Існує зростаюча потреба в студентоорієнтованому навчанні (СН) у вищих навчальних закладах, включаючи стоматологію. Однак СН має обмежене застосування в стоматологічній освіті. Тому це дослідження має на меті сприяти застосуванню СН у стоматології шляхом використання технології машинного навчання (МН) на основі дерев рішень для визначення бажаного стилю навчання (СН) та відповідних стратегій навчання (СН) студентів-стоматологів як корисного інструменту для розробки рекомендацій щодо СН. Перспективні методи для студентів-стоматологів.
Загалом 255 студентів-стоматологів з Університету Малайї заповнили модифіковану анкету Індексу стилів навчання (m-ILS), яка містила 44 пункти для класифікації їх за відповідними LS. Зібрані дані (які називаються набором даних) використовуються в контрольованому навчанні за деревом рішень для автоматичного зіставлення стилів навчання студентів з найбільш підходящою інформаційною системою (ІС). Потім оцінюється точність інструменту рекомендацій ІС на основі машинного навчання.
Застосування моделей дерев рішень в автоматизованому процесі зіставлення між LS (вхідними даними) та IS (цільовими даними) дозволяє негайно отримати список відповідних стратегій навчання для кожного студента-стоматолога. Інструмент рекомендацій IS продемонстрував ідеальну точність та повноту загальної точності моделі, що свідчить про те, що зіставлення LS з IS має хорошу чутливість та специфічність.
Інструмент рекомендацій інформаційних систем, заснований на дереві рішень машинного навчання, довів свою здатність точно зіставляти стилі навчання студентів-стоматологів з відповідними стратегіями навчання. Цей інструмент надає потужні можливості для планування курсів або модулів, орієнтованих на студента, які можуть покращити навчальний досвід студентів.
Викладання та навчання є фундаментальними видами діяльності в освітніх закладах. Під час розробки високоякісної системи професійної освіти важливо зосередитися на навчальних потребах учнів. Взаємодію між учнями та їхнім навчальним середовищем можна визначити через їхнє навчальне середовище (LS). Дослідження показують, що невідповідності між LS та IS учнів, які задумав учитель, можуть мати негативні наслідки для навчання учнів, такі як зниження уваги та мотивації. Це опосередковано впливатиме на успішність учнів [1,2].
ІС – це метод, який використовується вчителями для передачі знань та навичок учням, зокрема для допомоги учням у навчанні [3]. Загалом, хороші вчителі планують стратегії навчання або ІС, які найкраще відповідають рівню знань їхніх учнів, концепціям, які вони вивчають, та етапу їхнього навчання. Теоретично, коли LS та ІС збігаються, учні зможуть організувати та використовувати певний набір навичок для ефективного навчання. Як правило, план уроку включає кілька переходів між етапами, наприклад, від викладання до керованої практики або від керованої практики до самостійної практики. З огляду на це, ефективні вчителі часто планують навчання з метою розвитку знань та навичок учнів [4].
Попит на SCL зростає у вищих навчальних закладах, включаючи стоматологію. Стратегії SCL розроблені для задоволення потреб студентів у навчанні. Цього можна досягти, наприклад, якщо студенти беруть активну участь у навчальній діяльності, а викладачі виступають у ролі посередників та відповідають за надання цінного зворотного зв'язку. Кажуть, що надання навчальних матеріалів та заходів, що відповідають освітньому рівню чи вподобанням студентів, може покращити навчальне середовище студентів та сприяти позитивному навчальному досвіду [5].
Загалом, на процес навчання студентів-стоматологів впливають різні клінічні процедури, які вони повинні виконувати, та клінічне середовище, в якому вони розвивають ефективні міжособистісні навички. Мета навчання полягає в тому, щоб дати студентам змогу поєднати базові знання стоматології з клінічними навичками стоматології та застосовувати набуті знання в нових клінічних ситуаціях [6, 7]. Ранні дослідження взаємозв'язку між LS та IS показали, що коригування стратегій навчання, пов'язаних з бажаним LS, допоможе покращити навчальний процес [8]. Автори також рекомендують використовувати різноманітні методи навчання та оцінювання для адаптації до навчання та потреб студентів.
