Er is een groeiende behoefte aan studentgericht leren (SCL) in het hoger onderwijs, waaronder de tandheelkunde. De toepassing van SCL in het tandheelkundig onderwijs is echter beperkt. Daarom beoogt deze studie de toepassing van SCL in de tandheelkunde te bevorderen door middel van beslissingsboomtechnologie (ML) om de voorkeursleerstijl (LS) en bijbehorende leerstrategieën (IS) van tandheelkundestudenten in kaart te brengen. Dit kan dienen als een nuttig instrument voor het ontwikkelen van richtlijnen voor leerstrategieën. Veelbelovende methoden voor tandheelkundestudenten.
In totaal vulden 255 tandheelkundestudenten van de Universiteit van Malaya de aangepaste Index of Learning Styles (m-ILS) vragenlijst in, die 44 items bevatte om hen in hun respectievelijke leerstijlen te classificeren. De verzamelde gegevens (een dataset) worden gebruikt in een supervised decision tree learning-model om de leerstijlen van studenten automatisch te koppelen aan de meest geschikte informatiesystemen (IS). Vervolgens wordt de nauwkeurigheid van de machine learning-gebaseerde IS-aanbevelingstool geëvalueerd.
De toepassing van beslissingsboommodellen in een geautomatiseerd koppelingsproces tussen LS (input) en IS (doeloutput) maakt het mogelijk om direct een lijst met geschikte leerstrategieën voor elke tandheelkundestudent te genereren. De IS-aanbevelingstool vertoonde een perfecte nauwkeurigheid en recall van de algehele modelnauwkeurigheid, wat aangeeft dat het matchen van LS met IS een goede sensitiviteit en specificiteit heeft.
Een op een machine learning-beslissingsboom gebaseerd aanbevelingsinstrument voor informatiesystemen heeft bewezen dat het de leerstijlen van tandheelkundestudenten nauwkeurig kan koppelen aan passende leerstrategieën. Dit instrument biedt krachtige mogelijkheden voor het plannen van leerlinggerichte cursussen of modules die de leerervaring van studenten kunnen verbeteren.
Onderwijs en leren zijn fundamentele activiteiten in onderwijsinstellingen. Bij de ontwikkeling van een hoogwaardig beroepsonderwijssysteem is het belangrijk om te focussen op de leerbehoeften van studenten. De interactie tussen studenten en hun leeromgeving kan worden bepaald door hun leeromgeving. Onderzoek suggereert dat door docenten beoogde mismatches tussen de leeromgeving en de onderwijsomgeving van studenten negatieve gevolgen kunnen hebben voor het leerproces, zoals verminderde aandacht en motivatie. Dit zal indirect de prestaties van studenten beïnvloeden [1,2].
IS is een methode die docenten gebruiken om kennis en vaardigheden aan leerlingen over te dragen, inclusief het helpen van leerlingen bij het leren [3]. Over het algemeen plannen goede docenten lesstrategieën of IS die het beste aansluiten bij het kennisniveau van hun leerlingen, de concepten die ze leren en hun leerfase. Theoretisch gezien zullen leerlingen, wanneer LS en IS op elkaar aansluiten, in staat zijn een specifieke reeks vaardigheden te organiseren en te gebruiken om effectief te leren. Een lesplan omvat doorgaans verschillende overgangen tussen fasen, zoals van lesgeven naar begeleide oefening of van begeleide oefening naar zelfstandige oefening. Met dit in gedachten plannen effectieve docenten hun instructie vaak met als doel de kennis en vaardigheden van leerlingen te vergroten [4].
De vraag naar SCL neemt toe in instellingen voor hoger onderwijs, waaronder de 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 docenten optreden als begeleiders en verantwoordelijk zijn voor het geven van waardevolle feedback. Er wordt gezegd dat het aanbieden van leermaterialen en -activiteiten die aansluiten bij het opleidingsniveau of de voorkeuren van studenten de leeromgeving kan verbeteren en positieve leerervaringen kan bevorderen [5].
