Ikasleengan zentratutako ikaskuntzaren (SCL) beharra gero eta handiagoa da goi-mailako hezkuntza-erakundeetan, odontologia barne.Hala ere, SCL-k aplikazio mugatua du hortz-heziketan.Hori dela eta, ikerketa honek SCL-ren aplikazioa odontologian sustatu nahi du, erabakien zuhaitzaren ikaskuntza automatikoa (ML) teknologia erabiliz, hortz-ikasleen ikaskuntza-estilo hobetsia (LS) eta dagozkion ikaskuntza-estrategiak (IS) mapa egiteko, IS jarraibideak garatzeko tresna baliagarri gisa. .Metodo itxaropentsuak hortz-ikasleentzat.
Guztira, Malayako Unibertsitateko 255 hortz-ikaslek Ikasketa Estiloen Indizea (m-ILS) aldatutako galdetegia bete zuten, zeinak 44 item zituen beren LSetan sailkatzeko.Bildutako datuak (datu-multzoa deitzen dena) erabaki-zuhaitzaren ikaskuntza gainbegiratuan erabiltzen dira, ikasleen ikas-estiloak IS egokienarekin automatikoki lotzeko.Ondoren, ikaskuntza automatikoan oinarritutako IS gomendio tresnaren zehaztasuna ebaluatzen da.
LS (sarrera) eta IS (helburuko irteera) arteko mapaketa prozesu automatizatu batean erabaki-zuhaitz ereduak aplikatzeak hortz-ikasle bakoitzarentzako ikaskuntza-estrategien berehalako zerrenda bat ahalbidetzen du.IS gomendio-tresnak zehaztasun ezin hobea eta ereduaren zehaztasun orokorra gogoratzen du, eta LS ISrekin lotzeak sentsibilitate eta espezifikotasun ona duela adierazten du.
ML erabakien zuhaitz batean oinarritutako IS gomendio tresna batek frogatu du hortz-ikasleen ikaskuntza-estiloak ikasteko estrategia egokiekin zehaztasunez lotzeko gaitasuna duela.Tresna honek aukera indartsuak eskaintzen ditu ikasleengan zentratutako ikastaroak edo moduluak planifikatzeko, ikasleen ikaskuntza-esperientzia hobetu dezaketenak.
Irakaskuntza eta ikaskuntza oinarrizko jarduerak dira hezkuntza-erakundeetan.Kalitate handiko lanbide-hezkuntza-sistema garatzean, garrantzitsua da ikasleen ikaskuntza-beharretan arreta jartzea.Ikasleen eta haien ikaskuntza-ingurunearen arteko elkarrekintza beren LS bidez zehaztu daiteke.Ikerketek iradokitzen dute irakasleek nahi duten desadostasunak ikasleen LS eta IS artean ondorio negatiboak izan ditzakeela ikasleen ikaskuntzan, hala nola arreta eta motibazioa murriztea.Horrek zeharka eragingo du ikasleen errendimenduan [1,2].
IS irakasleek erabiltzen duten metodo bat da ikasleei ezagutzak eta trebetasunak emateko, besteak beste, ikasleei ikasten laguntzea [3].Orokorrean, irakasle onek beren ikasleen ezagutza-mailarekin, ikasten ari diren kontzeptuekin eta ikaskuntza-etaparekin hobekien egokitzen diren irakaskuntza-estrategiak edo IS planifikatzen dituzte.Teorian, LS eta IS bat datozenean, ikasleek trebetasun multzo zehatz bat antolatu eta erabiltzeko gai izango dira eraginkortasunez ikasteko.Normalean, ikasgai-plan batek hainbat trantsizio barne hartzen ditu etapen artean, hala nola, irakaskuntzatik praktika gidatura edo praktika gidatutik praktika independentera.Hori kontuan hartuta, irakasle eraginkorrek maiz planifikatzen dute irakaskuntza ikasleen ezagutzak eta trebetasunak eraikitzeko helburuarekin [4].
