Er is een groeiende behoefte aan studentgericht leren (SCL) in instellingen voor hoger onderwijs, waaronder de tandheelkunde.SCL heeft echter een beperkte toepassing in het tandheelkundig onderwijs.Daarom heeft deze studie tot doel de toepassing van SCL in de tandheelkunde te bevorderen door gebruik te maken van beslissingsboom-machine learning (ML)-technologie om de voorkeursleerstijl (LS) en bijbehorende leerstrategieën (IS) van tandheelkundige studenten in kaart te brengen als een nuttig hulpmiddel voor het ontwikkelen van IS-richtlijnen. .Veelbelovende methoden voor tandheelkundestudenten.
In totaal hebben 255 tandheelkundestudenten van de Universiteit van Malaya de gewijzigde Index of Learning Styles (m-ILS)-vragenlijst ingevuld, die 44 items bevatte om ze in hun respectievelijke LS's te classificeren.De verzamelde gegevens (een dataset genoemd) worden gebruikt bij het begeleid leren van beslissingsbomen om de leerstijlen van leerlingen automatisch af te stemmen op de meest geschikte IS.Vervolgens wordt de nauwkeurigheid van de op machine learning gebaseerde IS-aanbevelingstool geëvalueerd.
De toepassing van beslissingsboommodellen in een geautomatiseerd mappingproces tussen LS (input) en IS (target output) maakt een onmiddellijke lijst van geschikte leerstrategieën voor elke tandheelkundestudent mogelijk.Het IS-aanbevelingsinstrument demonstreerde een perfecte nauwkeurigheid en herinnerde aan de algehele nauwkeurigheid van het model, wat aangeeft dat het matchen van LS met IS een goede gevoeligheid en specificiteit heeft.
Een IS-aanbevelingstool op basis van een ML-beslissingsboom heeft bewezen dat het de leerstijlen van tandheelkundige studenten nauwkeurig kan afstemmen op de juiste leerstrategieën.Deze tool biedt krachtige opties voor het plannen van leerlinggerichte cursussen of modules die de leerervaring van studenten kunnen verbeteren.
Lesgeven en leren zijn fundamentele activiteiten in onderwijsinstellingen.Bij het ontwikkelen van een kwalitatief hoogstaand beroepsonderwijssysteem is het belangrijk om te focussen op de leerbehoeften van studenten.Via hun LS kan de interactie tussen studenten en hun leeromgeving worden bepaald.Uit onderzoek blijkt dat door de leraar bedoelde mismatches tussen de LS en IS van leerlingen negatieve gevolgen kunnen hebben voor het leren van leerlingen, zoals verminderde aandacht en motivatie.Dit zal indirect de prestaties van leerlingen beïnvloeden [1,2].
IS is een methode die door docenten wordt gebruikt om studenten kennis en vaardigheden bij te brengen, en studenten te helpen leren [3].Over het algemeen plannen goede leraren onderwijsstrategieën of IS die het beste aansluiten bij het kennisniveau van hun leerlingen, de concepten die ze leren en hun leerfase.Theoretisch gezien zullen studenten, wanneer LS en IS overeenkomen, een specifieke reeks vaardigheden kunnen organiseren en gebruiken om effectief te leren.Normaal gesproken omvat een lesplan verschillende overgangen tussen fasen, zoals van lesgeven naar begeleid oefenen of van begeleid oefenen naar zelfstandig oefenen.Met dit in gedachten plannen effectieve leraren hun instructie vaak met als doel de kennis en vaardigheden van leerlingen te vergroten [4].
De vraag naar SCL groeit in instellingen voor hoger onderwijs, waaronder de tandheelkunde.SCL-strategieën zijn ontworpen om aan de leerbehoeften van studenten te voldoen.Dit kan bijvoorbeeld worden bereikt als leerlingen actief deelnemen aan leeractiviteiten en docenten optreden als facilitator en verantwoordelijk zijn voor het geven van waardevolle feedback.Er wordt gezegd dat het aanbieden van leermateriaal en activiteiten die passen bij het opleidingsniveau of de voorkeuren van studenten de leeromgeving van studenten kan verbeteren en positieve leerervaringen kan bevorderen [5].
