Det er et økende behov for studentsentrert læring (SCL) i institusjoner for høyere utdanning, inkludert tannbehandling. SCL har imidlertid begrenset anvendelse innen tannlegeutdanning. Derfor har denne studien som mål å fremme anvendelsen av SCL i tannbehandling ved å bruke Decision Tree Machine Learning (ML) teknologi for å kartlegge den foretrukne læringsstilen (LS) og tilsvarende læringsstrategier (IS) for tannlegestudenter som et nyttig verktøy for å utvikle er retningslinjer . Lovende metoder for tannlegestudenter.
Totalt 255 tannlegestudenter fra University of Malaya fullførte den modifiserte indeksen for læringsstiler (M-ILS) spørreskjema, som inneholdt 44 elementer for å klassifisere dem i deres respektive LSS. De innsamlede dataene (kalt et datasett) brukes i overvåket beslutningstre som lærer automatisk å matche studentenes læringsstiler til det mest passende er. Nøyaktigheten til maskinens læringsbaserte er anbefalingsverktøy blir deretter evaluert.
Bruken av beslutnings tre -modeller i en automatisert kartleggingsprosess mellom LS (input) og IS (Target Output) gir mulighet for en øyeblikkelig liste over passende læringsstrategier for hver tannlegestudent. IS -anbefalingsverktøyet demonstrert perfekt nøyaktighet og tilbakekalling av generell modellnøyaktighet, noe som indikerer at samsvarende LS til IS har god følsomhet og spesifisitet.
Et IS -anbefalingsverktøy basert på et ML -beslutnings tre har bevist sin evne til å matche tannhelsestudenes læringsstiler nøyaktig med passende læringsstrategier. Dette verktøyet gir kraftige alternativer for å planlegge elevsentrerte kurs eller moduler som kan forbedre læringsopplevelsen til studentene.
Undervisning og læring er grunnleggende aktiviteter i utdanningsinstitusjoner. Når du utvikler et yrkesutdanningssystem av høy kvalitet, er det viktig å fokusere på læringsbehovene til studenter. Samspillet mellom studenter og deres læringsmiljø kan bestemmes gjennom deres LS. Forskning antyder at lærerinnsiktede misforhold mellom studentenes LS og IS kan ha negative konsekvenser for studentens læring, for eksempel redusert oppmerksomhet og motivasjon. Dette vil indirekte påvirke studentenes ytelse [1,2].
IS er en metode brukt av lærere for å formidle kunnskap og ferdigheter til elevene, inkludert å hjelpe elevene å lære [3]. Generelt sett planlegger gode lærere undervisningsstrategier eller er det best samsvarer med studentenes kunnskapsnivå, konseptene de lærer og deres læringsstadium. Teoretisk sett, når LS og er match, vil studentene kunne organisere og bruke et spesifikt sett med ferdigheter for å lære effektivt. Vanligvis inkluderer en leksjonsplan flere overganger mellom trinn, for eksempel fra undervisning til guidet praksis eller fra guidet praksis til uavhengig praksis. Med dette i bakhodet planlegger effektive lærere ofte instruksjon med målet om å bygge studentenes kunnskap og ferdigheter [4].
Etterspørselen etter SCL vokser i institusjoner for høyere utdanning, inkludert tannbehandling. SCL -strategier er designet for å imøtekomme studentenes læringsbehov. Dette kan for eksempel oppnås hvis elevene aktivt deltar i læringsaktiviteter og lærere fungerer som tilretteleggere og er ansvarlige for å gi verdifulle tilbakemeldinger. Det sies at å tilby læremateriell og aktiviteter som er passende for studentenes utdanningsnivå eller preferanser, kan forbedre studentenes læringsmiljø og fremme positive læringsopplevelser [5].
