Жогорку окуу жайларында, анын ичинде стоматологияда студентке багытталган окутууга (SCL) болгон муктаждык өсүп жатат. Бирок, SCL стоматологиялык билим берүүдө чектелүү колдонулат. Ошондуктан, бул изилдөө ST көрсөтмөлөрүн иштеп чыгуу үчүн пайдалуу курал катары стоматологиялык студенттердин артыкчылыктуу окуу стилин (LS) жана тиешелүү окуу стратегияларын (IS) картага түшүрүү үчүн чечим дарагынын машиналык окутуу (ML) технологиясын колдонуу менен STLди стоматологияда колдонууну жайылтууну максат кылат. Стоматологиялык студенттер үчүн келечектүү ыкмалар.
Малая университетинин 255 стоматологиялык студенти өзгөртүлгөн Окуу стилдеринин индекси (m-ILS) анкетасын толтурушту, анда аларды тиешелүү LS'лерге классификациялоо үчүн 44 пункт камтылган. Чогултулган маалыматтар (маалыматтар топтому деп аталат) көзөмөлдөнгөн чечим дарагын окутууда студенттердин окуу стилдерин эң ылайыктуу ИСке автоматтык түрдө дал келтирүү үчүн колдонулат. Андан кийин машиналык окутууга негизделген ИС сунуштоо куралынын тактыгы бааланат.
LS (киргизүү) жана IS (максаттуу чыгаруу) ортосундагы автоматташтырылган карта түзүү процессинде чечим дарагынын моделдерин колдонуу ар бир стоматологиялык студент үчүн тиешелүү окуу стратегияларынын тизмесин түзүүгө мүмкүндүк берет. IS сунуштоо куралы моделдин жалпы тактыгынын кемчиликсиз тактыгын жана эске салууну көрсөттү, бул LSти ISке дал келтирүү жакшы сезгичтикке жана өзгөчөлүккө ээ экенин көрсөтүп турат.
ML чечим дарагына негизделген IS сунуштоо куралы стоматология студенттеринин окуу стилдерин тиешелүү окуу стратегиялары менен так дал келтирүү жөндөмүн далилдеди. Бул курал студенттердин окуу тажрыйбасын жакшырта турган окуучуга багытталган курстарды же модулдарды пландаштыруу үчүн күчтүү мүмкүнчүлүктөрдү берет.
Окутуу жана үйрөнүү билим берүү мекемелериндеги фундаменталдык иш-аракеттер болуп саналат. Жогорку сапаттагы кесиптик билим берүү системасын иштеп чыгууда окуучулардын окуу муктаждыктарына көңүл буруу маанилүү. Окуучулар менен алардын окуу чөйрөсүнүн ортосундагы өз ара аракеттенүүнү алардын кесиптик билим берүү программасы аркылуу аныктоого болот. Изилдөөлөр көрсөткөндөй, мугалим тарабынан окуучулардын кесиптик билим берүү программасы менен кесиптик билим берүү программасынын ортосундагы дал келбестиктер окуучулардын окуусуна терс кесепеттерге алып келиши мүмкүн, мисалы, көңүл буруунун жана мотивациянын төмөндөшү. Бул кыйыр түрдө окуучулардын жетишкендиктерине таасир этет [1,2].
ИС – бул мугалимдер тарабынан окуучуларга билим жана көндүмдөрдү берүү, анын ичинде окуучулардын билим алуусуна жардам берүү үчүн колдонулган ыкма [3]. Жалпысынан алганда, жакшы мугалимдер окуучуларынын билим деңгээлине, үйрөнүп жаткан түшүнүктөрүнө жана алардын окуу этабына эң ылайыктуу окутуу стратегияларын же ИСти пландаштырышат. Теориялык жактан алганда, ИС жана ИС дал келгенде, окуучулар натыйжалуу үйрөнүү үчүн белгилүү бир көндүмдөрдү уюштура жана колдоно алышат. Адатта, сабактын планы этаптардын ортосундагы бир нече өткөөлдөрдү камтыйт, мисалы, окутуудан жетекчиликке алынган практикага же жетекчиликке алынган практикадан өз алдынча практикага. Муну эске алуу менен, натыйжалуу мугалимдер көбүнчө окуучулардын билимин жана көндүмдөрүн өнүктүрүү максатында окутууну пландаштырышат [4].
Жогорку окуу жайларында, анын ичинде стоматологияда SCLге болгон суроо-талап өсүүдө. SCL стратегиялары студенттердин окуу муктаждыктарын канааттандыруу үчүн иштелип чыккан. Буга, мисалы, студенттер окуу иш-чараларына активдүү катышып, мугалимдер фасилитатор катары иш алып барып, баалуу пикирлерди берүүгө жооптуу болсо, жетишүүгө болот. Студенттердин билим деңгээлине же каалоолоруна ылайыктуу окуу материалдарын жана иш-чараларды камсыз кылуу студенттердин окуу чөйрөсүн жакшыртып, оң окуу тажрыйбасын жайылта алат деп айтылат [5].