SCL-ren eskaria hazten ari da goi-mailako hezkuntza-erakundeetan, odontologia barne.SCL estrategiak ikasleen ikasteko beharrak asetzeko diseinatuta daude.Hori lor daiteke, adibidez, ikasleek ikaskuntza-jardueretan aktiboki parte hartzen badute eta irakasleek dinamizatzaile gisa jokatzen badute eta iritzi baliotsuak emateaz arduratzen badira.Diotenez, ikasleen hezkuntza-mailari edo lehentasunei egokitutako ikasmaterialak eta jarduerak eskaintzeak ikasleen ikas-giroa hobetu dezake eta ikaskuntza-esperientzia positiboak susta ditzake [5].
Oro har, hortz-ikasleen ikaskuntza-prozesua egin behar dituzten hainbat prozedura klinikoek eta pertsonen arteko trebetasun eraginkorrak garatzen dituzten ingurune klinikoek eragiten dute.Prestakuntzaren helburua da ikasleek odontologiako oinarrizko ezagutzak eta hortz-trebetasun klinikoekin uztartzea eta lortutako ezagutzak egoera kliniko berrietara aplikatzea [6, 7].LS eta ISren arteko erlazioari buruzko lehen ikerketek ikusi zuten hobetsitako LSra mapatutako ikaskuntza-estrategiak doitzeak hezkuntza-prozesua hobetzen lagunduko lukeela [8].Era berean, ikasleen ikaskuntza eta beharretara egokitzeko hainbat irakaskuntza- eta ebaluazio-metodo erabiltzea gomendatzen dute egileek.
Irakasleek LS ezagutzak aplikatzeari etekina ematen diote, ikasleek irakasgaiaren ezagutza eta ulermen sakonagoa eskuratzea hobetuko duten irakaskuntza diseinatzen, garatzen eta inplementatzen laguntzeko.Ikertzaileek LS ebaluaziorako hainbat tresna garatu dituzte, hala nola, Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) eta Fleming VAK/VARK Model [5, 9, 10].Literaturaren arabera, ikas-eredu hauek dira gehien erabiltzen eta gehien ikertutako ikas-ereduak.Gaur egungo ikerketa-lanean, FSLSM erabiltzen da hortz-ikasleen LS ebaluatzeko.
FSLSM oso erabilia den eredua da ingeniaritzan ikaskuntza moldagarria ebaluatzeko.Osasun zientzietan (medikuntza, erizaintza, farmazia eta odontologia barne) argitaratutako lan asko daude, FSLSM ereduak erabiliz aurki daitezkeenak [5, 11, 12, 13].FLSMn LS-ren dimentsioak neurtzeko erabiltzen den tresnari Index of Learning Styles (ILS) deitzen zaio [8], eta LSren lau dimentsio ebaluatzen dituzten 44 item ditu: prozesamendua (aktiboa/islatzailea), pertzepzioa (pertzepzioa/intuitiboa), sarrera (bisuala)./hitzezkoa) eta ulermena (sekuentziala/globala) [14].
1. Irudian ikusten den bezala, FSLSM dimentsio bakoitzak lehentasun nagusi bat du.Adibidez, prozesatzeko dimentsioan, LS "aktiboa" duten ikasleek nahiago dute informazioa prozesatu ikasmaterialekin zuzenean elkarreraginez, eginez ikasi eta taldean ikasteko joera dute.LS "hausnartzaileak" pentsamenduaren bidez ikasteari egiten dio erreferentzia eta nahiago du bakarrik lan egin.LSren "hautematea" dimentsioa "sentimendua" eta/edo "intuizioa"tan bana daiteke."Sentitzen" ikasleek informazio zehatzagoa eta prozedura praktikoagoak nahiago dituzte, material abstraktua nahiago duten ikasle "intuitiboekin" alderatuta eta izaera berritzaile eta sortzaileagoa duten ikasle "intuitiboekin" alderatuta.LSren "sarrera" dimentsioa "ikusmenezko" eta "ahozko" ikasleez osatuta dago."Ikusmenezko" LS duten pertsonek nahiago dute ikusizko erakustaldien bidez ikasi (esaterako, diagramak, bideoak edo zuzeneko erakustaldiak), eta "hitzezko" LS dutenek, berriz, idatzizko edo ahozko azalpenetan hitzen bidez ikasi.LS dimentsioak "ulertzeko", horrelako ikasleak "sekuentzialak" eta "globalak" bereiz daitezke."Ikasle sekuentzialek pentsamendu-prozesu lineala nahiago dute eta pausoz pauso ikasten dute, ikasle globalek pentsamendu-prozesu holistikoa izan ohi dute eta beti ikasten ari direna hobeto ulertzen dute.
