემს სტომატოლოგიის ძირითადი ცოდნის სტომატოლოგიურ კლინიკურ უნარებს და დააკავშირონ შეძენილი ცოდნა ახალ კლინიკურ სიტუაციებში [6, 7]. ადრეული გამოკვლევა LS– ს შორის ურთიერთობის შესახებ და დადგინდა, რომ სასურველი LS– ზე შესაფერისი სასწავლო სტრატეგიების რეგულირება ხელს შეუწყობს საგანმანათლებლო პროცესის გაუმჯობესებას [8]. ავტორები ასევე გირჩევთ გამოიყენოთ სწავლებისა და შეფასების მრავალფეროვანი მეთოდები, რათა ადაპტირდეთ სტუდენტების სწავლისა და საჭიროებების შესახებ.
მასწავლებლები სარგებლობენ LS ცოდნის გამოყენებით, რათა დაეხმარონ მათ შეიმუშაონ, შეიმუშაონ ინსტრუქცია, რაც ხელს შეუწყობს მოსწავლეების შეძენას უფრო ღრმა ცოდნისა და საგნის საკითხის გაგებაში. მკვლევარებმა შეიმუშავეს LS შეფასების რამდენიმე ინსტრუმენტი, როგორიცაა KOLB ექსპერიმენტული სწავლების მოდელი, ფელდერ-სილვერმანის სწავლის სტილის მოდელი (FSLSM) და Fleming VAK/VARK მოდელი [5, 9, 10]. ლიტერატურის თანახმად, ეს სასწავლო მოდელები ყველაზე ხშირად გამოიყენება და ყველაზე შესწავლილი სასწავლო მოდელები. მიმდინარე კვლევითი ნაშრომში, FSLSM გამოიყენება სტომატოლოგიურ სტუდენტებს შორის LS- ის შესაფასებლად.
FSLSM არის ფართოდ გამოყენებული მოდელი ინჟინერიაში ადაპტირებული სწავლის შესაფასებლად. ჯანმრთელობის მეცნიერებებში (მათ შორის მედიცინა, მედდა, აფთიაქი და სტომატოლოგია) უამრავი გამოქვეყნებულია ნამუშევარი, რომელთა ნახვა შეგიძლიათ FSLSM მოდელების გამოყენებით [5, 11, 12, 13]. FLSM– ში LS– ის ზომების გასაზომად გამოყენებულ ინსტრუმენტს ეწოდება სწავლის სტილის (ILS) ინდექსი [8], რომელიც შეიცავს 44 ნივთს, რომელიც აფასებს LS– ს ოთხ განზომილებას: დამუშავება (აქტიური/ამრეკლავი), აღქმა (აღქმა/ინტუიციური),, შეყვანა (ვიზუალური). /სიტყვიერი) და გაგება (თანმიმდევრული/გლობალური) [14].
როგორც ნაჩვენებია ნახაზზე 1, FSLSM- ს თითოეულ განზომილებას აქვს დომინანტური უპირატესობა. მაგალითად, დამუშავების განზომილებაში, "აქტიური" LS- ს სტუდენტებს ურჩევნიათ ინფორმაციის დამუშავება სასწავლო მასალებთან უშუალოდ ურთიერთქმედებით, სწავლებით და ჯგუფურად სწავლა. "ამრეკლავი" LS ეხება სწავლას აზროვნების საშუალებით და ურჩევნია მარტო მუშაობა. LS- ის "აღქმული" განზომილება შეიძლება დაიყოს "შეგრძნება" და/ან "ინტუიცია". "შეგრძნება" სტუდენტებს ურჩევნიათ უფრო კონკრეტულ ინფორმაციას და პრაქტიკულ პროცედურებს, ფაქტზე ორიენტირებულნი არიან "ინტუიციურ" სტუდენტებთან შედარებით, რომლებიც ურჩევნიათ აბსტრაქტულ მასალას და უფრო ინოვაციური და კრეატიული ხასიათისაა. LS- ის "შეყვანის" განზომილება შედგება "ვიზუალური" და "სიტყვიერი" მოსწავლეთაგან. "ვიზუალური" ადამიანების მქონე ადამიანებს ურჩევნიათ ისწავლონ ვიზუალური დემონსტრაციების საშუალებით (მაგალითად, დიაგრამები, ვიდეოები ან ცოცხალი დემონსტრაციები), ხოლო "სიტყვიერი" ადამიანების წარმომადგენლები ურჩევნიათ სიტყვებით ისწავლონ წერილობითი ან ზეპირი განმარტებებით. LS ზომების გასაგებად, ასეთი მოსწავლეები შეიძლება დაიყოს "თანმიმდევრული" და "გლობალური". ”თანმიმდევრული მოსწავლეები უპირატესობას ანიჭებენ ხაზოვან აზროვნების პროცესს და ეტაპობრივად სწავლობენ, ხოლო გლობალურ მოსწავლეებს აქვთ ჰოლისტიკური აზროვნების პროცესი და ყოველთვის უკეთესად აქვთ იმის გაგება, თუ რას სწავლობენ.
