უმაღლეს საგანმანათლებლო დაწესებულებებში, მათ შორის სტომატოლოგიაში სტუდენტზე ორიენტირებული სწავლების (SCL) მზარდი საჭიროებაა.თუმცა, SCL-ს აქვს შეზღუდული გამოყენება სტომატოლოგიურ განათლებაში.აქედან გამომდინარე, ეს კვლევა მიზნად ისახავს SCL-ის გამოყენებას სტომატოლოგიაში გადაწყვეტილების ხის მანქანური სწავლების ტექნოლოგიის გამოყენებით სტომატოლოგიური სტუდენტების სწავლის სასურველი სტილის (LS) და შესაბამისი სწავლის სტრატეგიების (IS) გამოსასახად, როგორც სასარგებლო ინსტრუმენტი IS გაიდლაინების შემუშავებისთვის. .პერსპექტიული მეთოდები სტომატოლოგიის სტუდენტებისთვის.
მალაიას უნივერსიტეტის სტომატოლოგმა სულ 255-მა სტუდენტმა დაასრულა სწავლის სტილის შეცვლილი ინდექსი (m-ILS) კითხვარი, რომელიც შეიცავდა 44 პუნქტს მათი შესაბამის LS-ებში კლასიფიკაციისთვის.შეგროვებული მონაცემები (ე.წ. მონაცემთა ნაკრები) გამოიყენება გადაწყვეტილების ხის მეთვალყურეობის ქვეშ სწავლაში, რათა ავტომატურად დაემთხვეს სტუდენტების სწავლის სტილებს ყველაზე შესაბამის IS-თან.შემდეგ ფასდება მანქანათმცოდნეობაზე დაფუძნებული IS სარეკომენდაციო ინსტრუმენტის სიზუსტე.
გადაწყვეტილების ხის მოდელების გამოყენება LS (შეყვანა) და IS (სამიზნე გამომავალი) ავტომატიზირებულ რუკების პროცესში, საშუალებას გაძლევთ დაუყოვნებლივ შეადგინოთ შესაბამისი სასწავლო სტრატეგიები თითოეული სტომატოლოგიისთვის.IS სარეკომენდაციო ინსტრუმენტმა აჩვენა სრულყოფილი სიზუსტე და მოდელის მთლიანი სიზუსტის გახსენება, რაც მიუთითებს იმაზე, რომ LS-ს IS-თან შესაბამისობა აქვს კარგი მგრძნობელობა და სპეციფიკა.
IS რეკომენდაციის ინსტრუმენტმა, რომელიც დაფუძნებულია ML გადაწყვეტილების ხეზე, დაამტკიცა მისი უნარი ზუსტად შეესაბამებოდეს სტომატოლოგების სწავლის სტილებს შესაბამის სასწავლო სტრატეგიებთან.ეს ინსტრუმენტი იძლევა მძლავრ ვარიანტებს მოსწავლეზე ორიენტირებული კურსების ან მოდულების დაგეგმვისთვის, რომლებსაც შეუძლიათ გააუმჯობესონ სტუდენტების სწავლის გამოცდილება.
სწავლება და სწავლა ფუნდამენტური საქმიანობაა საგანმანათლებლო დაწესებულებებში.მაღალი ხარისხის პროფესიული განათლების სისტემის შემუშავებისას მნიშვნელოვანია სტუდენტების სასწავლო საჭიროებებზე ფოკუსირება.მოსწავლეებსა და მათ სასწავლო გარემოს შორის ურთიერთქმედება შეიძლება განისაზღვროს მათი LS-ის მეშვეობით.კვლევა ვარაუდობს, რომ მასწავლებლის მიერ განზრახული შეუსაბამობა მოსწავლეთა LS და IS-ს შორის შეიძლება ჰქონდეს უარყოფითი შედეგები მოსწავლის სწავლაზე, როგორიცაა ყურადღების და მოტივაციის დაქვეითება.ეს ირიბად იმოქმედებს მოსწავლეთა შესრულებაზე [1,2].
IS არის მეთოდი, რომელსაც მასწავლებლები იყენებენ სტუდენტებისთვის ცოდნისა და უნარების გადასაცემად, მათ შორის, სტუდენტების სწავლაში დასახმარებლად [3].ზოგადად, კარგი მასწავლებლები გეგმავენ სწავლების სტრატეგიებს ან IS, რომლებიც საუკეთესოდ ემთხვევა მათი სტუდენტების ცოდნის დონეს, ცნებებს, რომლებსაც სწავლობენ და სწავლის სტადიას.თეორიულად, როდესაც LS და IS ემთხვევა, სტუდენტებს შეეძლებათ მოაწყონ და გამოიყენონ უნარების კონკრეტული ნაკრები ეფექტური სწავლისთვის.როგორც წესი, გაკვეთილის გეგმა მოიცავს რამდენიმე გადასვლას ეტაპებს შორის, მაგალითად, სწავლებიდან ხელმძღვანელობით პრაქტიკაზე ან მართვადი პრაქტიკიდან დამოუკიდებელ პრაქტიკაზე.ამის გათვალისწინებით, ეფექტური მასწავლებლები ხშირად გეგმავენ სწავლებას მოსწავლეთა ცოდნისა და უნარების ჩამოყალიბების მიზნით [4].
SCL-ზე მოთხოვნა იზრდება უმაღლეს სასწავლებლებში, მათ შორის სტომატოლოგიაში.SCL სტრატეგიები შექმნილია სტუდენტების სასწავლო მოთხოვნილებების დასაკმაყოფილებლად.ამის მიღწევა შესაძლებელია, მაგალითად, თუ მოსწავლეები აქტიურად მონაწილეობენ სასწავლო აქტივობებში და მასწავლებლები მოქმედებენ როგორც ფასილიტატორები და პასუხისმგებელნი არიან ღირებული უკუკავშირის მიწოდებაზე.ნათქვამია, რომ სასწავლო მასალისა და აქტივობების მიწოდებამ, რომელიც შეესაბამება სტუდენტების საგანმანათლებლო დონეს ან პრეფერენციებს, შეუძლია გააუმჯობესოს სტუდენტების სასწავლო გარემო და ხელი შეუწყოს პოზიტიურ სასწავლო გამოცდილებას [5].
