Terdapat keperluan yang semakin meningkat untuk pembelajaran berpusatkan pelajar (SCL) di institusi pengajian tinggi, termasuk pergigian.Walau bagaimanapun, SCL mempunyai aplikasi terhad dalam pendidikan pergigian.Oleh itu, kajian ini bertujuan untuk mempromosikan aplikasi SCL dalam pergigian dengan menggunakan teknologi pembelajaran mesin pokok keputusan (ML) untuk memetakan gaya pembelajaran pilihan (LS) dan strategi pembelajaran (IS) sepadan pelajar pergigian sebagai alat yang berguna untuk membangunkan garis panduan IS. .Kaedah yang menjanjikan untuk pelajar pergigian.
Seramai 255 pelajar pergigian dari Universiti Malaya telah melengkapkan soal selidik Indeks Gaya Pembelajaran (m-ILS) yang telah diubah suai, yang mengandungi 44 item untuk mengklasifikasikannya ke dalam LS masing-masing.Data yang dikumpul (dipanggil set data) digunakan dalam pembelajaran pokok keputusan diselia untuk memadankan gaya pembelajaran pelajar secara automatik kepada IS yang paling sesuai.Ketepatan alat pengesyoran IS berasaskan pembelajaran mesin kemudiannya dinilai.
Aplikasi model pepohon keputusan dalam proses pemetaan automatik antara LS (input) dan IS (sasaran output) membolehkan senarai segera strategi pembelajaran yang sesuai untuk setiap pelajar pergigian.Alat pengesyoran IS menunjukkan ketepatan sempurna dan mengingat kembali ketepatan model keseluruhan, menunjukkan bahawa pemadanan LS dengan IS mempunyai sensitiviti dan kekhususan yang baik.
Alat pengesyoran IS berdasarkan pepohon keputusan ML telah membuktikan keupayaannya untuk memadankan gaya pembelajaran pelajar pergigian dengan tepat dengan strategi pembelajaran yang sesuai.Alat ini menyediakan pilihan yang hebat untuk merancang kursus atau modul berpusatkan pelajar yang boleh meningkatkan pengalaman pembelajaran pelajar.
Pengajaran dan pembelajaran merupakan aktiviti asas dalam institusi pendidikan.Apabila membangunkan sistem pendidikan vokasional yang berkualiti tinggi, adalah penting untuk memberi tumpuan kepada keperluan pembelajaran pelajar.Interaksi antara pelajar dan persekitaran pembelajaran mereka boleh ditentukan melalui LS mereka.Penyelidikan mencadangkan bahawa ketidakpadanan yang dimaksudkan oleh guru antara LS dan IS pelajar boleh membawa kesan negatif terhadap pembelajaran pelajar, seperti penurunan perhatian dan motivasi.Ini secara tidak langsung akan menjejaskan prestasi pelajar [1,2].
IS merupakan kaedah yang digunakan oleh guru untuk menyampaikan ilmu dan kemahiran kepada pelajar termasuk membantu pelajar belajar [3].Secara umumnya, guru yang baik merancang strategi pengajaran atau IS yang paling sesuai dengan tahap pengetahuan pelajar mereka, konsep yang mereka pelajari dan peringkat pembelajaran mereka.Secara teorinya, apabila LS dan IS sepadan, pelajar akan dapat mengatur dan menggunakan set kemahiran tertentu untuk belajar dengan berkesan.Lazimnya, rancangan pengajaran merangkumi beberapa peralihan antara peringkat, seperti daripada pengajaran kepada amalan berpandu atau daripada amalan berpandu kepada amalan bebas.Dengan ini, guru yang berkesan sering merancang pengajaran dengan matlamat membina pengetahuan dan kemahiran pelajar [4].
Permintaan untuk SCL semakin meningkat di institusi pengajian tinggi, termasuk pergigian.Strategi SCL direka untuk memenuhi keperluan pembelajaran pelajar.Ini boleh dicapai, sebagai contoh, jika pelajar mengambil bahagian secara aktif dalam aktiviti pembelajaran dan guru bertindak sebagai fasilitator dan bertanggungjawab untuk memberikan maklum balas yang berharga.Dikatakan bahawa menyediakan bahan dan aktiviti pembelajaran yang bersesuaian dengan tahap pendidikan atau pilihan pelajar dapat meningkatkan persekitaran pembelajaran pelajar dan menggalakkan pengalaman pembelajaran yang positif [5].
