Kuna hitaji la kuongezeka kwa kujifunza kwa wanafunzi (SCL) katika taasisi za elimu ya juu, pamoja na meno. Walakini, SCL ina matumizi mdogo katika elimu ya meno. Kwa hivyo, utafiti huu unakusudia kukuza utumiaji wa SCL katika meno kwa kutumia teknolojia ya Uamuzi wa Mashine ya Uamuzi (ML) ramani ya mtindo wa kujifunza unaopendelea (LS) na mikakati inayolingana ya kujifunza (IS) ya wanafunzi wa meno kama zana muhimu ya kukuza ni miongozo . Njia za kuahidi kwa wanafunzi wa meno.
Jumla ya wanafunzi 255 wa meno kutoka Chuo Kikuu cha Malaya walikamilisha dodoso la Dodoso la Mitindo ya Kujifunza (M-ILS), ambayo ilikuwa na vitu 44 vya kuviainisha katika LSS yao. Takwimu iliyokusanywa (inayoitwa daftari) inatumika katika ujifunzaji wa mti wa uamuzi uliosimamiwa ili kulinganisha moja kwa moja mitindo ya kujifunza ya wanafunzi na inafaa zaidi ni. Usahihi wa vifaa vya kujifunza kwa msingi wa mashine ni ya kupendekeza basi hutathminiwa.
Utumiaji wa mifano ya mti wa uamuzi katika mchakato wa uchoraji wa ramani kati ya LS (pembejeo) na ni (pato la lengo) inaruhusu orodha ya haraka ya mikakati sahihi ya kujifunza kwa kila mwanafunzi wa meno. Chombo cha pendekezo cha IS kilionyesha usahihi kamili na ukumbusho wa usahihi wa mfano, kuonyesha kuwa kulinganisha LS kwa IS ina usikivu mzuri na maalum.
Chombo cha Mapendekezo cha IS kulingana na mti wa uamuzi wa ML kimethibitisha uwezo wake wa kulinganisha kwa usahihi mitindo ya kujifunza ya wanafunzi wa meno na mikakati sahihi ya kujifunza. Chombo hiki hutoa chaguzi zenye nguvu kwa kupanga kozi au moduli zinazozingatia wanafunzi ambazo zinaweza kuongeza uzoefu wa kujifunza wa wanafunzi.
Kufundisha na kujifunza ni shughuli za msingi katika taasisi za elimu. Wakati wa kuunda mfumo wa elimu ya hali ya juu, ni muhimu kuzingatia mahitaji ya kujifunza ya wanafunzi. Mwingiliano kati ya wanafunzi na mazingira yao ya kujifunza unaweza kuamua kupitia LS yao. Utafiti unaonyesha kuwa makosa yaliyokusudiwa ya mwalimu kati ya LS ya wanafunzi na IS yanaweza kuwa na athari mbaya kwa ujifunzaji wa wanafunzi, kama vile umakini uliopungua na motisha. Hii itaathiri moja kwa moja utendaji wa mwanafunzi [1,2].
IS ni njia inayotumiwa na waalimu kutoa maarifa na ujuzi kwa wanafunzi, pamoja na kusaidia wanafunzi kujifunza [3]. Kwa ujumla, waalimu wazuri wanapanga mikakati ya kufundishia au ni sawa na kiwango cha maarifa cha wanafunzi wao, dhana wanazojifunza, na hatua yao ya kujifunza. Kinadharia, wakati LS na inafanana, wanafunzi wataweza kupanga na kutumia seti fulani ya ujuzi kujifunza vizuri. Kawaida, mpango wa somo ni pamoja na mabadiliko kadhaa kati ya hatua, kama vile kutoka kwa kufundisha hadi mazoezi yaliyoongozwa au kutoka kwa mazoezi yaliyoongozwa hadi mazoezi ya kujitegemea. Kwa kuzingatia hili, waalimu wenye ufanisi mara nyingi hupanga maagizo na lengo la kujenga maarifa na ujuzi wa wanafunzi [4].
