עס איז אַ גראָוינג נויט פֿאַר תּלמיד-צענטערעד לערנען (SCL) אין העכער בילדונג אינסטיטוציעס, אַרייַנגערעכנט דעניסטרי.אָבער, SCL האט לימיטעד אַפּלאַקיישאַן אין דענטאַל בילדונג.דעריבער, דעם לערנען יימז צו העכערן די אַפּלאַקיישאַן פון SCL אין דעניסטרי דורך ניצן באַשלוס בוים מאַשין לערנען (ML) טעכנאָלאָגיע צו מאַפּע די בילכער לערנען סטיל (LS) און קאָראַספּאַנדינג לערנען סטראַטעגיעס (IS) פון דענטאַל סטודענטן ווי אַ נוציק געצייַג פֿאַר דעוועלאָפּינג IS גיידליינז. .פּראַמאַסינג מעטהאָדס פֿאַר דענטאַל סטודענטן.
א גאַנץ פון 255 דענטאַל סטודענטן פון דעם אוניווערסיטעט פון מאַלייַאַ האָבן דורכגעקאָכט די מאַדאַפייד אינדעקס פון לערנען סטיילז (m-ILS) אַנקעטע, וואָס כּולל 44 זאכן צו קלאַסיפיצירן זיי אין זייער ריספּעקטיוו LS.די געזאמלט דאַטן (גערופן אַ דאַטאַסעט) איז געניצט אין סופּערווייזד באַשלוס בוים לערנען צו אויטאָמאַטיש גלייַכן סטודענטן 'לערנען סטיילז צו די מערסט צונעמען איז.די אַקיעראַסי פון די מאַשין לערנען-באזירט IS רעקאָמענדאַציע געצייַג איז דעמאָלט עוואַלואַטעד.
די אַפּלאַקיישאַן פון באַשלוס בוים מאָדעלס אין אַן אָטאַמייטיד מאַפּינג פּראָצעס צווישן LS (ינפּוט) און IS (ציל רעזולטאַט) אַלאַוז אַ באַלדיק רשימה פון צונעמען לערנען סטראַטעגיעס פֿאַר יעדער דענטאַל תּלמיד.די IS רעקאָמענדאַציע געצייַג דעמאַנסטרייטיד שליימעסדיק אַקיעראַסי און צוריקרופן פון קוילעלדיק מאָדעל אַקיעראַסי, ינדאַקייטינג אַז וואָס ריכטן LS צו IS האט גוט סענסיטיוויטי און ספּעסיפיקאַטי.
אַן IS רעקאָמענדאַציע געצייַג באזירט אויף אַ ML באַשלוס בוים האט פּראָווען זיין פיייקייט צו אַקיעראַטלי גלייַכן דענטאַל סטודענטן 'לערנען סטיילז מיט צונעמען לערנען סטראַטעגיעס.דער געצייַג גיט שטאַרק אָפּציעס פֿאַר פּלאַנירונג לערנער-צענטערעד קאָרסאַז אָדער מאַדזשולז וואָס קענען פאַרבעסערן די לערנען דערפאַרונג פון סטודענטן.
לערנען און לערנען זענען פונדאַמענטאַל אַקטיוויטעטן אין בילדונגקרייז אינסטיטוציעס.ווען די אַנטוויקלונג פון אַ הויך-קוואַליטעט וואָקאַטיאָנאַל בילדונג סיסטעם, עס איז וויכטיק צו פאָקוס אויף די לערנען באדערפענישן פון סטודענטן.די ינטעראַקשאַן צווישן סטודענטן און זייער לערנען סוויווע קענען זיין באשלאסן דורך זייער LS.פאָרשונג סאַגדזשעסץ אַז לערער-ינטענדיד מיסמאַטשאַז צווישן סטודענטן 'LS און IS קענען האָבן נעגאַטיוו פאלגן פֿאַר תּלמיד לערנען, אַזאַ ווי דיקריסט ופמערקזאַמקייט און מאָוטאַוויישאַן.דאָס וועט מינאַצאַד ווירקן תּלמיד פאָרשטעלונג [1,2].
IS איז אַ מעטאָד געניצט דורך לערערס צו געבן וויסן און סקילז צו סטודענטן, אַרייַנגערעכנט העלפּינג סטודענטן לערנען [3].בכלל גערעדט, גוט לערערס פּלאַן לערנען סטראַטעגיעס אָדער איז וואָס בעסטער גלייַכן זייער סטודענטן 'ס מדרגה פון וויסן, די קאַנסעפּס זיי לערנען און זייער בינע פון לערנען.טהעאָרעטיקאַללי, ווען LS און IS גלייַכן, סטודענטן וועלן קענען צו 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 זינען, עפעקטיוו לערערס אָפט פּלאַן לימעד מיט דער ציל צו בויען די וויסן און סקילז פון סטודענטן [4].
