Daar is 'n groeiende behoefte aan studentgesentreerde leer (SCL) in hoër onderwysinstellings, insluitend tandheelkunde. SCL het egter beperkte toepassing in tandheelkundige opleiding. Daarom is hierdie studie daarop gemik om die toepassing van SCL in tandheelkunde te bevorder deur besluitboommasjienleer (ML) tegnologie te gebruik om die voorkeurleerstyl (LS) en ooreenstemmende leerstrategieë (IS) van tandheelkundige studente te karteer as 'n nuttige instrument vir die ontwikkeling van IS-riglyne. Belowende metodes vir tandheelkundige studente.
'n Totaal van 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 gemonitorde besluitboomleer om studente se leerstyle outomaties by die mees gepaste IS te pas. Die akkuraatheid van die masjienleer-gebaseerde IS-aanbevelingsinstrument word dan geëvalueer.
Die toepassing van besluitboommodelle in 'n outomatiese karteringsproses tussen LS (inset) en IS (teikenuitset) maak voorsiening vir 'n onmiddellike lys van gepaste leerstrategieë vir elke tandheelkundige student. Die IS-aanbevelingsinstrument het perfekte akkuraatheid en herroeping van algehele modelakkuraatheid getoon, wat aandui dat die ooreenstemming van LS met IS goeie sensitiwiteit en spesifisiteit het.
'n IS-aanbevelingsinstrument gebaseer op 'n ML-besluitnemingsboom het sy vermoë bewys om tandheelkundige studente se leerstyle akkuraat met toepaslike leerstrategieë te pas. 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 onderwysinstellings. 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 studenteprestasie indirek 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 vlak van kennis, die konsepte wat hulle leer, en hul leerfase. 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 begeleide oefening of van begeleide oefening na onafhanklike oefening. Met dit in gedagte beplan effektiewe onderwysers dikwels onderrig met die doel om studente se kennis en vaardighede 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 gepas is vir studente se opvoedkundige vlak of voorkeure, studente se leeromgewing kan verbeter en positiewe leerervarings kan bevorder [5].
Oor die algemeen word tandheelkundige studente 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 in 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 op die voorkeur LS gekarteer is, die opvoedkundige proses sou help verbeter [8]. Die outeurs beveel ook aan om 'n verskeidenheid onderrig- en assesseringsmetodes te gebruik om aan te pas by studente se leer en behoeftes.
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 vakinhoud 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 wydgebruikte model vir die evaluering van aanpasbare leer in ingenieurswese. Daar is baie gepubliseerde werke in die gesondheidswetenskappe (insluitend medisyne, verpleegkunde, apteekkunde en tandheelkunde) wat gevind kan word met behulp 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), inset (visueel/verbaal) en begrip (opeenvolgend/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, 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 "waarnemings"-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 verdeel word in "opeenvolgend" en "globaal". “Sekvensiële leerders verkies ’n lineêre denkproses en leer stap vir stap, terwyl globale leerders geneig is om ’n holistiese denkproses te hê en altyd ’n beter begrip het van wat hulle leer.”
Onlangs het baie navorsers begin om metodes vir outomatiese datagedrewe ontdekking te ondersoek, insluitend die ontwikkeling van nuwe algoritmes en modelle wat groot hoeveelhede data kan interpreteer [15, 16]. Gebaseer op die verskafde data, kan beheerde masjienleer (ML) patrone en hipoteses genereer wat toekomstige resultate voorspel gebaseer op die konstruksie van algoritmes [17]. Eenvoudig gestel, beheerde masjienleertegnieke manipuleer invoerdata en lei algoritmes op. Dit genereer dan 'n reeks wat die uitkoms klassifiseer of voorspel gebaseer op soortgelyke situasies vir die verskafde invoerdata. Die hoofvoordeel van beheerde masjienleeralgoritmes is die vermoë om ideale en gewenste resultate te vestig [17].
Deur die gebruik van datagedrewe metodes en besluitboombeheermodelle is outomatiese opsporing van LS moontlik. Besluitbome word na bewering wyd gebruik 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-afleweringstrategieë te ontwikkel gebaseer op studente se LS 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 IS-aanbevelingsinstrument word in twee dele verdeel, insluitend die LS-klassifikasiemeganisme met behulp van ILS en die mees geskikte IS-vertoning vir studente.