Mahitaji ya SCL yanakua katika taasisi za elimu ya juu, pamoja na meno. Mikakati ya SCL imeundwa kukidhi mahitaji ya kujifunza ya wanafunzi. Hii inaweza kupatikana, kwa mfano, ikiwa wanafunzi wanashiriki kikamilifu katika shughuli za kujifunza na waalimu hufanya kama wawezeshaji na wana jukumu la kutoa maoni muhimu. Inasemekana kwamba kutoa vifaa vya kujifunza na shughuli ambazo zinafaa kwa kiwango cha elimu cha wanafunzi au upendeleo kunaweza kuboresha mazingira ya kujifunza ya wanafunzi na kukuza uzoefu mzuri wa kujifunza [5].
Kwa ujumla, mchakato wa kujifunza wa wanafunzi wa meno unasababishwa na taratibu mbali mbali za kliniki wanazohitajika kufanya na mazingira ya kliniki ambayo huendeleza ustadi mzuri wa kuingiliana. Madhumuni ya mafunzo ni kuwezesha wanafunzi kuchanganya maarifa ya msingi ya meno na ustadi wa kliniki ya meno na kutumia maarifa yaliyopatikana kwa hali mpya za kliniki [6, 7]. Utafiti wa mapema juu ya uhusiano kati ya LS na hugundulika kuwa kurekebisha mikakati ya kujifunza iliyowekwa kwenye LS inayopendelea kungesaidia kuboresha mchakato wa elimu [8]. Waandishi pia wanapendekeza kutumia njia mbali mbali za ufundishaji na tathmini ili kuzoea ujifunzaji na mahitaji ya wanafunzi.
Walimu wananufaika kutokana na kutumia maarifa ya LS kuwasaidia kubuni, kukuza, na kutekeleza maagizo ambayo yataongeza upatikanaji wa wanafunzi wa maarifa ya kina na uelewa wa jambo linalohusika. Watafiti wameandaa zana kadhaa za tathmini za LS, kama mfano wa kujifunza wa KOLB, mtindo wa kujifunza wa Felder-Silverman (FSLSM), na mfano wa Fleming Vak/Vark [5, 9, 10]. Kulingana na fasihi, mifano hii ya kujifunza ndio mifano ya kujifunza inayotumika sana na iliyosomwa zaidi. Katika kazi ya utafiti wa sasa, FSLSM hutumiwa kutathmini LS kati ya wanafunzi wa meno.
FSLSM ni mfano unaotumiwa sana wa kutathmini ujifunzaji wa adapta katika uhandisi. Kuna kazi nyingi zilizochapishwa katika sayansi ya afya (pamoja na dawa, uuguzi, maduka ya dawa na meno) ambayo inaweza kupatikana kwa kutumia mifano ya FSLSM [5, 11, 12, 13]. Chombo kinachotumiwa kupima vipimo vya LS katika FLSM inaitwa Kielelezo cha Mitindo ya Kujifunza (ILS) [8], ambayo ina vitu 44 vya kutathmini vipimo vinne vya LS: usindikaji (hai/tafakari), mtazamo (mtazamo/angavu), pembejeo (kuona). /maneno) na uelewa (mpangilio/ulimwengu) [14].
Kama inavyoonyeshwa kwenye Mchoro 1, kila mwelekeo wa FSLSM una upendeleo mkubwa. Kwa mfano, katika mwelekeo wa usindikaji, wanafunzi walio na LS "hai" wanapendelea kusindika habari kwa kuingiliana moja kwa moja na vifaa vya kujifunza, kujifunza kwa kufanya, na hujifunza katika vikundi. "Tafakari" LS inahusu kujifunza kupitia kufikiria na inapendelea kufanya kazi peke yako. Kiwango cha "kugundua" cha LS kinaweza kugawanywa katika "hisia" na/au "uvumbuzi." Wanafunzi wa "kuhisi" wanapendelea habari halisi na taratibu za vitendo, zinaelekezwa kwa ukweli ikilinganishwa na wanafunzi "wa angavu" ambao wanapendelea nyenzo za kufikirika na ni ubunifu zaidi na ubunifu katika maumbile. Kiwango cha "pembejeo" cha LS kina wanafunzi "wa kuona" na "maneno". Watu walio na "Visual" LS wanapendelea kujifunza kupitia maandamano ya kuona (kama michoro, video, au maandamano ya moja kwa moja), wakati watu walio na "maneno" wanapendelea kujifunza kupitia maneno kwa maelezo yaliyoandikwa au ya mdomo. Ili "kuelewa" vipimo vya LS, wanafunzi kama hao wanaweza kugawanywa katika "mlolongo" na "kimataifa". "Wanafunzi wa mpangilio wanapendelea mchakato wa mawazo na hujifunza hatua kwa hatua, wakati wanafunzi wa ulimwengu huwa na mchakato wa mawazo kamili na daima wanaelewa vizuri kile wanachojifunza.
