Kuna hitaji linaloongezeka la ujifunzaji unaozingatia wanafunzi (SCL) katika taasisi za elimu ya juu, pamoja na udaktari wa meno.Walakini, SCL ina matumizi machache katika elimu ya meno.Kwa hivyo, utafiti huu unalenga kukuza utumiaji wa SCL katika udaktari wa meno kwa kutumia teknolojia ya mashine ya maamuzi (ML) kuweka ramani ya mtindo wa kujifunza unaopendelewa (LS) na mikakati inayolingana ya kujifunza (IS) ya wanafunzi wa meno kama zana muhimu ya kuunda miongozo ya IS. .Njia za kuahidi kwa wanafunzi wa meno.
Jumla ya wanafunzi 255 wa meno kutoka Chuo Kikuu cha Malaya walikamilisha hojaji iliyorekebishwa ya Mitindo ya Kujifunza (m-ILS), ambayo ilikuwa na vipengee 44 ili kuviainisha katika LS zao.Data iliyokusanywa (inayoitwa mkusanyiko wa data) hutumiwa katika ujifunzaji wa mti wa maamuzi unaosimamiwa ili kulinganisha kiotomatiki mitindo ya kujifunza ya wanafunzi na IS inayofaa zaidi.Usahihi wa zana ya mapendekezo ya IS inayotokana na mashine kujifunza hutathminiwa.
Utumiaji wa miundo ya miti ya maamuzi katika mchakato wa kiotomatiki wa uchoraji ramani kati ya LS (ingizo) na IS (matokeo lengwa) huruhusu orodha ya haraka ya mikakati inayofaa ya kujifunza kwa kila mwanafunzi wa meno.Zana ya mapendekezo ya IS ilionyesha usahihi kamili na ukumbusho wa usahihi wa jumla wa muundo, ikionyesha kuwa kulinganisha LS na IS kuna unyeti na umaalum mzuri.
Zana ya mapendekezo ya IS kulingana na mti wa uamuzi wa ML imethibitisha uwezo wake wa kulinganisha kwa usahihi mitindo ya kujifunza ya wanafunzi wa meno na mikakati ifaayo ya kujifunza.Zana hii hutoa chaguo madhubuti za kupanga kozi zinazomlenga mwanafunzi au moduli ambazo zinaweza kuboresha uzoefu wa kujifunza wa wanafunzi.
Kufundisha na kujifunza ni shughuli za msingi katika taasisi za elimu.Wakati wa kuunda mfumo wa elimu ya ufundi wa hali ya juu, ni muhimu kuzingatia mahitaji ya kujifunza ya wanafunzi.Mwingiliano kati ya wanafunzi na mazingira yao ya kujifunzia unaweza kuamuliwa kupitia LS yao.Utafiti unapendekeza kuwa ulinganifu unaokusudiwa na mwalimu kati ya LS ya wanafunzi na IS unaweza kuwa na matokeo mabaya kwa kujifunza kwa wanafunzi, kama vile kupungua kwa umakini na motisha.Hii itaathiri isivyo moja kwa moja utendaji wa mwanafunzi [1,2].
IS ni njia inayotumiwa na walimu kutoa maarifa na ujuzi kwa wanafunzi, ikiwa ni pamoja na kuwasaidia wanafunzi kujifunza [3].Kwa ujumla, walimu wazuri hupanga mikakati ya kufundisha au IS inayolingana vyema na kiwango cha maarifa cha wanafunzi wao, dhana wanazojifunza, na hatua yao ya kujifunza.Kinadharia, wakati LS na IS zinalingana, wanafunzi wataweza kupanga na kutumia seti maalum ya ujuzi ili kujifunza kwa ufanisi.Kwa kawaida, mpango wa somo hujumuisha mabadiliko kadhaa kati ya hatua, kama vile kutoka kwa ufundishaji hadi mazoezi ya mwongozo au kutoka kwa mazoezi ya kuongozwa hadi mazoezi ya kujitegemea.Kwa kuzingatia hili, walimu wenye ufanisi mara nyingi hupanga maelekezo kwa lengo la kujenga ujuzi na ujuzi wa wanafunzi [4].
