Rangos platformon publikált friss munkájában Verma Chaman, az ELTE Informatikai Kar oktatója gépi tanuláson alapuló keretrendszert mutatott be hibrid tanulási mód azonosításához.

A Q1 besorolású IEEE Access open access folyóiratban megjelent tanulmányban az ELTE IK Média- és Oktatásinformatika Tanszék UNKP ösztöndíjas adjunktusa kutatótársaival azt vizsgálta, hogy milyen akadálya lehet a hibrid tanulás elméleti órákon vagy laboratóriumi gyakorlati foglalkozásokon történő bevezetésének.

A Covid19-világjárvány óta a tanárok és a diákok egyaránt elkezdték használni az online és hibrid tanulást is az oktatásban. A hallgatói vélemények alapján kihívást jelent annak eldöntése, hogy mi a megfelelő módszer az előadásokon, és mi a laboratóriumi gyakorlatokon. A kidolgozott keretrendszer gépi tanulást használ a hibrid tanulás azonosításának automatizálására az elméleti előadások és a laboratóriumi gyakorlat esetén. A négy gépi tanulási modell betanított algoritmusainak eredményét a Shapley Additive Explanation (SHAP), egy megmagyarázható mesterségesintelligencia-megközelítés segítségével értékelték.

A kutatás megállapította, hogy a diák-tanár interakció csökkent a laboratóriumi gyakorlat során, ami döntő fontosságú. Azt is megállapították, hogy a diákok elfogadták a hibrid tanulást az elméleti órákon. Az egyes gépi tanulási modellek belső jellemzőinek relevanciája és SHAP-értékei segítettek ezt bizonyítani. A kutatások azt mutatják, hogy a hibrid tanulás jobban működik az elméleti órákon, és kevésbé szükséges a hallgatók laboratóriumi gyakorlatához.