Generelt sett påvirkes tannlegestudentenes læringsprosess av de forskjellige kliniske prosedyrene de er pålagt å utføre og det kliniske miljøet der de utvikler effektive mellommenneskelige ferdigheter. Hensikten med opplæringen er å gjøre det mulig for studentene å kombinere grunnleggende kunnskap om tannbehandling med tannlege kliniske ferdigheter og anvende den ervervede kunnskapen på nye kliniske situasjoner [6, 7]. Tidlig forskning på forholdet mellom LS og blir funnet at justering av læringsstrategier som er kartlagt til den foretrukne LS, vil bidra til å forbedre utdanningsprosessen [8]. Forfatterne anbefaler også å bruke en rekke undervisnings- og vurderingsmetoder for å tilpasse seg studentenes læring og behov.
Lærere drar nytte av å anvende LS -kunnskap for å hjelpe dem med å designe, utvikle og implementere instruksjon som vil forbedre studentenes tilegnelse av dypere kunnskap og forståelse av emnet. Forskere har utviklet flere LS-vurderingsverktøy, for eksempel KOLB Experiential Learning-modellen, Felder-Silverman Learning Style Model (FSLSM) og Fleming VAK/Vark-modellen [5, 9, 10]. I følge litteraturen er disse læringsmodellene de mest brukte og mest studerte læringsmodellene. I det nåværende forskningsarbeidet brukes FSLSM til å vurdere LS blant tannlegestudenter.
FSLSM er en mye brukt modell for å evaluere adaptiv læring i ingeniørfag. Det er mange publiserte verk innen helsevitenskap (inkludert medisin, sykepleie, apotek og tannbehandling) som kan bli funnet ved hjelp av FSLSM -modeller [5, 11, 12, 13]. Instrumentet som brukes til å måle dimensjonene til LS i FLSM kalles indeksen for læringsstiler (ILS) [8], som inneholder 44 elementer som vurderer fire dimensjoner av LS: prosessering (aktiv/reflekterende), persepsjon (perseptuell/intuitiv), inngang (visuell). /verbal) og forståelse (sekvensiell/global) [14].
Som vist i figur 1 har hver FSLSM -dimensjon en dominerende preferanse. For eksempel, i prosesseringsdimensjonen, foretrekker studenter med "aktive" LS å behandle informasjon ved å direkte samhandle med læringsmateriell, lære ved å gjøre og pleier å lære i grupper. Den "reflekterende" LS refererer til læring gjennom tenking og foretrekker å jobbe alene. Den "oppfatning" dimensjonen til LS kan deles inn i "følelse" og/eller "intuisjon." "Følelse" -studenter foretrekker mer konkret informasjon og praktiske prosedyrer, er faktaorienterte sammenlignet med "intuitive" studenter som foretrekker abstrakt materiale og er mer innovative og kreative. "Input" -dimensjonen til LS består av "visuelle" og "verbale" elever. Personer med "visuelle" LS foretrekker å lære gjennom visuelle demonstrasjoner (for eksempel diagrammer, videoer eller levende demonstrasjoner), mens personer med "verbale" LS foretrekker å lære gjennom ord i skriftlige eller muntlige forklaringer. For å "forstå" LS -dimensjonene, kan slike elever deles inn i "sekvensielle" og "globale". “Sekvensielle elever foretrekker en lineær tankeprosess og lærer trinn for trinn, mens globale elever har en tendens til å ha en helhetlig tankeprosess og alltid har en bedre forståelse av hva de lærer.
Nylig har mange forskere begynt å utforske metoder for automatisk datadrevet oppdagelse, inkludert utvikling av nye algoritmer og modeller som er i stand til å tolke store datamengder [15, 16]. Basert på de oppgitte dataene, er overvåket ML (maskinlæring) i stand til å generere mønstre og hypoteser som forutsier fremtidige resultater basert på konstruksjon av algoritmer [17]. Enkelt sagt, overvåket maskinlæringsteknikker manipulerer inngangsdata og togalgoritmer. Den genererer deretter et område som klassifiserer eller spår utfallet basert på lignende situasjoner for de medfølgende inngangsdataene. Den største fordelen med overvåket maskinlæringsalgoritmer er dens evne til å etablere ideelle og ønskede resultater [17].
