Það er vaxandi þörf fyrir námsmiðað nám (SCL) á háskólum, þar með talið tannlækningum. SCL hefur þó takmarkaða notkun í tannlækningum. Þess vegna miðar þessi rannsókn að því að stuðla að beitingu SCL í tannlækningum með því að nota Technect Tree Machine Learning (ML) tækni til að kortleggja valinn námsstíl (LS) og samsvarandi námsaðferðir (IS) tannlækna sem gagnlegt tæki til að þróa IS leiðbeiningar . Efnilegar aðferðir fyrir tannlæknanema.
Alls luku 255 tannlæknanemar frá University of Malaya spurningalistanum Breytt vísitölu námsstíls (M-ILS), sem innihélt 44 atriði til að flokka þá í viðkomandi LSS. Söfnuð gögn (kölluð gagnapakkinn) eru notuð í ákvörðunartré sem eftirlits tré undir eftirliti til að passa sjálfkrafa námsstíl nemenda við viðeigandi er. Nákvæmni vélarinnar sem byggir á Machine IS er síðan metin.
Notkun ákvörðunartréslíkana í sjálfvirku kortlagningarferli milli LS (Input) og IS (markafköst) gerir ráð fyrir strax lista yfir viðeigandi námsaðferðir fyrir hvern tannlækna. IS meðmælaverkfærið sýndi fram á fullkomna nákvæmni og innköllun á heildar nákvæmni líkansins, sem bendir til þess að samsvörun LS við IS hafi góða næmi og sérstöðu.
AS meðmælatæki byggt á ML ákvörðunartré hefur sannað getu sína til að passa nákvæmlega við námsstíl tannlækna við viðeigandi námsaðferðir. Þetta tól býður upp á öfluga valkosti til að skipuleggja námskeið eða einingar sem geta aukið námsmenn sem geta aukið námsreynslu nemenda.
Kennsla og nám eru grundvallaratriði í menntastofnunum. Þegar þróað er hágæða starfskerfi er mikilvægt að einbeita sér að námsþörf nemenda. Hægt er að ákvarða samspil nemenda og námsumhverfis þeirra með LS þeirra. Rannsóknir benda til þess að misræmi kennara-ætlaðra milli LS nemenda og IS geti haft neikvæðar afleiðingar fyrir nám nemenda, svo sem minni athygli og hvatningu. Þetta mun óbeint hafa áhrif á frammistöðu nemenda [1,2].
IS er aðferð notuð af kennurum til að veita nemendum þekkingu og færni, þar með talið að hjálpa nemendum að læra [3]. Almennt séð skipuleggja góðir kennarar kennsluaðferðir eða er það best að passa þekkingarstig nemenda sinna, hugtökin sem þeir eru að læra og námsstig þeirra. Fræðilega séð, þegar LS og er samsvörun, munu nemendur geta skipulagt og notað ákveðið sett af færni til að læra á áhrifaríkan hátt. Venjulega felur kennsluáætlun í sér nokkrar umbreytingar milli stiganna, svo sem frá kennslu til leiðsögn eða frá leiðsögn til sjálfstæðrar starfshátta. Með þetta í huga skipuleggja árangursríkir kennarar oft kennslu með það að markmiði að byggja upp þekkingu og færni nemenda [4].
Eftirspurnin eftir SCL er að aukast á háskólum, þar með talið tannlækningum. SCL aðferðir eru hönnuð til að mæta námsþörf nemenda. Þetta er hægt að ná, til dæmis, ef nemendur taka virkan þátt í námsstarfsemi og kennurum starfa sem leiðbeinendur og bera ábyrgð á því að veita dýrmæt viðbrögð. Sagt er að það að veita námsefni og athafnir sem henta menntunarstigi eða óskum nemenda geti bætt námsumhverfi nemenda og stuðlað að jákvæðri námsreynslu [5].
Almennt séð hefur námsferli tannlækna áhrif á hinar ýmsu klínískar aðferðir sem þeir eru nauðsynlegir til að framkvæma og klíníska umhverfi þar sem þeir þróa árangursríka færni milli einstaklinga. Tilgangurinn með þjálfuninni er að gera nemendum kleift að sameina grunnþekkingu á tannlækningum með klínískri færni í tannlækningum og beita áunninni þekkingu við nýjar klínískar aðstæður [6, 7]. Snemma rannsóknir á tengslum LS og koma í ljós að aðlögun námsaðferða sem kortlagðar voru að ákjósanlegu LS myndi hjálpa til við að bæta fræðsluferlið [8]. Höfundarnir mæla einnig með því að nota margvíslegar kennslu- og matsaðferðir til að laga sig að námi og þörfum nemenda.
