עס איז אַ גראָוינג נויט פֿאַר תּלמיד-סענטערד לערנען (SCL) אין אינסטיטוציעס פֿאַר העכער דערציונג, אַרייַנגערעכנט דעניסטרי. אָבער, SCL האט לימיטעד אַפּלאַקיישאַן אין דענטאַל בילדונג. דעריבער, דאָס לערנען יימז צו העכערן די אַפּלאַקיישאַן פון סקל אין דעניסטרי מיט עדזשאַנסע פון דער בוים פון דער בוים) טעכנאָלאָגיע צו מאַפּע פון די בילכערקייַט (LS) און קאָראַספּאַנדינג לערנען סטראַטעגיעס (LS) . פּראַמאַסינג מעטהאָדס פֿאַר דענטאַל סטודענטן.
א גאַנץ פון 255 דענטאַל סטודענטן פון די אוניווערסיטעט פון מאַלייַאַ געענדיקט די מאַדאַפייד אינדעקס פון לערנען סטיילז (M-ILS) אַנקעטע, וואָס כּולל 44 זאכן צו קלאַסיפיצירן זיי אין זייער ריספּעקטיוו לסס. די געזאמלט דאַטן (גערופֿן אַ דאַטאַסעט) איז געניצט אין סופּערווייזד באַשלוס בוים לערנען צו אויטאָמאַטיש גלייַכן סטודענטן 'לערנען סטיילז צו די מערסט פּאַסיק. די אַקיעראַסי פון די מאַשין לערנען-באזירט איז רעקאָממענדאַטיאָן געצייַג איז געשעעניש עוואַלואַטעד.
די אַפּלאַקיישאַן פון באַשלוס בוים מאָדעלס אין אַ אָטאַמייטיד מאַפּינג פּראָצעס צווישן LS (אַרייַנשרייַב) און איז (ציל רעזולטאַט) אַלאַוז פֿאַר אַ באַלדיק רשימה פון צונעמען לערנען סטראַטעגיעס פֿאַר יעדער דענטאַל תּלמיד. די איז רעקאָמענדאַציע געצייַג דעמאַנסטרייטיד שליימעסדיק אַקיעראַסי און צוריקרופן פון קוילעלדיק מאָדעל אַקיעראַסי, ינדאַקייטינג אַז ריכטן זיך צו זיין גוט סענסיטיוויטי און ספּעציפיש סענסיטיוויטי און ספּעסאַטי.
אַן איז רעקאָמענדאַציע געצייַג באזירט אויף אַ מל, באַשלוס בוים האט פּראָווען זייַן פיייקייט צו אַקיעראַטלי גלייַכן דענטאַל סטודענטן 'לערנען סטיילז מיט צונעמען לערנען סטראַטעגיעס. דעם געצייַג גיט שטאַרק אָפּציעס פֿאַר פּלאַנירונג לערנער-סענטערד קאָרסאַז אָדער מאַדזשולז וואָס קענען פאַרבעסערן די לערנען דערפאַרונג פון סטודענטן.
לערנען און לערנען זענען פונדאַמענטאַל אַקטיוויטעטן אין בילדונגקרייז אינסטיטוציעס. ווען דעוועלאָפּינג אַ הויך-קוואַליטעט וואָוקיישאַנאַל בילדונג סיסטעם, עס איז וויכטיק צו פאָקוס אויף די לערנען דאַרף פון סטודענטן. די ינטעראַקשאַן צווישן סטודענטן און זייער לערנען סוויווע קענען זיין באשלאסן דורך זייער LS. פאָרשונג סאַגדזשעסץ אַז לערער-בדעה מיסמאַטשעס צווישן סטודענטן 'LS און איז נעגאַטיוו פאלגן פֿאַר תּלמיד לערנען, אַזאַ ווי דיקריסט ופמערקזאַמקייט און מאָוטאַוויישאַן. דאָס וועט מינאַצאַד ווירקן תּלמיד פאָרשטעלונג [1,2].
איז אַ מעטאָד געניצט דורך לערערס צו געבן וויסן און סקילז צו סטודענטן, אַרייַנגערעכנט העלפּינג סטודענטן לערנען [3]. אין אַלגעמיין, גוט לערערס פּלאַן לערנען סטראַטעגיעס אָדער איז אַז בעסטער גלייַכן זייער סטודענטן 'וויסן, די קאַנסעפּס וואָס זיי לערנען און זייער בינע פון לערנען. טעאָרעטיש, ווען עס איז און גלייַכן, די סטודענטן קענען אָרגאַניזירן און נוצן אַ ספּעציפיש גאַנג פון סקילז צו לערנען יפעקטיוולי. טיפּיקאַללי, אַ לעקציע פּלאַן כולל עטלעכע טראַנזישאַנז צווישן סטאַגעס, אַזאַ ווי פון לערנען צו גיידיד פיר אָדער פון גיידיד פיר צו פרייַ פיר. מיט דעם אין גייַסט, עפעקטיוו לערערס אָפט פּלאַנירן ינסטרוקטיאָנס מיט דער ציל פון בנין סטודענטן און סקילז [4].
די פאָדערונג פֿאַר SCL איז גראָוינג אין אינסטיטוציעס אין אינסטיטוציעס פֿאַר העכער דערציונג, אַרייַנגערעכנט דעניסטרי. SCL סטראַטעגיעס זענען דיזיינד צו טרעפן די לערנען דאַרף פון סטודענטן. דעם קענען זיין אַטשיווד, למשל, אויב סטודענטן אַקטיוולי אָנטייל נעמען אין לערנען אַקטיוויטעטן און לערערס שפּילן ווי פאַסילאַטייטערז און זענען פאַראַנטוואָרטלעך פֿאַר פּראַוויידינג ווערטפול באַמערקונגען. עס איז געזאָגט אַז צושטעלן לערנען מאַטעריאַלס און אַקטיוויטעטן וואָס זענען פּאַסיק סטודענטן 'בילדונגקרייז מדרגה אָדער פּרעפֿערענצן קענען פֿאַרבעסערן סטודענטן' לערנען סוויווע און העכערן positive לערנען יקספּיריאַנסיז [5].
