Det er et økende behov for studentsentrert læring (SCL) i høyere utdanningsinstitusjoner, inkludert odontologi. SCL har imidlertid begrenset anvendelse innen tannlegeutdanning. Derfor tar denne studien sikte på å fremme anvendelsen av SCL innen tannlegeutdanning ved å bruke beslutningstrebasert maskinlæringsteknologi (ML) for å kartlegge den foretrukne læringsstilen (LS) og tilsvarende læringsstrategier (IS) for tannlegestudenter som et nyttig verktøy for å utvikle IS-retningslinjer. Lovende metoder for tannlegestudenter.
Totalt 255 tannlegestudenter fra University of Malaya fullførte det modifiserte spørreskjemaet Index of Learning Styles (m-ILS), som inneholdt 44 elementer for å klassifisere dem i deres respektive læringsstiler. De innsamlede dataene (kalt et datasett) brukes i veiledet beslutningstrelæring for automatisk å matche studentenes læringsstiler med det mest passende IS-et. Nøyaktigheten til det maskinlæringsbaserte IS-anbefalingsverktøyet evalueres deretter.
Anvendelsen av beslutningstremodeller i en automatisert kartleggingsprosess mellom LS (input) og IS (target output) gir en umiddelbar liste over passende læringsstrategier for hver tannlegestudent. IS-anbefalingsverktøyet viste perfekt nøyaktighet og gjenkjenning av den generelle modellens nøyaktighet, noe som indikerer at matching av LS og IS har god sensitivitet og spesifisitet.
Et IS-anbefalingsverktøy basert på et ML-beslutningstre har vist seg å kunne matche tannlegestudenters læringsstiler nøyaktig med passende læringsstrategier. Dette verktøyet gir kraftige alternativer for å planlegge læringsorienterte kurs eller moduler som kan forbedre studentenes læringsopplevelse.
Undervisning og læring er grunnleggende aktiviteter i utdanningsinstitusjoner. Når man utvikler et yrkesfaglig utdanningssystem av høy kvalitet, er det viktig å fokusere på elevenes læringsbehov. Samspillet mellom elever og deres læringsmiljø kan bestemmes gjennom deres læringsmiljø. Forskning tyder på at lærerintensjonerte avvik mellom elevenes læringsmiljø og informasjonsteknologi kan ha negative konsekvenser for elevenes læring, som redusert oppmerksomhet og motivasjon. Dette vil indirekte påvirke elevenes prestasjoner [1,2].
IS er en metode som brukes av lærere for å formidle kunnskap og ferdigheter til elever, inkludert å hjelpe elevene med å lære [3]. Generelt sett planlegger gode lærere undervisningsstrategier eller IS som best samsvarer med elevenes kunnskapsnivå, konseptene de lærer og deres læringsstadium. Teoretisk sett, når LS og IS samsvarer, vil elevene være i stand til å organisere og bruke et spesifikt sett med ferdigheter for å lære effektivt. Vanligvis inkluderer en leksjonsplan flere overganger mellom stadier, for eksempel fra undervisning til veiledet praksis eller fra veiledet praksis til uavhengig praksis. Med dette i tankene planlegger effektive lærere ofte undervisning med mål om å bygge elevenes kunnskap og ferdigheter [4].
Etterspørselen etter SCL øker i høyere utdanningsinstitusjoner, inkludert tannlege. SCL-strategier er utformet for å møte studentenes læringsbehov. Dette kan for eksempel oppnås hvis studentene aktivt deltar i læringsaktiviteter og lærerne fungerer som tilretteleggere og er ansvarlige for å gi verdifull tilbakemelding. Det sies at det å tilby læringsmateriell og aktiviteter som er passende for studentenes utdanningsnivå eller preferanser, kan forbedre studentenes læringsmiljø og fremme positive læringsopplevelser [5].
