უმაღლეს სასწავლებლებში, მათ შორის სტომატოლოგიაში, სტუდენტზე ორიენტირებული სწავლების (SCL) მზარდი საჭიროებაა. თუმცა, SCL-ს სტომატოლოგიურ განათლებაში შეზღუდული გამოყენება აქვს. ამიტომ, ამ კვლევის მიზანია SCL-ის გამოყენების ხელშეწყობა სტომატოლოგიაში გადაწყვეტილების ხის მანქანური სწავლების (ML) ტექნოლოგიის გამოყენებით, რათა სტომატოლოგიის სტუდენტებისთვის სასურველი სწავლების სტილი (LS) და შესაბამისი სწავლების სტრატეგიები (IS) განისაზღვროს, როგორც სასარგებლო ინსტრუმენტი IS სახელმძღვანელო პრინციპების შემუშავებისთვის. პერსპექტიული მეთოდები სტომატოლოგიის სტუდენტებისთვის.
მალაიას უნივერსიტეტის სტომატოლოგიის 255-მა სტუდენტმა შეავსო სწავლის სტილის ინდექსის (m-ILS) მოდიფიცირებული კითხვარი, რომელიც შეიცავდა 44 პუნქტს მათი შესაბამის LS-ებად კლასიფიკაციისთვის. შეგროვებული მონაცემები (ე.წ. მონაცემთა ნაკრები) გამოიყენება ზედამხედველობით გადაწყვეტილების ხის სწავლებაში, რათა ავტომატურად შეუსაბამოს სტუდენტების სწავლის სტილი ყველაზე შესაფერის IS-ს. შემდეგ ფასდება მანქანურ სწავლებაზე დაფუძნებული IS რეკომენდაციის ინსტრუმენტის სიზუსტე.
გადაწყვეტილების ხის მოდელების გამოყენება LS-სა (შემავალი) და IS-ს (სამიზნე გამომავალი) შორის ავტომატიზირებულ შესაბამისობის პროცესში საშუალებას იძლევა, დაუყოვნებლივ შეიქმნას შესაბამისი სასწავლო სტრატეგიების სია თითოეული სტომატოლოგიური სტუდენტისთვის. IS რეკომენდაციის ინსტრუმენტმა აჩვენა მოდელის საერთო სიზუსტის სრულყოფილი სიზუსტე და დამახსოვრება, რაც მიუთითებს, რომ LS-სა და IS-ს შესაბამისობას აქვს კარგი მგრძნობელობა და სპეციფიკურობა.
მანქანური სწავლების გადაწყვეტილების ხეზე დაფუძნებულმა IS რეკომენდაციის ინსტრუმენტმა დაამტკიცა თავისი უნარი, ზუსტად შეუსაბამოს სტომატოლოგიის სტუდენტების სწავლის სტილი შესაბამის სასწავლო სტრატეგიებს. ეს ინსტრუმენტი უზრუნველყოფს მოსწავლეზე ორიენტირებული კურსების ან მოდულების დაგეგმვის ძლიერ ვარიანტებს, რომლებსაც შეუძლიათ გააუმჯობესონ სტუდენტების სასწავლო გამოცდილება.
სწავლება და სწავლა საგანმანათლებლო დაწესებულებებში ფუნდამენტური აქტივობებია. მაღალი ხარისხის პროფესიული განათლების სისტემის შემუშავებისას მნიშვნელოვანია სტუდენტების სასწავლო საჭიროებებზე ფოკუსირება. სტუდენტებსა და მათ სასწავლო გარემოს შორის ურთიერთქმედება შეიძლება განისაზღვროს მათი სასწავლო სწავლების სქემის მიხედვით. კვლევები აჩვენებს, რომ მასწავლებლის მიერ განზრახულმა შეუსაბამობამ სტუდენტების სასწავლო სწავლებასა და საგანმანათლებლო სწავლებას შორის შეიძლება უარყოფითი შედეგები მოიტანოს სტუდენტების სწავლაზე, როგორიცაა ყურადღებისა და მოტივაციის შემცირება. ეს ირიბად იმოქმედებს სტუდენტების მოსწრებაზე [1,2].
ინფორმაციული ტექნოლოგიები (IS) არის მეთოდი, რომელსაც მასწავლებლები იყენებენ მოსწავლეებისთვის ცოდნისა და უნარების გადასაცემად, მათ შორის, მოსწავლეებისთვის სწავლის ხელშეწყობის მიზნით [3]. ზოგადად, კარგი მასწავლებლები გეგმავენ სწავლების სტრატეგიებს ანუ ინფორმაციულ ტექნოლოგიებს, რომლებიც საუკეთესოდ შეესაბამება მათი მოსწავლეების ცოდნის დონეს, მათ მიერ შესწავლილ კონცეფციებს და მათი სწავლის ეტაპს. თეორიულად, როდესაც LS და ინფორმაციული ტექნოლოგიები ერთმანეთს ემთხვევა, მოსწავლეები შეძლებენ უნარების კონკრეტული ნაკრების ორგანიზებას და გამოყენებას ეფექტურად სწავლისთვის. როგორც წესი, გაკვეთილის გეგმა მოიცავს რამდენიმე გადასვლას ეტაპებს შორის, როგორიცაა სწავლებიდან ხელმძღვანელობით პრაქტიკაზე ან ხელმძღვანელობით პრაქტიკიდან დამოუკიდებელ პრაქტიკაზე. ამის გათვალისწინებით, ეფექტური მასწავლებლები ხშირად გეგმავენ სწავლებას მოსწავლეებში ცოდნისა და უნარების განვითარების მიზნით [4].
