עס איז דא א וואקסנדיקע נויט פאר סטודענט-צענטרירטע לערנען (SCL) אין העכערע בילדונג אינסטיטוציעס, אריינגערעכנט ציינדאקטוירים. אבער, SCL האט באגרענעצטע אנווענדונג אין ציינדאקטוירים בילדונג. דעריבער, צילט די שטודיע צו העכערן די אנווענדונג פון SCL אין ציינדאקטוירים דורך ניצן באַשלוס בוים מאַשין לערנען (ML) טעכנאָלאָגיע צו מאַפּע דעם בילכער לערנען סטיל (LS) און קאָרעספּאָנדירנדיק לערנען סטראַטעגיעס (IS) פון ציינדאקטוירים סטודענטן ווי אַ נוציק געצייַג פֿאַר אַנטוויקלען IS גיידליינז. פּראַמישינג מעטאָדן פֿאַר ציינדאקטוירים סטודענטן.
א סך הכל פון 255 ציינדאקטוירים סטודענטן פון דער אוניווערסיטעט פון מאליא האבן אויסגעפילט דעם מאדיפיצירטן אינדעקס פון לערנען סטילן (m-ILS) קוועסטיאנער, וואס האט אנטהאלטן 44 זאכן צו קלאסיפיצירן זיי אין זייערע ריספּעקטיווע LSs. די געזאמלטע דאטן (גערופן א דאטן-זאמלונג) ווערט גענוצט אין סופערווייזד דיסיזשאן בוים לערנען צו אויטאמאטיש צופאסן סטודענטן'ס לערנען סטילן צום מערסט פאסיגן IS. די גענויקייט פון דעם מאשין לערנען-באזירטן IS רעקאמענדאציע געצייג ווערט דערנאך עוואלוירט.
די אנווענדונג פון באַשלוס בוים מאָדעלן אין אַן אויטאָמאַטישן מאַפּינג פּראָצעס צווישן LS (אינפּוט) און IS (ציל אַוטפּוט) ערמעגליכט אַן אומגייענדיקע רשימה פון פּאַסיקע לערנען סטראַטעגיעס פֿאַר יעדן דענטאַל סטודענט. די IS רעקאָמענדאַציע געצייַג האט דעמאָנסטרירט פּערפעקטע אַקיעראַסי און דערמאָנונג פון דער אַלגעמיינער מאָדעל אַקיעראַסי, וואָס ווייַזט אַז די מאַטשינג LS צו IS האט גוטע סענסיטיוויטי און ספּעציפֿישקייט.
אן IS רעקאמענדאציע געצייג באזירט אויף אן ML באשלוס בוים האט באוויזן זיין פעאיקייט צו גענוי צופאסן די דענטאַל סטודענטן'ס לערנען סטילן מיט פאסיגע לערנען סטראטעגיעס. דאס געצייג גיט שטארקע אפציעס פארן פלאנירן לערנער-צענטרירטע קורסן אדער מאדולן וואס קענען פארבעסערן די לערנען דערפארונג פון סטודענטן.
לערנען און אויסלערנען זענען יסודות'דיגע אקטיוויטעטן אין בילדונגס-אינסטיטוציעס. ווען מען אנטוויקלט א הויך-קוואליטעטיקע פאַכמאַן-בילדונג סיסטעם, איז וויכטיג צו פאָקוסירן אויף די לערנען-באדארפן פון סטודענטן. די אינטעראַקציע צווישן סטודענטן און זייער לערנען-סביבה קען באַשטימט ווערן דורך זייער LS. פאָרשונג ווייזט אז לערער-געוואָלטע אומגלייכן צווישן סטודענטן'ס LS און IS קענען האבן נעגאַטיווע קאנסעקווענצן פאר סטודענטן'ס לערנען, ווי למשל פארמינדערטע אויפמערקזאמקייט און מאָטיוואַציע. דאָס וועט אומדירעקט אפעקטירן סטודענטן'ס פאָרשטעלונג [1,2].
IS איז א מעטאד גענוצט דורך לערערס צו איבערגעבן וויסן און סקילז צו סטודענטן, אריינגערעכנט העלפן סטודענטן לערנען [3]. בכלל גערעדט, גוטע לערערס פלאנירן לערן סטראטעגיעס אדער IS וואס פאסן בעסטן צו זייערע סטודענטן'ס ניוואָ פון וויסן, די קאנצעפטן וואס זיי לערנען, און זייער שטאפל פון לערנען. טעארעטיש, ווען LS און IS פאסן, וועלן סטודענטן קענען ארגאניזירן און נוצן א ספעציפישן סכום סקילז צו לערנען עפעקטיוו. טיפישערווייז, א לעקציע פלאן שליסט איין עטלעכע איבערגאנגען צווישן שטאפלען, ווי למשל פון לערנען צו גיידעד פראקטיק אדער פון גיידעד פראקטיק צו זעלבשטענדיקער פראקטיק. מיט דעם אין זינען, פלאנירן עפעקטיווע לערערס אפט אינסטרוקציע מיטן ציל צו בויען סטודענטן'ס וויסן און סקילז [4].
די פאָדערונג פֿאַר SCL וואַקסט אין העכערע בילדונג אינסטיטוציעס, אַרייַנגערעכנט ציינדאָקטערייַ. SCL סטראַטעגיעס זענען דיזיינד צו טרעפן סטודענטן'ס לערנען באדערפענישן. דאָס קען דערגרייכט ווערן, למשל, אויב סטודענטן אַקטיוו אָנטייל נעמען אין לערנען אַקטיוויטעטן און לערערס אַקט ווי פאַסילאַטייטערז און זענען פאַראַנטוואָרטלעך פֿאַר צושטעלן ווערטפול באַמערקונגען. מען זאָגט אַז צושטעלן לערנען מאַטעריאַלן און אַקטיוויטעטן וואָס זענען פּאַסיק פֿאַר סטודענטן'ס בילדונגקרייז מדרגה אָדער פּרעפֿערענצן קען פֿאַרבעסערן סטודענטן'ס לערנען סוויווע און העכערן positive לערנען יקספּיריאַנסיז [5].