Over het algemeen wordt het leerproces van tandheelkundestudenten beïnvloed door de verschillende klinische procedures die ze moeten uitvoeren en de klinische omgeving waarin ze effectieve interpersoonlijke vaardigheden ontwikkelen. Het doel van de opleiding is 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]. Vroeg onderzoek naar de relatie tussen LS en IS wees uit dat het aanpassen van leerstrategieën aan de voorkeurs-LS het onderwijsproces zou kunnen verbeteren [8]. De auteurs bevelen ook aan om een verscheidenheid aan onderwijs- en beoordelingsmethoden te gebruiken om aan te sluiten bij het leerproces en de behoeften van studenten.
Docenten hebben baat bij het toepassen van kennis over leerstijlen om instructie te ontwerpen, ontwikkelen en implementeren die de verwerving van diepere kennis en begrip van de leerstof door studenten bevordert. Onderzoekers hebben verschillende instrumenten ontwikkeld voor het beoordelen van leerstijlen, 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 dit de meest gebruikte en meest bestudeerde leermodellen. In dit onderzoek wordt het FSLSM gebruikt om leerstijlen bij tandheelkundestudenten te beoordelen.
FSLSM is een veelgebruikt model voor het evalueren van adaptief leren in de ingenieurswetenschappen. Er zijn veel publicaties in de gezondheidswetenschappen (waaronder geneeskunde, verpleegkunde, farmacie en tandheelkunde) waarin FSLSM-modellen worden gebruikt [5, 11, 12, 13]. Het instrument dat wordt gebruikt om de dimensies van leerstijlen in de FLSM te meten, heet de Index of Learning Styles (ILS) [8], die 44 items bevat die vier dimensies van leerstijlen beoordelen: verwerking (actief/reflectief), perceptie (perceptueel/intuïtief), input (visueel/verbaal) en begrip (sequentieel/globaal) [14].
Zoals weergegeven in Figuur 1, heeft elke FSLSM-dimensie een dominante voorkeur. In de verwerkingsdimensie geven studenten met een 'actieve' leerstijl er bijvoorbeeld de voorkeur aan om informatie te verwerken door direct met leermateriaal te interageren, te leren door te doen en in groepen te leren. De 'reflectieve' leerstijl verwijst naar leren door na te denken en werkt het liefst alleen. De 'waarnemingsdimensie' van leerstijl kan worden onderverdeeld in 'gevoel' en/of 'intuïtie'. 'Gevoel'-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 'input'-dimensie van leerstijl bestaat uit 'visuele' en 'verbale' leerlingen. Mensen met een 'visuele' leerstijl leren het liefst door middel van visuele demonstraties (zoals diagrammen, video's of live demonstraties), terwijl mensen met een 'verbale' leerstijl de voorkeur geven aan woorden in schriftelijke of mondelinge uitleg. Om de dimensies van leerstijl 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 globale leerlingen doorgaans een holistisch denkproces hebben en altijd een beter begrip hebben van wat ze leren."
Recentelijk 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 data te interpreteren [15, 16]. Op basis van de aangeleverde data kan supervised machine learning (ML) patronen en hypothesen genereren die toekomstige resultaten voorspellen op basis van de constructie van algoritmen [17]. Simpel gezegd, supervised machine learning-technieken manipuleren inputdata en trainen algoritmen. Vervolgens genereren ze een bereik dat de uitkomst classificeert of voorspelt op basis van vergelijkbare situaties voor de aangeleverde inputdata. Het belangrijkste voordeel van supervised machine learning-algoritmen is hun vermogen om ideale en gewenste resultaten te bereiken [17].
Door gebruik te maken van datagestuurde methoden en beslissingsboommodellen is automatische detectie van LS mogelijk. Beslissingsbomen worden naar verluidt veelvuldig gebruikt in trainingsprogramma's in diverse vakgebieden, waaronder de gezondheidswetenschappen [18, 19]. In deze studie werd het model specifiek door de systeemontwikkelaars getraind om de LS van studenten te identificeren en het beste IS voor hen aan te bevelen.