Gjennom bruk av datadrevne metoder og beslutningsstyringsmodeller er automatisk deteksjon av LS mulig. Beslutningstrær er rapportert å være mye brukt i treningsprogrammer på forskjellige felt, inkludert helsevitenskap [18, 19]. I denne studien ble modellen spesielt opplært av systemutviklerne til å identifisere studentenes LS og anbefale det beste er for dem.
Hensikten med denne studien er å utvikle er leveringsstrategier basert på studentenes LS og anvende SCL -tilnærmingen ved å utvikle et IS -anbefaling verktøy kartlagt til LS. Designflyt av IS -anbefalingsverktøyet som en strategi for SCL -metoden er vist i figur 1.. IS -anbefalingsverktøyet er delt inn i to deler, inkludert LS -klassifiseringsmekanismen ved bruk av ILS og det mest egnede er visning for studenter.
Spesielt inkluderer kjennetegnene på verktøy for informasjonssikkerhetsanbefaling bruk av webteknologier og bruk av beslutningsbearbeiding. Systemutviklere forbedrer brukeropplevelsen og mobiliteten ved å tilpasse dem til mobile enheter som mobiltelefoner og nettbrett.
Eksperimentet ble utført i to stadier og studenter fra fakultetet for tannbehandling ved University of Malaya deltok på frivillig basis. Deltakerne svarte på en tannlegestudents online M-ILS på engelsk. I den innledende fasen ble et datasett på 50 studenter brukt til å trene beslutnings -maskinlæringsalgoritmen. I den andre fasen av utviklingsprosessen ble et datasett på 255 studenter brukt for å forbedre nøyaktigheten til det utviklede instrumentet.
Alle deltakerne får en online orientering i begynnelsen av hver trinn, avhengig av studieår, via Microsoft -team. Hensikten med studien ble forklart og informert samtykke ble innhentet. Alle deltakerne fikk en lenke for å få tilgang til M-ILS. Hver student ble bedt om å svare på alle 44 elementer på spørreskjemaet. De fikk en uke til å fullføre de modifiserte IL -ene om gangen og beliggenheten som var praktisk for dem i semesterpausen før semesteret starter. M-ILS er basert på det originale ILS-instrumentet og modifisert for tannlegestudenter. I likhet med de originale IL -ene inneholder den 44 jevnt distribuerte elementer (A, B), med 11 elementer hver, som brukes til å vurdere aspekter av hver FSLSM -dimensjon.
I løpet av de innledende stadiene av verktøyutvikling kommenterte forskerne manuelt kartene ved hjelp av et datasett med 50 tannlegestudenter. I følge FSLM gir systemet summen av svar “A” og “B”. For hver dimensjon, hvis studenten velger “A” som et svar, er LS klassifisert som aktiv/perseptuell/visuell/sekvensiell, og hvis studenten velger “B” som et svar, er studenten klassifisert som reflekterende/intuitiv/språklig . / Global elev.
Etter å ha kalibrert arbeidsflyten mellom forskere og systemutviklere av tannlegeopplæring, ble spørsmål valgt basert på FLSSM -domenet og matet inn i ML -modellen for å forutsi hver elevs LS. “Garbage In, Garbage Out” er et populært ordtak innen maskinlæring, med vekt på datakvalitet. Kvaliteten på inngangsdataene bestemmer presisjonen og nøyaktigheten til maskinlæringsmodellen. I løpet av funksjonsingeniørfasen opprettes det et nytt funksjonssett som er summen av svarene "A" og "B" basert på FLSSM. Identifikasjonstall for medikamentposisjoner er gitt i tabell 1.
Beregn poengsummen basert på svarene og bestem studentens LS. For hver student er poengsummen fra 1 til 11. Poeng fra 1 til 3 indikerer en balanse av læringspreferanser innen samme dimensjon, og score fra 5 til 7 indikerer en moderat preferanse, noe som indikerer at studentene har en tendens til å foretrekke ett miljø som lærer andre . En annen variasjon på den samme dimensjonen er at score fra 9 til 11 gjenspeiler en sterk preferanse for den ene enden eller den andre [8].