Over het algemeen wordt het leerproces van tandheelkundige studenten beïnvloed door de verschillende klinische procedures die zij moeten uitvoeren en de klinische omgeving waarin zij effectieve interpersoonlijke vaardigheden ontwikkelen.Het doel van de training is om studenten in staat te stellen basiskennis van de tandheelkunde te combineren met tandheelkundige klinische vaardigheden en de verworven kennis toe te passen in nieuwe klinische situaties [6, 7].Uit eerder onderzoek naar de relatie tussen LS en IS bleek dat het aanpassen van leerstrategieën, afgestemd op de LS die de voorkeur heeft, 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 leerproces en de 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 door 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 onder tandheelkundestudenten te beoordelen.
FSLSM is een veelgebruikt model voor het evalueren van adaptief leren in de techniek.Er zijn veel gepubliceerde werken op het gebied van de gezondheidswetenschappen (waaronder geneeskunde, verpleegkunde, farmacie en tandheelkunde) die kunnen worden gevonden met behulp van FSLSM-modellen [5, 11, 12, 13].Het instrument dat wordt gebruikt om de dimensies van LS in de FLSM te meten heet de Index of Learning Styles (ILS) [8], 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 weergegeven in Figuur 1 heeft elke FSLSM-dimensie een dominante voorkeur.In de verwerkingsdimensie geven leerlingen met ‘actieve’ LS bijvoorbeeld de voorkeur aan het verwerken van informatie door directe interactie met leermaterialen, leren ze door te doen en hebben ze de neiging om in groepen te leren.De ‘reflectieve’ LS verwijst naar leren door denken en werkt het liefst alleen.De ‘waarnemende’ dimensie van LS kan worden onderverdeeld in ‘gevoel’ en/of ‘intuïtie’.“Voelende” studenten geven de voorkeur aan meer concrete informatie en praktische procedures, zijn op feiten gericht vergeleken met “intuïtieve” studenten die de voorkeur geven aan abstract materiaal en zijn innovatiever en creatiever van aard.De ‘input’-dimensie van LS bestaat uit ‘visuele’ en ‘verbale’ leerlingen.Mensen met ‘visuele’ LS leren het liefst via visuele demonstraties (zoals diagrammen, video’s of live demonstraties), terwijl mensen met ‘verbale’ LS het liefst leren via woorden in schriftelijke of mondelinge uitleg.Om de LS-dimensies te ‘begrijpen’, kunnen dergelijke leerlingen worden onderverdeeld in ‘sequentieel’ en ‘globaal’.“Opeenvolgende leerlingen geven de voorkeur aan een lineair denkproces en leren stap voor stap, terwijl mondiale leerlingen doorgaans een holistisch denkproces hebben en altijd een beter begrip hebben van wat ze leren.
Onlangs zijn veel onderzoekers begonnen met het verkennen van methoden voor automatische datagestuurde ontdekking, waaronder de ontwikkeling van nieuwe algoritmen en modellen die in staat zijn grote hoeveelheden gegevens te interpreteren [15, 16].Op basis van de aangeleverde gegevens kan gesuperviseerde ML (machine learning) patronen en hypothesen genereren die toekomstige resultaten voorspellen op basis van de constructie van algoritmen [17].Simpel gezegd: machinale leertechnieken onder toezicht manipuleren invoergegevens en trainen algoritmen.Vervolgens genereert het een bereik dat de uitkomst classificeert of voorspelt op basis van soortgelijke situaties voor de aangeleverde invoergegevens.Het belangrijkste voordeel van machine learning-algoritmen onder toezicht is het vermogen ervan om ideale en gewenste resultaten vast te stellen [17].
Door het gebruik van datagestuurde methoden en beslissingsboomcontrolemodellen is automatische detectie van LS mogelijk.Er is gerapporteerd dat beslisbomen op grote schaal 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 de beste IS voor hen aan te bevelen.