בכלל גערעדט, די לערנען פּראָצעס פון דענטאַל סטודענטן איז ינפלואַנסט דורך די פאַרשידן קליניש פּראָוסידזשערז זיי זענען פארלאנגט צו דורכפירן און די קליניש סוויווע אין וואָס זיי אַנטוויקלען עפעקטיוו ינטערפּערסאַנאַל סקילז. דער ציל פון די טריינינג איז צו געבן סטודענטן צו פאַרבינדן יקערדיק וויסן פון דעניסטרי מיט דענטאַל קליניש סקילז און צולייגן די קונה וויסן צו נייַ קליניש סיטואַטיאָנס [6, 7]. פרי פאָרשונג אין די שייכות צווישן מס און איז געפֿונען אַז אַדזשאַסטינג לערנען סטראַטעגיעס מאַפּט צו די בילכער LS וואָלט העלפֿן פֿאַרבעסערן די בילדונגקרייז פּראָצעס [8]. די מחברים אויך רעקאָמענדירן צו נוצן אַ פאַרשיידנקייַט פון לערנען און אַסעסמאַנט מעטהאָדס צו אַדאַפּט צו סטודענטן 'לערנען און דאַרף.
לערערס נוץ פון אַפּלייינג LS וויסן צו העלפן זיי פּלאַן, אַנטוויקלען און ינסטרומענט לימעד וואָס וועט פֿאַרבעסערן סטודענטן 'אַקוואַזישאַן פון דיפּער וויסן און פארשטאנד פון די ונטערטעניק. Researchers have developed several LS assessment tools, such as the Kolb Experiential Learning Model, the Felder-Silverman Learning Style Model (FSLSM), and the Fleming VAK/VARK Model [5, 9, 10]. לויט דער ליטעראַטור, די לערנען מאָדעלס זענען די מערסט אָפט געניצט און מערסט געלערנט לערנען מאָדעלס. אין דעם קראַנט פאָרשונג אַרבעט, FSLSם איז געניצט צו אַססעסס LS צווישן דענטאַל סטודענטן.
FSLSם איז אַ וויידלי געניצט מאָדעל פֿאַר יוואַליוייטינג אַדאַפּטיווע לערנען אין ינזשעניעריע. עס זענען פילע ארויס אַרבעט אין די געזונט ססיענסעס (אַרייַנגערעכנט מעדיצין, שוועסטערייַ, אַפּטייק און דעניסטרי) וואָס קענען זיין געפֿונען ניצן FSLSM מאָדעלס [5, 11, 12, 13]. די קיילע געניצט צו מעסטן די דימענשאַנז פון LS אין די FLSM איז גערופן די אינדעקס פון לערנען סטיילז (ILS) [8], וואָס כּולל 44 זאכן אַססעססינג פיר דימענשאַנז פון LS: פּראַסעסינג (אַקטיוו / ריפלעקטיוו), מערקונג (פּערפּליווע) אַרייַנשרייַב (וויסואַל). / מינדלעך) און פארשטאנד (סאַקווענטשאַל / גלאבאלע) [14].
ווי געוויזן אין פיגורע 1, יעדער פסלסם ויסמעסטונג האט אַ דאָמינאַנט ייבערהאַנט. למשל, אין די פּראַסעסינג ויסמעסטונג, סטודענטן מיט "אַקטיווע" LS בעסער צו פּראָצעס אינפֿאָרמאַציע דורך ינער ינטעראַקטינג מיט לערנען מאַטעריאַלס, לערנען דורך טאן, און טענד צו לערנען אין גרופּעס. די "ריפלעקטיוו" LS רעפערס צו לערנען דורך טראכטן און פּראַפערז צו אַרבעטן אַליין. די "דערקענט" ויסמעסטונג פון LS קענען זיין צעטיילט אין "געפיל" און / אָדער "ינטוישאַן." "געפיל" סטודענטן בעסער וועלן מער באַטאָנען אינפֿאָרמאַציע און פּראַקטיש פּראָוסידזשערז, זענען פאַקט-אָריענטיד קאַמפּערד צו "ינטואַטיוו" די ינטואַטיוו "ינטואַטיוו" וואָס בעסער וועלן אַבסטראַקט מאַטעריאַל און זענען מער ינאַווייטיוו און שעפעריש אין נאַטור. די "אַרייַנשרייַב" ויסמעסטונג פון LS באשטייט פון "וויסואַל" און "מינדלעך" לערנערז. מענטשן מיט "וויסואַל" LS וועלן צו לערנען דורך וויסואַל דעמאַנסטריישאַנז (אַזאַ ווי דייאַגראַמז, ווידיאס, ווידיאס, ווידיאס, ווידיאס, אָדער לעבן דעמאַנסטריישאַנז), כוועראַז מענטשן מיט "מינדלעך" LS בעסער צו לערנען דורך ווערטער אין געשריבן אָדער מויל דערקלערונגען. צו "פֿאַרשטיין" די דימענשאַנז פון LS, אַזאַ לערנערז קענען זיין צעטיילט אין "סאַקווענטשאַל" און "גלאבאלע". "סיקווענטשאַל לערנערז בעסער וועלן אַ לינעאַר געדאַנק פּראָצעס און לערנען שריט דורך שריט, בשעת די גלאבאלע לערנערז טענד צו האָבן אַ האָליסטיק געדאַנק פּראָצעס און שטענדיק האָבן אַ בעסער פארשטאנד פון וואָס זיי לערנען.