SCL-ზე მოთხოვნა იზრდება უმაღლეს საგანმანათლებლო დაწესებულებებში, მათ შორის სტომატოლოგიაში. SCL სტრატეგიები შექმნილია სტუდენტების სასწავლო საჭიროებების დასაკმაყოფილებლად. ამის მიღწევა შესაძლებელია, მაგალითად, თუ სტუდენტები აქტიურად მონაწილეობენ სასწავლო აქტივობებში, ხოლო მასწავლებლები ფასილიტატორების როლს ასრულებენ და პასუხისმგებელნი არიან ღირებული უკუკავშირის მიწოდებაზე. ნათქვამია, რომ სასწავლო მასალებისა და აქტივობების მიწოდება, რომლებიც შეესაბამება სტუდენტების საგანმანათლებლო დონეს ან პრეფერენციებს, შეუძლია გააუმჯობესოს სტუდენტების სასწავლო გარემო და ხელი შეუწყოს პოზიტიურ სასწავლო გამოცდილებას [5].
ზოგადად, სტომატოლოგიის სტუდენტების სწავლის პროცესზე გავლენას ახდენს სხვადასხვა კლინიკური პროცედურა, რომლის შესრულებაც მათ მოეთხოვებათ და კლინიკური გარემო, რომელშიც ისინი ეფექტურ ინტერპერსონალურ უნარებს ავითარებენ. ტრენინგის მიზანია, სტუდენტებს საშუალება მისცეს, სტომატოლოგიის საბაზისო ცოდნა სტომატოლოგიურ კლინიკურ უნარებთან გააერთიანონ და მიღებული ცოდნა ახალ კლინიკურ სიტუაციებში გამოიყენონ [6, 7]. LS-სა და IS-ს შორის ურთიერთობის ადრეულმა კვლევამ აჩვენა, რომ სასურველ LS-თან შესაბამისობაში მოყვანილი სასწავლო სტრატეგიების მორგება ხელს შეუწყობს საგანმანათლებლო პროცესის გაუმჯობესებას [8]. ავტორები ასევე გვირჩევენ სწავლებისა და შეფასების მრავალფეროვანი მეთოდების გამოყენებას სტუდენტების სწავლისა და საჭიროებების შესაბამისად.
მასწავლებლებისთვის სასარგებლოა LS-ის ცოდნის გამოყენება, რაც მათ დაეხმარება ისეთი ინსტრუქციის შემუშავებაში, შემუშავებასა და განხორციელებაში, რომელიც გააუმჯობესებს მოსწავლეთა მიერ საგნის უფრო ღრმა ცოდნისა და გაგების შეძენას. მკვლევარებმა შეიმუშავეს LS-ის შეფასების რამდენიმე ინსტრუმენტი, როგორიცაა კოლბის გამოცდილებითი სწავლების მოდელი, ფელდერ-სილვერმანის სწავლების სტილის მოდელი (FSLSM) და ფლემინგის VAK/VARK მოდელი [5, 9, 10]. ლიტერატურის მიხედვით, ეს სწავლების მოდელები ყველაზე ხშირად გამოყენებული და ყველაზე მეტად შესწავლილი სწავლების მოდელებია. ამჟამინდელ კვლევით ნაშრომში FSLSM გამოიყენება სტომატოლოგიის სტუდენტებში LS-ის შესაფასებლად.
FSLSM ინჟინერიაში ადაპტური სწავლების შესაფასებლად ფართოდ გამოყენებული მოდელია. ჯანდაცვის მეცნიერებებში (მათ შორის მედიცინაში, ექთნობაში, ფარმაციასა და სტომატოლოგიაში) არსებობს მრავალი გამოქვეყნებული ნაშრომი, რომელთა პოვნაც FSLSM მოდელების გამოყენებითაა შესაძლებელი [5, 11, 12, 13]. FLSM-ში LS-ის განზომილებების გასაზომად გამოყენებულ ინსტრუმენტს ეწოდება სწავლების სტილის ინდექსი (ILS) [8], რომელიც შეიცავს 44 პუნქტს, რომლებიც აფასებენ LS-ის ოთხ განზომილებას: დამუშავება (აქტიური/რეფლექსიური), აღქმა (აღქმითი/ინტუიციური), შეყვანა (ვიზუალური/ვერბალური) და გაგება (თანმიმდევრული/გლობალური) [14].
როგორც ნაჩვენებია ნახაზ 1-ში, FSLSM-ის თითოეულ განზომილებას დომინანტური უპირატესობა აქვს. მაგალითად, დამუშავების განზომილებაში, „აქტიური“ LS-ის მქონე სტუდენტები ინფორმაციის დამუშავებას სასწავლო მასალებთან პირდაპირი ურთიერთქმედებით ანიჭებენ უპირატესობას, კეთებით სწავლობენ და ჯგუფურად სწავლობენ. „რეფლექსიური“ LS გულისხმობს აზროვნების გზით სწავლას და უპირატესობას ანიჭებს მარტო მუშაობას. LS-ის „აღქმის“ განზომილება შეიძლება დაიყოს „შეგრძნებად“ და/ან „ინტუიციად“. „გრძნობის“ მქონე სტუდენტები უპირატესობას ანიჭებენ უფრო კონკრეტულ ინფორმაციას და პრაქტიკულ პროცედურებს, ფაქტებზე ორიენტირებულები არიან „ინტუიციურ“ სტუდენტებთან შედარებით, რომლებიც უპირატესობას ანიჭებენ აბსტრაქტულ მასალას და უფრო ინოვაციურები და კრეატიულები არიან. LS-ის „შეყვანის“ განზომილება შედგება „ვიზუალური“ და „ვერბალური“ მოსწავლეებისგან. „ვიზუალური“ LS-ის მქონე ადამიანები უპირატესობას ანიჭებენ ვიზუალური დემონსტრაციების (მაგალითად, დიაგრამების, ვიდეოების ან ცოცხალი დემონსტრაციების) მეშვეობით სწავლას, ხოლო „ვერბალური“ LS-ის მქონე ადამიანები უპირატესობას ანიჭებენ სიტყვების მეშვეობით სწავლას წერილობითი ან ზეპირი ახსნა-განმარტებების სახით. LS განზომილებების „გასაგებად“, ასეთი მოსწავლეები შეიძლება დაიყონ „თანმიმდევრულ“ და „გლობალურ“ მოსწავლეებად. „თანმიმდევრული მოსწავლეები უპირატესობას ანიჭებენ წრფივ აზროვნების პროცესს და ეტაპობრივად სწავლობენ, მაშინ როცა გლობალური მოსწავლეები, როგორც წესი, ჰოლისტურ აზროვნებას ავლენენ და ყოველთვის უკეთ ესმით, თუ რას სწავლობენ.“
ბოლო დროს, ბევრმა მკვლევარმა დაიწყო მონაცემებზე დაფუძნებული ავტომატური აღმოჩენის მეთოდების შესწავლა, მათ შორის ახალი ალგორითმებისა და მოდელების შემუშავება, რომლებსაც შეუძლიათ დიდი რაოდენობით მონაცემების ინტერპრეტაცია [15, 16]. მოწოდებული მონაცემების საფუძველზე, ზედამხედველობითი მანქანური სწავლება (მანქანური სწავლება) შეუძლია შექმნას შაბლონები და ჰიპოთეზები, რომლებიც პროგნოზირებენ მომავალ შედეგებს ალგორითმების აგების საფუძველზე [17]. მარტივად რომ ვთქვათ, ზედამხედველობითი მანქანური სწავლების ტექნიკა მანიპულირებს შეყვანის მონაცემებს და ავარჯიშებს ალგორითმებს. შემდეგ ის წარმოქმნის დიაპაზონს, რომელიც კლასიფიცირებს ან პროგნოზირებს შედეგს მოწოდებული შეყვანის მონაცემებისთვის მსგავსი სიტუაციების საფუძველზე. ზედამხედველობითი მანქანური სწავლების ალგორითმების მთავარი უპირატესობა არის მისი უნარი, დაადგინოს იდეალური და სასურველი შედეგები [17].
