Kuna hitaji linaloongezeka la ujifunzaji unaozingatia wanafunzi (SCL) katika taasisi za elimu ya juu, ikiwa ni pamoja na meno. Hata hivyo, SCL ina matumizi machache katika elimu ya meno. Kwa hivyo, utafiti huu unalenga kukuza matumizi ya SCL katika meno kwa kutumia teknolojia ya ujifunzaji wa mashine ya mti wa uamuzi (ML) ili kupanga mtindo unaopendelewa wa kujifunza (LS) na mikakati inayolingana ya kujifunza (IS) ya wanafunzi wa meno kama zana muhimu ya kutengeneza miongozo ya IS. Mbinu zinazoahidi kwa wanafunzi wa meno.
Jumla ya wanafunzi 255 wa meno kutoka Chuo Kikuu cha Malaya walikamilisha dodoso la Index of Learning Styles (m-ILS) lililorekebishwa, ambalo lilikuwa na vipengee 44 vya kuviainisha katika LS zao husika. Data iliyokusanywa (inayoitwa seti ya data) hutumika katika ujifunzaji wa mti wa uamuzi unaosimamiwa ili kulinganisha kiotomatiki mitindo ya ujifunzaji ya wanafunzi na IS inayofaa zaidi. Usahihi wa zana ya mapendekezo ya IS inayotegemea ujifunzaji wa mashine kisha hutathminiwa.
Matumizi ya mifano ya mti wa uamuzi katika mchakato wa uchoraji ramani otomatiki kati ya LS (pembejeo) na IS (matokeo lengwa) huruhusu orodha ya haraka ya mikakati sahihi ya kujifunza kwa kila mwanafunzi wa meno. Zana ya mapendekezo ya IS ilionyesha usahihi kamili na ukumbusho wa usahihi wa jumla wa mfano, ikionyesha kwamba 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 inayofaa ya kujifunza. Zana hii hutoa chaguzi zenye nguvu za kupanga kozi au moduli zinazozingatia mwanafunzi ambazo zinaweza kuboresha uzoefu wa kujifunza wa wanafunzi.
Kufundisha na kujifunza ni shughuli za msingi katika taasisi za elimu. Wakati wa kutengeneza mfumo wa elimu ya ufundi stadi wa hali ya juu, ni muhimu kuzingatia mahitaji ya kujifunza ya wanafunzi. Mwingiliano kati ya wanafunzi na mazingira yao ya kujifunza unaweza kubainishwa kupitia LS yao. Utafiti unaonyesha kwamba kutolingana kwa mwalimu kati ya LS ya wanafunzi na IS kunaweza kuwa na matokeo mabaya kwa ujifunzaji wa wanafunzi, kama vile kupungua kwa umakini na motisha. Hii itaathiri utendaji wa wanafunzi kwa njia isiyo ya moja kwa moja [1,2].
IS ni njia inayotumiwa na walimu kuwapa wanafunzi maarifa na ujuzi, 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 zinapolingana, wanafunzi wataweza kupanga na kutumia seti maalum ya ujuzi ili kujifunza kwa ufanisi. Kwa kawaida, mpango wa somo unajumuisha mabadiliko kadhaa kati ya hatua, kama vile kutoka kufundisha hadi mazoezi ya kuongozwa au kutoka kwa mazoezi ya kuongozwa hadi mazoezi ya kujitegemea. Kwa kuzingatia hili, walimu wenye ufanisi mara nyingi hupanga mafundisho kwa lengo la kujenga maarifa na ujuzi wa wanafunzi [4].
Mahitaji ya SCL yanaongezeka katika taasisi za elimu ya juu, ikiwa ni pamoja na madaktari wa meno. Mikakati ya SCL imeundwa ili kukidhi mahitaji ya wanafunzi ya kujifunza. Kwa mfano, hili linaweza kufikiwa ikiwa wanafunzi wanashiriki kikamilifu katika shughuli za kujifunza na walimu wanafanya kazi kama wawezeshaji na wanawajibika kutoa maoni muhimu. Inasemekana kwamba kutoa vifaa vya kujifunzia na shughuli zinazofaa kwa kiwango cha elimu cha wanafunzi au mapendeleo yao kunaweza kuboresha mazingira ya kujifunza ya wanafunzi na kukuza uzoefu mzuri wa kujifunza [5].