לעצטנס, פילע ריסערטשערז האָבן אנגעהויבן צו ויספאָרשן מעטהאָדס פֿאַר אָטאַמאַטיק דאַטן-געטריבן ופדעקונג, אַרייַנגערעכנט די אַנטוויקלונג פון נייַ אַלגערידאַמז און מאָדעלס טויגעוודיק פון ינטערפּרעטינג גרויס אַמאַונץ פון דאַטן [15, 16]. באַזירט אויף דער צוגעשטעלט דאַטן, סופּערווייזד מל (מאַשין לערנען) קענען צו דזשענערייט פּאַטערנז און כייפּאַטאַסאַס אַז פאָרויסזאָגן צוקונפֿט רעזולטאַטן באזירט אויף די קאַנסטראַקשאַן פון אַלגערידאַמז [17]. סימפּלי שטעלן, סופּערווייזד מאַשין לערנען טעקניקס מאַניפּולירן אַרייַנשרייַב דאַטן און באַן אַלגערידאַמז. דערנאָך דזשענערייץ אַ קייט וואָס קלאַסאַפייז אָדער פּרידיקס די אַוטקאַם באזירט אויף ענלעך סיטואַטיאָנס פֿאַר די צוגעשטעלט ינפּוט דאַטן. די הויפּט מייַלע פון סופּערווייזד מאַשין לערנען אַלגערידאַמז איז די פיייקייט צו פאַרלייגן ידעאַל און געוואלט רעזולטאַטן [17].
דורך די נוצן פון דאַטן-געטריבן מעטהאָדס און באַשלוס בוים קאָנטראָל מאָדעלס, אָטאַמאַטיק דיטעקשאַן פון LS איז מעגלעך. די באַשלוס ביימער האָבן שוין געמאלדן צו זיין וויידלי געניצט אין טריינינג מגילה אין פאַרשידן פעלדער, אַרייַנגערעכנט געזונט ססיענסעס [18, 19]. אין דעם לערנען, דער מאָדעל איז געווען ספּאַסיפיקלי טריינד דורך די סיסטעם דעוועלאָפּערס צו ידענטיפיצירן סטודענטן 'LS און רעקאַמענדיד די בעסטער איז פֿאַר זיי.
דער ציל פון דעם לערנען איז צו אַנטוויקלען איז עקספּרעס סטראַטעגיעס באזירט אויף סטודענטן 'LS און צולייגן די SCL צוגאַנג דורך דעוועלאָפּינג אַן איז רעקאַמאַנדיישאַן געצייַג מאַפּט צו LS. דער פּלאַן לויפן פון די איז רעקאַמאַנדיישאַן געצייַג ווי אַ סטראַטעגיע פון די SCL אופֿן איז געוויזן אין פיגורע 1. דאָס איז רעקאַמאַנדיישאַן געצייַג איז צעטיילט אין צוויי פּאַרץ, אַרייַנגערעכנט די LS קלאַסאַפאַקיישאַן מעקאַניזאַם ניצן ILS און די מערסט פּאַסיק איז געוויזן פֿאַר סטודענטן.
אין באַזונדער, די קעראַקטעריסטיקס פון אינפֿאָרמאַציע זיכערהייַט רעקאַמאַנדיישאַן מכשירים אַרייַננעמען די נוצן פון וועב טעקנאַלאַדזשיז און די נוצן פון באַשלוס בוים מאַשין לערנען. סיסטעם דעוועלאָפּערס פֿאַרבעסערן די באַניצער דערפאַרונג און מאָביליטי דורך אַדאַפּטינג זיי צו רירעוודיק דעוויסעס אַזאַ ווי רירעוודיק פאָנעס און טאַבלאַץ.
דער עקספּערימענט איז געווען געפירט אין צוויי סטאַגעס און סטודענטן פון די פיייקייַט פון דענטי פון דעניסטרי אין די אוניווערסיטעט פון מאַלייַאַ אנטייל אויף אַ וואַלאַנטערי יקער. פּאַרטיסאַפּאַנץ אפגערופן צו אַ דענטאַל תּלמיד 'אָנליין M-Ils in ענגליש. אין דער ערשט פאַסע, אַ דאַטאַסאַטע פון 50 סטודענטן זענען געניצט צו באַן די באַשלוס בוים מאַפּע לערנען אַלגערידאַם. אין די רגע פאַסע פּראָצעס, אַ דאַטאַסאַט פון 255 סטודענטן זענען געניצט צו פֿאַרבעסערן די אַקיעראַסי פון די דעוועלאָפּעד קיילע.
אַלע פּאַרטיסאַפּאַנץ באַקומען אַן אָנליין בריפינג אין די אָנהייב פון יעדער בינע, דיפּענדינג אויף די אַקאַדעמיק יאָר, דורך מייקראָסאָפֿט טימז. דער ציל פון דעם לערנען איז געווען דערקלערט און ינפאָרמד צושטימען איז געווען באקומען. אַלע פּאַרטיסאַפּאַנץ זענען צוגעשטעלט מיט אַ לינק צו אַקסעס די M-ILS. יעדער תּלמיד איז געווען געלערנט צו ענטפֿערן אַלע 44 זאכן אויף די אַנקעטע. זיי האָבן געגעבן איין וואָך צו פאַרענדיקן די מאַדאַפייד Ils אין אַ צייט און אָרט באַקוועם פֿאַר זיי בעשאַס די זמאַן ברעכן איידער די אָנהייב פון די זמאַן. די M-ILS איז באזירט אויף דער אָריגינעל ילס קיילע און מאַדאַפייד פֿאַר דענטאַל סטודענטן. ענלעך צו דער אָריגינעל ILS, עס כּולל 44 יוואַנלי פונאנדערגעטיילט זאכן (a, b) מיט 11 זאכן וואָס יעדער, וואָס זענען געניצט צו אַססעסס אַספּעקץ פון יעדער פסלסם ויסמעסטונג.
