Oliy ta'lim muassasalarida, jumladan, stomatologiyada talabaga yo'naltirilgan o'rganishga (SCL) ehtiyoj ortib bormoqda. Biroq, SCL stomatologiya ta'limida cheklangan qo'llanilishga ega. Shuning uchun, ushbu tadqiqot ST ko'rsatmalarini ishlab chiqish uchun foydali vosita sifatida stomatologiya talabalarining afzal ko'rgan o'rganish uslubi (LS) va mos keladigan o'rganish strategiyalarini (IS) xaritalash uchun qaror daraxti mashina o'rganish (ML) texnologiyasidan foydalanib, STL ni stomatologiyada qo'llashni targ'ib qilishga qaratilgan. Stomatologiya talabalari uchun istiqbolli usullar.
Malaya universitetining jami 255 nafar stomatologiya talabasi oʻzgartirilgan Oʻrganish uslublari indeksi (m-ILS) soʻrovnomasini toʻldirdi, unda ularni tegishli LSlarga tasniflash uchun 44 ta element mavjud edi. Toʻplangan maʼlumotlar (maʼlumotlar toʻplami deb ataladi) nazorat ostidagi qarorlar daraxti oʻqitishda talabalarning oʻrganish uslublarini eng mos ISga avtomatik ravishda moslashtirish uchun ishlatiladi. Keyin mashinani oʻrganishga asoslangan IS tavsiya vositasining aniqligi baholanadi.
LS (kirish) va IS (maqsadli chiqish) o'rtasidagi avtomatlashtirilgan xaritalash jarayonida qaror daraxti modellarini qo'llash har bir stomatologiya talabasi uchun tegishli o'rganish strategiyalarining darhol ro'yxatini yaratish imkonini beradi. IS tavsiya vositasi LS ni IS ga moslashtirish yaxshi sezgirlik va o'ziga xoslikka ega ekanligini ko'rsatib, mukammal aniqlik va umumiy model aniqligini namoyish etdi.
ML qarorlar daraxtiga asoslangan IS tavsiya vositasi stomatologiya talabalarining o'rganish uslublarini tegishli o'rganish strategiyalari bilan aniq moslashtirish qobiliyatini isbotladi. Ushbu vosita talabalarning o'rganish tajribasini yaxshilashi mumkin bo'lgan o'quvchiga yo'naltirilgan kurslar yoki modullarni rejalashtirish uchun kuchli imkoniyatlarni taqdim etadi.
O'qitish va o'rganish ta'lim muassasalarida asosiy faoliyat hisoblanadi. Yuqori sifatli kasb-hunar ta'limi tizimini ishlab chiqishda o'quvchilarning o'quv ehtiyojlariga e'tibor qaratish muhimdir. Talabalar va ularning o'quv muhiti o'rtasidagi o'zaro ta'sir ularning o'quv dasturlari orqali aniqlanishi mumkin. Tadqiqotlar shuni ko'rsatadiki, o'qituvchi tomonidan talabalarning o'quv dasturlari va o'quv dasturlari o'rtasidagi nomuvofiqliklar talabalarning o'qishiga salbiy oqibatlarga olib kelishi mumkin, masalan, e'tibor va motivatsiyaning pasayishi. Bu bilvosita talabalarning o'qish natijalariga ta'sir qiladi [1,2].
IS - bu o'qituvchilar tomonidan o'quvchilarga bilim va ko'nikmalarni berish, shu jumladan o'quvchilarga o'rganishda yordam berish uchun qo'llaniladigan usul [3]. Umuman olganda, yaxshi o'qituvchilar o'quvchilarining bilim darajasiga, o'rganayotgan tushunchalariga va o'rganish bosqichlariga eng mos keladigan o'qitish strategiyalari yoki ISni rejalashtirishadi. Nazariy jihatdan, LS va IS mos kelganda, o'quvchilar samarali o'rganish uchun ma'lum ko'nikmalar to'plamini tashkil qilishlari va ulardan foydalanishlari mumkin bo'ladi. Odatda, dars rejasi bosqichlar orasidagi bir nechta o'tishlarni o'z ichiga oladi, masalan, o'qitishdan boshqariladigan amaliyotga yoki boshqariladigan amaliyotdan mustaqil amaliyotga. Shuni yodda tutgan holda, samarali o'qituvchilar ko'pincha o'quvchilarning bilim va ko'nikmalarini rivojlantirish maqsadida o'qitishni rejalashtirishadi [4].