Вчителі отримують користь від застосування знань про навчання на основі досвіду (LS), щоб допомогти їм проектувати, розробляти та впроваджувати навчання, яке сприятиме набуттю студентами глибших знань та розуміння предмета. Дослідники розробили кілька інструментів оцінювання LS, таких як модель емпіричного навчання Колба, модель стилю навчання Фельдера-Сільвермана (FSLSM) та модель Флемінга VAK/VARK [5, 9, 10]. Згідно з літературою, ці моделі навчання є найчастіше використовуваними та найбільш вивченими. У поточній дослідницькій роботі FSLSM використовується для оцінювання LS серед студентів-стоматологів.
FSLSM – це широко використовувана модель для оцінки адаптивного навчання в інженерії. Існує багато опублікованих робіт у галузі медичних наук (включаючи медицину, сестринську справу, фармацію та стоматологію), які можна знайти з використанням моделей FSLSM [5, 11, 12, 13]. Інструмент, що використовується для вимірювання вимірів LS у FLSM, називається Індексом стилів навчання (ILS) [8], який містить 44 пункти, що оцінюють чотири виміри LS: обробка (активна/рефлексивна), сприйняття (перцептивне/інтуїтивне), введення (візуальне/вербальне) та розуміння (послідовне/глобальне) [14].
Як показано на рисунку 1, кожен вимір FSLSM має домінуючу перевагу. Наприклад, у вимірі обробки, студенти з «активним» LS віддають перевагу обробці інформації шляхом безпосередньої взаємодії з навчальними матеріалами, навчаються через дію та схильні навчатися в групах. «Рефлексивний» LS стосується навчання через мислення та віддає перевагу роботі самостійно. «Сприймальний» вимір LS можна розділити на «відчуття» та/або «інтуїцію». «Відчуваючі» студенти віддають перевагу більш конкретній інформації та практичним процедурам, орієнтовані на факти порівняно з «інтуїтивними» студентами, які віддають перевагу абстрактному матеріалу та є більш інноваційними та креативними за своєю природою. «Вхідний» вимір LS складається з «візуальних» та «вербальних» учнів. Люди з «візуальним» LS віддають перевагу навчанню за допомогою візуальних демонстрацій (таких як діаграми, відео або живі демонстрації), тоді як люди з «вербальним» LS віддають перевагу навчанню через слова у письмових або усних поясненнях. Щоб «зрозуміти» виміри LS, таких учнів можна розділити на «послідовних» та «глобальних». «Послідовні учні віддають перевагу лінійному процесу мислення та навчаються крок за кроком, тоді як глобальні учні, як правило, мають цілісний процес мислення та завжди краще розуміють те, що вони вивчають».
Останнім часом багато дослідників почали досліджувати методи автоматичного виявлення на основі даних, включаючи розробку нових алгоритмів та моделей, здатних інтерпретувати великі обсяги даних [15, 16]. На основі наданих даних, машинне навчання з учителем (ML) здатне генерувати шаблони та гіпотези, які передбачають майбутні результати на основі побудови алгоритмів [17]. Простіше кажучи, методи машинного навчання з учителем маніпулюють вхідними даними та навчають алгоритми. Потім вони генерують діапазон, який класифікує або прогнозує результат на основі подібних ситуацій для наданих вхідних даних. Головною перевагою алгоритмів машинного навчання з учителем є їхня здатність встановлювати ідеальні та бажані результати [17].
Завдяки використанню методів, керованих даними, та моделей керування деревами рішень можливе автоматичне виявлення дерев рішень (LS). Повідомлялося про широке використання дерев рішень у навчальних програмах у різних галузях, включаючи медичні науки [18, 19]. У цьому дослідженні модель була спеціально навчена розробниками системи для визначення дерев рішень студентів та рекомендації найкращої інформаційної системи для них.
Метою цього дослідження є розробка стратегій надання інформаційних технологій на основі LS студентів та застосування підходу SCL шляхом розробки інструменту рекомендацій IS, зіставленого з LS. Схема проектування інструменту рекомендацій IS як стратегії методу SCL показана на рисунку 1. Інструмент рекомендацій IS поділено на дві частини, включаючи механізм класифікації LS з використанням ILS та найбільш підходяще відображення IS для студентів.
Зокрема, характеристики інструментів рекомендацій з інформаційної безпеки включають використання веб-технологій та використання машинного навчання на основі дерев рішень. Розробники систем покращують користувацький досвід та мобільність, адаптуючи їх до мобільних пристроїв, таких як мобільні телефони та планшети.