Жалпысынан алганда, стоматология студенттеринин окуу процессине алар аткарууга тийиш болгон ар кандай клиникалык процедуралар жана алар натыйжалуу өз ара аракеттенүү көндүмдөрүн өнүктүргөн клиникалык чөйрө таасир этет. Окутуунун максаты - студенттерге стоматология боюнча негизги билимдерди стоматологиялык клиникалык көндүмдөр менен айкалыштырууга жана алынган билимди жаңы клиникалык кырдаалдарга колдонууга мүмкүнчүлүк берүү [6, 7]. LS жана IS ортосундагы байланышты алгачкы изилдөө окуу стратегияларын артыкчылыктуу LSке ылайыкташтыруу билим берүү процессин жакшыртууга жардам берерин көрсөттү [8]. Авторлор ошондой эле студенттердин окуусуна жана муктаждыктарына ылайыкташтыруу үчүн ар кандай окутуу жана баалоо ыкмаларын колдонууну сунушташат.
Мугалимдер окуучулардын терең билим алуусун жана предметти түшүнүүсүн жакшыртуучу окутууну долбоорлоого, иштеп чыгууга жана ишке ашырууга жардам берүү үчүн LS билимдерин колдонуудан пайда көрүшөт. Изилдөөчүлөр Колбдун тажрыйбалык окутуу модели, Фелдер-Сильверман окутуу стилинин модели (FSLSM) жана Флеминг VAK/VARK модели [5, 9, 10] сыяктуу бир нече LS баалоо куралдарын иштеп чыгышкан. Адабиятка ылайык, бул окутуу моделдери эң көп колдонулган жана эң көп изилденген окутуу моделдери болуп саналат. Учурдагы изилдөө ишинде FSLSM стоматологиялык студенттердин арасында LS баалоо үчүн колдонулат.
FSLSM инженерияда адаптациялык окутууну баалоо үчүн кеңири колдонулган модель болуп саналат. Саламаттыкты сактоо илимдеринде (анын ичинде медицина, медайымдык иш, фармация жана стоматология) FSLSM моделдерин колдонуу менен табылган көптөгөн жарыяланган эмгектер бар [5, 11, 12, 13]. FLSMде LS өлчөмдөрүн өлчөө үчүн колдонулган курал Окуу стилдеринин индекси (ILS) деп аталат [8], ал LSтин төрт өлчөмүн баалаган 44 пунктту камтыйт: иштетүү (активдүү/рефлексиялык), кабылдоо (кабылдоо/интуитивдик), киргизүү (визуалдык). /вербалдык) жана түшүнүү (ырааттуу/глобалдык) [14].
1-сүрөттө көрсөтүлгөндөй, FSLSMдин ар бир өлчөмү басымдуулук кылат. Мисалы, иштетүү өлчөмүндө "активдүү" LS менен окуган окуучулар маалыматты окуу материалдары менен түздөн-түз өз ара аракеттенүү аркылуу иштетүүнү, иш жүзүндө үйрөнүүнү жана топтордо окууну артык көрүшөт. "Рефлексиялык" LS ой жүгүртүү аркылуу үйрөнүүнү билдирет жана жалгыз иштөөнү артык көрөт. LSтин "кабылдоо" өлчөмүн "сезүү" жана/же "интуиция" деп бөлүүгө болот. "Сезген" окуучулар көбүрөөк конкреттүү маалыматты жана практикалык процедураларды артык көрүшөт, абстракттуу материалды артык көргөн жана мүнөзү боюнча инновациялык жана чыгармачыл болгон "интуитивдик" окуучуларга салыштырмалуу фактыларга багытталган. LSтин "киргизүү" өлчөмү "визуалдык" жана "вербалдык" окуучулардан турат. "Визуалдык" LS менен окуган адамдар визуалдык демонстрациялар (мисалы, диаграммалар, видеолор же түз демонстрациялар) аркылуу үйрөнүүнү артык көрүшөт, ал эми "вербалдык" LS менен окуган адамдар жазуу жүзүндөгү же оозеки түшүндүрмөлөрдөгү сөздөр аркылуу үйрөнүүнү артык көрүшөт. LS өлчөмдөрүн "түшүнүү" үчүн мындай окуучуларды "ырааттуу" жана "глобалдык" деп бөлүүгө болот. «Ырааттуу түрдө окугандар сызыктуу ой жүгүртүү процессин артык көрүшөт жана этап-этабы менен үйрөнүшөт, ал эми глобалдык окуучулар комплекстүү ой жүгүртүү процессине ээ болушат жана эмнени үйрөнүп жатканын ар дайым жакшыраак түшүнүшөт».