בכלל גערעדט, ווערט דער לערן-פּראָצעס פון ציינדאָקטעריי סטודענטן באַאיינפלוסט דורך די פֿאַרשידענע קלינישע פּראָצעדורן וואָס זיי דאַרפֿן דורכפֿירן און די קלינישע סביבה אין וועלכער זיי אַנטוויקלען עפֿעקטיווע אינטערפּערסאָנעלע סקילז. דער ציל פֿון דער טרענירונג איז צו געבן סטודענטן די מעגלעכקייט צו קאָמבינירן גרונטלעכע וויסן פֿון ציינדאָקטעריי מיט קלינישע ציינדאָקטעריי סקילז און אָנווענדן די קונה-געוואָרענע וויסן צו נייע קלינישע סיטואַציעס [6, 7]. פֿרייע פֿאָרשונג אין דער באַציִונג צווישן LS און IS האָט געפֿונען אַז אַדזשאַסטירן לערן-סטראַטעגיעס וואָס זענען געמאַפּט צו די בילכער LS וואָלט געהאָלפֿן פֿאַרבעסערן דעם בילדונגס-פּראָצעס [8]. די מחברים רעקאָמענדירן אויך צו נוצן אַ פֿאַרשיידנקייט פֿון לערן- און אָפּשאַצונג-מעטאָדן צו אַדאַפּטירן זיך צו די סטודענטן'ס לערנען און באַדערפֿנישן.
לערערס נוץ פון אנװענדן LS וויסן צו העלפֿן זיי פּלאַנירן, אַנטוויקלען און דורכפֿירן אינסטרוקציעס װאָס װעלן פֿאַרבעסערן סטודענטן'ס אַקוואַזישאַן פֿון טיפֿער וויסן און פֿאַרשטאַנד פֿון דער טעמע. פֿאָרשער האָבן דעוועלאָפּעד עטלעכע LS אַסעסמענט מכשירים, אַזאַ װי די Kolb עקספּעריענטיאַל לערנען מאָדעל, די Felder-Silverman Learning Style Model (FSLSM), און די Fleming VAK/VARK מאָדעל [5, 9, 10]. לויט דער ליטעראַטור, די לערנען מאָדעלן זענען די מערסט אָפֿט געניצטע און מערסט געלערנטע לערנען מאָדעלן. אין דער איצטיקער פֿאָרשונג אַרבעט, FSLSM װערט געניצט צו אַסעסירן LS צװישן דענטאַל סטודענטן.
FSLSM איז א ברייט גענוצטער מאָדעל פארן אפשאצן אדאפטיוו לערנען אין אינזשעניריע. עס זענען דא אסאך פובליקירטע ווערק אין די געזונטהייט וויסנשאפטן (אריינגערעכנט מעדיצין, שוועסטעריי, פארמאציע און ציינדאקטעריי) וואס מען קען געפינען מיט FSLSM מאָדעלן [5, 11, 12, 13]. דער אינסטרומענט גענוצט צו מעסטן די דימענסיעס פון LS אין די FLSM ווערט גערופן דער אינדעקס פון לערנען סטילן (ILS) [8], וואס אנטהאלט 44 זאכן וואס אפשאצן פיר דימענסיעס פון LS: פראסעסינג (אקטיוו/רעפלעקטיוו), ווארנעמונג (ווארנעמונגספול/אינטואיטיוו), אינפוט (וויזועל) /ווערבאַל) און פארשטענדעניש (סיקווענשאַל/גלאבאל) [14].
ווי געוויזן אין פיגור 1, יעדע FSLSM דימענסיע האט א דאמינאנטע פרעפערענץ. למשל, אין דער פראצעסירונג דימענסיע, סטודענטן מיט "אקטיווע" LS בעפארצוגן צו פראצעסירן אינפארמאציע דורך דירעקט אינטעראקציע מיט לערן מאטעריאלן, לערנען דורך טאן, און טענד צו לערנען אין גרופעס. די "רעפלעקטיווע" LS באציט זיך צו לערנען דורך טראכטן און בעפארצוגן צו ארבעטן אליין. די "באמערקן" דימענסיע פון LS קען ווערן צעטיילט אין "געפיל" און/אדער "אינטואיציע." "געפיל" סטודענטן בעפארצוגן מער קאנקרעטע אינפארמאציע און פראקטישע פראצעדורן, זענען פאקט-אריענטירט קאמפערד צו "אינטואיטיווע" סטודענטן וואס בעפארצוגן אבסטראקט מאטעריאל און זענען מער אינוואטיוו און קריעיטיוו אין נאטור. די "אינפוט" דימענסיע פון LS באשטייט פון "וויזועלע" און "ווערבאלע" לערנער. מענטשן מיט "וויזועלע" LS בעפארצוגן צו לערנען דורך וויזועלע דעמאנסטראציעס (אזוי ווי דיאגראמען, ווידעאס, אדער לעבעדיגע דעמאנסטראציעס), משא"כ מענטשן מיט "ווערבאלע" LS בעפארצוגן צו לערנען דורך ווערטער אין געשריבענע אדער מונדליכע דערקלערונגען. צו "פארשטיין" די LS דימענסיעס, קענען אזעלכע לערנער ווערן צעטיילט אין "סיקווענשעל" און "גלאבאל". "סעקווענציעלע לערנער בעפארצוגן א לינעארן געדאנקען-פראצעס און לערנען זיך שריט ביי שריט, בשעת גלאבאלע לערנער טענדן צו האבן א האליסטישן געדאנקען-פראצעס און האבן שטענדיג א בעסער פארשטאנד פון וואס זיי לערנען."