Secara umumnya, proses pembelajaran pelajar pergigian dipengaruhi oleh pelbagai prosedur klinikal yang mereka perlu lakukan dan persekitaran klinikal di mana mereka membangunkan kemahiran interpersonal yang berkesan.Tujuan latihan adalah untuk membolehkan pelajar menggabungkan pengetahuan asas pergigian dengan kemahiran klinikal pergigian dan menggunakan pengetahuan yang diperoleh kepada situasi klinikal baharu [6, 7].Kajian awal tentang hubungan antara LS dan IS mendapati bahawa menyesuaikan strategi pembelajaran yang dipetakan kepada LS pilihan akan membantu meningkatkan proses pendidikan [8].Penulis juga mengesyorkan menggunakan pelbagai kaedah pengajaran dan penilaian untuk disesuaikan dengan pembelajaran dan keperluan pelajar.
Guru mendapat manfaat daripada mengaplikasikan pengetahuan LS untuk membantu mereka mereka bentuk, membangunkan dan melaksanakan pengajaran yang akan meningkatkan pemerolehan pelajar untuk pengetahuan dan pemahaman yang lebih mendalam tentang perkara tersebut.Penyelidik telah membangunkan beberapa alat penilaian LS, seperti Model Pembelajaran Pengalaman Kolb, Model Gaya Pembelajaran Felder-Silverman (FSLSM), dan Model VAK/VARK Fleming [5, 9, 10].Menurut literatur, model pembelajaran ini adalah model pembelajaran yang paling biasa digunakan dan paling banyak dipelajari.Dalam kerja penyelidikan semasa, FSLSM digunakan untuk menilai LS dalam kalangan pelajar pergigian.
FSLSM ialah model yang digunakan secara meluas untuk menilai pembelajaran adaptif dalam kejuruteraan.Terdapat banyak karya yang diterbitkan dalam sains kesihatan (termasuk perubatan, kejururawatan, farmasi dan pergigian) yang boleh didapati menggunakan model FSLSM [5, 11, 12, 13].Instrumen yang digunakan untuk mengukur dimensi LS dalam FLSM dipanggil Indeks Gaya Pembelajaran (ILS) [8], yang mengandungi 44 item menilai empat dimensi LS: pemprosesan (aktif/reflektif), persepsi (perseptual/intuitif), input (visual)./verbal) dan pemahaman (sequential/global) [14].
Seperti yang ditunjukkan dalam Rajah 1, setiap dimensi FSLSM mempunyai keutamaan yang dominan.Sebagai contoh, dalam dimensi pemprosesan, pelajar dengan LS "aktif" lebih suka memproses maklumat dengan berinteraksi secara langsung dengan bahan pembelajaran, belajar dengan melakukan dan cenderung untuk belajar dalam kumpulan.LS "reflektif" merujuk kepada pembelajaran melalui pemikiran dan lebih suka bekerja sendiri.Dimensi "perceiving" LS boleh dibahagikan kepada "perasaan" dan/atau "intuisi".Pelajar "Feeling" lebih suka maklumat yang lebih konkrit dan prosedur praktikal, berorientasikan fakta berbanding pelajar "intuitif" yang lebih suka bahan abstrak dan lebih inovatif dan kreatif.Dimensi "input" LS terdiri daripada pelajar "visual" dan "verbal".Orang yang mempunyai LS "visual" lebih suka belajar melalui demonstrasi visual (seperti gambar rajah, video atau demonstrasi langsung), manakala orang yang mempunyai LS "lisan" lebih suka belajar melalui perkataan dalam penjelasan bertulis atau lisan.Untuk "memahami" dimensi LS, pelajar tersebut boleh dibahagikan kepada "berurutan" dan "global".“Pelajar berurutan lebih suka proses pemikiran linear dan belajar langkah demi langkah, manakala pelajar global cenderung mempunyai proses pemikiran holistik dan sentiasa mempunyai pemahaman yang lebih baik tentang apa yang mereka pelajari.