בעשאַס די ערשט סטאַגעס פון געצייַג אַנטוויקלונג, די ריסערטשערז מאַניואַלי אַנאַטייטיד די מאַפּס מיט אַ דאַטאַסעט פון 50 דענטאַל סטודענטן. לויט די FSLM, די סיסטעם גיט די סומע פון ענטפֿערס "א" און "ב". פֿאַר יעדער ויסמעסטונג, אויב דער תּלמיד סאַלעקץ "אַ" ווי אַן ענטפער, די LS איז קלאַסאַפייד ווי אַקטיוו / פּערסעפּטשואַל / וויסואַל / וויסואַל, און אויב דער תּלמיד איז קלאַסאַפייד ווי ריפלעקטיוו / ינטואַטיוו / ינטואַטיוו / ינטואַטיוו / לינגקווויק . / גלאבאלע לערנער.
נאָך קאַלאַברייטינג די וואָרקפלאָוו צווישן דענטאַל בילדונג ריסערטשערז און סיסטעם דעוועלאָפּערס, פֿראגן זענען אויסגעקליבן באזירט אויף די פלססם פעלד און פאסטעכער אין די מל מאָדעל צו פאָרויסזאָגן ס LS. "מיסט אין, מיסט אויס" איז אַ פאָלקס זאגן אין די פעלד פון לערנען, מיט אַ טראָפּ אויף דאַטן קוואַליטעט. די קוואַליטעט פון די אַרייַנשרייַב דאַטן דאַטערמאַנז די פּינטלעכקייַט און אַקיעראַסי פון די מאַשין לערנען מאָדעל. בעשאַס די פֿעיִקייטן ינזשעניעריע פאַסע, אַ נייַע שטריך שטעלן איז באשאפן וואָס איז די סומע פון ענטפֿערס "א" און "ב" באזירט אויף פלססם. לעגיטימאַציע נומערן פון מעדיצין שטעלעס זענען געגעבן אין טיש 1.
רעכענען די כעזשבן באזירט אויף די ענטפֿערס און באַשליסן די תּלמיד ס לס. פֿאַר יעדער תּלמיד, די כעזשבן קייט איז פֿון 1-1. . אן אנדער ווערייישאַן אויף דער זעלביקער ויסמעסטונג איז אַז סקאָרז 9-11 פאַרטראַכטן אַ שטאַרק ייבערהאַנט פֿאַר איין עק אָדער די אנדערע [8].
פֿאַר יעדער ויסמעסטונג, דרוגס זענען גרופּט אין "אַקטיוו", "ריפלעקטיוו" און "באַלאַנסט". צום ביישפּיל, ווען אַ תּלמיד ענטפֿערס "אַ" מער אָפט ווי "ב" אויף אַ דעזיגנייטיד נומער און זיין / איר כעזשבן יקסידז די שוועל פון 5 פֿאַר אַ באַזונדער נומער וואָס רעפּראַזענץ די פּראַסעסינג LS ויסמעסטונג, ער געהערט צו די "אַקטיוו" פעלד. . אָבער, סטודענטן זענען קלאַסאַפייד ווי "ריפלעקטיוו" LS ווען זיי אויסדערוויילט "ב" מער ווי "אַ" אין ספּעציפיש 11 פֿראגן (טאַבלע 1) און סקאָרד מער ווי 5 פונקטן. לעסאָף, דער תּלמיד איז אין אַ שטאַט פון "יקוואַליבריאַם." אויב די כעזשבן טוט נישט יקסיד 5 פונקטן, דאָס איז אַ "פּראָצעס" LS. די קלאַסאַפאַקיישאַן פּראָצעס איז ריפּיטיד פֿאַר די דימענשאַנז פון די אנדערע.
באַשלוס בוים מאָדעלס קענען נוצן פאַרשידענע סובסעץ פון פֿעיִקייטן און באַשלוס כּללים אין פאַרשידענע סטאַגעס פון די קלאַסאַפאַקיישאַן פּראָצעס. עס איז געהאלטן אַ פאָלקס קלאַסאַפאַקיישאַן און פּראָגנאָז געצייַג. עס קענען זיין רעפּריזענטיד ניצן אַ בוים סטרוקטור אַזאַ ווי אַ פלאָווטשאַרט [20], אין וואָס עס זענען ינערלעך נאָודז רעפּריזענטינג טעסץ דורך אַטריביוט, יעדער צווייַג רעפּריזענטינג פּרובירן רעזולטאַטן, און יעדער בלאַט נאָדע (בלאַט נאָדע (בלאַט נאָדע) מיט אַ קלאַס פירמע.
א פּשוט הערשן-באזירט פּראָגראַם איז געווען באשאפן צו אויטאָמאַטיש כעזשבן און אַנאַטייט יעדער תּלמיד 'ס LS באזירט אויף זייער ענטפֿערס. הערשן-באזירט נעמט די פאָרעם פון אַ אויב ויסזאָגונג, ווו "אויב" דיסקרייבז די צינגל און "ספּעסאַפייז די אַקציע צו זיין דורכגעקאָכט, למשל:" אויב די X כאַפּאַנז, טאָן דאָס "(Liu et al. 2014)., 2014). אויב די דאַטן שטעלן יגזיבאַץ קאָראַליישאַן און דער באַשלוס בוים מאָדעל איז רעכט טריינד און עוואַלואַטעד, דעם צוגאַנג קענען זיין אַ עפעקטיוו וועג צו אָטאַמייט דעם פּראָצעס פון וואָס ריכטן זיך.
אין די רגע פאַסע, די דאַטאַסעט איז געוואקסן צו 255 צו פֿאַרבעסערן די אַקיעראַסי פון דער רעקאָמענדאַציע געצייַג. די דאַטן שטעלן איז שפּאַלטן אין אַ 1: 4 פאַרהעלטעניש. 25% (64) פון די דאַטן שטעלן איז געניצט פֿאַר די פּראָבע שטעלן, און די רוען 75% (191) איז געניצט ווי די טריינינג שטעלן (פיגורע 2). די דאַטן שטעלן דאַרף זיין שפּאַלטן צו פאַרמייַדן די מאָדעל פון טריינד און טעסטעד אויף דער זעלביקער דאַטן שטעלן, וואָס קען פאַרשאַפן די מאָדעל צו געדענקען אלא ווי לערנען. דער מאָדעל איז טריינד אויף די טריינינג שטעלן און עוואַלואַטעס זייַן פאָרשטעלונג אויף די פּראָבע באַשטעטיקן דאַטן וואָס די מאָדעל האט קיינמאָל געזען פריער.