ზოგადად რომ ვთქვათ, სტომატოლოგების სწავლის პროცესზე გავლენას ახდენს სხვადასხვა კლინიკური პროცედურები, რომლებიც მათ უნდა შეასრულონ და კლინიკური გარემო, რომელშიც ისინი ავითარებენ ეფექტურ ინტერპერსონალურ უნარებს.ტრენინგის მიზანია სტუდენტებს საშუალება მისცეს გააერთიანონ სტომატოლოგიის საბაზისო ცოდნა სტომატოლოგიურ კლინიკურ უნარებთან და მიღებული ცოდნა გამოიყენონ ახალ კლინიკურ სიტუაციებში [6, 7].LS-სა და IS-ს შორის ურთიერთობის ადრეულმა კვლევამ აჩვენა, რომ სწავლის სტრატეგიების მორგება სასურველ LS-ზე დაეხმარება საგანმანათლებლო პროცესის გაუმჯობესებას [8].ავტორები ასევე გვირჩევენ სწავლებისა და შეფასების სხვადასხვა მეთოდის გამოყენებას სტუდენტების სწავლასა და საჭიროებებთან ადაპტირებისთვის.
მასწავლებლები სარგებლობენ LS ცოდნის გამოყენებით, რათა დაეხმარონ მათ შეიმუშაონ, განავითარონ და განახორციელონ ინსტრუქციები, რაც ხელს შეუწყობს სტუდენტების უფრო ღრმა ცოდნის შეძენას და საგნის გაგებას.მკვლევარებმა შეიმუშავეს LS შეფასების რამდენიმე ინსტრუმენტი, როგორიცაა Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) და Fleming VAK/VARK მოდელი [5, 9, 10].ლიტერატურის მიხედვით, სწავლის ეს მოდელები ყველაზე ხშირად გამოყენებული და ყველაზე შესწავლილი სასწავლო მოდელებია.მიმდინარე კვლევით სამუშაოებში FSLSM გამოიყენება LS-ის შესაფასებლად სტომატოლოგიურ სტუდენტებს შორის.
FSLSM არის ფართოდ გამოყენებული მოდელი ინჟინერიაში ადაპტური სწავლის შესაფასებლად.არსებობს მრავალი გამოქვეყნებული ნაშრომი ჯანდაცვის მეცნიერებებში (მედიცინის, მედდის, ფარმაციისა და სტომატოლოგიის ჩათვლით), რომელთა ნახვა შეგიძლიათ FSLSM მოდელების გამოყენებით [5, 11, 12, 13].FLSM-ში LS-ის ზომების გასაზომად გამოყენებულ ინსტრუმენტს ეწოდება სწავლის სტილის ინდექსი (ILS) [8], რომელიც შეიცავს 44 ერთეულს, რომლებიც აფასებენ LS-ის ოთხ განზომილებას: დამუშავება (აქტიური/ამრეკლავი), აღქმა (აღქმადი/ინტუიციური). შეყვანა (ვიზუალური)./ვერბალური) და გაგება (თანმიმდევრული/გლობალური) [14].
როგორც ნახაზ 1-ზეა ნაჩვენები, თითოეულ FSLSM განზომილებას აქვს დომინანტური უპირატესობა.მაგალითად, დამუშავების განზომილებაში, „აქტიური“ LS-ის მქონე მოსწავლეებს ურჩევნიათ ინფორმაციის დამუშავება სასწავლო მასალებთან უშუალო ურთიერთქმედებით, სწავლის გზით და მიდრეკილნი არიან ისწავლონ ჯგუფურად.„ამრეკლავი“ LS ეხება აზროვნების საშუალებით სწავლას და ურჩევნია მარტო იმუშაოს.LS-ის „აღქმის“ განზომილება შეიძლება დაიყოს „გრძნობად“ და/ან „ინტუიციად“.„განცდა“ მოსწავლეები უპირატესობას ანიჭებენ უფრო კონკრეტულ ინფორმაციას და პრაქტიკულ პროცედურებს, არიან ფაქტებზე ორიენტირებულნი „ინტუიტიურ“ სტუდენტებთან შედარებით, რომლებიც უპირატესობას ანიჭებენ აბსტრაქტულ მასალას და უფრო ინოვაციური და შემოქმედებითი ხასიათისაა.LS-ის „შეყვანის“ განზომილება შედგება „ვიზუალური“ და „ვერბალური“ მოსწავლეებისგან.„ვიზუალური“ LS-ის მქონე ადამიანებს ურჩევნიათ ვისწავლოთ ვიზუალური დემონსტრაციებით (როგორიცაა დიაგრამები, ვიდეოები ან პირდაპირი დემონსტრაციები), ხოლო „ვერბალური“ LS-ის მქონე ადამიანებს ურჩევნიათ ისწავლონ სიტყვებით წერილობით ან ზეპირ ახსნა-განმარტებით.LS განზომილებების „გასაგებად“, ასეთი მოსწავლეები შეიძლება დაიყოს „მიმდევრობით“ და „გლობალურად“.„თანმიმდევრული მოსწავლეები ურჩევნიათ წრფივი აზროვნების პროცესს და სწავლობენ ეტაპობრივად, ხოლო გლობალური მოსწავლეები მიდრეკილნი არიან ჰქონდეთ ჰოლისტიკური აზროვნების პროცესი და ყოველთვის უკეთესად ესმით რას სწავლობენ.
