Ikaslearengan zentratutako ikaskuntzaren (KBK) beharra gero eta handiagoa da goi-mailako hezkuntza-erakundeetan, odontologia barne. Hala ere, KBK-k aplikazio mugatua du odontologia-hezkuntzan. Hori dela eta, ikerketa honek KBK-ren aplikazioa sustatzea du helburu odontologian, erabaki-zuhaitz bidezko makina-ikaskuntzaren (AA) teknologia erabiliz odontologia-ikasleen ikaskuntza-estilo hobetsia (EA) eta dagokien ikaskuntza-estrategiak (EE) mapatzeko, EEren jarraibideak garatzeko tresna erabilgarri gisa. Metodo itxaropentsuak odontologia-ikasleentzat.
Malaya Unibertsitateko 255 odontologia ikaslek bete zuten Ikaskuntza Estiloen Indizearen (m-ILS) galdetegi aldatua, eta bertan 44 elementu zeuden beren LSetan sailkatzeko. Bildutako datuak (datu-multzo deiturikoak) gainbegiratutako erabaki-zuhaitz ikaskuntzan erabiltzen dira, ikasleen ikaskuntza-estiloak automatikoki IS egokienarekin lotzeko. Ondoren, ikaskuntza automatikoan oinarritutako IS gomendio-tresnaren zehaztasuna ebaluatzen da.
LS (sarrera) eta IS (helburu irteera) arteko mapatze prozesu automatizatu batean erabaki-zuhaitz ereduak aplikatzeak odontologia ikasle bakoitzerako ikaskuntza-estrategia egokien zerrenda berehalakoa ahalbidetzen du. IS gomendio tresnak ereduaren zehaztasun orokorraren zehaztasun eta gogorapen perfektua erakutsi zuen, LS ISrekin lotzeak sentikortasun eta espezifikotasun ona duela adieraziz.
ML erabaki-zuhaitz batean oinarritutako IS gomendio-tresna batek frogatu du odontologiako ikasleen ikaskuntza-estiloak ikaskuntza-estrategia egokiekin zehaztasunez lotzeko duen gaitasuna. Tresna honek aukera indartsuak eskaintzen ditu ikasleen ikaskuntza-esperientzia hobetu dezaketen ikasleengan oinarritutako ikastaroak edo moduluak planifikatzeko.
Irakaskuntza eta ikaskuntza oinarrizko jarduerak dira hezkuntza-erakundeetan. Kalitate handiko lanbide-hezkuntzako sistema bat garatzerakoan, garrantzitsua da ikasleen ikaskuntza-beharretan arreta jartzea. Ikasleen eta haien ikaskuntza-ingurunearen arteko elkarrekintza haien LS bidez zehaztu daiteke. Ikerketek iradokitzen dute irakasleek nahitako ikasleen LS eta ISen arteko desadostasunek ondorio negatiboak izan ditzaketela ikasleen ikaskuntzan, hala nola arreta eta motibazio gutxitzea. Horrek zeharka eragingo du ikasleen errendimenduan [1,2].
IS irakasleek ikasleei ezagutzak eta trebetasunak emateko erabiltzen duten metodo bat da, ikasleei ikasten laguntzea barne [3]. Oro har, irakasle onek ikasleen ezagutza-mailarekin, ikasten ari diren kontzeptuekin eta ikaskuntza-etaparekin bat datozen irakaskuntza-estrategiak edo IS planifikatzen dituzte. Teorian, LS eta IS bat datozenean, ikasleek trebetasun multzo espezifiko bat antolatu eta erabili ahal izango dute eraginkortasunez ikasteko. Normalean, ikasgai-plan batek hainbat trantsizio ditu etaparen artean, hala nola irakaskuntzatik praktika gidatura edo praktika gidatutik praktika independentera. Hori kontuan hartuta, irakasle eraginkorrek askotan irakaskuntza planifikatzen dute ikasleen ezagutzak eta trebetasunak eraikitzeko helburuarekin [4].