Baru-baru ini, ramai penyelidik telah mula meneroka kaedah untuk penemuan dipacu data automatik, termasuk pembangunan algoritma dan model baharu yang mampu mentafsir sejumlah besar data [15, 16].Berdasarkan data yang disediakan, ML (pembelajaran mesin) yang diselia mampu menghasilkan corak dan hipotesis yang meramalkan keputusan masa depan berdasarkan pembinaan algoritma [17].Ringkasnya, teknik pembelajaran mesin yang diselia memanipulasi data input dan melatih algoritma.Ia kemudian menjana julat yang mengklasifikasikan atau meramalkan hasil berdasarkan situasi yang sama untuk data input yang disediakan.Kelebihan utama algoritma pembelajaran mesin yang diselia adalah keupayaannya untuk mewujudkan hasil yang ideal dan diinginkan [17].
Melalui penggunaan kaedah dipacu data dan model kawalan pokok keputusan, pengesanan automatik LS adalah mungkin.Pokok keputusan telah dilaporkan digunakan secara meluas dalam program latihan dalam pelbagai bidang, termasuk sains kesihatan [18, 19].Dalam kajian ini, model ini telah dilatih secara khusus oleh pembangun sistem untuk mengenal pasti LS pelajar dan mengesyorkan IS yang terbaik untuk mereka.
Tujuan kajian ini adalah untuk membangunkan strategi penyampaian IS berdasarkan LS pelajar dan menggunakan pendekatan SCL dengan membangunkan alat cadangan IS yang dipetakan kepada LS.Aliran reka bentuk alat pengesyoran IS sebagai strategi kaedah SCL ditunjukkan dalam Rajah 1. Alat pengesyoran IS terbahagi kepada dua bahagian, termasuk mekanisme pengelasan LS menggunakan ILS dan paparan IS yang paling sesuai untuk pelajar.
Khususnya, ciri alat pengesyoran keselamatan maklumat termasuk penggunaan teknologi web dan penggunaan pembelajaran mesin pokok keputusan.Pembangun sistem meningkatkan pengalaman dan mobiliti pengguna dengan menyesuaikannya kepada peranti mudah alih seperti telefon mudah alih dan tablet.
Eksperimen ini dijalankan dalam dua peringkat dan pelajar Fakulti Pergigian Universiti Malaya mengambil bahagian secara sukarela.Peserta menjawab m-ILS dalam talian pelajar pergigian dalam bahasa Inggeris.Pada fasa awal, set data 50 pelajar digunakan untuk melatih algoritma pembelajaran mesin pokok keputusan.Dalam fasa kedua proses pembangunan, set data seramai 255 pelajar telah digunakan untuk meningkatkan ketepatan instrumen yang dibangunkan.
Semua peserta menerima taklimat dalam talian pada permulaan setiap peringkat, bergantung pada tahun akademik, melalui Microsoft Teams.Tujuan kajian telah dijelaskan dan persetujuan termaklum diperolehi.Semua peserta dibekalkan dengan pautan untuk mengakses m-ILS.Setiap pelajar diarahkan untuk menjawab kesemua 44 item dalam soal selidik.Mereka diberi masa seminggu untuk menyiapkan ILS yang diubah suai pada masa dan lokasi yang sesuai untuk mereka semasa cuti semester sebelum permulaan semester.m-ILS adalah berdasarkan instrumen ILS asal dan diubah suai untuk pelajar pergigian.Sama seperti ILS asal, ia mengandungi 44 item teragih sama rata (a, b), dengan 11 item setiap satu, yang digunakan untuk menilai aspek setiap dimensi FSLSM.
Semasa peringkat awal pembangunan alat, penyelidik membuat anotasi peta secara manual menggunakan set data 50 pelajar pergigian.Menurut FSLM, sistem menyediakan jumlah jawapan "a" dan "b".Bagi setiap dimensi, jika pelajar memilih "a" sebagai jawapan, LS dikelaskan sebagai Aktif/Perseptual/Visual/Berurutan, dan jika pelajar memilih "b" sebagai jawapan, pelajar dikelaskan sebagai Reflektif/Intuitif/Linguistik ./ pelajar global.