ცოტა ხნის წინ, ბევრმა მკვლევარმა დაიწყო მონაცემების ავტომატური აღმოჩენის მეთოდების შესწავლა, მათ შორის ახალი ალგორითმების და მოდელების შემუშავება, რომელსაც შეუძლია დიდი რაოდენობით მონაცემების ინტერპრეტაცია [15, 16]. მოწოდებული მონაცემებიდან გამომდინარე, ზედამხედველობამ ML (მანქანათმცოდნეობის) შეუძლია შექმნას შაბლონები და ჰიპოთეზა, რომელიც პროგნოზირებს სამომავლო შედეგებს ალგორითმების მშენებლობის საფუძველზე [17]. მარტივად რომ ვთქვათ, ზედამხედველობითი მანქანების სწავლების ტექნიკა მანიპულირებს შეყვანის მონაცემებსა და მატარებლის ალგორითმებს. შემდეგ იგი წარმოქმნის დიაპაზონს, რომელიც კლასიფიკაციას უწევს ან პროგნოზირებს შედეგს, ანალოგიური სიტუაციების საფუძველზე, მოწოდებული შეყვანის მონაცემებისთვის. ზედამხედველობითი მანქანების სწავლის ალგორითმების მთავარი უპირატესობა არის მისი უნარი შექმნას იდეალური და სასურველი შედეგები [17].
მონაცემთა ორიენტირებული მეთოდებისა და გადაწყვეტილების ხის კონტროლის მოდელების გამოყენებით, შესაძლებელია LS– ის ავტომატური გამოვლენა. გავრცელდა ინფორმაცია, რომ გადაწყვეტილების ხეები ფართოდ გამოიყენება სხვადასხვა სფეროში სასწავლო პროგრამებში, მათ შორის ჯანდაცვის მეცნიერებებში [18, 19]. ამ კვლევაში, მოდელი სპეციალურად იყო მომზადებული სისტემის დეველოპერების მიერ სტუდენტთა LS– ის იდენტიფიცირების მიზნით და მათთვის საუკეთესო რეკომენდაციის მისაღებად.
ამ კვლევის მიზანია შემუშავება არის მიწოდების სტრატეგიები, რომლებიც დაფუძნებულია სტუდენტთა LS- ზე და გამოიყენეთ SCL მიდგომა, IS სარეკომენდაციო ინსტრუმენტის შემუშავებით. IS სარეკომენდაციო ინსტრუმენტის დიზაინის ნაკადი, როგორც SCL მეთოდის სტრატეგია, ნაჩვენებია სურათი 1 -ში. IS სარეკომენდაციო ინსტრუმენტი იყოფა ორ ნაწილად, მათ შორის LS კლასიფიკაციის მექანიზმის გამოყენებით ILS გამოყენებით და ყველაზე შესაფერისი არის სტუდენტებისთვის.
კერძოდ, ინფორმაციის უსაფრთხოების სარეკომენდაციო საშუალებების მახასიათებლები მოიცავს ვებ ტექნოლოგიების გამოყენებას და გადაწყვეტილების ხის მანქანების სწავლის გამოყენებას. სისტემის დეველოპერები აუმჯობესებენ მომხმარებლის გამოცდილებას და მობილურობას, მათ მობილური მოწყობილობების ადაპტირებით, როგორიცაა მობილური ტელეფონები და ტაბლეტები.
ექსპერიმენტი ჩატარდა ორ ეტაპზე, ხოლო მალაიას უნივერსიტეტის სტომატოლოგიის ფაკულტეტის სტუდენტებმა მონაწილეობა მიიღეს ნებაყოფლობით საფუძველზე. მონაწილეები გამოეხმაურნენ სტომატოლოგიური სტუდენტის ონლაინ M-IL- ებს ინგლისურად. საწყის ეტაპზე, 50 სტუდენტის მონაცემთა ბაზა იქნა გამოყენებული გადაწყვეტილების ხის მანქანების სწავლის ალგორითმის მომზადებისთვის. განვითარების პროცესის მეორე ეტაპზე, 255 სტუდენტის მონაცემთა ბაზა იქნა გამოყენებული განვითარებული ინსტრუმენტის სიზუსტის გასაუმჯობესებლად.
ყველა მონაწილე იღებს ონლაინ ბრიფინგს თითოეული ეტაპის დასაწყისში, სასწავლო წლის მიხედვით, Microsoft- ის გუნდების საშუალებით. კვლევის მიზანი აიხსნა და მიიღეს ინფორმირებული თანხმობა. ყველა მონაწილეს მიენიჭა ბმული M-IL– ებზე შესასვლელად. თითოეულ სტუდენტს დაევალა უპასუხოს კითხვარის ყველა 44 ნივთს. მათ ერთი კვირა მიეცათ, რომ დასრულებულიყვნენ შეცვლილი ILS ერთდროულად და ადგილმდებარეობა მათთვის მოსახერხებელი სემესტრის შესვენების დროს სემესტრის დაწყებამდე. M-ILS დაფუძნებულია ILS ორიგინალ ინსტრუმენტზე და შეცვლილია სტომატოლოგიური სტუდენტებისთვის. ორიგინალური IL- ების მსგავსად, იგი შეიცავს 44 თანაბრად გადანაწილებულ ნივთს (A, B), რომელთა 11 ელემენტია, რომლებიც გამოიყენება თითოეული FSLSM განზომილების ასპექტების შესაფასებლად.