Експеримент проводився у два етапи, і студенти стоматологічного факультету Університету Малайї брали участь на добровільній основі. Учасники відповіли на онлайн-анкету студента-стоматолога англійською мовою. На початковому етапі для навчання алгоритму машинного навчання дерева рішень було використано набір даних 50 студентів. На другому етапі процесу розробки було використано набір даних 255 студентів для підвищення точності розробленого інструменту.
Усі учасники отримують онлайн-брифінг на початку кожного етапу, залежно від навчального року, через Microsoft Teams. Було пояснено мету дослідження та отримано інформовану згоду. Усім учасникам було надано посилання для доступу до m-ILS. Кожному студенту було доручено відповісти на всі 44 пункти анкети. Їм було надано один тиждень для заповнення модифікованої ILS у зручний для них час і місце під час семестрових канікул перед початком семестру. m-ILS базується на оригінальному інструменті ILS та модифікований для студентів-стоматологів. Подібно до оригінального ILS, він містить 44 рівномірно розподілені пункти (a, b), по 11 пунктів кожен, які використовуються для оцінки аспектів кожного виміру FSLSM.
На початкових етапах розробки інструменту дослідники вручну анотували карти, використовуючи набір даних 50 студентів-стоматологів. Згідно з FSLM, система надає суму відповідей «a» та «b». Для кожного виміру, якщо студент вибирає «a» як відповідь, LS класифікується як Активний/Перцептивний/Візуальний/Послідовний, а якщо студент вибирає «b» як відповідь, студент класифікується як Рефлексивний/Інтуїтивний/Лінгвістичний/глобальний учень.
Після калібрування робочого процесу між дослідниками стоматологічної освіти та розробниками систем, питання були відібрані на основі домену FLSSM та внесені до моделі машинного навчання для прогнозування LS кожного студента. «Сміття на вході, сміття на виході» – популярний вислів у галузі машинного навчання, з акцентом на якості даних. Якість вхідних даних визначає точність та правильність моделі машинного навчання. Під час фази розробки ознак створюється новий набір ознак, який є сумою відповідей «a» та «b» на основі FLSSM. Ідентифікаційні номери позицій ліків наведено в таблиці 1.
Розрахуйте бал на основі відповідей та визначте середній бал учня (LS). Для кожного учня діапазон балів становить від 1 до 11. Бали від 1 до 3 вказують на баланс навчальних уподобань в межах одного виміру, а бали від 5 до 7 вказують на помірну перевагу, що вказує на те, що учні схильні віддавати перевагу одному середовищу для навчання інших. Іншим варіантом того ж виміру є те, що бали від 9 до 11 відображають сильну перевагу до одного чи іншого кінця [8].
Для кожного виміру наркотики були згруповані в «активні», «рефлексивні» та «збалансовані». Наприклад, коли студент відповідає «а» частіше, ніж «b» на визначене питання, і його/її бал перевищує поріг 5 для певного питання, що представляє вимір «Обробка» НП, він/вона належить до області «активного» НП. Однак студенти класифікувалися як «рефлексивні» НП, коли вони вибирали «b» частіше, ніж «а» в 11 конкретних питаннях (Таблиця 1) та набрали більше 5 балів. Зрештою, студент перебуває у стані «рівноваги». Якщо бал не перевищує 5 балів, то це НП «процесу». Процес класифікації повторювався для інших вимірів НП, а саме: сприйняття (активне/рефлексивне), введення (візуальне/вербальне) та розуміння (послідовне/глобальне).
Моделі дерев рішень можуть використовувати різні підмножини ознак та правил прийняття рішень на різних етапах процесу класифікації. Це вважається популярним інструментом класифікації та прогнозування. Його можна представити за допомогою деревоподібної структури, такої як блок-схема [20], у якій є внутрішні вузли, що представляють тести за атрибутом, кожна гілка представляє результати тестування, а кожен кінцевий вузол (листовий вузол) містить мітку класу.
Було створено просту програму на основі правил для автоматичного оцінювання та анотування LS кожного учня на основі його відповідей. Програма на основі правил має форму оператора IF, де «IF» описує тригер, а «THEN» визначає дію, яку потрібно виконати, наприклад: «Якщо станеться X, то виконайте Y» (Liu et al., 2014). Якщо набір даних демонструє кореляцію, а модель дерева рішень належним чином навчена та оцінена, цей підхід може бути ефективним способом автоматизації процесу зіставлення LS та IS.