Hivi karibuni, watafiti wengi wameanza kuchunguza njia za ugunduzi unaotokana na data moja kwa moja, pamoja na maendeleo ya algorithms mpya na mifano yenye uwezo wa kutafsiri idadi kubwa ya data [15, 16]. Kulingana na data iliyotolewa, ML iliyosimamiwa (kujifunza mashine) ina uwezo wa kutoa mifumo na hypotheses ambazo zinatabiri matokeo ya baadaye kulingana na ujenzi wa algorithms [17]. Kuweka tu, mbinu za kujifunza mashine zilizosimamiwa zinasimamia data ya pembejeo na algorithms ya treni. Halafu hutoa anuwai ambayo huainisha au kutabiri matokeo kulingana na hali kama hiyo ya data ya pembejeo iliyotolewa. Faida kuu ya algorithms ya kujifunza mashine iliyosimamiwa ni uwezo wake wa kuanzisha matokeo bora na taka [17].
Kupitia utumiaji wa njia zinazoendeshwa na data na mifano ya kudhibiti mti, kugundua moja kwa moja kwa LS inawezekana. Miti ya uamuzi imeripotiwa kutumika sana katika mipango ya mafunzo katika nyanja mbali mbali, pamoja na sayansi ya afya [18, 19]. Katika utafiti huu, mfano huo ulifunzwa mahsusi na watengenezaji wa mfumo kutambua LS ya wanafunzi na kupendekeza bora ni kwao.
Madhumuni ya utafiti huu ni kukuza ni mikakati ya utoaji kulingana na LS ya wanafunzi na kutumia mbinu ya SCL kwa kukuza zana ya pendekezo ya IS iliyowekwa kwenye LS. Mtiririko wa muundo wa zana ya pendekezo la IS kama mkakati wa njia ya SCL umeonyeshwa kwenye Kielelezo 1. Chombo cha pendekezo cha IS kimegawanywa katika sehemu mbili, pamoja na utaratibu wa uainishaji wa LS kwa kutumia ILS na inayofaa zaidi ni kuonyesha kwa wanafunzi.
Hasa, sifa za zana za pendekezo la usalama wa habari ni pamoja na utumiaji wa teknolojia za wavuti na utumiaji wa kujifunza kwa mashine ya mti. Watengenezaji wa mfumo huboresha uzoefu wa watumiaji na uhamaji kwa kuzibadilisha kwa vifaa vya rununu kama simu za rununu na vidonge.
Jaribio hilo lilifanywa katika hatua mbili na wanafunzi kutoka kitivo cha meno katika Chuo Kikuu cha Malaya walishiriki kwa hiari. Washiriki walijibu kwa mwanafunzi wa meno wa mwanafunzi wa meno kwa Kiingereza. Katika awamu ya kwanza, hifadhidata ya wanafunzi 50 ilitumiwa kutoa mafunzo kwa algorithm ya Mti wa Uamuzi. Katika awamu ya pili ya mchakato wa maendeleo, hifadhidata ya wanafunzi 255 ilitumiwa kuboresha usahihi wa chombo kilichoendelea.
Washiriki wote wanapokea mkutano wa mkondoni mwanzoni mwa kila hatua, kulingana na mwaka wa masomo, kupitia timu za Microsoft. Kusudi la utafiti lilielezewa na idhini ya habari ilipatikana. Washiriki wote walipewa kiunga cha kufikia M-ILS. Kila mwanafunzi aliamriwa kujibu vitu vyote 44 kwenye dodoso. Walipewa wiki moja kukamilisha ILs zilizobadilishwa kwa wakati na eneo rahisi kwao wakati wa mapumziko ya muhula kabla ya kuanza kwa muhula. M-ILS ni msingi wa chombo cha asili cha ILS na kilichobadilishwa kwa wanafunzi wa meno. Sawa na ILS ya asili, ina vitu 44 vilivyosambazwa sawasawa (A, B), na vitu 11 kila moja, ambayo hutumiwa kutathmini mambo ya kila mwelekeo wa FSLSM.