לעצטנס, האבן אסאך פארשער אנגעהויבן צו אויספארשן מעטאדן פאר אויטאמאטישע דאטן-געטריבענע אויפדעקונג, אריינגערעכנט די אנטוויקלונג פון נייע אלגאריטמען און מאדעלן וואס קענען אינטערפרעטירן גרויסע סומעס דאטן [15, 16]. באזירט אויף די צוגעשטעלטע דאטן, איז סופערווייזד מאשין לערנען (מאשין לערנען) ביכולת צו שאפן מוסטערן און היפאטעזן וואס פארזאגן צוקונפטיגע רעזולטאטן באזירט אויף דער קאנסטרוקציע פון אלגאריטמען [17]. פשוט געזאגט, סופערווייזד מאשין לערנען טעכניקן מאניפולירן אינפוט דאטן און טרענירן אלגאריטמען. עס שאפן דאן א קייט וואס קלאסיפיצירט אדער פארזאגט דעם רעזולטאט באזירט אויף ענליכע סיטואציעס פאר די צוגעשטעלטע אינפוט דאטן. דער הויפט פארטייל פון סופערווייזד מאשין לערנען אלגאריטמען איז זיין מעגלעכקייט צו אויפשטעלן אידעאלע און געוואונטשענע רעזולטאטן [17].
דורך די נוצן פון דאַטן-געטריבענע מעטאָדן און באַשלוס בוים קאָנטראָל מאָדעלן, איז אויטאָמאַטישע דעטעקציע פון LS מעגלעך. באַשלוס ביימער זענען געמאלדן צו זיין וויידלי געניצט אין טריינינג פּראָגראַמען אין פאַרשידענע פעלדער, אַרייַנגערעכנט געזונט וויסנשאַפֿטן [18, 19]. אין דעם לערנען, איז די מאָדעל ספּאַסיפיקלי טריינד געוואָרן דורך די סיסטעם דעוועלאָפּערס צו ידענטיפיצירן סטודענטן'ס LS און רעקאָמענדירן די בעסטע IS פֿאַר זיי.
דער ציל פון דעם שטודיע איז צו אַנטוויקלען IS ליפערונג סטראַטעגיעס באַזירט אויף סטודענטן'ס LS און צולייגן דעם SCL צוגאַנג דורך אַנטוויקלען אַ IS רעקאָמענדאַציע געצייַג מאַפּט צו LS. דער פּלאַן פלוס פון די IS רעקאָמענדאַציע געצייַג ווי אַ סטראַטעגיע פון די SCL מעטאָד איז געוויזן אין פיגור 1. די IS רעקאָמענדאַציע געצייַג איז צעטיילט אין צוויי טיילן, אַרייַנגערעכנט די LS קלאַסיפיקאַציע מעקאַניזאַם ניצן ILS און די מערסט פּאַסיק IS אַרויסווייַזונג פֿאַר סטודענטן.
באַזונדער, די כאַראַקטעריסטיקס 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 טאַבלעץ.
דער עקספּערימענט איז דורכגעפירט געוואָרן אין צוויי שטאַפּלען און סטודענטן פֿון דער פֿאַקולטעט פֿון ציינדאָקטעריי בײַ דער אוניווערסיטעט פֿון מאַלייַאַ האָבן זיך באַטייליקט אויף אַ פֿרײַוויליקער באַזיס. די באַטייליקטע האָבן רעאַגירט אויף אַ ציינדאָקטער־סטודענטס אָנלײַן m-ILS אין ענגליש. אין דער ערשטער פֿאַזע איז אַ דאַטאַסעט פֿון 50 סטודענטן געניצט געוואָרן צו טרענירן דעם באַשלוס־בוים מאַשין־לערנען אַלגעריטם. אין דער צווייטער פֿאַזע פֿון דעם אַנטוויקלונגס־פּראָצעס איז אַ דאַטאַסעט פֿון 255 סטודענטן געניצט געוואָרן צו פֿאַרבעסערן די גענויקייט פֿון דעם אַנטוויקלטן אינסטרומענט.
אַלע באַטייליקטע באַקומען אַן אָנליין בריפינג אין אָנהייב פֿון יעדער בינע, לויטן אַקאַדעמישן יאָר, דורך מייקראָסאָפֿט טימז. דער צוועק פֿון דער שטודיע איז דערקלערט געוואָרן און אינפאָרמירטע צושטימונג איז באַקומען געוואָרן. אַלע באַטייליקטע האָבן באַקומען אַ לינק צו צוטריטן דעם m-ILS. יעדער סטודענט איז אינסטרויִרט געוואָרן צו ענטפֿערן אַלע 44 פֿראַגעס אויף דעם פֿראַגעבאָגן. זיי האָבן באַקומען איין וואָך צו פֿאַרענדיקן דעם מאָדיפֿיצירטן ILS אין אַ צייט און אָרט וואָס איז באַקוועם פֿאַר זיי בעת דער סעמעסטער פּויזע פֿאַר דעם אָנהייב פֿונעם סעמעסטער. דער m-ILS איז באַזירט אויף דעם אָריגינעלן ILS אינסטרומענט און מאָדיפֿיצירט פֿאַר דענטאַל סטודענטן. ענלעך צום אָריגינעלן ILS, כּולל עס 44 גלייך פֿאַרטיילטע פֿראַגעס (a, b), מיט 11 פֿראַגעס יעדע, וואָס ווערן גענוצט צו אָפּשאַצן אַספּעקטן פֿון יעדער FSLSM דימענסיע.
בעת די ערשטע שטאפלען פון געצייג אנטוויקלונג, האבן די פארשער מאנועל אנאטירט די מאפעס ניצנדיג א דאטן-זאמלונג פון 50 דענטאלע סטודענטן. לויטן FSLM, גיט די סיסטעם די סומע פון די ענטפערס "a" און "b". פאר יעדער דימענסיע, אויב דער סטודענט סעלעקטירט "a" אלס אן ענטפער, ווערט די LS קלאסיפיצירט אלס אקטיוו/פערצעפטועל/וויזועל/סיקווענציעל, און אויב דער סטודענט סעלעקטירט "b" אלס אן ענטפער, ווערט דער סטודענט קלאסיפיצירט אלס רעפלעקטיוו/אינטואיטיוו/לינגוויסטיש / גלאבאלער לערנער.