Stomatologiya kabi oliy ta'lim muassasalarida SCLga talab ortib bormoqda. SCL strategiyalari talabalarning o'quv ehtiyojlarini qondirish uchun ishlab chiqilgan. Bunga, masalan, talabalar o'quv mashg'ulotlarida faol ishtirok etsalar va o'qituvchilar fasilitator sifatida harakat qilsalar va qimmatli fikr-mulohazalarni bildirish uchun mas'ul bo'lsalar, erishish mumkin. Talabalarning ta'lim darajasi yoki afzalliklariga mos keladigan o'quv materiallari va mashg'ulotlarini taqdim etish talabalarning o'quv muhitini yaxshilashi va ijobiy o'quv tajribasini rivojlantirishi mumkinligi aytiladi [5].
Umuman olganda, stomatologiya talabalarining o'quv jarayoniga ular bajarishi kerak bo'lgan turli xil klinik muolajalar va ular samarali shaxslararo ko'nikmalarni rivojlantiradigan klinik muhit ta'sir qiladi. Treningning maqsadi talabalarga stomatologiya bo'yicha asosiy bilimlarni stomatologik klinik ko'nikmalar bilan birlashtirish va olingan bilimlarni yangi klinik vaziyatlarga qo'llash imkonini berishdir [6, 7]. LS va IS o'rtasidagi munosabatlarni o'rganish bo'yicha dastlabki tadqiqotlar shuni ko'rsatdiki, afzal ko'rilgan LSga moslashtirilgan o'quv strategiyalarini sozlash ta'lim jarayonini yaxshilashga yordam beradi [8]. Mualliflar, shuningdek, talabalarning o'rganishi va ehtiyojlariga moslashish uchun turli xil o'qitish va baholash usullaridan foydalanishni tavsiya qiladilar.
O'qituvchilar o'quvchilarning chuqurroq bilim olishlari va mavzuni tushunishlarini yaxshilaydigan o'qitishni loyihalash, ishlab chiqish va amalga oshirishda LS bilimlarini qo'llashdan foyda ko'rishadi. Tadqiqotchilar Kolb tajribaviy o'rganish modeli, Felder-Silverman o'rganish uslubi modeli (FSLSM) va Fleming VAK/VARK modeli [5, 9, 10] kabi bir nechta LS baholash vositalarini ishlab chiqdilar. Adabiyotlarga ko'ra, ushbu o'rganish modellari eng ko'p ishlatiladigan va eng ko'p o'rganilgan o'rganish modellari hisoblanadi. Hozirgi tadqiqot ishlarida FSLSM stomatologiya talabalari orasida LSni baholash uchun ishlatiladi.
FSLSM muhandislikda moslashuvchan o'rganishni baholash uchun keng qo'llaniladigan modeldir. Sog'liqni saqlash fanlarida (tibbiyot, hamshiralik ishi, farmatsiya va stomatologiya kabi) FSLSM modellari yordamida topish mumkin bo'lgan ko'plab nashr etilgan ishlar mavjud [5, 11, 12, 13]. FLSMda LS o'lchamlarini o'lchash uchun ishlatiladigan asbob O'rganish uslublari indeksi (ILS) [8] deb ataladi, u LSning to'rtta o'lchamini baholaydigan 44 ta elementni o'z ichiga oladi: qayta ishlash (faol/refleksiv), idrok (pertseptual/intuitiv), kiritish (vizual). /verbal) va tushunish (ketma-ket/global) [14].
1-rasmda ko'rsatilgandek, har bir FSLSM o'lchovi dominant ustunlikka ega. Masalan, qayta ishlash o'lchovida "faol" LSga ega bo'lgan talabalar o'quv materiallari bilan bevosita o'zaro ta'sir qilish orqali ma'lumotni qayta ishlashni, amalda o'rganishni va guruhlarda o'rganishni afzal ko'rishadi. "Refleksiv" LS fikrlash orqali o'rganishni anglatadi va yolg'iz ishlashni afzal ko'radi. LSning "idrok etish" o'lchovini "his qilish" va/yoki "sezgi" ga bo'lish mumkin. "Sezish" o'quvchilari ko'proq aniq ma'lumot va amaliy protseduralarni afzal ko'rishadi, mavhum materialni afzal ko'rgan va tabiatan ko'proq innovatsion va ijodiy bo'lgan "sezgir" o'quvchilarga nisbatan faktlarga yo'naltirilgan. LSning "kiritish" o'lchovi "vizual" va "og'zaki" o'quvchilardan iborat. "Vizual" LSga ega odamlar vizual namoyishlar (masalan, diagrammalar, videolar yoki jonli namoyishlar) orqali o'rganishni afzal ko'rishadi, "og'zaki" LSga ega odamlar esa yozma yoki og'zaki tushuntirishlardagi so'zlar orqali o'rganishni afzal ko'rishadi. LS o'lchovlarini "tushunish" uchun bunday o'quvchilarni "ketma-ket" va "global" ga bo'lish mumkin. “Ketma-ket oʻrganuvchilar chiziqli fikrlash jarayonini afzal koʻrishadi va bosqichma-bosqich oʻrganadilar, global oʻrganuvchilar esa yaxlit fikrlash jarayoniga ega boʻlishadi va har doim nimani oʻrganayotganliklarini yaxshiroq tushunishadi.