In die besonder sluit die eienskappe van inligtingsekuriteitsaanbevelingsinstrumente 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 vrywillig deelgeneem. Deelnemers het op 'n tandheelkundige student se aanlyn m-ILS in Engels gereageer. In die aanvanklike fase is 'n datastel van 50 studente gebruik om die besluitboom-masjienleeralgoritme 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 '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 ILS te voltooi op 'n tyd en plek wat vir hulle gerieflik was gedurende die semesterpouse voor die aanvang 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.
Gedurende die aanvanklike stadiums van instrumentontwikkeling het die navorsers die kaarte handmatig geannoteer met behulp van 'n datastel van 50 tandheelkundige studente. Volgens die FSLM verskaf die stelsel die som van die antwoorde "a" en "b". Vir elke dimensie, as die student "a" as 'n antwoord kies, word die LS geklassifiseer as Aktief/Perseptueel/Visueel/Sekwensieel, en as die student "b" as 'n antwoord kies, word die student geklassifiseer as Reflektief/Intuïtief/Linguisties / globale leerder.
Nadat die werkvloei tussen tandheelkundige onderwysnavorsers en stelselontwikkelaars gekalibreer is, is vrae gekies gebaseer op die FLSSM-domein en in die ML-model ingevoer om elke student se LS te voorspel. "Vullis in, vullis uit" is 'n gewilde gesegde in die veld van masjienleer, met 'n klem op datakwaliteit. Die kwaliteit van die invoerdata bepaal die presisie en akkuraatheid van die masjienleermodel. Tydens die kenmerk-ingenieursfase word 'n nuwe kenmerkstel geskep wat die som van die antwoorde "a" en "b" is gebaseer op FLSSM. Identifikasienommers van geneesmiddelposisies word in Tabel 1 gegee.
Bereken die telling gebaseer op 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 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 waar ander onderrig word. Nog 'n variasie op dieselfde dimensie is dat tellings van 9 tot 11 'n sterk voorkeur vir die een kant of die ander weerspieël [8].
Vir elke dimensie is dwelms gegroepeer in "aktief", "reflektief" en "gebalanseerd". Byvoorbeeld, wanneer 'n student meer gereeld "a" as "b" op 'n aangewese item antwoord en sy/haar telling die drempel van 5 oorskry vir 'n spesifieke item wat die Verwerkings-LS-dimensie verteenwoordig, behoort hy/sy aan die "aktiewe" LS-domein. Studente is egter as "reflektiewe" LS geklassifiseer wanneer hulle "b" meer as "a" in spesifieke 11 vrae gekies het (Tabel 1) en meer as 5 punte behaal het. Laastens 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), inset (visueel/verbaal) en begrip (opeenvolgend/globaal).
Besluitboommodelle kan verskillende subgroepe van kenmerke en besluitreëls in verskillende stadiums van die klassifikasieproses gebruik. Dit word beskou as 'n gewilde klassifikasie- en voorspellingsinstrument. Dit kan voorgestel word deur '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 outomaties elke student se LS te punte gee en te annoteer gebaseer op hul antwoorde. Reëlgebaseerd is in die vorm van 'n AS-stelling, waar "AS" 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 toon en die besluitboommodel behoorlik opgelei en geëvalueer is, kan hierdie benadering 'n effektiewe manier wees om die proses van die 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 leer. Die model word op die opleidingstel opgelei en evalueer sy prestasie op die toetsstel – data wat die model nog nooit tevore gesien het nie.
Sodra die IS-instrument ontwikkel is, sal die toepassing LS kan klassifiseer gebaseer op die reaksies van tandheelkundige studente via 'n webkoppelvlak. Die webgebaseerde inligtingsekuriteitsaanbevelingsinstrumentstelsel is gebou met behulp van die Python-programmeertaal met die Django-raamwerk as die agtergrond. Tabel 2 lys die biblioteke wat in die ontwikkeling van hierdie stelsel gebruik is.
Die datastel word na 'n besluitboommodel gevoer om studenteresponse te bereken en te onttrek om studente LS-metings outomaties te klassifiseer.
