Goi-mailako hezkuntzako erakundeetan ikasleen arteko ikaskuntza (SCL) beharra gero eta handiagoa da, Odontologia barne. Hala ere, SCLk hortz hezkuntzan aplikazio mugatua du. Hori dela eta, ikerketa honek Odontologian SCL aplikazioa sustatzea du helburu, erabaki zuhaitzaren makina ikasteko (ML) teknologia erabiliz nahiago ikasteko estiloa (LS) eta Dentaleko ikasleen ikaskuntza estrategiak (hau da) garatzeko tresna erabilgarria garatzeko tresna erabilgarria da. Jarraibideak garatzeko tresna erabilgarria da . Hortzetako ikasleentzako metodo itxaropentsuak.
Malayako Unibertsitateko 255 dontsaleko ikasle guztira, ikaskuntza estiloen (M-ILS) galdetegiaren indizea aldatu da, eta horien 44 elementu zituen haien LSSan sailkatzeko. Bildutako datuak (datu multzo bat deitzen zaio) gainbegiratutako zuhaitzetan ikasleen ikaskuntza estiloak egokienera egokitzen da automatikoki. Makina ikasteko oinarritutako gomendiorako tresna ebaluatzen da.
LS (Sarrera) eta da (xede-irteera) mapak automatikoki erosteko ereduak aplikatzea hortzetako ikasle bakoitzarentzako ikaskuntza estrategia egokien zerrenda ahalbidetzen du. Gomendio-tresnak zehaztasun ezin hobea erakutsi du eta ereduaren zehaztasun orokorra gogoraraztea, LS parekatzeak sentsibilitate eta berezitasun ona duela adieraziz.
ML erabaki-zuhaitz batean oinarritutako gomendiorako tresna da, hortz-ikasleen ikasteko estiloak ikasteko estrategia egokiekin zehaztasunez lotzeko. Tresna honek ikasleen ikaskuntza esperientzia hobetu dezaketen ikastaroak edo moduluak planifikatzeko aukera indartsuak eskaintzen ditu.
Irakaskuntza eta ikaskuntza funtsezko jarduerak dira hezkuntza erakundeetan. Kalitate handiko lanbide heziketako sistema garatzean, garrantzitsua da ikasleen ikasteko beharretara bideratzea. Ikasleen eta haien ikaskuntzaren inguruko interakzioa beren ls bidez zehaztu daiteke. Ikerketek iradokitzen dute ikasleen LSren arteko irakasleek eta ikasleen ikaskuntzarako ondorio negatiboak izan ditzaketela, hala nola, arreta eta motibazioa gutxitzea. Horrek zeharka eragingo du ikasleen errendimendua [1,2].
Irakasleek ikasleei ezagutzak eta trebetasunak emateko erabiltzen den metodoa da, ikasleei ikasten laguntzeko [3]. Orokorrean, irakasle onek estrategia didaktikoak planifikatzen dituzte edo ikasleen ezagutza maila, ikasten ari diren kontzeptuak eta ikasteko etapa bat datoz. Teorikoki, LS eta bat datorrenean, ikasleek trebetasun multzo zehatz bat antolatu eta erabili ahal izango dute modu eraginkorrean ikasteko. Normalean, ikasgai plan batek etapen arteko hainbat trantsizio biltzen ditu, hala nola, irakaskuntzatik praktika gidatuan edo praktika independenteetara. Hori kontuan hartuta, irakasle eraginkorrak maiz argibideak planifikatzen ditu ikasleen ezagutzak eta trebetasunak eraikitzeko helburuarekin [4].
SCL eskaera gero eta handiagoa da goi mailako hezkuntzako erakundeetan, Odontologia barne. SCL estrategiak ikasleen ikaskuntza beharrak asetzeko diseinatuta daude. Hori dela eta, adibidez, ikasleek ikasteko jardueretan eta irakasleetan aktiboki parte hartzen badute, erraztasun gisa jokatzen dute eta iritzi baliotsuak emateaz arduratzen dira. Ikasleen hezkuntza mailak edo lehentasunak egokiak diren ikasteko materialak eta jarduerak emateak ikasleen ikaskuntza ingurunea hobetu dezake eta ikaskuntza esperientzia positiboak sustatu ditzake [5].
