• ons

Kartering van tandheelkundige studente se voorkeurleerstyle met ooreenstemmende leerstrategieë met behulp van besluitnemingsboommasjienmodelle BMC Mediese Onderwys |

Daar is 'n groeiende behoefte aan studentgesentreerde leer (SCL) in instellings vir hoër onderwys, insluitend tandheelkunde. SCL het egter 'n beperkte toepassing in tandheelkundige onderwys. Daarom het hierdie studie daarop gemik om die toepassing van SCL in tandheelkunde te bevorder deur gebruik te maak van besluitnemingsboommasjienleer (ML) -tegnologie om die voorkeurleerstyl (LS) en ooreenstemmende leerstrategieë (IS) van tandheelkundige studente te karteer as 'n nuttige hulpmiddel om riglyne te ontwikkel . Belowende metodes vir tandheelkundige studente.
Altesaam 255 tandheelkundige studente van die Universiteit van Malaya het die Modified Index of Learning Styles (M-ILS) vraelys voltooi, wat 44 items bevat om dit in hul onderskeie LSS te klassifiseer. Die versamelde data ('n datastel genoem) word gebruik in toesighoutboomleer om die leerstyle van studente outomaties by die geskikste te pas. Die akkuraatheid van die Machine Learning-gebaseerde is-aanbevelingsinstrument word dan geëvalueer.
Die toepassing van besluitnemingsboommodelle in 'n outomatiese karteringproses tussen LS (INPUT) en IS (teikenuitset) maak voorsiening vir 'n onmiddellike lys van toepaslike leerstrategieë vir elke tandheelkundige student. Die IS -aanbevelingsinstrument het 'n perfekte akkuraatheid en herroeping van die algehele akkuraatheid van die model getoon, wat daarop dui dat die ooreenstemming met LS aan IS goeie sensitiwiteit en spesifisiteit het.
'N Is aanbevelingsinstrument gebaseer op 'n ML -beslissingsboom het bewys dat dit die vermoë het om die leerstyle van tandheelkundige studente akkuraat te pas met toepaslike leerstrategieë. Hierdie instrument bied kragtige opsies vir die beplanning van leerdergesentreerde kursusse of modules wat die leerervaring van studente kan verbeter.
Onderrig en leer is fundamentele aktiwiteite in opvoedkundige instellings. By die ontwikkeling van 'n hoë gehalte beroepsonderwysstelsel is dit belangrik om op die leerbehoeftes van studente te fokus. Die interaksie tussen studente en hul leeromgewing kan deur hul LS bepaal word. Navorsing dui daarop dat wanaanpassings tussen studente tussen studente en IS negatiewe gevolge vir studente-leer kan hê, soos verminderde aandag en motivering. Dit sal indirek die prestasie van die student beïnvloed [1,2].
IS is 'n metode wat deur onderwysers gebruik word om kennis en vaardighede aan studente oor te dra, insluitend om studente te help om te leer [3]. Oor die algemeen beplan goeie onderwysers onderrigstrategieë of is dit die beste ooreenstem met hul studente se vlak van kennis, die konsepte wat hulle leer en hul leerfase. Teoreties, wanneer LS en is ooreenstem, sal studente 'n spesifieke stel vaardighede kan organiseer en gebruik om effektief te leer. Tipies bevat 'n lesplan verskeie oorgange tussen fases, soos van onderrig tot begeleide praktyk of van begeleide praktyk tot onafhanklike praktyk. Met dit in gedagte, beplan effektiewe onderwysers dikwels onderrig met die doel om studente se kennis en vaardighede op te bou [4].