די פאָדערונג פֿאַר SCL איז גראָוינג אין העכער דערציונג אינסטיטוציעס, אַרייַנגערעכנט דעניסטרי.SCL סטראַטעגיעס זענען דיזיינד צו טרעפן סטודענטן 'לערנען באדערפענישן.דאָס קען זיין אַטשיווד, פֿאַר בייַשפּיל, אויב סטודענטן אַקטיוולי אָנטייל נעמען אין לערנען אַקטיוויטעטן און לערערס אַקט ווי פאַסילאַטייטערז און זענען פאַראַנטוואָרטלעך פֿאַר פּראַוויידינג ווערטפול באַמערקונגען.עס איז געזאגט אַז פּראַוויידינג לערנען מאַטעריאַלס און אַקטיוויטעטן וואָס זענען צונעמען צו די בילדונגקרייז מדרגה אָדער פּרעפֿערענצן פון סטודענטן קענען פֿאַרבעסערן סטודענטן 'לערנען סוויווע און העכערן positive לערנען יקספּיריאַנסיז [5].
אין אַלגעמיין, 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 דער טריינינג איז צו געבן סטודענטן צו פאַרבינדן יקערדיק וויסן פון דעניסטרי מיט דענטאַל קליניש סקילז און צולייגן די קונה וויסן צו נייַע קליניש סיטואַטיאָנס [6, 7].פרי פאָרשונג אין די שייכות צווישן LS און IS געפונען אַז אַדזשאַסטינג לערנען סטראַטעגיעס מאַפּט צו די בילכער LS וואָלט העלפֿן פֿאַרבעסערן די בילדונגקרייז פּראָצעס [8].די מחברים אויך רעקאָמענדירן ניצן אַ פאַרשיידנקייַט פון לערנען און אַסעסמאַנט מעטהאָדס צו אַדאַפּט צו סטודענטן 'לערנען און באדערפענישן.
לערערס נוץ פון אַפּלייינג LS וויסן צו העלפֿן זיי פּלאַן, אַנטוויקלען און ינסטרומענט לימעד וואָס וועט פֿאַרבעסערן די אַקוואַזישאַן פון די סטודענטן פון דיפּער וויסן און פארשטאנד פון די ונטערטעניק ענין.רעסעאַרטשערס האָבן דעוועלאָפּעד עטלעכע LS אַססעססמענט מכשירים, אַזאַ ווי די קאָלב עקספּעריענטיאַל לערנען מאָדעל, די פעלדער-סילווערמאַן לערנען סטייל מאָדעל (פסלסם), און די Fleming VAK / VARK מאָדעל [5, 9, 10].לויט דער ליטעראַטור, די לערנען מאָדעלס זענען די מערסט קאַמאַנלי געוויינט און מערסט געלערנט לערנען מאָדעלס.אין די קראַנט פאָרשונג אַרבעט, FSLSM איז געניצט צו אַססעסס LS צווישן דענטאַל סטודענטן.
FSLSM איז אַ וויידלי געוויינט מאָדעל פֿאַר יוואַליוייטינג אַדאַפּטיוו לערנען אין ינזשעניעריע.עס זענען פילע ארויס ווערק אין די געזונט ססיענסעס (אַרייַנגערעכנט מעדיצין, שוועסטערייַ, אַפּטייק און דעניסטרי) וואָס קענען זיין געפֿונען מיט 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 וואָס אַססעסס פיר דימענשאַנז פון LS: פּראַסעסינג (אַקטיוו / ריפלעקטיוו), מערקונג (פּערסעפּטואַל / ינטואַטיוו), אַרייַנשרייַב (וויזשאַוואַל)./ מינדלעך) און פארשטאנד (סאַקווענטשאַל / גלאבאלע) [14].