Kennarar njóta góðs af því að beita LS þekkingu til að hjálpa þeim að hanna, þróa og innleiða kennslu sem mun auka öflun nemenda á dýpri þekkingu og skilningi á efninu. Vísindamenn hafa þróað nokkur LS matstæki, svo sem KOLB Experiential Learning líkanið, Felder-Silverman Learning Style Model (FSLSM) og Fleming Vak/Vark líkanið [5, 9, 10]. Samkvæmt fræðiritunum eru þessi námslíkön algengustu og mest rannsökuð námslíkön. Í núverandi rannsóknarvinnu er FSLSM notað til að meta LS meðal tannlækna.
FSLSM er mikið notað líkan til að meta aðlögunarnám í verkfræði. Það eru mörg útgefin verk í heilbrigðisvísindum (þar á meðal læknisfræði, hjúkrun, lyfjafræði og tannlækningar) sem er að finna með FSLSM gerðum [5, 11, 12, 13]. Tækið sem notað er til að mæla víddir LS í FLSM er kallað vísitala námsstíls (ILS) [8], sem inniheldur 44 hluti sem meta fjórar víddir LS: vinnslu (virk/endurskins), skynjun (skynjun/leiðandi), inntak (sjón). /munnleg) og skilningur (röð/alþjóðlegur) [14].
Eins og sýnt er á mynd 1 hefur hver FSLSM vídd ríkjandi val. Til dæmis, í vinnsluvíddinni, kjósa nemendur með „virka“ LS að vinna úr upplýsingum með því að hafa bein samskipti við námsefni, læra með því að gera og hafa tilhneigingu til að læra í hópum. „Hugsandi“ LS vísar til þess að læra með hugsun og vill helst vinna ein. Hægt er að skipta „skynja“ vídd LS í „tilfinningu“ og/eða „innsæi.“ „Tilfinning“ nemendur kjósa meira áþreifanlegar upplýsingar og hagnýtar verklagsreglur, eru staðreyndir miðað við „leiðandi“ nemendur sem kjósa abstrakt efni og eru nýstárlegri og skapandi að eðlisfari. „Inntak“ vídd LS samanstendur af „sjónrænu“ og „munnlegum“ nemendum. Fólk með „sjónræna“ LS vill frekar læra með sjónrænni sýnikennslu (svo sem skýringarmynd, myndbönd eða lifandi sýnikennslu), en fólk með „munnlegt“ LS vill frekar læra með orðum í skriflegum eða munnlegum skýringum. Til að „skilja“ LS -víddirnar er hægt að skipta slíkum nemendum í „röð“ og „alþjóðlegt“. „Röð nemendur kjósa línulegt hugsunarferli og læra skref fyrir skref, á meðan alþjóðlegir nemendur hafa tilhneigingu til að hafa heildrænt hugsunarferli og hafa alltaf betri skilning á því hvað þeir eru að læra.
Undanfarið hafa margir vísindamenn byrjað að kanna aðferðir við sjálfvirka gagndrifna uppgötvun, þar með talið þróun nýrra reiknirita og líkana sem geta túlkað mikið magn gagna [15, 16]. Byggt á fyrirliggjandi gögnum er eftirlit með ML (vélanámi) fær um að búa til mynstur og tilgátur sem spá fyrir um framtíðarniðurstöður byggðar á byggingu reiknirita [17]. Einfaldlega sett, eftirlit með vélanámsaðferðum vinna með inntaksgögn og lestaralgrími. Það býr síðan til svið sem flokkar eða spáir fyrir um útkomuna sem byggist á svipuðum aðstæðum fyrir inntaksgögn. Helsti kosturinn við reiknirit með eftirliti með vélanám er geta þess til að koma á hugsjónum og æskilegum árangri [17].