მონაცემებზე დაფუძნებული მეთოდებისა და გადაწყვეტილების ხის მართვის მოდელების გამოყენებით, შესაძლებელია LS-ის ავტომატური აღმოჩენა. გადაწყვეტილების ხეები ფართოდ გამოიყენება სხვადასხვა სფეროს სასწავლო პროგრამებში, მათ შორის ჯანდაცვის მეცნიერებებში [18, 19]. ამ კვლევაში, მოდელი სპეციალურად სისტემის შემქმნელებმა მოამზადეს სტუდენტების LS-ის იდენტიფიცირებისა და მათთვის საუკეთესო IS-ის რეკომენდაციისთვის.
ამ კვლევის მიზანია სტუდენტების LS-ზე დაფუძნებული საინფორმაციო ტექნოლოგიების მიწოდების სტრატეგიების შემუშავება და SCL მიდგომის გამოყენება LS-ზე მიმაგრებული IS რეკომენდაციის ინსტრუმენტის შემუშავებით. IS რეკომენდაციის ინსტრუმენტის, როგორც SCL მეთოდის სტრატეგიის, დიზაინის მიმდინარეობა ნაჩვენებია ნახაზ 1-ში. IS რეკომენდაციის ინსტრუმენტი დაყოფილია ორ ნაწილად, მათ შორის ILS-ის გამოყენებით LS კლასიფიკაციის მექანიზმი და სტუდენტებისთვის ყველაზე შესაფერისი IS ჩვენება.
კერძოდ, ინფორმაციული უსაფრთხოების რეკომენდაციის ინსტრუმენტების მახასიათებლები მოიცავს ვებ ტექნოლოგიების გამოყენებას და გადაწყვეტილების ხის მანქანური სწავლების გამოყენებას. სისტემის შემქმნელები აუმჯობესებენ მომხმარებლის გამოცდილებას და მობილურობას მათი მობილურ მოწყობილობებთან, როგორიცაა მობილური ტელეფონები და პლანშეტები, ადაპტირებით.
ექსპერიმენტი ორ ეტაპად ჩატარდა და მასში მალაიას უნივერსიტეტის სტომატოლოგიის ფაკულტეტის სტუდენტები ნებაყოფლობით მონაწილეობდნენ. მონაწილეებმა ინგლისურ ენაზე სტომატოლოგიის სტუდენტის ონლაინ m-ILS ტესტს უპასუხეს. საწყის ეტაპზე, გადაწყვეტილების ხის მანქანური სწავლების ალგორითმის გასაწვრთნელად გამოყენებული იქნა 50 სტუდენტისგან შემდგარი მონაცემთა ნაკრები. შემუშავების პროცესის მეორე ეტაპზე, შემუშავებული ინსტრუმენტის სიზუსტის გასაუმჯობესებლად გამოყენებული იქნა 255 სტუდენტისგან შემდგარი მონაცემთა ნაკრები.
ყველა მონაწილეს, სასწავლო წლის მიხედვით, თითოეული ეტაპის დასაწყისში, Microsoft Teams-ის საშუალებით, ონლაინ ბრიფინგი ჩაუტარდა. კვლევის მიზანი ახსნილი იყო და მიღებული იყო ინფორმირებული თანხმობა. ყველა მონაწილეს მიეცა m-ILS-ზე წვდომის ბმული. თითოეულ სტუდენტს დაევალა კითხვარის 44-ვე პუნქტზე პასუხის გაცემა. მათ ერთი კვირა მიეცათ სემესტრის დაწყებამდე სემესტრის შესვენების დროს მათთვის მოსახერხებელ დროსა და ადგილას შეავსონ მოდიფიცირებული ILS. m-ILS დაფუძნებულია ორიგინალურ ILS ინსტრუმენტზე და მოდიფიცირებულია სტომატოლოგიის სტუდენტებისთვის. ორიგინალი ILS-ის მსგავსად, ის შეიცავს 44 თანაბრად განაწილებულ პუნქტს (a, b), თითოეული 11 პუნქტით, რომლებიც გამოიყენება FSLSM-ის თითოეული განზომილების ასპექტების შესაფასებლად.