Selepas menentukur aliran kerja antara penyelidik pendidikan pergigian dan pembangun sistem, soalan telah dipilih berdasarkan domain FLSSM dan dimasukkan ke dalam model ML untuk meramalkan LS setiap pelajar."Sampah masuk, sampah keluar" ialah pepatah popular dalam bidang pembelajaran mesin, dengan penekanan pada kualiti data.Kualiti data input menentukan ketepatan dan ketepatan model pembelajaran mesin.Semasa fasa kejuruteraan ciri, set ciri baharu dicipta iaitu jumlah jawapan “a” dan “b” berdasarkan FLSSM.Nombor pengenalan kedudukan dadah diberikan dalam Jadual 1.
Kira markah berdasarkan jawapan dan tentukan LS pelajar.Bagi setiap pelajar, julat skor adalah dari 1 hingga 11. Skor dari 1 hingga 3 menunjukkan keseimbangan keutamaan pembelajaran dalam dimensi yang sama, dan skor dari 5 hingga 7 menunjukkan keutamaan yang sederhana, menunjukkan bahawa pelajar cenderung lebih suka satu persekitaran mengajar orang lain. .Satu lagi variasi pada dimensi yang sama ialah skor dari 9 hingga 11 mencerminkan keutamaan yang kuat untuk satu hujung atau yang lain [8].
Bagi setiap dimensi, ubat dikelompokkan kepada "aktif", "reflektif" dan "seimbang".Sebagai contoh, apabila pelajar menjawab "a" lebih kerap daripada "b" pada item yang ditetapkan dan markahnya melebihi ambang 5 untuk item tertentu yang mewakili dimensi LS Pemprosesan, dia tergolong dalam LS "aktif". domain..Walau bagaimanapun, pelajar diklasifikasikan sebagai LS "reflektif" apabila mereka memilih "b" lebih daripada "a" dalam 11 soalan khusus (Jadual 1) dan mendapat lebih daripada 5 mata.Akhirnya, pelajar berada dalam keadaan "keseimbangan."Jika markah tidak melebihi 5 mata, maka ini adalah LS "proses".Proses pengelasan diulang untuk dimensi LS yang lain iaitu persepsi (aktif/reflektif), input (visual/verbal), dan pemahaman (sequential/global).
Model pepohon keputusan boleh menggunakan subset ciri dan peraturan keputusan yang berbeza pada peringkat proses pengelasan yang berbeza.Ia dianggap sebagai alat pengelasan dan ramalan yang popular.Ia boleh diwakili menggunakan struktur pokok seperti carta alir [20], di mana terdapat nod dalaman yang mewakili ujian mengikut atribut, setiap cabang mewakili keputusan ujian, dan setiap nod daun (nod daun) mengandungi label kelas.
Program berasaskan peraturan ringkas telah dibuat untuk menjaringkan dan menganotasi LS setiap pelajar secara automatik berdasarkan respons mereka.Berasaskan peraturan mengambil bentuk pernyataan IF, di mana "IF" menerangkan pencetus dan "THEN" menentukan tindakan yang akan dilakukan, contohnya: "Jika X berlaku, maka lakukan Y" (Liu et al., 2014).Jika set data menunjukkan korelasi dan model pepohon keputusan dilatih dan dinilai dengan betul, pendekatan ini boleh menjadi cara yang berkesan untuk mengautomasikan proses pemadanan LS dan IS.
Dalam fasa kedua pembangunan, set data telah ditingkatkan kepada 255 untuk meningkatkan ketepatan alat pengesyoran.Set data dibahagikan dalam nisbah 1:4.25% (64) daripada set data digunakan untuk set ujian, dan baki 75% (191) digunakan sebagai set latihan (Rajah 2).Set data perlu dibahagikan untuk mengelakkan model daripada dilatih dan diuji pada set data yang sama, yang boleh menyebabkan model mengingati dan bukannya belajar.Model ini dilatih pada set latihan dan menilai prestasinya pada set ujian—data model yang tidak pernah dilihat sebelum ini.