נאכדעם וואס מען האט קאליברירט דעם ארבעטס-פלוס צווישן די דענטאלע בילדונג פארשער און סיסטעם דעוועלאפערס, זענען פראגעס אויסגעקליבן געווארן באזירט אויפן FLSSM דאמעין און אריינגעגעבן אין דעם ML מאדעל צו פאראויסזאגן יעדן סטודענט'ס LS. "מיסט אריין, מיסט ארויס" איז א פאפולערע אויסדרוק אין דעם פעלד פון מאשין לערנען, מיט אן דגוש אויף דאטן קוואליטעט. די קוואליטעט פון די אינפוט דאטן באשטימט די פּרעציזיע און גענויקייט פון דעם מאשין לערנען מאדעל. בעת דער אייגנשאפט אינזשעניריע פאזע, ווערט א נייע אייגנשאפט סעט באשאפן, וואס איז די סומע פון די ענטפערס "א" און "ב" באזירט אויף FLSSM. אידענטיפיקאציע נומערן פון מעדיקאַמענט פאזיציעס ווערן געגעבן אין טאבעלע 1.
רעכנט אויס דעם סקאָר באַזירט אויף די ענטפֿערס און באַשטימט דעם סטודענט'ס LS. פֿאַר יעדן סטודענט, איז דער סקאָר קייט פֿון 1 ביז 11. סקאָרס פֿון 1 ביז 3 ווײַזן אויף אַ באַלאַנס פֿון לערן פּרעפֿערענצן אין דער זעלבער דימענסיע, און סקאָרס פֿון 5 ביז 7 ווײַזן אויף אַ מיטלמעסיקע פּרעפֿערענץ, וואָס ווײַזט אַז סטודענטן טענד צו פּרעפֿערירן איין סביבה ווען זיי לערנען אַנדערע. נאָך אַ וואַריאַציע אויף דער זעלבער דימענסיע איז אַז סקאָרס פֿון 9 ביז 11 שפּיגלען אָפּ אַ שטאַרקע פּרעפֿערענץ פֿאַר איין עק אָדער דעם אַנדערן [8].
פֿאַר יעדער דימענסיע, זענען דראָגס גרופּירט געוואָרן אין "אַקטיוו", "רעפלעקטיוו" און "באַלאַנסירט". למשל, ווען אַ סטודענט ענטפֿערט "אַ" אָפֿטער ווי "ב" אויף אַ באַשטימטן פּונקט און זײַן/איר כעזשבן איבערשטײַגט דעם גרענעץ פֿון 5 פֿאַר אַ באַזונדערן פּונקט וואָס רעפּרעזענטירט די "פּראַסעסינג LS" דימענסיע, געהערט ער/זי צו דער "אַקטיווער" LS דאָמעין. אָבער, סטודענטן זענען קלאַסיפֿיצירט געוואָרן ווי "רעפלעקטיוו" LS ווען זיי האָבן אויסגעקליבן "ב" מער ווי "אַ" אין ספּעציפֿישע 11 פֿראַגעס (טאַבעלע 1) און באַקומען מער ווי 5 פּונקטן. צום סוף, איז דער סטודענט אין אַ צושטאַנד פֿון "גלייכגעוויכט". אויב דער כעזשבן איבערשטײַגט נישט 5 פּונקטן, דאַן איז דאָס אַ "פּראָצעס" LS. דער קלאַסיפֿיקאַציע פּראָצעס איז איבערגעחזרט געוואָרן פֿאַר די אַנדערע LS דימענסיעס, נעמלעך וואָרנעמונג (אַקטיוו/רעפלעקטיוו), אינפוט (וויזועל/ווערבאַל), און פֿאַרשטענדעניש (סיקווענציעל/גלאָבאַל).
באַשלוס בוים מאָדעלן קענען נוצן פֿאַרשידענע סובסעטן פֿון פֿעיִטשערז און באַשלוס כּללים אין פֿאַרשידענע סטאַגעס פֿון דעם קלאַסיפֿיקאַציע פּראָצעס. עס ווערט באַטראַכט ווי אַ פּאָפּולער קלאַסיפֿיקאַציע און פּראָגנאָז געצייַג. עס קען רעפּרעזענטירט ווערן מיט אַ בוים סטרוקטור ווי אַ פֿלוס טשאַרט [20], אין וועלכן עס זענען אינערלעכע נאָודז וואָס רעפּרעזענטירן טעסטן לויט אַטריביוט, יעדער צווייַג רעפּרעזענטירט טעסט רעזולטאַטן, און יעדער בלאַט נאָדע (בלאַט נאָדע) וואָס כּולל אַ קלאַס לייבל.
א פשוטע כלל-באזירטע פראגראם איז באשאפן געווארן צו אויטאמאטיש באורטיילן און אנאטירן יעדן סטודענט'ס LS באזירט אויף זייערע ענטפערס. כלל-באזירטע פראגראם נעמט די פארעם פון אן IF סטעיטמענט, וואו "IF" באשרייבט דעם טריגער און "THEN" ספעציפיצירט די אקציע וואס דארף דורכגעפירט ווערן, למשל: "אויב X פאסירט, טוט Y" (Liu et al., 2014). אויב די דאטן-זאמלונג ווייזט קארעלאציע און די באשלוס-בוים מאדעל איז ריכטיג טרענירט און עוואלואירט, קען דער צוגאנג זיין אן עפעקטיווער וועג צו אויטאמאטיזירן דעם פראצעס פון צופאסן LS און IS.
אין דער צווייטער פאַזע פון אַנטוויקלונג, איז דער דאַטאַסעט געוואָרן פאַרגרעסערט צו 255 צו פֿאַרבעסערן די אַקיעראַסי פון דעם רעקאָמענדאַציע געצייַג. דער דאַטאַסעט איז צעטיילט אין אַ 1:4 פּראָפּאָרציע. 25% (64) פון דעם דאַטאַסעט איז געניצט געוואָרן פֿאַר דעם טעסט סעט, און די איבעריקע 75% (191) איז געניצט געוואָרן ווי דער טרענירונג סעט (פֿיגור 2). דער דאַטאַסעט דאַרף צעטיילט ווערן צו פֿאַרהיטן אַז דער מאָדעל זאָל נישט טרענירט און געטעסט ווערן אויף דעם זעלבן דאַטאַסעט, וואָס קען פֿאַראורזאַכן אַז דער מאָדעל זאָל געדענקען אַנשטאָט לערנען. דער מאָדעל ווערט טרענירט אויף דעם טרענירונג סעט און עוואַלויִרט זיין פאָרשטעלונג אויף דעם טעסט סעט - דאַטאַ וואָס דער מאָדעל האָט קיינמאָל פֿריִער נישט געזען.