Het doel van deze studie is het ontwikkelen van IS-leveringsstrategieën gebaseerd op de leerdoelen van studenten en het toepassen van de SCL-aanpak door een IS-aanbevelingstool te ontwikkelen die is afgestemd op de leerdoelen. Het ontwerpproces van de IS-aanbevelingstool als strategie van de SCL-methode wordt weergegeven in Figuur 1. De IS-aanbevelingstool is verdeeld in twee delen: het mechanisme voor LS-classificatie met behulp van ILS en de meest geschikte IS-weergave voor studenten.
De kenmerken van tools voor aanbevelingen op het gebied van informatiebeveiliging omvatten met name het gebruik van webtechnologieën en machine learning met beslissingsbomen. Systeemontwikkelaars verbeteren de gebruikerservaring en mobiliteit door de tools aan te passen aan mobiele apparaten zoals smartphones en tablets.
Het experiment werd in twee fasen uitgevoerd en studenten van de Faculteit Tandheelkunde van de Universiteit van Malaya namen vrijwillig deel. De deelnemers beantwoordden een online m-ILS-vragenlijst in het Engels, opgesteld door een tandheelkundestudent. In de eerste fase werd een dataset van 50 studenten gebruikt om het machine learning-algoritme voor beslissingsbomen 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 aan het begin van elke fase, afhankelijk van het academisch jaar, een online briefing via Microsoft Teams. Het doel van de studie werd uitgelegd en er werd toestemming verkregen. Alle deelnemers ontvingen een link om toegang te krijgen tot de m-ILS. Elke student werd gevraagd alle 44 items van de vragenlijst te beantwoorden. Ze kregen een week de tijd om de aangepaste ILS in te vullen op een tijd en plaats die hen schikte 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 de originele ILS bevat het 44 gelijkmatig verdeelde items (a, b), met 11 items per dimensie, die worden gebruikt om aspecten van elke FSLSM-dimensie te beoordelen.
Tijdens de eerste ontwikkelingsfase van de tool hebben de onderzoekers de kaarten handmatig geannoteerd met behulp van een dataset van 50 tandheelkundestudenten. Volgens het FSLM-model berekent het systeem de som van de antwoorden "a" en "b". Voor elke dimensie geldt dat als de student "a" als antwoord selecteert, de leerstijl wordt geclassificeerd als Actief/Perceptueel/Visueel/Sequentieel, en als de student "b" als antwoord selecteert, wordt de student geclassificeerd als Reflectief/Intuïtief/Linguïstisch / globale leerder.
Na het afstemmen van de workflow tussen onderzoekers in tandheelkundig onderwijs en systeemontwikkelaars, werden vragen geselecteerd op basis van het FLSSM-domein en ingevoerd in het machine learning-model om de LS van elke student te voorspellen. "Garbage in, garbage out" is een bekend gezegde in de wereld 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 fase van feature engineering wordt een nieuwe feature set gecreëerd, die de som is van de antwoorden "a" en "b" op basis van FLSSM. De identificatienummers van de geneesmiddelposities staan in Tabel 1.
Bereken de score op basis van de antwoorden en bepaal de LS van de student. Voor elke student loopt de score van 1 tot 11. Scores van 1 tot 3 duiden op een evenwichtige leerstijl binnen dezelfde dimensie, en scores van 5 tot 7 duiden op een gematigde voorkeur, wat aangeeft dat studenten de neiging hebben om de ene leeromgeving boven de andere te verkiezen. Een andere variant op dezelfde dimensie is dat scores van 9 tot 11 een sterke voorkeur voor het ene of het andere uiterste weerspiegelen [8].