Mahitaji ya SCL yanaongezeka katika taasisi za elimu ya juu, ikiwa ni pamoja na daktari wa meno.Mikakati ya SCL imeundwa ili kukidhi mahitaji ya kujifunza ya wanafunzi.Hili linaweza kufikiwa, kwa mfano, ikiwa wanafunzi wanashiriki kikamilifu katika shughuli za kujifunza na walimu wakifanya kama wawezeshaji na kuwajibika kutoa maoni muhimu.Inasemekana kuwa kutoa nyenzo na shughuli za kujifunzia zinazofaa kwa kiwango cha elimu cha wanafunzi au mapendeleo kunaweza kuboresha mazingira ya kujifunza ya wanafunzi na kukuza uzoefu mzuri wa kujifunza [5].
Kwa ujumla, mchakato wa kujifunza kwa wanafunzi wa meno huathiriwa na taratibu mbalimbali za kimatibabu wanazotakiwa kufanya na mazingira ya kimatibabu ambamo wanakuza ustadi mzuri kati ya watu.Madhumuni ya mafunzo ni kuwawezesha wanafunzi kuchanganya ujuzi wa msingi wa daktari wa meno na ujuzi wa kliniki ya meno na kutumia ujuzi uliopatikana kwa hali mpya za kliniki [6, 7].Utafiti wa mapema kuhusu uhusiano kati ya LS na IS uligundua kuwa kurekebisha mikakati ya kujifunza iliyopangwa kwa LS inayopendelewa kungesaidia kuboresha mchakato wa elimu [8].Waandishi pia wanapendekeza kutumia mbinu mbalimbali za ufundishaji na tathmini ili kuendana na ujifunzaji na mahitaji ya wanafunzi.
Walimu hunufaika kwa kutumia maarifa ya LS ili kuwasaidia kubuni, kuendeleza, na kutekeleza maagizo ambayo yataimarisha upataji wa wanafunzi wa maarifa ya kina na uelewaji wa jambo hilo.Watafiti wameunda zana kadhaa za tathmini za LS, kama vile Modeli ya Kujifunza ya Uzoefu ya Kolb, Mfano wa Mtindo wa Kujifunza wa Felder-Silverman (FSSLM), na Fleming VAK/VARK Model [5, 9, 10].Kulingana na fasihi, modeli hizi za ujifunzaji ndizo zinazotumiwa sana na zilizosomwa zaidi.Katika kazi ya sasa ya utafiti, FSLSM inatumika kutathmini LS kati ya wanafunzi wa meno.
FSLSM ni kielelezo kinachotumika sana kutathmini ujifunzaji unaobadilika katika uhandisi.Kuna kazi nyingi zilizochapishwa katika sayansi ya afya (ikiwa ni pamoja na dawa, uuguzi, duka la dawa na daktari wa meno) ambazo zinaweza kupatikana kwa kutumia mifano ya FSLSM [5, 11, 12, 13].Chombo kinachotumiwa kupima vipimo vya LS katika FLSM kinaitwa Index of Learning Styles (ILS) [8], ambacho kina vipengele 44 vinavyotathmini vipimo vinne vya LS: usindikaji (amilifu/akisi), utambuzi (utambuzi/ angavu), pembejeo (ya kuona)./maneno) na uelewa (mfuatano/kimataifa) [14].
Kama inavyoonyeshwa kwenye Mchoro 1, kila kipimo cha FSLSM kina upendeleo mkuu.Kwa mfano, katika mwelekeo wa kuchakata, wanafunzi walio na LS "amilifu" wanapendelea kuchakata maelezo kwa kuingiliana moja kwa moja na nyenzo za kujifunzia, kujifunza kwa kutenda, na huwa na tabia ya kujifunza katika vikundi.LS "ya kutafakari" inahusu kujifunza kupitia kufikiri na inapendelea kufanya kazi peke yake.Kipimo cha "kutambua" cha LS kinaweza kugawanywa katika "hisia" na/au "intuition."Wanafunzi wa "hisia" wanapendelea maelezo madhubuti zaidi na taratibu za vitendo, wana mwelekeo wa ukweli ikilinganishwa na wanafunzi "wa angavu" ambao wanapendelea nyenzo dhahania na ni wabunifu zaidi na wabunifu.Kipimo cha "ingizo" cha LS kina wanafunzi wa "kuona" na "kwa maneno".Watu walio na LS ya "kuona" wanapendelea kujifunza kupitia maonyesho ya kuona (kama vile michoro, video, au maonyesho ya moja kwa moja), ilhali watu wenye LS ya "matusi" wanapendelea kujifunza kupitia maneno kwa maandishi au maelezo ya mdomo.Ili "kuelewa" vipimo vya LS, wanafunzi hao wanaweza kugawanywa katika "mfululizo" na "kimataifa"."Wanafunzi wanaofuatana hupendelea mchakato wa mawazo ya mstari na kujifunza hatua kwa hatua, wakati wanafunzi wa kimataifa huwa na mchakato wa mawazo kamili na daima wana ufahamu bora wa kile wanachojifunza.