Orokorrean, hortzetako ikasleen ikasketa prozesuak eragina du burutu behar dituzten prozedura klinikoek eta pertsonen arteko trebetasun eraginkorrak garatzen dituzten ingurune klinikoek eragina dute. Prestakuntzaren xedea da ikasleei odontologiaren oinarrizko ezagutzak hortz-trebetasun klinikoekin uztartzea eta eskuratutako ezagutzak egoera kliniko berrietan aplikatzea [6, 7]. LSren arteko harremanari buruzko ikerketa goiztiarra da, nahiago duten LS-ri mapatutako ikasteko estrategiak egokitzea hezkuntza prozesua hobetzen lagunduko lukeela [8]. Egileek ere gomendatzen dute ikasleen ikaskuntza eta beharretara egokitzeko irakaskuntza eta ebaluazio metodo ugari erabiltzea.
Irakasleek LS ezagutza aplikatuko dute, ikasleen gaia ezagutza sakonagoa eta ulermena hobetuko duten irakaskuntzak hobetzeko irakaskuntzak hobetzeko. Ikerlariek LS ebaluazio tresna batzuk garatu dituzte, hala nola Kolb esperientzialen ikaskuntza eredua, Felder-Silverman Learning Style Model (FSLSM) eta Fleming Vak / Vark eredua [5, 9, 10]. Literaturaren arabera, ikasteko eredu hauek dira ikasteko ereduen gehien erabiltzen direnak. Egungo ikerketa lanetan, FSLSM hortzetako ikasleen artean ls ebaluatzeko erabiltzen da.
FSLSM ingeniaritzan ikasteko egokitzailea ebaluatzeko oso erabilitako eredua da. FSLSM ereduak erabiliz aurki daitezkeen Osasun Zientzietan argitaratutako lan ugari daude (medikuntza, erizaintza, farmazia eta odontologia barne) [5, 11, 12, 13]. LS-en dimentsioak neurtzeko erabiltzen den instrumentuak ikasteko estiloen aurkibidea (ILS) deritzo, 44 elementu ditu LS: prozesatzeko (aktiboa / islatzailea), pertzepzioa (pertzeptua / intuitiboa), sarrera (ikus-entzunezkoa). / Aditza) eta ulermena (sekuentziala / globala) [14].
1. irudian erakusten den moduan, FSLSM dimentsio bakoitzak lehentasun nagusi bat du. Adibidez, prozesatzeko dimentsioan, "aktiboa" duten ikasleek nahiago dute informazioa prozesatzea ikasteko materialekin zuzenean elkarreraginean, ikasi eta taldeetan ikasteko joera. Ls "islatzaileak" pentsamenduaren bidez ikastea aipatzen du eta nahiago du lan egitea. LS "hautematea" dimentsioa "sentimendu" eta / edo "intuizioan" banatu daiteke. "Sentimenduak" Ikasleek informazio konkretuagoa eta prozedura praktikoak nahiago dituzte, egitateak material abstraktua nahiago duten ikasleen "intuitibo" batzuekin alderatuta, izaera berritzaileagoak eta sortzaileagoak dira. LS-ren "sarrera" dimentsioa "bisuala" eta "hitzezkoa" da. LS "bisuala" dutenek nahiago dute ikusizko erakustaldien bidez (esaterako, diagramak, bideoak edo zuzeneko manifestazioak), eta "hitzezkoa" dutenek nahiago dute idatzizko edo ahozko azalpenetan hitzen bidez ikastea. LS dimentsioak "ulertzeko", hala nola ikasleak "sekuentzial" eta "global" bihur daitezke. "Ikasle sekuentzialak pentsamendu prozesu lineala nahiago dute eta pausoz pauso ikasi, ikasle globalek pentsamendu prozesu holistikoa izan ohi duten bitartean eta beti ikasten ari direnaren ulermen hobea izaten dute.