For hver dimensjon ble medisiner gruppert i "aktivt", "reflekterende" og "balansert". For eksempel, når en student svarer “A” oftere enn “B” på et utpekt element og hans/hennes poengsum overstiger terskelen på 5 for et bestemt element som representerer prosessering LS -dimensjonen, tilhører han/hun den “aktive” LS domene. . Studentene ble imidlertid klassifisert som "reflekterende" LS da de valgte “B” mer enn “A” i spesifikke 11 spørsmål (tabell 1) og scoret mer enn 5 poeng. Endelig er studenten i en tilstand av "likevekt." Hvis poengsummen ikke overstiger 5 poeng, er dette en "prosess" LS. Klassifiseringsprosessen ble gjentatt for de andre LS -dimensjonene, nemlig persepsjon (aktiv/reflekterende), input (visuell/verbal) og forståelse (sekvensiell/global).
Beslutnings tre -modeller kan bruke forskjellige undergrupper av funksjoner og beslutningsregler i forskjellige stadier av klassifiseringsprosessen. Det regnes som et populært klassifiserings- og prediksjonsverktøy. Det kan representeres ved hjelp av en trestruktur som et flytskjema [20], der det er interne noder som representerer tester etter attributt, hver gren som representerer testresultater, og hver bladnode (bladnode) som inneholder en klassemerke.
Et enkelt regelbasert program ble opprettet for automatisk å score og kommentere hver elevs LS basert på svarene. Regelbasert har form av en IF-uttalelse, der "hvis" beskriver utløseren og "da" spesifiserer handlingen som skal utføres, for eksempel: "Hvis x skjer, så gjør y" (Liu et al., 2014). Hvis datasettet viser korrelasjon og beslutnings tre -modellen er riktig opplært og evaluert, kan denne tilnærmingen være en effektiv måte å automatisere prosessen med å matche LS og er.
I den andre fasen av utviklingen ble datasettet økt til 255 for å forbedre nøyaktigheten av anbefalingsverktøyet. Datasettet er delt i et forhold på 1: 4. 25% (64) av datasettet ble brukt til testsettet, og de resterende 75% (191) ble brukt som treningssett (figur 2). Datasettet må deles for å forhindre at modellen blir trent og testet på det samme datasettet, noe som kan føre til at modellen husker i stedet for å lære. Modellen er trent på treningssettet og evaluerer ytelsen på testsettet - data modellen aldri har sett før.
Når IS -verktøyet er utviklet, vil applikasjonen kunne klassifisere LS basert på svarene fra tannlegestudenter via et nettgrensesnitt. Det nettbaserte verktøysystemet for informasjonssikkerhetsanbefaling er bygget ved hjelp av Python-programmeringsspråket ved hjelp av Django-rammeverket som backend. Tabell 2 viser bibliotekene som brukes i utviklingen av dette systemet.
Datasettet blir matet til en beslutnings tre -modell for å beregne og trekke ut studentenes svar på automatisk klassifisere student LS -målinger.
Forvirringsmatrisen brukes til å evaluere nøyaktigheten til en beslutnings -maskinlæringsalgoritme på et gitt datasett. Samtidig evaluerer den ytelsen til klassifiseringsmodellen. Den oppsummerer modellens spådommer og sammenligner dem med de faktiske datamelettene. Evalueringsresultatene er basert på fire forskjellige verdier: True Positive (TP) - Modellen spådde riktig den positive kategorien, False Positive (FP) - modellen spådde den positive kategorien, men den sanne etiketten var negativ, True Negative (TN) - Modellen spådde riktig den negative klassen, og falsk negativ (FN) - modellen spår en negativ klasse, men den sanne etiketten er positiv.