Generelt sett påvirkes tannlegestudenters læringsprosess av de ulike kliniske prosedyrene de må utføre og det kliniske miljøet de utvikler effektive mellommenneskelige ferdigheter i. Formålet med opplæringen er å gjøre det mulig for studentene å kombinere grunnleggende kunnskap om tannbehandling med tannklinikkferdigheter og anvende den tilegnede kunnskapen i nye kliniske situasjoner [6, 7]. Tidlig forskning på forholdet mellom LS og IS fant at justering av læringsstrategier kartlagt til det foretrukne LS ville 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 bruke kunnskap om LS for å hjelpe dem med å designe, utvikle og implementere undervisning som vil forbedre studentenes tilegnelse av dypere kunnskap og forståelse av fagstoffet. Forskere har utviklet flere LS-vurderingsverktøy, som Kolb Experiential Learning Model, 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 innen ingeniørfag. Det finnes mange publiserte arbeider innen helsevitenskap (inkludert medisin, sykepleie, farmasi og odontologi) som kan finnes ved hjelp av FSLSM-modeller [5, 11, 12, 13]. Instrumentet som brukes til å måle dimensjonene av LS i FLSM kalles Index of Learning Styles (ILS) [8], som inneholder 44 elementer som vurderer fire dimensjoner av LS: prosessering (aktiv/reflekterende), persepsjon (perseptuell/intuitiv), input (visuell/verbal) og forståelse (sekvensiell/global) [14].
Som vist i figur 1 har hver FSLSM-dimensjon en dominerende preferanse. For eksempel, i prosesseringsdimensjonen foretrekker elever med «aktiv» LS å bearbeide informasjon ved å samhandle direkte med læringsmateriell, lære ved å gjøre, og har en tendens til å lære i grupper. Den «reflekterende» LS refererer til læring gjennom tenkning og foretrekker å jobbe alene. Den «oppfattende» dimensjonen av LS kan deles inn i «følelse» og/eller «intuisjon». «Følende» elever foretrekker mer konkret informasjon og praktiske prosedyrer, er faktaorienterte sammenlignet med «intuitive» elever som foretrekker abstrakt materiale og er mer innovative og kreative av natur. «Input»-dimensjonen av LS består av «visuelle» og «verbale» elever. Personer med «visuell» LS foretrekker å lære gjennom visuelle demonstrasjoner (som diagrammer, videoer eller livedemonstrasjoner), mens personer med «verbal» 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 steg for steg, mens globale elever har en tendens til å ha en helhetlig tankeprosess og alltid ha 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 mengder data [15, 16]. Basert på de leverte dataene kan overvåket maskinlæring (ML) generere mønstre og hypoteser som forutsier fremtidige resultater basert på konstruksjonen av algoritmer [17]. Enkelt sagt manipulerer overvåkede maskinlæringsteknikker inndata og trener algoritmer. Deretter genererer de et område som klassifiserer eller forutsier utfallet basert på lignende situasjoner for de leverte inndataene. Hovedfordelen med overvåkede maskinlæringsalgoritmer er dens evne til å etablere ideelle og ønskede resultater [17].
Gjennom bruk av datadrevne metoder og beslutningstrebaserte kontrollmodeller er automatisk deteksjon av LS mulig. Beslutningstrær har vist seg å være mye brukt i opplæringsprogrammer innen ulike felt, inkludert helsevitenskap [18, 19]. I denne studien ble modellen spesifikt trent av systemutviklerne til å identifisere studentenes LS og anbefale det beste IS for dem.
Formålet med denne studien er å utvikle strategier for levering av IS basert på studentenes LS og anvende SCL-tilnærmingen ved å utvikle et IS-anbefalingsverktøy som er kartlagt til LS. Designflyten til 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 den mest passende IS-visningen for studenter.
Spesielt kjennetegner anbefalingsverktøy for informasjonssikkerhet bruk av webteknologier og bruk av maskinlæring i beslutningstre. Systemutviklere forbedrer brukeropplevelsen og mobiliteten ved å tilpasse dem til mobile enheter som mobiltelefoner og nettbrett.
Eksperimentet ble utført i to trinn, og studenter fra Det odontologiske fakultet 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 med 50 studenter brukt til å trene maskinlæringsalgoritmen for beslutningstreet. I den andre fasen av utviklingsprosessen ble et datasett med 255 studenter brukt til å forbedre nøyaktigheten til det utviklede instrumentet.