Hivi majuzi, watafiti wengi wameanza kuchunguza mbinu za ugunduzi wa data otomatiki, ikiwa ni pamoja na maendeleo ya algoriti mpya na mifano yenye uwezo wa kutafsiri kiasi kikubwa cha data [15, 16].Kulingana na data iliyotolewa, ML inayosimamiwa (kujifunza kwa mashine) inaweza kutoa ruwaza na dhahania zinazotabiri matokeo ya siku zijazo kulingana na muundo wa algoriti [17].Kwa urahisi, mbinu za kujifunza za mashine zinazosimamiwa hudhibiti data ya uingizaji na kanuni za mafunzo.Kisha hutoa masafa ambayo huainisha au kutabiri matokeo kulingana na hali sawa za data ya ingizo iliyotolewa.Faida kuu ya algoriti za kujifunza kwa mashine ni uwezo wake wa kupata matokeo bora na yanayotarajiwa [17].
Kupitia matumizi ya mbinu zinazoendeshwa na data na mifano ya udhibiti wa miti ya maamuzi, utambuzi wa kiotomatiki wa LS unawezekana.Miti ya maamuzi imeripotiwa kutumika sana katika programu za mafunzo katika nyanja mbalimbali, ikiwa ni pamoja na sayansi ya afya [18, 19].Katika utafiti huu, modeli ilifunzwa mahususi na wasanidi wa mfumo kutambua LS ya wanafunzi na kupendekeza IS bora kwao.
Madhumuni ya utafiti huu ni kubuni mikakati ya utoaji wa IS kulingana na LS ya wanafunzi na kutumia mbinu ya SCL kwa kutengeneza zana ya mapendekezo ya IS iliyopangwa kwa LS.Mtiririko wa muundo wa zana ya mapendekezo ya IS kama mkakati wa mbinu ya SCL umeonyeshwa kwenye Mchoro 1. Zana ya mapendekezo ya IS imegawanywa katika sehemu mbili, ikijumuisha utaratibu wa uainishaji wa LS unaotumia ILS na onyesho la IS linalofaa zaidi kwa wanafunzi.
Hasa, sifa za zana za mapendekezo ya usalama wa habari ni pamoja na matumizi ya teknolojia za wavuti na matumizi ya kujifunza kwa mashine ya uamuzi.Wasanidi wa mfumo huboresha hali ya matumizi na uhamaji kwa kuzibadilisha ziendane na vifaa vya rununu kama vile simu za mkononi na kompyuta za mkononi.
Jaribio hilo lilifanyika katika hatua mbili na wanafunzi kutoka Kitivo cha Meno katika Chuo Kikuu cha Malaya walishiriki kwa hiari.Washiriki walijibu m-ILS ya mwanafunzi wa mtandaoni kwa Kiingereza.Katika awamu ya kwanza, seti ya data ya wanafunzi 50 ilitumiwa kufunza algoriti ya kujifunza kwa mashine ya uamuzi.Katika awamu ya pili ya mchakato wa ukuzaji, mkusanyiko wa data wa wanafunzi 255 ulitumiwa kuboresha usahihi wa zana iliyotengenezwa.
Washiriki wote hupokea muhtasari wa mtandaoni mwanzoni mwa kila hatua, kulingana na mwaka wa masomo, kupitia Timu za Microsoft.Madhumuni ya utafiti yalielezwa na kibali cha habari kilipatikana.Washiriki wote walipewa kiungo cha kufikia m-ILS.Kila mwanafunzi aliagizwa kujibu vitu vyote 44 kwenye dodoso.Walipewa wiki moja kukamilisha ILS iliyorekebishwa kwa wakati na eneo linalofaa kwao wakati wa mapumziko ya muhula kabla ya kuanza kwa muhula.M-ILS inategemea zana asilia ya ILS na imerekebishwa kwa wanafunzi wa meno.Sawa na ILS asili, ina vipengee 44 vilivyosambazwa sawasawa (a, b), vikiwa na vitu 11 kila kimoja, ambavyo hutumika kutathmini vipengele vya kila kipimo cha FSLSM.