Setelah alat IS dibangunkan, aplikasi akan dapat mengklasifikasikan LS berdasarkan respons pelajar pergigian melalui antara muka web.Sistem alat pengesyoran keselamatan maklumat berasaskan web dibina menggunakan bahasa pengaturcaraan Python menggunakan rangka kerja Django sebagai bahagian belakang.Jadual 2 menyenaraikan perpustakaan yang digunakan dalam pembangunan sistem ini.
Set data disalurkan kepada model pepohon keputusan untuk mengira dan mengekstrak respons pelajar untuk mengklasifikasikan pengukuran LS pelajar secara automatik.
Matriks kekeliruan digunakan untuk menilai ketepatan algoritma pembelajaran mesin pokok keputusan pada set data tertentu.Pada masa yang sama, ia menilai prestasi model klasifikasi.Ia meringkaskan ramalan model dan membandingkannya dengan label data sebenar.Keputusan penilaian adalah berdasarkan empat nilai berbeza: Positif Benar (TP) – model meramalkan kategori positif dengan betul, Positif Palsu (FP) – model meramalkan kategori positif, tetapi label benar adalah negatif, Negatif Benar (TN) – model meramalkan kelas negatif dengan betul, dan negatif palsu (FN) - Model meramalkan kelas negatif, tetapi label sebenar adalah positif.
Nilai ini kemudiannya digunakan untuk mengira pelbagai metrik prestasi model klasifikasi pembelajaran scikit dalam Python, iaitu precision, precision, recall, dan skor F1.Berikut adalah contoh:
Ingat (atau sensitiviti) mengukur keupayaan model untuk mengelaskan LS pelajar dengan tepat selepas menjawab soal selidik m-ILS.
Kekhususan dipanggil kadar negatif sebenar.Seperti yang anda boleh lihat daripada formula di atas, ini sepatutnya nisbah negatif benar (TN) kepada negatif benar dan positif palsu (FP).Sebagai sebahagian daripada alat yang disyorkan untuk mengelaskan ubat pelajar, ia harus mampu mengenal pasti dengan tepat.
Dataset asal 50 pelajar yang digunakan untuk melatih model ML pokok keputusan menunjukkan ketepatan yang agak rendah disebabkan oleh kesilapan manusia dalam anotasi (Jadual 3).Selepas mencipta program berasaskan peraturan mudah untuk mengira skor LS dan anotasi pelajar secara automatik, bilangan set data yang semakin meningkat (255) telah digunakan untuk melatih dan menguji sistem pengesyor.
Dalam matriks kekeliruan berbilang kelas, unsur pepenjuru mewakili bilangan ramalan yang betul untuk setiap jenis LS (Rajah 4).Menggunakan model pokok keputusan, sejumlah 64 sampel telah diramalkan dengan betul.Oleh itu, dalam kajian ini, unsur pepenjuru menunjukkan hasil yang dijangkakan, menunjukkan bahawa model berprestasi baik dan meramalkan label kelas dengan tepat untuk setiap pengelasan LS.Oleh itu, ketepatan keseluruhan alat pengesyoran ialah 100%.
Nilai ketepatan, ketepatan, ingatan semula dan skor F1 ditunjukkan dalam Rajah 5. Bagi sistem pengesyoran yang menggunakan model pepohon keputusan, skor F1nya ialah 1.0 "sempurna," menunjukkan ketepatan dan ingatan yang sempurna, mencerminkan sensitiviti dan kekhususan yang ketara nilai.
Rajah 6 menunjukkan visualisasi model pokok keputusan selepas latihan dan ujian selesai.Dalam perbandingan sebelah menyebelah, model pokok keputusan yang dilatih dengan ciri yang lebih sedikit menunjukkan ketepatan yang lebih tinggi dan visualisasi model yang lebih mudah.Ini menunjukkan bahawa kejuruteraan ciri yang membawa kepada pengurangan ciri adalah langkah penting dalam meningkatkan prestasi model.
Dengan menggunakan pembelajaran diselia pokok keputusan, pemetaan antara LS (input) dan IS (output sasaran) dijana secara automatik dan mengandungi maklumat terperinci untuk setiap LS.