ინსტრუმენტის შემუშავების საწყის ეტაპზე, მკვლევარებმა ხელით ანოტაცია მოახდინეს რუქები 50 სტომატოლოგიური სტუდენტის მონაცემთა ბაზის გამოყენებით. FSLM- ის თანახმად, სისტემა უზრუნველყოფს პასუხების "A" და "B" პასუხების ჯამს. თითოეული განზომილებისთვის, თუ სტუდენტი ირჩევს "A" პასუხს, LS კლასიფიცირდება როგორც აქტიური/აღქმის/ვიზუალური/თანმიმდევრული, და თუ სტუდენტი ირჩევს "B" პასუხს, სტუდენტი კლასიფიცირდება, როგორც ამრეკლავი/ინტუიციური/ენობრივი . / გლობალური შემსწავლელი.
სტომატოლოგიური განათლების მკვლევარებსა და სისტემის დეველოპერებს შორის სამუშაო ნაკადის დაკალიბრების შემდეგ, შეირჩა კითხვები FLSSM დომენის საფუძველზე და ML მოდელში იკვებება, რომ თითოეული სტუდენტის LS- ს პროგნოზირება მოახდინოს. "ნაგავი, ნაგავი გარეთ" პოპულარული გამონათქვამია მანქანათმცოდნეობის სფეროში, აქცენტი გაკეთებულია მონაცემთა ხარისხზე. შეყვანის მონაცემების ხარისხი განსაზღვრავს მანქანების სწავლის მოდელის სიზუსტე და სიზუსტე. მხატვრული ინჟინერიის ფაზის განმავლობაში, შეიქმნა ახალი ფუნქციის ნაკრები, რომელიც არის FLSSM- ის საფუძველზე პასუხების "A" და "B" პასუხების ჯამი. წამლის პოზიციების საიდენტიფიკაციო რიცხვი მოცემულია ცხრილი 1 -ში.
გამოთვალეთ ქულა პასუხების საფუძველზე და განსაზღვრეთ სტუდენტის LS. თითოეული სტუდენტისთვის, ქულის დიაპაზონი 1 -დან 11 -მდეა. 1 -დან 3 -მდე ქულები მიუთითებს სწავლის პრეფერენციების ბალანსზე იმავე განზომილებაში, ხოლო 5 -დან 7 -მ . იმავე განზომილებაში კიდევ ერთი ცვალებადობაა ის, რომ 9 -დან 11 -მდე ქულები ასახავს ძლიერ უპირატესობას ერთი ბოლოს ან მეორეზე [8].
თითოეული განზომილებისთვის, ნარკოტიკები დაჯგუფდნენ "აქტიურ", "ამრეკლავში" და "დაბალანსებულ". მაგალითად, როდესაც სტუდენტი პასუხობს "A" უფრო ხშირად, ვიდრე "B" დანიშნულ ნივთზე და მისი ქულა აღემატება 5 -ის ბარიერს კონკრეტული ნივთისთვის, რომელიც წარმოადგენს დამუშავების LS განზომილებას, იგი ეკუთვნის "აქტიურ" LS- ს დომენი. . ამასთან, სტუდენტები კლასიფიცირდნენ, როგორც "ამრეკლავი", როდესაც მათ აირჩიეს "B", ვიდრე "A" კონკრეტულ 11 კითხვაზე (ცხრილი 1) და 5 ქულაზე მეტი გაიტანა. დაბოლოს, სტუდენტი "წონასწორობის" მდგომარეობაშია. თუ ქულა არ აღემატება 5 ქულას, მაშინ ეს არის "პროცესი" LS. კლასიფიკაციის პროცესი განმეორდა სხვა LS განზომილებებისთვის, კერძოდ აღქმა (აქტიური/ამრეკლავი), შეყვანა (ვიზუალური/ვერბალური) და გაგება (თანმიმდევრული/გლობალური).
გადაწყვეტილების ხის მოდელებს შეუძლიათ გამოიყენონ მახასიათებლებისა და გადაწყვეტილების წესების სხვადასხვა ქვესათაური კლასიფიკაციის პროცესის სხვადასხვა ეტაპზე. იგი ითვლება პოპულარულ კლასიფიკაციისა და პროგნოზირების ინსტრუმენტად. იგი შეიძლება წარმოდგენილი იყოს ხის სტრუქტურის გამოყენებით, როგორიცაა FlowChart [20], რომელშიც არის შიდა კვანძები, რომლებიც წარმოადგენენ ტესტებს ატრიბუტით, თითოეული ფილიალი წარმოადგენს ტესტის შედეგებს და თითოეული ფოთლის კვანძი (ფოთლის კვანძი), რომელიც შეიცავს კლასის ეტიკეტს.