Wakati wa hatua za mwanzo za ukuzaji wa zana, watafiti walifafanua ramani kwa kutumia data ya wanafunzi 50 wa meno. Kulingana na FSLM, mfumo hutoa jumla ya majibu "A" na "B". Kwa kila mwelekeo, ikiwa mwanafunzi anachagua "A" kama jibu, LS imeorodheshwa kama kazi/ya kuona/ya kuona/ya mpangilio, na ikiwa mwanafunzi anachagua "B" kama jibu, mwanafunzi huainishwa kama kuonyesha/kuangazia/lugha . / Mwanafunzi wa Global.
Baada ya kurekebisha mtiririko wa kazi kati ya watafiti wa elimu ya meno na watengenezaji wa mfumo, maswali yalichaguliwa kulingana na kikoa cha FLSSM na kulishwa katika mfano wa ML kutabiri LS ya kila mwanafunzi. "Takataka, Takataka" ni msemo maarufu katika uwanja wa kujifunza mashine, na msisitizo juu ya ubora wa data. Ubora wa data ya pembejeo huamua usahihi na usahihi wa mfano wa kujifunza mashine. Wakati wa awamu ya uhandisi, seti mpya imeundwa ambayo ni jumla ya majibu "A" na "B" kulingana na FLSSM. Nambari za kitambulisho za nafasi za dawa zimepewa kwenye Jedwali 1.
Kuhesabu alama kulingana na majibu na kuamua LS ya mwanafunzi. Kwa kila mwanafunzi, kiwango cha alama ni kutoka 1 hadi 11. Alama kutoka 1 hadi 3 zinaonyesha usawa wa upendeleo wa kujifunza ndani ya mwelekeo huo huo, na alama kutoka 5 hadi 7 zinaonyesha upendeleo wa wastani, ikionyesha kuwa wanafunzi huwa wanapendelea mazingira moja kufundisha wengine . Tofauti nyingine kwenye mwelekeo huo ni kwamba alama kutoka 9 hadi 11 zinaonyesha upendeleo mkubwa kwa mwisho mmoja au mwingine [8].
Kwa kila mwelekeo, dawa ziliwekwa katika "kazi", "kutafakari" na "usawa". Kwa mfano, wakati mwanafunzi anajibu "A" mara nyingi zaidi kuliko "B" kwenye bidhaa iliyotengwa na alama yake inazidi kizingiti cha 5 kwa kitu fulani kinachowakilisha mwelekeo wa usindikaji, yeye ni wa "Active" LS kikoa. . Walakini, wanafunzi waliainishwa kama "kutafakari" LS wakati walichagua "B" zaidi ya "A" katika maswali maalum 11 (Jedwali 1) na walifunga zaidi ya alama 5. Mwishowe, mwanafunzi yuko katika hali ya "usawa." Ikiwa alama haizidi alama 5, basi hii ni "mchakato" LS. Mchakato wa uainishaji ulirudiwa kwa vipimo vingine vya LS, ambayo ni mtazamo (hai/wa kutafakari), pembejeo (kuona/maneno), na ufahamu (mpangilio/ulimwengu).
Aina za mti wa uamuzi zinaweza kutumia vifaa tofauti vya huduma na sheria za uamuzi katika hatua tofauti za mchakato wa uainishaji. Inachukuliwa kuwa uainishaji maarufu na zana ya utabiri. Inaweza kuwakilishwa kwa kutumia muundo wa mti kama vile flowchart [20], ambayo kuna node za ndani zinazowakilisha vipimo kwa sifa, kila tawi linalowakilisha matokeo ya mtihani, na kila eneo la jani (nodi ya majani) iliyo na lebo ya darasa.
Programu rahisi ya msingi wa sheria iliundwa kuweka alama moja kwa moja na kufafanua LS ya kila mwanafunzi kulingana na majibu yao. Kwa msingi wa sheria inachukua fomu ya taarifa ya IF, ambapo "IF" inaelezea trigger na "basi" inabainisha hatua inayopaswa kufanywa, kwa mfano: "Ikiwa x itatokea, basi fanya y" (Liu et al., 2014). Ikiwa data iliyowekwa inaonyesha uunganisho na mfano wa mti wa uamuzi umefunzwa vizuri na kukaguliwa, njia hii inaweza kuwa njia bora ya kurekebisha mchakato wa kulinganisha LS na IS.