Акыркы учурда көптөгөн изилдөөчүлөр маалыматтарды автоматтык түрдө издөө ыкмаларын, анын ичинде чоң көлөмдөгү маалыматтарды чечмелей алган жаңы алгоритмдерди жана моделдерди иштеп чыгууну изилдей башташты [15, 16]. Берилген маалыматтардын негизинде, көзөмөлдөнгөн машиналык окутуу (машиналык окутуу) алгоритмдерди түзүүгө негизделген келечектеги натыйжаларды алдын ала айткан үлгүлөрдү жана гипотезаларды түзө алат [17]. Жөнөкөй сөз менен айтканда, көзөмөлдөнгөн машиналык окутуу ыкмалары киргизүү маалыматтарын манипуляциялайт жана алгоритмдерди окутат. Андан кийин ал берилген киргизүү маалыматтары үчүн окшош кырдаалдардын негизинде натыйжаны классификациялаган же алдын ала айткан диапазонду түзөт. Көзөмөлдөнгөн машиналык окутуу алгоритмдеринин негизги артыкчылыгы - идеалдуу жана каалаган натыйжаларды аныктоо мүмкүнчүлүгү [17].
Маалыматтарга негизделген ыкмаларды жана чечим дарагын башкаруу моделдерин колдонуу менен, LSти автоматтык түрдө аныктоого болот. Чечим дарактары саламаттыкты сактоо илимдерин кошо алганда, ар кандай тармактардагы окутуу программаларында кеңири колдонулаары кабарланган [18, 19]. Бул изилдөөдө модель системаны иштеп чыгуучулар тарабынан студенттердин LSти аныктоо жана алар үчүн эң жакшы ИСти сунуштоо үчүн атайын окутулган.
Бул изилдөөнүн максаты - студенттердин LS негизинде IS жеткирүү стратегияларын иштеп чыгуу жана LS менен салыштырылган IS сунуштоо куралын иштеп чыгуу менен SCL ыкмасын колдонуу. SCL ыкмасынын стратегиясы катары IS сунуштоо куралынын долбоорлоо агымы 1-сүрөттө көрсөтүлгөн. IS сунуштоо куралы эки бөлүккө бөлүнөт, анын ичинде ILSти колдонгон LS классификациялоо механизми жана студенттер үчүн эң ылайыктуу IS дисплейи.
Атап айтканда, маалыматтык коопсуздук боюнча сунуштоо куралдарынын мүнөздөмөлөрүнө веб-технологияларды колдонуу жана чечим кабыл алуу дарагын машиналык окутууну колдонуу кирет. Системаны иштеп чыгуучулар колдонуучу тажрыйбасын жана мобилдүүлүктү мобилдик телефондор жана планшеттер сыяктуу мобилдик түзмөктөргө ылайыкташтыруу менен жакшыртышат.
Эксперимент эки этапта жүргүзүлдү жана Малайя университетинин стоматология факультетинин студенттери ыктыярдуу негизде катышышты. Катышуучулар стоматология факультетинин студентинин англис тилиндеги онлайн m-ILS тестине жооп беришти. Баштапкы этапта чечим кабыл алуу дарагын машина менен үйрөнүү алгоритмин окутуу үчүн 50 студенттен турган маалыматтар топтому колдонулган. Иштеп чыгуу процессинин экинчи этабында иштелип чыккан аспаптын тактыгын жогорулатуу үчүн 255 студенттен турган маалыматтар топтому колдонулган.
Бардык катышуучулар окуу жылына жараша ар бир этаптын башында Microsoft Teams аркылуу онлайн брифинг алышат. Изилдөөнүн максаты түшүндүрүлүп, маалыматтуу макулдук алынды. Бардык катышуучуларга m-ILSке кирүү үчүн шилтеме берилди. Ар бир студентке анкетадагы бардык 44 суроого жооп берүү тапшырылды. Аларга семестр башталганга чейин семестрдик тыныгуу учурунда өздөрүнө ыңгайлуу убакта жана жерде өзгөртүлгөн ILSти толтуруу үчүн бир жума убакыт берилди. m-ILS баштапкы ILS инструментине негизделген жана стоматологиялык студенттер үчүн өзгөртүлгөн. Баштапкы ILSке окшош, ал ар бир FSLSM өлчөмүнүн аспектилерин баалоо үчүн колдонулган 11 суроодон турган 44 бирдей бөлүштүрүлгөн суроодон (а, б) турат.
