طراحی و ارزیابی یک چارچوب آموزشی مبتنی بر یادگیری ماشین (SVM) برای آموزش مدل سازی ریاضی سینتیک های زیستی به دانشجویان علوم پزشکی: مطالعه موردی سمیت نانوذرات MXene

آموزش مفاهیم پیشرفته مدل سازی ریاضی مانند رگرسیون بردار پشتیبان (SVR) به دانشجویان علوم پزشکی، به دلیل انتزاعی بودن مفاهیم و نبود داده های واقعی و ملموس، همواره چالش برانگیز بوده است. در این مطالعه، یک چارچوب آموزشی مبتنی بر مسئله (PBL) طراحی شد که در آن دانشجویان با استفاده از یک مجموعه داده واقعی حاصل از پژوهش های سمیت شناسی نانوذرات MXene (شامل ۴ گروه سلولی و ۵ بازه زمانی، جمعا ۲۰۰۰ داده)، فرآیند مدل سازی ریاضی سینتیک های زیستی را به صورت عملی می آموزند. این چارچوب شامل: (۱) آموزش تئوری SVM و هسته RBF، (۲). آشنایی با داده های واقعی سمیت MXene زنده مانی، ROS، آپوپتوز،(۳) پیاده سازی مدل SVR در محیط پایتون، و (۴) ارزیابی درک دانشجویان از مفاهیم Regularization، Cross-Validation و Generalization بود. ۴۰ دانشجوی کارشناسی ارشد بیوتکنولوژی پزشکی به دو گروه کنترل و آزمون تقسیم شدند. نتایج نشان داد گروه آزمون که با داده های واقعی MXene آموزش دیده بودند، نمرات بهتری در درک مفاهیم مدل سازی افزایش ۳۲ درصدی، (p<۰.۰۰۱) و توانایی تعمیم مدل به داده های جدید کاهش ۴۵ درصدی خطای RMSE در پروژه نهایی کسب کردند. این رویکرد نشان می دهد که ادغام داده های پژوهش های واقعی نانوتکنولوژی در آموزش مدل سازی ریاضی، می تواند به عنوان یک الگوی موثر برای تحول در آموزش ریاضیات در دوره های علوم زیستی مورد استفاده قرار گیرد

کلیدواژه ها:

مدلسازی ریاضی ، استرس اکسیداتیو ، مرگ سلولی ، گونه های فعال اکسیژن