So'nggi paytlarda ko'plab tadqiqotchilar avtomatik ma'lumotlarga asoslangan kashfiyot usullarini, jumladan, katta hajmdagi ma'lumotlarni sharhlashga qodir yangi algoritmlar va modellarni ishlab chiqishni o'rganishni boshladilar [15, 16]. Taqdim etilgan ma'lumotlarga asoslanib, nazorat ostidagi mashina o'rganish (MASHINA O'QISH) algoritmlarni tuzish asosida kelajakdagi natijalarni bashorat qiladigan naqshlar va gipotezalarni yaratishga qodir [17]. Sodda qilib aytganda, nazorat ostidagi mashina o'rganish texnikasi kirish ma'lumotlarini boshqaradi va algoritmlarni o'rgatadi. Keyin u taqdim etilgan kirish ma'lumotlari uchun o'xshash vaziyatlarga asoslanib natijani tasniflaydigan yoki bashorat qiladigan diapazonni yaratadi. Nazorat ostidagi mashina o'rganish algoritmlarining asosiy afzalligi shundaki, u ideal va kerakli natijalarni aniqlash qobiliyatidir [17].
Ma'lumotlarga asoslangan usullar va qaror daraxtini boshqarish modellaridan foydalanish orqali LSni avtomatik ravishda aniqlash mumkin. Qaror daraxtlari sog'liqni saqlash fanlari kabi turli sohalardagi o'quv dasturlarida keng qo'llanilishi haqida xabar berilgan [18, 19]. Ushbu tadqiqotda model tizim ishlab chiquvchilari tomonidan talabalarning LSni aniqlash va ular uchun eng yaxshi ISni tavsiya qilish uchun maxsus o'qitildi.
Ushbu tadqiqotning maqsadi talabalarning LS asosida IS yetkazib berish strategiyalarini ishlab chiqish va LSga moslashtirilgan IS tavsiya vositasini ishlab chiqish orqali SCL yondashuvini qo'llashdir. SCL usuli strategiyasi sifatida IS tavsiya vositasining dizayn oqimi 1-rasmda ko'rsatilgan. IS tavsiya vositasi ikki qismga bo'lingan, jumladan, ILS yordamida LS tasniflash mexanizmi va talabalar uchun eng mos IS displeyi.
Xususan, axborot xavfsizligi bo'yicha tavsiya vositalarining xususiyatlari veb-texnologiyalardan foydalanish va qarorlar daraxti mashinaviy o'rganishdan foydalanishni o'z ichiga oladi. Tizim ishlab chiquvchilari foydalanuvchi tajribasi va mobilligini mobil telefonlar va planshetlar kabi mobil qurilmalarga moslashtirish orqali yaxshilaydilar.
Tajriba ikki bosqichda o'tkazildi va Malaya universitetining stomatologiya fakulteti talabalari ixtiyoriy ravishda ishtirok etishdi. Ishtirokchilar stomatologiya talabasining ingliz tilidagi onlayn m-ILS testiga javob berishdi. Dastlabki bosqichda qarorlar daraxti mashinada o'rganish algoritmini o'rgatish uchun 50 talabadan iborat ma'lumotlar to'plamidan foydalanildi. Ishlab chiqish jarayonining ikkinchi bosqichida ishlab chiqilgan asbobning aniqligini oshirish uchun 255 talabadan iborat ma'lumotlar to'plamidan foydalanildi.
Barcha ishtirokchilar har bir bosqich boshida, o'quv yiliga qarab, Microsoft Teams orqali onlayn brifing olishadi. Tadqiqotning maqsadi tushuntirildi va xabardor rozilik olindi. Barcha ishtirokchilarga m-ILSga kirish uchun havola berildi. Har bir talabaga so'rovnomadagi barcha 44 ta savolga javob berish topshirildi. Ularga semestr boshlanishidan oldin semestr ta'tilida o'zlari uchun qulay bo'lgan vaqtda va joyda o'zgartirilgan ILSni to'ldirish uchun bir hafta vaqt berildi. m-ILS asl ILS vositasiga asoslangan va stomatologiya talabalari uchun o'zgartirilgan. Asl ILSga o'xshash tarzda, u har bir FSLSM o'lchovining jihatlarini baholash uchun ishlatiladigan har biri 11 ta savoldan iborat 44 ta teng taqsimlangan savolni (a, b) o'z ichiga oladi.