Die vraag na SCL groei in instellings vir hoër onderwys, insluitend tandheelkunde. SCL -strategieë is ontwerp om aan studente se leerbehoeftes te voorsien. Dit kan bereik word, byvoorbeeld as studente aktief aan leeraktiwiteite deelneem en onderwysers as fasiliteerders optree en verantwoordelik is vir die gee van waardevolle terugvoering. Daar word gesê dat die verskaffing van leermateriaal en aktiwiteite wat geskik is vir studente se opvoedkundige vlak of voorkeure, die leeromgewing van studente kan verbeter en positiewe leerervarings kan bevorder [5].
Oor die algemeen word die leerproses van tandheelkundige studente beïnvloed deur die verskillende kliniese prosedures wat hulle moet uitvoer en die kliniese omgewing waarin hulle effektiewe interpersoonlike vaardighede ontwikkel. Die doel van die opleiding is om studente in staat te stel om basiese kennis van tandheelkunde met tandheelkundige kliniese vaardighede te kombineer en die verworwe kennis toe te pas op nuwe kliniese situasies [6, 7]. Vroeë navorsing oor die verhouding tussen LS en word gevind dat die aanpassing van leerstrategieë wat aan die voorkeur -LS gekarteer is, sal help om die opvoedkundige proses te verbeter [8]. Die skrywers beveel ook aan om 'n verskeidenheid onderrig- ​​en assesseringsmetodes te gebruik om aan te pas by die leer en behoeftes van studente.
Onderwysers trek voordeel uit die toepassing van LS -kennis om hulle te help om onderrig te ontwerp, te ontwikkel en te implementeer wat studente se verkryging van dieper kennis en begrip van die onderwerp sal verbeter. Navorsers het verskeie LS-assesseringsinstrumente ontwikkel, soos die KOLB Experiential Learning-model, die Felder-Silverman Learning Style Model (FSLSM), en die Fleming VAK/VARK-model [5, 9, 10]. Volgens die literatuur is hierdie leermodelle die mees gebruikte en mees bestudeerde leermodelle. In die huidige navorsingswerk word FSLSM gebruik om LS onder tandheelkundige studente te beoordeel.
FSLSM is 'n wyd gebruikte model vir die evaluering van aanpasbare leer in ingenieurswese. Daar is baie gepubliseerde werke in die gesondheidswetenskappe (insluitend medisyne, verpleegkunde, apteek en tandheelkunde) wat gevind kan word met behulp van FSLSM -modelle [5, 11, 12, 13]. Die instrument wat gebruik word om die afmetings van LS in die FLSM te meet, word die indeks van leerstyle (ILS) [8] genoem, wat 44 items bevat wat vier dimensies van LS beoordeel: verwerking (aktief/reflektief), persepsie (perseptueel/intuïtief), invoer (visueel). /verbaal) en begrip (opeenvolgende/globaal) [14].
Soos getoon in Figuur 1, het elke FSLSM -dimensie 'n dominante voorkeur. Byvoorbeeld, in die verwerkingsdimensie verkies studente met 'aktiewe' LS om inligting te verwerk deur direk met leermateriaal te kommunikeer, te leer deur te doen en geneig is om in groepe te leer. Die 'reflektiewe' LS verwys na leer deur denke en verkies om alleen te werk. Die 'waarnemende' dimensie van LS kan verdeel word in 'gevoel' en/of 'intuïsie'. Studente wat gevoel het, verkies meer konkrete inligting en praktiese prosedures, is feite-georiënteerd in vergelyking met 'intuïtiewe' studente wat abstrakte materiaal verkies en meer innoverend en kreatief van aard is. Die 'inset' -dimensie van LS bestaan ​​uit' visuele 'en' verbale 'leerders. Mense met 'visuele' LS verkies om te leer deur visuele demonstrasies (soos diagramme, video's of lewendige demonstrasies), terwyl mense met 'verbale' LS verkies om deur woorde in geskrewe of mondelinge verduidelikings te leer. Om die LS -dimensies te “verstaan”, kan sulke leerders in 'opeenvolgende' en 'globaal' verdeel word. 'Opeenvolgende leerders verkies 'n lineêre denkproses en leer stap vir stap, terwyl wêreldwye leerders geneig is om 'n holistiese denkproses te hê en altyd 'n beter begrip te hê van wat hulle leer.