ბოლო დროს ბევრმა მკვლევარმა დაიწყო მონაცემთა ავტომატური აღმოჩენის მეთოდების შესწავლა, მათ შორის ახალი ალგორითმებისა და მოდელების შემუშავება, რომლებსაც შეუძლიათ დიდი რაოდენობით მონაცემების ინტერპრეტაცია [15, 16].მოწოდებულ მონაცემებზე დაყრდნობით, ზედამხედველობით ML-ს (მანქანური სწავლება) შეუძლია შექმნას შაბლონები და ჰიპოთეზები, რომლებიც წინასწარმეტყველებენ მომავალ შედეგებს ალგორითმების აგების საფუძველზე [17].მარტივად რომ ვთქვათ, ზედამხედველობის ქვეშ მყოფი მანქანათმცოდნეობის ტექნიკა მანიპულირებს შეყვანის მონაცემებით და ავარჯიშებს ალგორითმებს.შემდეგ ის წარმოქმნის დიაპაზონს, რომელიც კლასიფიცირებს ან პროგნოზირებს შედეგს მსგავსი სიტუაციების საფუძველზე მოწოდებული შეყვანის მონაცემებისთვის.ზედამხედველობის ქვეშ მყოფი მანქანათმცოდნეობის ალგორითმების მთავარი უპირატესობა არის იდეალური და სასურველი შედეგების დადგენის უნარი [17].
მონაცემთა ბაზაზე ორიენტირებული მეთოდებისა და გადაწყვეტილების ხის კონტროლის მოდელების გამოყენებით, შესაძლებელია LS-ის ავტომატური გამოვლენა.ცნობილია, რომ გადაწყვეტილების ხეები ფართოდ გამოიყენება სასწავლო პროგრამებში სხვადასხვა სფეროში, მათ შორის ჯანმრთელობის მეცნიერებებში [18, 19].ამ კვლევაში მოდელს სპეციალურად მოამზადეს სისტემის დეველოპერები, რათა ამოიცნონ სტუდენტების LS და რეკომენდაცია გაუწიონ მათთვის საუკეთესო IS-ს.
ამ კვლევის მიზანია IS-ის მიწოდების სტრატეგიების შემუშავება სტუდენტების LS-ზე დაფუძნებული და SCL მიდგომის გამოყენება IS-ის სარეკომენდაციო ინსტრუმენტის შემუშავებით, რომელიც შედგენილია LS-ზე.IS სარეკომენდაციო ხელსაწყოს დიზაინის ნაკადი, როგორც SCL მეთოდის სტრატეგია, ნაჩვენებია სურათზე 1. IS სარეკომენდაციო ინსტრუმენტი დაყოფილია ორ ნაწილად, მათ შორის LS კლასიფიკაციის მექანიზმის გამოყენებით ILS და ყველაზე შესაფერისი IS ჩვენება სტუდენტებისთვის.
კერძოდ, ინფორმაციული უსაფრთხოების სარეკომენდაციო ინსტრუმენტების მახასიათებლები მოიცავს ვებ ტექნოლოგიების გამოყენებას და გადაწყვეტილების ხის მანქანათმცოდნეობის გამოყენებას.სისტემის დეველოპერები აუმჯობესებენ მომხმარებლის გამოცდილებას და მობილურობას მობილურ მოწყობილობებთან ადაპტირებით, როგორიცაა მობილური ტელეფონები და ტაბლეტები.
ექსპერიმენტი ორ ეტაპად ჩატარდა და მალაიას უნივერსიტეტის სტომატოლოგიური ფაკულტეტის სტუდენტები ნებაყოფლობით მონაწილეობდნენ.მონაწილეებმა უპასუხეს სტომატოლოგის ონლაინ m-ILS-ს ინგლისურად.საწყის ეტაპზე, 50 სტუდენტისგან შემდგარი მონაცემთა ნაკრები გამოიყენებოდა გადაწყვეტილების ხის მანქანური სწავლების ალგორითმის მოსამზადებლად.განვითარების პროცესის მეორე ფაზაში, შემუშავებული ინსტრუმენტის სიზუსტის გასაუმჯობესებლად გამოყენებული იქნა 255 მოსწავლის ნაკრები.
ყველა მონაწილე იღებს ონლაინ ბრიფინგს ყოველი ეტაპის დასაწყისში, სასწავლო წლის მიხედვით, Microsoft Teams-ის მეშვეობით.განმარტეს კვლევის მიზანი და მიიღეს ინფორმირებული თანხმობა.ყველა მონაწილეს მიეწოდა ბმული m-ILS-ზე წვდომისთვის.თითოეულ მოსწავლეს დაევალა უპასუხოს კითხვარში მოცემულ 44 პუნქტს.მათ მიეცათ ერთი კვირა, რათა შეესრულებინათ შეცვლილი ILS მათთვის ხელსაყრელ დროსა და ადგილას სემესტრის შესვენების დროს სემესტრის დაწყებამდე.m-ILS დაფუძნებულია ორიგინალური ILS ინსტრუმენტზე და შეცვლილია სტომატოლოგიური სტუდენტებისთვის.ორიგინალური ILS-ის მსგავსად, იგი შეიცავს 44 თანაბრად განაწილებულ ერთეულს (a, b), თითოეული 11 ელემენტით, რომლებიც გამოიყენება თითოეული FSLSM განზომილების ასპექტების შესაფასებლად.