Voor elke dimensie werden de medicijnen gegroepeerd in 'actief', 'reflectief' en 'evenwichtig'. Als een student bijvoorbeeld vaker 'a' dan 'b' antwoordt op een bepaald item en zijn/haar score de drempel van 5 overschrijdt voor een specifiek item dat de dimensie 'Verwerking' van de leerstijl LS vertegenwoordigt, behoort hij/zij tot het 'actieve' domein van de leerstijl LS. Studenten werden echter geclassificeerd als 'reflectief' als ze vaker 'b' dan 'a' kozen bij 11 specifieke vragen (Tabel 1) en meer dan 5 punten scoorden. Uiteindelijk bevindt de student zich in een staat van 'evenwicht'. Als de score niet hoger is dan 5 punten, dan is dit een 'verwerkingsgerichte' leerstijl LS. Het classificatieproces werd herhaald voor de andere dimensies van de leerstijl LS, namelijk perceptie (actief/reflectief), input (visueel/verbaal) en begrip (sequentieel/globaal).
Beslissingsboommodellen kunnen verschillende subsets van kenmerken en beslissingsregels gebruiken in verschillende fasen 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, elke tak testresultaten vertegenwoordigt en elk bladknooppunt een klasselabel bevat.
Er is een eenvoudig, op regels gebaseerd programma ontwikkeld om de leerdoelen (LS) van elke student automatisch te beoordelen en te annoteren op basis van hun antwoorden. Regelgebaseerd is een ALS-uitspraak, waarbij "ALS" de trigger beschrijft en "DAN" de uit te voeren actie aangeeft, bijvoorbeeld: "Als X gebeurt, doe dan Y" (Liu et al., 2014). Als de dataset correlatie vertoont en het beslissingsboommodel correct is getraind en geëvalueerd, kan deze aanpak een effectieve manier zijn om het proces van het matchen van leerdoelen en informatiesystemen (IS) te automatiseren.
In de tweede ontwikkelingsfase werd de dataset uitgebreid naar 255 om de nauwkeurigheid van de aanbevelingstool te verbeteren. De dataset werd opgesplitst in een verhouding van 1:4. 25% (64) van de dataset werd gebruikt voor de testset en de resterende 75% (191) voor de trainingsset (Figuur 2). De dataset moest worden opgesplitst om te voorkomen dat het model op dezelfde dataset werd getraind en getest, wat ertoe zou kunnen leiden dat het model gegevens zou onthouden in plaats van te leren. Het model wordt getraind op de trainingsset en evalueert zijn 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 aanbevelingen op het gebied van informatiebeveiliging is gebouwd met 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 ingevoerd in een beslissingsboommodel om de antwoorden van studenten te berekenen en te extraheren, zodat de LS-metingen van studenten automatisch kunnen worden geclassificeerd.
De verwarringsmatrix wordt gebruikt om de nauwkeurigheid van een beslissingsboom-machine learning-algoritme op een gegeven dataset te evalueren. Tegelijkertijd evalueert het de prestaties van het classificatiemodel. Het vat de voorspellingen van het model samen en vergelijkt deze met de werkelijke labels in de data. De evaluatieresultaten zijn gebaseerd op vier verschillende waarden: True Positive (TP) – het model heeft de positieve categorie correct voorspeld, False Positive (FP) – het model heeft de positieve categorie voorspeld, maar het werkelijke label is negatief, True Negative (TN) – het model heeft de negatieve klasse correct voorspeld, en False Negative (FN) – het model voorspelt een negatieve klasse, maar het werkelijke label is positief.
Deze waarden worden vervolgens gebruikt om verschillende prestatiemaatstaven van het scikit-learn classificatiemodel in Python te berekenen, namelijk precisie, nauwkeurigheid, recall en F1-score. Hier volgen enkele voorbeelden:
De recall (of sensitiviteit) meet het vermogen van het model om de leerprestaties van een student nauwkeurig te classificeren nadat deze de m-ILS-vragenlijst heeft ingevuld.
Specificiteit wordt ook wel het percentage ware negatieven genoemd. Zoals je in de bovenstaande formule kunt zien, zou dit de verhouding moeten zijn tussen ware negatieven (TN) en ware negatieven en valse positieven (FP). Als onderdeel van het aanbevolen instrument voor het classificeren van drugsgebruik door studenten, moet het in staat zijn tot een nauwkeurige identificatie.