ინსტრუმენტის შემუშავების საწყის ეტაპზე, მკვლევრებმა ხელით ანოტაცია გაუკეთეს რუკებს 50 სტომატოლოგიური სტუდენტის მონაცემთა ნაკრების გამოყენებით. FSLM-ის თანახმად, სისტემა იძლევა პასუხების „a“ და „b“ ჯამს. თითოეული განზომილებისთვის, თუ სტუდენტი პასუხად „a“-ს აირჩევს, LS კლასიფიცირდება, როგორც აქტიური/აღქმითი/ვიზუალური/თანმიმდევრული, ხოლო თუ სტუდენტი პასუხად „b“-ს აირჩევს, სტუდენტი კლასიფიცირდება, როგორც რეფლექსიური/ინტუიციური/ლინგვისტური/გლობალური შემსწავლელი.
სტომატოლოგიური განათლების მკვლევრებსა და სისტემის შემქმნელებს შორის სამუშაო პროცესის კალიბრაციის შემდეგ, კითხვები შეირჩა FLSSM დომენის მიხედვით და შევიდა ML მოდელში თითოეული სტუდენტის LS-ის პროგნოზირების მიზნით. „ნაგავი შემოდის, ნაგავი გამოდის“ პოპულარული გამონათქვამია მანქანური სწავლების სფეროში, რომელიც ხაზს უსვამს მონაცემთა ხარისხს. შეყვანის მონაცემების ხარისხი განსაზღვრავს მანქანური სწავლების მოდელის სიზუსტესა და სიზუსტეს. მახასიათებლების ინჟინერიის ფაზის დროს იქმნება ახალი მახასიათებლების ნაკრები, რომელიც წარმოადგენს FLSSM-ზე დაფუძნებული პასუხების „a“ და „b“ ჯამს. წამლის პოზიციების საიდენტიფიკაციო ნომრები მოცემულია ცხრილში 1.
გამოთვალეთ ქულა პასუხების საფუძველზე და განსაზღვრეთ მოსწავლის საშუალო დონე (LS). თითოეული მოსწავლისთვის ქულების დიაპაზონი 1-დან 11-მდეა. 1-დან 3-მდე ქულები მიუთითებს სწავლის პრეფერენციების ბალანსზე იმავე განზომილების ფარგლებში, ხოლო 5-დან 7-მდე ქულები მიუთითებს ზომიერ უპირატესობაზე, რაც მიუთითებს იმაზე, რომ სტუდენტები, როგორც წესი, უპირატესობას ანიჭებენ ერთ გარემოს, რომელიც სხვებს ასწავლის. იმავე განზომილების კიდევ ერთი ვარიაციაა ის, რომ 9-დან 11-მდე ქულები ასახავს ერთი ან მეორე მხარის ძლიერ უპირატესობას [8].
თითოეული განზომილებისთვის, ნარკოტიკები დაჯგუფდა „აქტიური“, „რეფლექსიური“ და „ბალანსირებული“ ტიპის ნარკოტიკებად. მაგალითად, როდესაც სტუდენტი კონკრეტულ საკითხში „a“-ს უფრო ხშირად პასუხობს, ვიდრე „b“-ს და მისი ქულა აღემატება 5 ქულის ზღვარს კონკრეტული საკითხისთვის, რომელიც წარმოადგენს დამუშავების LS განზომილებას, ის მიეკუთვნება „აქტიური“ LS სფეროს. თუმცა, სტუდენტები კლასიფიცირდნენ, როგორც „რეფლექსიური“ LS, როდესაც მათ კონკრეტულ 11 კითხვაში (ცხრილი 1) „b“-ზე მეტი პასუხი აიღეს და 5 ქულაზე მეტი დააგროვეს. და ბოლოს, სტუდენტი „წონასწორობის“ მდგომარეობაშია. თუ ქულა არ აღემატება 5 ქულას, მაშინ ეს არის „პროცესული“ LS. კლასიფიკაციის პროცესი განმეორდა LS-ის სხვა განზომილებებისთვის, კერძოდ, აღქმისთვის (აქტიური/რეფლექსიური), შეყვანისთვის (ვიზუალური/ვერბალური) და გაგებისთვის (თანმიმდევრული/გლობალური).
გადაწყვეტილების ხის მოდელებს შეუძლიათ გამოიყენონ მახასიათებლებისა და გადაწყვეტილების წესების სხვადასხვა ქვესიმრავლეები კლასიფიკაციის პროცესის სხვადასხვა ეტაპზე. ის კლასიფიკაციისა და პროგნოზირების პოპულარულ ინსტრუმენტად ითვლება. მისი წარმოდგენა შესაძლებელია ხის სტრუქტურის გამოყენებით, როგორიცაა დიაგრამა [20], რომელშიც არის შიდა კვანძები, რომლებიც წარმოადგენენ ტესტებს ატრიბუტის მიხედვით, თითოეული ტოტი წარმოადგენს ტესტის შედეგებს და თითოეული ფოთლოვანი კვანძი (ფოთლოვანი კვანძი) შეიცავს კლასის ეტიკეტს.
შეიქმნა მარტივი, წესებზე დაფუძნებული პროგრამა, რომელიც ავტომატურად აფასებდა და ანოტირებდა თითოეული სტუდენტის LS-ს მათი პასუხების საფუძველზე. წესებზე დაფუძნებული პროგრამა IF ოპერატორის ფორმას იღებს, სადაც „IF“ აღწერს ტრიგერს, ხოლო „THEN“ განსაზღვრავს შესასრულებელ მოქმედებას, მაგალითად: „თუ X მოხდება, მაშინ გააკეთე Y“ (ლიუ და სხვ., 2014). თუ მონაცემთა ნაკრები ავლენს კორელაციას და გადაწყვეტილების ხის მოდელი სათანადოდ არის გაწვრთნილი და შეფასებული, ეს მიდგომა შეიძლება იყოს LS-ისა და IS-ის შესაბამისობის პროცესის ავტომატიზაციის ეფექტური გზა.