Katika awamu ya pili ya maendeleo, data iliongezeka hadi 255 ili kuboresha usahihi wa zana ya pendekezo. Seti ya data imegawanywa kwa uwiano wa 1: 4. 25% (64) ya seti ya data ilitumika kwa seti ya mtihani, na 75% iliyobaki (191) ilitumika kama seti ya mafunzo (Mchoro 2). Seti ya data inahitaji kugawanywa ili kuzuia mfano huo kufunzwa na kupimwa kwenye seti hiyo hiyo ya data, ambayo inaweza kusababisha mfano kukumbuka badala ya kujifunza. Mfano huo umefunzwa juu ya seti ya mafunzo na inakagua utendaji wake kwenye seti ya jaribio -Tata mfano haujawahi kuona hapo awali.
Mara tu zana ya IS itakapoandaliwa, programu itaweza kuainisha LS kulingana na majibu ya wanafunzi wa meno kupitia interface ya wavuti. Mfumo wa zana ya pendekezo la usalama wa habari ya wavuti hujengwa kwa kutumia lugha ya programu ya Python kwa kutumia mfumo wa Django kama backend. Jedwali 2 linaorodhesha maktaba zinazotumiwa katika maendeleo ya mfumo huu.
Dataset hulishwa kwa mfano wa mti wa uamuzi kuhesabu na kutoa majibu ya mwanafunzi ili kuainisha moja kwa moja vipimo vya wanafunzi.
Matrix ya machafuko hutumiwa kutathmini usahihi wa algorithm ya Mashine ya Uamuzi kwenye seti fulani ya data. Wakati huo huo, inakagua utendaji wa mfano wa uainishaji. Inatoa muhtasari wa utabiri wa mfano na inalinganisha na lebo halisi za data. Matokeo ya tathmini yanategemea maadili manne tofauti: chanya ya kweli (TP) - mfano ulitabiri kwa usahihi jamii chanya, chanya ya uwongo (FP) - mfano ulitabiri jamii chanya, lakini lebo ya kweli ilikuwa hasi, hasi ya kweli (TN) - Mfano huo ulitabiri kwa usahihi darasa hasi, na hasi ya uwongo (FN) - mfano unatabiri darasa hasi, lakini lebo ya kweli ni nzuri.
Thamani hizi hutumiwa kuhesabu metriki anuwai ya utendaji wa mfano wa uainishaji wa scikit-kujifunza katika Python, ambayo ni usahihi, usahihi, kumbuka, na alama ya F1. Hapa kuna mifano:
Kumbuka (au usikivu) hupima uwezo wa mfano wa kuainisha kwa usahihi LS ya mwanafunzi baada ya kujibu dodoso la M-ILS.
Ukweli huitwa kiwango hasi cha kweli. Kama unavyoona kutoka kwa formula hapo juu, hii inapaswa kuwa uwiano wa athari za kweli (TN) kwa athari za kweli na chanya za uwongo (FP). Kama sehemu ya zana iliyopendekezwa ya kuainisha dawa za wanafunzi, inapaswa kuwa na uwezo wa kitambulisho sahihi.
Takwimu ya asili ya wanafunzi 50 waliotumiwa kufundisha mfano wa mti wa ML ilionyesha usahihi wa chini kwa sababu ya makosa ya kibinadamu katika maelezo (Jedwali 3). Baada ya kuunda mpango rahisi wa msingi wa sheria kuhesabu moja kwa moja alama za LS na maelezo ya wanafunzi, idadi inayoongezeka ya hifadhidata (255) ilitumiwa kutoa mafunzo na kujaribu mfumo wa mpokeaji.
Katika matrix ya machafuko ya multiclass, vitu vya diagonal vinawakilisha idadi ya utabiri sahihi wa kila aina ya LS (Mchoro 4). Kutumia mfano wa mti wa uamuzi, jumla ya sampuli 64 zilitabiriwa kwa usahihi. Kwa hivyo, katika utafiti huu, mambo ya diagonal yanaonyesha matokeo yanayotarajiwa, ikionyesha kuwa mfano hufanya vizuri na kwa usahihi inatabiri lebo ya darasa kwa kila uainishaji wa LS. Kwa hivyo, usahihi wa jumla wa zana ya pendekezo ni 100%.