אזוי שנעל ווי דער IS געצייג וועט ווערן אנטוויקלט, וועט די אפליקאציע קענען קלאסיפיצירן LS באזירט אויף די ענטפערס פון דענטאַל סטודענטן דורך א וועב אינטערפייס. די וועב-באזירטע אינפארמאציע זיכערהייט רעקאמענדאציע געצייג סיסטעם איז געבויט מיט דער פּיטהאן פראגראמירן שפראך ניצנדיג דעם דזשאנגא פריימווערק אלס דער בעקענד. טאבעלע 2 ליסט די לייברעריז גענוצט אין דער אנטוויקלונג פון דעם סיסטעם.
דער דאַטאַסעט ווערט געפֿיטערט צו אַ באַשלוס בוים מאָדעל צו רעכענען און עקסטראַקטירן סטודענטן ענטפֿערס צו אויטאָמאַטיש קלאַסיפֿיצירן סטודענטן LS מעסטונגען.
די צעמישונג מאַטריץ ווערט גענוצט צו אפשאצן די גענויקייט פון א באַשלוס בוים מאַשין לערנען אַלגערידאַם אויף א געגעבענעם דאַטן סעט. אין דער זעלבער צייט, אפשאצט עס די פאָרשטעלונג פון דעם קלאַסיפיקאַציע מאָדעל. עס סאַמערייזט די מאָדעל'ס פאָרויסזאָגן און פאַרגלייכט זיי צו די פאַקטישע דאַטן לאַבעלס. די אפשאצונג רעזולטאַטן זענען באַזירט אויף פיר פאַרשידענע ווערטן: אמת פּאָזיטיוו (TP) – דער מאָדעל האט ריכטיק פאָרויסגעזאָגט די פּאָזיטיווע קאַטעגאָריע, פאַלש פּאָזיטיוו (FP) – דער מאָדעל האט ריכטיק פאָרויסגעזאָגט די פּאָזיטיווע קאַטעגאָריע, אָבער די אמתע לאַבעל איז געווען נעגאַטיוו, אמת נעגאַטיוו (TN) – דער מאָדעל האט ריכטיק פאָרויסגעזאָגט די נעגאַטיווע קלאַס, און פאַלש נעגאַטיוו (FN) – דער מאָדעל פאָרויסזאָגט אַ נעגאַטיווע קלאַס, אָבער די אמתע לאַבעל איז פּאָזיטיוו.
די ווערטן ווערן דעמאָלט גענוצט צו רעכענען פֿאַרשידענע פאָרשטעלונג מעטריקס פֿון דעם scikit-learn קלאַסיפֿיקאַציע מאָדעל אין פּיטהאָן, נעמלעך פּרעציזיע, פּרעציזיע, ריקאָל, און F1 כעזשבן. דאָ זענען ביישפּילן:
דערקענונג (אדער סענסיטיוויטי) מעסט די מאָדעל'ס פיייקייט צו גענוי קלאַסיפיצירן אַ סטודענט'ס LS נאָך ענטפֿערן דעם m-ILS פֿראַגעבאָגן.
ספּעציפֿישקייט ווערט גערופֿן אַן עכט נעגאַטיוו ראַטע. ווי איר קענט זען פֿון דער אויבנדערמאָנטער פֿאָרמולע, זאָל דאָס זײַן די פּראָפּאָרציע פֿון עכט נעגאַטיוון (TN) צו עכט נעגאַטיוון און פֿאַלשע פּאָזיטיוון (FP). אַלס טייל פֿון דעם רעקאָמענדירטן געצייַג פֿאַר קלאַסיפֿיצירן סטודענטישע דראָגן, זאָל עס זײַן פֿעיִק צו גענויער אידענטיפֿיצירן.
דער אריגינעלער דאטן-זאמלונג פון 50 סטודענטן גענוצט צו טרענירן דעם באַשלוס-בוים ML מאָדעל האט געוויזן רעלאַטיוו נידעריקע אַקיעראַסי צוליב מענטשלעכע טעותים אין די אַנאָטאַציעס (טאַבעלע 3). נאָך שאַפֿן אַ פּשוטע כלל-באַזירטע פּראָגראַם צו אויטאָמאַטיש רעכענען LS סקאָרז און סטודענטן אַנאָטאַציעס, איז אַ וואַקסנדיקע צאָל דאַטן-זאַמלונגען (255) גענוצט געוואָרן צו טרענירן און טעסטן די רעקאָמענדאַציע סיסטעם.
אין דער מולטיקלאַס צעמישונג מאַטריץ, רעפּרעזענטירן די דיאַגאָנאַל עלעמענטן די צאָל פון ריכטיקע פאָרויסזאָגן פֿאַר יעדן LS טיפּ (פיגור 4). ניצנדיק דעם באַשלוס בוים מאָדעל, זענען אַ סך הכל פון 64 מוסטערן ריכטיק פאָרויסגעזאָגט געוואָרן. אַזוי, אין דעם לערנען, ווייַזן די דיאַגאָנאַל עלעמענטן די דערוואַרטעטע רעזולטאַטן, וואָס ווײַזט אַז דער מאָדעל אַרבעט גוט און פאָרויסזאָגט גענוי דעם קלאַס לייבל פֿאַר יעדער LS קלאַסיפֿיקאַציע. אַזוי, די קוילעלדיקע גענויקייט פון דעם רעקאָמענדאַציע געצייַג איז 100%.