შემუშავების მეორე ფაზაში, რეკომენდაციების ინსტრუმენტის სიზუსტის გასაუმჯობესებლად, მონაცემთა ნაკრები 255-მდე გაიზარდა. მონაცემთა ნაკრები იყოფა 1:4 თანაფარდობით. მონაცემთა ნაკრების 25% (64) გამოყენებული იქნა სატესტო ნაკრებისთვის, ხოლო დარჩენილი 75% (191) გამოყენებული იქნა სასწავლო ნაკრების სახით (სურათი 2). მონაცემთა ნაკრები უნდა დაიყოს, რათა თავიდან იქნას აცილებული მოდელის ტრენინგი და ტესტირება ერთსა და იმავე მონაცემთა ნაკრებზე, რამაც შეიძლება გამოიწვიოს მოდელის დამახსოვრება სწავლის ნაცვლად. მოდელი ვარჯიშობს სასწავლო ნაკრებზე და აფასებს თავის მუშაობას სატესტო ნაკრებზე - მონაცემებზე, რომლებიც მოდელს აქამდე არასდროს უნახავს.
IS ინსტრუმენტის შემუშავების შემდეგ, აპლიკაციას შეეძლება LS-ის კლასიფიკაცია სტომატოლოგიის სტუდენტების პასუხების საფუძველზე ვებ ინტერფეისის საშუალებით. ვებზე დაფუძნებული ინფორმაციული უსაფრთხოების რეკომენდაციების ინსტრუმენტების სისტემა აგებულია Python პროგრამირების ენის გამოყენებით, Django ჩარჩოს გამოყენებით, როგორც შიდა ბაზაზე. ცხრილი 2-ში ჩამოთვლილია ამ სისტემის შემუშავებაში გამოყენებული ბიბლიოთეკები.
მონაცემთა ნაკრები მიეწოდება გადაწყვეტილების ხის მოდელს, რათა გამოითვალოს და ამოიღოს სტუდენტების პასუხები, რათა ავტომატურად კლასიფიცირდეს სტუდენტების LS გაზომვები.
დაბნეულობის მატრიცა გამოიყენება გადაწყვეტილების ხის მანქანური სწავლების ალგორითმის მოცემულ მონაცემთა ნაკრებზე სიზუსტის შესაფასებლად. ამავდროულად, ის აფასებს კლასიფიკაციის მოდელის მუშაობას. ის აჯამებს მოდელის პროგნოზებს და ადარებს მათ რეალურ მონაცემთა იარლიყებს. შეფასების შედეგები ეფუძნება ოთხ განსხვავებულ მნიშვნელობას: ჭეშმარიტი დადებითი (TP) - მოდელმა სწორად იწინასწარმეტყველა დადებითი კატეგორია, ცრუ დადებითი (FP) - მოდელმა იწინასწარმეტყველა დადებითი კატეგორია, მაგრამ ნამდვილი იარლიყი უარყოფითი იყო, ჭეშმარიტი უარყოფითი (TN) - მოდელმა სწორად იწინასწარმეტყველა უარყოფითი კლასი და ცრუ უარყოფითი (FN) - მოდელი პროგნოზირებს უარყოფით კლასს, მაგრამ ნამდვილი იარლიყი დადებითია.
ეს მნიშვნელობები შემდეგ გამოიყენება Python-ში scikit-learn კლასიფიკაციის მოდელის სხვადასხვა შესრულების მეტრიკის გამოსათვლელად, კერძოდ, სიზუსტის, სიზუსტის, გახსენების და F1 ქულის. აქ მოცემულია მაგალითები:
გახსენება (ანუ მგრძნობელობა) ზომავს მოდელის უნარს, ზუსტად კლასიფიცირება გაუკეთოს სტუდენტის LS-ს m-ILS კითხვარის პასუხის გაცემის შემდეგ.
სპეციფიკურობას ჭეშმარიტად უარყოფითი მაჩვენებლის მაჩვენებელი ეწოდება. როგორც ზემოთ მოცემული ფორმულიდან ხედავთ, ეს უნდა იყოს ჭეშმარიტად უარყოფითი (TN) და ჭეშმარიტად უარყოფითი და ცრუ დადებითი (FP) შედეგების თანაფარდობა. სტუდენტური ნარკოტიკების კლასიფიკაციის რეკომენდებული ინსტრუმენტის ნაწილად, მას უნდა შეეძლოს ზუსტი იდენტიფიკაციის განხორციელება.
გადაწყვეტილების ხის ML მოდელის გასაწვრთნელად გამოყენებული 50 სტუდენტისგან შემდგარი თავდაპირველი მონაცემთა ნაკრები ანოტაციებში ადამიანური შეცდომის გამო შედარებით დაბალ სიზუსტეს ავლენდა (ცხრილი 3). LS ქულებისა და სტუდენტების ანოტაციების ავტომატურად გამოსათვლელად მარტივი, წესებზე დაფუძნებული პროგრამის შექმნის შემდეგ, რეკომენდაციების სისტემის გასაწვრთნელად და შესამოწმებლად მონაცემთა ნაკრებების მზარდი რაოდენობა (255) გამოიყენებოდა.
მრავალკლასიანი დაბნეულობის მატრიცაში დიაგონალური ელემენტები წარმოადგენს თითოეული LS ტიპის სწორი პროგნოზების რაოდენობას (სურათი 4). გადაწყვეტილების ხის მოდელის გამოყენებით, სულ 64 ნიმუში იქნა სწორად პროგნოზირებული. ამრიგად, ამ კვლევაში დიაგონალური ელემენტები აჩვენებენ მოსალოდნელ შედეგებს, რაც მიუთითებს, რომ მოდელი კარგად მუშაობს და ზუსტად პროგნოზირებს კლასის ეტიკეტს თითოეული LS კლასიფიკაციისთვის. ამრიგად, რეკომენდაციის ინსტრუმენტის საერთო სიზუსტე 100%-ია.
სიზუსტის, სიზუსტის, დამახსოვრებისა და F1 ქულის მნიშვნელობები ნაჩვენებია ნახაზ 5-ში. გადაწყვეტილების ხის მოდელის გამოყენებით რეკომენდაციების სისტემისთვის მისი F1 ქულა არის 1.0 „იდეალური“, რაც მიუთითებს სრულყოფილ სიზუსტესა და დამახსოვრებაზე, რაც ასახავს მნიშვნელოვან მგრძნობელობისა და სპეციფიკურობის მნიშვნელობებს.