ხელსაწყოების შემუშავების საწყის ეტაპებზე, მკვლევარებმა ხელით შეადგინეს რუქების ანოტაცია 50 სტომატოლოგი სტუდენტისგან შემდგარი მონაცემთა ნაკრების გამოყენებით.FSLM-ის მიხედვით, სისტემა იძლევა პასუხების "a" და "b" ჯამს.თითოეული განზომილებისთვის, თუ სტუდენტი პასუხად აირჩევს „a“-ს, LS კლასიფიცირდება როგორც აქტიური/აღქმული/ვიზუალური/მიმდევრული, ხოლო თუ სტუდენტი აირჩევს პასუხს „b“-ს, სტუდენტი კლასიფიცირდება როგორც ამრეკლავი/ინტუიციური/ლინგვისტური. ./ გლობალური შემსწავლელი.
სტომატოლოგიური განათლების მკვლევარებსა და სისტემის დეველოპერებს შორის სამუშაო ნაკადის დაკალიბრების შემდეგ, კითხვები შეირჩა FLSSM დომენის საფუძველზე და მიეწოდება ML მოდელს თითოეული სტუდენტის LS-ის პროგნოზირებისთვის.„Garbage in, garbage out“ არის პოპულარული გამონათქვამი მანქანური სწავლების სფეროში, აქცენტით მონაცემთა ხარისხზე.შეყვანის მონაცემების ხარისხი განსაზღვრავს მანქანათმცოდნეობის მოდელის სიზუსტეს და სიზუსტეს.ფუნქციების ინჟინერიის ფაზაში იქმნება ახალი ფუნქციების ნაკრები, რომელიც წარმოადგენს პასუხების "a" და "b" ჯამს FLSSM-ზე დაყრდნობით.წამლის პოზიციების საიდენტიფიკაციო ნომრები მოცემულია ცხრილში 1.
პასუხების მიხედვით გამოთვალეთ ქულა და დაადგინეთ მოსწავლის LS.თითოეული მოსწავლისთვის ქულების დიაპაზონი არის 1-დან 11-მდე. ქულები 1-დან 3-მდე მიუთითებს სწავლის უპირატესობების ბალანსზე იმავე განზომილებაში, ხოლო 5-დან 7-მდე ქულები მიუთითებს ზომიერ უპირატესობაზე, რაც მიუთითებს იმაზე, რომ სტუდენტები ურჩევნიათ ერთ გარემოს ასწავლიან სხვებს. .იგივე განზომილების კიდევ ერთი ვარიაცია არის ის, რომ ქულები 9-დან 11-მდე ასახავს ძლიერ უპირატესობას ერთი ან მეორე ბოლოსთვის [8].
თითოეული განზომილებისთვის ნარკოტიკები დაჯგუფდა "აქტიურად", "ამრეკლავად" და "დაბალანსებულად".მაგალითად, როდესაც სტუდენტი პასუხობს "a"-ზე უფრო ხშირად ვიდრე "b" დანიშნულ პუნქტზე და მისი ქულა აჭარბებს 5-ის ზღვარს კონკრეტული ელემენტისთვის, რომელიც წარმოადგენს დამუშავების LS განზომილებას, ის ეკუთვნის "აქტიურ" LS-ს. დომენი..თუმცა, მოსწავლეები კლასიფიცირებულნი იყვნენ როგორც "ამრეკლავი" LS, როდესაც მათ აირჩიეს "b" მეტი ვიდრე "a" კონკრეტულ 11 კითხვაში (ცხრილი 1) და დააგროვეს 5 ქულაზე მეტი.და ბოლოს, სტუდენტი იმყოფება „წონასწორობის“ მდგომარეობაში.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 მახასიათებლების სხვადასხვა ქვეჯგუფი და გადაწყვეტილების წესები კლასიფიკაციის პროცესის სხვადასხვა ეტაპზე.იგი ითვლება კლასიფიკაციისა და პროგნოზირების პოპულარულ ინსტრუმენტად.ის შეიძლება იყოს წარმოდგენილი ხის სტრუქტურის გამოყენებით, როგორიცაა flowchart [20], რომელშიც არის შიდა კვანძები, რომლებიც წარმოადგენენ ტესტებს ატრიბუტის მიხედვით, თითოეული ტოტი წარმოადგენს ტესტის შედეგებს და თითოეული ფოთლის კვანძი (ფოთლის კვანძი) შეიცავს კლასის ეტიკეტს.
შეიქმნა წესებზე დაფუძნებული მარტივი პროგრამა, რომელიც ავტომატურად აფასებს და ანოტირებს თითოეული სტუდენტის LS-ს მათი პასუხების საფუძველზე.წესებზე დაფუძნებული იღებს IF განცხადების ფორმას, სადაც "IF" აღწერს ტრიგერს და "THEN" განსაზღვრავს მოქმედებას, რომელიც უნდა შესრულდეს, მაგალითად: "თუ X მოხდება, მაშინ გააკეთე Y" (Liu et al., 2014).თუ მონაცემთა ნაკრები აჩვენებს კორელაციას და გადაწყვეტილების ხის მოდელი სათანადოდ არის მომზადებული და შეფასებული, ეს მიდგომა შეიძლება იყოს ეფექტური გზა LS და IS-ის დამთხვევის პროცესის ავტომატიზაციისთვის.
განვითარების მეორე ფაზაში მონაცემთა ნაკრები გაიზარდა 255-მდე სარეკომენდაციო ინსტრუმენტის სიზუსტის გასაუმჯობესებლად.მონაცემთა ნაკრები დაყოფილია 1:4 თანაფარდობით.მონაცემთა ნაკრების 25% (64) გამოიყენებოდა ტესტის კომპლექტში, ხოლო დარჩენილი 75% (191) გამოიყენებოდა როგორც სასწავლო ნაკრები (სურათი 2).მონაცემთა ნაკრები უნდა გაიყოს, რათა არ მოხდეს მოდელის ტრენინგი და ტესტირება იმავე მონაცემთა ნაკრებზე, რამაც შეიძლება გამოიწვიოს მოდელის დამახსოვრება და არა სწავლა.მოდელი ივარჯიშება სავარჯიშო კომპლექტზე და აფასებს მის შესრულებას ტესტის კომპლექტზე - მონაცემებს, რომლებიც მოდელს აქამდე არასდროს უნახავს.