Куралды иштеп чыгуунун алгачкы этаптарында изилдөөчүлөр 50 стоматологиялык студенттин маалыматтар топтомун колдонуп, карталарга кол менен комментарий беришкен. FSLMге ылайык, система "а" жана "б" жоопторунун суммасын берет. Ар бир өлчөм үчүн, эгерде студент жооп катары "а"ны тандаса, LS Активдүү/Кабылдоочу/Визуалдык/Ырааттуу деп классификацияланат, ал эми эгерде студент жооп катары "б"ны тандаса, студент Рефлексиялык/Интуитивдик/Лингвистикалык/глобалдык окуучу деп классификацияланат.
Стоматологиялык билим берүү боюнча изилдөөчүлөр менен система иштеп чыгуучулардын ортосундагы жумуш агымын калибрлегенден кийин, суроолор FLSSM доменине негизделген тандалып алынып, ар бир студенттин LS деңгээлин алдын ала айтуу үчүн ML моделине киргизилген. "Таштанды кирсе, таштанды чыгат" деген сөз машиналык окутуу жаатында кеңири таралган, анда маалыматтардын сапатына басым жасалат. Киргизилген маалыматтардын сапаты машиналык окутуу моделинин тактыгын жана тактыгын аныктайт. Өзгөчөлүктөрдү инженериялоо этабында FLSSMге негизделген "а" жана "б" жоопторунун суммасынан турган жаңы өзгөчөлүктөр топтому түзүлөт. Дары-дармек позицияларынын идентификациялык номерлери 1-таблицада келтирилген.
Жооптордун негизинде упайларды эсептеп, окуучунун окуу программасын аныктаңыз. Ар бир окуучу үчүн упайлардын диапазону 1ден 11ге чейин. 1ден 3кө чейинки упайлар бир эле өлчөмдүн ичиндеги окуу артыкчылыктарынын тең салмактуулугун, ал эми 5тен 7ге чейинки упайлар орточо артыкчылыкты көрсөтүп, окуучулар бир чөйрөнү башкаларына окутууну артык көрөрүн көрсөтөт. Ошол эле өлчөмдүн дагы бир варианты - 9дан 11ге чейинки упайлар тигил же бул тарапка күчтүү артыкчылыкты чагылдырат [8].
Ар бир өлчөм үчүн дары-дармектер "активдүү", "рефлексиялык" жана "тең салмактуу" деп топтоштурулган. Мисалы, студент белгиленген суроого "b" эмес, "a" деп жооп берсе жана анын упайы Иштетүүнүн LS өлчөмүн билдирген белгилүү бир суроо үчүн 5 босогодон ашса, ал "активдүү" LS доменине кирет. Бирок, студенттер белгилүү бир 11 суроодо (1-таблица) "a" эмес, "b" деп тандап, 5 упайдан ашык алган учурда "рефлексиялык" LS катары классификацияланган. Акырында, студент "тең салмактуулук" абалында болот. Эгерде упай 5 упайдан ашпаса, анда бул "процесстик" LS. Классификациялоо процесси башка LS өлчөмдөрү, атап айтканда, кабылдоо (активдүү/рефлексиялык), киргизүү (визуалдык/вербалдык) жана түшүнүү (ырааттуу/глобалдык) үчүн кайталанган.
Чечим дарагынын моделдери классификациялоо процессинин ар кандай этаптарында ар кандай белгилердин жана чечим эрежелеринин топтомдорун колдоно алат. Ал популярдуу классификациялоо жана божомолдоо куралы деп эсептелет. Аны блок-схема [20] сыяктуу дарак түзүмүн колдонуу менен көрсөтүүгө болот, анда атрибуттар боюнча тесттерди чагылдырган ички түйүндөр, ар бир бутак тесттин жыйынтыктарын чагылдырат жана ар бир жалбырак түйүнү (жалбырак түйүнү) класстык энбелгини камтыйт.
Ар бир окуучунун жоопторунун негизинде анын LS'ин автоматтык түрдө баалоо жана аннотациялоо үчүн жөнөкөй эрежеге негизделген программа түзүлдү. Эрежеге негизделген программа ЭГЕР операторунун формасында болот, мында "ЭГЕР" триггерди сүрөттөйт, ал эми "АНДА" аткарыла турган аракетти көрсөтөт, мисалы: "Эгер X пайда болсо, анда Y жасаңыз" (Liu et al., 2014). Эгерде маалыматтар топтому корреляцияны көрсөтсө жана чечим дарагынын модели туура окутулуп, бааланса, бул ыкма LS жана IS'ти дал келтирүү процессин автоматташтыруунун натыйжалуу жолу болушу мүмкүн.
