Daar is 'n groeiende behoefte aan studentgesentreerde leer (SCL) in hoëronderwysinstellings, insluitend tandheelkunde.SCL het egter beperkte toepassing in tandheelkundige onderwys.Daarom is hierdie studie daarop gemik om die toepassing van SCL in tandheelkunde te bevorder deur die gebruik van besluitboommasjienleer (ML) tegnologie om die voorkeurleerstyl (LS) en ooreenstemmende leerstrategieë (IS) van tandheelkundige studente te karteer as 'n nuttige hulpmiddel vir die ontwikkeling van IS-riglyne .Belowende metodes vir tandheelkundige studente.
Altesaam 255 tandheelkundige studente van die Universiteit van Malaya het die gewysigde Indeks van Leerstyle (m-ILS)-vraelys voltooi, wat 44 items bevat het om hulle in hul onderskeie LS'e te klassifiseer.Die versamelde data (genoem 'n datastel) word gebruik in beheerde besluitboomleer om studente se leerstyle outomaties by die mees geskikte IS te pas.Die akkuraatheid van die masjienleer-gebaseerde IS-aanbevelingsinstrument word dan geëvalueer.
Die toepassing van besluitboommodelle in 'n geoutomatiseerde karteringproses tussen LS (inset) en IS (teikenuitset) maak voorsiening vir 'n onmiddellike lys van toepaslike leerstrategieë vir elke tandheelkundige student.Die IS-aanbevelingsinstrument het perfekte akkuraatheid en herroeping van algehele modelakkuraatheid getoon, wat aandui dat die aanpassing van LS met IS goeie sensitiwiteit en spesifisiteit het.
'n IS-aanbevelingsinstrument gebaseer op 'n ML-besluitboom het sy vermoë bewys om tandheelkundige studente se leerstyle akkuraat met toepaslike leerstrategieë te pas.Hierdie hulpmiddel 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.Wanneer 'n hoëgehalte beroepsonderwysstelsel ontwikkel word, 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 onderwyser-bedoelde wanverhoudings tussen studente se LS en IS negatiewe gevolge vir studenteleer kan hê, soos verminderde aandag en motivering.Dit sal indirek studenteprestasie 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 leer [3].Oor die algemeen beplan goeie onderwysers onderrigstrategieë of IS wat die beste pas by hul studente se kennisvlak, die konsepte wat hulle leer en hul stadium van leer.Teoreties, wanneer LS en IS ooreenstem, sal studente in staat wees om 'n spesifieke stel vaardighede te organiseer en te gebruik om effektief te leer.Tipies sluit 'n lesplan verskeie oorgange tussen stadiums in, soos van onderrig na geleide praktyk of van geleide praktyk na 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 hoëronderwysinstellings, insluitend tandheelkunde.SCL-strategieë is ontwerp om aan studente se leerbehoeftes te voldoen.Dit kan byvoorbeeld bereik word as studente aktief aan leeraktiwiteite deelneem en onderwysers as fasiliteerders optree en verantwoordelik is vir die verskaffing van waardevolle terugvoer.Daar word gesê dat die verskaffing van leermateriaal en aktiwiteite wat geskik is vir studente se opvoedkundige vlak of voorkeure studente se leeromgewing kan verbeter en positiewe leerervarings kan bevorder [5].
Oor die algemeen word tandheelkundestudente se leerproses 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 op nuwe kliniese situasies toe te pas [6, 7].Vroeë navorsing oor die verhouding tussen LS en IS het bevind dat die aanpassing van leerstrategieë wat na die voorkeur-LS gekarteer is, die opvoedkundige proses sal help verbeter [8].Die skrywers beveel ook aan om 'n verskeidenheid onderrig- en assesseringsmetodes te gebruik om by studente se leer en behoeftes aan te pas.
Onderwysers vind baat by die toepassing van LS-kennis om hulle te help om onderrig te ontwerp, ontwikkel en implementeer wat studente se verkryging van dieper kennis en begrip van die vakmateriaal sal verbeter.Navorsers het verskeie LS-assesseringsinstrumente ontwikkel, soos die Kolb-ervaringsleermodel, die Felder-Silverman-leerstylmodel (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 assesseer.