შეიქმნა მარტივი წესზე დაფუძნებული პროგრამა, რომ ავტომატურად გაიტანა და ანოტაცია გაუწიოს თითოეული სტუდენტის LS მათ პასუხებზე დაყრდნობით. წესზე დაფუძნებული ქმნის IF განცხადების ფორმას, სადაც "თუ" აღწერს ტრიგერს და "მაშინ" განსაზღვრავს მოქმედებას, მაგალითად: "თუ X მოხდება, მაშინ გააკეთე Y" (Liu et al., 2014). თუ მონაცემთა ნაკრები აჩვენებს კორელაციას და გადაწყვეტილების ხის მოდელი სწორად არის მომზადებული და შეფასებული, ეს მიდგომა შეიძლება იყოს ეფექტური გზა LS– ის შესატყვისი პროცესის ავტომატიზაციისთვის.
განვითარების მეორე ეტაპზე, მონაცემთა ბაზა გაიზარდა 255 -მდე, სარეკომენდაციო საშუალების სიზუსტის გასაუმჯობესებლად. მონაცემთა ნაკრები იყოფა 1: 4 თანაფარდობით. ტესტის ნაკრებისთვის გამოყენებული იქნა მონაცემთა ნაკრების 25% (64), ხოლო დანარჩენი 75% (191) გამოყენებული იქნა როგორც ტრენინგის ნაკრები (სურათი 2). მონაცემთა ნაკრები უნდა გაიყო, რათა თავიდან აიცილოს მოდელის ტრენინგი და ტესტირება იმავე მონაცემთა ნაკრებზე, რამაც შეიძლება გამოიწვიოს მოდელის გახსენება, ვიდრე ისწავლოს. მოდელი ტრენინგდება ტრენინგის ნაკრებზე და აფასებს მის შესრულებას ტესტის ნაკრებზე - ეს მოდელი აქამდე არასდროს უნახავს.
IS ინსტრუმენტის შემუშავების შემდეგ, აპლიკაციას შეეძლება LS კლასიფიკაცია სტომატოლოგიური სტუდენტების პასუხების საფუძველზე, ვებ ინტერფეისით. ვებზე დაფუძნებული ინფორმაციული უსაფრთხოების სარეკომენდაციო ინსტრუმენტის სისტემა აგებულია პითონის პროგრამირების ენის გამოყენებით Django ჩარჩოს გამოყენებით, როგორც Backend. ცხრილი 2 ჩამოთვლილია ამ სისტემის შემუშავებაში გამოყენებული ბიბლიოთეკები.
მონაცემთა ბაზა იკვებება გადაწყვეტილების ხის მოდელზე, რომ გამოანგარიშდეს და ამოიღოს სტუდენტური პასუხები, რომ ავტომატურად კლასიფიცირდეს სტუდენტური LS გაზომვები.
დაბნეულობის მატრიცა გამოიყენება გადაწყვეტილების ხის მანქანების სწავლის ალგორითმის სიზუსტის შესაფასებლად მოცემულ მონაცემთა ნაკრებზე. ამავე დროს, იგი აფასებს კლასიფიკაციის მოდელის შესრულებას. იგი აჯამებს მოდელის პროგნოზებს და ადარებს მათ მონაცემთა რეალურ ეტიკეტებს. შეფასების შედეგები ემყარება ოთხ განსხვავებულ მნიშვნელობას: ჭეშმარიტი პოზიტიური (TP) - მოდელმა სწორად იწინასწარმეტყველა პოზიტიური კატეგორია, ცრუ პოზიტიური (FP) - მოდელმა იწინასწარმეტყველა პოზიტიური კატეგორია, მაგრამ ნამდვილი ეტიკეტი იყო უარყოფითი, ნამდვილი უარყოფითი (TN) - მოდელმა სწორად იწინასწარმეტყველა ნეგატიური კლასი და ცრუ უარყოფითი (FN) - მოდელი პროგნოზირებს უარყოფით კლასს, მაგრამ ნამდვილი ეტიკეტი დადებითია.
ამ მნიშვნელობებს შემდეგ გამოიყენება პითონში Scikit-Learn კლასიფიკაციის მოდელის სხვადასხვა შესრულების მეტრიკის გამოსათვლელად, კერძოდ, სიზუსტით, სიზუსტით, გამოხსენებით და F1 ქულით. აქ მოცემულია მაგალითები:
გაიხსენეთ (ან მგრძნობელობა) ზომავს მოდელის შესაძლებლობას, რომ ზუსტად დაასახელოს სტუდენტის LS M-ILS კითხვარზე პასუხის გაცემის შემდეგ.