Goi-mailako hezkuntza-erakundeetan, odontologian barne, gero eta handiagoa da SCLren eskaria. SCL estrategiak ikasleen ikaskuntza-beharrak asetzeko diseinatuta daude. Hori lor daiteke, adibidez, ikasleek ikaskuntza-jardueretan aktiboki parte hartzen badute eta irakasleek erraztaile gisa jokatzen badute eta feedback baliotsua emateaz arduratzen badira. Esaten da ikasleen hezkuntza-mailara edo lehentasunetara egokitutako ikaskuntza-materialak eta jarduerak eskaintzeak ikasleen ikaskuntza-ingurunea hobetu eta ikaskuntza-esperientzia positiboak sustatu ditzakeela [5].
Oro har, odontologiako ikasleen ikaskuntza-prozesua egin behar dituzten prozedura kliniko desberdinek eta trebetasun interpersonal eraginkorrak garatzen dituzten ingurune klinikoak eragiten dute. Prestakuntzaren helburua ikasleei odontologiako oinarrizko ezagutzak odontologiako trebetasun klinikoekin konbinatzea eta eskuratutako ezagutzak egoera kliniko berrietan aplikatzea ahalbidetzea da [6, 7]. LS eta IS arteko harremanari buruzko lehen ikerketek aurkitu zuten nahiago den LS-ra egokitutako ikaskuntza-estrategiak egokitzeak hezkuntza-prozesua hobetzen lagunduko lukeela [8]. Egileek irakaskuntza- eta ebaluazio-metodo ugari erabiltzea ere gomendatzen dute ikasleen ikaskuntzara eta beharretara egokitzeko.
Irakasleek ikaskuntza-tresnen ezagutza aplikatzeak onura ateratzen die ikasleei gaiaren ezagutza eta ulermen sakonagoa eskuratzea hobetuko dien irakaskuntza diseinatzen, garatzen eta ezartzen laguntzeko. Ikertzaileek hainbat ikaskuntza-tresna garatu dituzte, hala nola Kolb Esperientziazko Ikaskuntza Eredua, Felder-Silverman Ikaskuntza Estilo Eredua (FSLSM) eta Fleming VAK/VARK Eredua [5, 9, 10]. Literaturaren arabera, ikaskuntza-eredu hauek dira gehien erabiltzen direnak eta gehien aztertutakoak. Gaur egungo ikerketa-lanean, FSLSM erabiltzen da odontologiako ikasleen ikaskuntza-tresnak ebaluatzeko.
FSLSM ingeniaritzan ikaskuntza moldagarria ebaluatzeko oso erabilia den eredua da. Osasun zientzietan (medikuntza, erizaintza, farmazia eta odontologia barne) argitaratutako lan asko daude FSLSM ereduak erabiliz [5, 11, 12, 13]. FLSM-n LS-ren dimentsioak neurtzeko erabiltzen den tresna Ikaskuntza Estiloen Indizea (ILS) da [8], eta LS-ren lau dimentsio ebaluatzen dituzten 44 elementu ditu: prozesamendua (aktiboa/hausnartzailea), pertzepzioa (pertzepzionala/intuitiboa), sarrera (ikusmenezkoa/ahozkoa) eta ulermena (sekuentziala/globala) [14].
1. irudian erakusten den bezala, FSLSM dimentsio bakoitzak lehentasun nagusi bat du. Adibidez, prozesatzeko dimentsioan, LS "aktiboa" duten ikasleek informazioa ikasmaterialekin zuzenean elkarreraginez prozesatzea nahiago dute, eginez ikasten dute eta taldean ikasteko joera dute. LS "hausnartzaileak" pentsamenduaren bidez ikastea aipatzen du eta bakarrik lan egitea nahiago du. LS-ren "hautemate" dimentsioa "sentimendua" eta/edo "intuizioa" bi zatitan bana daiteke. "Sentimendua" duten ikasleek informazio zehatzagoa eta prozedura praktikoagoak nahiago dituzte, gertaeretan oinarrituta daude material abstraktua nahiago duten eta izaeraz berritzaileagoak eta sortzaileagoak diren "intuitiboak" diren ikasleekin alderatuta. LS-ren "sarrera" dimentsioak "ikusmenezko" eta "berezko" ikasleak ditu. LS "ikusmenezko" duten pertsonek erakustaldi bisualen bidez ikastea nahiago dute (adibidez, diagramak, bideoak edo zuzeneko erakustaldiak), eta "berezko" LS dutenek, berriz, hitzen bidez ikastea nahiago dute azalpen idatzietan edo ahozkoetan. LS dimentsioak "ulertzeko", ikasle horiek "sekuentzial" eta "global" bi zatitan bana daitezke. «Ikasle sekuentzialek pentsamendu-prozesu lineala nahiago dute eta pausoz pauso ikasten dute, ikasle globalek, berriz, pentsamendu-prozesu holistikoa izan ohi dute eta beti hobeto ulertzen dute ikasten ari direna».