ווי געוויזן אין פיגורע 1, יעדער FSLSM ויסמעסטונג האט אַ דאָמינאַנט ייבערהאַנט.פֿאַר בייַשפּיל, אין די פּראַסעסינג ויסמעסטונג, סטודענטן מיט "אַקטיוו" LS בעסער צו פּראָצעס אינפֿאָרמאַציע דורך גלייך ינטעראַקטינג מיט לערנען מאַטעריאַלס, לערנען דורך טאן און טענד צו לערנען אין גרופּעס.די "ריפלעקטיווע" LS רעפערס צו לערנען דורך טראכטן און בעסער צו אַרבעטן אַליין.די "מערקונג" ויסמעסטונג פון LS קענען זיין צעטיילט אין "געפיל" און / אָדער "ינטואישאַן.""פילינג" סטודענטן בעסער וועלן מער באַטאָנען אינפֿאָרמאַציע און פּראַקטיש פּראָוסידזשערז, זענען פאַקט-אָריענטיד קאַמפּערד מיט "ינטואַטיוו" סטודענטן וואָס בעסער וועלן אַבסטראַקט מאַטעריאַל און זענען מער ינאַווייטיוו און שעפעריש אין נאַטור.די "אינפּוט" ויסמעסטונג פון LS באשטייט פון "וויסואַל" און "מינדלעך" לערנערז.מענטשן מיט "וויסואַל" LS בעסער צו לערנען דורך וויזשאַוואַל דעמאַנסטריישאַנז (אַזאַ ווי דייאַגראַמז, ווידיאס אָדער לעבן דעמאַנסטריישאַנז), כאָטש מענטשן מיט "מינדלעך" LS בעסער וועלן צו לערנען דורך ווערטער אין געשריבן אָדער מויל דערקלערונגען.צו "פאַרשטייען" די LS דימענשאַנז, אַזאַ לערנערז קענען זיין צעטיילט אין "סיקווענטיאַל" און "גלאבאלע"."סאַקווענטשאַל לערנערז בעסער וועלן אַ לינעאַר געדאַנק פּראָצעס און לערנען שריט דורך שריט, בשעת 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 נייַע אַלגערידאַמז און מאָדעלס וואָס זענען ביכולת צו ינטערפּרעטינג גרויס אַמאַונץ פון דאַטן [15, 16].באַזירט אויף די צוגעשטעלט דאַטן, סופּערווייזד ML (מאַשין לערנען) איז ביכולת צו דזשענערייט פּאַטערנז און כייפּאַטאַסאַז וואָס 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 אַרייַנשרייַב דאַטן.דער 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.באַשלוס ביימער האָבן שוין רעפּאָרטעד צו זיין וויידלי געניצט אין טריינינג מגילה אין פאַרשידן פעלדער, אַרייַנגערעכנט געזונט ססיענסעס [18, 19].אין דעם לערנען, די מאָדעל איז געווען ספּאַסיפיקלי טריינד דורך די סיסטעם דעוועלאָפּערס צו ידענטיפיצירן סטודענטן 'LS און רעקאָמענדירן די בעסטער IS פֿאַר זיי.
דער ציל פון דעם לערנען איז צו אַנטוויקלען IS עקספּרעס סטראַטעגיעס באזירט אויף סטודענטן 'LS און צולייגן די SCL צוגאַנג דורך דעוועלאָפּינג אַן IS רעקאָמענדאַציע געצייַג מאַפּט צו LS.די פּלאַן לויפן פון די IS רעקאָמענדאַציע געצייַג ווי אַ סטראַטעגיע פון די SCL אופֿן איז געוויזן אין פיגורע 1. די IS רעקאָמענדאַציע געצייַג איז צעטיילט אין צוויי פּאַרץ, אַרייַנגערעכנט די LS קלאַסאַפאַקיישאַן מעקאַניזאַם ניצן ILS און די מערסט פּאַסיק IS אַרויסווייַזן פֿאַר סטודענטן.
אין באַזונדער, די טשאַראַקטעריסטיקס פון אינפֿאָרמאַציע זיכערהייט רעקאָמענדאַציע 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 דורכגעקאָכט אין צוויי סטאַגעס און סטודענטן פון די פאַקולטי פון דעניסטרי אין די אוניווערסיטעט פון מאַלייַאַ האָבן אָנטייל גענומען אויף אַ וואַלאַנטערי יקער.פּאַרטיסיפּאַנץ ריספּאַנד צו אַ דענטאַל תּלמיד ס אָנליין m-ILS אין ענגליש.אין דער ערשט פאַסע, אַ דאַטאַסעט פון 50 סטודענטן איז גענוצט צו באַן די אַלגערידאַם פון די באַשלוס בוים מאַשין לערנען.אין דער צווייטער פאַסע פון דער אַנטוויקלונג פּראָצעס, אַ דאַטאַסעט פון 255 סטודענטן איז 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 Microsoft Teams.דער ציל פון דעם לערנען איז געווען דערקלערט און ינפאָרמד צושטימען איז 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 האבן געגעבן איין וואָך צו פאַרענדיקן די מאַדאַפייד ILS אין אַ צייט און אָרט וואָס זיי זענען באַקוועם אין די זמאַן ברעכן איידער די אָנהייב פון די זמאַן.די m-ILS איז באזירט אויף דער אָריגינעל ILS קיילע און מאַדאַפייד פֿאַר דענטאַל סטודענטן.ענלעך צו דער אָריגינעל ILS, עס כּולל 44 יוואַנלי פונאנדערגעטיילט זאכן (אַ, ב), מיט 11 זאכן יעדער, וואָס זענען געניצט צו אַססעסס אַספּעקץ פון יעדער פסלסם ויסמעסטונג.
בעשאַס די ערשט סטאַגעס פון געצייַג אַנטוויקלונג, די ריסערטשערז מאַניואַלי אַנאַטייטיד די מאַפּס ניצן אַ דאַטאַסעט פון 50 דענטאַל סטודענטן.לויט די FSLM, די סיסטעם גיט די סאַכאַקל פון ענטפֿערס "אַ" און "ב".פֿאַר יעדער ויסמעסטונג, אויב דער תּלמיד סאַלעקץ "אַ" ווי אַן ענטפער, די LS איז קלאַסאַפייד ווי אַקטיוו / פּערסעפּטואַל / וויסואַל / סאַקווענטשאַל, און אויב דער תּלמיד סאַלעקץ "ב" ווי אַן ענטפער, דער תּלמיד איז קלאַסאַפייד ווי רעפלעקטיווע / ינטויטיווע / לינגגוויסטיק. ./ גלאבאלע לערנער.