Wakati wa hatua za awali za ukuzaji wa zana, watafiti walifafanua ramani kwa mikono kwa kutumia mkusanyiko wa wanafunzi 50 wa meno.Kulingana na FSLM, mfumo hutoa jumla ya majibu "a" na "b".Kwa kila kipimo, ikiwa mwanafunzi atachagua “a” kama jibu, LS inaainishwa kuwa Inayotumika/Mtazamo/Inayoonekana/Mfuatano, na ikiwa mwanafunzi atachagua “b” kama jibu, mwanafunzi ataainishwa kuwa Tafakari/Intuitive/Kilugha. ./ mwanafunzi wa kimataifa.
Baada ya kusawazisha utendakazi kati ya watafiti wa elimu ya meno na wasanidi wa mfumo, maswali yalichaguliwa kulingana na kikoa cha FLSSM na kuwekwa katika muundo wa ML ili kutabiri LS ya kila mwanafunzi."Takataka ndani, takataka nje" ni msemo maarufu katika uwanja wa kujifunza kwa mashine, na msisitizo juu ya ubora wa data.Ubora wa data ya ingizo huamua usahihi na usahihi wa muundo wa kujifunza kwa mashine.Wakati wa awamu ya uhandisi wa vipengele, seti mpya ya vipengele inaundwa ambayo ni jumla ya majibu "a" na "b" kulingana na FLSSM.Nambari za utambulisho wa nafasi za dawa zimeonyeshwa kwenye Jedwali 1.
Kuhesabu alama kulingana na majibu na kuamua LS ya mwanafunzi.Kwa kila mwanafunzi, anuwai ya alama ni kutoka 1 hadi 11. Alama kutoka 1 hadi 3 zinaonyesha usawa wa mapendeleo ya kujifunza ndani ya kipimo sawa, na alama kutoka 5 hadi 7 zinaonyesha upendeleo wa wastani, kuonyesha kwamba wanafunzi wana mwelekeo wa kupendelea mazingira moja ya kufundisha wengine. .Tofauti nyingine kwenye kipimo sawa ni kwamba alama kutoka 9 hadi 11 zinaonyesha upendeleo mkubwa kwa ncha moja au nyingine [8].
Kwa kila mwelekeo, madawa ya kulevya yalijumuishwa katika "hai", "reflective" na "usawa".Kwa mfano, mwanafunzi anapojibu “a” mara nyingi zaidi kuliko “b” kwenye kipengee kilichoainishwa na alama zake zinazidi kiwango cha 5 kwa kipengele fulani kinachowakilisha kipimo cha LS ya Uchakataji, yeye ni wa LS “active”. kikoa..Hata hivyo, wanafunzi waliainishwa kuwa LS ya “akisi” walipochagua “b” zaidi ya “a” katika maswali mahususi 11 (Jedwali 1) na kupata zaidi ya pointi 5.Hatimaye, mwanafunzi yuko katika hali ya "usawa."Ikiwa alama haizidi pointi 5, basi hii ni "mchakato" wa LS.Mchakato wa uainishaji ulirudiwa kwa vipimo vingine vya LS, ambavyo ni utambuzi (amilifu/akisi), ingizo (ya kuona/ya maneno), na ufahamu (mfuatano/kimataifa).
Mitindo ya maamuzi inaweza kutumia vipengele tofauti tofauti vya vipengele na sheria za uamuzi katika hatua tofauti za mchakato wa uainishaji.Inachukuliwa kuwa chombo maarufu cha uainishaji na utabiri.Inaweza kuwakilishwa kwa kutumia muundo wa mti kama vile mtiririko wa chati [20], ambamo kuna nodi za ndani zinazowakilisha majaribio kwa sifa, kila tawi linalowakilisha matokeo ya mtihani, na kila nodi ya jani (nodi ya majani) iliyo na lebo ya darasa.
Mpango rahisi unaozingatia sheria uliundwa ili kupata alama kiotomatiki na kufafanua LS ya kila mwanafunzi kulingana na majibu yao.Kulingana na sheria huchukua muundo wa taarifa ya IF, ambapo "IF" inaelezea kichochezi na "BASI" inabainisha kitendo cha kutendwa, kwa mfano: "X ikitokea, basi fanya Y" (Liu et al., 2014).Ikiwa seti ya data inaonyesha uunganisho na muundo wa mti wa uamuzi umefunzwa na kutathminiwa ipasavyo, mbinu hii inaweza kuwa njia mwafaka ya kubinafsisha mchakato wa kulinganisha LS na IS.