Með því að nota gagndrifnar aðferðir og ákvarðanir um trjástýringu er sjálfvirk uppgötvun LS möguleg. Sagt hefur verið að ákvörðunartré séu mikið notuð í þjálfunaráætlunum á ýmsum sviðum, þar á meðal heilbrigðisvísindum [18, 19]. Í þessari rannsókn var líkanið sérstaklega þjálfað af kerfishönnuðunum til að bera kennsl á LS nemenda og mæla með því besta er fyrir þá.
Tilgangurinn með þessari rannsókn er að þróa er afhendingaraðferðir byggðar á LS nemenda og beita SCL nálguninni með því að þróa IS meðmælaverkfæri kortlagt til LS. Hönnunarstreymi IS meðmælaverkfærisins sem stefna um SCL aðferðina er sýnd á mynd 1. IS ráðleggingartækið er skipt í tvo hluta, þar með talið LS flokkunarbúnaðinn með ILS og hentugast birtist fyrir nemendur.
Sérstaklega fela einkenni verkfæra með upplýsingaöryggi með notkun veftækni og notkun ákvörðunartrés vélanáms. Kerfishönnuðir bæta notendaupplifun og hreyfanleika með því að laga þau að farsímum eins og farsímum og spjaldtölvum.
Tilraunin var gerð í tveimur áföngum og nemendur frá tannlækningadeild við háskólann í Malaya tóku þátt í frjálsum vilja. Þátttakendur svöruðu M-IL-IL-tækjum tannlækna á ensku. Í fyrsta áfanga var gagnapakki 50 nemenda notaður til að þjálfa reiknirit fyrir námsvélarvélar. Í öðrum áfanga þróunarferlisins var gagnapakki 255 nemenda notaður til að bæta nákvæmni þróaðs tækis.
Allir þátttakendur fá kynningarfund á netinu í byrjun hvers stigs, allt eftir námsárinu, í gegnum Microsoft teymi. Tilgangur rannsóknarinnar var útskýrður og upplýst samþykki var fengin. Allir þátttakendur fengu hlekk til að fá aðgang að M-ILS. Hverjum nemanda var leiðbeint um að svara öllum 44 atriðum í spurningalistanum. Þeir fengu eina viku til að ljúka breyttum IL í einu og staðsetningu sem hentaði þeim í önninni fyrir upphaf önnarinnar. M-ILS er byggt á upprunalegu ILS tækinu og breytt fyrir tannlæknanema. Svipað og upprunalegu ILS inniheldur það 44 jafnt dreifða hluti (a, b), með 11 hluti hvor, sem eru notaðir til að meta þætti hverrar FSLSM víddar.
Á fyrstu stigum þróunar verkfæra, gerðu vísindamennirnir handvirkt út kortin með gagnapakka 50 tannlækna. Samkvæmt FSLM veitir kerfið summan af svörum „A“ og „B“. Fyrir hverja vídd, ef nemandinn velur „A“ sem svar, er LS flokkað sem virkt/skynsamlegt/sjón/röð, og ef nemandinn velur „B“ sem svar, er nemandinn flokkaður sem endurskins/leiðandi/málvísind . / alþjóðlegur nemandi.
Eftir að hafa kvarðað verkflæðið milli vísindamanna í tannlækningum og kerfishönnuðum voru spurningar valdar út frá FLSSM léninu og fóðraðir í ML líkanið til að spá fyrir um LS hvers nemanda. „Sorp í, sorp út“ er vinsælt orðatiltæki á sviði vélanáms með áherslu á gæði gagna. Gæði innsláttargagna ákvarða nákvæmni og nákvæmni vélarnámslíkansins. Á meðan á verkfræðistiginu stóð er nýtt aðgerðasett búið til sem er summan af svörum „A“ og „B“ byggð á FLSSM. Auðkennisnúmer lyfjafyrirtækja eru gefin í töflu 1.
Reiknið stigið út frá svörunum og ákvarðið LS nemandans. Fyrir hvern nemanda er stigasviðið frá 1 til 11. stig frá 1 til 3 benda til jafnvægis námskjörs innan sömu víddar og stig frá 5 til 7 benda til meðallagi val, sem gefur til kynna að nemendur hafi tilhneigingu til að kjósa eitt umhverfi sem kennir öðrum . Önnur breytileiki á sömu vídd er að stig frá 9 til 11 endurspegla sterka val á einum endanum eða öðrum [8].