Kwa ujumla, mchakato wa kujifunza wa wanafunzi wa meno huathiriwa na taratibu mbalimbali za kimatibabu wanazohitajika kufanya na mazingira ya kimatibabu ambapo wanakuza ujuzi mzuri wa mahusiano baina ya watu. Madhumuni ya mafunzo ni kuwawezesha wanafunzi kuchanganya ujuzi wa msingi wa meno na ujuzi wa kimatibabu wa meno na kutumia ujuzi walioupata katika hali mpya za kimatibabu [6, 7]. Utafiti wa awali kuhusu uhusiano kati ya LS na IS uligundua kuwa kurekebisha mikakati ya kujifunza iliyopangwa kwenye LS inayopendelewa kungesaidia kuboresha mchakato wa kielimu [8]. Waandishi pia wanapendekeza kutumia mbinu mbalimbali za kufundisha na tathmini ili kuendana na ujifunzaji na mahitaji ya wanafunzi.
Walimu hunufaika kwa kutumia maarifa ya LS ili kuwasaidia kubuni, kukuza, na kutekeleza mafundisho ambayo yataboresha upatikanaji wa wanafunzi wa maarifa ya kina na uelewa wa mada hiyo. Watafiti wameunda zana kadhaa za tathmini ya LS, kama vile Mfano wa Kujifunza wa Uzoefu wa Kolb, Mfano wa Mtindo wa Kujifunza wa Felder-Silverman (FSLSM), na Mfano wa Fleming VAK/VARK [5, 9, 10]. Kulingana na fasihi, mifumo hii ya kujifunza ndiyo mifumo ya kujifunza inayotumika sana na inayosomwa zaidi. Katika kazi ya sasa ya utafiti, FSLSM inatumika kutathmini LS miongoni mwa wanafunzi wa meno.
FSLSM ni modeli inayotumika sana kwa ajili ya kutathmini ujifunzaji unaobadilika katika uhandisi. Kuna kazi nyingi zilizochapishwa katika sayansi ya afya (ikiwa ni pamoja na dawa, uuguzi, famasi na meno) ambazo zinaweza kupatikana kwa kutumia modeli za FSLSM [5, 11, 12, 13]. Kifaa kinachotumika kupima vipimo vya LS katika FLSM kinaitwa Index of Learning Styles (ILS) [8], ambacho kina vipengee 44 vinavyotathmini vipimo vinne vya LS: usindikaji (amilifu/kutafakari), utambuzi (utambuzi/ahisi), uingizaji (wa kuona). /kwa maneno) na uelewa (mfuatano/kimataifa) [14].
Kama inavyoonyeshwa kwenye Mchoro 1, kila kipimo cha FSLSM kina upendeleo mkubwa. Kwa mfano, katika kipimo cha usindikaji, wanafunzi wenye LS "amilifu" wanapendelea kusindika taarifa kwa kuingiliana moja kwa moja na vifaa vya kujifunzia, kujifunza kwa kutenda, na huwa wanajifunza katika vikundi. LS "ya kutafakari" inarejelea kujifunza kupitia kufikiri na hupendelea kufanya kazi peke yao. Kipimo cha "kutambua" cha LS kinaweza kugawanywa katika "hisia" na/au "hisia." Wanafunzi wa "hisia" wanapendelea taarifa halisi zaidi na taratibu za vitendo, wanazingatia ukweli ikilinganishwa na wanafunzi "wanye hisia" ambao wanapendelea nyenzo dhahania na ni wabunifu zaidi na wabunifu. Kipimo cha "pembejeo" cha LS kina wanafunzi "wa kuona" na "wa maneno". Watu wenye LS "ya kuona" wanapendelea kujifunza kupitia maonyesho ya kuona (kama vile michoro, video, au maonyesho ya moja kwa moja), ilhali watu wenye LS "ya maneno" wanapendelea kujifunza kupitia maneno katika maelezo yaliyoandikwa au ya mdomo. Ili "kuelewa" vipimo vya LS, wanafunzi kama hao wanaweza kugawanywa katika "mfuatano" na "wa kimataifa". "Wanafunzi wa mfululizo wanapendelea mchakato wa mawazo ya mstari na hujifunza hatua kwa hatua, huku wanafunzi wa kimataifa wakiwa na mchakato wa mawazo kamili na huwa na uelewa mzuri wa kile wanachojifunza."