სპეციფიკას ეწოდება ნამდვილი უარყოფითი მაჩვენებელი. როგორც ზემოხსენებული ფორმულიდან ხედავთ, ეს უნდა იყოს ნამდვილი ნეგატივების (TN) თანაფარდობა ჭეშმარიტ ნეგატივებთან და ცრუ პოზიტივებთან (FP). როგორც სტუდენტური ნარკოტიკების კლასიფიკაციის რეკომენდებული ინსტრუმენტის ნაწილი, მას უნდა შეეძლოს ზუსტი იდენტიფიკაცია.
50 სტუდენტის ორიგინალური მონაცემთა ბაზა, რომელიც გამოიყენეს გადაწყვეტილების ხის ML მოდელის მომზადებისთვის, აჩვენა შედარებით დაბალი სიზუსტე ანოტაციებში ადამიანის შეცდომის გამო (ცხრილი 3). მარტივი წესზე დაფუძნებული პროგრამის შექმნის შემდეგ, LS ქულების და სტუდენტური ანოტაციების ავტომატურად გამოსათვლელად, მონაცემთა ბაზის მზარდი რაოდენობა (255) იქნა გამოყენებული რეკომენდაციების სისტემის მომზადებისა და შესამოწმებლად.
მულტიკლასის დაბნეულობის მატრიქსში, დიაგონალური ელემენტები წარმოადგენენ სწორი პროგნოზების რაოდენობას თითოეული LS ტიპისთვის (სურათი 4). გადაწყვეტილების ხის მოდელის გამოყენებით, სულ სწორად იქნა პროგნოზირებული 64 ნიმუში. ამრიგად, ამ კვლევაში, დიაგონალური ელემენტები აჩვენებენ მოსალოდნელ შედეგებს, რაც იმაზე მიუთითებს, რომ მოდელი კარგად ასრულებს და ზუსტად პროგნოზირებს კლასის ეტიკეტს თითოეული LS კლასიფიკაციისთვის. ამრიგად, სარეკომენდაციო ხელსაწყოს საერთო სიზუსტეა 100%.
სიზუსტის, სიზუსტის, გაწვევის და F1 ქულის მნიშვნელობები ნაჩვენებია ნახაზზე 5. სარეკომენდაციო სისტემისთვის გადაწყვეტილების ხის მოდელის გამოყენებით, მისი F1 ქულა არის 1.0 "სრულყოფილი", რაც მიუთითებს სრულყოფილი სიზუსტით და გაიხსენა, რაც ასახავს მნიშვნელოვან მგრძნობელობას და სპეციფიკას ღირებულებები.
სურათი 6 გვიჩვენებს გადაწყვეტილების ხის მოდელის ვიზუალიზაციას ტრენინგის და ტესტირების დასრულების შემდეგ. გვერდითი შედარებისას, გადაწყვეტილების ხის მოდელმა, რომელსაც ნაკლები თვისებები აქვს მომზადებული, აჩვენა უფრო მაღალი სიზუსტე და მოდელის ვიზუალიზაცია. ეს გვიჩვენებს, რომ მახასიათებლების შემცირებისკენ მიმავალი მახასიათებელი ინჟინერია მნიშვნელოვანი ნაბიჯია მოდელის შესრულების გაუმჯობესებაში.
გადაწყვეტილების ხის ზედამხედველობით სწავლის გამოყენებით, LS (შეყვანის) და IS (სამიზნე გამომავალი) რუქა ავტომატურად წარმოიქმნება და შეიცავს დეტალურ ინფორმაციას თითოეული LS- სთვის.
შედეგებმა აჩვენა, რომ 255 სტუდენტიდან 34.9% ანიჭებს ერთ (1) LS ვარიანტს. უმრავლესობას (54.3%) ჰქონდა ორი ან მეტი LS პრეფერენცია. სტუდენტთა 12.2% -მა აღნიშნა, რომ LS საკმაოდ დაბალანსებულია (ცხრილი 4). გარდა რვა მთავარი LS, არსებობს LS კლასიფიკაციის 34 კომბინაცია მალაიას უნივერსიტეტის სტომატოლოგიური სტუდენტებისთვის. მათ შორის, აღქმა, ხედვა და აღქმის და ხედვის ერთობლიობა არის სტუდენტების მიერ გამოქვეყნებული მთავარი LS (სურათი 7).
როგორც ჩანს მე –4 ცხრილიდან, სტუდენტთა უმრავლესობას ჰქონდა გაბატონებული სენსორული (13.7%) ან ვიზუალური (8.6%) LS. გავრცელდა ინფორმაცია, რომ სტუდენტთა 12.2% აერთიანებს აღქმას მხედველობასთან (აღქმა-ვიზუალური LS). ეს დასკვნები მიგვითითებს იმაზე, რომ მოსწავლეებს ურჩევნიათ ისწავლონ და დაიმახსოვრონ დადგენილი მეთოდებით, დაიცვან სპეციფიკური და დეტალური პროცედურები და ბუნებით ყურადღებიანი არიან. ამავდროულად, მათ სარგებლობენ სწავლით (დიაგრამების გამოყენებით და ა.შ.) და განიხილავენ ინფორმაციას ჯგუფებში ან საკუთარ თავზე.