Alle deltakere mottar en online briefing i begynnelsen av hvert trinn, avhengig av studieåret, via Microsoft Teams. Formålet med studien ble forklart og informert samtykke ble innhentet. Alle deltakerne fikk en lenke for å få tilgang til m-ILS. Hver student ble instruert i å svare på alle 44 elementene på spørreskjemaet. De fikk én uke til å fullføre den modifiserte ILS på et tidspunkt og sted som passet dem i løpet av semesterferien før semesterstart. m-ILS er basert på det originale ILS-instrumentet og modifisert for tannlegestudenter. I likhet med den originale ILS inneholder den 44 jevnt fordelte elementer (a, b), med 11 elementer hver, som brukes til å vurdere aspekter ved hver FSLSM-dimensjon.
I de innledende stadiene av verktøyutviklingen annoterte forskerne kartene manuelt ved hjelp av et datasett med 50 tannlegestudenter. I følge FSLM gir systemet summen av svarene «a» og «b». For hver dimensjon, hvis studenten velger «a» som svar, klassifiseres LS som Aktiv/Perseptuell/Visuell/Sekvensiell, og hvis studenten velger «b» som svar, klassifiseres studenten som Reflekterende/Intuitiv/Lingvistisk/global lærende.
Etter å ha kalibrert arbeidsflyten mellom forskere innen tannlegeutdanning og systemutviklere, ble spørsmål valgt basert på FLSSM-domenet og matet inn i ML-modellen for å forutsi hver students LS. «Søppel inn, søppel ut» er et populært uttrykk innen maskinlæring, med vekt på datakvalitet. Kvaliteten på inndataene bestemmer presisjonen og nøyaktigheten til maskinlæringsmodellen. I løpet av funksjonsutviklingsfasen opprettes et nytt funksjonssett som er summen av svarene «a» og «b» basert på FLSSM. Identifikasjonsnumrene for legemiddelposisjoner er gitt i tabell 1.
Beregn poengsummen basert på svarene og bestem elevens LS (mindre marginal læring). For hver elev er poengsumområdet fra 1 til 11. Poeng fra 1 til 3 indikerer en balanse av læringspreferanser innenfor samme dimensjon, og poeng fra 5 til 7 indikerer en moderat preferanse, noe som indikerer at elever har en tendens til å foretrekke ett miljø der de underviser i andre. En annen variant av samme dimensjon er at poeng fra 9 til 11 gjenspeiler en sterk preferanse for den ene eller den andre siden [8].
For hver dimensjon ble rusmidler gruppert i «aktiv», «reflekterende» og «balansert». For eksempel, når en elev svarer «a» oftere enn «b» på et angitt element, og poengsummen hans/hennes overstiger terskelen på 5 for et bestemt element som representerer dimensjonen Prosessering av LS, tilhører han/hun det «aktive» LS-domenet. Elever ble imidlertid klassifisert som «reflekterende» LS når de valgte «b» mer enn «a» i 11 spesifikke spørsmål (tabell 1) og scoret mer enn 5 poeng. Til slutt er eleven 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).
Beslutningstremodeller kan bruke forskjellige delsett av funksjoner og beslutningsregler på 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 finnes interne noder som representerer tester etter attributt, hver gren som representerer testresultater, og hver bladnode (bladnode) som inneholder en klasseetikett.
Et enkelt regelbasert program ble laget for automatisk å skåre og kommentere hver elevs LS basert på svarene deres. Regelbasert program tar form av en HVIS-setning, der «HVIS» beskriver utløseren og «DA» spesifiserer handlingen som skal utføres, for eksempel: «Hvis X skjer, gjør Y» (Liu et al., 2014). Hvis datasettet viser korrelasjon og beslutningstremodellen er riktig trent og evaluert, kan denne tilnærmingen være en effektiv måte å automatisere prosessen med å matche LS og IS.
I den andre utviklingsfasen ble datasettet økt til 255 for å forbedre nøyaktigheten til anbefalingsverktøyet. Datasettet er delt i forholdet 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 trenes og testes på det samme datasettet, noe som kan føre til at modellen husker i stedet for å lære. Modellen trenes på treningssettet og evaluerer ytelsen sin 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 webgrensesnitt. Det nettbaserte verktøysystemet for anbefaling av informasjonssikkerhet er bygget ved hjelp av programmeringsspråket Python og Django-rammeverket som backend. Tabell 2 viser bibliotekene som ble brukt i utviklingen av dette systemet.