Het doel van deze studie is om IS-leveringsstrategieën te ontwikkelen op basis van de LS van leerlingen en de SCL-aanpak toe te passen door een IS-aanbevelingsinstrument te ontwikkelen dat is toegewezen aan LS.De ontwerpstroom van de IS-aanbevelingstool als strategie van de SCL-methode wordt weergegeven in Figuur 1. De IS-aanbevelingstool is verdeeld in twee delen, inclusief het LS-classificatiemechanisme dat ILS gebruikt en de meest geschikte IS-weergave voor studenten.
Tot de kenmerken van instrumenten voor aanbevelingen op het gebied van informatiebeveiliging behoren met name het gebruik van webtechnologieën en het gebruik van machine learning voor beslissingsbomen.Systeemontwikkelaars verbeteren de gebruikerservaring en mobiliteit door deze aan te passen aan mobiele apparaten zoals mobiele telefoons en tablets.
Het experiment werd in twee fasen uitgevoerd en studenten van de faculteit Tandheelkunde van de Universiteit van Malaya namen op vrijwillige basis deel.Deelnemers reageerden op de online m-ILS van een tandheelkundestudent in het Engels.In de beginfase werd een dataset van 50 studenten gebruikt om het machine learning-algoritme voor de beslisboom 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 krijgen aan het begin van elke fase, afhankelijk van het academiejaar, een online briefing via Microsoft Teams.Het doel van het onderzoek werd uitgelegd en er werd geïnformeerde toestemming verkregen.Alle deelnemers kregen een link waarmee ze toegang kregen tot de m-ILS.Elke student kreeg de opdracht om alle 44 items van de vragenlijst te beantwoorden.Ze kregen een week de tijd om het aangepaste ILS af te ronden op een tijdstip en locatie die hen het beste uitkwamen, tijdens de semesterpauze vóór de start van het semester.De m-ILS is gebaseerd op het originele ILS-instrument en aangepast voor tandheelkundestudenten.Net als het originele ILS 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 beginfase van de ontwikkeling van de tools hebben de onderzoekers de kaarten handmatig geannoteerd met behulp van een dataset van 50 tandheelkundestudenten.Volgens de FSLM biedt het systeem de som van de antwoorden “a” en “b”.Als de leerling voor elke dimensie ‘a’ als antwoord selecteert, wordt de LS geclassificeerd als Actief/Perceptueel/Visueel/Sequentieel, en als de leerling ‘b’ als antwoord selecteert, wordt de leerling geclassificeerd als Reflectief/Intuïtief/Linguïstisch. ./ mondiale leerling.
Na het kalibreren van de workflow tussen onderzoekers in het tandheelkundig onderwijs en systeemontwikkelaars, werden vragen geselecteerd op basis van het FLSSM-domein en ingevoerd in het ML-model om de LS van elke student te voorspellen.‘Garbage in, garbage out’ is een populair gezegde op het gebied van machine learning, met de nadruk op datakwaliteit.De kwaliteit van de invoergegevens bepaalt de precisie en nauwkeurigheid van het machine learning-model.Tijdens de functie-engineeringfase wordt een nieuwe functieset gemaakt die de som is van de antwoorden “a” en “b” op basis van FLSSM.Identificatienummers van medicijnposities worden gegeven in Tabel 1.
Bereken de score op basis van de antwoorden en bepaal de LS van de leerling.Voor elke leerling loopt het scorebereik van 1 tot 11. Scores van 1 tot 3 duiden op een evenwicht tussen leervoorkeuren binnen dezelfde dimensie, en scores van 5 tot 7 duiden op een gematigde voorkeur, wat aangeeft dat leerlingen de voorkeur geven aan één omgeving om anderen te onderwijzen. .Een andere variatie op dezelfde dimensie is dat scores van 9 tot 11 een sterke voorkeur voor het ene of het andere uiteinde weerspiegelen [8].