נאָך קאַלאַברייטינג די וואָרקפלאָוו צווישן דענטאַל בילדונג ריסערטשערז און סיסטעם דעוועלאָפּערס, פֿראגן זענען אויסגעקליבן באזירט אויף די FLSSM פעלד און פאסטעכער אין די ML מאָדעל צו פאָרויסזאָגן די LS פון יעדער תּלמיד."מיסט אין, מיסט אויס" איז אַ פאָלקס זאגן אין די פעלד פון מאַשין לערנען, מיט אַ טראָפּ אויף דאַטן קוואַליטעט.די קוואַליטעט פון די אַרייַנשרייַב דאַטן דיטערמאַנז די פּינטלעכקייַט און אַקיעראַסי פון די מאַשין לערנען מאָדעל.בעשאַס די פונקציע ינזשעניעריע פאַסע, אַ נייַע שטריך שטעלן איז באשאפן וואָס איז די סאַכאַקל פון ענטפֿערס "אַ" און "ב" באזירט אויף FLSSM.לעגיטימאַציע נומערן פון מעדיצין שטעלעס זענען געגעבן אין טאַבלע 1.
רעכענען די כעזשבן באזירט אויף די ענטפֿערס און באַשטימען די LS פון די תּלמיד.פֿאַר יעדער תּלמיד, די כעזשבן קייט איז פון 1 צו 11. סקאָרז פון 1 צו 3 אָנווייַזן אַ וואָג פון לערנען פּרעפֿערענצן אין דער זעלביקער ויסמעסטונג, און סקאָרז פון 5 צו 7 אָנווייַזן אַ מעסיק ייבערהאַנט, וואָס ינדיקייץ אַז סטודענטן טענד צו בעסער איינער סוויווע לערנען אנדערע .אן אנדער ווערייישאַן אויף דער זעלביקער ויסמעסטונג איז אַז סקאָרז פון 9 צו 11 פאַרטראַכטנ זיך אַ שטאַרק ייבערהאַנט פֿאַר איין סוף אָדער די אנדערע [8].
פֿאַר יעדער ויסמעסטונג, דרוגס זענען גרופּט אין "אַקטיוו", "ריפלעקטיוו" און "באַלאַנסט".פֿאַר בייַשפּיל, ווען אַ תּלמיד ענטפֿערט "אַ" מער אָפט ווי "ב" אויף אַ דעזיגנייטיד נומער און זיין / איר כעזשבן יקסידז די שוועל פון 5 פֿאַר אַ באַזונדער נומער רעפּריזענטינג די פּראַסעסינג LS ויסמעסטונג, ער / זי געהערט צו די "אַקטיוו" LS פעלד..אָבער, סטודענטן זענען קלאַסאַפייד ווי "ריפלעקטיוו" LS ווען זיי אויסדערוויילט "ב" מער ווי "אַ" אין ספּעציפיש 11 פראגעס (טאַבלע 1) און סקאָרד מער ווי 5 פונקטן.צום סוף, 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 אנדערע LS דימענשאַנז, ניימלי מערקונג (אַקטיוו / ריפלעקטיוו), אַרייַנשרייַב (וויזשאַוואַל / מינדלעך), און קאַמפּריכענשאַן (סיקווענטיאַל / גלאבאלע).
באַשלוס בוים מאָדעלס קענען נוצן פאַרשידענע סאַבסעץ 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) מיט אַ קלאַס פירמע.
א פּשוט הערשן-באזירט פּראָגראַם איז באשאפן צו אויטאָמאַטיש כעזשבן און אַנאַטייט די LS פון יעדער תּלמיד באזירט אויף זייער רעספּאָנסעס.הערשן-באזירט נעמט די פאָרעם פון אַ IF ויסזאָגונג, ווו "IF" באשרייבט די צינגל און "דען" ספּעציפיצירן די אַקציע צו זיין דורכגעקאָכט, פֿאַר בייַשפּיל: "אויב X כאַפּאַנז, דאַן Y" (Liu et al., 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 LS און IS.
אין דער צווייטער פאַסע פון אַנטוויקלונג, די דאַטאַסעט איז געוואקסן צו 255 צו פֿאַרבעסערן די אַקיעראַסי פון די רעקאָמענדאַציע געצייַג.די דאַטן שטעלן איז שפּאַלטן אין אַ 1:4 פאַרהעלטעניש.25% (64) פון די דאַטן שטעלן איז געניצט פֿאַר די פּרובירן 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 יוואַליוייץ זייַן פאָרשטעלונג אויף די פּרובירן שטעלן - דאַטן וואָס די מאָדעל האט קיינמאָל געזען פריער.