Berriki, ikertzaile askok datuen aurkikuntzak automatikoki aurkitzeko metodoak aztertzen hasi dira, datu kopuru handiak interpretatzeko gai diren algoritmo eta eredu berrien garapena barne [15, 16]. Emandako datuetan oinarrituta, gainbegiratutako ml (makina ikastea) algoritmoen eraikuntzan oinarritutako etorkizuneko emaitzak aurreikusteko ereduak eta hipotesiak sortzeko gai da [17]. Besterik gabe, gainbegiratutako makinak ikasteko teknikak Sarrerako datuak manipulatu eta tren algoritmoak manipulatu. Ondoren, emandako sarrerako datuetarako antzeko egoeretan oinarritutako emaitza sailkatzen edo aurreikusten duen sorta sortzen du. Gainbegiratutako makinen ikasteko algoritmoen abantaila nagusia da emaitza aproposak eta nahi diren emaitzak ezartzeko gaitasuna [17].
Datuak gidatutako metodoak eta erabakiak zuhaitzak kontrolatzeko ereduak erabilita, LS detekzio automatikoa posible da. Erabakien zuhaitzak hainbat arlotan prestakuntza programetan oso erabiliak direla jakinarazi da, osasun zientziak barne [18, 19]. Ikerketa honetan, eredua sistemaren garatzaileek berariaz prestatu zuten ikasleen LS identifikatzeko eta onena haientzat gomendatzen dutenak.
Azterketa honen helburua ikasleen LS-en oinarritutako entrega estrategiak garatzea da eta SCL planteamendua aplikatzea LS-ra mapatutako gomendiorako tresna garatuz. Gomendio-tresnaren diseinu fluxua SCL metodoaren estrategia gisa agertzen da 1. irudian. Gomendio tresna bi zatitan banatuta dago, LS sailkapen mekanismoa ILS erabiliz eta egokiena ikasleentzat bistaratzea da.
Bereziki, informazioaren segurtasunerako gomendio tresnen ezaugarrien ezaugarriak web teknologien erabilera eta erabaki zuhaitz makinaren ikaskuntza erabiltzea da. Sistemaren garatzaileek erabiltzailearen esperientzia eta mugikortasuna hobetzen dituzte telefono mugikorrak eta tabletak, hala nola gailu mugikorretara egokituz.
Esperimentua Malayako Unibertsitateko Odontologia Fakultateetako bi fasetan egin zen eta ikasleek borondatez hartu zuten parte. Parte-hartzaileek hortz-ikasle baten lineako m-ils ingelesez erantzun zuten. Hasierako fasean, 50 ikasleko datu multzoa erabili zen erabaki zuhaitz makina ikasteko algoritmoa trebatzeko. Garapen prozesuaren bigarren fasean, 255 ikasleko datu multzoa erabili zen garatutako tresnaren zehaztasuna hobetzeko.
Parte-hartzaile guztiek lineako informazioa jasotzen dute etapa bakoitzaren hasieran, ikasturtearen arabera, Microsoft taldeen bidez. Azterketaren xedea azaldu da eta baimen informatua lortu zen. Parte-hartzaile guztiek M-ILetara sartzeko esteka eman zuten. Ikasle bakoitzak galdetegiaren 44 elementu guztiei erantzuteko agindu zioten. Astebete eman zitzaien ILS aldatutako ilarrak osatzeko, seihilekoan hasi baino lehen seihilekoko atsedenaldian. M-ILS jatorrizko ILS instrumentuan oinarritzen da eta hortzetako ikasleentzat aldatu da. Jatorrizko ILSen antzekoa, 44 modu uniformeki banatzen ditu (A, B), 11 elementurekin bakoitza, FSLSM dimentsio bakoitzaren alderdiak ebaluatzeko erabiltzen direnak.