Voor elke dimensie werden medicijnen gegroepeerd in ‘actief’, ‘reflecterend’ en ‘evenwichtig’.Als een leerling bijvoorbeeld vaker ‘a’ antwoordt dan ‘b’ op een bepaald item en zijn/haar score hoger is dan de drempel van 5 voor een bepaald item dat de LS-dimensie verwerken vertegenwoordigt, behoort hij/zij tot de ‘actieve’ LS. domein..Studenten werden echter geclassificeerd als ‘reflectieve’ LS als ze ‘b’ meer dan ‘a’ kozen in specifieke 11 vragen (Tabel 1) en meer dan 5 punten scoorden.Ten slotte bevindt de student zich in een staat van ‘evenwicht’.Als de score niet hoger is dan 5 punten, is er sprake van een “proces” LS.Het classificatieproces werd herhaald voor de andere LS-dimensies, namelijk perceptie (actief/reflectief), input (visueel/verbaal) en begrip (sequentieel/globaal).
Beslisboommodellen kunnen verschillende subsets van kenmerken en beslissingsregels gebruiken in verschillende stadia van het classificatieproces.Het wordt beschouwd als een populair classificatie- en voorspellingsinstrument.Het kan worden weergegeven met behulp van een boomstructuur, zoals een stroomdiagram [20], waarin er interne knooppunten zijn die tests per attribuut vertegenwoordigen, waarbij elke tak de testresultaten vertegenwoordigt, en elk bladknooppunt (bladknooppunt) een klassenlabel bevat.
Er is een eenvoudig, op regels gebaseerd programma gemaakt om de LS van elke leerling automatisch te scoren en te annoteren op basis van hun antwoorden.Op regels gebaseerd neemt de vorm aan van een IF-statement, waarbij ‘IF’ de trigger beschrijft en ‘THEN’ de uit te voeren actie specificeert, bijvoorbeeld: ‘Als X gebeurt, doe dan Y’ (Liu et al., 2014).Als de dataset correlatie vertoont en het beslissingsboommodel goed is getraind en geëvalueerd, kan deze aanpak een effectieve manier zijn om het proces van het matchen van LS en IS te automatiseren.
In de tweede ontwikkelingsfase werd de dataset uitgebreid tot 255 om de nauwkeurigheid van het aanbevelingsinstrument te verbeteren.De dataset wordt opgesplitst in een verhouding van 1:4.25% (64) van de dataset werd gebruikt voor de testset en de resterende 75% (191) werd gebruikt als trainingsset (Figuur 2).De dataset moet worden gesplitst om te voorkomen dat het model wordt getraind en getest op dezelfde dataset, waardoor het model zou kunnen onthouden in plaats van leren.Het model wordt getraind op de trainingsset en evalueert de prestaties op de testset: gegevens die het model nog nooit eerder heeft gezien.
Zodra de IS-tool is ontwikkeld, kan de applicatie LS classificeren op basis van de antwoorden van tandheelkundestudenten via een webinterface.Het webgebaseerde systeem voor het aanbevelen van informatiebeveiliging is gebouwd met behulp van de programmeertaal Python en het Django-framework als backend.Tabel 2 geeft een overzicht van de bibliotheken die bij de ontwikkeling van dit systeem zijn gebruikt.
De dataset wordt aan een beslissingsboommodel toegevoegd om de antwoorden van studenten te berekenen en te extraheren om de LS-metingen van studenten automatisch te classificeren.
De verwarringsmatrix wordt gebruikt om de nauwkeurigheid van een machine learning-algoritme voor een beslissingsboom op een bepaalde dataset te evalueren.Tegelijkertijd evalueert het de prestaties van het classificatiemodel.Het vat de voorspellingen van het model samen en vergelijkt deze met de daadwerkelijke gegevenslabels.De evaluatieresultaten zijn gebaseerd op vier verschillende waarden: True Positive (TP) – het model voorspelde de positieve categorie correct, False Positive (FP) – het model voorspelde de positieve categorie, maar het echte label was negatief, True Negative (TN) – het model voorspelde de negatieve klasse correct, en vals-negatief (FN) – Het model voorspelt een negatieve klasse, maar het echte label is positief.
Deze waarden worden vervolgens gebruikt om verschillende prestatiestatistieken van het scikit-learn-classificatiemodel in Python te berekenen, namelijk precisie, precisie, terugroepen en F1-score.Hier zijn voorbeelden:
Recall (of gevoeligheid) meet het vermogen van het model om de LS van een leerling nauwkeurig te classificeren na het beantwoorden van de m-ILS-vragenlijst.