די ווערטן פון אַקיעראַסי, פּרעציזיע, דערקענונג, און F1 כעזשבן ווערן געוויזן אין פיגור 5. פֿאַר די רעקאָמענדאַציע סיסטעם וואָס ניצט דעם באַשלוס בוים מאָדעל, איז איר F1 כעזשבן 1.0 "פערפעקט," וואָס ווײַזט אויף פערפעקטע פּרעציזיע און דערקענונג, וואָס שפּיגלט אָפּ באַדײַטנדיקע סענסיטיוויטי און ספּעציפֿישקייט ווערטן.
פיגור 6 ווייזט א וויזואליזאציע פון דעם באשלוס בוים מאדעל נאכדעם וואס טרענירונג און טעסטן זענען געענדיגט. אין א זייט-ביי-זייט פארגלייך, האט דער באשלוס בוים מאדעל וואס איז טרענירט געווארן מיט ווייניגער אייגנשאפטן געוויזן העכערע גענויקייט און גרינגערע מאדעל וויזואליזאציע. דאס ווייזט אז אייגנשאפט אינזשעניריע וואס פירט צו אייגנשאפט רעדוקציע איז א וויכטיגער שריט אין פארבעסערן מאדעל פערפארמאנס.
דורך אנװענדן באַשלוס-בוים סופּערװירעקטעד לערנען, װערט די מאַפּינג צװישן LS (אַרײַנגאַנג) און IS (ציל-אַרױסגאַנג) אויטאָמאַטיש גענערירט און ענטהאַלט דעטאַלירטע אינפֿאָרמאַציע פֿאַר יעדן LS.
די רעזולטאַטן האָבן געוויזן אַז 34.9% פֿון די 255 סטודענטן האָבן בילכער געהאַט איין (1) LS אָפּציע. די מערהייט (54.3%) האָבן געהאַט צוויי אָדער מער LS פּרעפֿערענצן. 12.2% פֿון סטודענטן האָבן באַמערקט אַז LS איז גאַנץ באַלאַנסירט (טאַבעלע 4). אין דערצו צו די אַכט הויפּט LS, זענען דאָ 34 קאָמבינאַציעס פֿון LS קלאַסיפֿיקאַציעס פֿאַר דענטאַל סטודענטן פֿון דער אוניווערסיטעט פֿון מאַלייַאַ. צווישן זיי, פּערסעפּציע, זעאונג, און די קאָמבינאַציע פֿון פּערסעפּציע און זעאונג זענען די הויפּט LS וואָס סטודענטן האָבן געמאָלדן (פֿיגור 7).
ווי מען קען זען פון טאַבעלע 4, האָט די מערהייט פון סטודענטן געהאַט אַ דאָמינירנדיקע סענסאָרישע (13.7%) אָדער וויזועלע (8.6%) LS. עס איז געמאָלדן געוואָרן אַז 12.2% פון סטודענטן האָבן קאָמבינירט וואָרנעמונג מיט זעאונג (פּערסעפּטועל-וויזועלע LS). די רעזולטאַטן פֿאָרשלאָגן אַז סטודענטן בעפֿאָרצוגן צו לערנען און געדענקען דורך באַשטעטיקטע מעטאָדן, פֿאָלגן ספּעציפֿישע און דעטאַלירטע פּראָצעדורן, און זענען אויפֿמערקזאַם אין נאַטור. אין דער זעלבער צייט, הנאה האָבן זיי פֿון לערנען דורך קוקן (ניצן דיאַגראַמען, אאַז"וו) און טענדירן צו דיסקוטירן און אָנווענדן אינפֿאָרמאַציע אין גרופּעס אָדער אַליין.
די שטודיע גיט אן איבערבליק פון מאשין לערנען טעכניקן גענוצט אין דאטן מיינינג, מיט א פאקוס אויף גלייך און גענוי פאראויסזאגן סטודענטן'ס LS און רעקאמענדירן פאסיגע IS. אנווענדונג פון א באשלוס בוים מאדעל האט אידענטיפיצירט די פאקטארן וואס זענען מערסט פארבונדן מיט זייערע לעבן און בילדונגס עקספיריענסן. דאס איז א סופערווייזד מאשין לערנען אלגאריטם וואס ניצט א בוים סטרוקטור צו קלאסיפיצירן דאטן דורך צעטיילן א סכום דאטן אין סובקאטעגאריעס באזירט אויף געוויסע קריטעריעס. עס ארבעט דורך רעקורסיוו צעטיילן די אינפוט דאטן אין סובסעטס באזירט אויף דעם ווערט פון איינע פון די אינפוט אייגנשאפטן פון יעדן אינערליכן נאָוד ביז א באשלוס ווערט געמאכט ביים בלאט נאָוד.
די אינערלעכע נאָודז פון דעם באַשלוס בוים רעפּרעזענטירן די לייזונג באַזירט אויף די אַרייַנגאַנג קעראַקטעריסטיקס פון די m-ILS פּראָבלעם, און די בלאַט נאָודז רעפּרעזענטירן די לעצט LS קלאַסיפיקאַציע פאָרויסזאָגן. איבער דער שטודיע, איז עס גרינג צו פֿאַרשטיין די כייעראַרכיע פון באַשלוס ביימער וואָס דערקלערן און וויזואַליזירן דעם באַשלוס פּראָצעס דורך קוקן אויף די שייכות צווישן אַרייַנגאַנג פֿעיִקייטן און רעזולטאַט פאָרויסזאָגן.
אין די פעלדער פון קאמפיוטער וויסנשאפט און אינזשעניריע, ווערן מאשין לערנען אלגאריטמען ברייט גענוצט צו פאראויסזאגן סטודענטן פאָרשטעלונג באזירט אויף זייערע איינטריט עקזאַמען סקאָרז [21], דעמאָגראַפֿישע אינפֿאָרמאַציע, און לערנען נאַטור [22]. פאָרשונג האט געוויזן אַז דער אלגאריטם האט גענוי פאראויסגעזאגט סטודענטן פאָרשטעלונג און געהאָלפֿן זיי צו ידענטיפיצירן סטודענטן וואָס זענען אין ריזיקע פֿאַר אַקאַדעמישע שוועריקייטן.