Berriki, ikertzaile asko datuen bidezko aurkikuntza automatikorako metodoak aztertzen hasi dira, besteak beste, datu kopuru handiak interpretatzeko gai diren algoritmo eta eredu berrien garapena [15, 16].Emandako datuetan oinarrituta, gainbegiraturiko ML (machine learning) algoritmoen eraikuntzan oinarrituta etorkizuneko emaitzak iragartzen dituzten ereduak eta hipotesiak sortzeko gai da [17].Besterik gabe, gainbegiraturiko ikaskuntza automatikoko teknikek sarrerako datuak manipulatzen dituzte eta algoritmoak entrenatzen dituzte.Ondoren, emandako sarrera-datuetarako antzeko egoeretan oinarritutako emaitza sailkatzen edo iragartzen duen sorta bat sortzen du.Gainbegiraturiko ikaskuntza-algoritmoen abantaila nagusia emaitza idealak eta desiratuak ezartzeko gaitasuna da [17].
Datuetan oinarritutako metodoak eta erabaki-zuhaitz kontrolatzeko ereduak erabiliz, LS automatikoki hautematea posible da.Erabaki-zuhaitzak oso erabiliak direla hainbat arlotako prestakuntza-programetan, osasun-zientzietan barne [18, 19].Ikerketa honetan, sistemaren garatzaileek eredua bereziki trebatu zuten ikasleen LS identifikatzeko eta haientzako IS onena gomendatzeko.
Azterketa honen helburua da ikasleen LSn oinarritutako IS emateko estrategiak garatzea eta SCL ikuspegia aplikatzea LSrekin mapatutako IS gomendio tresna bat garatuz.IS gomendio-tresnaren diseinu-fluxua SCL metodoaren estrategia gisa erakusten da 1. Irudian. IS gomendio-tresna bi zatitan banatzen da, besteak beste, ILS erabiliz LS sailkapen-mekanismoa eta ikasleentzako IS pantaila egokiena.
Bereziki, informazioaren segurtasunaren gomendio tresnen ezaugarrien artean daude web teknologien erabilera eta erabakien zuhaitzaren ikaskuntza automatikoa erabiltzea.Sistemaren garatzaileek erabiltzailearen esperientzia eta mugikortasuna hobetzen dituzte gailu mugikorretara egokituz, hala nola telefono mugikorretara eta tabletetara.
Esperimentua bi fasetan egin zen eta Malayako Unibertsitateko Odontologia Fakultateko ikasleek borondatez parte hartu zuten.Parte-hartzaileek hortz-ikasle baten lineako m-ILS ingelesez erantzun zioten.Hasierako fasean, 50 ikasleko datu-multzo bat erabili zen erabakien zuhaitzeko ikaskuntza automatikoko algoritmoa trebatzeko.Garapen-prozesuaren bigarren fasean, 255 ikasleko datu-multzo bat erabili zen garatutako tresnaren zehaztasuna hobetzeko.
Parte-hartzaile guztiek lineako informazioa jasotzen dute etapa bakoitzaren hasieran, ikasturtearen arabera, Microsoft Teams-en bidez.Azterketaren helburua azaldu eta baimen informatua lortu zen.Parte-hartzaile guztiei esteka bat eman zitzaien m-ILSra sartzeko.Ikasle bakoitzari galdetegiko 44 itemei erantzuteko agindua eman zitzaion.Astebete eman zitzaien ILS aldatua osatzeko komeni den unean eta tokian, seihileko atsedenaldian seihilekoa hasi baino lehen.m-ILS jatorrizko ILS tresnan oinarritzen da eta hortz-ikasleentzat aldatu da.Jatorrizko ILSaren antzera, uniformeki banatutako 44 item ditu (a, b), bakoitzak 11 item ditu, FSLSM dimentsio bakoitzaren alderdiak ebaluatzeko erabiltzen direnak.
Tresnaren garapenaren hasierako faseetan, ikertzaileek eskuz idatzi zituzten mapak 50 hortz-ikasleren datu multzo bat erabiliz.FSLMren arabera, sistemak "a" eta "b" erantzunen batura ematen du.Dimentsio bakoitzerako, ikasleak erantzun gisa “a” hautatzen badu, LS Aktibo/Pertzepzio/Ikusmen/Sekuentzial gisa sailkatzen da, eta ikasleak erantzun gisa “b” hautatzen badu, Ikaslea Hausnarketa/Intuitibo/Hizkuntza gisa sailkatuko da. ./ ikasle globala.
