在组织学教育中验证教学设计和预测学生表现:通过虚拟显微镜使用机器学习
Allyson Fries1, Marie Pirotte1, Laurent Vanhee2
1Department of Biomedical and Preclinical Sciences, Faculty of Medicine, University of Liege, Liège, Belgium.
Anatomical sciences education
|October 7, 2023
概括
这项研究使用机器学习和学习分析来分析虚拟显微镜用户在组织学教育中的行为. 它实证地展示了数字工具如何预测学生的成功并验证教学设计.
科学领域:
- 数字学习环境的数字学习环境
- 历史学教育 历史学教育
- 机器学习在教育中的应用.
背景情况:
- 虚拟显微镜 (VM) 增强了组织学学习,但缺乏对教学影响的经验证据.
- 虚拟机中的数字化幻灯片为在组织学学习期间研究学生行为提供了新的途径.
- 从虚拟机用户数据中获得的学习分析可以预测学术成功.
研究的目的:
- 用机器学习算法分析学生的感知和用户行为数据.
- 开发预测性学习分析,以识别有利于组织学学术成功的行为.
- 在虚拟显微镜环境中验证教学设计和调整教育组件.
主要方法:
- 收集了552名学生使用Cytomine®虚拟显微镜平台的感知,性能和用户行为数据.
- 采用了一组机器学习算法,包括树外回归方法和预测统计.
- 利用预测算法来识别关键的组织学幻灯片,描述标签和与学业成绩相关的学生行为.
主要成果:
- 确定了10个特定的学生行为,与历史学学业的学术成功有关.
- 通过调整教育目的,学习成果和评估方法来验证教学设计.
- 开发了一个学生考试成绩的预测模型,错误率低 (<0.5/20).
结论:
- 经验证明了虚拟显微镜和数字学习环境在组织学教育中的价值.
- 强调了机器学习和学习分析对于理解和改善学生学习的有用性.
- 为验证和完善组织学教学策略提供了数据驱动的方法.
