Er is een groeiende behoefte aan studentgericht leren (SCL) in instellingen voor hoger onderwijs, inclusief tandheelkunde. SCL heeft echter een beperkte toepassing in tandheelkundig onderwijs. Daarom is deze studie bedoeld om de toepassing van SCL in tandheelkunde te bevorderen door beslissing Tree Machine Learning (ML) -technologie te gebruiken om de voorkeursstijl (LS) en overeenkomstige leerstrategieën (is) van tandheelkundige studenten in kaart te brengen als een nuttig hulpmiddel voor het ontwikkelen van richtlijnen . Veelbelovende methoden voor tandheelkundige studenten.
Een totaal van 255 tandheelkundige studenten van de Universiteit van Malaya vulden de gemodificeerde index van leerstijlen (M-ILS) vragenlijst in, die 44 items bevatte om ze in hun respectieve LSS te classificeren. De verzamelde gegevens (een dataset genoemd) worden gebruikt in het onder toezicht van beslissingsbomen leren om de leerstijlen van studenten automatisch te matchen met de meest geschikte IS. De nauwkeurigheid van de gebaseerde machine learning is aanbevelingsinstrument wordt vervolgens geëvalueerd.
De toepassing van beslissingsboommodellen in een geautomatiseerd toewijzingsproces tussen LS (invoer) en IS (doeluitvoer) maakt een onmiddellijke lijst van geschikte leerstrategieën voor elke tandartsstudent mogelijk. De IS -aanbevelingstool vertoonde een perfecte nauwkeurigheid en terugroeping van de algehele modelnauwkeurigheid, wat aangeeft dat het matchen van LS To IS een goede gevoeligheid en specificiteit heeft.
Een IS -aanbevelingstool op basis van een ML -beslissingsboom heeft bewezen dat het vermogen om de leerstijlen van tandheelkundige studenten nauwkeurig te matchen met geschikte leerstrategieën. Deze tool biedt krachtige opties voor het plannen van cursussen of modules van leerling die de leerervaring van studenten kunnen verbeteren.
Onderwijzen en leren zijn fundamentele activiteiten bij onderwijsinstellingen. Bij het ontwikkelen van een hoogwaardig beroepsonderwijssysteem is het belangrijk om zich te concentreren op de leerbehoeften van studenten. De interactie tussen studenten en hun leeromgeving kan worden bepaald door hun LS. Onderzoek suggereert dat door leraren door de leraar bedoelde mismatches tussen de LS van studenten en IS negatieve gevolgen kan hebben voor het leren van studenten, zoals verminderde aandacht en motivatie. Dit zal indirect de prestaties van studenten [1,2] beïnvloeden.
IS is een methode die door leraren wordt gebruikt om kennis en vaardigheden aan studenten te geven, waaronder het helpen van studenten om te leren [3]. Over het algemeen plannen goede leraren onderwijstrategieën of is dat het beste overeenkomen met het kennisniveau van hun studenten, de concepten die ze leren en hun leerstadium. Theoretisch, wanneer LS en matchen, kunnen studenten een specifieke set vaardigheden organiseren en gebruiken om effectief te leren. Meestal omvat een lesplan verschillende overgangen tussen fasen, zoals van lesgeven tot begeleide praktijk of van geleide praktijk tot onafhankelijke praktijk. Met dit in gedachten plannen effectieve leraren vaak instructie met als doel de kennis en vaardigheden van studenten op te bouwen [4].
De vraag naar SCL groeit in instellingen voor hoger onderwijs, waaronder tandheelkunde. SCL -strategieën zijn ontworpen om te voldoen aan de leerbehoeften van studenten. Dit kan bijvoorbeeld worden bereikt als studenten actief deelnemen aan leeractiviteiten en leraren facilitators optreden en verantwoordelijk zijn voor het geven van waardevolle feedback. Er wordt gezegd dat het verstrekken van leermaterialen en activiteiten die geschikt zijn voor het opleidingsniveau of voorkeuren van studenten kunnen verbeteren en de leeromgeving van studenten kunnen verbeteren en positieve leerervaringen kunnen bevorderen [5].