Onlangs het baie navorsers begin om metodes te ondersoek vir outomatiese data-gedrewe ontdekking, insluitend die ontwikkeling van nuwe algoritmes en modelle wat groot hoeveelhede data kan interpreteer [15, 16]. Op grond van die gegewe gegewens, is ML (Machine Learning) onder toesig in staat om patrone en hipoteses te genereer wat toekomstige resultate voorspel op grond van die konstruksie van algoritmes [17]. Eenvoudig gestel, onder toesig van masjienleertegnieke manipuleer insetdata en oefen algoritmes. Dit genereer dan 'n reeks wat die uitkoms klassifiseer of voorspel op grond van soortgelyke situasies vir die gegewe insetdata. Die grootste voordeel van onder toesig oor masjienleer -algoritmes is die vermoë om ideale en gewenste resultate te vestig [17].
Deur die gebruik van data-aangedrewe metodes en besluitnemingsboombeheermodelle, is outomatiese opsporing van LS moontlik. Daar is berig dat besluitnemingsbome wyd gebruik word in opleidingsprogramme op verskillende terreine, insluitend gesondheidswetenskappe [18, 19]. In hierdie studie is die model spesifiek deur die stelselontwikkelaars opgelei om studente se LS te identifiseer en beveel die beste aan.
Die doel van hierdie studie is om afleweringstrategieë op grond van studente se LS te ontwikkel en die SCL -benadering toe te pas deur 'n IS -aanbevelingsinstrument te ontwikkel wat aan LS gekarteer is. Die ontwerpvloei van die IS -aanbevelingsinstrument as 'n strategie van die SCL -metode word in Figuur 1 getoon. Die ARE -aanbevelingsinstrument word in twee dele verdeel, insluitend die LS -klassifikasiemeganisme met behulp van IL's en die geskikste is vir studente vertoon.
In die besonder sluit die kenmerke van Inligtingsekuriteitsaanbevelingsinstrumente die gebruik van webtegnologieë en die gebruik van die leer van boommasjiene in. Stelselontwikkelaars verbeter die gebruikerservaring en mobiliteit deur dit aan te pas by mobiele toestelle soos selfone en tablette.
Die eksperiment is in twee fases uitgevoer en studente van die Fakulteit Tandheelkunde aan die Universiteit van Malaya het op vrywillige basis deelgeneem. Deelnemers het in Engels op 'n tandheelkundige student se aanlyn M-ILS gereageer. In die eerste fase is 'n datastel van 50 studente gebruik om die algoritme vir die besluit van die besluit van die besluitneming van die besluitneming op te lei. In die tweede fase van die ontwikkelingsproses is 'n datastel van 255 studente gebruik om die akkuraatheid van die ontwikkelde instrument te verbeter.
Al die deelnemers ontvang 'n aanlyn -inligtingsessie aan die begin van elke fase, afhangende van die akademiese jaar, via Microsoft -spanne. Die doel van die studie is verklaar en ingeligte toestemming is verkry. Al die deelnemers het 'n skakel gegee om toegang tot die M-ILS te verkry. Elke student is opdrag gegee om al 44 items op die vraelys te beantwoord. Hulle is een week gegee om die gewysigde IL's op 'n slag en plek wat hulle voor die aanvang van die semester gerieflik is, te voltooi. Die M-ILS is gebaseer op die oorspronklike ILS-instrument en gewysig vir tandheelkundige studente. Soortgelyk aan die oorspronklike IL's, bevat dit 44 eweredig verspreide items (A, B), met 11 items elk, wat gebruik word om aspekte van elke FSLSM -dimensie te bepaal.