Datasettet mates til en beslutningstremodell for å beregne og trekke ut elevsvar for automatisk å klassifisere elevenes LS-målinger.
Forvirringsmatrisen brukes til å evaluere nøyaktigheten til en maskinlæringsalgoritme i et beslutningstre på et gitt datasett. Samtidig evaluerer den ytelsen til klassifiseringsmodellen. Den oppsummerer modellens prediksjoner og sammenligner dem med de faktiske dataetikettene. Evalueringsresultatene er basert på fire forskjellige verdier: Sann positiv (TP) – modellen forutså riktig den positive kategorien, Falsk positiv (FP) – modellen forutså riktig den positive kategorien, men den sanne etiketten var negativ, Sann negativ (TN) – modellen forutså riktig den negative klassen, og falsk negativ (FN) – Modellen forutsier en negativ klasse, men den sanne etiketten er positiv.
Disse verdiene brukes deretter til å beregne ulike ytelsesmålinger for scikit-learn-klassifiseringsmodellen i Python, nemlig presisjon, presisjon, gjenkallelse og F1-poengsum. Her er eksempler:
Recall (eller sensitivitet) måler modellens evne til å nøyaktig klassifisere en elevs LS etter å ha besvart m-ILS-spørreskjemaet.
Spesifisitet kalles en sann negativ rate. Som du kan se av formelen ovenfor, bør dette være forholdet mellom sanne negative (TN) og sanne negative og falske positive (FP). Som en del av det anbefalte verktøyet for klassifisering av studentlegemidler, bør det være mulig å identifisere det nøyaktig.
Det opprinnelige datasettet med 50 studenter som ble brukt til å trene beslutningstremodellen for maskinlæring viste relativt lav nøyaktighet på grunn av menneskelige feil i annotasjonene (tabell 3). Etter å ha laget et enkelt regelbasert program for automatisk å beregne LS-poengsummer og studentannotasjoner, ble et økende antall datasett (255) brukt til å trene og teste anbefalingssystemet.
I multiklasseforvirringsmatrisen representerer de diagonale elementene antallet riktige prediksjoner for hver LS-type (figur 4). Ved hjelp av beslutningstremodellen ble totalt 64 prøver korrekt predikert. I denne studien viser dermed de diagonale elementene de forventede resultatene, noe som indikerer at modellen presterer bra og nøyaktig predikerer klassemerket for hver LS-klassifisering. Dermed er den totale nøyaktigheten til anbefalingsverktøyet 100 %.
Verdiene for nøyaktighet, presisjon, gjenkalling og F1-skåre er vist i figur 5. For anbefalingssystemet som bruker beslutningstremodellen, er F1-skåren 1,0 «perfekt», noe som indikerer perfekt presisjon og gjenkalling, noe som gjenspeiler betydelige sensitivitets- og spesifisitetsverdier.
Figur 6 viser en visualisering av beslutningstremodellen etter at trening og testing er fullført. I en side-ved-side-sammenligning viste beslutningstremodellen som ble trent med færre funksjoner høyere nøyaktighet og enklere modellvisualisering. Dette viser at funksjonsutvikling som fører til funksjonsreduksjon er et viktig skritt i å forbedre modellens ytelse.
Ved å bruke beslutningstrebasert læring, genereres mappingen mellom LS (input) og IS (målutgang) automatisk, og denne 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-ene, finnes det 34 kombinasjoner av LS-klassifiseringer for tannlegestudenter ved University of Malaya. Blant disse er persepsjon, syn og kombinasjonen av persepsjon og syn de viktigste LS-ene som rapporteres av studentene (figur 7).
Som det fremgår av tabell 4, hadde majoriteten av elevene en overveiende sensorisk (13,7 %) eller visuell (8,6 %) LS. Det ble rapportert at 12,2 % av elevene kombinerte persepsjon med syn (persepsjonell-visuell LS). Disse funnene tyder på at elevene foretrekker å lære og huske gjennom etablerte metoder, følger spesifikke og detaljerte prosedyrer, og er oppmerksomme av natur. Samtidig liker de å lære ved å se (ved hjelp av diagrammer osv.) og har en tendens til å diskutere og anvende informasjon i grupper eller på egenhånd.