Hivi majuzi, watafiti wengi wameanza kuchunguza mbinu za ugunduzi otomatiki unaoendeshwa na data, ikiwa ni pamoja na ukuzaji wa algoriti mpya na mifumo inayoweza kutafsiri kiasi kikubwa cha data [15, 16]. Kulingana na data iliyotolewa, ML inayosimamiwa (kujifunza kwa mashine) ina uwezo wa kutoa mifumo na dhana zinazotabiri matokeo ya baadaye kulingana na ujenzi wa algoriti [17]. Kwa ufupi, mbinu za kujifunza kwa mashine zinazosimamiwa hudhibiti data ya ingizo na kufunza algoriti. Kisha hutoa safu inayoainisha au kutabiri matokeo kulingana na hali zinazofanana kwa data ya ingizo iliyotolewa. Faida kuu ya algoriti za kujifunza kwa mashine zinazosimamiwa ni uwezo wake wa kuanzisha matokeo bora na yanayotarajiwa [17].
Kupitia matumizi ya mbinu zinazoendeshwa na data na mifumo ya udhibiti wa mti wa uamuzi, ugunduzi otomatiki wa LS unawezekana. Miti ya uamuzi imeripotiwa kutumika sana katika programu za mafunzo katika nyanja mbalimbali, ikiwa ni pamoja na sayansi ya afya [18, 19]. Katika utafiti huu, mfumo huo ulifunzwa mahsusi na watengenezaji wa mfumo ili kutambua LS ya wanafunzi na kupendekeza IS bora kwao.
Madhumuni ya utafiti huu ni kutengeneza mikakati ya utoaji wa IS kulingana na LS ya wanafunzi na kutumia mbinu ya SCL kwa kutengeneza zana ya mapendekezo ya IS iliyopangwa kwenye 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 kwa kutumia ILS na onyesho la IS linalofaa zaidi kwa wanafunzi.
Hasa, sifa za zana za mapendekezo ya usalama wa taarifa ni pamoja na matumizi ya teknolojia za wavuti na matumizi ya ujifunzaji wa mashine ya mti wa maamuzi. Wasanidi programu huboresha uzoefu wa mtumiaji na uhamaji kwa kuzibadilisha na vifaa vya mkononi kama vile simu za mkononi na kompyuta kibao.
Jaribio hilo lilifanyika katika hatua mbili na wanafunzi kutoka Kitivo cha Meno katika Chuo Kikuu cha Malaya walishiriki kwa hiari. Washiriki waliitikia m-ILS ya mwanafunzi wa meno mtandaoni kwa Kiingereza. Katika awamu ya awali, seti ya data ya wanafunzi 50 ilitumika kufunza algoriti ya kujifunza mashine ya mti wa uamuzi. Katika awamu ya pili ya mchakato wa uundaji, seti ya data ya wanafunzi 255 ilitumika kuboresha usahihi wa kifaa kilichotengenezwa.
Washiriki wote hupokea muhtasari mtandaoni mwanzoni mwa kila hatua, kulingana na mwaka wa masomo, kupitia Microsoft Teams. Madhumuni ya utafiti yalielezwa na idhini ya kupata taarifa ilipatikana. Washiriki wote walipewa kiungo cha kufikia m-ILS. Kila mwanafunzi aliagizwa kujibu vipengee vyote 44 kwenye dodoso. Walipewa wiki moja kukamilisha ILS iliyorekebishwa kwa wakati na eneo linalowafaa wakati wa mapumziko ya muhula kabla ya kuanza kwa muhula. M-ILS inategemea kifaa asilia cha ILS na imerekebishwa kwa wanafunzi wa meno. Sawa na ILS asilia, ina vipengee 44 vilivyosambazwa sawasawa (a, b), vyenye vipengee 11 kila kimoja, ambavyo hutumika kutathmini vipengele vya kila kipimo cha FSLSM.