სურათი 6 გვიჩვენებს გადაწყვეტილების ხის მოდელის ვიზუალიზაციას ტრენინგისა და ტესტირების დასრულების შემდეგ. შედარებისას, ნაკლები მახასიათებლით გაწვრთნილმა გადაწყვეტილების ხის მოდელმა აჩვენა უფრო მაღალი სიზუსტე და მოდელის უფრო მარტივი ვიზუალიზაცია. ეს აჩვენებს, რომ მახასიათებლების შემცირებამდე მიმავალი მახასიათებლების ინჟინერია მნიშვნელოვანი ნაბიჯია მოდელის მუშაობის გაუმჯობესების გზაზე.
გადაწყვეტილების ხის ზედამხედველობითი სწავლების გამოყენებით, LS-ს (შეყვანა) და IS-ს (სამიზნე გამომავალი) შორის შესაბამისობა ავტომატურად გენერირდება და შეიცავს თითოეული LS-ის დეტალურ ინფორმაციას.
შედეგებმა აჩვენა, რომ 255 სტუდენტიდან 34.9%-მა უპირატესობა მიანიჭა ერთ (1) სწავლის ვარიანტს. უმრავლესობას (54.3%) ორი ან მეტი სწავლის ვარიანტი ჰქონდა. სტუდენტების 12.2%-მა აღნიშნა, რომ სწავლის პროცესი საკმაოდ დაბალანსებულია (ცხრილი 4). რვა ძირითადი სწავლის პროცესის გარდა, მალაიას უნივერსიტეტის სტომატოლოგიის სტუდენტებისთვის სწავლის პროცესის კლასიფიკაციის 34 კომბინაცია არსებობს. მათ შორის, აღქმა, მხედველობა და აღქმისა და მხედველობის კომბინაცია არის სტუდენტების მიერ მოხსენებული ძირითადი სწავლის სირთულეები (სურათი 7).
როგორც ცხრილი 4-დან ჩანს, მოსწავლეთა უმრავლესობას დომინანტური სენსორული (13.7%) ან ვიზუალური (8.6%) LS ჰქონდა. აღნიშნული იყო, რომ მოსწავლეთა 12.2% აღქმას მხედველობასთან (აღქმულ-ვიზუალური LS) აერთიანებდა. ეს მონაცემები მიუთითებს, რომ მოსწავლეები უპირატესობას ანიჭებენ სწავლას და დამახსოვრებას დადგენილი მეთოდებით, იცავენ კონკრეტულ და დეტალურ პროცედურებს და ყურადღებიანები არიან. ამავდროულად, მათ სიამოვნებთ სწავლა ყურებით (დიაგრამების და ა.შ. გამოყენებით) და მიდრეკილნი არიან ინფორმაციის ჯგუფურად ან დამოუკიდებლად განხილვისა და გამოყენებისკენ.
ეს კვლევა წარმოადგენს მონაცემთა მოპოვებაში გამოყენებული მანქანური სწავლების ტექნიკის მიმოხილვას, ფოკუსირებული სტუდენტების LS-ის მყისიერ და ზუსტ პროგნოზირებასა და შესაფერისი IS-ის რეკომენდაციაზე. გადაწყვეტილების ხის მოდელის გამოყენებამ გამოავლინა ფაქტორები, რომლებიც ყველაზე მჭიდროდ არის დაკავშირებული მათ ცხოვრებასთან და საგანმანათლებლო გამოცდილებასთან. ეს არის ზედამხედველობითი მანქანური სწავლების ალგორითმი, რომელიც იყენებს ხის სტრუქტურას მონაცემების კლასიფიკაციისთვის, მონაცემთა ნაკრების ქვეკატეგორიებად დაყოფით გარკვეული კრიტერიუმების საფუძველზე. ის მუშაობს შეყვანის მონაცემების რეკურსიულად დაყოფით ქვესიმრავლეებად თითოეული შიდა კვანძის ერთ-ერთი შეყვანის მახასიათებლის მნიშვნელობის მიხედვით, სანამ გადაწყვეტილება არ იქნება მიღებული ფოთლოვან კვანძში.
გადაწყვეტილების ხის შიდა კვანძები წარმოადგენს m-ILS პრობლემის შეყვანის მახასიათებლებზე დაფუძნებულ გადაწყვეტას, ხოლო ფოთლოვანი კვანძები წარმოადგენს LS კლასიფიკაციის საბოლოო პროგნოზს. კვლევის განმავლობაში, ადვილია გადაწყვეტილების ხეების იერარქიის გაგება, რომლებიც ხსნიან და ვიზუალიზაციას უკეთებენ გადაწყვეტილების პროცესს შეყვანის მახასიათებლებსა და გამომავალ პროგნოზებს შორის ურთიერთობის დათვალიერებით.
კომპიუტერული მეცნიერებისა და ინჟინერიის სფეროებში, მანქანური სწავლების ალგორითმები ფართოდ გამოიყენება სტუდენტების მოსწრების პროგნოზირებისთვის მათი მისაღები გამოცდების ქულების [21], დემოგრაფიული ინფორმაციისა და სწავლის ქცევის [22] საფუძველზე. კვლევამ აჩვენა, რომ ალგორითმი ზუსტად პროგნოზირებდა სტუდენტების მოსწრებას და ეხმარებოდა მათ აკადემიური სირთულეების რისკის ქვეშ მყოფი სტუდენტების იდენტიფიცირებაში.