Die verwarringsmatriks word gebruik om die akkuraatheid van 'n besluitboom-masjienleeralgoritme op 'n gegewe datastel te evalueer. Terselfdertyd evalueer dit die werkverrigting 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: Waar 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, Waar Negatief (TN) – die model het die negatiewe klas korrek voorspel, en vals negatief (VN) – Die model voorspel 'n negatiewe klas, maar die ware etiket is positief.
Hierdie waardes word dan gebruik om verskeie prestasiemaatstawwe van die scikit-learn klassifikasiemodel in Python te bereken, naamlik presisie, presisie, herroeping en F1-telling. Hier is voorbeelde:
Herinnering (of sensitiwiteit) meet die model se vermoë om 'n student se LS akkuraat te klassifiseer na die beantwoording van die m-ILS-vraelys.
Spesifisiteit word 'n ware negatiewe koers genoem. Soos u uit die bogenoemde formule kan sien, moet dit die verhouding van ware negatiewe (TN) tot ware negatiewe en vals positiewe (VP) wees. As deel van die aanbevole instrument vir die klassifisering van studentedwelms, moet dit in staat wees tot akkurate identifikasie.
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 reëlgebaseerde program geskep is om outomaties LS-tellings en studente-aantekeninge 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). Deur die besluitboommodel te gebruik, is 'n totaal van 64 monsters korrek voorspel. Dus, in hierdie studie, toon die diagonale elemente die verwagte resultate, wat aandui dat die model goed presteer en die klasetiket vir elke LS-klassifikasie akkuraat voorspel. Dus is die algehele akkuraatheid van die aanbevelingsinstrument 100%.
Die waardes van akkuraatheid, presisie, herroeping en F1-telling word in Figuur 5 getoon. Vir die aanbevelingstelsel wat die besluitboommodel gebruik, is die F1-telling 1.0 "perfek", wat perfekte presisie en herroeping aandui, wat beduidende sensitiwiteits- en spesifisiteitswaardes weerspieël.
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 toon dat kenmerkingenieurswese wat lei tot kenmerkvermindering 'n belangrike stap is in die verbetering van modelprestasie.
Deur besluitboom-ondergekontroleerde leer toe te pas, word die kartering tussen LS (inset) 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 hoof LS, is daar 34 kombinasies van LS-klassifikasies vir tandheelkundige studente aan 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 uit 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 studente persepsie met visie gekombineer het (persepsueel-visuele LS). Hierdie bevindinge dui daarop dat studente verkies om te leer en te onthou deur gevestigde metodes, spesifieke en gedetailleerde prosedures te volg, en oplettend van aard is. Terselfdertyd geniet hulle dit om te leer deur te kyk (met behulp van diagramme, 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 '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 lewens- en opvoedkundige ervarings. Dit is 'n gemonitorde masjienleeralgoritme wat 'n boomstruktuur gebruik om data te klassifiseer deur 'n stel data in subkategorieë te verdeel gebaseer op sekere kriteria. Dit werk deur die invoerdata rekursief in subgroepe 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 invoerkenmerke van die m-ILS-probleem, en die blaarnodusse verteenwoordig die finale LS-klassifikasievoorspelling. Deur die studie is dit maklik om die hiërargie van besluitbome te verstaan wat die besluitnemingsproses verduidelik en visualiseer deur te kyk na die verband tussen invoerkenmerke en uitvoervoorspellings.
In die velde van rekenaarwetenskap en ingenieurswese word masjienleeralgoritmes wyd gebruik om studenteprestasie te voorspel gebaseer op hul toelatingseksamenpunte [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 'n risiko loop vir akademiese probleme.
Die toepassing van masjienleer-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 te reproduseer 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 gebaseer op 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 hoërisiko-pasiënte, die ontwikkeling van gepersonaliseerde behandelingsplanne [26], periodontale behandeling [27] en kariesbehandeling [25].
Alhoewel verslae oor die toepassing van masjienleer in tandheelkunde gepubliseer is, bly die toepassing daarvan in tandheelkundige opleiding beperk. Daarom het hierdie studie ten doel gehad om 'n besluitboommodel te gebruik om faktore te identifiseer wat die nouste verband hou met LS en IS onder tandheelkundige studente.