Wakati wa hatua za awali za ukuzaji wa zana, watafiti waliandika ramani kwa mikono kwa kutumia seti ya data ya 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 itaainishwa kama Amilifu/Mtazamo/Mwonekano/Mfuatano, na ikiwa mwanafunzi atachagua "b" kama jibu, mwanafunzi ataainishwa kama Mtambuzi/Mwenye Kuhisi/Mwenye Kuzungumza/Mwenye Kuzungumza/Mwenye Kuzungumza.
Baada ya kurekebisha mtiririko wa kazi kati ya watafiti wa elimu ya meno na watengenezaji wa mifumo, maswali yalichaguliwa kulingana na kikoa cha FLSSM na kuingizwa kwenye modeli ya ML ili kutabiri LS ya kila mwanafunzi. "Takataka ziingie, takataka zitoke" ni msemo maarufu katika uwanja wa ujifunzaji wa mashine, ukiwa na msisitizo juu ya ubora wa data. Ubora wa data ya ingizo huamua usahihi na usahihi wa modeli ya ujifunzaji wa mashine. Wakati wa awamu ya uhandisi wa vipengele, seti mpya ya vipengele huundwa ambayo ni jumla ya majibu "a" na "b" kulingana na FLSSM. Nambari za utambuzi wa nafasi za dawa zimetolewa katika Jedwali la 1.
Hesabu alama kulingana na majibu na ubainishe LS ya mwanafunzi. Kwa kila mwanafunzi, kiwango cha alama ni kuanzia 1 hadi 11. Alama kuanzia 1 hadi 3 zinaonyesha usawa wa mapendeleo ya kujifunza ndani ya kipimo kimoja, na alama kuanzia 5 hadi 7 zinaonyesha upendeleo wa wastani, ikionyesha kwamba wanafunzi huwa wanapendelea mazingira moja kufundisha wengine. Tofauti nyingine katika kipimo hicho hicho ni kwamba alama kuanzia 9 hadi 11 zinaonyesha upendeleo mkubwa kwa upande mmoja au mwingine [8].
Kwa kila kipimo, dawa ziligawanywa katika "amilifu", "akisi" na "sawa". Kwa mfano, mwanafunzi anapojibu "a" mara nyingi zaidi kuliko "b" kwenye kipengee kilichoteuliwa na alama yake inazidi kizingiti cha 5 kwa kipengee fulani kinachowakilisha kipimo cha LS cha Usindikaji, yeye ni wa kikoa cha LS "amilifu". Hata hivyo, wanafunzi waliainishwa kama LS "akisi" walipochagua "b" zaidi ya "a" katika maswali 11 maalum (Jedwali 1) na kupata zaidi ya pointi 5. Hatimaye, mwanafunzi yuko katika hali ya "usawa." Ikiwa alama haizidi pointi 5, basi hii ni LS "mchakato". Mchakato wa uainishaji ulirudiwa kwa vipimo vingine vya LS, yaani utambuzi (amilifu/akisi), uingizaji (wa kuona/wa maneno), na ufahamu (mfuatano/wa kimataifa).
Mifumo ya mti wa uamuzi inaweza kutumia vipengele vidogo tofauti vya vipengele na sheria za uamuzi katika hatua tofauti za mchakato wa uainishaji. Inachukuliwa kuwa kifaa maarufu cha uainishaji na utabiri. Inaweza kuwakilishwa kwa kutumia muundo wa mti kama vile chati ya mtiririko [20], ambapo kuna nodi za ndani zinazowakilisha majaribio kwa sifa, kila tawi linalowakilisha matokeo ya mtihani, na kila nodi ya jani (nodi ya jani) iliyo na lebo ya darasa.