Duela gutxi, ikertzaile askok datuetan oinarritutako aurkikuntza automatikorako metodoak aztertzen hasi dira, besteak beste, datu kopuru handiak interpretatzeko gai diren algoritmo eta eredu berriak garatuz [15, 16]. Emandako datuetan oinarrituta, gainbegiratutako MLak (makina ikaskuntza) etorkizuneko emaitzak iragartzen dituzten ereduak eta hipotesiak sortzeko gai da, algoritmoen eraikuntzan oinarrituta [17]. Laburbilduz, gainbegiratutako makina ikaskuntza teknikek sarrera datuak manipulatzen dituzte eta algoritmoak entrenatzen dituzte. Ondoren, emaitza sailkatzen edo iragartzen duen tarte bat sortzen du, emandako sarrera datuen antzeko egoeretan oinarrituta. Gainbegiratutako makina ikaskuntza algoritmoen abantaila nagusia emaitza idealak eta nahi direnak ezartzeko duten gaitasuna da [17].
Datuetan oinarritutako metodoak eta erabaki-zuhaitzen kontrol-ereduak erabiliz, LSak automatikoki detektatzea posible da. Erabaki-zuhaitzak asko erabiltzen direla jakinarazi da hainbat arlotako prestakuntza-programetan, osasun-zientziak barne [18, 19]. Ikerketa honetan, sistemaren garatzaileek eredua bereziki entrenatu zuten ikasleen LSak identifikatzeko eta haientzat IS onena gomendatzeko.
Ikerketa honen helburua ikasleen LS-an oinarritutako IS emateko estrategiak garatzea eta SCL ikuspegia aplikatzea da, LS-ra mapatutako IS gomendio tresna bat garatuz. SCL metodoaren estrategia gisa IS gomendio tresnaren diseinu fluxua 1. irudian ageri da. IS gomendio tresna bi zatitan banatuta dago, ILS erabiliz LS sailkapen mekanismoa eta ikasleentzako IS bistaratzea egokiena barne.
Bereziki, informazioaren segurtasunerako gomendio tresnen ezaugarrien artean web teknologien erabilera eta erabaki-zuhaitzen makina-ikaskuntzaren erabilera daude. Sistemen garatzaileek erabiltzailearen esperientzia eta mugikortasuna hobetzen dituzte, telefono mugikorrak eta tabletak bezalako gailu mugikorretara egokituz.
Esperimentua bi etapatan egin zen eta Malaya Unibertsitateko Odontologia Fakultateko ikasleek borondatez parte hartu zuten. Parte-hartzaileek odontologia ikasle baten online m-ILS galderari erantzun zioten ingelesez. Hasierako fasean, 50 ikasleko datu-multzo bat erabili zen erabaki-zuhaitz makina-ikaskuntzako algoritmoa entrenatzeko. Garapen-prozesuaren bigarren fasean, 255 ikasleko datu-multzo bat erabili zen garatutako tresnaren zehaztasuna hobetzeko.
Parte-hartzaile guztiek online txosten bat jasotzen dute etapa bakoitzaren hasieran, ikasturtearen arabera, Microsoft Teams bidez. Ikerketaren helburua azaldu zen eta baimen informatua lortu zen. Parte-hartzaile guztiei m-ILSra sartzeko esteka bat eman zitzaien. Ikasle bakoitzari galdetegiko 44 elementuak erantzuteko argibideak eman zitzaizkion. Astebete eman zitzaien aldatutako ILSra betetzeko, semestrea hasi aurreko atsedenaldian, eurei komeni zitzaien ordu eta leku batean. m-ILS jatorrizko ILS tresnan oinarritzen da eta odontologia ikasleentzat aldatuta dago. Jatorrizko ILSaren antzera, 44 elementu uniformeki banatuta ditu (a, b), bakoitza 11 elementurekin, FSLSM dimentsio bakoitzaren alderdiak ebaluatzeko erabiltzen direnak.