FSLSM is 'n wyd gebruikte model vir die evaluering van aanpasbare leer in ingenieurswese.Daar is baie gepubliseerde werke in die gesondheidswetenskappe (insluitend medisyne, verpleging, apteek en tandheelkunde) wat gevind kan word deur gebruik te maak van FSLSM-modelle [5, 11, 12, 13].Die instrument wat gebruik word om die dimensies van LS in die FLSM te meet, word die Indeks van Leerstyle (ILS) genoem [8], wat 44 items bevat wat vier dimensies van LS assesseer: verwerking (aktief/reflektief), persepsie (perseptueel/intuïtief), insette (visueel)./verbaal) en begrip (opeenvolgend/globaal) [14].
Soos in Figuur 1 getoon, het elke FSLSM-dimensie 'n dominante voorkeur.Byvoorbeeld, in die verwerkingsdimensie verkies studente met "aktiewe" LS om inligting te verwerk deur direk met leermateriaal in wisselwerking te tree, te leer deur te doen, en is geneig om in groepe te leer.Die "reflektiewe" LS verwys na leer deur te dink en verkies om alleen te werk.Die "waarneem" dimensie van LS kan verdeel word in "gevoel" en/of "intuïsie."“Voel”-studente 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 middel van 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 "opeenvolgend" en "globaal" verdeel word.“Opeenvolgende leerders verkies ’n liniêre denkproses en leer stap vir stap, terwyl globale 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 vir outomatiese data-gedrewe ontdekking te ondersoek, insluitend die ontwikkeling van nuwe algoritmes en modelle wat in staat is om groot hoeveelhede data te interpreteer [15, 16].Gebaseer op die verskafde data, is onder toesig ML (masjienleer) in staat om patrone en hipoteses te genereer wat toekomstige resultate voorspel gebaseer op die konstruksie van algoritmes [17].Eenvoudig gestel, masjienleertegnieke onder toesig manipuleer invoerdata en lei algoritmes op.Dit genereer dan 'n reeks wat die uitkoms klassifiseer of voorspel gebaseer op soortgelyke situasies vir die verskafde insetdata.Die grootste voordeel van algoritmes vir masjienleer onder toesig is die vermoë om ideale en gewenste resultate te vestig [17].
Deur die gebruik van data-gedrewe metodes en besluitboombeheermodelle is outomatiese opsporing van LS moontlik.Daar is berig dat besluitebome wyd gebruik word in opleidingsprogramme in verskeie velde, insluitend gesondheidswetenskappe [18, 19].In hierdie studie is die model spesifiek deur die stelselontwikkelaars opgelei om studente se LS te identifiseer en die beste IS vir hulle aan te beveel.
Die doel van hierdie studie is om IS-leweringstrategieë te ontwikkel gebaseer op studente se LS en die SCL-benadering toe te pas deur 'n IS-aanbevelingsinstrument te ontwikkel wat na LS gekarteer is.Die ontwerpvloei van die IS-aanbevelingsinstrument as 'n strategie van die SCL-metode word in Figuur 1 getoon. Die IS-aanbevelingsinstrument word in twee dele verdeel, insluitend die LS-klassifikasiemeganisme wat ILS gebruik en die mees geskikte IS-vertoning vir studente.
Die kenmerke van aanbevelingsinstrumente vir inligtingsekuriteit sluit veral die gebruik van webtegnologieë en die gebruik van besluitboommasjienleer 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 'n vrywillige basis deelgeneem.Deelnemers het gereageer op 'n tandheelkundige student se aanlyn m-ILS in Engels.In die aanvanklike fase is 'n datastel van 50 studente gebruik om die besluitboommasjienleeralgoritme 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.
Alle deelnemers ontvang 'n aanlyn inligtingsessie aan die begin van elke fase, afhangende van die akademiese jaar, via Microsoft Teams.Die doel van die studie is verduidelik en ingeligte toestemming is verkry.Alle deelnemers is van 'n skakel voorsien om toegang tot die m-ILS te verkry.Elke student is opdrag gegee om al 44 items op die vraelys te beantwoord.Hulle het een week gekry om die gewysigde ILS te voltooi op 'n tyd en plek wat vir hulle gerieflik was tydens die semestervakansie voor die begin van die semester.Die m-ILS is gebaseer op die oorspronklike ILS-instrument en aangepas vir tandheelkundige studente.Soortgelyk aan die oorspronklike ILS, bevat dit 44 eweredig verspreide items (a, b), met 11 items elk, wat gebruik word om aspekte van elke FSLSM-dimensie te assesseer.