Programu rahisi inayotegemea sheria iliundwa ili kupata alama na kuandika LS ya kila mwanafunzi kiotomatiki kulingana na majibu yao. Inayotegemea sheria inachukua umbo la kauli ya IF, ambapo "IF" inaelezea kichocheo na "THEN" hubainisha kitendo kinachopaswa kufanywa, kwa mfano: "Ikiwa X itatokea, basi fanya Y" (Liu et al., 2014). Ikiwa seti ya data inaonyesha uhusiano na modeli ya mti wa uamuzi imefunzwa na kutathminiwa ipasavyo, mbinu hii inaweza kuwa njia bora ya kiotomatiki mchakato wa kulinganisha LS na IS.
Katika awamu ya pili ya uundaji, seti ya data iliongezwa 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 modeli kufunzwa na kupimwa kwenye seti hiyo hiyo ya data, ambayo inaweza kusababisha modeli kukumbuka badala ya kujifunza. Mfano umefunzwa kwenye seti ya mafunzo na kutathmini utendaji wake kwenye seti ya majaribio—data ambayo modeli haijawahi kuiona hapo awali.
Mara tu kifaa cha IS kitakapotengenezwa, programu itaweza kuainisha LS kulingana na majibu ya wanafunzi wa meno kupitia kiolesura cha wavuti. Mfumo wa zana ya mapendekezo ya usalama wa taarifa unaotegemea wavuti umejengwa kwa kutumia lugha ya programu ya Python kwa kutumia mfumo wa Django kama sehemu ya nyuma. Jedwali la 2 linaorodhesha maktaba zilizotumika katika uundaji wa mfumo huu.
Seti ya data huwekwa kwenye mfumo wa mti wa uamuzi ili kuhesabu na kutoa majibu ya wanafunzi ili kuainisha kiotomatiki vipimo vya LS vya wanafunzi.
Matrix ya mkanganyiko hutumika kutathmini usahihi wa algoriti ya kujifunza mashine ya mti wa uamuzi kwenye seti fulani ya data. Wakati huo huo, hutathmini utendaji wa modeli ya uainishaji. Inatoa muhtasari wa utabiri wa modeli na kuilinganisha na lebo halisi za data. Matokeo ya tathmini yanategemea thamani nne tofauti: Kweli Chanya (TP) - modeli ilitabiri kwa usahihi kategoria chanya, Uongo Chanya (FP) - modeli ilitabiri kategoria chanya, lakini lebo ya kweli ilikuwa hasi, Kweli Hasi (TN) - modeli ilitabiri kwa usahihi darasa hasi, na uongo hasi (FN) - modeli inatabiri darasa hasi, lakini lebo ya kweli ni chanya.
Thamani hizi hutumika kuhesabu vipimo mbalimbali vya utendaji wa modeli ya uainishaji wa scikit-learn katika Python, yaani usahihi, usahihi, ukumbusho, na alama ya F1. Hapa kuna mifano:
Kukumbuka (au unyeti) hupima uwezo wa modeli kuainisha kwa usahihi LS ya mwanafunzi baada ya kujibu dodoso la m-ILS.
Umaalum huitwa kiwango halisi cha hasi. Kama unavyoona kutoka kwa fomula hapo juu, hii inapaswa kuwa uwiano wa hasi halisi (TN) kwa hasi halisi na chanya bandia (FP). Kama sehemu ya zana inayopendekezwa ya kuainisha dawa za wanafunzi, inapaswa kuwa na uwezo wa kutambua kwa usahihi.
Seti ya awali ya data ya wanafunzi 50 iliyotumika kufunza mfumo wa ML wa mti wa uamuzi ilionyesha usahihi mdogo kutokana na makosa ya kibinadamu katika maelezo (Jedwali 3). Baada ya kuunda programu rahisi inayotegemea sheria ili kuhesabu kiotomatiki alama za LS na maelezo ya wanafunzi, idadi inayoongezeka ya seti za data (255) zilitumika kufunza na kujaribu mfumo wa mpendekezaji.