אַמאָל די איז געצייַג איז דעוועלאָפּעד, די אַפּלאַקיישאַן וועט קענען צו קלאַסיפיצירן LS באזירט אויף די ענטפֿערס פון דענטאַל סטודענטן דורך אַ וועב צובינד. די וועב-באזירט זיכערהייט רעקאַמאַנדיישאַן געצייַג סיסטעם איז געבויט מיט די פּיטהאָן פּראָגראַממינג שפּראַך ניצן די Django Framework ווי די באַקענד. טאַבלע 2 ליס די לייברעריז געניצט אין דער אַנטוויקלונג פון דעם סיסטעם.
די דאַטאַסעט איז פאסטעכער צו אַ באַשלוס בוים מאָדעל צו רעכענען און עקסטראַקט תּלמיד ענטפֿערס צו אויטאָמאַטיש קלאַסיפיצירן תּלמיד לייפּס.
די צעמישונג מאַטריץ איז געניצט צו אָפּשאַצן די אַקיעראַסי פון אַ באַשלוס בוים מאַשין לערנען אַלגערידאַם אויף אַ געגעבן דאַטן שטעלן. אין דער זעלביקער צייט, עס עוואַלואַטעס די פאָרשטעלונג פון דער קלאַסאַפאַקיישאַן מאָדעל. עס סאַמערייזאַז די פֿאָרויסזאָגן פון די מאָדעל און קאַמפּערז זיי צו די פאַקטיש דאַטן לאַבעלס. די אפשאצונג רעזולטאַטן זענען באזירט אויף פיר פאַרשידענע וואַלועס: אמת positive (טפּ) - דער מאָדעל ריכטיק פּרעדיקטעד די positive קאַטעגאָריע, פאַלש קאַמףעגאָרי, פאַלש positive (פפּ) - דער מאָדעל פּרעדיקטעד די positive קאַטעגאָריע, אמת נעגאַטיוו (טן) - דער מאָדעל ריכטיק פּרעדיקטעד די נעגאַטיוו קלאַס, און פאַלש נעגאַטיוו (פן) - דער מאָדעל פּרידיקס אַ נעגאַטיוו קלאַס, אָבער די אמת פירמע איז positive.
די וואַלועס זענען דאַן געוויינט צו רעכענען פאַרשידן פאָרשטעלונג מעטריקס פון די סיקיט-לערנען קלאַסאַפאַקיישאַן מאָדעל אין פּיטהאָן, ניימלי פּינטלעכקייַט, פּינטלעכקייַט, דערמאָנען, צוריקרופן, און פ 1 כעזשבן. דאָ זענען ביישפילן:
צוריקרופן (אָדער סענסיטיוויטי) מיטלען די מאָדעל 'ס פיייקייט צו אַקיעראַטלי קלאַסיפיצירן די LS פון די תּלמיד נאָך ענטפֿערן די M-Ils Unixnianer.
ספּעציפישקייט איז גערופֿן אַ אמת נעגאַטיוו טעמפּאָ. ווי איר קענען זען פֿון די אויבן פאָרמולע, דאָס זאָל זיין די פאַרהעלטעניש פון פאַקטיש נעגאַטיוועס (טן) צו אמת נעגאַטיוועס און פאַלש פּאַזאַטיווז (פפּ). ווי אַ טייל פון די רעקאַמענדיד געצייַג פֿאַר קלאַסאַפייינג תּלמיד דרוגס, עס זאָל זיין טויגעוודיק פון פּינטלעך לעגיטימאַציע.
דער אָריגינעל דייטאַסע פון 50 סטודענטן געוויינט צו באַן דעם באַשלוס בוים מל מאָדעל געוויזן לעפיערעך נידעריק אַקיעראַסי רעכט צו מענטשלעך טעות אין די אַנאָטיישאַנז (טיש 3). נאָך קריייטינג אַ פּשוט רול-באזירט פּראָגראַם צו אויטאָמאַטיש רעכענען די סקאָרדיישאַנז פון LS און סטודענטן, און ינקריסינג נומער פון דאַטאַסעץ (255) זענען געניצט צו באַן און פּרובירן די רעקאַמענדער סיסטעם.
ינפאָרמאַציע מאַטריץ מאַטריץ, די דיאַגאָנאַל יסודות פאָרשטעלן די נומער פון ריכטיק פֿאָרויסזאָגן פֿאַר יעדער LS טיפּ (פיגורע 4). ניצן די באַשלוס בוים מאָדעל, אַ גאַנץ פון 64 סאַמפּאַלז זענען ריכטיק פּרעדיקטעד. דער לערנען, די דיאַגאָנאַל עלעמענטן ווייַזן די דערוואַרט רעזולטאַטן, וואָס ינדיקייץ אַז די מאָדעל פּערפאָרמז געזונט און אַקיעראַטלי פּרידיקט די קלאַס פירמע פֿאַר יעדער LS קלאַסאַפאַקיישאַן. דער הויפּט אַקיעראַסי פון דער רעקאַמאַנדיישאַן געצייַג איז 100%.
די וואַלועס פון אַקיעראַסי, פּינטלעכקייַט, צוריקרופן, און F1 כעזשבן זענען געוויזן אין פיגורע 5. פֿאַר די רעקאָממענדאַטיאָן סיסטעם ניצן די באַשלוס בוים מאָדעל, זייַן F1 כעזשבן איז 1.0 "ינדיקייץ די שליימעסדיק פּינטלעכקייַט און צוריקרופן, צוריקרופן, ריפלעקטינג באַטייַטיק סענסיטיוויטי און ריפלעקטינג באַטייַטיק סענסיטיוויטי און ריפלעקטינג באַטייַטיק סענסיטיוויטי און דערמאָנען וואַלועס.