אַמאָל די IS געצייַג איז דעוועלאָפּעד, די אַפּלאַקיישאַן וועט קענען צו קלאַסיפיצירן LS באזירט אויף די רעספּאָנסעס פון דענטאַל סטודענטן דורך אַ וועב צובינד.די וועב-באזירט אינפֿאָרמאַציע זיכערהייט רעקאָממענדאַטיאָן געצייַג סיסטעם איז געבויט מיט די Python פּראָגראַממינג שפּראַך ניצן די Django פריימווערק ווי די באַקענד.טיש 2 ליסטעד די לייברעריז געניצט אין דער אַנטוויקלונג פון דעם סיסטעם.
די דאַטאַסעט איז פעד צו אַ באַשלוס בוים מאָדעל צו רעכענען און עקסטראַקט תּלמיד רעספּאָנסעס צו אויטאָמאַטיש קלאַסיפיצירן תּלמיד LS מעזשערמאַנץ.
די צעמישונג מאַטריץ איז גענוצט צו אָפּשאַצן די אַקיעראַסי פון אַ באַשלוס בוים מאַשין לערנען אַלגערידאַם אויף אַ געגעבן דאַטן שטעלן.אין דער זעלביקער צייט, עס יוואַליוייץ די פאָרשטעלונג פון די קלאַסאַפאַקיישאַן מאָדעל.עס סאַמערייזיז די פֿאָרויסזאָגן פון די מאָדעל און קאַמפּערז זיי צו די פאַקטיש דאַטן לאַבעלס.די אפשאצונג רעזולטאטן זענען באזירט אויף פיר פאַרשידענע וואַלועס: אמת positive (טפּ) - דער מאָדעל פּרידיקט די positive קאַטעגאָריע ריכטיק, פאַלש positive (פפּ) - דער מאָדעל פּרעדיקטעד די positive קאַטעגאָריע, אָבער די אמת פירמע איז געווען נעגאַטיוו, אמת נעגאַטיוו (טן) - דער מאָדעל פּרידיקט די נעגאַטיוו קלאַס ריכטיק, און פאַלש נעגאַטיוו (FN) - דער מאָדעל פּרידיקס אַ נעגאַטיוו קלאַס, אָבער דער אמת פירמע איז positive.
די וואַלועס זענען דערנאָך גענוצט צו רעכענען פאַרשידן פאָרשטעלונג מעטריקס פון די סקיט-לערן קלאַסאַפאַקיישאַן מאָדעל אין פּיטהאָן, ניימלי פּינטלעכקייַט, פּינטלעכקייַט, צוריקרופן און F1 כעזשבן.דאָ זענען ביישפילן:
צוריקרופן (אָדער סענסיטיוויטי) מעסטן די פיייקייַט פון די מאָדעל צו אַקיעראַטלי קלאַסיפיצירן אַ תּלמיד ס LS נאָך ענטפֿערן די m-ILS אַנקעטע.
ספּעסיפיקאַטי איז גערופן אַ אמת נעגאַטיוו קורס.ווי איר קענען זען פון די אויבן פאָרמולע, דאָס זאָל זיין די פאַרהעלטעניש פון אמת נעגאַטיוועס (TN) צו אמת נעגאַטיוועס און פאַלש פּאַזאַטיווז (FP).ווי אַ טייל פון די רעקאַמענדיד געצייַג פֿאַר קלאַסאַפייינג תּלמיד דרוגס, עס זאָל זיין טויגעוודיק פון פּינטלעך לעגיטימאַציע.
דער אָריגינעל דאַטאַסעט פון 50 סטודענטן געניצט צו באַן די באַשלוס בוים ML מאָדעל געוויזן לעפיערעך נידעריק אַקיעראַסי רעכט צו מענטש טעות אין די אַנאַטיישאַנז (טאַבלע 3).נאָך קריייטינג אַ פּשוט הערשן-באזירט פּראָגראַם צו אויטאָמאַטיש רעכענען LS סקאָרז און תּלמיד אַנאַטיישאַנז, אַ ינקריסינג נומער פון דאַטאַסעץ (255) זענען געניצט צו באַן און פּרובירן די רעקאָממענדאַטאָר סיסטעם.
אין די מולטיקלאַס צעמישונג מאַטריץ, די דיאַגאָנאַל עלעמענטן רעפּראַזענץ די נומער פון ריכטיק פֿאָרויסזאָגן פֿאַר יעדער לס טיפּ (פיגורע 4).ניצן די באַשלוס בוים מאָדעל, אַ גאַנץ פון 64 סאַמפּאַלז זענען ריכטיק פּרעדיקטעד.אזוי, אין דעם לערנען, די דיאַגאָנאַל עלעמענטן ווייַזן די דערוואַרט רעזולטאַטן, וואָס ינדיקייץ אַז דער מאָדעל פּערפאָרמז געזונט און אַקיעראַטלי פּרידיקס די קלאַס פירמע פֿאַר יעדער LS קלאַסאַפאַקיישאַן.אזוי, די קוילעלדיק אַקיעראַסי פון די רעקאָמענדאַציע געצייַג איז 100%.