Tresneria garatzeko hasierako faseetan, ikertzaileek eskuz ohartarazi zituzten mapak 50 hortz ikasleen datu multzoa erabiliz. FSLMren arabera, sistemak "A" eta "B" erantzunen batura ematen du. Dimentsio bakoitzeko, ikasleak erantzun gisa hautatzen badu, LS aktibo / pertzepzio / ikusizkoa / sekuentziala sailkatzen da eta ikasleak erantzun gisa hautatzen badu, ikaslea islatzaile / intuitibo / linguistic gisa sailkatzen da . / Ikasle globala.
Hortzetako hezkuntza eta sistemaren garatzaileen arteko lan-fluxua kalibratu ondoren, FLSSM domeinuan oinarritutako galderak hautatu ziren eta ML ereduan sartu ziren ikasle bakoitzaren ls. "Zaborra, zaborra", makina ikasteko arloan esaera ezaguna da, datuen kalitatean arreta jarriz. Sarrerako datuen kalitateak makina ikasteko ereduaren zehaztasuna eta zehaztasuna zehazten ditu. Ezaugarri ingeniaritzako fasean, funtzio multzo berri bat sortzen da FLSSM-n oinarritutako "A" eta "B" erantzunen batura. Droga posizioen identifikazio zenbakiak 1. taulan ematen dira.
Kalkulatu puntuazioa erantzunen arabera eta zehaztu ikaslearen ls. Ikasle bakoitzarentzat, puntuazio-tartea 1etik 3ra bitartekoa da. . Dimentsio bereko beste aldakuntza bat da 9 eta 11 bitarteko puntuazioak lehentasun sendoa islatzen duela mutur baten edo bestetik [8].
Dimentsio bakoitzeko, drogak "aktibo", "islatzaileak" eta "orekatuak" sartu ziren. Adibidez, ikasle batek "B" maizago erantzuten duenean, izendatutako elementu batean eta bere puntuazioak 5. atalasea gainditzen du prozesatzeko LS dimentsioa irudikatzen duen elementu jakin baterako, "aktibo" ls-ri dagokio Domeinua. . Hala ere, ikasleak Ls "islatzaileak" gisa sailkatu ziren "A" baino "A" baino gehiago "" galdera "baino (1. taula) eta 5 puntu baino gehiago lortu zituen. Azkenean, ikaslea "oreka" egoeran dago. Puntuazioak 5 puntu gainditzen ez baditu, orduan LS "prozesua" da. Sailkapen prozesua beste LS dimentsioetarako errepikatu zen, hots, pertzepzioa (aktiboa / islatzailea), sarrera (bisuala / hitzezkoa) eta ulermena (sekuentziala / globala).
Erabakien zuhaitz ereduek funtzio eta erabaki arauak erabil ditzakete sailkapen prozesuaren fase desberdinetan. Sailkapen eta iragarpen tresna ezaguna da. Zuhaitz egitura bat erabiliz irudikatu daiteke, esaterako, organigrama [20], eta horietan barrutiko nodoak daude atributuaren arabera, adar bakoitzak proba-emaitzak ordezkatzen dituena eta hosto-nodo bakoitza (hosto nodoa) klaseko etiketa bat duena.
Arau oinarritutako programa sinplea sortu zen automatikoki puntuatzeko eta ikasle bakoitzaren LS bere erantzunetan oinarrituta. Arauak oinarritzat hartuta, "bada", "bada" abiarazlea deskribatzen du eta "orduan" egin beharreko ekintza zehazten du, adibidez: "X gertatzen bada, y" (Liu et al., 2014). Datu multzoak korrelazioa erakusten badu eta erabaki zuhaitzaren eredua behar bezala prestatu eta ebaluatzen bada, planteamendu hau LS-rekin bat egiteko prozesua automatizatzeko modu eraginkorra izan daiteke.
Garapenaren bigarren fasean, datu-multzoa 255era igo da gomendio tresnaren zehaztasuna hobetzeko. Datu multzoa 1: 4 erlazioan zatitzen da. Datu multzoen% 25 (64) erabili da probetarako, eta gainerako% 75 (191) prestakuntza multzo gisa erabili zen (2. irudia). Datu multzoa zatitu behar da eredua prebenitzea eta probatu behar izatea datu multzo berberetan, eta horrek eredua gogoratzea eragin dezake. Eredua prestakuntza-multzoan trebatzen da eta ereduak inoiz ikusi ez duen proba-multzoetan duen errendimendua ebaluatzen du.