Tydens die aanvanklike stadiums van gereedskapontwikkeling het die navorsers die kaarte met die hand geannoteer deur 'n datastel van 50 tandheelkundige studente te gebruik.Volgens die FSLM verskaf die stelsel die som van antwoorde "a" en "b".Vir elke dimensie, as die student "a" as 'n antwoord kies, word die LS geklassifiseer as Aktief/Perseptueel/Visueel/Opeenvolgend, en as die student "b" as 'n antwoord kies, word die student as Reflektief/Intuïtief/Linguisties geklassifiseer. ./ globale leerder.
Nadat die werkvloei tussen tandheelkundige onderwysnavorsers en stelselontwikkelaars gekalibreer is, is vrae op grond van die FLSSM-domein gekies en in die ML-model ingevoer om elke student se LS te voorspel."Garbage in, garbage out" is 'n gewilde gesegde op die gebied van masjienleer, met die klem op datakwaliteit.Die kwaliteit van die insetdata bepaal die akkuraatheid en akkuraatheid van die masjienleermodel.Tydens die kenmerk-ingenieursfase word 'n nuwe kenmerkstel geskep wat die som is van antwoorde "a" en "b" gebaseer op FLSSM.Identifikasienommers van dwelmposisies word in Tabel 1 gegee.
Bereken die telling gebaseer op die antwoorde en bepaal die student se LS.Vir elke student is die telling wissel van 1 tot 11. Tellings van 1 tot 3 dui op 'n balans van leervoorkeure binne dieselfde dimensie, en tellings van 5 tot 7 dui op 'n matige voorkeur, wat aandui dat studente geneig is om een omgewing te verkies wat ander leer. .Nog 'n variasie op dieselfde dimensie is dat tellings van 9 tot 11 'n sterk voorkeur vir die een of die ander kant weerspieël [8].
Vir elke dimensie is dwelms gegroepeer in "aktief", "reflektief" en "gebalanseerd".Byvoorbeeld, wanneer 'n student meer dikwels "a" as "b" op 'n aangewese item antwoord en sy/haar telling oorskry die drempel van 5 vir 'n spesifieke item wat die Processing LS-dimensie verteenwoordig, behoort hy/sy aan die "aktiewe" LS domein..Studente is egter as "reflektiewe" LS geklassifiseer toe hulle "b" meer as "a" in spesifieke 11 vrae (Tabel 1) gekies het en meer as 5 punte behaal het.Uiteindelik is die student in 'n toestand van "ewewig."As die telling nie 5 punte oorskry nie, dan is dit 'n "proses" LS.Die klassifikasieproses is herhaal vir die ander LS-dimensies, naamlik persepsie (aktief/reflektief), insette (visueel/verbaal) en begrip (sekwensieel/globaal).
Besluitboommodelle kan verskillende substelle kenmerke en besluitreëls op verskillende stadiums van die klassifikasieproses gebruik.Dit word beskou as 'n gewilde klassifikasie- en voorspellingsinstrument.Dit kan voorgestel word deur gebruik te maak van 'n boomstruktuur soos 'n vloeidiagram [20], waarin daar interne nodusse is wat toetse volgens kenmerk verteenwoordig, elke tak wat toetsresultate verteenwoordig, en elke blaarknoop (blaarknoop) wat 'n klasetiket bevat.
'n Eenvoudige reëlgebaseerde program is geskep om elke student se LS outomaties te punte en annoteer op grond van hul antwoorde.Reël-gebaseerd neem die vorm aan van 'n IF-stelling, waar "IF" die sneller beskryf en "DAN" spesifiseer die aksie wat uitgevoer moet word, byvoorbeeld: "As X gebeur, doen dan Y" (Liu et al., 2014).As die datastel korrelasie toon en die besluitboommodel behoorlik opgelei en geëvalueer is, kan hierdie benadering 'n effektiewe manier wees om die proses van ooreenstemming van LS en IS te outomatiseer.
In die tweede fase van ontwikkeling is die datastel tot 255 verhoog om die akkuraatheid van die aanbevelingsinstrument te verbeter.Die datastel word in 'n 1:4 verhouding verdeel.25% (64) van die datastel is vir die toetsstel gebruik, en die oorblywende 75% (191) is as die opleidingstel gebruik (Figuur 2).Die datastel moet verdeel word om te verhoed dat die model op dieselfde datastel opgelei en getoets word, wat kan veroorsaak dat die model onthou eerder as om te leer.Die model word op die opleidingstel opgelei en evalueer sy prestasie 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 webkoppelvlak.Die webgebaseerde inligtingsekuriteit-aanbevelingshulpmiddelstelsel is gebou met behulp van die Python-programmeertaal met behulp van die Django-raamwerk as die agterkant.Tabel 2 lys die biblioteke wat in die ontwikkeling van hierdie stelsel gebruik word.