Иштеп чыгуунун экинчи этабында, сунуштоо куралынын тактыгын жогорулатуу үчүн маалыматтар топтому 255ке чейин көбөйтүлдү. Маалыматтар топтому 1:4 катышында бөлүнгөн. Маалыматтар топтомунун 25% (64) тест топтому үчүн колдонулган, ал эми калган 75% (191) окутуу топтому катары колдонулган (2-сүрөт). Моделдин бир эле маалымат топтомунда окутулуп жана текшерилип калышына жол бербөө үчүн, маалыматтар топтомун бөлүү керек, бул моделдин үйрөнүүнүн ордуна эстеп калышына алып келиши мүмкүн. Модель окутуу топтомунда окутулуп, тест топтомунда өзүнүн иштешин баалайт — модель мурда эч качан көрбөгөн маалыматтар.
ИС куралы иштелип чыккандан кийин, тиркеме веб-интерфейс аркылуу стоматологиялык студенттердин жоопторуна негизделген LSти классификациялай алат. Веб-негизделген маалыматтык коопсуздук боюнча сунуштоо куралдарынын системасы Django алкагын арткы бет катары колдонуу менен Python программалоо тилин колдонуу менен курулган. 2-таблицада бул системаны иштеп чыгууда колдонулган китепканалар келтирилген.
Маалыматтар топтому студенттердин жоопторун эсептөө жана бөлүп алуу үчүн чечим дарагынын моделине киргизилет, бул студенттердин LS өлчөөлөрүн автоматтык түрдө классификациялоо максатында жүргүзүлөт.
Башаламандык матрицасы берилген маалыматтар топтомунда чечим дарагынын машиналык үйрөнүү алгоритминин тактыгын баалоо үчүн колдонулат. Ошол эле учурда, ал классификация моделинин иштешин баалайт. Ал моделдин божомолдорун жалпылайт жана аларды чыныгы маалымат энбелгилери менен салыштырат. Баалоонун жыйынтыктары төрт башка мааниге негизделген: Чыныгы Позитивдүү (TP) – модель оң категорияны туура алдын ала айткан, Жалган Позитивдүү (FP) – модель оң категорияны алдын ала айткан, бирок чыныгы энбелги терс болгон, Чыныгы Негативдүү (TN) – модель терс классты туура алдын ала айткан жана Жалган Негативдүү (FN) – Модель терс классты алдын ала айткан, бирок чыныгы энбелги оң.
Андан кийин бул маанилер Python тилиндеги scikit-learn классификация моделинин ар кандай көрсөткүчтөрүн, атап айтканда, тактык, тактык, эске алуу жана F1 упайын эсептөө үчүн колдонулат. Бул жерде мисалдар келтирилген:
Эске түшүрүү (же сезгичтик) моделдин m-ILS анкетасын жооп бергенден кийин студенттин эс тутумун так классификациялоо жөндөмүн өлчөйт.
Өзгөчөлүк чыныгы терс көрсөткүч деп аталат. Жогорудагы формуладан көрүнүп тургандай, бул чыныгы терс көрсөткүчтөрдүн (ТН) чыныгы терс жана жалган оң көрсөткүчтөргө (ЖО) болгон катышы болушу керек. Студенттик дары-дармектерди классификациялоо үчүн сунушталган куралдын бир бөлүгү катары, ал так аныктоого жөндөмдүү болушу керек.
Чечим дарагынын ML моделин окутуу үчүн колдонулган 50 студенттин баштапкы маалыматтар топтому аннотациялардагы адамдын катасынан улам салыштырмалуу төмөн тактыкты көрсөттү (3-таблица). LS упайларын жана студенттердин аннотацияларын автоматтык түрдө эсептөө үчүн жөнөкөй эрежеге негизделген программа түзүлгөндөн кийин, сунуштоочу системаны окутуу жана сыноо үчүн барган сайын көп сандаган маалыматтар топтому (255) колдонулду.
Көп класстуу башаламандык матрицасында диагоналдык элементтер ар бир LS түрү үчүн туура божомолдордун санын билдирет (4-сүрөт). Чечим дарагынын моделин колдонуу менен жалпысынан 64 үлгү туура божомолдонгон. Ошентип, бул изилдөөдө диагоналдык элементтер күтүлгөн натыйжаларды көрсөтүп, моделдин ар бир LS классификациясы үчүн класстык белгини жакшы аткарып, так божомолдогонун көрсөтүп турат. Ошентип, сунуштоо куралынын жалпы тактыгы 100% түзөт.
Тактык, тактык, эске тутуу жана F1 упайынын маанилери 5-сүрөттө көрсөтүлгөн. Чечим дарагынын моделин колдонгон сунуштоо системасы үчүн анын F1 упайы 1,0 "идеалдуу" болуп саналат, бул кемчиликсиз тактыкты жана эске тутууну көрсөтүп, сезгичтиктин жана өзгөчөлүктүн маанилүү маанилерин чагылдырат.