Tresna garatu ondoren, aplikazioak LS sailkatu ahal izango du hortzetako ikasleen erantzunetan oinarritutako web interfaze baten bidez. Web bidezko informazioa Segurtasuneko Gomendiorako Tresna Sistema Python programazio lengoaia erabiliz eraikitzen da Django markoa backend gisa erabiliz. 2. taulak sistema honen garapenean erabilitako liburutegiak zerrendatzen ditu.
Datu multzoa erabakiko zuhaitz eredu bati elikatzen da ikasleen erantzunak kalkulatzeko eta ateratzeko ikasleen LS Neurriak automatikoki sailkatzeko.
Nahasmen matrizea erabaki zuhaitz makina ikasteko algoritmoaren zehaztasuna ebaluatzeko erabiltzen da datu multzo jakin batean. Aldi berean, sailkapen ereduaren errendimendua ebaluatzen du. Ereduaren iragarpenak laburbiltzen ditu eta benetako datuen etiketekin alderatzen ditu. Ebaluazioaren emaitzak lau balio desberdinetan oinarritzen dira: ERREGE POSITIVE (TP) - Modeloak kategoria positiboa, positibo faltsua (FP) - Ereduak kategoria positiboa aurreikusi zuen, baina egiazko etiketa negatiboa izan da, egia negatiboa (TN) - Ereduak behar bezala aurreikusi du klase negatiboa eta negatibo faltsua (FN) - ereduak klase negatiboa aurreikusten du, baina egiazko etiketa positiboa da.
Balio horiek Scikit-ikasteko sailkapen ereduaren hainbat errendimendu metrika kalkulatzeko erabiltzen dira Python, hots, zehaztasuna, zehaztasuna, gogoraraztea eta F1 puntuazioa. Hona hemen adibideak:
Gogoratzeak (edo sentsibilitatea) M-ILS galdetegiari erantzun ondoren ikaslearen LS zehaztasunez sailkatzeko gaitasuna neurtzen du.
Berezitasunari benetako tasa negatiboa deritzo. Goiko formuletik ikus daitekeenez, hori izan beharko litzateke egiazko ezezkoen (TN) benetako ezezko eta positibo faltsuen (FP). Ikasleen drogak sailkatzeko gomendatutako tresnaren baitan, identifikazio zehatza egiteko gai izan beharko litzateke.
Erabakiaren zuhaitz ML eredua entrenatzeko erabilitako 50 ikasleen jatorrizko datu-multzoak zehaztasun nahiko baxua erakutsi zuen anotazioetan gizakiaren akatsa dela eta (3. taula). Arau oinarritutako programa sinplea sortu ondoren, LS puntuazioak eta ikasleen oharpenak automatikoki kalkulatzeko, gero eta datu-multzo gehiago (255) erabili ziren gomendatzaile sistema trebatzeko eta probatzeko.
Multiclass Confusion Matrix-en, elementu diagonalek LS mota bakoitzeko iragarpen zuzenak adierazten dituzte (4. irudia). Erabakiaren zuhaitz eredua erabiliz, 64 laginak behar bezala aurreikusi ziren. Horrela, elementu diagonalek espero diren emaitzak erakusten dituzte, ereduak ondo egiten duela eta zehaztasunez iragartzen duela adierazi du LS sailkapen bakoitzeko klase etiketa. Horrela, gomendio tresnaren zehaztasun orokorra% 100 da.
Zehaztasun, zehaztasun, gogorarazteko eta F1 puntuazioaren balioak 5. irudian agertzen dira. Erabakiaren zuhaitz eredua erabilita, bere F1 puntuazioa 1,0 "perfektua da", zehaztasun eta gogorarazpen perfektua adieraziz, sentsibilitate eta berezitasun nabarmena islatuz balioak.