ამ კვლევაში მოცემულია მონაცემების მოპოვებაში გამოყენებული მანქანათმცოდნეობის ტექნიკის მიმოხილვა, სადაც ყურადღება გამახვილებულია სტუდენტების LS– ის მყისიერად და ზუსტად პროგნოზირებაზე და შესაფერისი რეკომენდაციაა. გადაწყვეტილების ხის მოდელის გამოყენებამ გამოავლინა ის ფაქტორები, რომლებიც ყველაზე მეტად უკავშირდება მათ ცხოვრებას და საგანმანათლებლო გამოცდილებას. ეს არის ზედამხედველობით მანქანათმცოდნეობის ალგორითმი, რომელიც იყენებს ხის სტრუქტურას მონაცემების კლასიფიკაციისთვის, მონაცემთა ნაკრები ქვეკატეგორიებად დაყოფით გარკვეული კრიტერიუმების საფუძველზე. იგი მუშაობს შეყვანის მონაცემების რეკურსიულად დაყოფით ქვესათაურებად დაყრდნობით, თითოეული შიდა კვანძის ერთ - ერთი შეყვანის მახასიათებლის მნიშვნელობის საფუძველზე, სანამ გადაწყვეტილება მიიღება ფოთლის კვანძში.
გადაწყვეტილების ხის შიდა კვანძები წარმოადგენს გამოსავალს M-ILS– ის პრობლემის შეყვანის მახასიათებლების საფუძველზე, ხოლო ფოთლის კვანძები წარმოადგენს LS კლასიფიკაციის საბოლოო პროგნოზს. მთელი კვლევის განმავლობაში, ადვილია იმის გაგება, თუ რა გადაწყვეტილების ხეები იერარქიაა, რომელიც განმარტავს და ასახავს გადაწყვეტილების პროცესს, შეყვანის მახასიათებლებსა და გამომავალი პროგნოზებს შორის ურთიერთობის დათვალიერებით.
კომპიუტერული მეცნიერებისა და ინჟინერიის სფეროებში, მანქანათმცოდნეობის ალგორითმები ფართოდ გამოიყენება სტუდენტთა საქმიანობის პროგნოზირებისთვის, მათი შესასვლელი გამოცდის ქულების საფუძველზე [21], დემოგრაფიული ინფორმაცია და სწავლის ქცევა [22]. კვლევებმა აჩვენა, რომ ალგორითმმა ზუსტად იწინასწარმეტყველა სტუდენტთა მოქმედება და დაეხმარა მათ აკადემიური სირთულეების რისკის ქვეშ მყოფი სტუდენტების იდენტიფიცირებაში.
აღინიშნება ML ალგორითმების გამოყენება სტომატოლოგიური ტრენინგისთვის ვირტუალური პაციენტის ტრენინგების განვითარებაში. სიმულატორს შეუძლია ზუსტად განმეორდეს რეალური პაციენტების ფიზიოლოგიური პასუხების ზუსტად რეპროდუცირება და შეიძლება გამოყენებულ იქნას სტომატოლოგიური სტუდენტების მომზადებისთვის უსაფრთხო და კონტროლირებად გარემოში [23]. რამდენიმე სხვა გამოკვლევა აჩვენებს, რომ მანქანათმცოდნეობის ალგორითმებს შეუძლიათ პოტენციურად გააუმჯობესონ სტომატოლოგიური და სამედიცინო განათლებისა და პაციენტების მოვლის ხარისხი და ეფექტურობა. მანქანათმცოდნეობის ალგორითმები იქნა გამოყენებული სტომატოლოგიური დაავადებების დიაგნოზირებაში, მონაცემების ნაკრების საფუძველზე, როგორიცაა სიმპტომები და პაციენტის მახასიათებლები [24, 25]. მიუხედავად იმისა, რომ სხვა კვლევებმა შეისწავლეს მანქანათმცოდნეობის ალგორითმების გამოყენება ისეთი დავალებების შესასრულებლად, როგორიცაა პაციენტის შედეგების პროგნოზირება, მაღალი რისკის მქონე პაციენტების იდენტიფიცირება, პერსონალიზირებული მკურნალობის გეგმების შემუშავება [26], პაროდონტის მკურნალობა [27] და კარიესის მკურნალობა [25].
მიუხედავად იმისა, რომ გამოქვეყნდა მოხსენებები სტომატოლოგიაში მანქანათმცოდნეობის გამოყენების შესახებ, მისი გამოყენება სტომატოლოგიურ განათლებაში შეზღუდულია. ამრიგად, ეს კვლევა მიზნად ისახავდა გადაწყვეტილების ხის მოდელის გამოყენებას LS– სთან ყველაზე მჭიდრო კავშირის ფაქტორების დასადგენად და სტომატოლოგიურ სტუდენტებს შორისაა.