Tydens die beginfases van gereedskapontwikkeling het die navorsers die kaarte met die hand aangehaal met behulp van 'n datastel van 50 tandheelkundige studente. Volgens die FSLM bied die stelsel die som van die antwoorde “A” en “B”. Vir elke dimensie, as die student 'A' as antwoord kies, word die LS geklassifiseer as aktief/perseptueel/visueel/opeenvolgend, en as die student 'B' as antwoord kies, word die student geklassifiseer as reflektief/intuïtief/taalkundig . / Globale leerder.
Nadat die werkvloei tussen navorsers van tandheelkundige onderwys en stelselontwikkelaars gekalibreer is, is vrae op grond van die FLSSM -domein gekies en in die ML -model gevoer om die LS van elke student te voorspel. 'Vullis in, vullis uit' is 'n gewilde gesegde op die gebied van masjienleer, met die klem op datakwaliteit. Die kwaliteit van die invoerdata bepaal die akkuraatheid en akkuraatheid van die masjienleermodel. Tydens die funksie -ingenieursfase word 'n nuwe funksie -stel geskep, wat die som is van antwoorde “A” en “B” gebaseer op FLSSM. Identifikasienommers van geneesmiddelposisies word in Tabel 1 gegee.
Bereken die telling op grond van die antwoorde en bepaal die student se LS. Vir elke student is die tellingreeks van 1 tot 11. Tellings van 1 tot 3 dui op 'n balans tussen leervoorkeure binne dieselfde dimensie, en tellings van 5 tot 7 dui op 'n matige voorkeur, wat daarop dui dat studente geneig is om een ​​omgewing te leer wat ander onderrig . 'N Ander variasie op dieselfde dimensie is dat tellings van 9 tot 11 'n sterk voorkeur vir die een of ander punt weerspieël [8].
Vir elke dimensie is medisyne in 'aktief', 'reflektief' en 'gebalanseerd' gegroepeer. Byvoorbeeld, as 'n student 'A' meer gereeld as 'B' op 'n aangewese item antwoord en sy/haar telling die drempel van 5 oorskry vir 'n spesifieke item wat die verwerking van die LS -dimensie verteenwoordig, behoort hy/sy tot die 'aktiewe' LS domein. . Studente is egter geklassifiseer as 'reflektiewe' LS toe hulle 'B' meer as 'A' in spesifieke 11 vrae (Tabel 1) gekies het en meer as 5 punte behaal het. Laastens is die student in 'n toestand van 'ewewig'. As die telling nie 5 punte oorskry nie, is dit 'n 'proses' LS. Die klassifikasieproses is herhaal vir die ander LS -dimensies, naamlik persepsie (aktief/reflektief), invoer (visueel/verbaal) en begrip (opeenvolgende/global).
Besluitboommodelle kan verskillende onderafdelings van funksies en beslissingsreëls in verskillende stadiums van die klassifikasieproses gebruik. Dit word beskou as 'n gewilde klassifikasie- en voorspellingsinstrument. Dit kan voorgestel word met behulp van 'n boomstruktuur soos 'n vloeidiagram [20], waarin daar interne nodusse is wat toetse volgens attribuut voorstel, elke tak wat toetsresultate voorstel, en elke blaarknoop (blaarknoop) wat 'n klasetiket bevat.
'N Eenvoudige reëlgebaseerde program is geskep om elke student se LS outomaties te score en aan te teken op grond van hul antwoorde. Reëlgebaseerde neem die vorm aan van 'n IF-stelling, waar 'IF' die sneller beskryf en 'dan' die aksie spesifiseer wat uitgevoer moet word, byvoorbeeld: 'As X gebeur, doen dan y' (Liu et al., 2014). As die datastel korrelasie vertoon en die beslissingsboommodel behoorlik opgelei en geëvalueer word, kan hierdie benadering 'n effektiewe manier wees om die proses van ooreenstemming met LS en IS te outomatiseer.