פיגורע 6 ווייַזן אַ וויזשוואַלאַזיישאַן פון דעם באַשלוס בוים מאָדעל נאָך טריינינג און טעסטינג זענען געענדיקט. אין אַ זייַט-דורך-זייַט פאַרגלייַך, דער באַשלוס בוים מאָדעל טריינד מיט ווייניקערע פֿעיִקייטן געוויזן העכער אַקיעראַסי און גרינגער מאָדעל וויזשוואַלאַזיישאַן. דאָס ווייזט אַז די ינזשעניעריע לידינג צו לערנען איז אַ וויכטיק שריט אין ימפּרוווינג מאָדעל פאָרשטעלונג.
דורך אַפּלייינג באַשלוס בוים סופּערווייזד לערנען, די מאַפּינג צווישן LS (אַרייַנשרייַב) און איז (ציל רעזולטאַט) איז אויטאָמאַטיש דזשענערייטאַד און כּולל דיטיילד אינפֿאָרמאַציע פֿאַר יעדער LS.
די רעזולטאַטן געוויזן אַז 34.9% פון די 255 סטודענטן בילכער (1) LS אָפּציע. די מערהייט (54.3%) האט צוויי אָדער מער LS פּרעפֿערענצן. 12.2% פון סטודענטן באמערקט אַז עס איז גאַנץ באַלאַנסט (טיש 4). אין דערצו צו די אַכט הויפּט קסס, עס זענען 34 קאַמבאַניישאַנז פון LS קלאַסאַפאַקיישאַנז פֿאַר אוניווערסיטעט פון מאַלייַאַ דענטאַל סטודענטן. צווישן זיי, מערקונג, זעאונג, און די קאָמבינאַציע פון דער מערקונג און זעאונג זענען די הויפּט LS געמאלדן דורך סטודענטן (פיגורע 7).
ווי קענען ווערן געזען פון טיש 4, די מערהייַט פון סטודענטן האָבן אַ פּרידאַמאַנאַנט סענסערי (13.7%) אָדער וויזשאַוואַל (8.6%). עס איז געמאלדן אַז 12.2% פון סטודענטן קאַמביינד מערקונג מיט זעאונג (פּערעפּטשואַל-וויסואַל LS). די פיינדינגז פֿאָרשלאָגן אַז סטודענטן בעסער וועלן צו לערנען און געדענקען דורך געגרינדעט מעטהאָדס, נאָכגיין ספּעציפיש און דיטיילד פּראָוסידזשערז און זענען אַטענטיוו אין נאַטור. אין דער זעלביקער צייט זיי הנאה לערנען דורך קוקן (ניצן דייאַגראַמז, עטק.) און טענד צו דיסקוטירן אינפֿאָרמאַציע אין גרופּעס אָדער אויף זייער אייגן.
דער לערנען גיט אַן איבערבליק פון מאַשין לערנען טעקניקס געניצט אין דאַטן מיינינג, מיט אַ פאָקוס אויף טייקעף און אַקיעראַטלי פּרידיקטינג סטודענטן 'LS און רעקאַמענדיד פּאַסיק איז. אַפּפּליקאַטיאָן פון אַ באַשלוס בוים מאָדעל יידענאַפייד די סיבות וואָס זענען מערסט פארבונדן צו זייער לעבן און בילדונגקרייז יקספּיריאַנסיז. עס איז אַ סופּערווייזד מאַשין לערנען אַלגערידאַם וואָס ניצט אַ בוים סטרוקטור צו קלאַסיפיצירן דאַטן דורך דיוויידינג אַ סכום פון דאַטן אין סובקאַטעגאָריעס באזירט אויף זיכער קרייטיריאַ. עס אַרבעט דורך רעקורסיוועלי דיוויידינג די אַרייַנשרייַב דאַטן אין סובסעץ באזירט אויף די ווערט פון איינער פון די אַרייַנשרייַב פֿעיִקייטן פון יעדער ינערלעך נאָדע ביז אַ באַשלוס איז געמאכט אין די בלאַט נאָדע.
די ינערלעך נאָודז פון דעם באַשלוס בוים רעפּראַזענץ די לייזונג באזירט אויף די אַרייַנשרייַב קעראַקטעריסטיקס פון די M-ILS פּראָבלעם, און די בלאַט נאָודז פאָרשטעלן די לעצט LS קלאַסאַפאַקיישאַן פּראָגנאָז. איבער דעם לערנען, עס איז גרינג צו פֿאַרשטיין די כייעראַרקי פון באַשלוס ביימער וואָס דערקלערן און וויזשוואַלייז דעם באַשלוס פּראָצעס דורך קוקן אין די שייכות צווישן אַרייַנשרייַב פֿעיִקייטן און רעזולטאַט פֿאָרויסזאָגן.
אין די פעלדער פון קאָמפּיוטער וויסנשאַפֿט און ינזשעניעריע, מאַשין לערנען אַלגערידאַמז זענען וויידלי געניצט צו פאָרויסזאָגן תּלמיד פאָרשטעלונג באזירט אויף זייער אַרייַנגאַנג יגזאַם סקאָרז [21], דעמאָגראַפיק אינפֿאָרמאַציע, און לערנען נאַטור [22]. פאָרשונג געוויזן אַז די אַלגערידאַם אַקיעראַטלי פּרעדיקטעד תּלמיד פאָרשטעלונג און געהאָלפֿן זיי ידענטיפיצירן סטודענטן אין ריזיקירן פֿאַר אַקאַדעמיק שוועריקייטן.