Over het algemeen wordt het leerproces van tandheelkundige studenten beïnvloed door de verschillende klinische procedures die ze moeten uitvoeren en de klinische omgeving waarin ze effectieve interpersoonlijke vaardigheden ontwikkelen. Het doel van de training is om studenten in staat te stellen basiskennis van tandheelkunde te combineren met tandheelkundige klinische vaardigheden en de verworven kennis toe te passen op nieuwe klinische situaties [6, 7]. Vroeg onderzoek naar de relatie tussen LS en is gebleken dat het aanpassen van leerstrategieën die zijn toegewezen aan de voorkeur LS het onderwijsproces zou helpen verbeteren [8]. De auteurs raden ook aan om verschillende onderwijs- en beoordelingsmethoden te gebruiken om zich aan te passen aan het leren en behoeften van studenten.
Leraren profiteren van het toepassen van LS -kennis om hen te helpen bij het ontwerpen, ontwikkelen en implementeren van instructie die de verwerving van diepere kennis en begrip van het onderwerp van studenten zal verbeteren. Onderzoekers hebben verschillende LS-beoordelingsinstrumenten ontwikkeld, zoals het Kolb Experiential Learning Model, het Felder-Silverman Learning Style Model (FSLSM) en het Fleming Vak/Vark-model [5, 9, 10]. Volgens de literatuur zijn deze leermodellen de meest gebruikte en meest bestudeerde leermodellen. In het huidige onderzoekswerk wordt FSLSM gebruikt om LS te beoordelen onder tandheelkundige studenten.
FSLSM is een veel gebruikt model voor het evalueren van adaptief leren in engineering. Er zijn veel gepubliceerde werken in de gezondheidswetenschappen (waaronder geneeskunde, verpleegkunde, apotheek en tandheelkunde) die te vinden zijn met behulp van FSLSM -modellen [5, 11, 12, 13]. Het instrument dat wordt gebruikt om de afmetingen van LS in de FLSM te meten, wordt de index van leerstijlen (IL's) [8] genoemd, die 44 items bevat die vier dimensies van LS beoordelen: verwerking (actief/reflectief), perceptie (perceptueel/intuïtief), invoer (visueel). /verbaal) en begrip (sequentieel/globaal) [14].
Zoals getoond in figuur 1 heeft elke FSLSM -dimensie een dominante voorkeur. In de verwerkingsdimensie bijvoorbeeld geven studenten met 'actieve' LS er de voorkeur aan informatie te verwerken door direct te communiceren met leermateriaal, te leren door te doen en te leren in groepen. Het "reflecterende" LS verwijst naar leren door te denken en geeft er de voorkeur aan om alleen te werken. De "waarnemen" dimensie van LS kan worden onderverdeeld in "gevoel" en/of "intuïtie". "Feeling" -studenten geven de voorkeur aan meer concrete informatie en praktische procedures, zijn feitelijk georiënteerd in vergelijking met "intuïtieve" studenten die de voorkeur geven aan abstract materiaal en innovatiever en creatiever van aard zijn. De "invoer" -dimensie van LS bestaat uit "visuele" en "verbale" leerlingen. Mensen met "visuele" L's leren liever door visuele demonstraties (zoals diagrammen, video's of live demonstraties), terwijl mensen met "verbaal" L's liever leren door woorden in geschreven of mondelinge verklaringen. Om de LS -dimensies te "begrijpen", kunnen dergelijke leerlingen worden onderverdeeld in "sequentieel" en "globaal". “Sequentiële leerlingen geven de voorkeur aan een lineair denkproces en leren stap voor stap, terwijl wereldwijde leerlingen de neiging hebben een holistisch denkproces te hebben en altijd een beter begrip hebben van wat ze leren.
Onlangs zijn veel onderzoekers begonnen met het onderzoeken van methoden voor automatische gegevensgestuurde ontdekking, inclusief de ontwikkeling van nieuwe algoritmen en modellen die in staat zijn om grote hoeveelheden gegevens te interpreteren [15, 16]. Op basis van de verstrekte gegevens kan Supervised ML (machine learning) patronen en hypothesen genereren die toekomstige resultaten voorspellen op basis van de constructie van algoritmen [17]. Simpel gezegd, begeleide technieken voor machine learning manipuleren invoergegevens en treinalgoritmen. Vervolgens genereert het een bereik dat de uitkomst classificeert of voorspelt op basis van vergelijkbare situaties voor de verstrekte invoergegevens. Het belangrijkste voordeel van begeleide machine learning -algoritmen is het vermogen om ideale en gewenste resultaten vast te stellen [17].