Disse verdiene blir deretter brukt til å beregne forskjellige ytelsesmålinger av SCIKIT-Learn-klassifiseringsmodellen i Python, nemlig presisjon, presisjon, tilbakekalling og F1-score. Her er eksempler:
Husk (eller følsomhet) måler modellens evne til å klassifisere en students LS nøyaktig etter å ha svart på M-ILS-spørreskjemaet.
Spesifisitet kalles en ekte negativ rate. Som du kan se fra formelen ovenfor, bør dette være forholdet mellom sanne negativer (TN) og sanne negativer og falske positiver (FP). Som en del av det anbefalte verktøyet for klassifisering av studentmedisiner, bør det være i stand til nøyaktig identifikasjon.
Det opprinnelige datasettet med 50 studenter som ble brukt til å trene beslutnings tre ML -modellen, viste relativt lav nøyaktighet på grunn av menneskelig feil i merknadene (tabell 3). Etter å ha opprettet et enkelt regelbasert program for automatisk å beregne LS-score og studentnotasjoner, ble stadig flere datasett (255) brukt til å trene og teste anbefalingssystemet.
I multiklassens forvirringsmatrise representerer de diagonale elementene antallet riktige prediksjoner for hver LS -type (figur 4). Ved å bruke beslutnings tre -modellen ble totalt 64 prøver riktig forutsagt. I denne studien viser de diagonale elementene således de forventede resultatene, noe som indikerer at modellen klarer seg bra og nøyaktig forutsier klassemerket for hver LS -klassifisering. Dermed er den generelle nøyaktigheten av anbefalingsverktøyet 100%.
Verdiene for nøyaktighet, presisjon, tilbakekalling og F1 -poengsum er vist i figur 5. For anbefalingssystemet ved bruk av beslutnings tre -modellen er F1 -poengsum 1,0 "perfekt", som indikerer perfekt presisjon og tilbakekalling, noe som gjenspeiler betydelig følsomhet og spesifisitet verdier.
Figur 6 viser en visualisering av beslutnings tre -modellen etter trening og testing er fullført. I en sammenligning side om side, viste beslutnings tre-modellen som ble trent med færre funksjoner høyere nøyaktighet og enklere modellvisualisering. Dette viser at funksjonsingeniør som fører til funksjonsreduksjon er et viktig skritt for å forbedre modellytelsen.
Ved å anvende beslutningsovervåket læring blir kartleggingen mellom LS (input) og IS (målutgang) automatisk generert og inneholder detaljert informasjon for hver LS.
Resultatene viste at 34,9% av de 255 studentene foretrakk ett (1) LS -alternativ. Flertallet (54,3%) hadde to eller flere LS -preferanser. 12,2% av studentene bemerket at LS er ganske balansert (tabell 4). I tillegg til de åtte viktigste LS, er det 34 kombinasjoner av LS -klassifiseringer for University of Malaya tannlegestudenter. Blant dem er persepsjon, visjon og kombinasjonen av persepsjon og visjon de viktigste LS rapportert av studenter (figur 7).
Som det fremgår av tabell 4, hadde flertallet av studentene en dominerende sensorisk (13,7%) eller visuell (8,6%) LS. Det ble rapportert at 12,2% av studentene samlet oppfatning med syn (perseptuell-visuell LS). Disse funnene antyder at studentene foretrekker å lære og huske gjennom etablerte metoder, følge spesifikke og detaljerte prosedyrer og er oppmerksomme i naturen. Samtidig liker de å lære ved å se (bruke diagrammer osv.) Og pleier å diskutere og anvende informasjon i grupper eller på egen hånd.
Denne studien gir en oversikt over maskinlæringsteknikker som brukes i data mining, med fokus på øyeblikkelig og nøyaktig å forutsi studentenes LS og anbefale passende er. Anvendelse av en beslutnings tre -modell identifiserte faktorene som var nært knyttet til deres liv og pedagogiske opplevelser. Det er en overvåket maskinlæringsalgoritme som bruker en trestruktur for å klassifisere data ved å dele et sett med data i underkategorier basert på visse kriterier. Det fungerer ved rekursivt å dele inn inngangsdataene i undergrupper basert på verdien av en av inngangsfunksjonene til hver intern node inntil en beslutning er tatt ved bladnoden.