Katika awamu ya pili ya maendeleo, mkusanyiko wa data uliongezwa hadi 255 ili kuboresha usahihi wa zana ya mapendekezo.Seti ya data imegawanywa katika uwiano wa 1:4.25% (64) ya seti ya data ilitumika kwa seti ya majaribio, na 75% iliyobaki (191) ilitumika kama seti ya mafunzo (Mchoro 2).Seti ya data inahitaji kugawanywa ili kuzuia kielelezo kutofunzwa na kujaribiwa kwenye seti sawa ya data, ambayo inaweza kusababisha kielelezo kukumbuka badala ya kujifunza.Muundo huo umefunzwa kwenye seti ya mafunzo na kutathmini utendaji wake kwenye seti ya majaribio—data ambayo mtindo haujawahi kuona hapo awali.
Mara tu zana ya IS itakapoundwa, programu tumizi itaweza kuainisha LS kulingana na majibu ya wanafunzi wa meno kupitia kiolesura cha wavuti.Mfumo wa zana za mapendekezo ya usalama wa habari unaotegemea wavuti umeundwa kwa kutumia lugha ya programu ya Python kwa kutumia mfumo wa Django kama sehemu ya nyuma.Jedwali la 2 linaorodhesha maktaba zinazotumiwa katika uundaji wa mfumo huu.
Seti ya data inalishwa kwa muundo wa mti wa uamuzi ili kukokotoa na kutoa majibu ya wanafunzi ili kuainisha kiotomatiki vipimo vya LS vya wanafunzi.
Matrix ya mkanganyiko hutumika kutathmini usahihi wa algoriti ya kujifunza ya mashine ya uamuzi kwenye seti fulani ya data.Wakati huo huo, inatathmini utendaji wa mfano wa uainishaji.Inatoa muhtasari wa utabiri wa mfano na kulinganisha na lebo halisi za data.Matokeo ya tathmini yanatokana na maadili manne tofauti: True Positive (TP) - modeli ilitabiri kwa usahihi aina chanya, False Positive (FP) - modeli ilitabiri aina chanya, lakini lebo ya kweli ilikuwa hasi, True Negative (TN) - mfano ulitabiri kwa usahihi darasa hasi, na hasi ya uwongo (FN) - Mfano huo unatabiri darasa hasi, lakini lebo ya kweli ni chanya.
Kisha thamani hizi hutumika kukokotoa vipimo mbalimbali vya utendakazi vya muundo wa uainishaji wa scikit-learn katika Python, yaani usahihi, usahihi, kukumbuka na alama F1.Hapa kuna mifano:
Recall (au unyeti) hupima uwezo wa modeli wa kuainisha kwa usahihi LS ya mwanafunzi baada ya kujibu dodoso la m-ILS.
Umaalumu huitwa kiwango hasi cha kweli.Kama unavyoona kutoka kwa fomula iliyo hapo juu, hii inapaswa kuwa uwiano wa hasi za kweli (TN) na hasi za kweli na chanya za uwongo (FP).Kama sehemu ya zana inayopendekezwa ya kuainisha dawa za wanafunzi, inapaswa kuwa na uwezo wa utambuzi sahihi.
Seti halisi ya data ya wanafunzi 50 iliyotumiwa kufunza muundo wa ML wa mti wa maamuzi ilionyesha usahihi wa chini kiasi kutokana na makosa ya kibinadamu katika maelezo (Jedwali la 3).Baada ya kuunda mpango rahisi unaozingatia sheria ili kukokotoa kiotomatiki alama za LS na maelezo ya wanafunzi, idadi inayoongezeka ya seti za data (255) zilitumika kufunza na kujaribu mfumo wa wanaopendekeza.
Katika matrix ya kuchanganyikiwa kwa aina nyingi, vipengele vya diagonal vinawakilisha idadi ya utabiri sahihi kwa kila aina ya LS (Mchoro 4).Kwa kutumia modeli ya mti wa uamuzi, jumla ya sampuli 64 zilitabiriwa kwa usahihi.Kwa hivyo, katika utafiti huu, vipengele vya diagonal vinaonyesha matokeo yanayotarajiwa, kuonyesha kwamba mfano hufanya vizuri na kutabiri kwa usahihi lebo ya darasa kwa kila uainishaji wa LS.Hivyo, usahihi wa jumla wa chombo cha mapendekezo ni 100%.