Katika matrix ya mkanganyiko wa madarasa mengi, vipengele vya mlalo 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. Hivyo, katika utafiti huu, vipengele vya mlalo vinaonyesha matokeo yanayotarajiwa, ikionyesha kwamba modeli inafanya vizuri na inatabiri kwa usahihi lebo ya darasa kwa kila uainishaji wa LS. Hivyo, usahihi wa jumla wa zana ya mapendekezo ni 100%.
Thamani za usahihi, usahihi, ukumbusho, na alama ya F1 zinaonyeshwa kwenye Mchoro 5. Kwa mfumo wa mapendekezo unaotumia modeli ya mti wa uamuzi, alama yake ya F1 ni 1.0 "kamili," ikionyesha usahihi na ukumbusho kamili, ikionyesha unyeti mkubwa na thamani maalum.
Mchoro 6 unaonyesha taswira ya modeli ya mti wa uamuzi baada ya mafunzo na majaribio kukamilika. Katika ulinganisho wa kando, modeli ya mti wa uamuzi iliyofunzwa yenye vipengele vichache ilionyesha usahihi wa juu na taswira rahisi ya modeli. Hii inaonyesha kwamba uhandisi wa vipengele unaosababisha upunguzaji wa vipengele ni hatua muhimu katika kuboresha utendaji wa modeli.
Kwa kutumia mti wa uamuzi unaosimamiwa kujifunza, uchoraji ramani kati ya LS (pembejeo) na IS (matokeo lengwa) huzalishwa kiotomatiki na ina taarifa za 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 michanganyiko 34 ya 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 kutoka Jedwali la 4, wanafunzi wengi walikuwa na LS iliyoenea zaidi (13.7%) au LS ya kuona (8.6%). Iliripotiwa kuwa 12.2% ya wanafunzi walichanganya utambuzi na maono (LS ya kuona-kuona). Matokeo haya yanaonyesha kwamba wanafunzi wanapendelea kujifunza na kukumbuka kupitia mbinu zilizowekwa, kufuata taratibu maalum na za kina, na ni waangalifu katika asili. Wakati huo huo, wanafurahia kujifunza kwa kutazama (kwa kutumia michoro, nk) na huwa na tabia ya kujadili na kutumia taarifa katika vikundi au peke yao.
Utafiti huu unatoa muhtasari wa mbinu za kujifunza kwa mashine zinazotumika katika uchimbaji data, ukilenga kutabiri mara moja na kwa usahihi LS ya wanafunzi na kupendekeza IS inayofaa. Utumiaji wa modeli ya mti wa uamuzi ulitambua mambo yanayohusiana zaidi na maisha yao na uzoefu wa kielimu. Ni algoriti ya kujifunza kwa mashine inayosimamiwa ambayo hutumia muundo wa mti kuainisha data kwa kugawa seti ya data katika kategoria ndogo kulingana na vigezo fulani. Inafanya kazi kwa kugawa data ya kuingiza katika sehemu ndogo kulingana na thamani ya moja ya vipengele vya kuingiza 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 ingizo za tatizo la m-ILS, na nodi za jani zinawakilisha utabiri wa mwisho wa uainishaji wa LS. Katika utafiti wote, ni rahisi kuelewa mpangilio wa miti ya uamuzi unaoelezea na kuibua mchakato wa uamuzi kwa kuangalia uhusiano kati ya vipengele vya ingizo na utabiri wa matokeo.
Katika nyanja za sayansi ya kompyuta na uhandisi, algoriti za kujifunza kwa mashine hutumika sana kutabiri utendaji wa wanafunzi kulingana na alama zao za mtihani wa kuingia [21], taarifa za idadi ya watu, na tabia ya kujifunza [22]. Utafiti ulionyesha kuwa algoriti hiyo ilitabiri kwa usahihi utendaji wa wanafunzi na kuwasaidia kutambua wanafunzi walio katika hatari ya kupata matatizo ya kitaaluma.