Hortz hezkuntzako ikertzaileen eta sistema garatzaileen arteko lan-fluxua kalibratu ondoren, galderak FLSSM domeinuan oinarrituta aukeratu ziren eta ML ereduan sartu ziren ikasle bakoitzaren LS aurreikusteko."Garbage in, garbage out" esaera ezaguna da ikaskuntza automatikoaren alorrean, datuen kalitateari garrantzia ematen diona.Sarrerako datuen kalitateak zehazten du ikaskuntza automatikoaren ereduaren zehaztasuna eta zehaztasuna.Ezaugarrien ingeniaritza fasean, ezaugarri multzo berri bat sortzen da, FLSSMn oinarritutako "a" eta "b" erantzunen batura dena.Droga postuen identifikazio-zenbakiak 1. taulan ematen dira.
Kalkulatu puntuazioa erantzunen arabera eta zehaztu ikaslearen LS.Ikasle bakoitzarentzat, puntuazio-tartea 1etik 11ra artekoa da. 1etik 3rako puntuazioek dimentsio bereko ikaskuntza-hobespenen oreka adierazten dute, eta 5etik 7rako puntuazioek hobespen moderatua adierazten dute, ikasleek ingurune bat nahiago dutela beste batzuk irakasteko. .Dimentsio bereko beste aldaera bat da 9tik 11ra arteko puntuazioek mutur baterako edo besterako hobespen handia islatzen dutela [8].
Dimentsio bakoitzerako, drogak "aktibo", "erreflexibo" eta "orekatu" taldeetan sailkatu ziren.Adibidez, ikasle batek "a" "b" baino maizago erantzuten duenean izendatutako item batean eta bere puntuazioa Prozesatzeko LS dimentsioa adierazten duen item jakin baterako 5eko atalasea gainditzen duenean, LS "aktibo"ari dagokio. domeinua..Hala ere, ikasleak LS "erreflexibo" gisa sailkatu ziren 11 galdera zehatzetan "b" "a" baino gehiago aukeratu zutenean (1. taula) eta 5 puntu baino gehiago lortu zituzten.Azkenik, ikaslea "oreka" egoeran dago.Puntuazioa 5 puntutik gorakoa ez bada, "prozesu" LS bat da.Sailkapen-prozesua errepikatu zen LSko beste dimentsioetarako, hots, pertzepzioa (aktiboa/islatzailea), sarrera (bisuala/ahozkoa) eta ulermena (sekuentziala/globala).
Erabaki-zuhaitz ereduek ezaugarri eta erabaki-arau desberdinak erabil ditzakete sailkapen-prozesuaren fase desberdinetan.Sailkapen eta iragarpen tresna ezaguntzat hartzen da.Fluxu-diagrama bat bezalako zuhaitz-egitura baten bidez irudika daiteke [20], non barne-nodoak atributuen arabera probak adierazten dituztenak, adar bakoitzak proba-emaitzak adierazten dituena eta hosto-nodo bakoitza (hosto-nodoa) klase-etiketa bat duena.
Arauetan oinarritutako programa sinple bat sortu zen ikasle bakoitzaren LS automatikoki puntuatzeko eta ohartzeko, haien erantzunen arabera.Arauetan oinarritutako IF adierazpen baten forma hartzen du, non "IF" abiarazlea deskribatzen duen eta "THEN"-ek egin beharreko ekintza zehazten du, adibidez: "X gertatzen bada, egin Y" (Liu et al., 2014).Datu multzoak korrelazioa erakusten badu eta erabaki-zuhaitzaren eredua behar bezala trebatu eta ebaluatzen bada, ikuspegi hau LS eta IS parekatzeko prozesua automatizatzeko modu eraginkorra izan daiteke.