На другому етапі розробки набір даних було збільшено до 255 для підвищення точності інструменту рекомендацій. Набір даних розділено у співвідношенні 1:4. 25% (64) набору даних було використано для тестового набору, а решта 75% (191) – як навчальний набір (Рисунок 2). Набір даних необхідно розділити, щоб запобігти навчанню та тестуванню моделі на одному й тому ж наборі даних, що може призвести до того, що модель запам'ятовуватиме, а не навчатиметься. Модель навчається на навчальному наборі та оцінює свою продуктивність на тестовому наборі – даних, яких модель ніколи раніше не бачила.
Після розробки інструменту інформаційної безпеки, програма зможе класифікувати LS на основі відповідей студентів-стоматологів через веб-інтерфейс. Веб-система рекомендацій з інформаційної безпеки побудована за допомогою мови програмування Python з використанням фреймворку Django як серверної частини. У таблиці 2 перераховано бібліотеки, використані під час розробки цієї системи.
Набір даних передається до моделі дерева рішень для обчислення та вилучення відповідей студентів з метою автоматичної класифікації вимірювань LS студентів.
Матриця плутанини використовується для оцінки точності алгоритму машинного навчання дерева рішень на заданому наборі даних. Водночас вона оцінює продуктивність моделі класифікації. Вона підсумовує прогнози моделі та порівнює їх з фактичними мітками даних. Результати оцінки базуються на чотирьох різних значеннях: Істинно позитивний (TP) – модель правильно передбачила позитивну категорію, Хибнопозитивний (FP) – модель правильно передбачила позитивну категорію, але істинна мітка була негативною, Істинно негативний (TN) – модель правильно передбачила негативний клас, та хибнонегативний (FN) – модель передбачає негативний клас, але істинна мітка є позитивною.
Ці значення потім використовуються для розрахунку різних показників продуктивності моделі класифікації scikit-learn у Python, а саме: прецизійності, точності, повноти та F1-оцінки. Ось приклади:
Відгук (або чутливість) вимірює здатність моделі точно класифікувати LS студента після відповіді на анкету m-ILS.
Специфічність називається показником істинно негативних результатів. Як видно з наведеної вище формули, це має бути співвідношення істинно негативних (TN) результатів до істинно негативних та хибнопозитивних (FP) результатів. Як частина рекомендованого інструменту для класифікації студентських препаратів, він повинен забезпечувати точну ідентифікацію.
Початковий набір даних 50 студентів, який використовувався для навчання моделі машинного навчання на основі дерева рішень, показав відносно низьку точність через людський фактор в анотаціях (Таблиця 3). Після створення простої програми на основі правил для автоматичного розрахунку балів за шкалою LS та анотацій студентів, для навчання та тестування системи рекомендацій було використано все більшу кількість наборів даних (255).
У матриці плутанини для кількох класів діагональні елементи представляють кількість правильних прогнозів для кожного типу LS (Рисунок 4). Використовуючи модель дерева рішень, було правильно передбачено загалом 64 вибірки. Таким чином, у цьому дослідженні діагональні елементи показують очікувані результати, що вказує на те, що модель працює добре та точно прогнозує мітку класу для кожної класифікації LS. Таким чином, загальна точність інструменту рекомендацій становить 100%.
Значення точності, прецизійності, повноти та балу F1 показано на рисунку 5. Для системи рекомендацій, що використовує модель дерева рішень, її бал F1 становить 1,0 «ідеально», що вказує на ідеальну точність та повноту, що відображає значні значення чутливості та специфічності.
На рисунку 6 показано візуалізацію моделі дерева рішень після завершення навчання та тестування. У паралельному порівнянні модель дерева рішень, навчена з меншою кількістю ознак, показала вищу точність та простішу візуалізацію моделі. Це показує, що розробка ознак, що призводить до зменшення їх кількості, є важливим кроком у покращенні продуктивності моделі.
Завдяки застосуванню навчання з учителем на основі дерева рішень, відображення між LS (вхідними даними) та IS (цільовими даними) генерується автоматично та містить детальну інформацію для кожного LS.
Результати показали, що 34,9% з 255 студентів віддали перевагу одному (1) варіанту LS. Більшість (54,3%) мали два або більше уподобань щодо LS. 12,2% студентів зазначили, що LS є досить збалансованим (Таблиця 4). Окрім восьми основних LS, існує 34 комбінації класифікацій LS для студентів-стоматологів Університету Малайї. Серед них сприйняття, зір та поєднання сприйняття та зору є основними LS, про які повідомляють студенти (Рисунок 7).