Tresnaren garapenaren hasierako faseetan, ikertzaileek eskuz anotatu zituzten mapak 50 odontologia ikasleren datu-multzo bat erabiliz. FSLMren arabera, sistemak "a" eta "b" erantzunen batura ematen du. Dimentsio bakoitzerako, ikasleak "a" hautatzen badu erantzun gisa, LS Aktiboa/Pertzeptiboa/Ikusmenezkoa/Sekuentziala gisa sailkatzen da, eta ikasleak "b" hautatzen badu erantzun gisa, ikaslea Hausnarkorra/Intuitiboa/Linguistikoa/ikasle global gisa sailkatzen da.
Hortz-hezkuntzako ikertzaileen eta sistema-garatzaileen arteko lan-fluxua kalibratu ondoren, galderak FLSSM domeinuan oinarrituta hautatu ziren eta ML ereduan sartu ziren ikasle bakoitzaren LS aurreikusteko. "Zaborra sartzen bada, zaborra ateratzen bada" esaera ezaguna da makina-ikaskuntzaren arloan, datuen kalitatean arreta jarriz. Sarrerako datuen kalitateak makina-ikaskuntza ereduaren zehaztasuna eta zuzentasuna zehazten ditu. Ezaugarrien ingeniaritza fasean, ezaugarri multzo berri bat sortzen da, FLSSM-n oinarritutako "a" eta "b" erantzunen batura dena. Sendagaien posizioen identifikazio-zenbakiak 1. taulan ematen dira.
Kalkulatu puntuazioa erantzunen arabera eta zehaztu ikaslearen LS. Ikasle bakoitzarentzat, puntuazio tartea 1etik 11ra bitartekoa da. 1etik 3ra bitarteko puntuazioek dimentsio bereko ikaskuntza-lehentasunen oreka adierazten dute, eta 5etik 7ra bitarteko puntuazioek lehentasun moderatua adierazten dute, ikasleek ingurune bat besteak irakasteko joera nahiago dutela adieraziz. Dimentsio beraren beste aldaera bat da 9tik 11ra bitarteko puntuazioek mutur bat edo bestea nahiago dutela [8].
Dimentsio bakoitzerako, drogak "aktiboak", "hausnartzaileak" eta "orekatuak" gisa sailkatu ziren. Adibidez, ikasle batek "a" "b" baino maizago erantzuten badu elementu jakin batean eta bere puntuazioak LS Prozesamendua dimentsioa adierazten duen elementu jakin baterako 5eko atalasea gainditzen badu, "aktibo" LS domeinuan sartzen da. Hala ere, ikasleak "hausnartzaile" LS gisa sailkatu ziren 11 galdera zehatzetan (1. taula) "b" "a" baino gehiago aukeratzen zutenean eta 5 puntu baino gehiago lortzen zituztenean. Azkenik, ikaslea "oreka" egoeran dago. Puntuazioak 5 puntu baino gehiago ez baditu, orduan "prozesu" LS bat da. Sailkapen prozesua errepikatu zen beste LS dimentsioetarako, hots, pertzepzioa (aktiboa/hausnartzailea), sarrera (ikusmenezkoa/ahozkoa) eta ulermena (sekuentziala/globala).
Erabaki-zuhaitz ereduek ezaugarri eta erabaki-arau azpimultzo desberdinak erabil ditzakete sailkapen-prozesuaren etapa desberdinetan. Sailkapen eta iragarpen tresna ezaguntzat hartzen da. Zuhaitz-egitura bat erabiliz irudika daiteke, hala nola fluxu-diagrama bat [20], non barne-nodoak dauden atributuen araberako probak adierazten dituztenak, adar bakoitzak proben emaitzak adierazten dituena eta hosto-nodo bakoitzak (hosto-nodoa) klase-etiketa bat duena.
Ikasle bakoitzaren LS automatikoki puntuatu eta oharrak jartzeko arauetan oinarritutako programa sinple bat sortu zen, haien erantzunen arabera. Arauetan oinarritutako programak IF adierazpen baten forma hartzen du, non "IF"-k abiarazlea deskribatzen duen eta "THEN"-ek egin beharreko ekintza zehazten duen, adibidez: "X gertatzen bada, egin Y" (Liu et al., 2014). Datu multzoak korrelazioa erakusten badu eta erabaki-zuhaitz eredua behar bezala entrenatu eta ebaluatzen bada, ikuspegi hau LS eta IS lotzeko 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) proba-multzorako erabili zen, eta gainerako % 75 (191) entrenamendu-multzo gisa erabili zen (2. irudia). Datu-multzoa banatu behar da eredua datu-multzo berean entrenatu eta probatu ez dadin, eta horrek ereduak ikasi beharrean gogoratzea eragin baitezake. Eredua entrenamendu-multzoan entrenatzen da eta bere errendimendua proba-multzoan ebaluatzen du —ereduak lehenago inoiz ikusi ez dituen datuak—.