De oorspronkelijke dataset van 50 studenten die gebruikt werd om het beslissingsboom-ML-model te trainen, vertoonde een relatief lage nauwkeurigheid als gevolg van menselijke fouten in de annotaties (Tabel 3). Nadat een eenvoudig, op regels gebaseerd programma was ontwikkeld om automatisch LS-scores en studentannotaties te berekenen, werd een toenemend aantal datasets (255) gebruikt om het aanbevelingssysteem te trainen en te testen.
In de multiclass-verwarringsmatrix 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 het klasselabel voor elke LS-classificatie nauwkeurig voorspelt. De algehele nauwkeurigheid van de aanbevelingstool is daarmee 100%.
De waarden voor nauwkeurigheid, precisie, recall en F1-score worden weergegeven in figuur 5. Voor het aanbevelingssysteem dat gebruikmaakt van het beslissingsboommodel is de F1-score 1,0 "perfect", wat duidt op perfecte precisie en recall, en op significante sensitiviteit en specificiteit.
Figuur 6 toont een visualisatie van het beslissingsboommodel nadat de training en de testen zijn voltooid. In een directe vergelijking bleek het beslissingsboommodel dat met minder kenmerken was getraind een hogere nauwkeurigheid te hebben en was het model gemakkelijker te visualiseren. Dit toont aan dat feature engineering, wat leidt tot reductie van kenmerken, een belangrijke stap is in het verbeteren van de modelprestaties.
Door gebruik te maken van supervised learning met beslissingsbomen wordt de relatie tussen LS (input) en IS (target output) automatisch gegenereerd en bevat deze 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 gaf aan dat LS redelijk evenwichtig is (Tabel 4). Naast de acht belangrijkste LS zijn er 34 combinaties van LS-classificaties voor tandheelkundestudenten van de Universiteit van Malaya. Onder deze combinaties zijn perceptie, visie en de combinatie van perceptie en visie de belangrijkste LS die door studenten worden genoemd (Figuur 7).
Zoals blijkt uit tabel 4, had de meerderheid van de studenten een overwegend sensorisch (13,7%) of visueel (8,6%) leerprofiel. Er werd gerapporteerd dat 12,2% van de studenten perceptie combineerde met visie (perceptueel-visueel leerprofiel). Deze bevindingen suggereren dat studenten er de voorkeur aan geven om te leren en te onthouden via vastgestelde methoden, specifieke en gedetailleerde procedures te volgen en van nature aandachtig zijn. Tegelijkertijd vinden ze het prettig om te leren door te kijken (met behulp van diagrammen, enz.) en hebben ze de neiging om informatie in groepen of individueel te bespreken en toe te passen.
Deze studie geeft een overzicht van machine learning-technieken die worden gebruikt in data mining, met de nadruk op het direct en nauwkeurig voorspellen van de levens- en leerervaringen van studenten en het aanbevelen van geschikte informatiesystemen. Door toepassing van een beslissingsboommodel werden de factoren geïdentificeerd die het nauwst verband houden met hun levens- en leerervaringen. Het is een supervised machine learning-algoritme dat een boomstructuur gebruikt om data te classificeren door een dataset te verdelen in subcategorieën op basis van bepaalde criteria. Het werkt door de invoerdata recursief te verdelen in subsets op basis van de waarde van een van de invoerkenmerken van elk intern knooppunt, totdat een beslissing is genomen in 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 onderzoek is de hiërarchie van beslissingsbomen, die het beslissingsproces verklaren en visualiseren, gemakkelijk te begrijpen door te kijken naar de relatie tussen invoerkenmerken en uitvoervoorspellingen.
In de informatica en de ingenieurswetenschappen worden machine learning-algoritmen veelvuldig gebruikt om de prestaties van studenten te voorspellen op basis van hun scores op toelatingsexamens [21], demografische gegevens en leergedrag [22]. Onderzoek heeft aangetoond dat het algoritme de prestaties van studenten nauwkeurig voorspelde en hen hielp studenten te identificeren die risico lopen op academische problemen.