6. irudian, entrenamenduak eta probak egin ondoren erabaki zuhaitz eredua bistaratzea da. Alboko alderaketa batean, ezaugarri gutxiago dituzten erabaki zuhaitz ereduak zehaztasun handiagoa eta eredu bistaratzea erraztu zituen. Horrek erakusten du funtzioen murrizketara eramaten duen ingeniaritza ereduaren errendimendua hobetzeko urrats garrantzitsua dela.
Erabakiak zuhaitz gainbegiratutako ikaskuntza aplikatuz, LS (sarrera) eta da (xede-irteera) mapak automatikoki sortzen dira eta LS bakoitzarentzako informazio zehatza dauka.
Emaitzek erakutsi zuten 255 ikasleren% 34,9k (1) LS aukera nahiago zutela. Gehienak (% 54,3) bi ls lehentasun edo gehiago izan zituen. Ikasleen% 12,2k adierazi du LS nahiko orekatua dela (4. taula). Zortzi LS nagusiez gain, Malayako Dentaleko ikasleentzako LS sailkapenen 34 konbinazio daude. Horien artean, pertzepzioa, ikuspegia eta pertzepzioaren eta ikuspegiaren konbinazioa ikasleek jakinarazi dute (7. irudia).
4. taulan ikus daitekeenez, ikasle gehienek zentzumen nagusia (% 13,7) edo bisuala (% 8,6) ls izan dute. Ikasleen% 12,2k pertzepzioa konbinatu zuela ikusmena (pertzeptual-bisuala LS). Aurkikuntza horiek iradokitzen dute ikasleek ezarritako metodoen bidez ikasi eta gogoratzea, prozedura zehatzak eta zehatzak jarraituz eta naturan erne daude. Aldi berean, ikasten gozatzen dute (diagramak, etab.) Eta informazioa eztabaidatu eta aplikatzeko joera dute taldeetan edo bere kabuz.
Azterketa honek datuen meatzaritzan erabilitako makinen ikasteko tekniken ikuspegi orokorra eskaintzen du, berehala eta zehaztasunez iragarritako ikasleen LS eta egokia da. Erabakia zuhaitz ereduak aplikatzeak identifikatu zituen bizitzarekin eta hezkuntza esperientziekin lotura estua duten faktoreak. Zaindutako makina ikasteko algoritmoa da, datuak sailkatzeko zuhaitz egitura erabiltzen duena, zenbait irizpide oinarritutako azpikategorietan banatuz. Sarrerako datuak azpimultzoetan banatuz funtzionatzen du barneko nodo bakoitzaren sarrera-ezaugarrietako baten balioaren arabera, hosto-nodoan erabaki bat hartu arte.
Erabakiaren barruko nodoek M-ILS arazoaren sarrerako ezaugarrietan oinarritutako konponbidea irudikatzen dute eta hosto-nodoek LS azken sailkapenaren iragarpena adierazten dute. Ikerketa osoan zehar, erabaki-prozesua azaltzen eta ikusiko duten erabakien zuhaitzen hierarkia ulertzea erraza da, sarrerako ezaugarrien eta irteerako iragarpenen arteko erlazioa ikusita.
Informatika eta ingeniaritza arloetan, makina ikasteko algoritmoak oso erabiliak dira ikasleen errendimendua iragartzeko, sarrerako azterketen puntuazioetan oinarrituta [21], informazio demografikoa eta ikasteko portaera [22]. Ikerketek erakutsi zuten algoritmoak ikasleen errendimendua zehaztasunez aurreikusi zuela eta zailtasun akademikoetarako arriskua duten ikasleak identifikatzen lagundu ziela.