IS ინსტრუმენტის შემუშავების შემდეგ, აპლიკაციას შეეძლება LS კლასიფიცირება მოახდინოს სტომატოლოგების სტუდენტების პასუხებზე ვებ ინტერფეისის საშუალებით.ვებ-ზე დაფუძნებული ინფორმაციული უსაფრთხოების სარეკომენდაციო ხელსაწყოების სისტემა აგებულია Python პროგრამირების ენის გამოყენებით, Django ჩარჩოს გამოყენებით, როგორც backend.ცხრილში 2 ჩამოთვლილია ბიბლიოთეკები, რომლებიც გამოიყენება ამ სისტემის შემუშავებაში.
მონაცემთა ნაკრები მიეწოდება გადაწყვეტილების ხის მოდელს, რათა გამოითვალოს და ამოიღოს სტუდენტის პასუხები, რათა ავტომატურად მოხდეს სტუდენტის LS გაზომვები.
დაბნეულობის მატრიცა გამოიყენება გადაწყვეტილების ხის მანქანათმცოდნეობის ალგორითმის სიზუსტის შესაფასებლად მოცემულ მონაცემთა ნაკრებზე.ამავე დროს, იგი აფასებს კლასიფიკაციის მოდელის შესრულებას.იგი აჯამებს მოდელის პროგნოზებს და ადარებს მათ რეალურ მონაცემთა ეტიკეტებს.შეფასების შედეგები ეფუძნება ოთხ განსხვავებულ მნიშვნელობას: True Positive (TP) – მოდელმა სწორად იწინასწარმეტყველა დადებითი კატეგორია, False Positive (FP) – მოდელი იწინასწარმეტყველა დადებითი კატეგორია, მაგრამ ჭეშმარიტი ეტიკეტი იყო უარყოფითი, True Negative (TN) – მოდელმა სწორად იწინასწარმეტყველა უარყოფითი კლასი, ხოლო ცრუ უარყოფითი (FN) - მოდელი წინასწარმეტყველებს უარყოფით კლასს, მაგრამ ჭეშმარიტი ეტიკეტი დადებითია.
ეს მნიშვნელობები შემდეგ გამოიყენება პითონში scikit-learn კლასიფიკაციის მოდელის შესრულების სხვადასხვა მეტრიკის გამოსათვლელად, კერძოდ, სიზუსტე, სიზუსტე, გახსენება და F1 ქულა.აქ არის მაგალითები:
გახსენება (ან სენსიტიურობა) ზომავს მოდელის უნარს ზუსტად მოახდინოს მოსწავლის LS კლასიფიკაცია m-ILS კითხვარზე პასუხის გაცემის შემდეგ.
სპეციფიკურობას ეწოდება ჭეშმარიტი უარყოფითი მაჩვენებელი.როგორც ზემოთ მოყვანილი ფორმულიდან ხედავთ, ეს უნდა იყოს ჭეშმარიტი ნეგატივების (TN) თანაფარდობა ჭეშმარიტ ნეგატივებთან და ცრუ პოზიტიურებთან (FP).როგორც სტუდენტური წამლების კლასიფიკაციის რეკომენდებული ინსტრუმენტის ნაწილი, მას უნდა შეეძლოს ზუსტი იდენტიფიკაცია.
50 სტუდენტის თავდაპირველი მონაცემთა ნაკრები, რომელიც გამოიყენებოდა გადაწყვეტილების ხის ML მოდელის მოსამზადებლად, აჩვენა შედარებით დაბალი სიზუსტე ანოტაციებში ადამიანური შეცდომის გამო (ცხრილი 3).მარტივი წესებზე დაფუძნებული პროგრამის შექმნის შემდეგ LS ქულების და სტუდენტის ანოტაციების ავტომატურად გამოსათვლელად, მონაცემთა ნაკრების მზარდი რაოდენობა (255) იქნა გამოყენებული რეკომენდენტთა სისტემის მოსამზადებლად და შესამოწმებლად.
მრავალკლასიანი გაუგებრობის მატრიცაში, დიაგონალური ელემენტები წარმოადგენენ სწორი პროგნოზების რაოდენობას თითოეული LS ტიპისთვის (სურათი 4).გადაწყვეტილების ხის მოდელის გამოყენებით, სულ 64 ნიმუში იყო სწორად პროგნოზირებული.ამრიგად, ამ კვლევაში, დიაგონალური ელემენტები აჩვენებს მოსალოდნელ შედეგებს, რაც მიუთითებს იმაზე, რომ მოდელი კარგად მუშაობს და ზუსტად პროგნოზირებს კლასის ეტიკეტს თითოეული LS კლასიფიკაციისთვის.ამრიგად, სარეკომენდაციო ინსტრუმენტის საერთო სიზუსტე არის 100%.
სიზუსტის, სიზუსტის, გახსენების და F1 ქულის მნიშვნელობები ნაჩვენებია ნახაზზე 5. სარეკომენდაციო სისტემისთვის გადაწყვეტილების ხის მოდელის გამოყენებით, მისი F1 ქულა არის 1.0 „სრულყოფილი“, რაც მიუთითებს სრულყოფილ სიზუსტესა და გახსენებაზე, რაც ასახავს მნიშვნელოვან მგრძნობელობას და სპეციფიკას. ღირებულებები.