Matumizi ya algoriti za ML katika ukuzaji wa viigaji vya wagonjwa pepe kwa ajili ya mafunzo ya meno yanaripotiwa. Kiigaji kina uwezo wa kuzaliana kwa usahihi majibu ya kisaikolojia ya wagonjwa halisi na kinaweza kutumika kuwafunza wanafunzi wa meno katika mazingira salama na yanayodhibitiwa [23]. Tafiti zingine kadhaa zinaonyesha kuwa algoriti za kujifunza kwa mashine zinaweza kuboresha ubora na ufanisi wa elimu ya meno na matibabu na utunzaji wa wagonjwa. Algoriti za kujifunza kwa mashine zimetumika kusaidia katika utambuzi wa magonjwa ya meno kulingana na seti za data kama vile dalili na sifa za mgonjwa [24, 25]. Huku tafiti zingine zikichunguza matumizi ya algoriti za kujifunza kwa mashine kufanya kazi kama vile kutabiri matokeo ya mgonjwa, kutambua wagonjwa walio katika hatari kubwa, kutengeneza mipango ya matibabu ya kibinafsi [26], matibabu ya fizikia [27], na matibabu ya caries [25].
Ingawa ripoti kuhusu matumizi ya ujifunzaji wa mashine katika meno zimechapishwa, matumizi yake katika elimu ya meno bado ni machache. Kwa hivyo, utafiti huu ulilenga kutumia modeli ya mti wa uamuzi ili kubaini mambo yanayohusiana zaidi na LS na IS miongoni mwa wanafunzi wa meno.
Matokeo ya utafiti huu yanaonyesha kwamba 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 yaliyobinafsishwa na kuboresha uzoefu na matokeo ya kielimu kwa waelimishaji na wanafunzi. Miongoni mwao, taarifa zinazopatikana kupitia zana za mapendekezo zinaweza kutatua migogoro kati ya mbinu za kufundishia zinazopendelewa na walimu na mahitaji ya kujifunza ya wanafunzi. Kwa mfano, kutokana na matokeo otomatiki ya zana za mapendekezo, muda unaohitajika kutambua IP ya mwanafunzi na kuilinganisha na IP inayolingana utapunguzwa 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 kujifunzia na shughuli za kujifunza zinazolingana na LS yao wanayopendelea kunaweza kuwasaidia wanafunzi kuunganisha, kuchakata, na kufurahia kujifunza kwa njia nyingi ili kufikia uwezo mkubwa zaidi [12]. Utafiti pia unaonyesha kwamba pamoja na kuboresha ushiriki wa wanafunzi darasani, kuelewa mchakato wa kujifunza wa wanafunzi pia kuna jukumu muhimu katika kuboresha mazoea ya kufundisha na mawasiliano na wanafunzi [28, 29].
Hata hivyo, kama ilivyo kwa teknolojia yoyote ya kisasa, kuna matatizo na mapungufu. Hizi ni pamoja na masuala yanayohusiana na faragha ya data, upendeleo na usawa, na ujuzi wa kitaalamu na rasilimali zinazohitajika ili kukuza na kutekeleza algoriti za kujifunza kwa mashine katika elimu ya meno; Hata hivyo, kuongezeka kwa shauku na utafiti katika eneo hili kunaonyesha kwamba teknolojia za kujifunza kwa mashine zinaweza kuwa na athari chanya katika elimu ya meno na huduma za meno.