Die datastel word na 'n besluitboommodel gevoer om studenteantwoorde te bereken en te onttrek om studente LS-metings outomaties te klassifiseer.
Die verwarringsmatriks word gebruik om die akkuraatheid van 'n besluitboommasjienleeralgoritme op 'n gegewe datastel te evalueer.Terselfdertyd evalueer dit die prestasie van die klassifikasiemodel.Dit som die model se voorspellings op en vergelyk dit met die werklike data-etikette.Die evalueringsresultate is gebaseer op vier verskillende waardes: Ware Positief (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, Ware 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 verskeie prestasiemaatstawwe van die scikit-leer-klassifikasiemodel in Python te bereken, naamlik presisie, akkuraatheid, herroeping en F1-telling.Hier is voorbeelde:
Herroeping (of sensitiwiteit) meet die model se vermoë om 'n student se LS akkuraat te klassifiseer nadat die m-ILS-vraelys beantwoord is.
Spesifisiteit word 'n ware negatiewe koers genoem.Soos u uit die formule hierbo kan sien, moet dit die verhouding van ware negatiewe (TN) tot ware negatiewe en vals positiewe (FP) wees.As deel van die aanbevole hulpmiddel om studentedwelms te klassifiseer, moet dit in staat wees om akkurate identifikasie te hê.
Die oorspronklike datastel van 50 studente wat gebruik is om die besluitboom ML-model op te lei, het relatief lae akkuraatheid getoon as gevolg van menslike foute in die aantekeninge (Tabel 3).Nadat 'n eenvoudige reël-gebaseerde program geskep is om LS-tellings en studente-aantekeninge outomaties te bereken, is 'n toenemende aantal datastelle (255) gebruik om die aanbevelerstelsel op te lei en te toets.
In die multiklas verwarringsmatriks verteenwoordig die diagonale elemente die aantal korrekte voorspellings vir elke LS-tipe (Figuur 4).Deur die besluitboommodel te gebruik, is 'n totaal van 64 monsters korrek voorspel.In hierdie studie toon die diagonale elemente dus die verwagte resultate, wat aandui dat die model goed presteer en die klasetiket vir elke LS-klassifikasie akkuraat voorspel.Dus, die algehele akkuraatheid van die aanbevelingsinstrument is 100%.
Die waardes van akkuraatheid, akkuraatheid, herroeping en F1-telling word in Figuur 5 getoon. Vir die aanbevelingstelsel wat die besluitboommodel gebruik, is sy F1-telling 1.0 "perfek", wat perfekte akkuraatheid en herroeping aandui, wat beduidende sensitiwiteit en spesifisiteit weerspieël waardes.
Figuur 6 toon 'n visualisering van die besluitboommodel nadat opleiding en toetsing voltooi is.In 'n sy-aan-sy vergelyking, het die besluitboommodel wat met minder kenmerke opgelei is, hoër akkuraatheid en makliker modelvisualisering getoon.Dit wys dat kenmerk-ingenieurswese wat lei tot kenmerkvermindering 'n belangrike stap is in die verbetering van modelwerkverrigting.
Deur besluitnemingsboom-toesigleer toe te pas, word die kartering tussen LS (inset) en IS (teikenuitset) outomaties gegenereer en bevat 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 studente het opgemerk dat LS redelik gebalanseerd is (Tabel 4).Benewens die agt hoof-LS, is daar 34 kombinasies van LS-klassifikasies vir tandheelkundige studente van die Universiteit van Maleisië.Onder hulle is persepsie, visie en die kombinasie van persepsie en visie die belangrikste LS wat deur studente gerapporteer word (Figuur 7).