Die resultate van hierdie studie toon dat die ontwikkelde aanbevelingsinstrument hoë akkuraatheid en perfekte akkuraatheid het, wat aandui dat onderwysers by hierdie instrument kan baat vind. Deur 'n datagedrewe klassifikasieproses te gebruik, kan dit gepersonaliseerde aanbevelings verskaf en opvoedkundige ervarings en uitkomste vir opvoeders en studente verbeter. Onder andere kan inligting wat deur aanbevelingsinstrumente verkry word, konflikte tussen onderwysers se voorkeuronderrigmetodes en studente se leerbehoeftes oplos. 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 pas, aansienlik verminder word. Op hierdie manier kan geskikte opleidingsaktiwiteite en opleidingsmateriaal georganiseer word. Dit help om studente se positiewe leergedrag en konsentrasievermoë te ontwikkel. Een studie het berig dat die voorsiening van studente van leermateriaal en leeraktiwiteite wat ooreenstem met hul voorkeur-LS, studente kan help om leer op verskeie maniere te integreer, te verwerk en te geniet om groter potensiaal te bereik [12]. Navorsing toon ook dat, benewens die verbetering van studentedeelname in 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 dataprivaatheid, vooroordeel en billikheid, en die professionele vaardighede en hulpbronne wat nodig is om masjienleeralgoritmes in tandheelkundige opleiding te ontwikkel en te implementeer; Groeiende belangstelling en navorsing op hierdie gebied dui egter daarop dat masjienleertegnologieë 'n positiewe impak op tandheelkundige opleiding en tandheelkundige dienste kan hê.
Die resultate van hierdie studie dui daarop dat die helfte van tandheelkundige studente 'n 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 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 in tandheelkundige en mediese studente te assesseer, waarvan die meeste eienskappe 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 hul leerstyle verander is om by hul eie LS te pas [13, 33].
Onderwysers se menings kan verskil rakende 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 studentgesentreerde houding. Hoëronderwysowerhede, soos universiteitsadministrateurs, kan 'n belangrike rol speel in die dryf van positiewe verandering deur innoverende praktyke in te stel en fakulteitsontwikkeling te ondersteun [34]. Om 'n werklik dinamiese en responsiewe hoëronderwysstelsel te skep, moet beleidmakers dapper stappe neem, soos om beleidsveranderinge aan te bring, hulpbronne aan tegnologie-integrasie toe te wy, en raamwerke te skep wat studentgesentreerde benaderings bevorder. Hierdie maatreëls is van kritieke belang om die verlangde resultate te bereik. Onlangse navorsing oor gedifferensieerde onderrig het duidelik getoon dat 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 tot die beplanning van studentvriendelike leeraktiwiteite wil volg. Hierdie studie is egter beperk tot die gebruik van besluitboom-masjienleermodelle. In die toekoms moet meer data ingesamel word om die werkverrigting van verskillende masjienleermodelle te vergelyk om die akkuraatheid, betroubaarheid en presisie van aanbevelingsinstrumente te vergelyk. Daarbenewens is dit belangrik om ander faktore soos modelkompleksiteit en -interpretasie in ag te neem wanneer die mees geskikte masjienleermetode vir 'n spesifieke taak gekies word.
'n Beperking van hierdie studie is dat dit slegs gefokus het op die kartering van LS en IS onder tandheelkundestudente. Daarom sal die ontwikkelde aanbevelingstelsel slegs dié aanbeveel wat geskik is vir tandheelkundestudente. Veranderinge is nodig vir algemene gebruik deur hoëronderwysstudente.
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 wat tandheelkundige opvoeders help om relevante onderrig- en leeraktiwiteite te beplan. Deur 'n datagedrewe triageproses te gebruik, kan dit gepersonaliseerde aanbevelings verskaf, tyd bespaar, onderrigstrategieë verbeter, geteikende intervensies ondersteun en voortgesette professionele ontwikkeling bevorder. Die toepassing daarvan sal studentgesentreerde benaderings tot tandheelkundige opleiding bevorder.
Gilak Jani Associated Press. Ooreenstemming of wanverhouding tussen die student se leerstyl en die onderwyser se onderrigstyl. Int J Mod Educ Rekenaarwetenskap. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Plasingstyd: 29 Apr-2024