6-сүрөттө окутуу жана тестирлөө аяктагандан кийинки чечим дарагынын моделинин визуализациясы көрсөтүлгөн. Жанаша салыштырууда, азыраак функциялары менен үйрөтүлгөн чечим дарагынын модели жогорку тактыкты жана моделди визуализациялоону жеңилдетүүнү көрсөттү. Бул функцияларды азайтууга алып келүүчү функцияларды инженериялоо моделдин иштешин жакшыртуудагы маанилүү кадам экенин көрсөтүп турат.
Чечим дарагы аркылуу көзөмөлдөнгөн окутууну колдонуу менен, LS (киргизүү) жана IS (максаттуу чыгаруу) ортосундагы карта түзүү автоматтык түрдө түзүлөт жана ар бир LS үчүн толук маалыматты камтыйт.
Жыйынтыктар көрсөткөндөй, 255 студенттин 34,9% бир (1) LS вариантын артык көрүшкөн. Көпчүлүгү (54,3%) эки же андан көп LS артык көрүшкөн. Студенттердин 12,2% LS бир топ тең салмактуу экенин белгилешкен (4-таблица). Сегиз негизги LSден тышкары, Малайя университетинин стоматология студенттери үчүн LS классификациясынын 34 айкалышы бар. Алардын арасында кабылдоо, көрүү жана кабылдоо менен көрүүнүн айкалышы студенттер билдирген негизги LS болуп саналат (7-сүрөт).
4-таблицадан көрүнүп тургандай, окуучулардын көпчүлүгүндө сенсордук (13,7%) же көрүү (8,6%) LS басымдуулук кылган. Окуучулардын 12,2%ы кабылдоону көрүү менен айкалыштырганы кабарланган (кабылдоо-визуалдык LS). Бул жыйынтыктар окуучулар белгиленген ыкмалар аркылуу үйрөнүүнү жана эстеп калууну артык көрөрүн, конкреттүү жана деталдуу процедураларды аткараарын жана мүнөзү боюнча көңүл бурарын көрсөтүп турат. Ошол эле учурда, алар карап (диаграммаларды ж.б. колдонуп) үйрөнүүнү жакшы көрүшөт жана маалыматты топтордо же өз алдынча талкуулап жана колдонууга умтулушат.
Бул изилдөө маалыматтарды казууда колдонулган машиналык окутуу ыкмаларына сереп салат, студенттердин окуу процессин заматта жана так алдын ала айтууга жана ылайыктуу ИСти сунуштоого басым жасайт. Чечим дарагынын моделин колдонуу алардын жашоосу жана билим берүү тажрыйбасы менен эң тыгыз байланышкан факторлорду аныктады. Бул белгилүү бир критерийлерге негизделген маалыматтар топтомун субкатегорияларга бөлүү аркылуу маалыматтарды классификациялоо үчүн дарак түзүмүн колдонгон көзөмөлдөнгөн машиналык окутуу алгоритми. Ал жалбырак түйүнүндө чечим кабыл алынганга чейин ар бир ички түйүндүн киргизүү өзгөчөлүктөрүнүн биринин маанисине негизделген киргизүү маалыматтарын рекурсивдүү түрдө субтопторго бөлүү аркылуу иштейт.
Чечим дарагынын ички түйүндөрү m-ILS маселесинин киргизүү мүнөздөмөлөрүнө негизделген чечимди, ал эми жалбырак түйүндөрү LS классификациясынын акыркы божомолун билдирет. Изилдөө учурунда киргизүү мүнөздөмөлөрү менен чыгаруу божомолдорунун ортосундагы байланышты карап чыгуу менен чечим кабыл алуу процессин түшүндүргөн жана визуалдаштырган чечим дарактарынын иерархиясын түшүнүү оңой.
Информатика жана инженерия тармактарында машиналык окутуу алгоритмдери студенттердин окуудагы жетишкендиктерин алардын кирүү экзамендериндеги упайларына [21], демографиялык маалыматтарына жана окуу жүрүм-турумуна [22] негиздеп алдын ала айтуу үчүн кеңири колдонулат. Изилдөөлөр көрсөткөндөй, алгоритм студенттердин окуудагы жетишкендиктерин так алдын ала айтып, окуудагы кыйынчылыктарга кабылуу коркунучу бар студенттерди аныктоого жардам берген.