Specificiteit wordt een echt negatief percentage genoemd.Zoals je uit de bovenstaande formule kunt zien, zou dit de verhouding moeten zijn tussen echte negatieven (TN) en echte negatieven en valse positieven (FP).Als onderdeel van het aanbevolen instrument voor het classificeren van studentendrugs zou het in staat moeten zijn tot nauwkeurige identificatie.
De oorspronkelijke dataset van 50 studenten die werd gebruikt om het ML-model van de beslissingsboom te trainen, vertoonde een relatief lage nauwkeurigheid als gevolg van menselijke fouten in de annotaties (Tabel 3).Na het creëren van een eenvoudig, op regels gebaseerd programma om automatisch LS-scores en annotaties van studenten te berekenen, werd een toenemend aantal datasets (255) gebruikt om het aanbevelingssysteem te trainen en te testen.
In de multiklasse-verwarringsmatrix vertegenwoordigen de diagonale elementen het aantal correcte voorspellingen voor elk LS-type (Figuur 4).Met behulp van het beslisboommodel werden in totaal 64 monsters correct voorspeld.In dit onderzoek tonen de diagonale elementen dus de verwachte resultaten, wat aangeeft dat het model goed presteert en nauwkeurig het klassenlabel voor elke LS-classificatie voorspelt.De algehele nauwkeurigheid van het aanbevelingsinstrument is dus 100%.
De waarden nauwkeurigheid, precisie, herinnering en F1-score worden weergegeven in figuur 5. Voor het aanbevelingssysteem dat het beslissingsboommodel gebruikt, is de F1-score 1,0 ‘perfect’, wat duidt op perfecte precisie en herinnering, wat een significante gevoeligheid en specificiteit weerspiegelt. waarden.
Figuur 6 toont een visualisatie van het beslissingsboommodel nadat de training en het testen zijn voltooid.In een zij-aan-zij vergelijking vertoonde het beslisboommodel dat met minder functies was getraind een hogere nauwkeurigheid en eenvoudigere modelvisualisatie.Dit laat zien dat feature engineering die leidt tot featurereductie een belangrijke stap is in het verbeteren van de modelprestaties.
Door het toepassen van beslissingsboom-gesuperviseerd leren wordt de mapping tussen LS (input) en IS (doeloutput) automatisch gegenereerd en bevat deze gedetailleerde informatie voor elke LS.
Uit de resultaten bleek 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 tamelijk evenwichtig is (Tabel 4).Naast de acht belangrijkste LS zijn er 34 combinaties van LS-classificaties voor tandheelkundestudenten van de Universiteit van Malaya.Onder hen zijn perceptie, visie en de combinatie van perceptie en visie de belangrijkste LS die door leerlingen worden gerapporteerd (Figuur 7).
Zoals uit Tabel 4 blijkt, had de meerderheid van de leerlingen 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 leerlingen het liefst leren en onthouden via gevestigde methoden, specifieke en gedetailleerde procedures volgen en aandachtig van aard zijn.Tegelijkertijd leren ze graag door te kijken (met behulp van diagrammen, enz.) en hebben ze de neiging informatie in groepen of alleen te bespreken en toe te passen.
Deze studie biedt een overzicht van machine learning-technieken die worden gebruikt in datamining, met de nadruk op het direct en nauwkeurig voorspellen van de LS van studenten en het aanbevelen van geschikte IS.Toepassing van een beslisboommodel identificeerde de factoren die het nauwst verband hielden met hun leven en educatieve ervaringen.Het is een machine learning-algoritme onder toezicht dat een boomstructuur gebruikt om gegevens te classificeren door een reeks gegevens op basis van bepaalde criteria in subcategorieën te verdelen.Het werkt door de invoergegevens recursief in subsets te verdelen op basis van de waarde van een van de invoerkenmerken van elk intern knooppunt, totdat er 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 het hele onderzoek is het gemakkelijk om de hiërarchie van beslissingsbomen te begrijpen die het besluitvormingsproces verklaren en visualiseren door te kijken naar de relatie tussen invoerkenmerken en uitvoervoorspellingen.