De interne nodene til beslutningstreet representerer løsningen basert på inngangsegenskapene til M-ILS-problemet, og bladknutene representerer den endelige LS-klassifiseringsforutsigelsen. Gjennom hele studien er det lett å forstå hierarkiet av beslutningstrær som forklarer og visualiserer beslutningsprosessen ved å se på forholdet mellom inputfunksjoner og spådommer.
Innen informatikk og ingeniørfag, brukes maskinlæringsalgoritmer mye for å forutsi studentprestasjoner basert på opptakspraksispoengene [21], demografisk informasjon og læringsatferd [22]. Forskning viste at algoritmen nøyaktig spådde studentprestasjoner og hjalp dem med å identifisere studenter som var utsatt for akademiske vanskeligheter.
Bruken av ML -algoritmer i utviklingen av virtuelle pasientsimulatorer for tanntrening rapporteres. Simulatoren er i stand til å reprodusere de fysiologiske responsene til ekte pasienter nøyaktig og kan brukes til å trene tannlegestudenter i et trygt og kontrollert miljø [23]. Flere andre studier viser at maskinlæringsalgoritmer potensielt kan forbedre kvaliteten og effektiviteten til tannlege- og medisinsk utdanning og pasientbehandling. Maskinlæringsalgoritmer har blitt brukt for å hjelpe til med diagnosen tannsykdommer basert på datasett som symptomer og pasientegenskaper [24, 25]. Mens andre studier har undersøkt bruk av maskinlæringsalgoritmer for å utføre oppgaver som å forutsi pasientresultater, identifisere høyrisikopasienter, utvikle personaliserte behandlingsplaner [26], periodontal behandling [27] og kariesbehandling [25].
Selv om rapporter om anvendelse av maskinlæring i tannbehandling er publisert, er anvendelsen i tannlegeopplæring fortsatt begrenset. Derfor hadde denne studien som mål å bruke en beslutnings tre -modell for å identifisere faktorer som er mest assosiert med LS og er blant tannlegestudenter.
Resultatene fra denne studien viser at det utviklede anbefalingsverktøyet har høy nøyaktighet og perfekt nøyaktighet, noe som indikerer at lærere kan dra nytte av dette verktøyet. Ved hjelp av en datadrevet klassifiseringsprosess kan den gi personlige anbefalinger og forbedre pedagogiske opplevelser og utfall for lærere og studenter. Blant dem kan informasjon innhentet gjennom anbefaling verktøy løse konflikter mellom lærernes foretrukne undervisningsmetoder og studentenes læringsbehov. På grunn av den automatiserte utdataene fra anbefalingsverktøy vil for eksempel tiden som kreves for å identifisere en students IP og matche den med den tilsvarende IP, bli betydelig redusert. På denne måten kan passende treningsaktiviteter og treningsmateriell organiseres. Dette hjelper til med å utvikle studentenes positive læringsatferd og konsentrasjonsevne. En studie rapporterte at å gi studentene læringsmateriell og læringsaktiviteter som samsvarer med deres foretrukne LS, kan hjelpe studentene å integrere, behandle og glede seg over læring på flere måter for å oppnå større potensial [12]. Forskning viser også at i tillegg til å forbedre studentenes deltakelse i klasserommet, spiller forståelsen av studentenes læringsprosess også en kritisk rolle i å forbedre undervisningspraksis og kommunikasjon med studentene [28, 29].
Som med enhver moderne teknologi er det imidlertid problemer og begrensninger. Disse inkluderer spørsmål relatert til personvern, skjevhet og rettferdighet, og faglige ferdigheter og ressurser som trengs for å utvikle og implementere maskinlæringsalgoritmer i tannlegeutdanning; Imidlertid antyder økende interesse og forskning på dette området at maskinlæringsteknologier kan ha en positiv innvirkning på tannlegeutdanning og tannhelsetjenester.