די אנווענדונג פון מאַשין לערנען אַלגעריטמען אין דער אַנטוויקלונג פון ווירטואַל פּאַציענט סימיאַלייטערז פֿאַר דענטאַל טריינינג איז געמאלדן. דער סימיאַלייטער איז טויגעוודיק צו אַקיעראַטלי רעפּראָדוצירן די פיזיאַלאַדזשיקאַל ריספּאָנסעס פון פאַקטיש פּאַטיענץ און קען זיין געניצט צו טריינינג דענטאַל סטודענטן אין אַ זיכער און קאַנטראָולד סוויווע [23]. עטלעכע אנדערע שטודיעס ווייַזן אַז מאַשין לערנען אַלגעריטמען קענען פּאָטענציעל פֿאַרבעסערן די קוואַליטעט און עפעקטיווקייַט פון דענטאַל און מעדיציניש בילדונג און פּאַציענט זאָרג. מאַשין לערנען אַלגעריטמען זענען געניצט צו אַרוישעלפן אין די דיאַגנאָסיס פון דענטאַל חולאתן באזירט אויף דאַטן סעץ אַזאַ ווי סימפּטאָמס און פּאַציענט קעראַקטעריסטיקס [24, 25]. בשעת אנדערע שטודיעס האָבן יקספּלאָרד די נוצן פון מאַשין לערנען אַלגעריטמען צו דורכפירן טאַסקס אַזאַ ווי פאָרויסזאָגן פּאַציענט רעזולטאַטן, ידענטיפיצירן הויך-ריזיקירן פּאַטיענץ, אַנטוויקלען פּערסאַנאַלייזד באַהאַנדלונג פּלאַנז [26], פּעריאָדאָנטאַל באַהאַנדלונג [27], און קאַריעס באַהאַנדלונג [25].
כאָטש באַריכטן וועגן דער אַפּליקאַציע פון מאַשין לערנען אין ציינדאָקטעריי זענען שוין פאַרעפֿנטלעכט געוואָרן, בלייבט איר אַפּליקאַציע אין ציינדאָקטעריי בילדונג באַגרענעצט. דעריבער, האָט די שטודיע געצילט צו נוצן אַ באַשלוס בוים מאָדעל צו ידענטיפיצירן די פאַקטאָרן וואָס זענען מערסט פֿאַרבונדן מיט LS און IS צווישן ציינדאָקטעריי סטודענטן.
די רעזולטאַטן פון דעם לערנען ווייַזן אַז די דעוועלאָפּעד רעקאָמענדאַציע געצייַג האט הויך אַקיעראַסי און גאנץ אַקיעראַסי, וואָס ינדיקייץ אַז לערערס קענען נוץ פון דעם געצייַג. ניצן אַ דאַטן-געטריבן קלאַסיפיקאַציע פּראָצעס, עס קענען צושטעלן פּערסאַנאַלייזד רעקאָמענדאַציעס און פֿאַרבעסערן בילדונגקרייז יקספּיריאַנסיז און רעזולטאַטן פֿאַר עדוקאַטאָרס און סטודענטן. צווישן זיי, אינפֿאָרמאַציע באקומען דורך רעקאָמענדאַציע מכשירים קענען סאָלווע קאָנפליקטן צווישן לערערס ס בילכער לערנען מעטהאָדס און סטודענטן ס לערנען באדערפענישן. למשל, רעכט צו די אָטאַמייטיד רעזולטאַט פון רעקאָמענדאַציע מכשירים, די צייט פארלאנגט צו ידענטיפיצירן אַ תּלמיד ס IP און גלייַכן עס מיט די קאָראַספּאַנדינג IP וועט זיין באַטייטיק רידוסט. אין דעם וועג, פּאַסיק טריינינג אַקטיוויטעטן און טריינינג מאַטעריאַלס קענען זיין אָרגאַניזירט. דאָס העלפּס אַנטוויקלען סטודענטן ס positive לערנען נאַטור און פיייקייט צו קאַנסאַנטרייט. איין לערנען געמאלדן אַז צושטעלן סטודענטן מיט לערנען מאַטעריאַלס און לערנען אַקטיוויטעטן וואָס גלייַכן זייער בילכער LS קענען העלפֿן סטודענטן ינטאַגרייטינג, פּראַסעסינג און הנאה לערנען אין קייפל וועגן צו דערגרייכן גרעסערע פּאָטענציעל [12]. פאָרשונג אויך ווייזט אַז אין אַדישאַן צו פֿאַרבעסערן תּלמיד אָנטייל אין די קלאַסצימער, פֿאַרשטיין סטודענטן ס לערנען פּראָצעס אויך שפּילט אַ קריטיש ראָלע אין פֿאַרבעסערן לערנען פּראַקטיסיז און קאָמוניקאַציע מיט סטודענטן [28, 29].
אבער, ווי מיט יעדער מאדערנער טעכנאָלאָגיע, זענען דא פראבלעמען און באגרענעצונגען. די אַרייַננעמען ישוז שייך צו דאַטן פּריוואַטקייט, פאָרורטייל און יושר, און די פאַכמאַן סקילז און רעסורסן וואָס זענען דארף צו אַנטוויקלען און ימפּלאַמענטירן 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 באַדינונגען.