Matokeo ya utafiti huu yanaonyesha kwamba nusu ya wanafunzi wa meno wana tabia ya "kutambua" dawa za kulevya. Aina hii ya mwanafunzi ina upendeleo wa ukweli na mifano halisi, mwelekeo wa vitendo, uvumilivu kwa maelezo, na upendeleo wa "kuona" wa LS, ambapo wanafunzi wanapendelea kutumia picha, michoro, rangi, na ramani kuwasilisha mawazo na mawazo. Matokeo ya sasa yanaendana na tafiti zingine zinazotumia ILS kutathmini LS kwa wanafunzi wa meno na matibabu, ambao wengi wao wana sifa za LS ya kuona na kuona [12, 30]. Dalmolin na wenzake wanapendekeza kwamba kuwafahamisha wanafunzi kuhusu LS yao huwaruhusu kufikia uwezo wao wa kujifunza. Watafiti wanasema kwamba walimu wanapoelewa kikamilifu mchakato wa kielimu wa wanafunzi, mbinu na shughuli mbalimbali za kufundisha zinaweza kutekelezwa ambazo zitaboresha utendaji wa wanafunzi na uzoefu wa kujifunza [12, 31, 32]. Uchunguzi mwingine umeonyesha 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 kufundisha kulingana na uwezo wa wanafunzi wa kujifunza. Ingawa baadhi wanaona faida za mbinu hii, ikiwa ni pamoja na fursa za maendeleo ya kitaaluma, ushauri, na usaidizi wa jamii, wengine wanaweza kuwa na wasiwasi kuhusu muda na usaidizi wa kitaasisi. Kujitahidi kwa usawa ni muhimu katika kuunda mtazamo unaozingatia mwanafunzi. Mamlaka za elimu ya juu, kama vile wasimamizi wa vyuo vikuu, zinaweza kuchukua jukumu muhimu katika kuendesha mabadiliko chanya kwa kuanzisha mbinu bunifu na kusaidia maendeleo ya kitivo [34]. Ili kuunda mfumo wa elimu ya juu wenye nguvu na mwitikio wa kweli, watunga sera lazima wachukue hatua kali, kama vile kufanya mabadiliko ya sera, kutoa rasilimali kwa ujumuishaji wa teknolojia, na kuunda mifumo inayokuza mbinu zinazozingatia mwanafunzi. Hatua hizi ni muhimu ili kufikia matokeo yanayotarajiwa. Utafiti wa hivi karibuni kuhusu mafundisho tofauti umeonyesha wazi kwamba utekelezaji uliofanikiwa wa mafundisho tofauti unahitaji fursa za mafunzo na maendeleo zinazoendelea kwa walimu [35].
Zana hii hutoa msaada muhimu kwa waelimishaji wa meno ambao wanataka kuchukua mbinu inayolenga wanafunzi katika kupanga shughuli za kujifunza zinazowafaa wanafunzi. Hata hivyo, utafiti huu umepunguzwa kwa matumizi ya mifano ya ML ya mti wa uamuzi. Katika siku zijazo, data zaidi inapaswa kukusanywa ili kulinganisha utendaji wa mifano tofauti ya kujifunza kwa mashine ili kulinganisha usahihi, uaminifu, na usahihi wa zana za mapendekezo. Zaidi ya hayo, wakati wa kuchagua njia inayofaa zaidi ya kujifunza kwa mashine kwa kazi fulani, ni muhimu kuzingatia mambo mengine kama vile ugumu na tafsiri ya modeli.
Kikwazo cha utafiti huu ni kwamba ulilenga tu katika kuchora ramani ya LS na IS miongoni mwa wanafunzi wa meno. Kwa hivyo, mfumo wa mapendekezo ulioandaliwa utapendekeza tu zile zinazofaa kwa wanafunzi wa meno. Mabadiliko ni muhimu kwa matumizi ya jumla ya wanafunzi wa elimu ya juu.
Zana ya mapendekezo iliyotengenezwa hivi karibuni inayotegemea ujifunzaji wa mashine ina uwezo wa kuainisha na kulinganisha LS ya wanafunzi na IS inayolingana, na kuifanya kuwa programu ya kwanza ya elimu ya meno kuwasaidia waelimishaji wa meno kupanga shughuli husika za ufundishaji na ujifunzaji. Kwa kutumia mchakato wa upimaji unaoendeshwa na data, inaweza kutoa mapendekezo yaliyobinafsishwa, kuokoa muda, kuboresha mikakati ya ufundishaji, kuunga mkono hatua zinazolengwa, na kukuza maendeleo ya kitaaluma yanayoendelea. Matumizi yake yatakuza mbinu zinazolenga wanafunzi katika elimu ya meno.
Gilak Jani Associated Press. Linganisha au linganisha tofauti kati ya mtindo wa kujifunza wa mwanafunzi na mtindo wa kufundisha 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 chapisho: Aprili-29-2024