Door het gebruik van gegevensgestuurde methoden en beslissingsboombesturingsmodellen is automatische detectie van LS mogelijk. Beslissingsbomen zijn gemeld dat ze veel worden gebruikt in trainingsprogramma's op verschillende gebieden, waaronder gezondheidswetenschappen [18, 19]. In deze studie werd het model specifiek getraind door de systeemontwikkelaars om de LS van studenten te identificeren en het beste aan te bevelen is voor hen.
Het doel van deze studie is om te ontwikkelen is leveringsstrategieën op basis van de LS van studenten en de SCL -aanpak toe te passen door een IS -aanbevelingstool te ontwikkelen toegewezen aan LS. De ontwerpstroom van de IS -aanbevelingstool als een strategie van de SCL -methode wordt weergegeven in figuur 1. Het IS -aanbevelingsinstrument is verdeeld in twee delen, inclusief het LS -classificatiemechanisme met behulp van IL's en de meest geschikte is weergave voor studenten.
In het bijzonder omvatten de kenmerken van hulpmiddelen voor het beveiligen van informatiebeveiliging het gebruik van webtechnologieën en het gebruik van beslissingsboom machine learning. Systeemontwikkelaars verbeteren de gebruikerservaring en mobiliteit door ze aan te passen aan mobiele apparaten zoals mobiele telefoons en tablets.
Het experiment werd uitgevoerd in twee fasen en studenten van de Faculteit der Tandheelkunde aan de Universiteit van Malaya namen vrijwillige basis deel. Deelnemers reageerden op de online M-IL's van een tandheelkundige student in het Engels. In de eerste fase werd een dataset van 50 studenten gebruikt om het algoritme voor het machine learning van de beslissingsboom te trainen. In de tweede fase van het ontwikkelingsproces werd een dataset van 255 studenten gebruikt om de nauwkeurigheid van het ontwikkelde instrument te verbeteren.
Alle deelnemers ontvangen een online briefing aan het begin van elke fase, afhankelijk van het academiejaar, via Microsoft -teams. Het doel van de studie werd uitgelegd en er werd geïnformeerde toestemming verkregen. Alle deelnemers kregen een link om toegang te krijgen tot de M-IL's. Elke student kreeg de opdracht om alle 44 items op de vragenlijst te beantwoorden. Ze kregen een week de tijd om de gemodificeerde IL's tegelijk te voltooien en locatie die zich tijdens de semesterpauze vóór het begin van het semester handig voor hen te voltooien. De M-ILS is gebaseerd op het originele ILS-instrument en aangepast voor tandheelkundige studenten. Net als de originele IL's bevat het 44 gelijkmatig verdeelde items (a, b), met elk 11 items, die worden gebruikt om aspecten van elke FSLSM -dimensie te beoordelen.
Tijdens de eerste fasen van de ontwikkeling van gereedschappen hebben de onderzoekers de kaarten handmatig geannoteerd met behulp van een dataset van 50 tandheelkundige studenten. Volgens de FSLM biedt het systeem de som van antwoorden "A" en "B". Voor elke dimensie, als de student als antwoord "A" selecteert, wordt de LS geclassificeerd als actief/perceptueel/visueel/sequentieel, en als de student "B" als antwoord selecteert, wordt de student geclassificeerd als reflecterend/intuïtief/taalkundig . / Globale leerling.
Na het kalibreren van de workflow tussen onderzoekers van tandartsonderwijs en systeemontwikkelaars, werden vragen geselecteerd op basis van het FLSSM -domein en in het ML -model ingevoerd om de LS van elke student te voorspellen. "Afval in, afval uit" is een populair gezegde op het gebied van machine learning, met de nadruk op gegevenskwaliteit. De kwaliteit van de invoergegevens bepaalt de precisie en nauwkeurigheid van het machine learning -model. Tijdens de functie Feature Engineering wordt een nieuwe functieset gemaakt die de som is van antwoorden "A" en "B" op basis van FLSSM. Identificatienummers van geneesmiddelenposities worden gegeven in tabel 1.
Bereken de score op basis van de antwoorden en bepaal de LS van de student. Voor elke student is het scorebereik van 1 tot 11. Scores van 1 tot 3 duiden op een balans van leervoorkeuren binnen dezelfde dimensie, en scores van 5 tot 7 duiden op een matige voorkeur, wat aangeeft dat studenten de voorkeur geven aan één omgeving die anderen onderwijst. . Een andere variatie op dezelfde dimensie is dat scores van 9 tot 11 een sterke voorkeur voor het ene uiteinde weerspiegelen [8].