Resultatene fra denne studien indikerer at halvparten av tannlegestudentene har en tendens til å "oppfatte" medisiner. Denne typen elev har en preferanse for fakta og konkrete eksempler, en praktisk orientering, tålmodighet for detaljer og en "visuell" LS -preferanse, der elever foretrekker å bruke bilder, grafikk, farger og kart for å formidle ideer og tanker. De nåværende resultatene stemmer overens med andre studier som bruker IL for å vurdere LS hos tann- og medisinstudenter, hvorav de fleste har kjennetegn på perseptuelle og visuelle LS [12, 30]. Dalmolin et al foreslår at å informere studentene om LS -en deres lar dem nå læringspotensialet sitt. Forskere hevder at når lærere fullt ut forstår elevenes pedagogiske prosess, kan forskjellige undervisningsmetoder og aktiviteter implementeres som vil forbedre studentenes ytelse og læringserfaring [12, 31, 32]. Andre studier har vist at justering av studentenes LS også viser forbedringer i studentenes læringsopplevelse og ytelse etter å ha endret læringsstiler for å passe til deres egen LS [13, 33].
Lærernes meninger kan variere angående implementering av undervisningsstrategier basert på studentenes læringsevner. Mens noen ser fordelene med denne tilnærmingen, inkludert muligheter for fagutvikling, mentorskap og samfunnsstøtte, kan andre være opptatt av tid og institusjonell støtte. Å strebe etter balanse er nøkkelen til å skape en studentsentrert holdning. Myndighetene i høyere utdanning, som universitetsadministratorer, kan spille en viktig rolle i å drive positiv endring ved å innføre innovativ praksis og støtte fakultetsutvikling [34]. For å skape et virkelig dynamisk og responsivt system for høyere utdanning, må beslutningstakere ta dristige skritt, for eksempel å gjøre politiske endringer, bruke ressurser til teknologiintegrasjon og lage rammer som fremmer studentsentrerte tilnærminger. Disse tiltakene er avgjørende for å oppnå de ønskede resultatene. Nyere forskning på differensiert instruksjon har tydelig vist at vellykket implementering av differensiert instruksjon krever løpende opplærings- og utviklingsmuligheter for lærere [35].
Dette verktøyet gir verdifull støtte til tannlege lærere som ønsker å ta en studentsentrert tilnærming til å planlegge studentvennlige læringsaktiviteter. Imidlertid er denne studien begrenset til bruk av beslutnings tre ML -modeller. I fremtiden bør flere data samles inn for å sammenligne ytelsen til forskjellige maskinlæringsmodeller for å sammenligne nøyaktigheten, påliteligheten og presisjonen av anbefalingsverktøy. I tillegg, når du velger den mest passende maskinlæringsmetoden for en bestemt oppgave, er det viktig å vurdere andre faktorer som modellkompleksitet og tolkning.
En begrensning av denne studien er at den bare fokuserte på å kartlegge LS og er blant tannlegestudenter. Derfor vil det utviklede anbefalingssystemet bare anbefale de som er egnet for tannlegestudenter. Endringer er nødvendige for generell bruk av høyere utdanning.
Det nyutviklede maskinlæringsbaserte anbefalingsverktøyet er i stand til øyeblikkelig å klassifisere og matche studentenes LS til det tilsvarende er, noe som gjør det til det første tannlegeopplæringsprogrammet som hjelper tannlege lærere med å planlegge relevant undervisnings- og læringsaktiviteter. Ved hjelp av en datadrevet triage-prosess kan den gi personlige anbefalinger, spare tid, forbedre undervisningsstrategier, støtte målrettede intervensjoner og fremme pågående fagutvikling. Søknaden vil fremme studentsentrerte tilnærminger til tannlegeutdanning.
Gilak Jani Associated Press. Match eller misforhold mellom elevens læringsstil og lærerens undervisningsstil. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Post Time: Apr-29-2024