Fyrir hverja vídd voru lyf flokkuð í „virk“, „hugsandi“ og „yfirveguð“. Til dæmis, þegar nemandi svarar „A“ oftar en „B“ á tilnefndum hlut og stig hans/hennar fer yfir þröskuldinn 5 fyrir tiltekna hlut sem táknar vinnslu LS víddarinnar, þá tilheyrir hann „virka“ LS lén. . Hins vegar voru nemendur flokkaðir sem „hugsandi“ LS þegar þeir völdu „B“ meira en „A“ í sérstökum 11 spurningum (tafla 1) og skoruðu meira en 5 stig. Að lokum er nemandinn í „jafnvægi.“ Ef stigið fer ekki yfir 5 stig, þá er þetta „ferli“ LS. Flokkunarferlið var endurtekið fyrir aðrar LS -víddir, nefnilega skynjun (virk/endurskinsandi), inntak (sjón/munnleg) og skilningur (Sequential/Global).
Ákvörðunartréslíkön geta notað mismunandi undirhópa af eiginleikum og ákvörðunarreglum á mismunandi stigum flokkunarferlisins. Það er talið vinsælt flokkunar- og spátæki. Það er hægt að tákna það með því að nota trjábyggingu eins og flæðirit [20], þar sem það eru innri hnútar sem tákna próf eftir eigind, hver grein sem táknar niðurstöður prófa og hver laufhnút (laufhnútur) sem inniheldur flokkamerki.
Einfalt reglubundið forrit var búið til til að skora sjálfkrafa og gera athugasemdir við LS hvers nemanda út frá svörum þeirra. Reglubundin er í formi IF yfirlýsingar, þar sem „IF“ lýsir kveikjunni og „þá“ tilgreinir aðgerðina sem á að framkvæma, til dæmis: „If X gerist, þá gerðu y“ (Liu o.fl., 2014). Ef gagnasettið sýnir fylgni og ákvörðunartré líkanið er rétt þjálfað og metið, getur þessi aðferð verið áhrifarík leið til að gera sjálfvirkan ferlið við að passa LS og IS.
Í öðrum áfanga þróunarinnar var gagnapakkinn aukinn í 255 til að bæta nákvæmni meðmælatækisins. Gagnasettinu er skipt í 1: 4 hlutfall. 25% (64) af gagnasettinu voru notuð við prófunarsettið og 75% sem eftir voru (191) voru notaðar sem þjálfunarsettið (mynd 2). Skipta þarf gagnasettinu til að koma í veg fyrir að líkanið verði þjálfað og prófað á sama gagnasettinu, sem gæti valdið því að líkanið muna frekar en að læra. Líkanið er þjálfað í þjálfunarsettinu og metur árangur þess á prófunarsettinu - gagna sem líkanið hefur aldrei séð áður.
Þegar verkfærið er þróað mun forritið geta flokkað LS út frá svörum tannlækna í gegnum vefviðmót. Vefbundið upplýsingaöryggiskerfi er smíðað með Python forritunarmálinu með því að nota Django ramma sem stuðning. Í töflu 2 eru bókasöfnin sem notuð eru við þróun þessa kerfis.
Gagnapakkanum er gefið í ákvörðunartré líkan til að reikna og vinna úr svörum nemenda til að flokka LS mælingar nemenda sjálfkrafa.
Rugl fylkið er notað til að meta nákvæmni ákvarðunar tree vélanáms reiknirit á tilteknu gagnasafni. Á sama tíma metur það árangur flokkunarlíkansins. Það dregur saman spár líkansins og ber þær saman við raunveruleg gagnamerki. Niðurstöður matsins eru byggðar á fjórum mismunandi gildum: True Positive (TP) - líkanið spáði réttu jákvæða flokknum, False Positive (FP) - líkanið spáði jákvæðum flokknum, en hinn sanna merki var neikvætt, satt neikvætt (TN) - Líkanið spáði réttu neikvæðum flokki og fölskum neikvæðum (FN) - líkanið spáir neikvæðum flokki, en hin sanna merki er jákvætt.
Þessi gildi eru síðan notuð til að reikna út ýmis árangursmælikvarða SCIKIT-LEARN flokkunarlíkansins í Python, nefnilega nákvæmni, nákvæmni, innköllun og F1 stig. Hér eru dæmi:
Mundu (eða næmi) mælir getu líkansins til að flokka LS nemanda nákvæmlega eftir að hafa svarað M-ILS spurningalistanum.