ამ კვლევის შედეგებმა აჩვენა, რომ შემუშავებული სარეკომენდაციო საშუალებებს აქვს მაღალი სიზუსტე და სრულყოფილი სიზუსტე, რაც იმაზე მიუთითებს, რომ მასწავლებლებს შეუძლიათ ისარგებლონ ამ ინსტრუმენტით. მონაცემთა ორიენტირებული კლასიფიკაციის პროცესის გამოყენებით, მას შეუძლია უზრუნველყოს პერსონალიზირებული რეკომენდაციები და გააუმჯობესოს საგანმანათლებლო გამოცდილება და შედეგები პედაგოგებისა და სტუდენტებისთვის. მათ შორის, სარეკომენდაციო საშუალებებით მიღებულ ინფორმაციას შეუძლია მოაგვაროს კონფლიქტები მასწავლებლების სასურველი სწავლების მეთოდებსა და მოსწავლეთა სწავლის საჭიროებებს შორის. მაგალითად, სარეკომენდაციო საშუალებების ავტომატური გამომუშავების გამო, მნიშვნელოვნად შემცირდება სტუდენტის IP- ის იდენტიფიცირებისთვის და შესაბამის IP- სთან შესაბამისობაში. ამ გზით შეიძლება ორგანიზებული იყოს შესაფერისი სასწავლო ღონისძიებები და სასწავლო მასალები. ეს ხელს უწყობს სტუდენტების პოზიტიური სწავლის ქცევის განვითარებას და კონცენტრირების უნარს. ერთმა კვლევამ აჩვენა, რომ სტუდენტებს სასწავლო მასალების და სასწავლო საქმიანობის უზრუნველყოფა, რომლებიც შეესაბამება მათ სასურველი LS, შეუძლია დაეხმაროს სტუდენტებს ინტეგრირება, დამუშავება და სწავლა მრავალი გზით, უფრო დიდი პოტენციალის მისაღწევად [12]. კვლევებმა ასევე აჩვენა, რომ კლასში სტუდენტთა მონაწილეობის გაუმჯობესების გარდა, სტუდენტების სწავლის პროცესის გაგება ასევე მნიშვნელოვან როლს ასრულებს სწავლების პრაქტიკის გაუმჯობესებაში და სტუდენტებთან კომუნიკაციაში [28, 29].
ამასთან, როგორც ნებისმიერი თანამედროვე ტექნოლოგია, არსებობს პრობლემები და შეზღუდვები. ეს მოიცავს მონაცემთა კონფიდენციალურობას, მიკერძოებასა და სამართლიანობასთან დაკავშირებულ საკითხებს და პროფესიულ უნარებსა და რესურსებს, რომლებიც საჭიროა სტომატოლოგიურ განათლებაში მანქანათმცოდნეობის ალგორითმების შემუშავებისა და განხორციელებისთვის; ამასთან, ამ სფეროში მზარდი ინტერესი და კვლევები მიგვითითებს იმაზე, რომ მანქანათმცოდნეობის ტექნოლოგიებმა შეიძლება დადებითი გავლენა მოახდინონ სტომატოლოგიურ განათლებაზე და სტომატოლოგიურ მომსახურებაზე.
ამ გამოკვლევის შედეგები მიუთითებს, რომ სტომატოლოგიური სტუდენტების ნახევარს აქვს ტენდენცია, რომ "აღქმა" მიიღოს. ამ ტიპის მოსწავლეს უპირატესობა აქვს ფაქტებსა და კონკრეტულ მაგალითებზე, პრაქტიკულ ორიენტაციაზე, დეტალებისთვის მოთმინებისთვის და ”ვიზუალური” უპირატესობის მისაღებად, სადაც მოსწავლეებს ურჩევნიათ გამოიყენონ სურათები, გრაფიკა, ფერები და რუქები იდეებისა და აზრების გადასაცემად. ამჟამინდელი შედეგები შეესაბამება სხვა კვლევებს, რომლებიც იყენებენ ILS- ს, რათა შეაფასონ LS სტომატოლოგიურ და სამედიცინო სტუდენტებში, რომელთა უმეტესობას აქვს აღქმის და ვიზუალური LS მახასიათებლები [12, 30]. Dalmolin et al ვარაუდობს, რომ სტუდენტების ინფორმირება მათი LS- ს შესახებ საშუალებას აძლევს მათ მიაღწიონ სწავლის პოტენციალს. მკვლევარები ამტკიცებენ, რომ როდესაც მასწავლებლებს სრულად ესმით მოსწავლეთა საგანმანათლებლო პროცესი, შეიძლება განხორციელდეს სწავლების სხვადასხვა მეთოდები და აქტივობები, რაც გააუმჯობესებს სტუდენტების საქმიანობასა და სწავლის გამოცდილებას [12, 31, 32]. სხვა კვლევებმა აჩვენა, რომ სტუდენტების LS– ის რეგულირება ასევე აჩვენებს სტუდენტების სწავლის გამოცდილებასა და შესრულების გაუმჯობესებას სწავლის სტილის შეცვლის შემდეგ, საკუთარი LS– ის შესაფერისად [13, 33].