Asboblarni ishlab chiqishning dastlabki bosqichlarida tadqiqotchilar 50 ta stomatologiya talabasidan iborat ma'lumotlar to'plamidan foydalanib, xaritalarga qo'lda izoh berishdi. FSLMga ko'ra, tizim "a" va "b" javoblarining yig'indisini taqdim etadi. Har bir o'lchov uchun, agar talaba javob sifatida "a" ni tanlasa, LS faol/pertseptual/vizual/ketma-ket deb tasniflanadi va agar talaba javob sifatida "b" ni tanlasa, talaba Refleksiv/Intuitiv/Lingvistik/global o'quvchi sifatida tasniflanadi.
Stomatologiya ta'limi tadqiqotchilari va tizim ishlab chiquvchilari o'rtasidagi ish jarayonini kalibrlashdan so'ng, savollar FLSSM domeniga asoslangan holda tanlandi va har bir talabaning LS ni bashorat qilish uchun ML modeliga kiritildi. "Axlat kirsa, chiqindi chiqadi" - bu mashinani o'rganish sohasida ma'lumotlar sifatiga urg'u berilgan mashhur maqol. Kiritilgan ma'lumotlarning sifati mashinani o'rganish modelining aniqligi va aniqligini belgilaydi. Xususiyatlarni muhandislik bosqichida FLSSM asosida "a" va "b" javoblarining yig'indisidan iborat yangi xususiyatlar to'plami yaratiladi. Dori pozitsiyalarining identifikatsiya raqamlari 1-jadvalda keltirilgan.
Javoblar asosida ballni hisoblang va talabaning o'quv dasturini aniqlang. Har bir talaba uchun ball oralig'i 1 dan 11 gacha. 1 dan 3 gacha bo'lgan ballar bir xil o'lchov doirasida o'rganish afzalliklarining muvozanatini, 5 dan 7 gacha bo'lgan ballar esa o'rtacha afzallikni ko'rsatadi, bu esa talabalar bir muhitni boshqalarga o'qitishni afzal ko'rishlarini ko'rsatadi. Xuddi shu o'lchovdagi yana bir o'zgarish shundaki, 9 dan 11 gacha bo'lgan ballar u yoki bu maqsadga kuchli afzallikni aks ettiradi [8].
Har bir o'lchov uchun dorilar "faol", "reflektiv" va "muvozanatli" ga guruhlangan. Masalan, talaba belgilangan element bo'yicha "b" ga qaraganda tez-tez "a" ga javob bersa va uning ballini Qayta ishlash LS o'lchamini ifodalovchi ma'lum bir element uchun 5 balldan oshsa, u "faol" LS domeniga tegishli bo'ladi. Biroq, talabalar 11 ta aniq savolda (1-jadval) "a" dan ko'proq "b" ni tanlaganlarida va 5 balldan ko'proq ball to'plaganlarida "reflektiv" LS sifatida tasniflangan. Nihoyat, talaba "muvozanat" holatida bo'ladi. Agar ball 5 balldan oshmasa, bu "jarayon" LS hisoblanadi. Tasniflash jarayoni boshqa LS o'lchovlari, ya'ni idrok (faol/reflektiv), kirish (vizual/og'zaki) va tushunish (ketma-ket/global) uchun takrorlandi.
Qaror daraxti modellari tasniflash jarayonining turli bosqichlarida turli xil xususiyatlar to'plamlari va qaror qoidalaridan foydalanishi mumkin. Bu mashhur tasniflash va bashorat qilish vositasi hisoblanadi. Uni blok-sxema [20] kabi daraxt tuzilishi yordamida ifodalash mumkin, unda atribut bo'yicha testlarni ifodalovchi ichki tugunlar, har bir shoxcha test natijalarini ifodalaydi va har bir barg tuguni (barg tuguni) sinf yorlig'ini o'z ichiga oladi.
Har bir talabaning javoblariga asoslanib, uning LS ni avtomatik ravishda baholash va izohlash uchun oddiy qoidaga asoslangan dastur yaratildi. Qoidaga asoslangan IF ifodasi shaklida bo'ladi, bu yerda "IF" triggerni tavsiflaydi va "THEN" bajarilishi kerak bo'lgan harakatni belgilaydi, masalan: "Agar X sodir bo'lsa, unda Y bajaring" (Liu va boshqalar, 2014). Agar ma'lumotlar to'plami korrelyatsiyani namoyish etsa va qaror daraxti modeli to'g'ri o'qitilgan va baholangan bo'lsa, bu yondashuv LS va IS ni moslashtirish jarayonini avtomatlashtirishning samarali usuli bo'lishi mumkin.