Thamani za usahihi, usahihi, kukumbuka na alama ya F1 zimeonyeshwa kwenye Mchoro wa 5. Kwa mfumo wa mapendekezo kwa kutumia muundo wa mti wa uamuzi, alama yake ya F1 ni 1.0 "kamili," inayoonyesha usahihi kamili na kukumbuka, kuonyesha unyeti mkubwa na maalum. maadili.
Kielelezo cha 6 kinaonyesha taswira ya modeli ya mti wa uamuzi baada ya mafunzo na majaribio kukamilika.Katika ulinganisho wa ubavu kwa upande, muundo wa mti wa uamuzi uliofunzwa na vipengele vichache ulionyesha usahihi wa juu na taswira ya modeli rahisi.Hii inaonyesha kuwa uhandisi wa vipengele unaoongoza kwa kupunguza vipengele ni hatua muhimu katika kuboresha utendakazi wa muundo.
Kwa kutumia mafunzo yanayosimamiwa na mti wa maamuzi, uchoraji ramani kati ya LS (ingizo) na IS (toleo lengwa) hutokezwa kiotomatiki na huwa na maelezo ya kina kwa kila LS.
Matokeo yalionyesha kuwa 34.9% ya wanafunzi 255 walipendelea chaguo moja (1) la LS.Wengi (54.3%) walikuwa na mapendeleo mawili au zaidi ya LS.12.2% ya wanafunzi walibainisha kuwa LS ina usawa kabisa (Jedwali 4).Mbali na LS kuu nane, kuna mchanganyiko 34 wa uainishaji wa LS kwa wanafunzi wa meno wa Chuo Kikuu cha Malaya.Miongoni mwao, mtazamo, maono, na mchanganyiko wa mtazamo na maono ni LS kuu iliyoripotiwa na wanafunzi (Mchoro 7).
Kama inavyoonekana katika Jedwali la 4, wengi wa wanafunzi walikuwa na hisia kuu (13.7%) au LS ya kuona (8.6%).Iliripotiwa kuwa 12.2% ya wanafunzi walichanganya mtazamo na maono (LS ya mtazamo-kuona).Matokeo haya yanapendekeza kwamba wanafunzi wanapendelea kujifunza na kukumbuka kupitia mbinu zilizowekwa, kufuata taratibu maalum na za kina, na wanakuwa wasikivu kimaumbile.Wakati huo huo, wanafurahia kujifunza kwa kuangalia (kutumia michoro, n.k.) na huwa wanajadili na kutumia taarifa katika vikundi au wao wenyewe.
Utafiti huu unatoa muhtasari wa mbinu za kujifunza kwa mashine zinazotumiwa katika uchimbaji wa data, kwa kuzingatia kutabiri papo hapo na kwa usahihi LS ya wanafunzi na kupendekeza IS inayofaa.Utumiaji wa kielelezo cha mti wa uamuzi ulibainisha vipengele vinavyohusiana sana na maisha yao na uzoefu wao wa kielimu.Ni algoriti ya kujifunza kwa mashine inayosimamiwa ambayo hutumia muundo wa mti kuainisha data kwa kugawanya seti ya data katika kategoria ndogo kulingana na vigezo fulani.Inafanya kazi kwa kugawanya data ya ingizo katika vikundi vidogo kulingana na thamani ya mojawapo ya vipengele vya ingizo vya kila nodi ya ndani hadi uamuzi ufanywe kwenye nodi ya jani.
Nodi za ndani za mti wa uamuzi zinawakilisha suluhisho kulingana na sifa za uingizaji wa tatizo la m-ILS, na nodi za majani zinawakilisha utabiri wa mwisho wa uainishaji wa LS.Katika kipindi chote cha utafiti, ni rahisi kuelewa safu ya miti ya maamuzi inayoelezea na kuibua mchakato wa uamuzi kwa kuangalia uhusiano kati ya vipengele vya ingizo na ubashiri wa matokeo.
Katika nyanja za sayansi ya kompyuta na uhandisi, algoriti za kujifunza kwa mashine hutumiwa sana kutabiri utendaji wa wanafunzi kulingana na alama zao za mitihani ya kuingia [21], maelezo ya idadi ya watu, na tabia ya kujifunza [22].Utafiti ulionyesha kwamba algoriti ilitabiri utendaji wa wanafunzi kwa usahihi na kuwasaidia kutambua wanafunzi walio katika hatari ya matatizo ya kitaaluma.