Garapenaren bigarren fasean, datu-multzoa 255era handitu zen, gomendio tresnaren zehaztasuna hobetzeko.Datu multzoa 1:4 proportzioan banatzen da.Datu-multzoaren % 25 (64) erabili zen proba-multzorako, eta gainerako % 75 (191) entrenamendu-multzo gisa (2. irudia).Datu-multzoa zatitu egin behar da eredua datu-multzo berean entrenatu eta probatu ez dadin, eta horrek eredua ikasi beharrean gogoratzea eragin dezake.Eredua entrenamendu-multzoan entrenatzen da eta proba-multzoan duen errendimendua ebaluatzen du, ereduak inoiz ikusi ez dituen datuak.
IS tresna garatu ondoren, aplikazioak LS sailkatzeko gai izango da hortz-ikasleen erantzunen arabera web interfaze baten bidez.Web-oinarritutako informazioaren segurtasunaren gomendio-tresnaren sistema Python programazio-lengoaia erabiliz eraiki da, Django markoa backend gisa erabiliz.2. taulan sistema honen garapenean erabilitako liburutegiak zerrendatzen dira.
Datu-multzoa erabaki-zuhaitz eredu batera elikatzen da ikasleen erantzunak kalkulatzeko eta ateratzeko, ikasleen LS neurketak automatikoki sailkatzeko.
Nahasmen-matrizea datu-multzo jakin batean erabakien zuhaitzaren ikaskuntza automatikoko algoritmoaren zehaztasuna ebaluatzeko erabiltzen da.Aldi berean, sailkapen ereduaren errendimendua ebaluatzen du.Ereduaren iragarpenak laburbiltzen ditu eta benetako datu-etiketekin alderatzen ditu.Ebaluazio-emaitzak lau balio ezberdinetan oinarritzen dira: Egia Positiboa (TP) - ereduak ondo aurresan zuen kategoria positiboa, False Positive (FP) - Ereduak kategoria positiboa iragarri zuen, baina egiazko etiketa negatiboa zen, True Negative (TN) - ereduak klase negatiboa behar bezala iragarri zuen, eta negatibo faltsua (FN) - Ereduak klase negatiboa aurreikusten du, baina benetako etiketa positiboa da.
Ondoren balio hauek Python-en scikit-learn sailkapen-ereduaren errendimendu-neurri desberdinak kalkulatzeko erabiltzen dira, hots, zehaztasuna, doitasuna, gogoratzea eta F1 puntuazioa.Hona hemen adibideak:
Gogoratzeak (edo sentikortasunak) m-ILS galdetegia erantzun ondoren ikasle baten LS zehatz-mehatz sailkatzeko ereduak duen gaitasuna neurtzen du.
Espezifikotasuna benetako tasa negatiboa deritzo.Goiko formulan ikus dezakezun bezala, benetako negatiboen (TN) benetako negatiboen eta positibo faltsuen (FP) arteko erlazioa izan beharko litzateke.Ikasleen drogak sailkatzeko gomendatutako tresnaren zati gisa, identifikazio zehatza egiteko gai izan behar du.
Erabaki-zuhaitzaren ML eredua trebatzeko erabilitako 50 ikasleen jatorrizko datu multzoak zehaztasun nahiko baxua erakutsi zuen oharpenetan giza akatsen ondorioz (3. taula).LS puntuazioak eta ikasleen oharrak automatikoki kalkulatzeko arauetan oinarritutako programa sinple bat sortu ondoren, gero eta datu multzo gehiago (255) erabili ziren gomendio sistema entrenatu eta probatzeko.
Klase anitzeko nahaste-matrizean, elementu diagonalek LS mota bakoitzeko iragarpen zuzenen kopurua adierazten dute (4. Irudia).Erabakien zuhaitzaren eredua erabiliz, guztira 64 lagin behar bezala aurreikusi ziren.Horrela, ikerketa honetan, elementu diagonalek espero diren emaitzak erakusten dituzte, ereduak ondo funtzionatzen duela eta LS sailkapen bakoitzeko klase etiketa zehaztasunez aurreikusten duela adieraziz.Horrela, gomendio tresnaren zehaztasun orokorra % 100ekoa da.
Zehaztasunaren, doitasunaren, gogoratzearen eta F1 puntuazioaren balioak 5. irudian erakusten dira. Erabakien zuhaitzaren eredua erabiltzen duen gomendio-sistemarako, bere F1 puntuazioa 1,0 "perfektua" da, zehaztasun eta gogorapen perfektua adierazten du, sentikortasun eta espezifikotasun esanguratsuak islatuz. balioak.