Ishlab chiqishning ikkinchi bosqichida tavsiya vositasining aniqligini oshirish uchun ma'lumotlar to'plami 255 ga oshirildi. Ma'lumotlar to'plami 1:4 nisbatda bo'lingan. Ma'lumotlar to'plamining 25% (64) sinov to'plami uchun ishlatilgan, qolgan 75% (191) esa o'quv to'plami sifatida ishlatilgan (2-rasm). Modelning bir xil ma'lumotlar to'plamida o'qitilishi va sinovdan o'tkazilishining oldini olish uchun ma'lumotlar to'plamini bo'lish kerak, bu esa modelning o'rganish o'rniga eslab qolishiga olib kelishi mumkin. Model o'quv to'plamida o'qitiladi va o'z ishlashini sinov to'plamida - model ilgari hech qachon ko'rmagan ma'lumotlarda baholaydi.
IS vositasi ishlab chiqilgandan so'ng, ilova veb-interfeys orqali stomatologiya talabalarining javoblari asosida LS ni tasniflash imkoniyatiga ega bo'ladi. Veb-asoslangan axborot xavfsizligi bo'yicha tavsiyalar vositasi tizimi Python dasturlash tili yordamida Django freymvorkidan foydalanib yaratilgan. 2-jadvalda ushbu tizimni ishlab chiqishda foydalanilgan kutubxonalar ro'yxati keltirilgan.
Ma'lumotlar to'plami talabalarning javoblarini hisoblash va ajratib olish, talabalarning LS o'lchovlarini avtomatik ravishda tasniflash uchun qaror daraxti modeliga kiritiladi.
Chalkashlik matritsasi berilgan ma'lumotlar to'plamida qaror daraxti mashina o'rganish algoritmining aniqligini baholash uchun ishlatiladi. Shu bilan birga, u tasniflash modelining ishlashini baholaydi. U modelning bashoratlarini umumlashtiradi va ularni haqiqiy ma'lumotlar yorliqlari bilan taqqoslaydi. Baholash natijalari to'rt xil qiymatga asoslangan: Haqiqiy musbat (TP) – model ijobiy toifani to'g'ri bashorat qilgan, Soxta musbat (FP) – model ijobiy toifani bashorat qilgan, ammo haqiqiy yorliq salbiy bo'lgan, Haqiqiy manfiy (TN) – model salbiy sinfni to'g'ri bashorat qilgan va Soxta manfiy (FN) – Model salbiy sinfni bashorat qiladi, ammo haqiqiy yorliq ijobiy.
Keyin bu qiymatlar Pythondagi scikit-learn tasniflash modelining turli xil ishlash ko'rsatkichlarini, ya'ni aniqlik, aniqlik, eslab qolish va F1 ballini hisoblash uchun ishlatiladi. Mana misollar:
Eslatish (yoki sezgirlik) modelning m-ILS so'rovnomasiga javob bergandan so'ng talabaning LS ni aniq tasniflash qobiliyatini o'lchaydi.
O'ziga xoslik haqiqiy salbiy ko'rsatkich deb ataladi. Yuqoridagi formuladan ko'rinib turibdiki, bu haqiqiy salbiy ko'rsatkichlarning (TN) haqiqiy salbiy va noto'g'ri ijobiy ko'rsatkichlarga (FP) nisbati bo'lishi kerak. Talaba dorilarini tasniflash uchun tavsiya etilgan vositaning bir qismi sifatida u aniq aniqlash imkoniyatiga ega bo'lishi kerak.
Qaror daraxti ML modelini o'qitish uchun ishlatilgan 50 talabaning asl ma'lumotlar to'plami izohlarda inson xatosi tufayli nisbatan past aniqlikni ko'rsatdi (3-jadval). LS ballari va talabalar izohlarini avtomatik ravishda hisoblash uchun oddiy qoidaga asoslangan dastur yaratilgandan so'ng, tavsiya tizimini o'qitish va sinovdan o'tkazish uchun tobora ko'proq ma'lumotlar to'plamlari (255) ishlatildi.
Ko'p sinfli chalkashlik matritsasida diagonal elementlar har bir LS turi uchun to'g'ri bashoratlar sonini ifodalaydi (4-rasm). Qaror daraxti modelidan foydalanib, jami 64 ta namuna to'g'ri bashorat qilindi. Shunday qilib, ushbu tadqiqotda diagonal elementlar kutilgan natijalarni ko'rsatmoqda, bu modelning yaxshi ishlashini va har bir LS tasnifi uchun sinf yorlig'ini aniq bashorat qilishini ko'rsatadi. Shunday qilib, tavsiya vositasining umumiy aniqligi 100% ni tashkil qiladi.
Aniqlik, aniqlik, eslab qolish va F1 balli qiymatlari 5-rasmda ko'rsatilgan. Qaror daraxti modelidan foydalanadigan tavsiya tizimi uchun uning F1 balli 1,0 "mukammal" ni tashkil etadi, bu mukammal aniqlik va eslab qolishni ko'rsatadi, bu sezilarli sezgirlik va o'ziga xoslik qiymatlarini aks ettiradi.