Keputusan menunjukkan bahawa 34.9% daripada 255 pelajar memilih satu (1) pilihan LS.Majoriti (54.3%) mempunyai dua atau lebih keutamaan LS.12.2% pelajar menyatakan bahawa LS agak seimbang (Jadual 4).Sebagai tambahan kepada lapan LS utama, terdapat 34 kombinasi klasifikasi LS untuk pelajar pergigian Universiti Malaya.Antaranya, persepsi, penglihatan, dan gabungan persepsi dan penglihatan merupakan LS utama yang dilaporkan oleh pelajar (Rajah 7).
Seperti yang dapat dilihat daripada Jadual 4, majoriti pelajar mempunyai deria deria yang dominan (13.7%) atau visual (8.6%) LS.Dilaporkan bahawa 12.2% pelajar menggabungkan persepsi dengan penglihatan (LS persepsi-visual).Dapatan ini mencadangkan bahawa pelajar lebih suka belajar dan mengingati melalui kaedah yang telah ditetapkan, mengikut prosedur yang khusus dan terperinci, dan bersifat penuh perhatian.Pada masa yang sama, mereka seronok belajar dengan melihat (menggunakan gambar rajah, dsb.) dan cenderung untuk berbincang dan menggunakan maklumat dalam kumpulan atau sendiri.
Kajian ini memberikan gambaran keseluruhan teknik pembelajaran mesin yang digunakan dalam perlombongan data, dengan tumpuan pada meramalkan LS pelajar dengan segera dan tepat serta mengesyorkan IS yang sesuai.Penggunaan model pokok keputusan mengenal pasti faktor yang paling berkait rapat dengan kehidupan dan pengalaman pendidikan mereka.Ia ialah algoritma pembelajaran mesin diselia yang menggunakan struktur pokok untuk mengklasifikasikan data dengan membahagikan set data kepada subkategori berdasarkan kriteria tertentu.Ia berfungsi dengan membahagikan data input secara rekursif kepada subset berdasarkan nilai salah satu ciri input setiap nod dalaman sehingga keputusan dibuat pada nod daun.
Nod dalaman pepohon keputusan mewakili penyelesaian berdasarkan ciri input masalah m-ILS, dan nod daun mewakili ramalan pengelasan LS akhir.Sepanjang kajian, mudah untuk memahami hierarki pepohon keputusan yang menerangkan dan menggambarkan proses keputusan dengan melihat hubungan antara ciri input dan ramalan output.
Dalam bidang sains komputer dan kejuruteraan, algoritma pembelajaran mesin digunakan secara meluas untuk meramal prestasi pelajar berdasarkan markah peperiksaan kemasukan mereka [21], maklumat demografi, dan tingkah laku pembelajaran [22].Penyelidikan menunjukkan bahawa algoritma meramalkan prestasi pelajar dengan tepat dan membantu mereka mengenal pasti pelajar yang berisiko menghadapi masalah akademik.
Aplikasi algoritma ML dalam pembangunan simulator pesakit maya untuk latihan pergigian dilaporkan.Simulator ini mampu menghasilkan semula secara tepat tindak balas fisiologi pesakit sebenar dan boleh digunakan untuk melatih pelajar pergigian dalam persekitaran yang selamat dan terkawal [23].Beberapa kajian lain menunjukkan bahawa algoritma pembelajaran mesin berpotensi meningkatkan kualiti dan kecekapan pendidikan pergigian dan perubatan serta penjagaan pesakit.Algoritma pembelajaran mesin telah digunakan untuk membantu dalam diagnosis penyakit pergigian berdasarkan set data seperti gejala dan ciri pesakit [24, 25].Sementara kajian lain telah meneroka penggunaan algoritma pembelajaran mesin untuk melaksanakan tugas seperti meramalkan hasil pesakit, mengenal pasti pesakit berisiko tinggi, membangunkan pelan rawatan yang diperibadikan [26], rawatan periodontal [27], dan rawatan karies [25].
Walaupun laporan mengenai aplikasi pembelajaran mesin dalam pergigian telah diterbitkan, aplikasinya dalam pendidikan pergigian masih terhad.Oleh itu, kajian ini bertujuan untuk menggunakan model pokok keputusan untuk mengenal pasti faktor yang paling berkait rapat dengan LS dan IS dalam kalangan pelajar pergigian.