6. irudiak erabakien zuhaitzaren ereduaren bistaratzea erakusten du prestakuntza eta probak amaitu ondoren.Aldez ondoko alderaketa batean, ezaugarri gutxiagorekin trebatutako erabakien zuhaitzaren ereduak zehaztasun handiagoa eta ereduaren bistaratzea errazagoa erakutsi zuen.Horrek erakusten du ezaugarrien murrizketa dakarten ezaugarrien ingeniaritza ereduaren errendimendua hobetzeko urrats garrantzitsua dela.
Erabaki-zuhaitzaren ikaskuntza gainbegiratua aplikatuz, LS (sarrera) eta IS (helburu-irteera) arteko mapak automatikoki sortzen dira eta LS bakoitzaren informazio zehatza dauka.
Emaitzek erakutsi zuten 255 ikasleen % 34,9k LS aukera bat (1) nahiago zuela.Gehienek (%54,3) bi LS lehentasun edo gehiago zituzten.Ikasleen %12,2k adierazi du LS nahiko orekatua dela (4. taula).Zortzi LS nagusiez gain, Malayako Unibertsitateko hortz-ikasleentzako LS sailkapenen 34 konbinazio daude.Horien artean, pertzepzioa, ikusmena eta pertzepzioaren eta ikusmenaren konbinazioa dira ikasleek jakinarazitako LS nagusiak (7. irudia).
4. taulan ikus daitekeenez, ikasle gehienek zentzumenezko (%13,7) edo ikusmenezko (%8,6) LS izan zuten nagusi.Jakinarazi dutenez, ikasleen % 12,2k pertzepzioa ikusmenarekin (pertzepzio-ikusmen LS) konbinatzen zuen.Aurkikuntza hauek iradokitzen dute ikasleek nahiago dutela ikasi eta gogoratu ezarritako metodoen bidez, prozedura zehatz eta zehatzak jarraitu eta izaera adi egotea.Aldi berean, begiratuz ikasten (diagramak erabiliz, etab.) gozatzen dute eta informazioa taldeka edo euren kabuz eztabaidatu eta aplikatzeko joera dute.
Ikerketa honek datu-meatzaritzan erabiltzen diren ikaskuntza automatikoko tekniken ikuspegi orokorra eskaintzen du, ikasleen LS berehala eta zehaztasunez iragartzeko eta IS egokiak gomendatzeko arreta jarriz.Erabaki-zuhaitz-eredu baten aplikazioak haien bizitzarekin eta hezkuntza-esperientziarekin lotura handiena duten faktoreak identifikatu zituen.Gainbegiraturiko ikaskuntza automatikoko algoritmo bat da, zuhaitz-egitura bat erabiltzen duena datuak sailkatzeko, datu-multzo bat irizpide jakin batzuen arabera azpikategoriatan banatuz.Sarrerako datuak modu errekurtsiboan zatitzen ditu barne-nodo bakoitzaren sarrera-ezaugarrietako baten balioan oinarritutako azpimultzoetan, hosto-nodoan erabakia hartu arte.
Erabaki-zuhaitzaren barne-nodoek m-ILS problemaren sarrera-ezaugarrietan oinarritutako soluzioa adierazten dute, eta hosto-nodoek azken LS sailkapenaren iragarpena adierazten dute.Azterketan zehar, erraz uler daiteke erabaki-prozesua azaltzen eta bistaratzen duten erabaki-zuhaitzen hierarkia, sarrera-ezaugarrien eta irteera-iragarpenen arteko erlazioari erreparatuz.
Informatika eta ingeniaritzaren alorretan, ikaskuntza automatikoko algoritmoak oso erabiliak dira ikasleen errendimendua iragartzeko, sarrera-proben puntuazioaren arabera [21], informazio demografikoa eta ikasteko portaeraren arabera [22].Ikerketek erakutsi zuten algoritmoak ikasleen errendimendua zehaztasunez aurreikusten zuela eta zailtasun akademikoak izateko arriskuan dauden ikasleak identifikatzen lagundu ziela.