6-rasmda trening va sinovdan o'tkazilgandan so'ng qaror daraxti modelining vizualizatsiyasi ko'rsatilgan. Yonma-yon taqqoslashda, kamroq xususiyatlar bilan o'rgatilgan qaror daraxti modeli yuqori aniqlik va modelni vizualizatsiya qilishni osonlashtirdi. Bu shuni ko'rsatadiki, xususiyatlarni kamaytirishga olib keladigan xususiyatlar muhandisligi model samaradorligini oshirishda muhim qadamdir.
Qaror daraxti nazorati ostidagi o'rganishni qo'llash orqali LS (kirish) va IS (maqsadli chiqish) o'rtasidagi xaritalash avtomatik ravishda yaratiladi va har bir LS uchun batafsil ma'lumotlarni o'z ichiga oladi.
Natijalar shuni ko'rsatdiki, 255 talabaning 34,9% bitta (1) LS variantini afzal ko'rishgan. Ko'pchilik (54,3%) ikki yoki undan ortiq LS afzal ko'rgan. Talabalarning 12,2% LS ancha muvozanatli ekanligini ta'kidladilar (4-jadval). Sakkizta asosiy LSdan tashqari, Malaya universiteti stomatologiya talabalari uchun LS tasniflarining 34 ta kombinatsiyasi mavjud. Ular orasida idrok, ko'rish va idrok va ko'rishning kombinatsiyasi talabalar tomonidan xabar qilingan asosiy LS hisoblanadi (7-rasm).
4-jadvaldan ko'rinib turibdiki, o'quvchilarning aksariyatida sezgi (13,7%) yoki vizual (8,6%) LS ustunlik qilgan. O'quvchilarning 12,2% idrokni ko'rish bilan birlashtirgani (idrok-vizual LS) haqida xabar berilgan. Bu topilmalar shuni ko'rsatadiki, o'quvchilar belgilangan usullar orqali o'rganishni va eslab qolishni afzal ko'rishadi, aniq va batafsil protseduralarga amal qilishadi va tabiatan diqqatli. Shu bilan birga, ular qarash orqali (diagrammalardan foydalanish va boshqalar) o'rganishni yoqtirishadi va ma'lumotni guruhlarda yoki mustaqil ravishda muhokama qilish va qo'llashga moyil bo'lishadi.
Ushbu tadqiqot ma'lumotlarni qazib olishda qo'llaniladigan mashina o'rganish texnikasiga umumiy nuqtai nazarni taqdim etadi, talabalarning o'quv dasturlarini darhol va aniq bashorat qilish va mos IS ni tavsiya qilishga qaratilgan. Qaror daraxti modelini qo'llash ularning hayoti va ta'lim tajribalari bilan eng yaqin bog'liq bo'lgan omillarni aniqladi. Bu ma'lumotlar to'plamini ma'lum mezonlar asosida kichik kategoriyalarga bo'lish orqali ma'lumotlarni tasniflash uchun daraxt tuzilishidan foydalanadigan boshqariladigan mashina o'rganish algoritmidir. U barg tugunida qaror qabul qilinmaguncha, kirish ma'lumotlarini har bir ichki tugunning kirish xususiyatlaridan birining qiymatiga asoslanib, kichik to'plamlarga rekursiv ravishda bo'lish orqali ishlaydi.
Qaror daraxtining ichki tugunlari m-ILS muammosining kirish xususiyatlariga asoslangan yechimni, barg tugunlari esa yakuniy LS tasniflash bashoratini ifodalaydi. Tadqiqot davomida kirish xususiyatlari va chiqish bashoratlari o'rtasidagi bog'liqlikni ko'rib chiqish orqali qaror qabul qilish jarayonini tushuntiruvchi va vizualizatsiya qiluvchi qaror daraxtlari ierarxiyasini tushunish oson.
Kompyuter fanlari va muhandislik sohalarida mashinani o'rganish algoritmlari talabalarning kirish imtihonlaridagi ballari [21], demografik ma'lumotlar va o'rganish xatti-harakatlari [22] asosida o'qish natijalarini bashorat qilish uchun keng qo'llaniladi. Tadqiqotlar shuni ko'rsatdiki, algoritm talabalarning o'qish natijalarini aniq bashorat qilgan va ularga akademik qiyinchiliklar xavfi ostida bo'lgan talabalarni aniqlashga yordam bergan.