In die tweede fase van ontwikkeling is die datastel verhoog tot 255 om die akkuraatheid van die aanbevelingsinstrument te verbeter. Die datastel is verdeel in 'n 1: 4 -verhouding. 25% (64) van die datastel is vir die toetsstel gebruik, en die oorblywende 75% (191) is as die opleidingsstel gebruik (Figuur 2). Die datastel moet verdeel word om te voorkom dat die model op dieselfde datastel opgelei en getoets word, wat die model kan onthou eerder as om te leer. Die model is op die opleidingsstel opgelei en evalueer die prestasie daarvan op die toetsstel - data wat die model nog nooit vantevore gesien het nie.
Sodra die IS -instrument ontwikkel is, sal die toepassing LS kan klassifiseer op grond van die antwoorde van tandheelkundige studente via 'n web -koppelvlak. Die web-gebaseerde Information Security-aanbevelingsinstrumentstelsel is gebou met behulp van die Python-programmeringstaal met behulp van die Django-raamwerk as die backend. Tabel 2 bevat 'n lys van die biblioteke wat in die ontwikkeling van hierdie stelsel gebruik word.
Die datastel word na 'n beslissingsboommodel gevoer om die antwoorde van studente te bereken en te onttrek om die LS -metings outomaties te klassifiseer.
Die verwarringsmatriks word gebruik om die akkuraatheid van 'n algoritme vir die leer van 'n besluitnemingsboom op 'n gegewe datastel te evalueer. Terselfdertyd evalueer dit die prestasie van die klassifikasiemodel. Dit gee 'n opsomming van die voorspellings van die model en vergelyk dit met die werklike databetikens. Die evalueringsresultate is gebaseer op vier verskillende waardes: ware positiewe (TP) - die model het die positiewe kategorie korrek voorspel, vals positief (FP) - die model het die positiewe kategorie voorspel, maar die ware etiket was negatief, waar negatief (TN) - Die model het die negatiewe klas korrek voorspel, en vals negatief (FN) - die model voorspel 'n negatiewe klas, maar die ware etiket is positief.
Hierdie waardes word dan gebruik om verskillende prestasie-statistieke van die Scikit-Learn-klassifikasiemodel in Python te bereken, naamlik presisie, presisie, herroeping en F1-telling. Hier is voorbeelde:
Onthou (of sensitiwiteit) meet die vermoë van die model om 'n student se LS akkuraat te klassifiseer nadat hy die M-ILS-vraelys beantwoord het.
Spesifisiteit word 'n ware negatiewe tempo genoem. Soos u uit die bogenoemde formule kan sien, moet dit die verhouding van ware negatiewe (TN) wees tot ware negatiewe en valse positiewe (FP). As deel van die aanbevole instrument om studente -medisyne te klassifiseer, moet dit in staat wees om akkurate identifikasie te hê.
Die oorspronklike datastel van 50 studente wat gebruik is om die besluitnemingsboom -ML -model op te lei, het relatief lae akkuraatheid getoon as gevolg van menslike foute in die aantekeninge (Tabel 3). Nadat 'n eenvoudige reëlgebaseerde program geskep is om LS-tellings en studente-aantekeninge outomaties te bereken, is 'n toenemende aantal datastelle (255) gebruik om die aanbevelingstelsel op te lei en te toets.
In die multiklas verwarringsmatriks verteenwoordig die diagonale elemente die aantal korrekte voorspellings vir elke LS -tipe (Figuur 4). Met behulp van die beslissingsboommodel is altesaam 64 monsters korrek voorspel. In hierdie studie toon die diagonale elemente dus die verwagte resultate, wat daarop dui dat die model goed presteer en die klasetiket vir elke LS -klassifikasie akkuraat voorspel. Die algehele akkuraatheid van die aanbevelingsinstrument is dus 100%.