Стоматологиялык окутуу үчүн виртуалдык бейтаптардын симуляторлорун иштеп чыгууда ML алгоритмдерин колдонуу жөнүндө кабарланган. Симулятор чыныгы бейтаптардын физиологиялык реакцияларын так чагылдыра алат жана стоматологиялык студенттерди коопсуз жана көзөмөлдөнгөн чөйрөдө окутуу үчүн колдонулушу мүмкүн [23]. Башка бир катар изилдөөлөр машиналык окутуу алгоритмдери стоматологиялык жана медициналык билим берүүнүн жана бейтаптарды кароонун сапатын жана натыйжалуулугун потенциалдуу түрдө жакшырта аларын көрсөтүп турат. Машиналык окутуу алгоритмдери симптомдор жана бейтаптардын мүнөздөмөлөрү сыяктуу маалыматтар топтомунун негизинде стоматологиялык ооруларды диагноздоого жардам берүү үчүн колдонулган [24, 25]. Ал эми башка изилдөөлөрдө бейтаптардын натыйжаларын алдын ала айтуу, жогорку тобокелдиктеги бейтаптарды аныктоо, жекелештирилген дарылоо пландарын иштеп чыгуу [26], пародонтту дарылоо [27] жана кариести дарылоо [25] сыяктуу тапшырмаларды аткаруу үчүн машиналык окутуу алгоритмдерин колдонуу изилденген.
Стоматологияда машиналык окутууну колдонуу боюнча отчеттор жарыяланганы менен, анын стоматологиялык билим берүүдө колдонулушу чектелүү бойдон калууда. Ошондуктан, бул изилдөө стоматологиялык студенттер арасында LS жана IS менен эң тыгыз байланышкан факторлорду аныктоо үчүн чечим дарагынын моделин колдонууну максат кылган.
Бул изилдөөнүн жыйынтыктары көрсөткөндөй, иштелип чыккан сунуштоо куралы жогорку тактыкка жана кемчиликсиз тактыкка ээ, бул мугалимдер бул куралдан пайда ала аларын көрсөтүп турат. Маалыматтарга негизделген классификациялоо процессин колдонуу менен, ал жекелештирилген сунуштарды берип, мугалимдер менен окуучулар үчүн билим берүү тажрыйбасын жана натыйжаларын жакшырта алат. Алардын арасында сунуштоо куралдары аркылуу алынган маалымат мугалимдердин артыкчылыктуу окутуу ыкмалары менен окуучулардын окуу муктаждыктарынын ортосундагы карама-каршылыктарды чече алат. Мисалы, сунуштоо куралдарынын автоматташтырылган чыгышынан улам, окуучунун интеллектуалдык менчигин аныктоо жана аны тиешелүү интеллектуалдык менчик менен дал келтирүү үчүн талап кылынган убакыт бир топ кыскарат. Ушундай жол менен ылайыктуу окутуу иш-чараларын жана окуу материалдарын уюштурууга болот. Бул окуучулардын позитивдүү окуу жүрүм-турумун жана көңүл топтоо жөндөмүн өнүктүрүүгө жардам берет. Бир изилдөөдө окуучуларга артыкчылыктуу LSке дал келген окуу материалдарын жана окуу иш-аракеттерин берүү окуучуларга чоң потенциалга жетүү үчүн бир нече жол менен интеграциялоого, иштетүүгө жана окуудан ырахат алууга жардам берери айтылган [12]. Изилдөөлөр ошондой эле окуучулардын класстагы катышуусун жакшыртуудан тышкары, окуучулардын окуу процессин түшүнүү окутуу практикасын жана окуучулар менен баарлашууну жакшыртууда да маанилүү ролду ойной турганын көрсөтүп турат [28, 29].
Бирок, ар кандай заманбап технологиялар сыяктуу эле, көйгөйлөр жана чектөөлөр бар. Аларга маалыматтардын купуялуулугу, бир жактуулук жана адилеттүүлүк, ошондой эле стоматологиялык билим берүүдө машиналык окутуу алгоритмдерин иштеп чыгуу жана ишке ашыруу үчүн зарыл болгон кесиптик көндүмдөр жана ресурстар менен байланышкан маселелер кирет; Бирок, бул жааттагы кызыгуунун жана изилдөөлөрдүн өсүшү машиналык окутуу технологиялары стоматологиялык билим берүүгө жана стоматологиялык кызматтарга оң таасирин тийгизиши мүмкүн экенин көрсөтүп турат.