Hortz-prestakuntzarako paziente simulatzaile birtualen garapenean ML algoritmoak aplikatzea salatu da. Simulatzailea gaixoen benetako erantzun fisiologikoak zehaztasunez erreproduzitzeko gai da eta hortzetako ikasleak ingurune seguru eta kontrolatuan trebatzeko erabil daiteke [23]. Beste hainbat ikerketek erakusten dute makinak ikasteko algoritmoek hortzetako eta medikuntzaren eta gaixoen zainketaren kalitatea eta eraginkortasuna hobetu ditzaketela. Makinen ikasteko algoritmoak erabili dira hortz-gaixotasunen diagnostikoan laguntzeko, hala nola sintomak eta pazientearen ezaugarriak [24, 25]. Beste ikerketa batzuek, berriz, gaixoen ikaskuntza algoritmoen erabilera esploratu dute, hala nola, gaixoen emaitzak aurreikustea, arrisku handiko gaixoak identifikatzea, tratamendu plan pertsonalizatuak [26], tratamendu periodontala [27], eta karies tratamendua garatuz [25].
Nahiz eta Makina ikasteko ikasteko aplikazioari buruzko txostenak argitaratu izan dira, hortzetako hezkuntzan duen aplikazioa mugatua da. Hori dela eta, ikerketa honek erabaki zuhaitz eredua erabili zuen LS-rekin lotutako faktoreak identifikatzeko eta hortzetako ikasleen artean dago.
Azterketa honen emaitzek erakusten dute garatutako gomendio tresnak zehaztasun handia eta zehaztasun ezin hobea duela, irakasleek tresna honetatik aprobetxatu dezaketela adieraziz. Datuak gidatutako sailkapen prozesua erabiliz, gomendio pertsonalizatuak eman ditzake eta hezitzaile eta ikasleentzako hezkuntza esperientziak eta emaitzak hobetzeko. Horien artean, gomendio tresnen bidez lortutako informazioa irakasleen irakaskuntza metodoen eta ikasleen ikaskuntzaren beharren arteko gatazkak konpon daitezke. Adibidez, gomendio tresnen irteera automatizatua dela eta, ikaslearen IPa identifikatzeko behar den denbora eta dagokion IParekin bat datorrela nabarmen murriztuko da. Horrela, prestakuntza jarduera egokiak eta prestakuntza materialak antolatu daitezke. Horrek ikasleen ikaskuntza portaera positiboa eta kontzentratzeko gaitasuna garatzen laguntzen du. Ikerketa batek jakinarazi du ikasleei nahiago duten ikaskuntza materialekin eta ikaskuntzako jarduerak emateak ikasleei lagun diezaiekeela ikasleei integratzen, prozesatu eta gozatzeko modu anitzetan, potentzial handiagoa lortzeko [12]. Ikerketek ikasgelan parte hartzea hobetzeaz gain, ikasleen ikasketa prozesua ulertzeak ere paper kritikoa du ikasleekin irakaskuntza praktikak eta komunikazioa hobetzeko [28, 29].
Hala ere, edozein teknologia modernoekin gertatzen den bezala, arazoak eta mugak daude. Hauek dira datuen pribatutasunarekin, bias eta zuzentasunarekin lotutako gaiak eta hortzetako hezkuntzan makina ikasteko algoritmoak garatzeko eta ezartzeko beharrezkoak diren trebetasun eta baliabide profesionalak; Hala ere, arlo horretako interesak eta ikerketak haztea iradokitzen du Makina ikasteko teknologiek hortzetako hezkuntza eta hortzetako zerbitzuetan eragin positiboa izan dezaketela.
Ikerketa honen emaitzek dontrako ikasleen erdiak drogak "hautemateko" joera dute. Ikasle mota honek gertakariak eta adibide konkretuak, orientazio praktikoa, xehetasunetarako pazientzia eta "ikusizko" lehentasuna ditu, non ikasleek nahiago dute irudiak, grafikoak, koloreak eta mapak erabili ideiak eta pentsamenduak transmititzeko. Egungo emaitzak koherenteak dira ILS-k ILS erabiliz, hortzetako eta medikuntzako ikasleei LS ebaluatzeko, gehienek pertzepzioaren eta ikusizkoaren ezaugarriak dituzte [12, 30]. Dalmolin et alek iradokitzen dute ikasleei beren LS-ri buruz informatzeak ikaskuntza potentziala lortzeko aukera ematen duela. Ikerlariek diotenez, irakasleek ikasleen hezkuntza prozesua guztiz ulertzen dutenean, irakaskuntza metodo eta jarduera desberdinak inplementatu daitezke, ikasleen errendimendua eta ikaskuntza esperientzia hobetuko dutenak [12, 31, 32]. Beste ikerketa batzuek erakutsi dute ikasleen LS doitzea ikasleen ikaskuntza esperientzia eta errendimenduan hobekuntzak erakusten dituztela beren ikaskuntza estiloak beren ls [13, 33] egokitzeko.