די וואַלועס פון אַקיעראַסי, פּינטלעכקייַט, צוריקרופן און F1 כעזשבן זענען געוויזן אין פיגורע 5. פֿאַר די רעקאָמענדאַציע סיסטעם ניצן די באַשלוס בוים מאָדעל, זייַן F1 כעזשבן איז 1.0 "גאנץ", וואָס ינדיקייץ גאנץ פּינטלעכקייַט און צוריקרופן, ריפלעקטינג באַטייַטיק סענסיטיוויטי און ספּעציפֿישקייט וואַלועס.
פיגורע 6 ווייזט אַ וויזשוואַלאַזיישאַן פון די באַשלוס בוים מאָדעל נאָך טריינינג און טעסטינג זענען געענדיקט.אין אַ זייַט-ביי-זייַט פאַרגלייַך, די באַשלוס בוים מאָדעל טריינד מיט ווייניקערע פֿעיִקייטן געוויזן העכער אַקיעראַסי און גרינגער מאָדעל וויזשוואַלאַזיישאַן.דאָס ווייזט אַז שטריך ינזשעניעריע לידינג צו שטריך רעדוקציע איז אַ וויכטיק שריט אין ימפּרוווינג מאָדעל פאָרשטעלונג.
דורך אַפּלייינג באַשלוס בוים סופּערווייזד לערנען, די מאַפּינג צווישן LS (ינפּוט) און IS (ציל רעזולטאַט) איז אויטאָמאַטיש דזשענערייטאַד און כּולל דיטיילד אינפֿאָרמאַציע פֿאַר יעדער LS.
די רעזולטאַטן האָבן געוויזן אַז 34.9% פון די 255 סטודענטן בילכער איינער (1) LS אָפּציע.די מערהייט (54.3%) האט צוויי אָדער מער LS פּרעפֿערענצן.12.2% פון סטודענטן באמערקט אַז LS איז גאַנץ באַלאַנסט (טאַבלע 4).אין אַדישאַן צו די אַכט הויפּט LS, עס זענען 34 קאַמבאַניישאַנז פון LS קלאַסאַפאַקיישאַנז פֿאַר אוניווערסיטעט פון מאַלייַאַ דענטאַל סטודענטן.צווישן זיי, מערקונג, זעאונג און די קאָמבינאַציע פון מערקונג און זעאונג זענען די הויפּט LS רעפּאָרטעד דורך סטודענטן (פיגורע 7).
ווי קענען זיין געזען פון טאַבלע 4, די מערהייַט פון סטודענטן האָבן אַ פּרידאַמאַנאַנט סענסערי (13.7%) אָדער וויזשאַוואַל (8.6%) LS.עס איז געווען געמאלדן אַז 12.2% פון סטודענטן קאַמביינד מערקונג מיט זעאונג (פּערסעפּטואַל-וויסואַל לס).די פיינדינגז פֿאָרשלאָגן אַז סטודענטן בעסער 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, אאז"ו ו) און טענד צו דיסקוטירן און צולייגן 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 די LS פון סטודענטן און רעקאַמענדיד פּאַסיק IS.אַפּפּליקאַטיאָן פון אַ באַשלוס בוים מאָדעל יידענאַפייד די סיבות מערסט ענג שייַכות 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 סאַבקאַטעגאָריעס באזירט אויף זיכער קרייטיריאַ.עס אַרבעט דורך רעקורסיוועלי דיוויידינג די אַרייַנשרייַב דאַטן אין סאַבסעץ 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 די 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 די לערנען, עס איז גרינג צו פֿאַרשטיין די כייעראַרקי פון באַשלוס ביימער וואָס דערקלערן און וויזשוואַלייז די 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 דער אַלגערידאַם אַקיעראַטלי פּרעדיקטעד תּלמיד פאָרשטעלונג און געהאָלפֿן זיי ידענטיפיצירן סטודענטן אין ריזיקירן פֿאַר אַקאַדעמיק שוועריקייטן.
די אַפּלאַקיישאַן פון ML אַלגערידאַמז אין דער אַנטוויקלונג פון ווירטואַל פּאַציענט סימיאַלייטערז פֿאַר דענטאַל טריינינג איז געמאלדן.דער סימיאַלייטער איז ביכולת צו אַקיעראַטלי רעפּראָדוצירן די פיזיאַלאַדזשיקאַל רעספּאָנסעס פון פאַקטיש פּאַטיענץ און קענען זיין געוויינט צו באַן דענטאַל סטודענטן אין אַ זיכער און קאַנטראָולד סוויווע [23].עטלעכע אנדערע שטודיום ווייַזן אַז מאַשין לערנען אַלגערידאַמז קענען פּאַטענטשאַלי פֿאַרבעסערן די קוואַליטעט און עפעקטיווקייַט פון דענטאַל און מעדיציניש בילדונג און פּאַציענט זאָרגן.מאַשין לערנען אַלגערידאַמז האָבן שוין געניצט צו אַרוישעלפן אין די דיאַגנאָסיס פון דענטאַל חולאתן באזירט אויף דאַטן שטעלט אַזאַ 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, ידענטיפיצירן הויך-ריזיקירן פּאַטיענץ, דעוועלאָפּינג פערזענליכען באַהאַנדלונג פּלאַנז [26], פּעריאָדאָנטאַל באַהאַנדלונג [27], און קאַריעס באַהאַנדלונג [25].