Бул изилдөөнүн жыйынтыктары стоматологиялык студенттердин жарымы дары-дармектерди "кабыл алууга" жакын экенин көрсөтүп турат. Бул типтеги окуучулар фактыларга жана конкреттүү мисалдарга, практикалык багытка, майда-чүйдө нерселерге чыдамкайлыкка жана "визуалдык" LS артыкчылыгына ээ, мында окуучулар идеяларды жана ойлорду жеткирүү үчүн сүрөттөрдү, графикаларды, түстөрдү жана карталарды колдонууну артык көрүшөт. Учурдагы жыйынтыктар стоматологиялык жана медициналык студенттердин LSин баалоо үчүн ILS колдонгон башка изилдөөлөргө дал келет, алардын көпчүлүгү кабылдоо жана визуалдык LS мүнөздөмөлөрүнө ээ [12, 30]. Далмолин жана башкалар студенттерге өздөрүнүн LS жөнүндө маалымат берүү алардын окуу потенциалына жетүүгө мүмкүндүк берет деп божомолдошот. Изилдөөчүлөр мугалимдер окуучулардын билим берүү процессин толук түшүнгөндө, окуучулардын жетишкендиктерин жана окуу тажрыйбасын жакшырта турган ар кандай окутуу ыкмаларын жана иш-аракеттерди ишке ашырууга болот деп ырасташат [12, 31, 32]. Башка изилдөөлөр студенттердин LSин тууралоо окуучулардын окуу стилдерин өздөрүнүн LSине ылайыкташтыруу менен алардын окуу тажрыйбасынын жана жетишкендиктеринин жакшырганын да көрсөтөрүн көрсөттү [13, 33].
Мугалимдердин окуучулардын окуу жөндөмдөрүнө негизделген окутуу стратегияларын ишке ашыруу боюнча пикирлери ар кандай болушу мүмкүн. Айрымдар бул ыкманын артыкчылыктарын, анын ичинде кесиптик өнүгүү мүмкүнчүлүктөрүн, насаатчылыкты жана коомчулуктун колдоосун көрүшсө, башкалары убакыт жана институттук колдоо жөнүндө тынчсызданышы мүмкүн. Балансты сактоого умтулуу студентке багытталган мамилени түзүүнүн ачкычы болуп саналат. Университеттин администраторлору сыяктуу жогорку билим берүү органдары инновациялык тажрыйбаларды киргизүү жана окутуучулардын өнүгүүсүн колдоо менен оң өзгөрүүлөрдү жасоодо маанилүү ролду ойной алышат [34]. Чыныгы динамикалуу жана жооп берүүчү жогорку билим берүү системасын түзүү үчүн саясатчылар саясатты өзгөртүү, технологияларды интеграциялоого ресурстарды жумшоо жана студентке багытталган мамилелерди илгерилетүү үчүн алкактарды түзүү сыяктуу тайманбас кадамдарды жасашы керек. Бул чаралар каалаган натыйжаларга жетүү үчүн абдан маанилүү. Дифференциацияланган окутуу боюнча акыркы изилдөөлөр дифференциацияланган окутууну ийгиликтүү ишке ашыруу мугалимдер үчүн үзгүлтүксүз окутуу жана өнүктүрүү мүмкүнчүлүктөрүн талап кылаарын ачык көрсөттү [35].
Бул курал окуучуга ыңгайлуу окуу иш-аракеттерин пландаштырууда окуучуга багытталган мамилени колдонгум келген стоматологиялык мугалимдерге баалуу колдоо көрсөтөт. Бирок, бул изилдөө чечим дарагынын ML моделдерин колдонуу менен гана чектелет. Келечекте сунуштоо куралдарынын тактыгын, ишенимдүүлүгүн жана тактыгын салыштыруу үчүн ар кандай машиналык окутуу моделдеринин иштешин салыштыруу үчүн көбүрөөк маалыматтар чогултулушу керек. Мындан тышкары, белгилүү бир тапшырма үчүн эң ылайыктуу машиналык окутуу ыкмасын тандоодо моделдин татаалдыгы жана чечмелениши сыяктуу башка факторлорду эске алуу маанилүү.
Бул изилдөөнүн бир кемчилиги, ал стоматологиялык студенттердин арасында LS жана IS карталарын түзүүгө гана багытталган. Ошондуктан, иштелип чыккан сунуштоо системасы стоматологиялык студенттерге ылайыктууларын гана сунуштайт. Өзгөртүүлөр жалпы жогорку окуу жайларынын студенттери үчүн зарыл.
Жаңы иштелип чыккан машиналык окутууга негизделген сунуштоо куралы студенттердин окуу программаларын тиешелүү ИС менен заматта классификациялап жана дал келтире алат, бул аны стоматологиялык билим берүүчүлөргө тиешелүү окутуу жана окуу иш-аракеттерин пландаштырууга жардам берген биринчи стоматологиялык билим берүү программасы кылат. Маалыматтарга негизделген триаж процессин колдонуу менен ал жекелештирилген сунуштарды бере алат, убакытты үнөмдөйт, окутуу стратегияларын жакшыртат, максаттуу кийлигишүүлөрдү колдойт жана үзгүлтүксүз кесиптик өнүгүүгө өбөлгө түзөт. Аны колдонуу стоматологиялык билим берүүгө студентке багытталган мамилелерди жайылтат.
Гилак Жани, Associated Press. Окуучунун окуу стили менен мугалимдин окутуу стилинин дал келиши же келбестиги. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Жарыяланган убактысы: 2024-жылдын 29-апрели