Behin IS tresna garatuta dagoenean, aplikazioak LS sailkatu ahal izango du odontologiako ikasleen erantzunen arabera web interfaze baten bidez. Web bidezko informazioaren segurtasunerako gomendio tresna sistema Python programazio lengoaia erabiliz eraiki da, Django framework-a atzeko plano gisa erabiliz. 2. taulan sistema honen garapenean erabilitako liburutegiak zerrendatzen dira.
Datu-multzoa erabaki-zuhaitz eredu batera bidaltzen da ikasleen erantzunak kalkulatu eta ateratzeko, ikasleen LS neurketak automatikoki sailkatzeko.
Nahasmen-matrizea erabaki-zuhaitz makina-ikaskuntzako algoritmo baten zehaztasuna ebaluatzeko erabiltzen da datu-multzo jakin batean. Aldi berean, sailkapen-ereduaren errendimendua ebaluatzen du. Ereduaren iragarpenak laburbiltzen ditu eta benetako datu-etiketekin alderatzen ditu. Ebaluazioaren emaitzak lau balio ezberdinetan oinarritzen dira: Egia Positiboa (EGI) – ereduak kategoria positiboa behar bezala iragarri du, Positibo Faltsua (GFP) – ereduak kategoria positiboa behar bezala iragarri du, baina benetako etiketa negatiboa da, Egia Negatiboa (EGI) – ereduak klase negatiboa behar bezala iragarri du, eta Negatibo Faltsua (GNF) – ereduak klase negatiboa iragartzen du, baina benetako etiketa positiboa da.
Balio hauek Pythonen scikit-learn sailkapen ereduaren hainbat errendimendu metrika kalkulatzeko erabiltzen dira, hots, zehaztasuna, doitasuna, berreskurapena eta F1 puntuazioa. Hona hemen adibideak:
Gogoratzeak (edo sentikortasunak) modeloak ikasle baten LS zehaztasunez sailkatzeko duen gaitasuna neurtzen du m-ILS galdetegia erantzun ondoren.
Espezifikotasunari benetako negatiboen tasa deritzo. Goiko formulan ikus dezakezuenez, hau benetako negatiboen (TN) benetako negatiboen eta faltsu positiboen (FP) arteko erlazioa izan beharko litzateke. Ikasleen drogak sailkatzeko gomendatutako tresnaren barruan, identifikazio zehatza egiteko gai izan beharko litzateke.
Erabaki-zuhaitz ML eredua entrenatzeko erabilitako 50 ikasleren jatorrizko datu-multzoak zehaztasun nahiko baxua erakutsi zuen, anotazioetan izandako giza erroreengatik (3. taula). LS puntuazioak eta ikasleen anotazioak automatikoki kalkulatzeko arauetan oinarritutako programa sinple bat sortu ondoren, gero eta datu-multzo gehiago (255) erabili ziren gomendatzaile-sistema entrenatzeko eta probatzeko.
Klase anitzeko nahasmen-matrizean, elementu diagonalek LS mota bakoitzerako iragarpen zuzenen kopurua adierazten dute (4. irudia). Erabaki-zuhaitz eredua erabiliz, guztira 64 lagin iragarri ziren zuzen. Beraz, ikerketa honetan, elementu diagonalek espero ziren emaitzak erakusten dituzte, eta horrek adierazten du ereduak ondo funtzionatzen duela eta LS sailkapen bakoitzerako klase-etiketa zehatz-mehatz iragartzen duela. Beraz, gomendio-tresnaren zehaztasun orokorra % 100ekoa da.
Zehaztasunaren, doitasunaren, berreskurapenaren eta F1 puntuazioaren balioak 5. irudian ageri dira. Erabaki-zuhaitz eredua erabiltzen duen gomendio-sistemarentzat, bere F1 puntuazioa 1.0 "perfektua" da, zehaztasun eta berreskurapen perfektua adieraziz, sentikortasun eta espezifikotasun balio esanguratsuak islatuz.