Як видно з таблиці 4, більшість учнів мали переважання сенсорного (13,7%) або зорового (8,6%) НЗ. Повідомлялося, що 12,2% учнів поєднували сприйняття із зором (перцептивно-зорове НЗ). Ці результати свідчать про те, що учні віддають перевагу навчанню та запам'ятовуванню за допомогою встановлених методів, дотримуються конкретних та детальних процедур, а також є уважними за своєю природою. Водночас їм подобається навчатися, дивлячись (використовуючи схеми тощо), і вони схильні обговорювати та застосовувати інформацію в групах або самостійно.
Це дослідження пропонує огляд методів машинного навчання, що використовуються в data mining, з акцентом на миттєвому та точному прогнозуванні життєвого рівня студентів та рекомендації відповідних інформаційних систем. Застосування моделі дерева рішень визначило фактори, які найбільш тісно пов'язані з їхнім життєвим та освітнім досвідом. Це керований алгоритм машинного навчання, який використовує деревоподібну структуру для класифікації даних шляхом поділу набору даних на підкатегорії на основі певних критеріїв. Він працює шляхом рекурсивного поділу вхідних даних на підмножини на основі значення однієї з вхідних ознак кожного внутрішнього вузла, доки не буде прийнято рішення на кінцевому вузлі.
Внутрішні вузли дерева рішень представляють рішення на основі вхідних характеристик задачі m-ILS, а кінцеві вузли представляють кінцевий прогноз класифікації LS. Протягом дослідження легко зрозуміти ієрархію дерев рішень, які пояснюють та візуалізують процес прийняття рішень, розглядаючи зв'язок між вхідними ознаками та прогнозами вихідних даних.
У галузях інформатики та інженерії алгоритми машинного навчання широко використовуються для прогнозування успішності студентів на основі їхніх балів вступних іспитів [21], демографічної інформації та поведінки в навчанні [22]. Дослідження показали, що алгоритм точно прогнозував успішність студентів та допомагав їм виявляти студентів, які мають ризик академічних труднощів.
Повідомляється про застосування алгоритмів машинного навчання (ML) у розробці віртуальних симуляторів пацієнтів для навчання стоматології. Симулятор здатний точно відтворювати фізіологічні реакції реальних пацієнтів і може бути використаний для навчання студентів-стоматологів у безпечному та контрольованому середовищі [23]. Кілька інших досліджень показують, що алгоритми машинного навчання можуть потенційно покращити якість та ефективність стоматологічної та медичної освіти та догляду за пацієнтами. Алгоритми машинного навчання використовувалися для допомоги в діагностиці стоматологічних захворювань на основі наборів даних, таких як симптоми та характеристики пацієнтів [24, 25]. В інших дослідженнях досліджувалося використання алгоритмів машинного навчання для виконання таких завдань, як прогнозування результатів лікування пацієнтів, виявлення пацієнтів з високим ризиком, розробка персоналізованих планів лікування [26], лікування пародонту [27] та лікування карієсу [25].
Хоча опубліковані звіти про застосування машинного навчання в стоматології, його застосування в стоматологічній освіті залишається обмеженим. Тому це дослідження мало на меті використати модель дерева рішень для визначення факторів, які найтісніше пов'язані з LS та IS серед студентів-стоматологів.
Результати цього дослідження показують, що розроблений інструмент рекомендацій має високу та ідеальну точність, що свідчить про те, що вчителі можуть отримати від нього користь. Використовуючи процес класифікації на основі даних, він може надавати персоналізовані рекомендації та покращувати освітній досвід і результати для викладачів та учнів. Серед них, інформація, отримана за допомогою інструментів рекомендацій, може вирішувати конфлікти між бажаними методами навчання вчителів та потребами учнів у навчанні. Наприклад, завдяки автоматизованому виводу інструментів рекомендацій, час, необхідний для визначення індивідуального освітнього рівня учня та його зіставлення з відповідним індивідуальним освітнім рівнем, буде значно скорочено. Таким чином, можна організувати відповідні навчальні заходи та матеріали. Це допомагає розвивати позитивну навчальну поведінку учнів та здатність концентруватися. В одному дослідженні повідомлялося, що надання учням навчальних матеріалів та навчальних заходів, що відповідають їхнім бажаним навчальним матеріалам, може допомогти учням інтегрувати, обробляти та насолоджуватися навчанням різними способами для досягнення більшого потенціалу [12]. Дослідження також показують, що, окрім покращення участі учнів у класі, розуміння процесу навчання учнів також відіграє вирішальну роль у покращенні методів викладання та комунікації зі учнями [28, 29].