Hortz-prestakuntzarako pazienteen simulagailu birtualen garapenean ML algoritmoen aplikazioaren berri ematen da.Simulagailua paziente errealen erantzun fisiologikoak zehaztasunez erreproduzitzeko gai da eta hortz-ikasleak ingurune seguru eta kontrolatu batean trebatzeko erabil daiteke [23].Beste hainbat ikerketek erakusten dute ikaskuntza automatikoko algoritmoek hortz- eta mediku-heziketaren eta pazienteen arretaren kalitatea eta eraginkortasuna hobetu ditzaketela.Makina ikasteko algoritmoak erabili dira hortz gaixotasunen diagnostikoan laguntzeko, sintomak eta pazientearen ezaugarriak bezalako datu multzoetan oinarrituta [24, 25].Beste ikerketek ikaskuntza automatikoko algoritmoen erabilera aztertu duten arren, pazienteen emaitzak aurreikusteko, arrisku handiko pazienteak identifikatzea, tratamendu plan pertsonalizatuak garatzea [26], tratamendu periodontala [27] eta txantxarren tratamendua [25] bezalako zereginak burutzeko.
Odontologian ikaskuntza automatikoaren aplikazioari buruzko txostenak argitaratu diren arren, hortzetako hezkuntzan bere aplikazioa mugatua izaten jarraitzen du.Hori dela eta, ikerketa honek erabaki-zuhaitz eredu bat erabiltzea izan du helburu, hortz-ikasleen artean LS eta ISrekin lotura handiena duten faktoreak identifikatzeko.
Ikerketa honen emaitzek erakusten dute garatutako gomendio-tresnak zehaztasun handia eta zehaztasun ezin hobea duela, irakasleek tresna honetaz etekina atera dezaketela adierazten du.Datuetan oinarritutako sailkapen-prozesu bat erabiliz, gomendio pertsonalizatuak eman ditzake eta hezitzaile eta ikasleentzako hezkuntza-esperientziak eta emaitzak hobetu ditzake.Horien artean, gomendio tresnen bidez lortutako informazioak irakasleek nahiago dituzten irakaskuntza-metodoen eta ikasleen ikasteko beharren arteko gatazkak ebatzi ditzake.Esaterako, gomendio tresnen irteera automatizatua dela eta, ikasle baten IP identifikatzeko eta dagokion IParekin lotzeko behar den denbora nabarmen murriztuko da.Horrela, prestakuntza-jarduera egokiak eta prestakuntza-materialak antola daitezke.Honek ikasleen ikasteko portaera positiboa eta kontzentratzeko gaitasuna garatzen laguntzen du.Ikerketa batek jakinarazi du ikasleei nahiago duten LS bat datozen ikasmaterialak eta ikaskuntza-jarduerak eskaintzeak ikasleei modu anitzetan integratzen, prozesatzen eta ikaskuntzaz gozatzen lagun dezakeela potentzial handiagoa lortzeko [12].Ikerketek ere erakusten dute ikasleen parte-hartzea hobetzeaz gain, ikasleen ikasketa prozesua ulertzeak zeregin kritikoa duela irakaskuntza-praktikak eta ikasleekiko komunikazioa hobetzeko [28, 29].
Hala ere, edozein teknologia moderno bezala, arazoak eta mugak daude.Horien artean, datuen pribatutasunarekin, alborapenarekin eta zuzentasunarekin lotutako gaiak eta hortz-heziketan ikaskuntza automatikoko algoritmoak garatzeko eta ezartzeko behar diren trebetasun eta baliabide profesionalak daude;Hala ere, arlo honetan gero eta interes eta ikerketek iradokitzen dute ikaskuntza automatikoko teknologiek eragin positiboa izan dezaketela hortz hezkuntzan eta hortz zerbitzuetan.