6. irudiak erabaki-zuhaitz ereduaren bistaratze bat erakusten du entrenamendua eta probak amaitu ondoren. Alboz alboko konparaketa batean, ezaugarri gutxiagorekin entrenatutako erabaki-zuhaitz ereduak zehaztasun handiagoa eta ereduaren bistaratze errazagoa erakutsi zuen. Horrek erakusten du ezaugarrien murrizketa dakarren ezaugarrien ingeniaritza urrats garrantzitsua dela ereduaren errendimendua hobetzeko.
Erabaki-zuhaitz bidezko gainbegiratutako ikaskuntza aplikatuz, LS (sarrera) eta IS (helburu irteera) arteko mapaketa automatikoki sortzen da eta LS bakoitzerako informazio zehatza dauka.
Emaitzek erakutsi zuten 255 ikasleen % 34,9k LS aukera bat (1) nahiago zuela. Gehiengoak (% 54,3) bi LS lehentasun edo gehiago zituen. Ikasleen % 12,2k adierazi zuen LS nahiko orekatua dela (4. taula). Zortzi LS nagusiez gain, Malaya Unibertsitateko odontologia 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 daitekeen bezala, ikasle gehienek zentzumen-nahasmendua (% 13,7) edo bisuala (% 8,6) zuten nagusiki. Jakinarazi zen ikasleen % 12,2k pertzepzioa eta ikusmena konbinatzen zituztela (pertzepzio-bisuala). Emaitza hauek iradokitzen dute ikasleek ezarritako metodoen bidez ikasi eta gogoratzea nahiago dutela, prozedura zehatz eta zehatzak jarraitzea eta arretaz jokatzea. Aldi berean, begiradaz ikastea gustatzen zaie (diagramak erabiliz, etab.) eta informazioa taldean edo bakarrik eztabaidatu eta aplikatzeko joera dute.
Ikerketa honek datu-meatzaritzan erabiltzen diren ikaskuntza automatikoko tekniken ikuspegi orokorra eskaintzen du, ikasleen LS berehala eta zehaztasunez aurreikustea eta IS egokiak gomendatzea ardatz hartuta. Erabaki-zuhaitz eredu baten aplikazioak haien bizitzako eta hezkuntza-esperientziekin gehien lotutako faktoreak identifikatu zituen. Gainbegiratutako ikaskuntza automatikoko algoritmo bat da, zuhaitz-egitura bat erabiltzen duena datuak sailkatzeko, datu multzo bat azpikategoriatan banatuz irizpide jakin batzuen arabera. Sarrerako datuak azpimultzoetan banatuz funtzionatzen du, modu errekurtsiboan, barne-nodo bakoitzaren sarrerako ezaugarrietako baten balioaren arabera, hosto-nodoan erabaki bat hartu arte.
Erabaki-zuhaitzaren barne-nodoek m-ILS problemaren sarrera-ezaugarrietan oinarritutako soluzioa adierazten dute, eta hosto-nodoek azken LS sailkapen-aurreikuspena. Ikerketa osoan zehar, erraza da ulertzea erabaki-prozesua azaltzen eta bistaratzen duten erabaki-zuhaitzen hierarkia, sarrera-ezaugarrien eta irteera-aurreikuspenen arteko erlazioa aztertuz.
Informatika eta ingeniaritzaren arloetan, makina-ikaskuntzako algoritmoak asko erabiltzen dira ikasleen errendimendua aurreikusteko, sarrera-azterketen puntuazioen [21], informazio demografikoaren eta ikaskuntza-jokabidearen [22] arabera. Ikerketek erakutsi zuten algoritmoak zehaztasunez iragarri zuela ikasleen errendimendua eta zailtasun akademikoak izateko arriskuan zeuden ikasleak identifikatzen laguntzen ziela.