აღწერილია მანქანური სწავლების ალგორითმების გამოყენება სტომატოლოგიური ტრენინგისთვის ვირტუალური პაციენტის სიმულატორების შემუშავებაში. სიმულატორს შეუძლია რეალური პაციენტების ფიზიოლოგიური რეაქციების ზუსტად რეპროდუცირება და მისი გამოყენება შესაძლებელია სტომატოლოგიის სტუდენტების უსაფრთხო და კონტროლირებად გარემოში ტრენინგისთვის [23]. რამდენიმე სხვა კვლევა აჩვენებს, რომ მანქანური სწავლების ალგორითმებს პოტენციურად შეუძლიათ გააუმჯობესონ სტომატოლოგიური და სამედიცინო განათლებისა და პაციენტზე ზრუნვის ხარისხი და ეფექტურობა. მანქანური სწავლების ალგორითმები გამოიყენება სტომატოლოგიური დაავადებების დიაგნოზირებაში ისეთი მონაცემების საფუძველზე, როგორიცაა სიმპტომები და პაციენტის მახასიათებლები [24, 25]. სხვა კვლევებმა შეისწავლეს მანქანური სწავლების ალგორითმების გამოყენება ისეთი ამოცანების შესასრულებლად, როგორიცაა პაციენტის შედეგების პროგნოზირება, მაღალი რისკის მქონე პაციენტების იდენტიფიცირება, პერსონალიზებული მკურნალობის გეგმების შემუშავება [26], პაროდონტის მკურნალობა [27] და კარიესის მკურნალობა [25].
მიუხედავად იმისა, რომ სტომატოლოგიაში მანქანური სწავლების გამოყენების შესახებ ანგარიშები გამოქვეყნდა, მისი გამოყენება სტომატოლოგიურ განათლებაში კვლავ შეზღუდულია. ამიტომ, ამ კვლევის მიზანი იყო გადაწყვეტილების ხის მოდელის გამოყენება სტომატოლოგიის სტუდენტებში LS-თან და IS-თან ყველაზე მჭიდროდ დაკავშირებული ფაქტორების დასადგენად.
კვლევის შედეგები აჩვენებს, რომ შემუშავებულ რეკომენდაციის ინსტრუმენტს აქვს მაღალი სიზუსტე და იდეალური სიზუსტე, რაც მიუთითებს, რომ მასწავლებლებს შეუძლიათ ისარგებლონ ამ ინსტრუმენტით. მონაცემებზე დაფუძნებული კლასიფიკაციის პროცესის გამოყენებით, მას შეუძლია პერსონალიზებული რეკომენდაციების მიწოდება და პედაგოგებისა და სტუდენტებისთვის საგანმანათლებლო გამოცდილებისა და შედეგების გაუმჯობესება. მათ შორის, რეკომენდაციის ინსტრუმენტებით მიღებული ინფორმაცია აგვარებს კონფლიქტებს მასწავლებლების მიერ სასურველ სწავლების მეთოდებსა და სტუდენტების სასწავლო საჭიროებებს შორის. მაგალითად, რეკომენდაციის ინსტრუმენტების ავტომატიზირებული გამომავალი ინფორმაციის წყალობით, მოსწავლის ინტელექტუალური საკუთრების იდენტიფიცირებისა და მისი შესაბამის ინტელექტუალურ საკუთრებასთან შესატყვისად საჭირო დრო მნიშვნელოვნად შემცირდება. ამ გზით შესაძლებელია შესაბამისი სასწავლო აქტივობებისა და სასწავლო მასალების ორგანიზება. ეს ხელს უწყობს სტუდენტების პოზიტიური სასწავლო ქცევის და კონცენტრაციის უნარის განვითარებას. ერთ-ერთმა კვლევამ აჩვენა, რომ სტუდენტებისთვის მათთვის სასურველი სასწავლო მასალებისა და სასწავლო აქტივობების მიწოდება დაეხმარება სტუდენტებს ინტეგრირებაში, დამუშავებასა და სწავლის სიამოვნებაში მრავალი გზით, რათა მიაღწიონ უფრო დიდ პოტენციალს [12]. კვლევა ასევე აჩვენებს, რომ საკლასო ოთახში სტუდენტების მონაწილეობის გაუმჯობესების გარდა, სტუდენტების სასწავლო პროცესის გაგება ასევე მნიშვნელოვან როლს ასრულებს სასწავლო პრაქტიკისა და მოსწავლეებთან კომუნიკაციის გაუმჯობესებაში [28, 29].
თუმცა, როგორც ნებისმიერ თანამედროვე ტექნოლოგიას, არსებობს პრობლემები და შეზღუდვები. ესენია მონაცემთა კონფიდენციალურობასთან, მიკერძოებასთან და სამართლიანობასთან დაკავშირებული საკითხები, ასევე პროფესიული უნარები და რესურსები, რომლებიც საჭიროა სტომატოლოგიურ განათლებაში მანქანური სწავლების ალგორითმების შემუშავებისა და დანერგვისთვის; თუმცა, ამ სფეროში მზარდი ინტერესი და კვლევა მიუთითებს, რომ მანქანური სწავლების ტექნოლოგიებს შეიძლება დადებითი გავლენა ჰქონდეს სტომატოლოგიურ განათლებასა და სტომატოლოგიურ მომსახურებაზე.
ამ კვლევის შედეგები მიუთითებს, რომ სტომატოლოგიის სტუდენტების ნახევარს აქვს ნარკოტიკების „აღქმის“ ტენდენცია. ამ ტიპის მოსწავლეებს ახასიათებთ ფაქტებისა და კონკრეტული მაგალითებისადმი უპირატესობა, პრაქტიკული ორიენტაცია, დეტალებისადმი მოთმინება და „ვიზუალური“ LS-ისადმი უპირატესობა, სადაც მოსწავლეები უპირატესობას ანიჭებენ სურათების, გრაფიკის, ფერების და რუკების გამოყენებას იდეებისა და აზრების გადმოსაცემად. ამჟამინდელი შედეგები შეესაბამება სხვა კვლევებს, რომლებიც იყენებენ ILS-ს სტომატოლოგიური და სამედიცინო სტუდენტების LS-ის შესაფასებლად, რომელთა უმეტესობას აღქმითი და ვიზუალური LS-ის მახასიათებლები აქვს [12, 30]. დალმოლინი და სხვები ვარაუდობენ, რომ სტუდენტებისთვის მათი LS-ის შესახებ ინფორმირება საშუალებას აძლევს მათ მიაღწიონ თავიანთ სასწავლო პოტენციალს. მკვლევარები ამტკიცებენ, რომ როდესაც მასწავლებლები სრულად ესმით სტუდენტების საგანმანათლებლო პროცესს, შესაძლებელია სხვადასხვა სწავლების მეთოდებისა და აქტივობების დანერგვა, რაც გააუმჯობესებს სტუდენტების მოსწრებას და სწავლის გამოცდილებას [12, 31, 32]. სხვა კვლევებმა აჩვენა, რომ სტუდენტების LS-ის კორექტირება ასევე აჩვენებს სტუდენტების სწავლის გამოცდილებისა და მოსწრების გაუმჯობესებას სწავლის სტილის საკუთარ LS-თან შესაბამისობაში შეცვლის შემდეგ [13, 33].