כאָטש ריפּאָרץ וועגן די אַפּלאַקיישאַן פון מאַשין לערנען אין דעניסטרי האָבן שוין ארויס, די אַפּלאַקיישאַן אין דענטאַל בילדונג בלייבט לימיטעד.דעריבער, דעם לערנען אַימעד צו נוצן אַ באַשלוס בוים מאָדעל צו ידענטיפיצירן סיבות מערסט ענג פֿאַרבונדן מיט LS און IS צווישן דענטאַל סטודענטן.
די רעזולטאַטן פון דעם לערנען ווייַזן אַז די דעוועלאָפּעד רעקאָמענדאַציע געצייַג האט הויך אַקיעראַסי און שליימעסדיק אַקיעראַסי, וואָס ינדיקייץ אַז לערערס קענען נוץ פון דעם געצייַג.ניצן אַ דאַטן-געטריבן קלאַסאַפאַקיישאַן פּראָצעס, עס קענען צושטעלן פערזענליכען רעקאַמאַנדיישאַנז און פֿאַרבעסערן בילדונגקרייז יקספּיריאַנסיז און אַוטקאַמז פֿאַר עדזשיוקייטערז און סטודענטן.צווישן זיי, אינפֿאָרמאַציע באקומען דורך רעקאָמענדאַציע מכשירים קענען סאָלווע קאָנפליקט צווישן לערערס 'בילכער לערנען מעטהאָדס און סטודענטן' לערנען באדערפענישן.פֿאַר בייַשפּיל, רעכט צו דער אָטאַמייטיד רעזולטאַט פון רעקאָממענדאַטיאָן מכשירים, די צייט וואָס איז פארלאנגט צו ידענטיפיצירן אַ תּלמיד ס IP און גלייַכן עס מיט די קאָראַספּאַנדינג IP וועט זיין באטייטיק רידוסט.אין דעם וועג, פּאַסיק טריינינג אַקטיוויטעטן און טריינינג מאַטעריאַלס קענען זיין אָרגאַניזירט.דאָס העלפּס אַנטוויקלען סטודענטן 'positive לערנען נאַטור און פיייקייט צו קאַנסאַנטרייט.איין לערנען האָט געמאלדן אַז פּראַוויידינג סטודענטן מיט לערנען מאַטעריאַלס און לערנען אַקטיוויטעטן וואָס גלייַכן זייער בילכער LS קענען העלפֿן סטודענטן צו ויסשטימען, פּראָצעס און הנאה לערנען אין קייפל וועגן צו דערגרייכן אַ גרעסערע פּאָטענציעל [12].פאָרשונג אויך ווייזט אַז אין אַדישאַן צו פֿאַרבעסערן סטודענטן אָנטייל אין די קלאַסצימער, פארשטאנד פון 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 רעסורסן דארף צו אַנטוויקלען און ינסטרומענט מאַשין לערנען אַלגערידאַמז אין דענטאַל בילדונג;אָבער, גראָוינג אינטערעס און פאָרשונג אין דעם געגנט 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 לערנער האט אַ ייבערהאַנט פֿאַר פאקטן און באַטאָנען ביישפילן, אַ פּראַקטיש אָריענטירונג, געדולד פֿאַר דעטאַל, און אַ "וויסואַל" LS ייבערהאַנט, ווו לערנערז בעסער צו נוצן בילדער, גראַפיקס, פארבן און מאַפּס צו קאַנוויי יידיאַז און געדאנקען.די קראַנט רעזולטאַטן זענען קאָנסיסטענט מיט אנדערע שטודיום מיט ILS צו אַססעסס LS אין דענטאַל און מעדיציניש סטודענטן, רובֿ פון זיי האָבן קעראַקטעריסטיקס פון פּערסעפּטואַל און וויזשאַוואַל LS [12, 30].Dalmolin עט על פֿאָרשלאָגן אַז ינפאָרמינג סטודענטן וועגן זייער LS אַלאַוז זיי צו דערגרייכן זייער לערנען פּאָטענציעל.רעסעאַרטשערס טענהן אַז ווען לערערס גאָר פֿאַרשטיין די בילדונגקרייז פּראָצעס פון סטודענטן, פאַרשידן לערנען מעטהאָדס און אַקטיוויטעטן קענען זיין ימפּלאַמענאַד וואָס וועט פֿאַרבעסערן די פאָרשטעלונג און לערנען דערפאַרונג פון סטודענטן [12, 31, 32].אנדערע שטודיום האָבן געוויזן אַז אַדזשאַסטינג די LS פון סטודענטן אויך ווייַזן ימפּרווומאַנץ אין סטודענטן 'לערנען דערפאַרונג און פאָרשטעלונג נאָך טשאַנגינג זייער לערנען סטיילז צו פּאַסן זייער אייגענע LS [13, 33].