სურათი 6 გვიჩვენებს გადაწყვეტილების ხის მოდელის ვიზუალიზაციას ტრენინგისა და ტესტირების დასრულების შემდეგ.გვერდიგვერდ შედარებისას, გადაწყვეტილების ხის მოდელი, რომელიც გაწვრთნილი იყო ნაკლები მახასიათებლებით, აჩვენა უფრო მაღალი სიზუსტე და მოდელის უფრო მარტივი ვიზუალიზაცია.ეს გვიჩვენებს, რომ მახასიათებლების ინჟინერია, რომელიც იწვევს მახასიათებლების შემცირებას, მნიშვნელოვანი ნაბიჯია მოდელის მუშაობის გასაუმჯობესებლად.
გადაწყვეტილების ხის ზედამხედველობითი სწავლების გამოყენებით, LS (შეყვანა) და IS (სამიზნე გამომავალი) რუქა ავტომატურად იქმნება და შეიცავს დეტალურ ინფორმაციას თითოეული LS-ისთვის.
შედეგებმა აჩვენა, რომ 255 მოსწავლიდან 34.9%-ს ამჯობინა ერთი (1) LS ვარიანტი.უმრავლესობას (54.3%) ჰქონდა ორი ან მეტი LS უპირატესობა.სტუდენტების 12.2%-მა აღნიშნა, რომ LS საკმაოდ დაბალანსებულია (ცხრილი 4).რვა ძირითადი LS-ის გარდა, მალაიას უნივერსიტეტის სტომატოლოგიური სტუდენტებისთვის არის LS კლასიფიკაციის 34 კომბინაცია.მათ შორის აღქმა, ხედვა და აღქმისა და ხედვის ერთობლიობა არის სტუდენტების მიერ მოხსენებული ძირითადი LS (სურათი 7).
როგორც მე-4 ცხრილიდან ჩანს, სტუდენტების უმრავლესობას ჰქონდა უპირატესი სენსორული (13.7%) ან ვიზუალური (8.6%) LS.მოხსენებული იყო, რომ სტუდენტების 12.2%-მა აერთიანებს აღქმა მხედველობას (აღქმა-ვიზუალური LS).ეს დასკვნები ვარაუდობს, რომ მოსწავლეებს ურჩევნიათ ისწავლონ და დაიმახსოვრონ დადგენილი მეთოდებით, დაიცვან კონკრეტული და დეტალური პროცედურები და იყვნენ ყურადღებიანი.ამავდროულად, სიამოვნებით სწავლობენ ყურებით (დიაგრამების გამოყენებით და ა.შ.) და მიდრეკილნი არიან განიხილონ და გამოიყენონ ინფორმაცია ჯგუფურად ან დამოუკიდებლად.
ეს კვლევა იძლევა მიმოხილვას მანქანური სწავლების ტექნიკის შესახებ, რომელიც გამოიყენება მონაცემთა მოპოვებაში, აქცენტი სტუდენტების LS-ის მყისიერად და ზუსტად პროგნოზირებაზე და შესაბამისი IS-ის რეკომენდაციაზე.გადაწყვეტილების ხის მოდელის გამოყენებამ გამოავლინა ფაქტორები, რომლებიც ყველაზე მჭიდროდ არის დაკავშირებული მათ ცხოვრებასთან და საგანმანათლებლო გამოცდილებასთან.ეს არის ზედამხედველობითი მანქანათმცოდნეობის ალგორითმი, რომელიც იყენებს ხის სტრუქტურას მონაცემთა კლასიფიკაციისთვის, გარკვეული კრიტერიუმების საფუძველზე მონაცემთა ნაკრების ქვეკატეგორიებად დაყოფით.იგი მუშაობს შეყვანის მონაცემების რეკურსიულად დაყოფით ქვეჯგუფებად, თითოეული შიდა კვანძის ერთ-ერთი შეყვანის მახასიათებლის მნიშვნელობის საფუძველზე, სანამ გადაწყვეტილება მიიღება ფოთლის კვანძში.
გადაწყვეტილების ხის შიდა კვანძები წარმოადგენს ამოხსნას m-ILS პრობლემის შეყვანის მახასიათებლებზე დაფუძნებული, ხოლო ფოთლის კვანძები წარმოადგენს LS კლასიფიკაციის საბოლოო პროგნოზს.მთელი კვლევის განმავლობაში, ადვილია გავიგოთ გადაწყვეტილების ხეების იერარქია, რომლებიც ხსნიან და ვიზუალიზებენ გადაწყვეტილების პროცესს შეყვანის მახასიათებლებსა და გამომავალ პროგნოზებს შორის კავშირის დათვალიერებით.
კომპიუტერული მეცნიერებისა და ინჟინერიის სფეროებში, მანქანათმცოდნეობის ალგორითმები ფართოდ გამოიყენება სტუდენტების მუშაობის პროგნოზირებისთვის მათი მისაღები გამოცდის ქულების [21], დემოგრაფიული ინფორმაციისა და სასწავლო ქცევის საფუძველზე [22].კვლევამ აჩვენა, რომ ალგორითმი ზუსტად იწინასწარმეტყველა სტუდენტების მუშაობა და დაეხმარა მათ გამოავლინონ აკადემიური სირთულეების რისკის ქვეშ მყოფი სტუდენტები.
მოხსენებულია ML ალგორითმების გამოყენება ვირტუალური პაციენტის სიმულატორების შემუშავებაში სტომატოლოგიური ტრენინგისთვის.სიმულატორს შეუძლია ზუსტი რეპროდუცირება მოახდინოს რეალური პაციენტების ფიზიოლოგიურ პასუხებზე და შეიძლება გამოყენებულ იქნას სტომატოლოგების მოსამზადებლად უსაფრთხო და კონტროლირებად გარემოში [23].რამდენიმე სხვა კვლევა აჩვენებს, რომ მანქანათმცოდნეობის ალგორითმებს შეუძლიათ პოტენციურად გააუმჯობესონ სტომატოლოგიური და სამედიცინო განათლებისა და პაციენტების მოვლის ხარისხი და ეფექტურობა.მანქანათმცოდნეობის ალგორითმები გამოყენებული იქნა სტომატოლოგიური დაავადებების დიაგნოსტიკაში, მონაცემთა ნაკრების საფუძველზე, როგორიცაა სიმპტომები და პაციენტის მახასიათებლები [24, 25].სხვა კვლევებმა გამოიკვლია მანქანური სწავლების ალგორითმების გამოყენება ისეთი ამოცანების შესასრულებლად, როგორიცაა პაციენტის შედეგების პროგნოზირება, მაღალი რისკის მქონე პაციენტების იდენტიფიცირება, პერსონალიზებული მკურნალობის გეგმების შემუშავება [26], პაროდონტალური მკურნალობა [27] და კარიესის მკურნალობა [25].