Voor elke dimensie werden medicijnen gegroepeerd in "actief", "reflecterend" en "evenwichtig". Wanneer een student bijvoorbeeld vaker "A" beantwoordt dan "B" op een aangewezen item en zijn/haar score de drempel van 5 overschrijdt voor een bepaald item dat de verwerking LS -dimensie vertegenwoordigt, behoort hij tot de "actieve" LS domein. . Studenten werden echter geclassificeerd als "reflecterende" LS toen ze "B" meer dan "A" kozen in specifieke 11 vragen (tabel 1) en scoorden meer dan 5 punten. Ten slotte is de student in een staat van 'evenwicht'. Als de score niet groter is dan 5 punten, is dit een "proces" LS. Het classificatieproces werd herhaald voor de andere LS -dimensies, namelijk perceptie (actief/reflecterend), input (visueel/verbaal) en begrip (sequentieel/globaal).
Decision Tree -modellen kunnen verschillende subsets van functies en beslissingsregels gebruiken in verschillende fasen van het classificatieproces. Het wordt beschouwd als een populaire classificatie- en voorspellingstool. Het kan worden weergegeven met behulp van een boomstructuur zoals een stroomdiagram [20], waarbij er interne knooppunten zijn die tests weergeven op kenmerk, elke tak die testresultaten vertegenwoordigt en elk bladknooppunt (bladknoop) met een klassenlabel.
Er is een eenvoudig op regels gebaseerd programma gemaakt om automatisch de LS van elke student te scoren en te annoteren op basis van hun antwoorden. Regelgebaseerd neemt de vorm aan van een IF-instructie, waarbij "if" de trigger beschrijft en "dan" de actie aangeeft die moet worden uitgevoerd, bijvoorbeeld: "Als x gebeurt, doe dan y" (Liu et al., 2014). Als de gegevensset een correlatie vertoont en het beslissingsboommodel correct is opgeleid en geëvalueerd, kan deze aanpak een effectieve manier zijn om het proces van het matchen van LS te automatiseren en is.
In de tweede ontwikkelingsfase werd de dataset verhoogd tot 255 om de nauwkeurigheid van het aanbevelingsinstrument te verbeteren. De gegevensset is verdeeld in een 1: 4 -verhouding. 25% (64) van de gegevensset werd gebruikt voor de testset en de resterende 75% (191) werd gebruikt als de trainingsset (figuur 2). De gegevensset moet worden verdeeld om te voorkomen dat het model wordt getraind en getest op dezelfde gegevensset, waardoor het model kan worden onthouden in plaats van te leren. Het model is getraind op de trainingsset en evalueert de prestaties op de testset - data dat het model nog nooit eerder heeft gezien.
Zodra de IS -tool is ontwikkeld, kan de applicatie LS classificeren op basis van de antwoorden van tandheelkundige studenten via een webinterface. Het web-gebaseerde informatiebeveiligingsaanbevelingsgebruikssysteem is gebouwd met behulp van de Python-programmeertaal met behulp van het Django-framework als backend. Tabel 2 geeft een overzicht van de bibliotheken die worden gebruikt bij de ontwikkeling van dit systeem.
De dataset wordt naar een beslissingsbomenmodel gevoerd om de antwoorden van studenten te berekenen en te extraheren om de LS -metingen van studenten automatisch te classificeren.
De verwarringmatrix wordt gebruikt om de nauwkeurigheid van een algoritme voor het machine learning van de beslissingsboom op een bepaalde gegevensset te evalueren. Tegelijkertijd evalueert het de prestaties van het classificatiemodel. Het vat de voorspellingen van het model samen en vergelijkt ze met de werkelijke gegevenslabels. De evaluatieresultaten zijn gebaseerd op vier verschillende waarden: True Positive (TP) - Het model voorspelde correct de positieve categorie, False Positive (FP) - het model voorspelde de positieve categorie, maar het ware label was negatief, waar negatief (TN) - Het model voorspelde de negatieve klasse correct en vals negatief (FN) - het model voorspelt een negatieve klasse, maar het ware label is positief.
Deze waarden worden vervolgens gebruikt om verschillende prestatiestatistieken van het scikit-learn classificatiemodel in Python te berekenen, namelijk precisie, precisie, terugroepactie en F1-score. Hier zijn voorbeelden:
Recall (of gevoeligheid) meet het vermogen van het model om de LS van een student nauwkeurig te classificeren na het beantwoorden van de M-ILS-vragenlijst.