Utumiaji wa algoriti za ML katika uundaji wa viigaji vya wagonjwa wa kawaida kwa mafunzo ya meno yameripotiwa.Mwigizaji huyo ana uwezo wa kuzaliana kwa usahihi majibu ya kisaikolojia ya wagonjwa halisi na inaweza kutumika kuwafunza wanafunzi wa meno katika mazingira salama na yanayodhibitiwa [23].Tafiti zingine kadhaa zinaonyesha kuwa kanuni za kujifunza kwa mashine zinaweza kuboresha ubora na ufanisi wa elimu ya meno na matibabu na utunzaji wa wagonjwa.Kanuni za kujifunza mashine zimetumika kusaidia katika utambuzi wa magonjwa ya meno kulingana na seti za data kama vile dalili na sifa za mgonjwa [24, 25].Wakati tafiti zingine zimechunguza matumizi ya algorithms ya kujifunza mashine kufanya kazi kama vile kutabiri matokeo ya mgonjwa, kutambua wagonjwa walio katika hatari kubwa, kuendeleza mipango ya matibabu ya kibinafsi [26], matibabu ya periodontal [27], na matibabu ya caries [25].
Ingawa ripoti za utumiaji wa kujifunza kwa mashine katika daktari wa meno zimechapishwa, matumizi yake katika elimu ya meno bado ni machache.Kwa hivyo, utafiti huu ulilenga kutumia kielelezo cha mti wa uamuzi kubainisha mambo yanayohusiana zaidi na LS na IS kati ya wanafunzi wa meno.
Matokeo ya utafiti huu yanaonyesha kuwa zana ya mapendekezo iliyotengenezwa ina usahihi wa hali ya juu na usahihi kamili, ikionyesha kwamba walimu wanaweza kufaidika na zana hii.Kwa kutumia mchakato wa uainishaji unaoendeshwa na data, inaweza kutoa mapendekezo yanayokufaa na kuboresha uzoefu wa elimu na matokeo kwa waelimishaji na wanafunzi.Miongoni mwao, taarifa zinazopatikana kupitia zana za mapendekezo zinaweza kutatua migogoro kati ya mbinu za ufundishaji zinazopendelewa na walimu na mahitaji ya kujifunza ya wanafunzi.Kwa mfano, kutokana na utoaji otomatiki wa zana za mapendekezo, muda unaohitajika kutambua IP ya mwanafunzi na kuilinganisha na IP inayolingana utapunguzwa kwa kiasi kikubwa.Kwa njia hii, shughuli za mafunzo zinazofaa na vifaa vya mafunzo vinaweza kupangwa.Hii husaidia kukuza tabia chanya ya wanafunzi ya kujifunza na uwezo wa kuzingatia.Utafiti mmoja uliripoti kuwa kuwapa wanafunzi nyenzo za kujifunzia na shughuli za kujifunzia zinazolingana na LS wanazopendelea kunaweza kuwasaidia wanafunzi kujumuika, kuchakata, na kufurahia kujifunza kwa njia nyingi ili kufikia uwezo mkubwa zaidi [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 ufundishaji na mawasiliano na wanafunzi [28, 29].
Walakini, kama ilivyo kwa teknolojia yoyote ya kisasa, kuna shida na mapungufu.Haya ni pamoja na masuala yanayohusiana na faragha ya data, upendeleo na haki, na ujuzi wa kitaalamu na nyenzo zinazohitajika ili kuunda na kutekeleza kanuni za kujifunza kwa mashine katika elimu ya meno;Hata hivyo, kuongezeka kwa maslahi na utafiti katika eneo hili unapendekeza kuwa teknolojia za kujifunza kwa mashine zinaweza kuwa na athari chanya kwa elimu ya meno na huduma za meno.
Matokeo ya utafiti huu yanaonyesha kuwa nusu ya wanafunzi wa meno wana tabia ya "kutambua" madawa ya kulevya.Mwanafunzi wa aina hii ana upendeleo wa ukweli na mifano halisi, mwelekeo wa vitendo, subira kwa undani, na upendeleo wa "kuona" wa LS, ambapo wanafunzi wanapendelea kutumia picha, michoro, rangi, na ramani ili kuwasilisha mawazo na mawazo.Matokeo ya sasa yanalingana na tafiti zingine zinazotumia ILS kutathmini LS katika wanafunzi wa meno na matibabu, ambao wengi wao wana sifa za LS ya utambuzi na ya kuona [12, 30].Dalmolin et al wanapendekeza kuwa kufahamisha wanafunzi kuhusu LS yao kunawaruhusu kufikia uwezo wao wa kujifunza.Watafiti wanasema kwamba wakati walimu wanaelewa kikamilifu mchakato wa elimu wa wanafunzi, mbinu na shughuli mbalimbali za ufundishaji zinaweza kutekelezwa ambazo zitaboresha utendaji wa wanafunzi na uzoefu wa kujifunza [12, 31, 32].Tafiti zingine zimeonyesha kuwa kurekebisha LS ya wanafunzi pia kunaonyesha maboresho katika uzoefu wa kujifunza na utendaji wa wanafunzi baada ya kubadilisha mitindo yao ya kujifunza ili kuendana na LS yao wenyewe [13, 33].