Er wordt gerapporteerd over de toepassing van ML-algoritmen bij de ontwikkeling van virtuele patiëntsimulatoren voor tandheelkundige training. De simulator is in staat om de fysiologische reacties van echte patiënten nauwkeurig na te bootsen en kan worden gebruikt om tandheelkundestudenten in een veilige en gecontroleerde omgeving te trainen [23]. Verschillende andere studies tonen aan dat machine learning-algoritmen de kwaliteit en efficiëntie van tandheelkundig en medisch onderwijs en patiëntenzorg potentieel kunnen verbeteren. Machine learning-algoritmen zijn gebruikt om te helpen bij de diagnose van tandheelkundige aandoeningen op basis van datasets zoals symptomen en patiëntkenmerken [24, 25]. Andere studies hebben het gebruik van machine learning-algoritmen onderzocht voor taken zoals het voorspellen van patiëntuitkomsten, het identificeren van risicopatiënten, het ontwikkelen van gepersonaliseerde behandelplannen [26], parodontale behandeling [27] en cariësbehandeling [25].
Hoewel er al rapporten zijn gepubliceerd over de toepassing van machine learning in de tandheelkunde, blijft de toepassing ervan in het tandheelkundig onderwijs beperkt. Daarom had deze studie als doel om met behulp van een beslissingsboommodel de factoren te identificeren die het nauwst verband houden met leerprestaties (LS) en informatievaardigheden (IS) onder tandheelkundestudenten.
De resultaten van deze studie tonen aan dat de ontwikkelde aanbevelingstool een hoge nauwkeurigheid en perfecte nauwkeurigheid heeft, wat aangeeft dat docenten baat kunnen hebben bij deze tool. Door gebruik te maken van een datagestuurd classificatieproces kan de tool gepersonaliseerde aanbevelingen geven en de leerervaringen en -resultaten voor docenten en studenten verbeteren. Informatie verkregen via aanbevelingstools kan onder andere conflicten tussen de voorkeurslesmethoden van docenten en de leerbehoeften van studenten oplossen. Zo zal de tijd die nodig is om het leerproces van een student te identificeren en te koppelen aan het bijbehorende leerproces aanzienlijk worden verkort dankzij de geautomatiseerde output van aanbevelingstools. Op deze manier kunnen geschikte trainingsactiviteiten en -materialen worden georganiseerd. Dit draagt bij aan de ontwikkeling van positief leergedrag en concentratievermogen bij studenten. Een studie toonde aan dat het aanbieden van leermaterialen en -activiteiten die aansluiten bij de voorkeursleermethoden van studenten hen kan helpen om leren op meerdere manieren te integreren, te verwerken en er plezier aan te beleven, waardoor ze hun potentieel beter kunnen benutten [12]. Onderzoek toont ook aan dat, naast het verbeteren van de participatie van studenten in de klas, inzicht in het leerproces van studenten een cruciale rol speelt bij het verbeteren van de onderwijspraktijken en de communicatie met studenten [28, 29].
Net als bij elke moderne technologie zijn er echter ook problemen en beperkingen. Deze omvatten kwesties met betrekking tot gegevensprivacy, vooringenomenheid en eerlijkheid, en de professionele vaardigheden en middelen die nodig zijn om machine learning-algoritmen te ontwikkelen en te implementeren in het tandheelkundig onderwijs. De groeiende interesse en het onderzoek op dit gebied suggereren echter dat machine learning-technologieën een positieve impact kunnen hebben op het tandheelkundig onderwijs en de tandheelkundige zorg.