Denne studien gir en oversikt over maskinlæringsteknikker som brukes i datautvinning, med fokus på å umiddelbart og nøyaktig forutsi studentenes LS og anbefale passende IN. Anvendelse av en beslutningstremodell identifiserte faktorene som er nærmest knyttet til deres livs- og utdanningserfaringer. Det er en overvåket maskinlæringsalgoritme som bruker en trestruktur for å klassifisere data ved å dele et datasett inn i underkategorier basert på visse kriterier. Den fungerer ved å rekursivt dele inndataene inn i delsett basert på verdien av en av inndatafunksjonene til hver interne node inntil en beslutning tas ved bladnoden.
De interne nodene i beslutningstreet representerer løsningen basert på inngangsegenskapene til m-ILS-problemet, og bladnodene representerer den endelige LS-klassifiseringsprediksjonen. Gjennom studien er det lett å forstå hierarkiet av beslutningstrær som forklarer og visualiserer beslutningsprosessen ved å se på forholdet mellom inngangsfunksjoner og utgangsprediksjoner.
Innen informatikk og ingeniørfag brukes maskinlæringsalgoritmer mye til å forutsi studenters prestasjoner basert på resultatene deres på opptaksprøver [21], demografisk informasjon og læringsatferd [22]. Forskning viste at algoritmen nøyaktig forutså studentenes prestasjoner og hjalp dem med å identifisere studenter med risiko for akademiske vansker.
Det er rapportert om bruk av maskinlæringsalgoritmer i utviklingen av virtuelle pasientsimulatorer for tannlegeutdanning. Simulatoren er i stand til å gjengi de fysiologiske responsene til virkelige 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 til å hjelpe til med diagnostisering av tannsykdommer basert på datasett som symptomer og pasientkarakteristikker [24, 25]. Andre studier har undersøkt bruken av maskinlæringsalgoritmer for å utføre oppgaver som å forutsi pasientutfall, identifisere høyrisikopasienter, utvikle personlige behandlingsplaner [26], periodontal behandling [27] og kariesbehandling [25].
Selv om rapporter om anvendelsen av maskinlæring i tannbehandling har blitt publisert, er anvendelsen av den i tannlegeutdanning fortsatt begrenset. Derfor hadde denne studien som mål å bruke en beslutningstremodell for å identifisere faktorer som er tettest knyttet til LS og IS 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 å bruke en datadrevet klassifiseringsprosess kan det gi personlige anbefalinger og forbedre utdanningsopplevelser og resultater for lærere og elever. Blant annet kan informasjon innhentet gjennom anbefalingsverktøy løse konflikter mellom lærernes foretrukne undervisningsmetoder og elevenes læringsbehov. For eksempel, på grunn av den automatiserte utdataene fra anbefalingsverktøy, vil tiden som kreves for å identifisere en elevs IP og matche den med den tilsvarende IP-en bli betydelig redusert. På denne måten kan passende opplæringsaktiviteter og opplæringsmateriell organiseres. Dette bidrar til å utvikle elevenes positive læringsatferd og konsentrasjonsevne. En studie rapporterte at det å gi elevene læringsmateriell og læringsaktiviteter som samsvarer med deres foretrukne læringsspråk, kan hjelpe elevene med å integrere, bearbeide og nyte læring på flere måter for å oppnå større potensial [12]. Forskning viser også at i tillegg til å forbedre elevenes deltakelse i klasserommet, spiller forståelse av elevenes læringsprosess også en kritisk rolle i å forbedre undervisningspraksis og kommunikasjon med elever [28, 29].
Men som med all moderne teknologi finnes det problemer og begrensninger. Disse inkluderer spørsmål knyttet til personvern, skjevhet og rettferdighet, og de faglige ferdighetene og ressursene som trengs for å utvikle og implementere maskinlæringsalgoritmer i tannlegeutdanningen. Økende interesse og forskning på dette området tyder imidlertid på at maskinlæringsteknologier kan ha en positiv innvirkning på tannlegeutdanning og tannlegetjenester.