Maoni ya walimu yanaweza kutofautiana kuhusu utekelezaji wa mikakati ya ufundishaji kulingana na uwezo wa wanafunzi kujifunza.Ingawa wengine wanaona manufaa ya mbinu hii, ikiwa ni pamoja na fursa za maendeleo ya kitaaluma, ushauri, na usaidizi wa jamii, wengine wanaweza kuwa na wasiwasi kuhusu wakati na usaidizi wa taasisi.Kujitahidi kupata usawa ni ufunguo wa kuunda mtazamo unaozingatia mwanafunzi.Mamlaka ya elimu ya juu, kama vile wasimamizi wa vyuo vikuu, wanaweza kuchukua jukumu muhimu katika kuleta mabadiliko chanya kwa kuanzisha mazoea ya kibunifu na kusaidia ukuzaji wa kitivo [34].Ili kuunda mfumo wa elimu ya juu unaobadilika kweli na unaoitikia, watunga sera lazima wachukue hatua za ujasiri, kama vile kufanya mabadiliko ya sera, kutumia rasilimali kwa ujumuishaji wa teknolojia, na kuunda mifumo ambayo inakuza mbinu zinazowalenga wanafunzi.Hatua hizi ni muhimu ili kufikia matokeo yaliyohitajika.Utafiti wa hivi majuzi kuhusu maelekezo tofauti umeonyesha wazi kwamba utekelezaji wenye mafanikio wa mafundisho tofauti unahitaji mafunzo endelevu na fursa za maendeleo kwa walimu [35].
Zana hii hutoa usaidizi muhimu kwa waelimishaji wa meno ambao wanataka kuchukua mbinu inayomlenga mwanafunzi kupanga shughuli za kujifunza zinazomfaa mwanafunzi.Hata hivyo, utafiti huu ni mdogo kwa matumizi ya miti ya maamuzi ML mifano.Katika siku zijazo, data zaidi inapaswa kukusanywa ili kulinganisha utendaji wa miundo tofauti ya kujifunza mashine ili kulinganisha usahihi, kutegemewa na usahihi wa zana za mapendekezo.Zaidi ya hayo, wakati wa kuchagua mbinu inayofaa zaidi ya kujifunza kwa mashine kwa ajili ya kazi fulani, ni muhimu kuzingatia vipengele vingine kama vile ugumu wa kielelezo na ufasiri.
Kizuizi cha utafiti huu ni kwamba ulilenga tu kuchora LS na IS kati ya wanafunzi wa meno.Kwa hiyo, mfumo wa mapendekezo ulioendelezwa utapendekeza tu wale ambao wanafaa kwa wanafunzi wa meno.Mabadiliko ni muhimu kwa matumizi ya jumla ya wanafunzi wa elimu ya juu.
Zana mpya ya mapendekezo ya ujifunzaji kwa kutumia mashine iliyobuniwa ina uwezo wa kuainisha na kulinganisha papo hapo LS ya wanafunzi na IS inayolingana, na kuifanya kuwa mpango wa kwanza wa elimu ya meno kusaidia waelimishaji wa meno kupanga shughuli zinazofaa za kufundisha na kujifunza.Kwa kutumia mchakato wa utatuzi unaoendeshwa na data, inaweza kutoa mapendekezo yanayokufaa, kuokoa muda, kuboresha mikakati ya ufundishaji, kusaidia uingiliaji kati unaolengwa, na kukuza maendeleo endelevu ya kitaaluma.Utumiaji wake utakuza mbinu zinazozingatia wanafunzi katika elimu ya meno.
Gilak Jani Associated Press.Linganisha au kutolingana kati ya mtindo wa kujifunza wa mwanafunzi na mtindo wa ufundishaji wa mwalimu.Int J Mod Educ Sayansi ya Kompyuta.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Muda wa kutuma: Apr-29-2024