Ikerketa honen emaitzek adierazten dute hortz-ikasleen erdiek drogak “hautemateko” joera dutela.Ikasle mota honek gertakariak eta adibide konkretuak lehentasuna ditu, orientazio praktikoa, xehetasunetarako pazientzia eta LS "ikusizko" lehentasuna, non ikasleek nahiago duten irudiak, grafikoak, koloreak eta mapak erabili ideiak eta pentsamenduak helarazteko.Egungo emaitzak bat datoz ILS erabiltzen duten beste ikerketekin, hortz- eta medikuntza-ikasleetan LS ebaluatzeko, gehienek pertzepzio- eta ikusmen-LS ezaugarriak dituztenak [12, 30].Dalmolin et al-ek iradokitzen dute ikasleei beren LS-ren berri emateak beren ikaskuntza-potentziala iristea ahalbidetzen duela.Ikertzaileek diote irakasleek ikasleen hezkuntza-prozesua guztiz ulertzen dutenean, ikasleen errendimendua eta ikaskuntza-esperientzia hobetuko duten hainbat irakas-metodo eta jarduera inplementa daitezkeela [12, 31, 32].Beste ikerketek erakutsi dute ikasleen LS doitzeak ikasleen ikaskuntza-esperientzian eta errendimenduan hobekuntzak ere erakusten dituela beren ikas-estiloak beren LS-ra egokitzeko aldatu ondoren [13, 33].
Irakasleen iritziak alda daitezke ikasleen ikasteko gaitasunetan oinarritutako irakaskuntza-estrategien ezarpenari buruz.Batzuek ikuspegi honen onurak ikusten dituzten arren, garapen profesionalerako aukerak, tutoretza eta komunitatearen laguntza barne, beste batzuk denborarekin eta erakundeen laguntzarekin kezkatuta egon daitezke.Oreka bilakatzea funtsezkoa da ikasleengan zentratutako jarrera sortzeko.Goi-mailako hezkuntzako agintariek, hala nola unibertsitateko administratzaileek, eginkizun garrantzitsua izan dezakete aldaketa positiboak bultzatzeko, praktika berritzaileak sartuz eta fakultatearen garapena lagunduz [34].Goi-mailako hezkuntza-sistema benetan dinamikoa eta sentikorra sortzeko, politika-arduradunek urrats ausartak eman behar dituzte, hala nola, politika-aldaketak egitea, teknologia-integrazioari baliabideak ematea eta ikasleengan zentratutako ikuspegiak sustatzen dituzten esparruak sortzea.Neurri hauek funtsezkoak dira nahi diren emaitzak lortzeko.Irakaskuntza desberdinduari buruzko azken ikerketek argi eta garbi erakutsi dute irakaskuntza desberdina arrakastaz ezartzeak irakasleen etengabeko prestakuntza eta garapen aukerak behar dituela [35].
Tresna honek laguntza baliotsua eskaintzen die ikasleei zuzendutako ikaskuntza-jarduerak planifikatzeko ikasleengan zentratutako ikuspegia hartu nahi duten hortz-hezitzaileei.Hala ere, azterketa hau erabaki-zuhaitzaren ML ereduak erabiltzera mugatzen da.Etorkizunean, datu gehiago bildu beharko lirateke ikaskuntza automatikoko eredu ezberdinen errendimendua alderatzeko, gomendio tresnen zehaztasuna, fidagarritasuna eta zehaztasuna alderatzeko.Gainera, zeregin jakin baterako ikaskuntza automatikoko metodo egokiena aukeratzerakoan, garrantzitsua da beste faktore batzuk kontuan hartzea, hala nola ereduaren konplexutasuna eta interpretazioa.
Ikerketa honen muga bat da hortz-ikasleen artean LS eta IS mapak egitean soilik zentratu zela.Hori dela eta, garatutako gomendio sistemak hortz-ikasleentzat egokiak direnak soilik gomendatuko ditu.Aldaketak beharrezkoak dira goi-mailako hezkuntzako ikasleen erabilera orokorrerako.
Garatu berri den ikaskuntza automatikoan oinarritutako gomendio-tresna gai da ikasleen LS dagokion ISrekin berehala sailkatu eta parekatzeko, hortz-hezitzaileei irakaskuntza eta ikaskuntza jarduera garrantzitsuak planifikatzen laguntzeko lehen programa bihurtuz.Datuetan oinarritutako triage-prozesu bat erabiliz, gomendio pertsonalizatuak eman ditzake, denbora aurreztu, irakaskuntza-estrategiak hobetu, zuzendutako esku-hartzeak lagundu eta etengabeko garapen profesionala sustatu.Bere aplikazioak ikasleengan zentratutako ikuspegiak sustatuko ditu hortz-heziketarako.
Gilak Jani Associated Press.Ikaslearen ikas-estiloaren eta irakaslearen irakas-estiloaren arteko parekatzea edo desegokia.Int J Mod Educ Informatika.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Argitalpenaren ordua: 2024-04-29