Op het gebied van computerwetenschappen en techniek 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 liepen op academische problemen.
Er wordt gerapporteerd over de toepassing van ML-algoritmen bij de ontwikkeling van virtuele patiëntsimulators voor tandheelkundige training.De simulator is in staat de fysiologische reacties van echte patiënten nauwkeurig te reproduceren en kan worden gebruikt om tandheelkundestudenten op te leiden in een veilige en gecontroleerde omgeving [23].Verschillende andere onderzoeken tonen aan dat machine learning-algoritmen mogelijk de kwaliteit en efficiëntie van tandheelkundig en medisch onderwijs en de patiëntenzorg kunnen verbeteren.Machine learning-algoritmen zijn gebruikt om te helpen bij de diagnose van tandheelkundige ziekten op basis van datasets zoals symptomen en patiëntkenmerken [24, 25].Terwijl andere onderzoeken het gebruik van machine learning-algoritmen hebben onderzocht om taken uit te voeren zoals het voorspellen van patiëntresultaten, het identificeren van patiënten met een hoog risico, het ontwikkelen van gepersonaliseerde behandelplannen [26], parodontale behandeling [27] en cariësbehandeling [25].
Hoewel er rapporten zijn gepubliceerd over de toepassing van machinaal leren in de tandheelkunde, blijft de toepassing ervan in het tandheelkundig onderwijs beperkt.Daarom was deze studie erop gericht een beslisboommodel te gebruiken om factoren te identificeren die het nauwst verband houden met LS en IS onder tandheelkundestudenten.
De resultaten van dit onderzoek laten zien dat het ontwikkelde aanbevelingsinstrument een hoge nauwkeurigheid en perfecte accuraatheid heeft, wat aangeeft dat leraren baat kunnen hebben bij dit instrument.Met behulp van een datagestuurd classificatieproces kan het gepersonaliseerde aanbevelingen doen en de onderwijservaringen en -resultaten voor docenten en studenten verbeteren.Informatie verkregen via aanbevelingsinstrumenten kan bijvoorbeeld conflicten oplossen tussen de door docenten geprefereerde lesmethoden en de leerbehoeften van studenten.Door de geautomatiseerde uitvoer van aanbevelingstools zal de tijd die nodig is om het IP-adres van een leerling te identificeren en dit te matchen met het bijbehorende IP-adres bijvoorbeeld aanzienlijk worden verkort.Op deze manier kunnen passende trainingsactiviteiten en trainingsmaterialen worden georganiseerd.Dit helpt het positieve leergedrag en het concentratievermogen van studenten te ontwikkelen.Eén onderzoek rapporteerde dat het aanbieden van leermateriaal en leeractiviteiten aan studenten die passen bij de LS van hun voorkeur, studenten kan helpen het leren op meerdere manieren te integreren, verwerken en ervan te genieten om een groter potentieel te bereiken [12].Uit onderzoek blijkt ook dat naast het verbeteren van de deelname van leerlingen in de klas, het begrijpen van het leerproces van leerlingen ook een cruciale rol speelt bij het verbeteren van de onderwijspraktijken en de communicatie met leerlingen [28, 29].
Zoals bij elke moderne technologie zijn er echter problemen en beperkingen.Deze omvatten kwesties die verband houden met gegevensprivacy, vooroordelen en eerlijkheid, en de professionele vaardigheden en middelen die nodig zijn om machine learning-algoritmen in het tandheelkundig onderwijs te ontwikkelen en te implementeren;De groeiende belangstelling en onderzoek op dit gebied wijzen er echter op dat machinale leertechnologieën een positieve invloed kunnen hebben op tandheelkundig onderwijs en tandheelkundige diensten.