Однак, як і з будь-якою сучасною технологією, існують проблеми та обмеження. До них належать питання, пов'язані з конфіденційністю даних, упередженістю та справедливістю, а також професійними навичками та ресурсами, необхідними для розробки та впровадження алгоритмів машинного навчання в стоматологічній освіті. Однак зростаючий інтерес та дослідження в цій галузі свідчать про те, що технології машинного навчання можуть мати позитивний вплив на стоматологічну освіту та стоматологічні послуги.
Результати цього дослідження показують, що половина студентів-стоматологів мають схильність до «сприйняття» ліків. Цей тип учнів надає перевагу фактам і конкретним прикладам, має практичну орієнтацію, терпіння до деталей і надає перевагу «візуальному» навчанню, коли учні надають перевагу використанню зображень, графіки, кольорів і карт для передачі ідей і думок. Поточні результати узгоджуються з іншими дослідженнями, що використовують інтерактивне навчання (ILS) для оцінки навчання у студентів-стоматологів та медиків, більшість з яких мають характеристики перцептивного та візуального навчання [12, 30]. Далмолін та ін. припускають, що інформування студентів про їхнє навчання дозволяє їм розкрити свій навчальний потенціал. Дослідники стверджують, що коли вчителі повністю розуміють навчальний процес студентів, можна впроваджувати різні методи навчання та види діяльності, які покращать їхню успішність та навчальний досвід [12, 31, 32]. Інші дослідження показали, що коригування навчання студентів також показує покращення навчального досвіду та успішності студентів після зміни їхніх стилів навчання відповідно до їхнього власного навчання [13, 33].
Думки вчителів можуть відрізнятися щодо впровадження стратегій навчання, заснованих на здібностях студентів до навчання. Хоча одні бачать переваги такого підходу, включаючи можливості професійного розвитку, наставництво та підтримку громади, інші можуть бути стурбовані часом та інституційною підтримкою. Прагнення до балансу є ключем до створення студентоцентричного ставлення. Органи вищої освіти, такі як адміністрація університетів, можуть відігравати важливу роль у просуванні позитивних змін шляхом впровадження інноваційних практик та підтримки розвитку викладачів [34]. Щоб створити справді динамічну та адаптивну систему вищої освіти, політики повинні робити сміливі кроки, такі як внесення змін до політики, виділення ресурсів на інтеграцію технологій та створення структур, що сприяють студентоцентричним підходам. Ці заходи мають вирішальне значення для досягнення бажаних результатів. Нещодавні дослідження диференційованого навчання чітко показали, що успішне впровадження диференційованого навчання вимагає постійного навчання та можливостей розвитку для вчителів [35].
Цей інструмент надає цінну підтримку викладачам-стоматологам, які хочуть застосувати студентоорієнтований підхід до планування навчальних заходів, орієнтованих на студентів. Однак це дослідження обмежується використанням моделей машинного навчання на основі дерев рішень. У майбутньому необхідно зібрати більше даних для порівняння продуктивності різних моделей машинного навчання, а також для порівняння точності, надійності та прецизійності інструментів рекомендацій. Крім того, вибираючи найбільш підходящий метод машинного навчання для конкретного завдання, важливо враховувати інші фактори, такі як складність моделі та її інтерпретація.
Обмеженням цього дослідження є те, що воно зосереджене лише на картуванні LS та IS серед студентів-стоматологів. Тому розроблена система рекомендацій рекомендуватиме лише ті методи, які підходять для студентів-стоматологів. Для загального використання студентами вищої освіти необхідні зміни.
Нещодавно розроблений інструмент рекомендацій на основі машинного навчання здатний миттєво класифікувати та зіставляти навчальні матеріали студентів з відповідною інформаційною системою, що робить його першою програмою стоматологічної освіти, яка допомагає викладачам-стоматологам планувати відповідні навчально-методичні заходи. Використовуючи процес сортування на основі даних, він може надавати персоналізовані рекомендації, заощаджувати час, покращувати навчальні стратегії, підтримувати цілеспрямовані втручання та сприяти постійному професійному розвитку. Його застосування сприятиме студентоорієнтованим підходам до стоматологічної освіти.
Гілак Яні, Associated Press. Збіг або невідповідність між стилем навчання учня та стилем викладання вчителя. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Час публікації: 29 квітня 2024 р.