მასწავლებელთა მოსაზრებები შეიძლება განსხვავდებოდეს სწავლების სტრატეგიების განხორციელებასთან დაკავშირებით, რომელიც ემყარება მოსწავლეთა სწავლის შესაძლებლობებს. მიუხედავად იმისა, რომ ზოგი ხედავს ამ მიდგომის სარგებელს, მათ შორის პროფესიული განვითარების შესაძლებლობებს, მასწავლებლობას და საზოგადოების დახმარებას, სხვები შეიძლება შეშფოთდეს დროისა და ინსტიტუციური დახმარებით. წონასწორობისკენ სწრაფვა არის გასაღები სტუდენტზე ორიენტირებული დამოკიდებულების შესაქმნელად. უმაღლესი განათლების ორგანოებს, როგორიცაა უნივერსიტეტის ადმინისტრატორები, შეუძლიათ მნიშვნელოვანი როლი შეასრულონ პოზიტიური ცვლილებების განხორციელებაში ინოვაციური პრაქტიკის დანერგვით და ფაკულტეტის განვითარების მხარდაჭერით [34]. ნამდვილად დინამიური და საპასუხო უმაღლესი განათლების სისტემის შესაქმნელად, პოლიტიკის შემქმნელებმა უნდა გადადგათ თამამი ნაბიჯები, მაგალითად, პოლიტიკის ცვლილებების შეტანა, ტექნოლოგიის ინტეგრაციისთვის რესურსებისადმი მიძღვნა და ჩარჩოების შექმნა, რომლებიც ხელს უწყობენ სტუდენტზე ორიენტირებულ მიდგომებს. ეს ზომები გადამწყვეტი მნიშვნელობა აქვს სასურველი შედეგების მისაღწევად. დიფერენცირებული ინსტრუქციის შესახებ ბოლოდროინდელმა კვლევებმა ნათლად აჩვენა, რომ დიფერენცირებული ინსტრუქციის წარმატებული განხორციელება მასწავლებლებისთვის მიმდინარე ტრენინგისა და განვითარების შესაძლებლობებს მოითხოვს [35].
ეს ინსტრუმენტი მნიშვნელოვან დახმარებას უწევს სტომატოლოგიურ პედაგოგებს, რომელთაც სურთ სტუდენტზე ორიენტირებული მიდგომა, სტუდენტ-მეგობრული სასწავლო საქმიანობის დაგეგმვაში. ამასთან, ეს კვლევა შემოიფარგლება მხოლოდ გადაწყვეტილების ხის ML მოდელების გამოყენებით. მომავალში, მეტი მონაცემები უნდა შეგროვდეს სხვადასხვა მანქანათმცოდნეობის მოდელის შესრულების შესადარებლად, რომ შევადაროთ სარეკომენდაციო საშუალებების სიზუსტე, საიმედოობა და სიზუსტე. გარდა ამისა, კონკრეტული ამოცანისთვის ყველაზე შესაფერისი მანქანათმცოდნეობის მეთოდის არჩევისას, მნიშვნელოვანია გავითვალისწინოთ სხვა ფაქტორები, როგორიცაა მოდელის სირთულე და ინტერპრეტაცია.
ამ კვლევის შეზღუდვაა ის, რომ იგი მხოლოდ LS- ის რუქაზე იყო ორიენტირებული და სტომატოლოგიურ სტუდენტებს შორისაა. ამრიგად, შემუშავებული სარეკომენდაციო სისტემა გირჩევთ მხოლოდ ის, რაც შესაფერისია სტომატოლოგიური სტუდენტებისთვის. ცვლილებები აუცილებელია ზოგადი უმაღლესი განათლების სტუდენტთა გამოყენებისთვის.
ახლად განვითარებული მანქანით დაფუძნებული სარეკომენდაციო ინსტრუმენტი შეუძლია დაუყოვნებლივ კლასიფიკაცია და შესაბამისობა სტუდენტთა LS შესაბამისობაში, რაც მას პირველი სტომატოლოგიური განათლების პროგრამაა, რომელიც დაეხმარება სტომატოლოგიურ პედაგოგებს დაგეგმონ შესაბამისი სწავლება და სასწავლო საქმიანობა. მონაცემთა ორიენტირებული ტრიაჟის პროცესის გამოყენებით, მას შეუძლია უზრუნველყოს პერსონალიზირებული რეკომენდაციები, დაზოგოს დრო, გააუმჯობესოს სწავლების სტრატეგიები, ხელი შეუწყოს მიზნობრივ ინტერვენციებს და ხელი შეუწყოს მიმდინარე პროფესიულ განვითარებას. მისი გამოყენება ხელს შეუწყობს სტუდენტზე ორიენტირებულ მიდგომებს სტომატოლოგიური განათლების მიმართ.
გილაკ ჯანი ასოცირებული პრესა. შეესაბამება ან შეუსაბამობა სტუდენტის სწავლის სტილსა და მასწავლებლის სწავლების სტილს შორის. Int J Mod განათლებული კომპიუტერული მეცნიერება. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
პოსტის დრო: APR-29-2024