მასწავლებლების მოსაზრებები შეიძლება განსხვავდებოდეს სტუდენტების სწავლის შესაძლებლობებზე დაფუძნებული სწავლების სტრატეგიების განხორციელებასთან დაკავშირებით. მიუხედავად იმისა, რომ ზოგიერთი ხედავს ამ მიდგომის სარგებელს, მათ შორის პროფესიული განვითარების შესაძლებლობებს, მენტორობას და საზოგადოების მხარდაჭერას, სხვები შეიძლება შეშფოთებულნი იყვნენ დროისა და ინსტიტუციური მხარდაჭერით. ბალანსისკენ სწრაფვა სტუდენტზე ორიენტირებული დამოკიდებულების ჩამოყალიბების გასაღებია. უმაღლესი განათლების ორგანოებს, როგორიცაა უნივერსიტეტის ადმინისტრაცია, შეუძლიათ მნიშვნელოვანი როლი შეასრულონ პოზიტიური ცვლილებების განხორციელებაში ინოვაციური პრაქტიკის დანერგვით და ფაკულტეტის განვითარების მხარდაჭერით [34]. ჭეშმარიტად დინამიური და რეაგირებადი უმაღლესი განათლების სისტემის შესაქმნელად, პოლიტიკის შემქმნელებმა უნდა გადადგან თამამი ნაბიჯები, როგორიცაა პოლიტიკის ცვლილებების შეტანა, ტექნოლოგიების ინტეგრაციისთვის რესურსების გამოყოფა და სტუდენტზე ორიენტირებული მიდგომების ხელშემწყობი ჩარჩოების შექმნა. ეს ზომები კრიტიკულად მნიშვნელოვანია სასურველი შედეგების მისაღწევად. დიფერენცირებული სწავლების შესახებ ბოლოდროინდელმა კვლევამ ნათლად აჩვენა, რომ დიფერენცირებული სწავლების წარმატებული განხორციელება მოითხოვს მასწავლებლებისთვის მუდმივ ტრენინგსა და განვითარების შესაძლებლობებს [35].
ეს ინსტრუმენტი ძვირფას მხარდაჭერას უწევს სტომატოლოგიურ პედაგოგებს, რომლებსაც სურთ სტუდენტზე ორიენტირებული მიდგომის გამოყენება სტუდენტზე ორიენტირებული სასწავლო აქტივობების დაგეგმვისას. თუმცა, ეს კვლევა შემოიფარგლება გადაწყვეტილების ხის მანქანური სწავლების მოდელების გამოყენებით. მომავალში, მეტი მონაცემი უნდა შეგროვდეს სხვადასხვა მანქანური სწავლების მოდელების მუშაობის შესადარებლად, რათა შედარდეს რეკომენდაციების ინსტრუმენტების სიზუსტე, სანდოობა და სიზუსტე. გარდა ამისა, კონკრეტული ამოცანისთვის ყველაზე შესაფერისი მანქანური სწავლების მეთოდის არჩევისას მნიშვნელოვანია სხვა ფაქტორების გათვალისწინება, როგორიცაა მოდელის სირთულე და ინტერპრეტაცია.
ამ კვლევის შეზღუდვა ის არის, რომ იგი ფოკუსირებული იყო მხოლოდ სტომატოლოგიის სტუდენტებში LS და IS-ის რუკაზე. ამიტომ, შემუშავებული რეკომენდაციების სისტემა რეკომენდაციას გაუწევს მხოლოდ იმ რეკომენდაციებს, რომლებიც შესაფერისია სტომატოლოგიის სტუდენტებისთვის. ცვლილებები აუცილებელია უმაღლესი განათლების სტუდენტების ზოგადი გამოყენებისთვის.
ახლად შემუშავებული მანქანურ სწავლებაზე დაფუძნებული რეკომენდაციების ინსტრუმენტი მყისიერად კლასიფიკაციას და სტუდენტების LS-ის შესაბამის IS-თან შესაბამისობაში მოყვანას ახდენს, რაც მას პირველ სტომატოლოგიურ საგანმანათლებლო პროგრამად აქცევს, რომელიც სტომატოლოგების პედაგოგებს შესაბამისი სასწავლო და სასწავლო აქტივობების დაგეგმვაში ეხმარება. მონაცემებზე დაფუძნებული დახარისხების პროცესის გამოყენებით, მას შეუძლია პერსონალიზებული რეკომენდაციების მიწოდება, დროის დაზოგვა, სწავლების სტრატეგიების გაუმჯობესება, მიზნობრივი ჩარევების მხარდაჭერა და მიმდინარე პროფესიული განვითარების ხელშეწყობა. მისი გამოყენება ხელს შეუწყობს სტომატოლოგიური განათლებისადმი სტუდენტზე ორიენტირებულ მიდგომებს.
გილაკ ჯანი, Associated Press. მოსწავლის სწავლის სტილსა და მასწავლებლის სწავლების სტილს შორის შესაბამისობა ან შეუსაბამობა. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
გამოქვეყნების დრო: 2024 წლის 29 აპრილი