Soos uit Tabel 4 gesien kan word, het die meerderheid studente 'n oorheersende sensoriese (13,7%) of visuele (8,6%) LS gehad.Daar is gerapporteer dat 12,2% van studente persepsie met visie gekombineer het (perseptueel-visuele LS).Hierdie bevindinge dui daarop dat studente verkies om deur gevestigde metodes te leer en te onthou, spesifieke en gedetailleerde prosedures te volg, en aandagtig van aard is.Terselfdertyd geniet hulle om te leer deur te kyk (die gebruik van diagramme, ens.) en is geneig om inligting in groepe of op hul eie te bespreek en toe te pas.
Hierdie studie verskaf 'n oorsig van masjienleertegnieke wat in data-ontginning gebruik word, met 'n fokus op die onmiddellike en akkurate voorspelling van studente se LS en die aanbeveling van geskikte IS.Toepassing van 'n besluitboommodel het die faktore geïdentifiseer wat die naaste verband hou met hul lewe en opvoedkundige ervarings.Dit is 'n masjienleeralgoritme onder toesig wat 'n boomstruktuur gebruik om data te klassifiseer deur 'n stel data in subkategorieë te verdeel op grond van sekere kriteria.Dit werk deur die insetdata rekursief in substelle te verdeel gebaseer op die waarde van een van die invoerkenmerke van elke interne nodus totdat 'n besluit by die blaarnodus geneem word.
Die interne nodusse van die besluitboom verteenwoordig die oplossing gebaseer op die insetkenmerke van die m-ILS probleem, en die blaar nodusse verteenwoordig die finale LS klassifikasie voorspelling.Dwarsdeur die studie is dit maklik om die hiërargie van besluitebome wat die besluitnemingsproses verduidelik en visualiseer te verstaan deur na die verband tussen insetkenmerke en uitsetvoorspellings te kyk.
In die velde van rekenaarwetenskap en ingenieurswese word masjienleeralgoritmes wyd gebruik om studenteprestasie te voorspel op grond van hul toelatingseksamentellings [21], demografiese inligting en leergedrag [22].Navorsing het getoon dat die algoritme studenteprestasie akkuraat voorspel het en hulle gehelp het om studente te identifiseer wat gevaar loop vir akademiese probleme.
Die toepassing van ML-algoritmes in die ontwikkeling van virtuele pasiëntsimulators vir tandheelkundige opleiding word gerapporteer.Die simulator is in staat om die fisiologiese reaksies van werklike pasiënte akkuraat weer te gee en kan gebruik word om tandheelkundige studente in 'n veilige en beheerde omgewing op te lei [23].Verskeie ander studies toon dat masjienleeralgoritmes moontlik die kwaliteit en doeltreffendheid van tandheelkundige en mediese onderwys en pasiëntsorg kan verbeter.Masjienleeralgoritmes is gebruik om te help met die diagnose van tandheelkundige siektes gebaseer op datastelle soos simptome en pasiënteienskappe [24, 25].Terwyl ander studies die gebruik van masjienleeralgoritmes ondersoek het om take uit te voer soos om pasiëntuitkomste te voorspel, hoërisikopasiënte te identifiseer, persoonlike behandelingsplanne te ontwikkel [26], periodontale behandeling [27] en kariësbehandeling [25].
Alhoewel verslae oor die toepassing van masjienleer in tandheelkunde gepubliseer is, bly die toepassing daarvan in tandheelkundige onderwys beperk.Daarom het hierdie studie ten doel gehad om 'n besluitboommodel te gebruik om faktore wat die naaste met LS en IS onder tandheelkundige studente geassosieer word, te identifiseer.
Die resultate van hierdie studie toon dat die ontwikkelde aanbevelingsinstrument hoë akkuraatheid en perfekte akkuraatheid het, wat aandui dat onderwysers by hierdie hulpmiddel kan baat.Deur 'n datagedrewe klassifikasieproses te gebruik, kan dit persoonlike aanbevelings verskaf en opvoedkundige ervarings en uitkomste vir opvoeders en studente verbeter.Onder hulle kan inligting wat deur aanbevelingsinstrumente verkry word, konflikte tussen onderwysers se voorkeuronderrigmetodes en studente se leerbehoeftes oplos.Byvoorbeeld, as gevolg van die outomatiese uitvoer van aanbevelingsinstrumente, sal die tyd wat nodig is om 'n student se IP te identifiseer en dit met die ooreenstemmende IP te pas aansienlik verminder word.Op hierdie manier kan geskikte opleidingsaktiwiteite en opleidingsmateriaal georganiseer word.Dit help om studente se positiewe leergedrag en vermoë om te konsentreer te ontwikkel.Een studie het gerapporteer dat die verskaffing van leermateriaal en leeraktiwiteite aan studente wat ooreenstem met hul voorkeur-LS studente kan help om op verskeie maniere te integreer, verwerk en geniet leer om groter potensiaal te bereik [12].Navorsing toon ook dat, benewens die verbetering van studentedeelname in die klaskamer, 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 kwessies in wat verband hou met dataprivaatheid, vooroordeel en regverdigheid, en die professionele vaardighede en hulpbronne wat nodig is om masjienleeralgoritmes in tandheelkundige onderwys te ontwikkel en te implementeer;Toenemende belangstelling en navorsing in hierdie gebied dui egter daarop dat masjienleertegnologieë 'n positiewe impak op tandheelkundige onderwys en tandheelkundige dienste kan hê.