Stomatologiya mashg'ulotlari uchun virtual bemor simulyatorlarini ishlab chiqishda ML algoritmlarining qo'llanilishi haqida xabar berilgan. Simulyator haqiqiy bemorlarning fiziologik javoblarini aniq takrorlay oladi va stomatologiya talabalarini xavfsiz va nazorat ostidagi muhitda o'qitish uchun ishlatilishi mumkin [23]. Boshqa bir qancha tadqiqotlar shuni ko'rsatadiki, mashinani o'rganish algoritmlari stomatologiya va tibbiy ta'lim hamda bemorlarga g'amxo'rlik qilish sifati va samaradorligini oshirishi mumkin. Mashinani o'rganish algoritmlari simptomlar va bemorlarning xususiyatlari kabi ma'lumotlar to'plamiga asoslangan stomatologik kasalliklarni tashxislashda yordam berish uchun ishlatilgan [24, 25]. Boshqa tadqiqotlar esa bemor natijalarini bashorat qilish, yuqori xavfli bemorlarni aniqlash, shaxsiylashtirilgan davolash rejalarini ishlab chiqish [26], periodontal davolash [27] va kariesni davolash [25] kabi vazifalarni bajarish uchun mashinani o'rganish algoritmlaridan foydalanishni o'rgangan.
Stomatologiyada mashinaviy o'qitishni qo'llash bo'yicha hisobotlar nashr etilgan bo'lsa-da, uning stomatologiya ta'limida qo'llanilishi cheklanganligicha qolmoqda. Shuning uchun, ushbu tadqiqot stomatologiya talabalari orasida LS va IS bilan eng yaqin bog'liq bo'lgan omillarni aniqlash uchun qaror daraxti modelidan foydalanishga qaratilgan edi.
Ushbu tadqiqot natijalari shuni ko'rsatadiki, ishlab chiqilgan tavsiya vositasi yuqori aniqlik va mukammal aniqlikka ega, bu o'qituvchilar ushbu vositadan foyda olishlari mumkinligini ko'rsatadi. Ma'lumotlarga asoslangan tasniflash jarayonidan foydalangan holda, u shaxsiylashtirilgan tavsiyalar berishi va o'qituvchilar va talabalar uchun ta'lim tajribasi va natijalarini yaxshilashi mumkin. Ular orasida tavsiya vositalari orqali olingan ma'lumotlar o'qituvchilarning afzal ko'rgan o'qitish usullari va talabalarning o'rganish ehtiyojlari o'rtasidagi ziddiyatlarni hal qilishi mumkin. Masalan, tavsiya vositalarining avtomatlashtirilgan chiqishi tufayli talabaning intellektual mulkini aniqlash va uni mos keladigan intellektual mulk bilan moslashtirish uchun zarur bo'lgan vaqt sezilarli darajada kamayadi. Shu tarzda, mos o'quv faoliyati va o'quv materiallarini tashkil qilish mumkin. Bu talabalarning ijobiy o'rganish xatti-harakatlarini va diqqatni jamlash qobiliyatini rivojlantirishga yordam beradi. Bir tadqiqotda ta'kidlanishicha, talabalarga afzal ko'rgan o'quv materiallari va o'quv faoliyatini taqdim etish talabalarga katta salohiyatga erishish uchun o'rganishni bir necha usullar bilan integratsiya qilish, qayta ishlash va zavqlanishga yordam beradi [12]. Tadqiqotlar shuningdek, talabalarning sinfda ishtirokini yaxshilashdan tashqari, talabalarning o'rganish jarayonini tushunish ham o'qitish amaliyotini va talabalar bilan muloqotni yaxshilashda muhim rol o'ynaydi [28, 29].
Biroq, har qanday zamonaviy texnologiyada bo'lgani kabi, muammolar va cheklovlar mavjud. Bularga ma'lumotlar maxfiyligi, tarafkashlik va adolatlilik bilan bog'liq muammolar, shuningdek, stomatologik ta'limda mashinani o'rganish algoritmlarini ishlab chiqish va amalga oshirish uchun zarur bo'lgan professional ko'nikmalar va resurslar kiradi; Biroq, bu sohaga qiziqish va tadqiqotlarning ortib borishi mashinani o'rganish texnologiyalari stomatologik ta'lim va stomatologik xizmatlarga ijobiy ta'sir ko'rsatishi mumkinligini ko'rsatadi.
Ushbu tadqiqot natijalari shuni ko'rsatadiki, stomatologiya talabalarining yarmi giyohvand moddalarni "idrok etish"ga moyil. Ushbu turdagi o'quvchilar faktlar va aniq misollarni afzal ko'rishadi, amaliy yo'nalishga, tafsilotlarga sabr-toqatga va "vizual" LS afzalligiga ega, bunda o'quvchilar g'oyalar va fikrlarni yetkazish uchun rasmlar, grafikalar, ranglar va xaritalardan foydalanishni afzal ko'rishadi. Hozirgi natijalar stomatologiya va tibbiyot talabalarida LSni baholash uchun ILS dan foydalangan boshqa tadqiqotlar bilan mos keladi, ularning aksariyati pertseptual va vizual LS xususiyatlariga ega [12, 30]. Dalmolin va boshqalar talabalarni o'zlarining LS haqida xabardor qilish ularga o'quv salohiyatiga erishishga imkon berishini ta'kidlaydilar. Tadqiqotchilarning ta'kidlashicha, o'qituvchilar talabalarning o'quv jarayonini to'liq tushunganlarida, talabalarning o'qish samaradorligi va o'rganish tajribasini yaxshilaydigan turli xil o'qitish usullari va tadbirlarini amalga oshirish mumkin [12, 31, 32]. Boshqa tadqiqotlar shuni ko'rsatdiki, talabalarning LS ni sozlash, shuningdek, o'quv uslublarini o'zlarining LS ga mos ravishda o'zgartirgandan so'ng, talabalarning o'quv tajribasi va natijalarida yaxshilanishlarni ko'rsatadi [13, 33].