Sértækni er kölluð raunveruleg neikvæð hlutfall. Eins og þú sérð af ofangreindri formúlu ætti þetta að vera hlutfall sanna neikvæða (TN) og sanna neikvæðni og rangar jákvæðni (FP). Sem hluti af ráðlagðu tólinu til að flokka lyf nemenda ætti það að vera fær um nákvæma auðkenningu.
Upprunalega gagnapakkinn af 50 nemendum sem notaðir voru til að þjálfa ákvörðunartré ML líkanið sýndi tiltölulega litla nákvæmni vegna mannlegra mistaka í athugasemdunum (tafla 3). Eftir að hafa búið til einfalt reglubundið forrit til að reikna LS-stig sjálfkrafa og athugasemdir nemenda var aukinn fjöldi gagnapakka (255) notaður til að þjálfa og prófa ráðgjafakerfið.
Í fjölflokks ruglinu tákna skáþættirnir fjölda réttra spár fyrir hverja LS gerð (mynd 4). Með því að nota ákvörðunartré líkanið var samtals 64 sýni spáð rétt. Þannig, í þessari rannsókn, sýna skáþættirnir væntanlegar niðurstöður, sem bendir til þess að líkanið framkvæmi vel og spáir nákvæmlega flokksmerkinu fyrir hverja LS flokkun. Þannig er heildarnákvæmni meðmæla tólsins 100%.
Gildi nákvæmni, nákvæmni, innköllun og F1 stig eru sýnd á mynd 5. gildi.
Mynd 6 sýnir sjón á ákvörðunartrélíkani eftir þjálfun og prófun er lokið. Í samanburði við hlið við hlið sýndi ákvörðunartré líkanið sem þjálfað var með færri eiginleikum meiri nákvæmni og auðveldari myndsköpun líkansins. Þetta sýnir að verkfræði sem leiðir til minnkunar á lögun er mikilvægt skref til að bæta árangur líkansins.
Með því að beita ákvörðunartré sem er eftirlit með námi er kortlagningin milli LS (inntak) og IS (markafköst) sjálfkrafa búin til og inniheldur nákvæmar upplýsingar fyrir hvern LS.
Niðurstöðurnar sýndu að 34,9% af 255 nemendum kusu einn (1) LS valkostinn. Meirihlutinn (54,3%) var með tvær eða fleiri LS -óskir. 12,2% nemenda tóku fram að LS er nokkuð jafnvægi (tafla 4). Til viðbótar við átta megin LS eru 34 samsetningar af LS flokkun fyrir háskólanema háskólans í Malaya. Meðal þeirra er skynjun, sjón og samsetning skynjunar og sjón aðal LS sem nemendur tilkynntu (mynd 7).
Eins og sjá má á töflu 4 hafði meirihluti nemenda ríkjandi skynjunar (13,7%) eða sjón (8,6%) LS. Sagt var frá því að 12,2% nemenda sameinuðu skynjun með sjón (skynjunar- og myndrænt LS). Þessar niðurstöður benda til þess að nemendur kjósi að læra og muna með staðfestum aðferðum, fylgja sértækum og ítarlegum verklagsreglum og eru gaum í eðli sínu. Á sama tíma njóta þeir þess að læra með því að leita (nota skýringarmynd osfrv.) Og hafa tilhneigingu til að ræða og beita upplýsingum í hópum eða á eigin spýtur.
Þessi rannsókn veitir yfirlit yfir vélanámsaðferðir sem notaðar eru við námuvinnslu gagna, með áherslu á strax og nákvæmlega að spá fyrir um LS nemenda og mæla með viðeigandi IS. Notkun ákvörðunartré líkans benti á þá þætti sem eru mest tengdir lífi þeirra og menntunarreynslu. Það er eftirlits reiknirit með vélanám sem notar trjábyggingu til að flokka gögn með því að deila mengi gagna í undirflokka byggða á ákveðnum viðmiðum. Það virkar með því að skipta inntaksgögnum endurtekið í undirhópa út frá gildi eins innsláttareigna hvers innri hnút þar til ákvörðun er tekin við laufhnútinn.