Hortz-prestakuntzarako paziente birtualen simulagailuen garapenean ML algoritmoen aplikazioari buruzko txostena egin da. Simulagailuak benetako pazienteen erantzun fisiologikoak zehatz-mehatz erreproduzitzeko gai da eta odontologiako ikasleak ingurune seguru eta kontrolatu batean trebatzeko erabil daiteke [23]. Beste hainbat ikerketek erakusten dute makina-ikaskuntzako algoritmoek hortz- eta medikuntza-hezkuntzaren eta pazienteen arretaren kalitatea eta eraginkortasuna hobetu ditzaketela. Makina-ikaskuntzako algoritmoak hortz-gaixotasunen diagnostikoan laguntzeko erabili dira, hala nola sintomak eta pazienteen ezaugarriak bezalako datu-multzoetan oinarrituta [24, 25]. Beste ikerketa batzuek, berriz, makina-ikaskuntzako algoritmoen erabilera aztertu dute pazienteen emaitzak aurreikusteko, arrisku handiko pazienteak identifikatzeko, tratamendu-plan pertsonalizatuak garatzeko [26], periodontitisaren tratamendua [27] eta kariesaren tratamendua [25] bezalako zereginak egiteko.
Odontologian makina-ikaskuntzaren aplikazioari buruzko txostenak argitaratu diren arren, hortz-hezkuntzan duen aplikazioa mugatua da oraindik. Hori dela eta, ikerketa honek erabaki-zuhaitz eredu bat erabiltzea izan du helburu odontologiako ikasleen artean LS eta IS-rekin lotura estuena duten faktoreak identifikatzeko.
Ikerketa honen emaitzek erakusten dute garatutako gomendio tresnak zehaztasun handia eta perfektua duela, eta horrek adierazten du irakasleek tresna honetatik etekina atera dezaketela. Datuetan oinarritutako sailkapen prozesu bat erabiliz, gomendio pertsonalizatuak eman ditzake eta hezkuntza esperientziak eta emaitzak hobetu ditzake hezitzaile eta ikasleentzat. Horien artean, gomendio tresnen bidez lortutako informazioak irakasleen irakaskuntza metodo hobetsien eta ikasleen ikaskuntza beharren arteko gatazkak konpondu ditzake. Adibidez, gomendio tresnen irteera automatizatuari esker, ikasle baten IP identifikatu eta dagokion IParekin lotzeko behar den denbora nabarmen murriztuko da. Horrela, prestakuntza jarduera eta prestakuntza material egokiak antola daitezke. Horrek ikasleen ikaskuntza portaera positiboa eta kontzentratzeko gaitasuna garatzen laguntzen du. Ikerketa batek jakinarazi zuen ikasleei beren LS hobetsiekin bat datozen ikaskuntza materialak eta ikaskuntza jarduerak emateak ikasleei ikaskuntza integratzen, prozesatzen eta gozatzen lagun diezaiekeela hainbat modutan potentzial handiagoa lortzeko [12]. Ikerketek ere erakusten dute ikasleen parte-hartzea hobetzeaz gain, ikasleen ikaskuntza prozesua ulertzeak ere funtsezko zeregina duela irakaskuntza praktikak eta ikasleekin komunikazioa hobetzeko [28, 29].
Hala ere, edozein teknologia modernorekin gertatzen den bezala, arazoak eta mugak daude. Horien artean, datuen pribatutasunarekin, alborapenarekin eta zuzentasunarekin lotutako gaiak daude, eta hortz-hezkuntzan ikaskuntza automatikoaren algoritmoak garatu eta ezartzeko beharrezkoak diren trebetasun eta baliabide profesionalak; hala ere, arlo honetako gero eta interes eta ikerketa handiagoak iradokitzen du ikaskuntza automatikoaren teknologiek eragin positiboa izan dezaketela hortz-hezkuntzan eta hortz-zerbitzuetan.
Ikerketa honen emaitzek adierazten dute odontologiako ikasleen erdiak joera duela drogak "hautemateko". Ikasle mota honek gertaera eta adibide zehatzak nahiago ditu, orientazio praktikoa du, xehetasunetarako pazientzia du eta "ikusmenezko" LS lehentasuna du, non ikasleek irudiak, grafikoak, koloreak eta mapak erabiltzea nahiago duten ideiak eta pentsamenduak helarazteko. Oraingo emaitzak bat datoz odontologiako eta medikuntzako ikasleen LS ebaluatzeko ILS erabiltzen duten beste ikerketa batzuekin, eta horietako gehienek LS pertzepzional eta bisualaren ezaugarriak dituzte [12, 30]. Dalmolin eta beste batzuek iradokitzen dute ikasleei beren LSri buruz informatzeak ikaskuntza potentziala lortzen laguntzen diela. Ikertzaileek argudiatzen dute irakasleek ikasleen hezkuntza-prozesua guztiz ulertzen dutenean, hainbat irakaskuntza-metodo eta jarduera ezar daitezkeela ikasleen errendimendua eta ikaskuntza-esperientzia hobetuko dituztenak [12, 31, 32]. Beste ikerketa batzuek erakutsi dute ikasleen LS doitzeak ere hobekuntzak erakusten dituela ikasleen ikaskuntza-esperientzian eta errendimenduan, ikaskuntza-estiloak aldatu ondoren beren LSra egokitzeko [13, 33].