Die waardes van akkuraatheid, presisie, herroeping en F1 -telling word in Figuur 5 getoon. Vir die aanbevelingstelsel met behulp van die beslissingsboommodel is die F1 -telling 1.0 “Perfek”, wat 'n aanduiding is van perfekte presisie en herroeping, wat die beduidende sensitiwiteit en spesifisiteit weerspieël waardes.
Figuur 6 toon 'n visualisering van die beslissingsboommodel na opleiding en toetsing. In 'n vergelyking langs mekaar, het die beslissingsboommodel wat opgelei is met minder funksies 'n hoër akkuraatheid en makliker modelvisualisering getoon. Dit wys dat funksie -ingenieurswese wat lei tot vermindering van funksies 'n belangrike stap is om modelprestasie te verbeter.
Deur die toepassing van Decision Tree toesig oor leer, word die kartering tussen LS (INPUT) en IS (teikenuitset) outomaties gegenereer en bevat dit gedetailleerde inligting vir elke LS.
Die resultate het getoon dat 34,9% van die 255 studente een (1) LS -opsie verkies het. Die meerderheid (54,3%) het twee of meer LS -voorkeure gehad. 12,2% van die studente het opgemerk dat LS redelik gebalanseerd is (Tabel 4). Benewens die agt belangrikste LS, is daar 34 kombinasies van LS -klassifikasies vir tandheelkundige studente van die Universiteit van Malaya. Onder hulle is persepsie, visie en die kombinasie van persepsie en visie die belangrikste LS wat deur studente gerapporteer word (Figuur 7).
Soos in Tabel 4 gesien kan word, het die meerderheid studente 'n oorheersende sensoriese (13,7%) of visuele (8,6%) LS gehad. Daar is berig dat 12,2% van die studente persepsie met visie (perseptueel-visuele LS) gekombineer het. Hierdie bevindings dui daarop dat studente verkies om deur gevestigde metodes te leer en te onthou, spesifieke en gedetailleerde prosedures te volg en oplettend van aard is. Terselfdertyd geniet hulle dit om te leer deur diagramme te kyk, ens.) En is geneig om inligting in groepe of op hul eie te bespreek en toe te pas.
Hierdie studie bied 'n oorsig van masjienleertegnieke wat in data -ontginning gebruik word, met die fokus op die onmiddellik en akkuraat voorspelling van studente se LS en die aanbeveling van geskikte IS. Die toepassing van 'n beslissingsboommodel het die faktore wat die beste verband hou met hul lewens- en opvoedkundige ervarings geïdentifiseer. Dit is 'n toesighoudende masjienleer -algoritme wat 'n boomstruktuur gebruik om data te klassifiseer deur 'n stel data in subkategorieë te deel op grond van sekere kriteria. Dit werk deur rekursief die insetdata in subsets te verdeel op grond van die waarde van een van die invoerkenmerke van elke interne knoop totdat 'n besluit by die blaarknoop geneem word.
Die interne nodusse van die beslissingsboom verteenwoordig die oplossing gebaseer op die insetkenmerke van die M-ILS-probleem, en die blaarknope verteenwoordig die finale voorspelling van die LS-klassifikasie. Gedurende die studie is dit maklik om die hiërargie van besluitnemingsbome te verstaan ​​wat die besluitnemingsproses verduidelik en visualiseer deur na die verhouding tussen insetkenmerke en uitsetvoorspellings te kyk.
Op die gebied van rekenaarwetenskap en ingenieurswese word algoritmes vir masjienleer wyd gebruik om die prestasie van studente te voorspel op grond van hul toelatingseksamen [21], demografiese inligting en leergedrag [22]. Navorsing het getoon dat die algoritme die prestasie van studente akkuraat voorspel het en hulle gehelp het om studente wat die risiko vir akademiese probleme het, te identifiseer.