O'qituvchilarning talabalarning o'rganish qobiliyatlariga asoslangan o'qitish strategiyalarini amalga oshirish borasidagi fikrlari turlicha bo'lishi mumkin. Ba'zilar ushbu yondashuvning afzalliklarini, jumladan, kasbiy rivojlanish imkoniyatlarini, ustozlik va jamoatchilikni qo'llab-quvvatlashni ko'rishsa, boshqalar vaqt va institutsional qo'llab-quvvatlash haqida tashvishlanishlari mumkin. Muvozanatga intilish talabaga yo'naltirilgan munosabatni shakllantirishning kalitidir. Universitet ma'muriyati kabi oliy ta'lim organlari innovatsion amaliyotlarni joriy etish va professor-o'qituvchilar rivojlanishini qo'llab-quvvatlash orqali ijobiy o'zgarishlarni amalga oshirishda muhim rol o'ynashi mumkin [34]. Chinakam dinamik va tezkor oliy ta'lim tizimini yaratish uchun siyosatchilar siyosat o'zgarishlarini kiritish, texnologiyalarni integratsiyalashga resurslar ajratish va talabaga yo'naltirilgan yondashuvlarni ilgari suradigan asoslarni yaratish kabi dadil qadamlar qo'yishlari kerak. Bu choralar kerakli natijalarga erishish uchun juda muhimdir. Tabaqalashtirilgan o'qitish bo'yicha so'nggi tadqiqotlar shuni aniq ko'rsatdiki, tabaqalashtirilgan o'qitishni muvaffaqiyatli amalga oshirish o'qituvchilar uchun doimiy o'qitish va rivojlanish imkoniyatlarini talab qiladi [35].
Ushbu vosita talabalarga mos o'quv faoliyatini rejalashtirishda talabaga yo'naltirilgan yondashuvni qo'llashni istagan stomatologiya o'qituvchilariga qimmatli yordam beradi. Biroq, ushbu tadqiqot qaror daraxti ML modellaridan foydalanish bilan cheklangan. Kelajakda tavsiya vositalarining aniqligi, ishonchliligi va aniqligini taqqoslash uchun turli xil mashina o'rganish modellarining ishlashini taqqoslash uchun ko'proq ma'lumotlar to'planishi kerak. Bundan tashqari, ma'lum bir vazifa uchun eng mos mashina o'rganish usulini tanlashda modelning murakkabligi va talqini kabi boshqa omillarni ham hisobga olish muhimdir.
Ushbu tadqiqotning cheklovi shundaki, u faqat stomatologiya talabalari orasida LS va IS xaritasini tuzishga qaratilgan. Shuning uchun ishlab chiqilgan tavsiya tizimi faqat stomatologiya talabalari uchun mos bo'lganlarni tavsiya qiladi. O'zgarishlar umumiy oliy ta'lim talabalari uchun zarur.
Yangi ishlab chiqilgan mashinaviy o'qitishga asoslangan tavsiya vositasi talabalarning LS ni darhol tasniflash va mos keladigan IS ga moslashtirishga qodir, bu esa uni stomatologiya o'qituvchilariga tegishli o'qitish va o'rganish faoliyatini rejalashtirishda yordam beradigan birinchi stomatologiya ta'limi dasturiga aylantiradi. Ma'lumotlarga asoslangan triaj jarayonidan foydalangan holda, u shaxsiylashtirilgan tavsiyalar berishi, vaqtni tejashi, o'qitish strategiyalarini yaxshilashi, maqsadli aralashuvlarni qo'llab-quvvatlashi va doimiy kasbiy rivojlanishni rag'batlantirishi mumkin. Uning qo'llanilishi stomatologiya ta'limiga talabaga yo'naltirilgan yondashuvlarni ilgari suradi.
Gilak Jani Associated Press. Talabaning o'rganish uslubi va o'qituvchining o'qitish uslubi o'rtasidagi moslik yoki nomuvofiqlik. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Nashr vaqti: 2024-yil 29-aprel