მიუხედავად იმისა, რომ გამოქვეყნებულია ანგარიშები სტომატოლოგიაში მანქანათმცოდნეობის გამოყენების შესახებ, მისი გამოყენება სტომატოლოგიურ განათლებაში შეზღუდულია.აქედან გამომდინარე, ეს კვლევა მიზნად ისახავდა გამოეყენებინა გადაწყვეტილების ხის მოდელი სტომატოლოგიურ სტუდენტებში LS და IS-თან ყველაზე მჭიდროდ დაკავშირებული ფაქტორების დასადგენად.
ამ კვლევის შედეგები აჩვენებს, რომ შემუშავებულ სარეკომენდაციო ინსტრუმენტს აქვს მაღალი სიზუსტე და სრულყოფილი სიზუსტე, რაც მიუთითებს იმაზე, რომ მასწავლებლებს შეუძლიათ ისარგებლონ ამ ინსტრუმენტით.მონაცემთა კლასიფიკაციის პროცესის გამოყენებით, მას შეუძლია უზრუნველყოს პერსონალიზებული რეკომენდაციები და გააუმჯობესოს საგანმანათლებლო გამოცდილება და შედეგები მასწავლებლებისა და სტუდენტებისთვის.მათ შორის, სარეკომენდაციო ინსტრუმენტებით მიღებულ ინფორმაციას შეუძლია მოაგვაროს კონფლიქტები მასწავლებლების სწავლების სასურველ მეთოდებსა და მოსწავლეთა სასწავლო საჭიროებებს შორის.მაგალითად, სარეკომენდაციო ინსტრუმენტების ავტომატიზირებული გამოშვების გამო, მნიშვნელოვნად შემცირდება მოსწავლის IP-ის იდენტიფიცირებისთვის და შესაბამის IP-სთან შესაბამისობისთვის საჭირო დრო.ამ გზით შეიძლება მოეწყოს შესაბამისი სასწავლო აქტივობები და სასწავლო მასალები.ეს ხელს უწყობს მოსწავლეთა პოზიტიური სასწავლო ქცევის განვითარებას და კონცენტრაციის უნარს.ერთმა კვლევამ აჩვენა, რომ სტუდენტების მიწოდება სასწავლო მასალებით და სასწავლო აქტივობებით, რომლებიც ემთხვევა მათ სასურველ LS-ს, შეიძლება დაეხმაროს სტუდენტებს ინტეგრირებაში, დამუშავებაში და სიამოვნებით სწავლაში მრავალი გზით, რათა მიაღწიონ უფრო დიდ პოტენციალს [12].კვლევა ასევე აჩვენებს, რომ გარდა კლასში მოსწავლეთა მონაწილეობის გაუმჯობესებისა, სტუდენტების სასწავლო პროცესის გააზრება ასევე მნიშვნელოვან როლს თამაშობს სწავლების პრაქტიკის გაუმჯობესებასა და სტუდენტებთან კომუნიკაციაში [28, 29].
თუმცა, როგორც ნებისმიერ თანამედროვე ტექნოლოგიას, არსებობს პრობლემები და შეზღუდვები.ეს მოიცავს საკითხებს, რომლებიც დაკავშირებულია მონაცემთა კონფიდენციალურობასთან, მიკერძოებულობასთან და სამართლიანობასთან და პროფესიონალურ უნარებსა და რესურსებს, რომლებიც საჭიროა სტომატოლოგიურ განათლებაში მანქანური სწავლების ალგორითმების შემუშავებისა და დანერგვისთვის;თუმცა, მზარდი ინტერესი და კვლევა ამ სფეროში ვარაუდობს, რომ მანქანათმცოდნეობის ტექნოლოგიებმა შეიძლება დადებითი გავლენა იქონიოს სტომატოლოგიურ განათლებასა და სტომატოლოგიურ მომსახურებაზე.
ამ კვლევის შედეგები მიუთითებს, რომ სტომატოლოგიის სტუდენტების ნახევარს აქვს მიდრეკილება ნარკოტიკების „აღქმის“კენ.ამ ტიპის მოსწავლეს აქვს უპირატესობა ფაქტებზე და კონკრეტულ მაგალითებზე, პრაქტიკულ ორიენტაციაზე, დეტალებზე მოთმინებაზე და „ვიზუალური“ LS უპირატესობა, სადაც მოსწავლეებს ურჩევნიათ გამოიყენონ სურათები, გრაფიკა, ფერები და რუკები იდეებისა და აზრების გადმოსაცემად.მიმდინარე შედეგები შეესაბამება სხვა კვლევებს, რომლებიც იყენებენ ILS-ს სტომატოლოგიური და სამედიცინო სტუდენტების LS-ის შესაფასებლად, რომელთა უმეტესობას აქვს აღქმის და ვიზუალური LS-ის მახასიათებლები [12, 30].დალმოლინი და სხვები ვარაუდობენ, რომ სტუდენტების ინფორმირება მათი LS-ის შესახებ საშუალებას აძლევს მათ მიაღწიონ სწავლის პოტენციალს.მკვლევარები ამტკიცებენ, რომ როდესაც მასწავლებლები სრულად ესმით მოსწავლეთა საგანმანათლებლო პროცესს, შეიძლება განხორციელდეს სხვადასხვა სწავლების მეთოდები და აქტივობები, რომლებიც გააუმჯობესებს მოსწავლეთა მუშაობას და სწავლის გამოცდილებას [12, 31, 32].სხვა კვლევებმა აჩვენა, რომ სტუდენტების LS-ის კორექტირება ასევე აჩვენებს გაუმჯობესებებს სტუდენტების სწავლის გამოცდილებასა და შესრულებაში მათი სწავლის სტილის შეცვლის შემდეგ, რათა მოერგოს საკუთარ LS-ს [13, 33].