Specificiteit wordt een echt negatief percentage genoemd. Zoals u kunt zien in de bovenstaande formule, moet dit de verhouding van echte negatieven (TN) tot echte negatieven en valse positieven (FP) zijn. Als onderdeel van het aanbevolen hulpmiddel voor het classificeren van geneesmiddelen voor studenten, moet het in staat zijn tot een nauwkeurige identificatie.
De originele dataset van 50 studenten die werden gebruikt om het ML -model van de beslissingsboom te trainen, vertoonde een relatief lage nauwkeurigheid vanwege menselijke fouten in de annotaties (tabel 3). Na het maken van een eenvoudig op regels gebaseerd programma om LS-scores en annotaties van studenten automatisch te berekenen, werd een toenemend aantal datasets (255) gebruikt om het aanbevelingssysteem te trainen en te testen.
In de multiclass verwarringmatrix vertegenwoordigen de diagonale elementen het aantal correcte voorspellingen voor elk LS -type (figuur 4). Met behulp van het beslissingsboommodel werden in totaal 64 monsters correct voorspeld. In deze studie tonen de diagonale elementen dus de verwachte resultaten, wat aangeeft dat het model goed presteert en nauwkeurig het klassenlabel voorspelt voor elke LS -classificatie. De algehele nauwkeurigheid van de aanbevelingstool is dus 100%.
De waarden van nauwkeurigheid, precisie, terugroeping en F1 -score worden weergegeven in figuur 5. Voor het aanbevelingssysteem met behulp van het beslissingsboommodel is de F1 -score 1,0 "perfect", wat een perfecte precisie en terugroeping aangeeft, wat een significante gevoeligheid en specificiteit weergeeft waarden.
Figuur 6 toont een visualisatie van het beslissingsboommodel na training en testen zijn voltooid. In een vergelijking naast elkaar vertoonde het beslissingsboommodel getraind met minder kenmerken een hogere nauwkeurigheid en gemakkelijkere modelvisualisatie. Dit laat zien dat functie -engineering die leidt tot reductie van functies een belangrijke stap is bij het verbeteren van de modelprestaties.
Door het toepassen van beslissingstructuur onder toezicht van het leren, wordt de toewijzing tussen LS (invoer) en IS (doeluitvoer) automatisch gegenereerd en bevat hij gedetailleerde informatie voor elke LS.
De resultaten toonden aan dat 34,9% van de 255 studenten de voorkeur gaf aan één (1) LS -optie. De meerderheid (54,3%) had twee of meer LS -voorkeuren. 12,2% van de studenten merkte op dat LS behoorlijk evenwichtig is (tabel 4). Naast de acht belangrijkste LS zijn er 34 combinaties van LS -classificaties voor studenten van de University of Malaya. Onder hen zijn perceptie, visie en de combinatie van perceptie en visie de belangrijkste LS gemeld door studenten (figuur 7).
Zoals te zien is in tabel 4, had de meerderheid van de studenten een overheersende sensorische (13,7%) of visuele (8,6%) LS. Er werd gemeld dat 12,2% van de studenten perceptie combineerde met visie (perceptueel-visuele LS). Deze bevindingen suggereren dat studenten liever leren en onthouden via gevestigde methoden, specifieke en gedetailleerde procedures volgen en attent van aard zijn. Tegelijkertijd genieten ze van leren door te kijken (met behulp van diagrammen, enz.) En hebben ze de neiging om informatie in groepen of op zichzelf te bespreken en toe te passen.
Deze studie biedt een overzicht van machine learning -technieken die worden gebruikt bij datamining, met een focus op het direct en nauwkeurig voorspellen van de LS van studenten en het aanbevelen van geschikte IS. Toepassing van een beslissingsboommodel identificeerde de factoren die het meest nauw verband hielden met hun leven en educatieve ervaringen. Het is een begeleid machine learning -algoritme dat een boomstructuur gebruikt om gegevens te classificeren door een set gegevens te delen in subcategorieën op basis van bepaalde criteria. Het werkt door de invoergegevens recursief te verdelen in subsets op basis van de waarde van een van de invoerfuncties van elke interne knooppunt totdat een beslissing wordt genomen bij het bladknooppunt.