Innri hnútar ákvörðunartrésins tákna lausnina sem byggist á inntakseinkennum M-ILS vandamálsins og laufhnútarnir tákna loka spá um LS flokkun. Í allri rannsókninni er auðvelt að skilja stigveldi ákvörðunartrjáa sem skýra og sjónrænt ákvörðunarferlið með því að skoða tengsl milli inntakseigna og spár framleiðsla.
Á sviði tölvunarfræði og verkfræði eru reiknirit vélanáms mikið notuð til að spá fyrir um frammistöðu nemenda út frá inntökuprófum þeirra [21], lýðfræðilegum upplýsingum og námshegðun [22]. Rannsóknir sýndu að reikniritið spáði nákvæmlega árangri nemenda og hjálpaði þeim að bera kennsl á nemendur í hættu á námsörðugleikum.
Tilkynnt er um beitingu ML reiknirita við þróun sýndar sjúklinga hermir við tannþjálfun. Hermirinn er fær um að endurskapa lífeðlisfræðileg viðbrögð raunverulegra sjúklinga nákvæmlega og hægt er að nota hann til að þjálfa tannlæknanema í öruggu og stjórnuðu umhverfi [23]. Nokkrar aðrar rannsóknir sýna að reiknirit vélanáms geta hugsanlega bætt gæði og skilvirkni tannlækninga og læknisfræðinnar og umönnun sjúklinga. Reiknirit vélanáms hafa verið notuð til að aðstoða við greiningu tannsjúkdóma sem byggjast á gagnasöfnum eins og einkennum og einkenni sjúklinga [24, 25]. Þótt aðrar rannsóknir hafi kannað notkun reiknirita í vélanámi til að framkvæma verkefni eins og að spá fyrir um niðurstöður sjúklinga, bera kennsl á áhættusjúklinga, þróa persónulega meðferðaráætlanir [26], tannholdsmeðferð [27] og tannátumeðferð [25].
Þrátt fyrir að skýrslur um beitingu vélanáms í tannlækningum hafi verið birtar, er umsókn þess í tannlækningum áfram takmörkuð. Þess vegna miðaði þessi rannsókn að því að nota ákvörðunartré líkan til að bera kennsl á þætti sem eru mest tengdir LS og er meðal tannlækna.
Niðurstöður þessarar rannsóknar sýna að þróað meðmælaverkfæri hefur mikla nákvæmni og fullkomna nákvæmni, sem gefur til kynna að kennarar geti notið góðs af þessu tól. Með því að nota gagndrifið flokkunarferli getur það veitt persónulegar ráðleggingar og bætt menntun og árangur fyrir kennara og nemendur. Meðal þeirra geta upplýsingar sem fengust með meðmælatækjum leyst átök milli ákjósanlegra kennsluaðferða kennara og námsþarfir nemenda. Til dæmis, vegna sjálfvirkrar afköst meðmælatækja, mun tíminn sem þarf til að bera kennsl á IP nemanda og passa hann við samsvarandi IP minnkað verulega. Á þennan hátt er hægt að skipuleggja viðeigandi þjálfunarstarfsemi og þjálfunarefni. Þetta hjálpar til við að þróa jákvæða námshegðun nemenda og einbeitingu. Ein rannsókn greindi frá því að það að veita nemendum námsefni og námsstarfsemi sem passar við valinn LS þeirra geti hjálpað nemendum að samþætta, vinna úr og njóta náms á marga vegu til að ná meiri möguleikum [12]. Rannsóknir sýna einnig að auk þess að bæta þátttöku nemenda í kennslustofunni gegnir skilningur á námsferli nemenda einnig mikilvægu hlutverki við að bæta kennsluhætti og samskipti við nemendur [28, 29].
Hins vegar, eins og með allar nútímatækni, eru vandamál og takmarkanir. Má þar nefna málefni sem tengjast persónuvernd gagna, hlutdrægni og sanngirni og faghæfileika og úrræði sem þarf til að þróa og innleiða vélanám í tannlækningum; Hins vegar bendir vaxandi áhugi og rannsóknir á þessu sviði til þess að tækni við að læra vél geti haft jákvæð áhrif á tannmenntun og tannlæknaþjónustu.