მასწავლებელთა მოსაზრებები შეიძლება განსხვავდებოდეს სწავლების სტრატეგიების განხორციელებასთან დაკავშირებით, სტუდენტების სწავლის შესაძლებლობებზე დაყრდნობით.მიუხედავად იმისა, რომ ზოგი ხედავს ამ მიდგომის სარგებელს, მათ შორის პროფესიული განვითარების შესაძლებლობებს, მენტორობას და საზოგადოების მხარდაჭერას, სხვები შეიძლება შეშფოთებულნი იყვნენ დროისა და ინსტიტუციური მხარდაჭერით.ბალანსისკენ სწრაფვა არის სტუდენტზე ორიენტირებული დამოკიდებულების შესაქმნელად.უმაღლესი განათლების ორგანოებს, როგორიცაა უნივერსიტეტის ადმინისტრატორებს, შეუძლიათ მნიშვნელოვანი როლი შეასრულონ პოზიტიური ცვლილებების განხორციელებაში ინოვაციური პრაქტიკის დანერგვით და ფაკულტეტის განვითარების მხარდაჭერით [34].ჭეშმარიტად დინამიური და პასუხისმგებელი უმაღლესი განათლების სისტემის შესაქმნელად, პოლიტიკის შემქმნელებმა უნდა გადადგას თამამი ნაბიჯები, როგორიცაა პოლიტიკის ცვლილებების განხორციელება, რესურსების დახარჯვა ტექნოლოგიების ინტეგრაციისთვის და ჩარჩოების შექმნა, რომელიც ხელს უწყობს სტუდენტზე ორიენტირებულ მიდგომებს.ეს ზომები გადამწყვეტია სასურველი შედეგის მისაღწევად.დიფერენცირებული სწავლების ბოლოდროინდელმა კვლევამ ნათლად აჩვენა, რომ დიფერენცირებული სწავლების წარმატებით განხორციელება მოითხოვს მასწავლებლების მუდმივ ტრენინგს და განვითარების შესაძლებლობებს [35].
ეს ინსტრუმენტი ღირებულ მხარდაჭერას უწევს სტომატოლოგიურ პედაგოგებს, რომლებსაც სურთ გამოიყენონ სტუდენტზე ორიენტირებული მიდგომა სტუდენტისთვის მეგობრული სასწავლო აქტივობების დაგეგმვისას.თუმცა, ეს კვლევა შემოიფარგლება გადაწყვეტილების ხის ML მოდელების გამოყენებით.მომავალში, მეტი მონაცემი უნდა შეგროვდეს მანქანური სწავლების სხვადასხვა მოდელების მუშაობის შესადარებლად, რათა შევადაროთ სარეკომენდაციო ხელსაწყოების სიზუსტე, სანდოობა და სიზუსტე.გარდა ამისა, კონკრეტული ამოცანისთვის მანქანური სწავლების ყველაზე შესაფერისი მეთოდის არჩევისას მნიშვნელოვანია გავითვალისწინოთ სხვა ფაქტორები, როგორიცაა მოდელის სირთულე და ინტერპრეტაცია.
ამ კვლევის შეზღუდვა არის ის, რომ ის მხოლოდ LS და IS-ის რუქაზე იყო ორიენტირებული სტომატოლოგიის სტუდენტებს შორის.ამიტომ, შემუშავებული სარეკომენდაციო სისტემა რეკომენდაციას მისცემს მხოლოდ მათ, ვინც შესაფერისია სტომატოლოგიის სტუდენტებისთვის.ზოგადი უმაღლესი განათლების სტუდენტების გამოყენებისთვის საჭიროა ცვლილებები.
ახლად შემუშავებულ მანქანათმცოდნეობაზე დაფუძნებული სარეკომენდაციო ხელსაწყოს შეუძლია მყისიერად მოახდინოს სტუდენტების LS კლასიფიკაცია და შესაბამისი IS-თან დაკავშირება, რაც მას აქცევს პირველ სტომატოლოგიურ საგანმანათლებლო პროგრამას, რომელიც ეხმარება სტომატოლოგიურ პედაგოგებს დაგეგმონ შესაბამისი სასწავლო და სასწავლო აქტივობები.მონაცემთა ტრიაჟის პროცესის გამოყენებით, მას შეუძლია უზრუნველყოს პერსონალიზებული რეკომენდაციები, დაზოგოს დრო, გააუმჯობესოს სწავლების სტრატეგიები, მხარი დაუჭიროს მიზნობრივ ინტერვენციებს და ხელი შეუწყოს მუდმივ პროფესიულ განვითარებას.მისი აპლიკაცია ხელს შეუწყობს სტუდენტზე ორიენტირებულ მიდგომებს სტომატოლოგიური განათლების მიმართ.
Gilak Jani Associated Press.თანხვედრა ან შეუსაბამობა მოსწავლის სწავლის სტილსა და მასწავლებლის სწავლების სტილს შორის.Int J Mod Educ კომპიუტერული მეცნიერება.2012; 4 (11): 51–60.https://doi.org/10.5815/ijmecs.2012.11.05
გამოქვეყნების დრო: აპრ-29-2024