די מיינונגען פון לערערס קען בייַטן וועגן די ימפּלאַמענטיישאַן פון לערנען סטראַטעגיעס באזירט אויף סטודענטן 'לערנען אַבילאַטיז.בשעת עטלעכע זען די בענעפיץ פון דעם צוגאַנג, אַרייַנגערעכנט אַפּערטונאַטיז פֿאַר פאַכמאַן אַנטוויקלונג, מענטאָרשיפּ און קהל שטיצן, אנדערע קען זיין זארגן וועגן צייט און ינסטיטושאַנאַל שטיצן.שטרעבונג פֿאַר וואָג איז שליסל צו שאַפֿן אַ תּלמיד-צענטערעד שטעלונג.העכער דערציונג אויטאריטעטן, אַזאַ ווי אוניווערסיטעט אַדמיניסטראַטאָרס, קענען שפּילן אַ וויכטיק ראָלע אין דרייווינג positive ענדערונגען דורך ינטראָודוסינג ינאַווייטיוו פּראַקטיסיז און שטיצן פיייקייַט אַנטוויקלונג [34].צו שאַפֿן אַ באמת דינאַמיש און אָפּרופיק העכער דערציונג סיסטעם, פּאַלאַסימייקערז מוזן נעמען דרייסט סטעפּס, אַזאַ ווי מאַכן פּאָליטיק ענדערונגען, אָפּגעבן רעסורסן צו טעכנאָלאָגיע ינאַגריישאַן און קריייטינג פראַמעוואָרקס וואָס העכערן תּלמיד-צענטערעד אַפּראָוטשיז.די מיטלען זענען קריטיש צו דערגרייכן די געוואלט רעזולטאַטן.לעצטע פאָרשונג אויף דיפערענשיייטאַד לימעד האט קלאר געוויזן אַז מצליח ימפּלאַמענטיישאַן פון דיפערענשיייטאַד לימעד ריקווייערז אָנגאָינג טריינינג און אַנטוויקלונג אַפּערטונאַטיז פֿאַר לערערס [35].
דער געצייַג גיט ווערטפול שטיצן צו דענטאַל עדזשיוקייטערז וואָס ווילן צו נעמען אַ תּלמיד-צענטערעד צוגאַנג צו פּלאַנירונג תּלמיד-פרייַנדלעך לערנען אַקטיוויטעטן.אָבער, דעם לערנען איז לימיטעד צו די נוצן פון באַשלוס בוים ML מאָדעלס.אין דער צוקונפֿט, מער דאַטן זאָל זיין געזאמלט צו פאַרגלייַכן די פאָרשטעלונג פון פאַרשידענע מאַשין לערנען מאָדעלס צו פאַרגלייַכן די אַקיעראַסי, רילייאַבילאַטי און פּינטלעכקייַט פון רעקאָמענדאַציע מכשירים.אין דערצו, ווען טשוזינג די מערסט צונעמען מאַשין לערנען אופֿן 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 בלויז פאָוקיסט אויף מאַפּינג LS און IS צווישן דענטאַל סטודענטן.דעריבער, די דעוועלאָפּעד רעקאָמענדאַציע סיסטעם וועט רעקאָמענדירן די וואָס זענען פּאַסיק פֿאַר דענטאַל סטודענטן.ענדערונגען זענען נויטיק פֿאַר אַלגעמיינע העכער בילדונג סטודענטן נוצן.
די ניי דעוועלאָפּעד מאַשין לערנען-באזירט רעקאָממענדאַטיאָן געצייַג איז טויגעוודיק פון טייקעף קלאַסאַפייינג און צופּאַסן סטודענטן 'LS צו די קאָראַספּאַנדינג IS, מאכן עס דער ערשטער דענטאַל בילדונג פּראָגראַם צו העלפן דענטאַל עדזשיוקייטערז פּלאַן באַטייַטיק לערנען און לערנען אַקטיוויטעטן.ניצן אַ דאַטן-געטריבן טריאַגע פּראָצעס, עס קענען צושטעלן פערזענליכען רעקאַמאַנדיישאַנז, שפּאָרן צייט, פֿאַרבעסערן לערנען סטראַטעגיעס, שטיצן טאַרגעטעד ינטערווענטשאַנז און העכערן אָנגאָינג פאַכמאַן אַנטוויקלונג.זיין אַפּלאַקיישאַן וועט העכערן תּלמיד-צענטערעד אַפּראָוטשיז צו דענטאַל בילדונג.
Gilak Jani Associated Press.גלייַכן אָדער מיסמאַטש צווישן די תּלמיד ס לערנען סטיל און די לערער ס לערנען סטיל.Int J Mod Educ Computer Science.2012; 4 (11): 51-60.https://doi.org/10.5815/ijmecs.2012.11.05
פּאָסטן צייט: אפריל 29-2024