De resultaten van dit onderzoek wijzen erop dat de helft van de tandheelkundestudenten de neiging heeft om geneesmiddelen te ‘waarnemen’. Dit type leerling heeft een voorkeur voor feiten en concrete voorbeelden, een praktische oriëntatie, geduld voor details en een ‘visuele’ leerstijlvoorkeur, waarbij leerlingen de voorkeur geven aan afbeeldingen, grafieken, kleuren en kaarten om ideeën en gedachten over te brengen. De huidige resultaten komen overeen met andere studies die gebruikmaken van ILS om de leerstijlen van tandheelkunde- en geneeskundestudenten te beoordelen, waarvan de meesten kenmerken van perceptuele en visuele leerstijlen vertonen [12, 30]. Dalmolin et al. suggereren dat het informeren van studenten over hun leerstijl hen in staat stelt hun leerpotentieel te bereiken. Onderzoekers stellen dat wanneer docenten het leerproces van studenten volledig begrijpen, diverse lesmethoden en -activiteiten kunnen worden geïmplementeerd die de prestaties en leerervaring van studenten verbeteren [12, 31, 32]. Andere studies hebben aangetoond dat het aanpassen van de leerstijl van studenten ook leidt tot verbeteringen in de leerervaring en prestaties van studenten nadat hun leerstijl is aangepast aan hun eigen leerstijl [13, 33].
De meningen van docenten over de implementatie van onderwijsstrategieën gebaseerd op de leervermogens van studenten kunnen uiteenlopen. Sommigen zien de voordelen van deze aanpak, zoals mogelijkheden voor professionele ontwikkeling, mentorschap en steun vanuit de gemeenschap, terwijl anderen zich zorgen maken over de benodigde tijd en institutionele ondersteuning. Het streven naar een evenwicht is essentieel voor het creëren van een studentgerichte houding. Autoriteiten in het hoger onderwijs, zoals universiteitsbestuurders, kunnen een belangrijke rol spelen bij het stimuleren van positieve verandering door innovatieve praktijken te introduceren en de ontwikkeling van docenten te ondersteunen [34]. Om een werkelijk dynamisch en responsief hoger onderwijssysteem te creëren, moeten beleidsmakers gedurfde stappen zetten, zoals het doorvoeren van beleidswijzigingen, het toewijzen van middelen aan technologie-integratie en het creëren van kaders die studentgerichte benaderingen bevorderen. Deze maatregelen zijn cruciaal voor het bereiken van de gewenste resultaten. Recent onderzoek naar gedifferentieerd onderwijs heeft duidelijk aangetoond dat een succesvolle implementatie van gedifferentieerd onderwijs voortdurende training en ontwikkelingsmogelijkheden voor docenten vereist [35].
Deze tool biedt waardevolle ondersteuning aan docenten in de tandheelkunde die een studentgerichte aanpak willen hanteren bij het plannen van studentvriendelijke leeractiviteiten. Deze studie is echter beperkt tot het gebruik van beslissingsboom-ML-modellen. In de toekomst zou meer data verzameld moeten worden om de prestaties van verschillende machine learning-modellen te vergelijken en zo de nauwkeurigheid, betrouwbaarheid en precisie van aanbevelingstools te evalueren. Daarnaast is het bij de keuze van de meest geschikte machine learning-methode voor een specifieke taak belangrijk om rekening te houden met andere factoren, zoals modelcomplexiteit en interpretatie.
Een beperking van deze studie is dat deze zich alleen richtte op het in kaart brengen van leerstrategieën (LS) en informatiesystemen (IS) onder tandheelkundestudenten. Het ontwikkelde aanbevelingssysteem zal daarom alleen systemen aanbevelen die geschikt zijn voor tandheelkundestudenten. Aanpassingen zijn nodig voor gebruik door studenten in het algemeen hoger onderwijs.
De nieuw ontwikkelde, op machine learning gebaseerde aanbevelingstool is in staat om de leerdoelen (LS) van studenten direct te classificeren en te koppelen aan de bijbehorende informatiebronnen (IS). Daarmee is het het eerste programma voor tandheelkundig onderwijs dat docenten helpt bij het plannen van relevante onderwijs- en leeractiviteiten. Door middel van een datagestuurd triageproces kan de tool gepersonaliseerde aanbevelingen geven, tijd besparen, onderwijsstrategieën verbeteren, gerichte interventies ondersteunen en continue professionele ontwikkeling bevorderen. De toepassing ervan zal studentgerichte benaderingen in het tandheelkundig onderwijs stimuleren.
Gilak Jani, Associated Press. Overeenkomst of verschil tussen de leerstijl van de student en de onderwijsstijl van de docent. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Geplaatst op: 29 april 2024