די אַפּלאַקיישאַן פון מל אַלגאָריטהמס אין דער אַנטוויקלונג פון ווירטועל פּאַציענט סימיאַלייטערז פֿאַר דענטאַל טראַינינג איז געמאלדן. די סימיאַלייטער איז ביכולת צו רעכענען אַקיעראַטלי רעפּראָדוצירן די פיזיאַלאַדזשיקאַל ענטפֿערס פון פאַקטיש פּאַטיענץ און קענען ווערן געניצט צו באַן דענטאַל סטודענטן אין אַ זיכער און קאַנטראָולד סוויווע [23]. עטלעכע אנדערע שטודיום ווייַזן אַז די אַלגערידאַמז פֿאַר מאַשין קענען פּאַטענטשאַלי פֿאַרבעסערן די קוואַליטעט און עפעקטיווקייַט פון דענטאַל און מעדיציניש בילדונג און פּאַציענט זאָרגן. מאי לערנען אַלגערידאַמז האָבן שוין געניצט צו אַרוישעלפן אין די דיאַגנאָסיס פון דענטאַל חולאתן באזירט אויף דאַטן שטעלט ווי סימפּטאָמס און פּאַציענט קעראַקטעריסטיקס [24, 25]. בשעת אנדערע שטודיום האָבן יקספּלאָרד די נוצן פון מאַשין לערנען אַלגערידאַמז צו דורכפירן טאַסקס, אַזאַ ווי פּרידיקטינג פּאַציענט אַוטקאַמז, ידענטיפיינג הויך-ריזיקירן פּאַטיענץ, דעוועלאָפּינג פערזענישקייַט (26], און קאַריעס באַהאַנדלונג [25].
כאָטש ריפּאָרץ אויף די אַפּלאַקיישאַן פון מאַשין לערנען אין דעניסטריאָן האָבן שוין ארויס, זייַן אַפּלאַקיישאַן אין דענטאַל בילדונג בלייבט לימיטעד. דעריבער, דעם לערנען אַימעד צו נוצן אַ באַשלוס בוים מאָדעל צו ידענטיפיצירן סיבות מערסט ענג פארבונדן מיט LS און איז צווישן דענטאַל סטודענטן.
די רעזולטאַטן פון דעם לערנען ווייַזן אַז די דעוועלאָפּעד רעקאַמאַנדיישאַן געצייַג האט הויך אַקיעראַסי און ביקיוראַסי, ינדאַקייטינג אַז לערערס קענען נוץ פון דעם געצייַג. ניצן אַ דאַטן-געטריבן קלאַסאַפאַקיישאַן פּראָצעס, עס קענען צושטעלן פערזענליכען רעקאַמאַנדיישאַנז און פֿאַרבעסערן בילדונגקרייז יקספּימאַנט יקספּיוויישאַנז און אַוטקאַמז פֿאַר עדזשיוקייטערז און סטודענטן. צווישן זיי, די אינפֿאָרמאַציע באקומען דורך רעקאָממענדאַטיאָן מכשירים קענען האַלטן קאָנפליקט צווישן לערערס 'בילכער לערנען מעטהאָדס און לערנען דאַרף. למשל, רעכט צו דער אָטאַמייטיד רעזולטאַט פון רעקאַמאַנדיישאַן מכשירים, די צייט פארלאנגט צו ידענטיפיצירן די IP און גלייַכן עס מיט די קאָראַספּאַנדינג יפּ וועט זיין באטייטיק רידוסט. אויף דעם וועג, פּאַסיק טריינינג אַקטיוויטעטן און טריינינג מאַטעריאַלס קענען זיין אָרגאַניזירט. דאָס העלפּס צו אַנטוויקלען די positive לערנען נאַטור פון סטודענטן און פיייקייט צו קאַנסאַנטרייט. איין לערנען געמאלדן אַז פּראַוויידינג סטודענטן מיט לערנען מאַטעריאַלס און לערנען אַקטיוויטעטן וואָס שטימען צו זייער בילכער LS קענען העלפֿן סטודענטן ינאַגרייטיד, פּראָצעס און הנאה לערנען אין קייפל וועגן צו דערגרייכן גרעסערע פּאָטענציעל [12]. פאָרשונג אויך ווייזט אַז אין אַדישאַן צו פֿאַרבעסערן תּלמיד אָנטייל אין די קלאַסצימער, פארשטייט סטודענטן 'לערנען פּראָצעס, אויך פיעסעס אַ קריטיש ראָלע אין ימפּרוווינג לערנען פּראַקטיסיז און קאָמוניקאַציע מיט סטודענטן [28, 29].
אָבער, ווי מיט קיין מאָדערן טעכנאָלאָגיע, עס זענען פּראָבלעמס און לימיטיישאַנז. די אַרייַננעמען ישוז שייַכות צו דאַטן פּריוואַטקייט, פאָרורטייל און יוישער, און די פאַכמאַן סקילז און ריסאָרסיז דארף צו אַנטוויקלען און ינסטרומענט פלאַש לערנען אַלגערידאַמז אין דענטאַל בילדונג; אָבער, גראָוינג אינטערעס און פאָרשונג אין דעם שטח סאַגדזשעסץ אַז מאַשין לערנען טעקנאַלאַדזשיז קען האָבן אַ positive פּראַל אויף דענטאַל בילדונג און דענטאַל באַדינונגס.