די רעזולטאַטן פון דעם לערנען ווײַזן אָן אַז העלפט פון דענטאַל סטודענטן האָבן אַ טענדענץ צו "באַנעמען" מעדיקאַמענטן. די סאָרט לערנער האָט אַ פּרעפֿערענץ פֿאַר פֿאַקטן און קאָנקרעטע בײַשפּילן, אַ פּראַקטישע אָריענטאַציע, געדולד פֿאַר דעטאַלן, און אַ "וויזועלע" LS פּרעפֿערענץ, וואו לערנער בעפֿאָרצוגן צו נוצן בילדער, גראַפיקס, פֿאַרבן און מאַפּעס צו איבערגעבן געדאַנקען און געדאַנקען. די איצטיקע רעזולטאַטן זענען קאָנסיסטענט מיט אַנדערע שטודיעס וואָס נוצן ILS צו אָפּשאַצן LS אין דענטאַל און מעדיצינישע סטודענטן, רובֿ פון וועלכע האָבן קעראַקטעריסטיקס פון פּערסעפּטשוואַל און וויזועלע LS [12, 30]. דאַלמאָלין און אַנדערע פֿאָרשלאָגן אַז אינפאָרמירן סטודענטן וועגן זייער LS דערמעגלעכט זיי צו דערגרייכן זייער לערנען פּאָטענציאַל. פֿאָרשער טענהן אַז ווען לערערס פֿאַרשטייען גאָר די סטודענטן'ס בילדונג פּראָצעס, קענען פֿאַרשידענע לערנען מעטאָדן און אַקטיוויטעטן ווערן ימפּלאַמענטירט וואָס וועלן פֿאַרבעסערן די סטודענטן'ס פאָרשטעלונג און לערנען דערפאַרונג [12, 31, 32]. אַנדערע שטודיעס האָבן געוויזן אַז אַדזשאַסטינג סטודענטן'ס LS ווײַזט אויך פֿאַרבעסערונגען אין סטודענטן'ס לערנען דערפאַרונג און פאָרשטעלונג נאָך טשאַנגינג זייער לערנען סטיילז צו פּאַסן זייער אייגענע LS [13, 33].
לערערס מיינונגען קענען זיין אנדערש וועגן דער אימפלעמענטאציע פון לערנען סטראטעגיעס באזירט אויף סטודענטן'ס לערנען פעאיקייטן. כאטש עטלעכע זעען די בענעפיטן פון דעם צוגאנג, אריינגערעכנט פראפעסיאנעלע אנטוויקלונג געלעגנהייטן, מענטארשאפט, און קאמיוניטי שטיצע, קענען אנדערע זיין באזארגט וועגן צייט און אינסטיטוציאנעלע שטיצע. שטרעבן פאר באלאנס איז שליסל צו שאפן א סטודענט-צענטרירטע שטעלונג. העכערע בילדונג אויטאריטעטן, ווי אוניווערסיטעט אדמיניסטראטארן, קענען שפילן א וויכטיגע ראלע אין פירן פאזיטיווע ענדערונגען דורך איינפירן אינאוואטיווע פראקטיקעס און שטיצן פאקולטעט אנטוויקלונג [34]. צו שאפן א באמת דינאמישע און רעאגירנדע העכערע בילדונג סיסטעם, מוזן פאליסי-מאכער נעמען דרייסטע טריט, ווי מאכן פאליסי ענדערונגען, ווידמען רעסורסן צו טעכנאלאגיע אינטעגראציע, און שאפן פריימווערקס וואס העכערן סטודענט-צענטרירטע צוגאנגען. די מיטלען זענען קריטיש צו דערגרייכן די געוואונטשענע רעזולטאטן. לעצטע פארשונג אויף דיפערענצירטע אינסטרוקציע האט קלאר געוויזן אז דער געלונגענער אימפלעמענטאציע פון דיפערענצירטע אינסטרוקציע פארלאנגט אנגייענדע טרענירונג און אנטוויקלונג געלעגנהייטן פאר לערערס [35].
דאס געצייג גיט ווערטפולע שטיצע פאר דענטאַל עדוקאַטאָרן וואָס ווילן נעמען אַ סטודענט-צענטרירטן צוגאַנג צו פּלאַנירן סטודענט-פרייַנדלעך לערנען אַקטיוויטעטן. אָבער, די שטודיע איז לימיטעד צו די נוצן פון באַשלוס בוים ML מאָדעלס. אין דער צוקונפֿט, זאָל מען זאַמלען מער דאַטן צו פאַרגלייַכן די פאָרשטעלונג פון פאַרשידענע מאַשין לערנען מאָדעלס צו פאַרגלייַכן די אַקיעראַסי, פאַרלאָזלעכקייט און פּרעציזיע פון רעקאָמענדאַציע מכשירים. דערצו, ווען מען קלייבט די מערסט פּאַסיק מאַשין לערנען מעטאָד פֿאַר אַ באַזונדער אַרבעט, איז וויכטיק צו באַטראַכטן אַנדערע סיבות ווי מאָדעל קאָמפּלעקסיטי און ינטערפּריטיישאַן.
א באגרענעצונג פון דער שטודיע איז אז זי האט זיך נאר פאקוסירט אויף קארטירן LS און IS צווישן ציינדאקטוירים סטודענטן. דעריבער, וועט די אנטוויקלטע רעקאמענדאציע סיסטעם נאר רעקאמענדירן די וואס זענען פאסיג פאר ציינדאקטוירים סטודענטן. ענדערונגען זענען נויטיג פאר אלגעמיינע נוצן דורך העכערע בילדונג סטודענטן.
די ניי-אנטוויקלטע מאַשין לערנען-באזירטע רעקאָמענדאַציע געצייַג איז טויגיק צו באַלד קלאַסיפיצירן און צופּאַסן סטודענטן'ס LS צו די קאָרעספּאָנדירנדיקע IS, מאַכנדיג עס די ערשטע דענטאַל בילדונג פּראָגראַם צו העלפֿן דענטאַל עדוקאַטאָרן פּלאַנירן באַטייַטיק לערנען און לערנען אַקטיוויטעטן. ניצנדיק אַ דאַטן-געטריבן טריאַזש פּראָצעס, קען עס צושטעלן פּערסאָנאַליזירטע רעקאָמענדאַציעס, שפּאָרן צייט, פֿאַרבעסערן לערנען סטראַטעגיעס, שטיצן צילגעריכטעטע ינטערווענטשאַנז, און העכערן אָנגייענדיקע פּראָפעסיאָנעלע אַנטוויקלונג. איר אַפּליקאַציע וועט העכערן סטודענט-צענטרירטע צוגאַנגען צו דענטאַל בילדונג.
גילאַק דזשאַני אַסאָושיעיטעד פרעס. גלייכקייט אָדער נישט-גלייכקייט צווישן דעם סטודענט'ס לערן-סטיל און דעם לערער'ס לערן-סטיל. אינט. דזש. מאָד. עדוק. קאָמפּיוטער וויסנשאַפֿט. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
פּאָסט צייט: 29סטן אַפּריל 2024