Irakasleen iritziak aldatu egin daitezke ikasleen ikasteko gaitasunetan oinarritutako irakaskuntza estrategiak ezartzearen inguruan. Batzuek ikuspegi horren onurak ikusten dituzten bitartean, garapen profesionalerako aukerak, tutoretza eta komunitatearen laguntza barne, beste batzuek denborarekin eta erakundeen laguntzaz arduratu daitezke. Oreka lortzeko ahalegina da ikasleenganako jarrera sortzeko. Goi mailako hezkuntzako agintariek, hala nola, unibertsitateko administratzaileak, eginkizun garrantzitsua izan dezakete aldaketa positiboak gidatzeko praktika berritzaileak eta fakultateko garapenari laguntzeko [34]. Goi mailako hezkuntza sistema benetan dinamikoa eta sentikorra sortzeko, politikariek urrats ausartak hartu behar dituzte, hala nola, politikaren aldaketak egitea, teknologiaren integraziorako baliabideak eskaintzea eta ikasleen zentratutako ikuspegiak sustatzen dituzten esparruak sortzea. Neurri horiek funtsezkoak dira nahi diren emaitzak lortzeko. Disenformazio desberdineko berrien inguruko ikerketak argi eta garbi erakutsi du bereizteko instrukzioak ezartzeak irakasleentzako etengabeko prestakuntza eta garapen aukerak eskatzen dituela [35].
Tresna honek laguntza baliotsua eskaintzen du ikasleen adimendun ikaskuntza jarduerak planifikatzeko ikasleen ardatz bat hartu nahi duten hortzetako hezitzaileei. Hala ere, azterketa hau erabaki zuhaitz ML ereduak erabiltzera mugatzen da. Etorkizunean, datu gehiago bildu behar dira makina ikasteko eredu desberdinen errendimendua konparatzeko, gomendio tresnen zehaztasuna, fidagarritasuna eta zehaztasuna konparatzeko. Gainera, zeregin jakin baterako makina ikasteko metodo egokiena aukeratzerakoan, garrantzitsua da beste faktore batzuk kontuan hartzea, hala nola eredu konplexutasuna eta interpretazioa.
Azterketa honen muga LS mapan oinarritu zen eta hortzetako ikasleen artean bakarrik zentratu da. Hori dela eta, garatutako gomendio sistemak hortzetako ikasleentzat egokiak direnak soilik gomendatuko ditu. Aldaketak beharrezkoak dira goi mailako hezkuntzako ikasleen erabilerarako.
Garatu berri den makina ikasteko gomendiorako tresna da ikasleen LS dagokiona eta bat datorrenari dagokiona sailkatzeko, eta hortzetako hezitzaileen lehen hezkuntza programak irakasteko eta ikasteko jarduerak planifikatzen laguntzeko. Datuak gidatutako triage prozesua erabiliz, gomendio pertsonalizatuak eman ditzake, denbora aurreztu, irakaskuntza estrategiak hobetu, bideratutako esku-hartzeei laguntza eman eta etengabeko garapena sustatuko dute. Bere aplikazioak ikasleen zentratutako ikuspegiak sustatuko ditu hortzetako hezkuntzarako.
Gilak Jani Association Press. Ikaslearen ikaskuntza estiloaren eta irakaslearen irakaskuntza estiloaren arteko partidua edo desoreka. Int j mod hezitzea informatika. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Posta: 2012-29ko apirilak 29