Resultatene fra denne studien indikerer at halvparten av tannlegestudentene har en tendens til å «oppfatte» legemidler. Denne typen elever har en preferanse for fakta og konkrete eksempler, en praktisk orientering, tålmodighet for detaljer og en «visuell» LS-preferanse, der elevene foretrekker å bruke bilder, grafikk, farger og kart for å formidle ideer og tanker. De nåværende resultatene er i samsvar med andre studier som bruker ILS for å vurdere LS hos tannlege- og medisinstudenter, hvorav de fleste har kjennetegn ved perseptuell og visuell LS [12, 30]. Dalmolin et al. antyder at det å informere studentene om LS-en deres lar dem nå sitt læringspotensial. Forskere hevder at når lærere fullt ut forstår studentenes utdanningsprosess, kan ulike undervisningsmetoder og aktiviteter implementeres som vil forbedre studentenes ytelse og læringsopplevelse [12, 31, 32]. Andre studier har vist at justering av studentenes LS også viser forbedringer i studentenes læringsopplevelse og ytelse etter å ha endret læringsstilene deres for å passe deres egen LS [13, 33].
Lærernes meninger kan variere når det gjelder implementeringen av undervisningsstrategier basert på studentenes læringsevner. Mens noen ser fordelene med denne tilnærmingen, inkludert muligheter for faglig utvikling, veiledning og støtte fra lokalsamfunnet, kan andre være bekymret for tid og institusjonell støtte. Å strebe etter balanse er nøkkelen til å skape en studentsentrert holdning. Høyere utdanningsmyndigheter, som universitetsadministratorer, kan spille en viktig rolle i å drive positiv endring ved å introdusere innovative praksiser og støtte fakultetsutvikling [34]. For å skape et virkelig dynamisk og responsivt høyere utdanningssystem, må beslutningstakere ta dristige skritt, som å gjøre endringer i politikken, sette av ressurser til teknologiintegrasjon og lage rammeverk som fremmer studentsentrerte tilnærminger. Disse tiltakene er avgjørende for å oppnå de ønskede resultatene. Nyere forskning på differensiert undervisning har tydelig vist at vellykket implementering av differensiert undervisning krever kontinuerlig opplæring og utviklingsmuligheter for lærere [35].
Dette verktøyet gir verdifull støtte til tannlegepedagoger som ønsker å ha en studentsentrert tilnærming til planlegging av studentvennlige læringsaktiviteter. Denne studien er imidlertid begrenset til bruk av beslutningstrebaserte maskinlæringsmodeller. I fremtiden bør det samles inn mer data for å sammenligne ytelsen til ulike maskinlæringsmodeller for å sammenligne nøyaktigheten, påliteligheten og presisjonen til anbefalingsverktøy. I tillegg, når man velger den mest passende maskinlæringsmetoden for en bestemt oppgave, er det viktig å vurdere andre faktorer som modellens kompleksitet og tolkning.
En begrensning ved denne studien er at den kun fokuserte på å kartlegge LS og IS blant tannlegestudenter. Derfor vil det utviklede anbefalingssystemet kun anbefale de som er egnet for tannlegestudenter. Endringer er nødvendige for generell bruk for studenter i høyere utdanning.
Det nyutviklede anbefalingsverktøyet, basert på maskinlæring, er i stand til å umiddelbart klassifisere og matche studentenes LS med det tilsvarende IS-et, noe som gjør det til det første tannlegeutdanningsprogrammet som hjelper tannlegepedagoger med å planlegge relevante undervisnings- og læringsaktiviteter. Ved å bruke en datadrevet triageprosess kan det gi personlige anbefalinger, spare tid, forbedre undervisningsstrategier, støtte målrettede intervensjoner og fremme kontinuerlig faglig utvikling. Bruken av verktøyet vil fremme student-sentrerte tilnærminger til tannlegeutdanning.
Gilak Jani Associated Press. Samsvar eller avvik mellom studentens læringsstil og lærerens undervisningsstil. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Publisert: 29. april 2024