De interne knooppunten van de beslissingsboom vertegenwoordigen de oplossing op basis van de invoerkenmerken van het M-ILS-probleem en de bladknooppunten vertegenwoordigen de uiteindelijke LS-classificatievoorspelling. Gedurende de studie is het gemakkelijk om de hiërarchie van beslissingsbomen te begrijpen die het beslissingsproces verklaren en visualiseren door te kijken naar de relatie tussen inputfuncties en uitvoervoorspellingen.
Op het gebied van informatica en engineering worden machine learning -algoritmen veel gebruikt om de prestaties van studenten te voorspellen op basis van hun toelatingsexamenscores [21], demografische informatie en leergedrag [22]. Onderzoek toonde aan dat het algoritme de prestaties van studenten nauwkeurig voorspelde en hen hielp studenten te identificeren die risico lopen op academische problemen.
De toepassing van ML -algoritmen bij de ontwikkeling van virtuele patiëntsimulatoren voor tandheelkundige training is gerapporteerd. De simulator is in staat om de fysiologische reacties van echte patiënten nauwkeurig te reproduceren en kan worden gebruikt om tandheelkundige studenten op te leiden in een veilige en gecontroleerde omgeving [23]. Verschillende andere studies tonen aan dat machine learning -algoritmen mogelijk de kwaliteit en efficiëntie van tandheelkundig en medisch onderwijs en patiëntenzorg kunnen verbeteren. Machine learning -algoritmen zijn gebruikt om te helpen bij de diagnose van tandziekten op basis van gegevenssets zoals symptomen en patiëntkenmerken [24, 25]. Terwijl andere studies het gebruik van machine learning-algoritmen hebben onderzocht om taken uit te voeren, zoals het voorspellen van de resultaten van de patiënt, het identificeren van hoogrisicopatiënten, het ontwikkelen van gepersonaliseerde behandelplannen [26], parodontale behandeling [27] en cariësbehandeling [25].
Hoewel rapporten over de toepassing van machine learning in de tandheelkunde zijn gepubliceerd, blijft de toepassing ervan in tandheelkundig onderwijs beperkt. Daarom was deze studie bedoeld om een beslissingsboommodel te gebruiken om factoren het meest geassocieerd met LS te identificeren en is het bij tandheelkundige studenten.
De resultaten van deze studie tonen aan dat de ontwikkelde aanbevelingstool een hoge nauwkeurigheid en perfecte nauwkeurigheid heeft, wat aangeeft dat leraren van deze tool kunnen profiteren. Met behulp van een gegevensgestuurd classificatieproces kan het gepersonaliseerde aanbevelingen bieden en educatieve ervaringen en resultaten voor opvoeders en studenten verbeteren. Onder hen kan informatie verkregen via aanbevelingsinstrumenten conflicten oplossen tussen de voorkeursmethoden van leraren en de leerbehoeften van studenten. Vanwege de geautomatiseerde uitvoer van aanbevelingstools, wordt bijvoorbeeld de tijd die nodig is om het IP van een student te identificeren en te matchen met de bijbehorende IP aanzienlijk verminderd. Op deze manier kunnen geschikte trainingsactiviteiten en trainingsmateriaal worden georganiseerd. Dit helpt het positieve leergedrag van studenten te ontwikkelen en zich te concentreren. Eén studie meldde dat het bieden van leermaterialen en leeractiviteiten die overeenkomen met hun voorkeur LS kunnen helpen om studenten op meerdere manieren te integreren, te verwerken en te genieten om een groter potentieel te bereiken [12]. Onderzoek toont ook aan dat naast het verbeteren van studentenparticipatie in het klaslokaal, het begrijpen van het leerproces van studenten ook een cruciale rol speelt bij het verbeteren van de onderwijspraktijken en communicatie met studenten [28, 29].
Zoals bij elke moderne technologie, zijn er echter problemen en beperkingen. Deze omvatten kwesties met betrekking tot gegevensprivacy, vooringenomenheid en billijkheid, en de professionele vaardigheden en middelen die nodig zijn om machine learning -algoritmen in tandheelkundig onderwijs te ontwikkelen en te implementeren; Groeiende interesse en onderzoek op dit gebied suggereert echter dat technologieën voor machine learning een positief effect kunnen hebben op tandheelkundig onderwijs en tandheelkundige diensten.