Thamani za usahihi, usahihi, kumbuka, na alama ya F1 imeonyeshwa kwenye Mchoro 5. Kwa mfumo wa pendekezo kwa kutumia mfano wa mti wa uamuzi, alama yake ya F1 ni 1.0 "kamili," inayoonyesha usahihi kamili na ukumbusho, kuonyesha unyeti mkubwa na maalum maadili.
Kielelezo cha 6 kinaonyesha taswira ya mfano wa mti wa uamuzi baada ya mafunzo na upimaji kukamilika. Kwa kulinganisha kwa upande, mfano wa mti wa uamuzi uliofunzwa na huduma chache ulionyesha usahihi wa hali ya juu na taswira rahisi ya mfano. Hii inaonyesha kuwa uhandisi unaoongoza kwa kupunguzwa kwa kipengele ni hatua muhimu katika kuboresha utendaji wa mfano.
Kwa kutumia Mti wa Uamuzi uliosimamiwa, ramani kati ya LS (pembejeo) na ni (pato la lengo) hutolewa kiotomatiki na ina habari ya kina kwa kila LS.
Matokeo yalionyesha kuwa 34.9% ya wanafunzi 255 walipendelea chaguo moja (1) LS. Wengi (54.3%) walikuwa na upendeleo wa LS mbili au zaidi. 12.2% ya wanafunzi walibaini kuwa LS ni sawa (Jedwali 4). Mbali na LS kuu nane, kuna mchanganyiko 34 wa uainishaji wa LS kwa wanafunzi wa meno wa Chuo Kikuu cha Malaya. Kati yao, mtazamo, maono, na mchanganyiko wa mtazamo na maono ndio LS kuu iliyoripotiwa na wanafunzi (Mchoro 7).
Kama inavyoonekana kutoka kwa Jedwali 4, wanafunzi wengi walikuwa na hisia kubwa (13.7%) au (8.6%) LS. Iliripotiwa kuwa asilimia 12.2 ya wanafunzi pamoja na mtazamo na maono (LS ya kuona-kuona). Matokeo haya yanaonyesha kuwa wanafunzi wanapendelea kujifunza na kukumbuka kupitia njia zilizowekwa, kufuata taratibu maalum na za kina, na ni makini katika maumbile. Wakati huo huo, wanafurahiya kujifunza kwa kuangalia (kutumia michoro, nk) na huwa wanajadili na kutumia habari katika vikundi au peke yao.
Utafiti huu hutoa muhtasari wa mbinu za kujifunza mashine zinazotumiwa katika madini ya data, kwa kuzingatia mara moja na kwa usahihi kutabiri LS ya wanafunzi na kupendekeza inafaa ni. Utumiaji wa mfano wa mti wa uamuzi uligundua sababu zinazohusiana sana na maisha yao na uzoefu wa kielimu. Ni algorithm inayosimamiwa ya kujifunza mashine ambayo hutumia muundo wa mti kuainisha data kwa kugawa seti ya data katika sehemu ndogo kulingana na vigezo fulani. Inafanya kazi kwa kugawanya data ya pembejeo kwa msingi wa msingi wa thamani ya moja ya huduma za pembejeo za kila nodi ya ndani hadi uamuzi utakapofanywa kwenye eneo la jani.
Sehemu za ndani za mti wa uamuzi zinawakilisha suluhisho kulingana na sifa za pembejeo za shida ya M-ILS, na node za jani zinawakilisha utabiri wa mwisho wa uainishaji wa LS. Katika masomo yote, ni rahisi kuelewa uongozi wa miti ya uamuzi ambayo inaelezea na kuibua mchakato wa uamuzi kwa kuangalia uhusiano kati ya huduma za pembejeo na utabiri wa pato.
Katika nyanja za sayansi ya kompyuta na uhandisi, algorithms za kujifunza mashine hutumiwa sana kutabiri utendaji wa mwanafunzi kulingana na alama za mitihani ya kuingia [21], habari ya idadi ya watu, na tabia ya kujifunza [22]. Utafiti ulionyesha kuwa algorithm ilitabiri kwa usahihi utendaji wa mwanafunzi na iliwasaidia kutambua wanafunzi walio katika hatari ya shida za kitaaluma.