De resultaten van dit onderzoek geven aan dat de helft van de tandheelkundestudenten de neiging heeft om medicijnen ‘waar te nemen’.Dit type leerling heeft een voorkeur voor feiten en concrete voorbeelden, een praktische oriëntatie, geduld voor details en een ‘visuele’ LS-voorkeur, waarbij leerlingen het liefst afbeeldingen, afbeeldingen, kleuren en kaarten gebruiken om ideeën en gedachten over te brengen.De huidige resultaten komen overeen met andere onderzoeken waarbij ILS wordt gebruikt 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 leerlingen over hun LS hen in staat stelt hun leerpotentieel te bereiken.Onderzoekers beweren dat wanneer leraren het onderwijsproces van leerlingen volledig begrijpen, er verschillende onderwijsmethoden en activiteiten kunnen worden geïmplementeerd die de prestaties en leerervaring van leerlingen zullen verbeteren [12, 31, 32].Andere onderzoeken hebben aangetoond dat het aanpassen van de LS van leerlingen ook verbeteringen laat zien in de leerervaring en prestaties van leerlingen nadat ze hun leerstijlen hebben aangepast aan hun eigen LS [13, 33].
De meningen van leraren kunnen variëren over de implementatie van onderwijsstrategieën op basis van de leervaardigheden van leerlingen.Hoewel sommigen de voordelen van deze aanpak zien, waaronder mogelijkheden voor professionele ontwikkeling, mentorschap en ondersteuning door de gemeenschap, maken anderen zich misschien zorgen over de tijd en institutionele ondersteuning.Het streven naar evenwicht is de sleutel tot het creëren van een studentgerichte houding.Autoriteiten in het hoger onderwijs, zoals universiteitsbestuurders, kunnen een belangrijke rol spelen bij het stimuleren van positieve veranderingen door innovatieve praktijken te introduceren en de ontwikkeling van faculteiten te ondersteunen [34].Om een echt dynamisch en responsief hoger onderwijssysteem te creëren, moeten beleidsmakers gedurfde stappen zetten, zoals het doorvoeren van beleidsveranderingen, het besteden van middelen aan technologie-integratie en het creëren van raamwerken die een studentgerichte aanpak bevorderen.Deze maatregelen zijn van cruciaal belang om de gewenste resultaten te bereiken.Recent onderzoek naar gedifferentieerd onderwijs heeft duidelijk aangetoond dat een succesvolle implementatie van gedifferentieerd onderwijs voortdurende training en ontwikkelingsmogelijkheden voor leraren vereist [35].
Deze tool biedt waardevolle ondersteuning aan docenten tandheelkunde die een studentgerichte benadering willen hanteren bij het plannen van studentvriendelijke leeractiviteiten.Deze studie beperkt zich echter tot het gebruik van beslisboom-ML-modellen.In de toekomst moeten meer gegevens worden verzameld om de prestaties van verschillende machine learning-modellen te vergelijken en de nauwkeurigheid, betrouwbaarheid en precisie van aanbevelingsinstrumenten te vergelijken.Bovendien is het bij het kiezen van de meest geschikte machine learning-methode voor een bepaalde taak belangrijk om rekening te houden met andere factoren, zoals de complexiteit en interpretatie van het model.
Een beperking van dit onderzoek is dat het zich alleen richtte op het in kaart brengen van LS en IS onder tandheelkundestudenten.Daarom zal het ontwikkelde aanbevelingssysteem alleen aanbevelingen aanbevelen die geschikt zijn voor tandheelkundestudenten.Voor het algemeen gebruik door studenten in het hoger onderwijs zijn wijzigingen nodig.
De nieuw ontwikkelde, op machinaal leren gebaseerde aanbevelingstool is in staat om de LS van studenten onmiddellijk te classificeren en te matchen met de overeenkomstige IS, waardoor het het eerste tandheelkundige onderwijsprogramma is dat tandheelkundige docenten helpt bij het plannen van relevante onderwijs- en leeractiviteiten.Met behulp van een datagestuurd triageproces kan het gepersonaliseerde aanbevelingen doen, tijd besparen, onderwijsstrategieën verbeteren, gerichte interventies ondersteunen en voortdurende professionele ontwikkeling bevorderen.De toepassing ervan zal een studentgerichte benadering van tandheelkundig onderwijs bevorderen.
Gilak Jani Associated Press.Match of mismatch tussen de leerstijl van de leerling en de lesstijl van de docent.Int J Mod Educ Computerwetenschappen.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Posttijd: 29 april 2024