Niðurstöður þessarar rannsóknar benda til þess að helmingur tannlæknanema hafi tilhneigingu til að „skynja“ lyf. Þessi tegund nemenda hefur val á staðreyndum og steypu dæmi, hagnýtri stefnumörkun, þolinmæði fyrir smáatriði og „sjónræn“ LS val, þar sem nemendur kjósa að nota myndir, grafík, liti og kort til að koma hugmyndum og hugsunum á framfæri. Núverandi niðurstöður eru í samræmi við aðrar rannsóknir sem nota ILS til að meta LS hjá tannlækningum og læknanemum, sem flestir hafa einkenni skynjunar og sjónrænna LS [12, 30]. Dalmolin o.fl. benda til þess að upplýsa nemendur um LS þeirra geri þeim kleift að ná námsmöguleikum sínum. Vísindamenn halda því fram að þegar kennarar skilja að fullu menntaferli nemenda er hægt að útfæra ýmsar kennsluaðferðir og starfsemi sem mun bæta árangur og námsreynslu nemenda [12, 31, 32]. Aðrar rannsóknir hafa sýnt að aðlögun LS nemenda sýnir einnig endurbætur á námsreynslu og frammistöðu nemenda eftir að hafa breytt námsstíl sínum eftir eigin LS [13, 33].
Skoðanir kennara geta verið mismunandi varðandi framkvæmd kennsluaðferða sem byggjast á námsgetu nemenda. Þó að sumir sjái ávinninginn af þessari nálgun, þ.mt fagþróunartækifærum, leiðbeiningum og stuðningi samfélagsins, geta aðrir haft áhyggjur af tíma og stofnanalegum stuðningi. Að leitast við jafnvægi er lykillinn að því að búa til nemendamiðað viðhorf. Yfirvöld í háskólanámi, svo sem háskólastjórnendur, geta gegnt mikilvægu hlutverki í að knýja fram jákvæðar breytingar með því að innleiða nýstárlegar vinnubrögð og styðja þróun deildarinnar [34]. Til að búa til sannarlega kraftmikið og móttækilegt háskólakerfi verða stjórnmálamenn að taka djörf skref, svo sem að gera stefnubreytingar, verja auðlindum til samþættingar tækni og skapa ramma sem stuðla að aðferðum nemenda. Þessar ráðstafanir eru mikilvægar til að ná tilætluðum árangri. Nýlegar rannsóknir á aðgreindum kennslu hafa greinilega sýnt að árangursrík framkvæmd aðgreindrar kennslu krefst áframhaldandi þjálfunar- og þróunartækifæra fyrir kennara [35].
Þetta tól veitir tannlækningum dýrmætan stuðning sem vilja taka nemendamiðaðan nálgun við skipulagningu nemendavæna námsstarfsemi. Hins vegar er þessi rannsókn takmörkuð við notkun ákvörðunartrés ML líkana. Í framtíðinni ætti að safna fleiri gögnum til að bera saman árangur mismunandi vélanámslíkana til að bera saman nákvæmni, áreiðanleika og nákvæmni meðmælatækja. Að auki, þegar þú velur viðeigandi vélanámsaðferð fyrir tiltekið verkefni, er mikilvægt að huga að öðrum þáttum eins og flækjustig og túlkun fyrirmyndar.
Takmörkun þessarar rannsóknar er að hún beindist aðeins að því að kortleggja LS og er meðal tannlækna. Þess vegna mun þróaða meðmæla kerfið aðeins mæla með þeim sem henta tannlæknanemum. Breytingar eru nauðsynlegar til notkunar á háskólanámi.
Nýlega þróað vélanám sem byggir á ráðleggingum er fær um að flokka og passa LS nemenda strax við samsvarandi IS, sem gerir það að fyrsta tannlækningaáætluninni til að hjálpa tannlækningum að skipuleggja viðeigandi kennslu- og námsstarfsemi. Með því að nota gagnadrifið triage ferli getur það veitt persónulegar ráðleggingar, sparað tíma, bætt kennsluaðferðir, stutt markviss inngrip og stuðlað að áframhaldandi faglegri þróun. Umsókn þess mun stuðla að aðferðum sem miðstöðvar nemenda við tannlækninga.
Gilak Jani Associated Press. Passa eða misræmi milli námsstíl nemandans og kennslustíl kennarans. Int j mod menntunar tölvunarfræði. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Post Time: Apr-29-2024