Irakasleen iritziak alda daitezke ikasleen ikaskuntza-gaitasunetan oinarritutako irakaskuntza-estrategien ezarpenari dagokionez. Batzuek ikuspegi honen onurak ikusten dituzten bitartean, garapen profesionalerako aukerak, tutoretza eta komunitatearen laguntza barne, beste batzuek denbora eta erakundearen laguntza kezka dezakete. Oreka bilatzea funtsezkoa da ikasleengan zentratutako jarrera bat sortzeko. Goi-mailako hezkuntzako agintariek, hala nola unibertsitateko administratzaileek, zeregin garrantzitsua izan dezakete aldaketa positiboak bultzatzeko, praktika berritzaileak sartuz eta irakasleen garapena lagunduz [34]. Benetan dinamikoa eta sentikorra den goi-mailako hezkuntza-sistema bat sortzeko, politikariek urrats ausartak eman behar dituzte, hala nola politika-aldaketak egitea, baliabideak teknologiaren integrazioari eskaintzea eta ikasleengan zentratutako ikuspegiak sustatzen dituzten esparruak sortzea. Neurri hauek funtsezkoak dira nahi diren emaitzak lortzeko. Irakaskuntza bereiztuari buruzko azken ikerketek argi erakutsi dute irakaskuntza bereiztuaren ezarpen arrakastatsuak irakasleentzako etengabeko prestakuntza eta garapen aukerak behar dituela [35].
Tresna honek laguntza baliotsua eskaintzen die ikasleengan zentratutako ikuspegia hartu nahi duten odontologia-hezitzaileei ikasleentzako ikaskuntza-jarduera atseginak planifikatzeko. Hala ere, ikerketa hau erabaki-zuhaitz ML ereduen erabilerara mugatzen da. Etorkizunean, datu gehiago bildu beharko lirateke makina-ikaskuntza eredu desberdinen errendimendua alderatzeko, gomendio-tresnen zehaztasuna, fidagarritasuna eta doitasuna alderatzeko. Gainera, zeregin jakin baterako makina-ikaskuntza metodo egokiena aukeratzerakoan, garrantzitsua da beste faktore batzuk kontuan hartzea, hala nola ereduaren konplexutasuna eta interpretazioa.
Ikerketa honen muga bat da odontologia ikasleen artean LS eta IS mapatzean bakarrik zentratu dela. Beraz, garatutako gomendio sistemak odontologia ikasleentzat egokiak direnak bakarrik gomendatuko ditu. Aldaketak beharrezkoak dira goi mailako hezkuntzako ikasle orokorrentzat.
Makina-ikaskuntzan oinarritutako gomendio-tresna berri honek ikasleen LSak berehala sailkatu eta lotzeko gai da dagokien ISarekin, eta horrek hortz-hezkuntzako hezitzaileei irakaskuntza- eta ikaskuntza-jarduera garrantzitsuak planifikatzen laguntzen dien lehen hortz-hezkuntza programa bihurtzen du. Datuetan oinarritutako sailkapen-prozesu bat erabiliz, gomendio pertsonalizatuak eman ditzake, denbora aurreztu, irakaskuntza-estrategiak hobetu, esku-hartze zuzenduak lagundu eta etengabeko garapen profesionala sustatu. Bere aplikazioak hortz-hezkuntzarako ikasleengan zentratutako ikuspegiak sustatuko ditu.
Gilak Jani Associated Press. Ikaslearen ikaskuntza-estiloaren eta irakaslearen irakaskuntza-estiloaren arteko bat etortzea edo desadostasuna. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Argitaratze data: 2024ko apirilaren 29a