De resultaten van deze studie geven aan dat de helft van de tandheelkundige studenten de neiging heeft om drugs te "waarnemen". Dit type leerling heeft een voorkeur voor feiten en concrete voorbeelden, een praktische oriëntatie, geduld voor detail en een "visuele" LS -voorkeur, waarbij leerlingen liever foto's, afbeeldingen, kleuren en kaarten gebruiken om ideeën en gedachten over te brengen. De huidige resultaten zijn consistent met andere studies die IL's gebruiken om LS te beoordelen bij tandheelkundige en medische studenten, van wie de meesten kenmerken hebben van perceptuele en visuele LS [12, 30]. Dalmolin et al suggereren dat het informeren van studenten over hun LS hen in staat stelt hun leerpotentieel te bereiken. Onderzoekers beweren dat wanneer leraren het onderwijsproces van studenten volledig begrijpen, verschillende onderwijsmethoden en -activiteiten kunnen worden geïmplementeerd die de prestaties en leerervaring van studenten zullen verbeteren [12, 31, 32]. Andere studies hebben aangetoond dat het aanpassen van de LS van studenten ook verbeteringen in de leerervaring en prestaties van studenten toont na het wijzigen van hun leerstijlen om bij hun eigen LS te passen [13, 33].
De meningen van leraren kunnen variëren met betrekking tot de implementatie van onderwijsstrategieën op basis van de leervaardigheden van studenten. Hoewel sommigen de voordelen van deze aanpak zien, waaronder kansen op professionele ontwikkeling, mentorschap en gemeenschapsondersteuning, kunnen anderen zich zorgen maken over tijd en institutionele ondersteuning. Streven naar evenwicht is de sleutel tot het creëren van een studentgerichte houding. Autoriteiten van hoger onderwijs, zoals universitaire beheerders, kunnen een belangrijke rol spelen bij het stimuleren van positieve verandering door innovatieve praktijken te introduceren en de ontwikkeling van facultaire te ondersteunen [34]. Om een echt dynamisch en responsief hoger onderwijssysteem te creëren, moeten beleidsmakers gewaagde stappen ondernemen, zoals het aanbrengen van beleidswijzigingen, het wijden van middelen aan technologie-integratie en het creëren van frameworks die studentengerichte benaderingen bevorderen. Deze maatregelen zijn van cruciaal belang om de gewenste resultaten te bereiken. Recent onderzoek naar gedifferentieerde instructie heeft duidelijk aangetoond dat een succesvolle implementatie van gedifferentieerde instructies voortdurende training en ontwikkelingsmogelijkheden voor leraren vereist [35].
Deze tool biedt waardevolle ondersteuning aan tandheelkundige opvoeders die een studentgerichte aanpak willen gebruiken voor het plannen van studentvriendelijke leeractiviteiten. Deze studie is echter beperkt tot het gebruik van ML -modellen voor beslissingsboom. In de toekomst moeten meer gegevens worden verzameld om de prestaties van verschillende machine learning -modellen te vergelijken om de nauwkeurigheid, betrouwbaarheid en precisie van aanbevelingstools te vergelijken. Bij het kiezen van de meest geschikte methode voor machine learning voor een bepaalde taak is het bovendien belangrijk om andere factoren te overwegen, zoals modelcomplexiteit en interpretatie.
Een beperking van deze studie is dat het alleen gericht is op het in kaart brengen van LS en tot tandheelkundige studenten is. Daarom zal het ontwikkelde aanbevelingssysteem alleen degenen aanbevelen die geschikt zijn voor tandheelkundige studenten. Veranderingen zijn nodig voor het gebruik van studenten in het algemeen hoger onderwijs.
De nieuw ontwikkelde op machine learning gebaseerde aanbevelingstool is in staat om de LS van studenten onmiddellijk te classificeren en te matchen met de overeenkomstige IS, waardoor het het eerste tandheelkundig onderwijsprogramma is om tandheelkundige opvoeders te helpen relevante onderwijs- en leeractiviteiten te plannen. Met behulp van een gegevensgestuurd triage-proces kan het gepersonaliseerde aanbevelingen bieden, tijd besparen, onderwijstrategieën verbeteren, gerichte interventies ondersteunen en voortdurende professionele ontwikkeling bevorderen. De toepassing ervan zal studentgerichte benaderingen van tandheelkundig onderwijs bevorderen.
Gilak Jani Associated Press. Match of mismatch tussen de leerstijl van de student en de leerstijl van de leraar. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Posttijd: april-29-2024