Die resultate van hierdie studie dui daarop dat die helfte van tandheelkundige studente 'n neiging het om dwelms 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 prente, grafika, kleure en kaarte te gebruik om idees en gedagtes oor te dra.Die huidige resultate stem ooreen met ander studies wat ILS gebruik om LS by tandheelkundige en mediese studente te assesseer, van wie die meeste kenmerke van perseptuele en visuele LS het [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 voer aan dat wanneer onderwysers studente se opvoedkundige proses ten volle verstaan, verskeie onderrigmetodes en aktiwiteite geïmplementeer kan word wat studente se prestasie en leerervaring sal verbeter [12, 31, 32].Ander studies het getoon dat die aanpassing van studente se LS ook verbeterings in studente se leerervaring en prestasie toon nadat hulle hul leerstyle verander het om by hul eie LS te pas [13, 33].
Onderwysers se menings kan verskil oor die implementering van onderrigstrategieë gebaseer op studente se leervermoëns.Terwyl sommige die voordele van hierdie benadering sien, insluitend professionele ontwikkelingsgeleenthede, mentorskap en gemeenskapsondersteuning, kan ander bekommerd wees oor tyd en institusionele ondersteuning.Die strewe na balans is die sleutel tot die skep van 'n student-gesentreerde houding.Hoëronderwysowerhede, 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 werklik dinamiese en responsiewe hoër onderwysstelsel te skep, moet beleidmakers dapper stappe neem, soos om beleidsveranderinge 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 suksesvolle implementering van gedifferensieerde onderrig deurlopende opleiding en ontwikkelingsgeleenthede vir onderwysers vereis [35].
Hierdie hulpmiddel bied waardevolle ondersteuning aan tandheelkundige opvoeders wat 'n studentgesentreerde benadering tot die beplanning van studentvriendelike leeraktiwiteite wil volg.Hierdie studie is egter beperk tot die gebruik van besluitboom ML-modelle.In die toekoms moet meer data ingesamel word om die werkverrigting van verskillende masjienleermodelle te vergelyk om die akkuraatheid, betroubaarheid en akkuraatheid van aanbevelingsinstrumente te vergelyk.By die keuse van die mees geskikte masjienleermetode vir 'n spesifieke taak, is dit ook belangrik om ander faktore soos modelkompleksiteit en interpretasie in ag te neem.
'n Beperking van hierdie studie is dat dit slegs gefokus het op die kartering van LS en IS onder tandheelkundige studente.Daarom sal die ontwikkelde aanbevelingstelsel slegs dié aanbeveel wat geskik is vir tandheelkundige studente.Veranderinge is nodig vir algemene hoëronderwysstudentegebruik.
Die nuut ontwikkelde masjienleer-gebaseerde aanbevelingsinstrument is in staat om studente se LS onmiddellik te klassifiseer en te pas by die ooreenstemmende IS, wat dit die eerste tandheelkundige opleidingsprogram maak om tandheelkundige opvoeders te help om relevante onderrig- en leeraktiwiteite te beplan.Deur 'n data-gedrewe triage-proses te gebruik, kan dit persoonlike aanbevelings verskaf, tyd bespaar, onderrigstrategieë verbeter, geteikende intervensies ondersteun en deurlopende professionele ontwikkeling bevorder.Die toepassing daarvan sal studentgesentreerde benaderings tot tandheelkundige onderwys bevorder.
Gilak Jani Associated Press.Pas of wanverhouding tussen die student se leerstyl en die onderwyser se onderrigstyl.Int J Mod Onderwys Rekenaarwetenskap.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Postyd: 29-Apr-2024