די רעזולטאַטן פון דעם לערנען אָנווייַזן אַז האַלב פון דענטאַל סטודענטן האָבן אַ טענדענץ צו "זע" דרוגס. דער טיפּ פון לערנערז האט אַ ייבערהאַנט פֿאַר פאקטיש און באַטאָנען ביישפילן, אַ פּראַקטיש אָריענטירונג, געדולד פֿאַר דעטאַל, און אַ "וויזשאַוואַל" LS ייבערהאַנט, ווו בינעסס בעסער וועלן צו נוצן בילדער, גראַפיקס, פארבן און מאַפּס צו קאַנווייאַד. די קראַנט רעזולטאַטן זענען קאָנסיסטענט מיט אנדערע שטודיום ניצן IIS צו אַססעסס לס אין דענטאַל און מעדיציניש סטודענטן, רובֿ פון וועמען האָבן קעראַקטעריסטיקואַל און וויזשאַוואַל LS [12, 30]. Dalmolin et Al פֿאָרשלאָגן אַז ינפאָרמינג סטודענטן וועגן זייער LS אַלאַוז זיי צו דערגרייכן זייער לערנען פּאָטענציעל. פאָרשער טענהן אַז לערערס גאָר פֿאַרשטיין סטודענטן 'בילדונגקרייז פּראָצעס, פאַרשידן לערנען מעטהאָדס און אַקטיוויטעטן קענען זיין ימפּלאַמענאַד אַז פֿאַרבעסערן סטודענטן פאָרשטעלונג און לערנען דערפאַרונג. אנדערע שטודיום האָבן געוויזן אַז אַדזשאַסטינג סטודענטן 'לעססס אויך ימפּרווומאַנץ אין לערנען דערפאַרונג און פאָרשטעלונג פון סטודענטן נאָך טשאַנגינג זייער לערנען סטיילז צו פּאַסן זייער LS [13, 33].
די מיינונגען פון לערערס קען זיין אַנדערש וועגן די ימפּלאַמענטיישאַן פון לערנען סטראַטעגיעס באזירט אויף לערנען אַבילאַטיז פון סטודענטן. כאָטש די בענעפיץ פון דעם צוגאַנג, אַרייַנגערעכנט פאַכמאַן אַנטוויקלונג אַפּערטונאַטיז, מאַניקורשיפּ, און קהל שטיצן, אנדערע קען זיין זארגן וועגן צייט און ינסטיטושאַנאַל שטיצן. שטרעבונג פֿאַר וואָג איז שליסל צו שאַפֿן אַ תּלמיד-סענטערד שטעלונג. העכער בילדונג אויטאריטעטן, אַזאַ ווי אוניווערסיטעט אַדמיניסטראַטאָרס, קענען שפּילן אַ וויכטיק ראָלע אין דרייווינג positive ענדערונג דורך ינטראָודוסינג ינאַווייטיוו פּראַקטאַסאַז און סופּפּאָרטינג פיייקייַט אַנטוויקלונג [34]. צו שאַפֿן אַ באמת דינאַמיש און אָפּרופיק העכער בילדונג סיסטעם, פּאַלאַסימאַקערז מוזן נעמען דרייסט סטעפּס, אַזאַ ווי מאַכן פּאָליטיק ענדערונגען, דיוואָוטינג רעסורסן צו טעכנאָלאָגיע ינטאַגריישאַן און קריייטינג פראַמעוואָרקס. די מיטלען זענען קריטיש צו דערגרייכן די געבעטן רעזולטאַטן. לעצטע פאָרשונג אויף דיפערענטשיייטיד לימעד, געוויזן אַז מצליח ימפּלאַמענטיישאַן פון דיפערענטשיייטיד לימעד ריקווייערז אָנגאָינג טריינינג און דעוועלאָפּמענט אַפּערטונאַטיז [35].
דעם געצייַג גיט ווערטפול שטיצן צו דענטאַל עדזשיוקייטערז וואָס ווילן צו נעמען אַ תּלמיד-סענטערד צוגאַנג צו פּלאַנירונג סטודענטן-פרייַנדלעך לערנען אַקטיוויטעטן. אָבער, דעם לערנען איז לימיטעד צו די נוצן פון באַשלוס בוים מל מאָדעלס. אין דער צוקונפֿט, מער דאַטן זאָל זיין געזאמלט צו פאַרגלייכן צו פאַרגלייכן די פאָרשטעלונג פון פאַרשידענע מאָדעלס מאָדעלס צו פאַרגלייכן די אַקיעראַסי, רילייאַבילאַטי און פּינטלעכקייט פון רעקאָממענדאַטיאָן מכשירים. אַדדיטיאָנאַללי, ווען טשוזינג די מערסט צונעמען מאַשין לערנען מעטאָד פֿאַר אַ באַזונדער אַרבעט, עס איז וויכטיק צו באַטראַכטן אנדערע סיבות אַזאַ ווי מאָדעל קאַמפּלעקסיטי און ינטערפּריטיישאַן.
א באַגרענעצונג פון דעם לערנען איז אַז עס נאָר פאָוקיסט אויף מאַפּינג LS און איז צווישן דענטאַל סטודענטן. דעריבער, די דעוועלאָפּעד רעקאַמאַנדיישאַן סיסטעם, נאָר רעקאָמענדירן יענע וואָס זענען פּאַסיק פֿאַר דענטאַל סטודענטן. ענדערונגען זענען נייטיק פֿאַר גענעראַל העכער די תּלמיד נוצן.
די ניי דעוועלאָפּעד מאַשין לערנען מאַטעריאַלס רעקאַמאַנדיישאַן געצייַג איז ביכולת צו טייקעף קלאַסאַפייינג און ריכטן די סטודענטן, צו מאַכן עס דער ערשטער דענטאַל בילדונג פּלאַן צו העלפן דענטאַל עדזשיוקייטערז פּלאַנירן באַטייַטיק לערנען און לערנען אַקטיוויטעטן. ניצן אַ דאַטן-געטריבן קאַריד פּראָצעס, עס קענען צושטעלן פערזענליכען רעקאַמאַנדיישאַנז, שפּאָרן צייט, פֿאַרבעסערן לערנען סטראַטעגיעס, שטיצן טאַרגעטעד ינטערווענטשאַנז און העכערן אָנגאָינג פאַכמאַן אַנטוויקלונג. אַפּלאַקיישאַן וועט העכערן סטודענטן-סענטערד אַפּראָוטשיז צו דענטאַל בילדונג.
Gilak Jani Associated Press. גלייַכן אָדער מיסמאַטש צווישן די לערנען נוסח פון די תּלמיד און די לערער לערער לערער. ינט דזש מאָד ניצן קאָמפּיוטער וויסנשאַפֿט. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs .2012.11.05
פּאָסטן צייט: APR-29-2024