Die toepassing van ML -algoritmes in die ontwikkeling van virtuele pasiëntsimulators vir tandheelkundige opleiding word gerapporteer. Die simulator kan die fisiologiese reaksies van regte pasiënte akkuraat weergee en kan gebruik word om tandheelkundige studente in 'n veilige en beheerde omgewing op te lei [23]. Verskeie ander studies toon dat masjienleer -algoritmes moontlik die kwaliteit en doeltreffendheid van tandheelkundige en mediese opleiding en pasiëntsorg kan verbeter. Masjienleer -algoritmes is gebruik om te help met die diagnose van tandheelkundige siektes op grond van datastelle soos simptome en pasiëntkenmerke [24, 25]. Terwyl ander studies die gebruik van masjienleer-algoritmes ondersoek het om take uit te voer, soos die voorspelling van pasiëntuitkomste, die identifisering van pasiënte met 'n hoë risiko, die ontwikkeling van gepersonaliseerde behandelingsplanne [26], periodontale behandeling [27] en kariesbehandeling [25].
Alhoewel verslae oor die toepassing van masjienleer in tandheelkunde gepubliseer is, is die toepassing daarvan in tandheelkundige onderwys steeds beperk. Daarom het hierdie studie ten doel gehad om 'n beslissingsboommodel te gebruik om faktore te identifiseer wat die meeste verband hou met LS en is onder tandheelkundige studente.
Die resultate van hierdie studie toon dat die ontwikkelde aanbevelingsinstrument 'n hoë akkuraatheid en perfekte akkuraatheid het, wat daarop dui dat onderwysers voordeel kan trek uit hierdie instrument. Met behulp van 'n data-gedrewe klassifikasieproses kan dit persoonlike aanbevelings bied en opvoedkundige ervarings en uitkomste vir opvoeders en studente verbeter. Onder hulle kan inligting wat deur aanbevelinginstrumente verkry word, konflik oplewer tussen onderwysers se voorkeur -onderrigmetodes en leerbehoeftes van studente. As gevolg van die outomatiese uitvoer van aanbevelingsinstrumente, sal die tyd wat benodig word om 'n student se IP te identifiseer en dit met die ooreenstemmende IP te identifiseer, aansienlik verminder. Op hierdie manier kan geskikte opleidingsaktiwiteite en opleidingsmateriaal georganiseer word. Dit help om studente se positiewe leergedrag en die vermoë om te konsentreer te ontwikkel. Een studie het berig dat studente leermateriaal en leeraktiwiteite voorsien wat ooreenstem met hul voorkeur -LS, kan studente help om op verskillende maniere te integreer, te verwerk en te leer om groter potensiaal te bereik [12]. Navorsing toon ook dat, benewens die verbetering van studente se deelname aan die klaskamer, die begrip van studente se leerproses ook 'n kritieke rol speel in die verbetering van onderrigpraktyke en kommunikasie met studente [28, 29].
Soos met enige moderne tegnologie, is daar egter probleme en beperkings. Dit sluit in kwessies wat verband hou met die privaatheid van data, vooroordeel en billikheid, en die professionele vaardighede en hulpbronne wat nodig is om masjienleer -algoritmes in tandheelkundige onderwys te ontwikkel en te implementeer; Groeiende belangstelling en navorsing op hierdie gebied dui egter daarop dat masjienleertegnologieë 'n positiewe impak op tandheelkundige onderwys en tandheelkundige dienste kan hê.
Die resultate van hierdie studie dui aan dat die helfte van tandheelkundige studente die neiging het om medisyne te “waarneem”. Hierdie tipe leerder het 'n voorkeur vir feite en konkrete voorbeelde, 'n praktiese oriëntasie, geduld vir detail en 'n 'visuele' LS -voorkeur, waar leerders verkies om foto's, grafika, kleure en kaarte te gebruik om idees en gedagtes oor te dra. Die huidige resultate stem ooreen met ander studies wat IL's gebruik om LS by tandheelkundige en mediese studente te beoordeel, waarvan die meeste kenmerke het van perseptuele en visuele LS [12, 30]. Dalmolin et al stel voor dat die inlig van studente oor hul LS hulle in staat stel om hul leerpotensiaal te bereik. Navorsers argumenteer dat wanneer onderwysers die opvoedkundige proses van studente ten volle begryp, verskillende onderrigmetodes en aktiwiteite geïmplementeer kan word wat die prestasie en leerervaring van studente sal verbeter [12, 31, 32]. Ander studies het getoon dat die aanpassing van studente se LS ook verbeterings in die leerervaring en prestasie van studente toon nadat hulle hul leerstyle verander het om by hul eie LS te pas [13, 33].