Utumiaji wa algorithms ya ML katika maendeleo ya simulators za mgonjwa wa kawaida kwa mafunzo ya meno inaripotiwa. Simulator ina uwezo wa kuzalisha kwa usahihi majibu ya kisaikolojia ya wagonjwa halisi na inaweza kutumika kutoa mafunzo kwa wanafunzi wa meno katika mazingira salama na yaliyodhibitiwa [23]. Tafiti zingine kadhaa zinaonyesha kuwa algorithms ya kujifunza mashine inaweza kuboresha ubora na ufanisi wa elimu ya meno na matibabu na utunzaji wa wagonjwa. Algorithms ya kujifunza mashine imetumika kusaidia katika utambuzi wa magonjwa ya meno kulingana na seti za data kama dalili na sifa za mgonjwa [24, 25]. Wakati tafiti zingine zimechunguza utumiaji wa algorithms ya kujifunza mashine kufanya kazi kama vile kutabiri matokeo ya mgonjwa, kubaini wagonjwa walio katika hatari kubwa, kuendeleza mipango ya matibabu ya kibinafsi [26], matibabu ya muda [27], na matibabu ya caries [25].
Ingawa ripoti juu ya utumiaji wa kujifunza kwa mashine katika meno zimechapishwa, matumizi yake katika elimu ya meno bado ni mdogo. Kwa hivyo, utafiti huu ulilenga kutumia mfano wa mti wa uamuzi kubaini mambo yanayohusiana sana na LS na ni kati ya wanafunzi wa meno.
Matokeo ya utafiti huu yanaonyesha kuwa zana ya pendekezo iliyoendelezwa ina usahihi wa hali ya juu na usahihi kamili, ikionyesha kuwa waalimu wanaweza kufaidika na zana hii. Kutumia mchakato wa uainishaji unaotokana na data, inaweza kutoa mapendekezo ya kibinafsi na kuboresha uzoefu wa kielimu na matokeo kwa waalimu na wanafunzi. Miongoni mwao, habari inayopatikana kupitia zana za pendekezo inaweza kusuluhisha mizozo kati ya njia za kufundishia za waalimu na mahitaji ya kujifunza ya wanafunzi. Kwa mfano, kwa sababu ya matokeo ya kiotomatiki ya zana za pendekezo, wakati unaohitajika kutambua IP ya mwanafunzi na kuilinganisha na IP inayolingana itapunguzwa sana. Kwa njia hii, shughuli zinazofaa za mafunzo na vifaa vya mafunzo vinaweza kupangwa. Hii husaidia kukuza tabia chanya ya kujifunza ya wanafunzi na uwezo wa kuzingatia. Utafiti mmoja uliripoti kwamba kuwapa wanafunzi vifaa vya kujifunza na shughuli za kujifunza zinazofanana na LS yao inayopendelea inaweza kusaidia wanafunzi kujumuisha, kusindika, na kufurahiya kujifunza kwa njia nyingi kufikia uwezo mkubwa [12]. Utafiti pia unaonyesha kuwa pamoja na kuboresha ushiriki wa wanafunzi darasani, kuelewa mchakato wa kujifunza wa wanafunzi pia kuna jukumu muhimu katika kuboresha mazoea ya kufundishia na mawasiliano na wanafunzi [28, 29].
Walakini, kama ilivyo kwa teknolojia yoyote ya kisasa, kuna shida na mapungufu. Hii ni pamoja na maswala yanayohusiana na faragha ya data, upendeleo na usawa, na ustadi wa kitaalam na rasilimali zinazohitajika kukuza na kutekeleza algorithms ya kujifunza mashine katika elimu ya meno; Walakini, kuongezeka kwa riba na utafiti katika eneo hili unaonyesha kuwa teknolojia za kujifunza mashine zinaweza kuwa na athari nzuri kwa elimu ya meno na huduma za meno.
Matokeo ya utafiti huu yanaonyesha kuwa nusu ya wanafunzi wa meno wana tabia ya "kugundua" dawa. Aina hii ya mwanafunzi ina upendeleo kwa ukweli na mifano halisi, mwelekeo wa vitendo, uvumilivu kwa undani, na upendeleo wa "kuona", ambapo wanafunzi wanapendelea kutumia picha, picha, rangi, na ramani kufikisha maoni na mawazo. Matokeo ya sasa yanaambatana na tafiti zingine kwa kutumia ILS kutathmini LS kwa wanafunzi wa meno na matibabu, ambao wengi wao wana sifa za mtazamo wa kuona na wa kuona [12, 30]. Dalmolin et al anapendekeza kuwa kuwajulisha wanafunzi juu ya LS yao inawaruhusu kufikia uwezo wao wa kujifunza. Watafiti wanasema kwamba wakati waalimu wanapoelewa kikamilifu mchakato wa masomo wa wanafunzi, njia na shughuli mbali mbali za kufundishia zinaweza kutekelezwa ambazo zitaboresha utendaji wa wanafunzi na uzoefu wa kujifunza [12, 31, 32]. Uchunguzi mwingine umeonyesha kuwa kurekebisha LS ya wanafunzi pia inaonyesha maboresho katika uzoefu wa kujifunza wa wanafunzi na utendaji baada ya kubadilisha mitindo yao ya kujifunza ili kuendana na LS yao wenyewe [13, 33].
Maoni ya waalimu yanaweza kutofautiana kuhusu utekelezaji wa mikakati ya kufundisha kulingana na uwezo wa kujifunza wa wanafunzi. Wakati wengine wanaona faida za njia hii, pamoja na fursa za maendeleo ya kitaalam, ushauri, na msaada wa jamii, wengine wanaweza kuwa na wasiwasi juu ya wakati na msaada wa kitaasisi. Kujitahidi kwa usawa ni ufunguo wa kuunda mtazamo unaozingatia mwanafunzi. Mamlaka ya elimu ya juu, kama vile wasimamizi wa vyuo vikuu, wanaweza kuchukua jukumu muhimu katika kuendesha mabadiliko mazuri kwa kuanzisha mazoea ya ubunifu na kusaidia maendeleo ya kitivo [34]. Ili kuunda mfumo wa elimu ya juu wenye nguvu na msikivu, watunga sera lazima wachukue hatua za ujasiri, kama vile kufanya mabadiliko ya sera, kutoa rasilimali kwa ujumuishaji wa teknolojia, na kuunda mfumo ambao unakuza njia zinazozingatia wanafunzi. Hatua hizi ni muhimu ili kufikia matokeo unayotaka. Utafiti wa hivi karibuni juu ya maagizo yaliyotofautishwa umeonyesha wazi kuwa utekelezaji mzuri wa mafundisho tofauti unahitaji mafunzo yanayoendelea na fursa za maendeleo kwa waalimu [35].
Chombo hiki kinatoa msaada muhimu kwa waelimishaji wa meno ambao wanataka kuchukua njia inayozingatia wanafunzi katika kupanga shughuli za ujifunzaji wa wanafunzi. Walakini, utafiti huu ni mdogo kwa utumiaji wa mifano ya mti wa ML. Katika siku zijazo, data zaidi inapaswa kukusanywa kulinganisha utendaji wa mifano tofauti ya kujifunza mashine kulinganisha usahihi, kuegemea, na usahihi wa zana za pendekezo. Kwa kuongeza, wakati wa kuchagua njia inayofaa zaidi ya kujifunza mashine kwa kazi fulani, ni muhimu kuzingatia mambo mengine kama ugumu wa mfano na tafsiri.
Kizuizi cha utafiti huu ni kwamba ililenga tu kwenye ramani za LS na ni kati ya wanafunzi wa meno. Kwa hivyo, mfumo wa pendekezo uliotengenezwa utapendekeza tu zile zinazofaa kwa wanafunzi wa meno. Mabadiliko ni muhimu kwa matumizi ya jumla ya mwanafunzi wa elimu ya juu.
Chombo kipya cha kupendekeza cha msingi wa kujifunza kwa mashine kinaweza kuainisha mara moja na kulinganisha ls za wanafunzi na sambamba ni, na kuifanya kuwa mpango wa kwanza wa elimu ya meno kusaidia waelimishaji wa meno kupanga shughuli za ufundishaji na shughuli za kujifunza. Kutumia mchakato wa triage unaotokana na data, inaweza kutoa mapendekezo ya kibinafsi, kuokoa muda, kuboresha mikakati ya kufundishia, kusaidia uingiliaji unaolenga, na kukuza maendeleo ya kitaalam yanayoendelea. Maombi yake yatakuza njia zinazozingatia wanafunzi kwa elimu ya meno.
Gilak Jani Associated Press. Mechi au mismatch kati ya mtindo wa kujifunza wa mwanafunzi na mtindo wa kufundisha wa mwalimu. Int J mod educa ya sayansi ya kompyuta. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Wakati wa chapisho: Aprili-29-2024