Onderwysers se opinies kan wissel met betrekking tot die implementering van onderrigstrategieë gebaseer op leervermoëns van studente. Sommige mense sien die voordele van hierdie benadering, insluitend professionele ontwikkelingsgeleenthede, mentorskap en gemeenskapsondersteuning, maar ander is besorg oor tyd en institusionele ondersteuning. Die strewe na balans is die sleutel tot die skep van 'n studentgesentreerde houding. Owerhede vir hoër onderwys, soos universiteitsadministrateurs, kan 'n belangrike rol speel om positiewe verandering aan te dryf deur innoverende praktyke in te stel en fakulteitsontwikkeling te ondersteun [34]. Om 'n werklike dinamiese en responsiewe hoëronderwysstelsel te skep, moet beleidmakers gewaagde stappe doen, soos om beleidsveranderings aan te bring, hulpbronne aan tegnologie-integrasie te wy en raamwerke te skep wat studentgesentreerde benaderings bevorder. Hierdie maatreëls is van kritieke belang om die gewenste resultate te bereik. Onlangse navorsing oor gedifferensieerde onderrig het duidelik getoon dat die suksesvolle implementering van gedifferensieerde onderrig deurlopende opleidings- en ontwikkelingsgeleenthede vir onderwysers vereis [35].
Hierdie instrument bied waardevolle ondersteuning aan tandheelkundige opvoeders wat 'n studentgesentreerde benadering wil neem om studentevriendelike leeraktiwiteite te beplan. Hierdie studie is egter beperk tot die gebruik van ML -modelle vir besluitneming. In die toekoms moet meer data versamel word om die werkverrigting van verskillende masjienleermodelle te vergelyk om die akkuraatheid, betroubaarheid en akkuraatheid van aanbevelingsinstrumente te vergelyk. Boonop is dit belangrik om ander faktore soos modelkompleksiteit en interpretasie te oorweeg wanneer u die mees geskikte masjienleermetode vir 'n spesifieke taak kies.
'N Beperking van hierdie studie is dat dit slegs gefokus is op die kartering van LS en onder tandheelkundige studente is. Daarom sal die ontwikkelde aanbevelingstelsel slegs diegene aanbeveel wat geskik is vir tandheelkundige studente. Veranderings is nodig vir algemene gebruik van hoër onderwys.
Die nuut ontwikkelde masjienleer-gebaseerde aanbevelingsinstrument is in staat om onmiddellik studente se LS onmiddellik te klassifiseer en te pas by die ooreenstemmende IS, wat dit die eerste tandheelkundige opvoedingsprogram maak om tandheelkundige opvoeders te help om relevante onderrig- ​​en leeraktiwiteite te beplan. Met behulp van 'n data-aangedrewe triage-proses, kan dit gepersonaliseerde aanbevelings bied, tyd bespaar, onderrigstrategieë verbeter, geteikende intervensies ondersteun en voortgesette professionele ontwikkeling bevorder. Die toepassing daarvan sal studentgesentreerde benaderings tot tandheelkundige onderwys bevorder.
Gilak Jani Associated Press. Wedstryd of wanverhouding tussen die student se leerstyl en die onderrigstyl van die onderwyser. Int J Mod Opvoedingsrekenaarwetenskap. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Postyd: Apr-29-2024