Hasil kajian ini menunjukkan bahawa alat cadangan yang dibangunkan mempunyai ketepatan yang tinggi dan ketepatan yang sempurna, menunjukkan bahawa guru boleh mendapat manfaat daripada alat ini.Menggunakan proses klasifikasi terdorong data, ia boleh memberikan pengesyoran yang diperibadikan dan meningkatkan pengalaman dan hasil pendidikan untuk pendidik dan pelajar.Antaranya, maklumat yang diperoleh melalui alat cadangan dapat menyelesaikan konflik antara kaedah pengajaran pilihan guru dan keperluan pembelajaran pelajar.Sebagai contoh, disebabkan oleh output automatik alat pengesyoran, masa yang diperlukan untuk mengenal pasti IP pelajar dan memadankannya dengan IP yang sepadan akan dikurangkan dengan ketara.Dengan cara ini, aktiviti latihan dan bahan latihan yang sesuai dapat dianjurkan.Ini membantu membangunkan tingkah laku pembelajaran positif pelajar dan keupayaan untuk menumpukan perhatian.Satu kajian melaporkan bahawa menyediakan pelajar dengan bahan pembelajaran dan aktiviti pembelajaran yang sepadan dengan LS pilihan mereka boleh membantu pelajar mengintegrasikan, memproses, dan menikmati pembelajaran dalam pelbagai cara untuk mencapai potensi yang lebih besar [12].Penyelidikan juga menunjukkan bahawa selain meningkatkan penyertaan pelajar dalam bilik darjah, memahami proses pembelajaran pelajar juga memainkan peranan penting dalam meningkatkan amalan pengajaran dan komunikasi dengan pelajar [28, 29].
Walau bagaimanapun, seperti mana-mana teknologi moden, terdapat masalah dan batasan.Ini termasuk isu yang berkaitan dengan privasi data, berat sebelah dan keadilan, serta kemahiran dan sumber profesional yang diperlukan untuk membangun dan melaksanakan algoritma pembelajaran mesin dalam pendidikan pergigian;Walau bagaimanapun, minat dan penyelidikan yang semakin meningkat dalam bidang ini menunjukkan bahawa teknologi pembelajaran mesin mungkin mempunyai kesan positif terhadap pendidikan pergigian dan perkhidmatan pergigian.
Keputusan kajian ini menunjukkan bahawa separuh daripada pelajar pergigian mempunyai kecenderungan untuk "mempersepsikan" dadah.Pelajar jenis ini mempunyai keutamaan untuk fakta dan contoh konkrit, orientasi praktikal, kesabaran untuk perincian, dan keutamaan LS "visual", di mana pelajar lebih suka menggunakan gambar, grafik, warna dan peta untuk menyampaikan idea dan pemikiran.Keputusan semasa adalah konsisten dengan kajian lain yang menggunakan ILS untuk menilai LS dalam pelajar pergigian dan perubatan, yang kebanyakannya mempunyai ciri LS persepsi dan visual [12, 30].Dalmolin et al mencadangkan bahawa memaklumkan pelajar tentang LS mereka membolehkan mereka mencapai potensi pembelajaran mereka.Pengkaji berpendapat apabila guru memahami sepenuhnya proses pendidikan pelajar, pelbagai kaedah dan aktiviti pengajaran boleh dilaksanakan yang akan meningkatkan prestasi dan pengalaman pembelajaran pelajar [12, 31, 32].Kajian lain menunjukkan bahawa pelarasan LS pelajar juga menunjukkan peningkatan dalam pengalaman dan prestasi pembelajaran pelajar selepas menukar gaya pembelajaran mereka agar sesuai dengan LS mereka sendiri [13, 33].
Pendapat guru mungkin berbeza-beza mengenai pelaksanaan strategi pengajaran berdasarkan kebolehan pembelajaran pelajar.Walaupun sesetengah orang melihat faedah pendekatan ini, termasuk peluang pembangunan profesional, bimbingan dan sokongan komuniti, yang lain mungkin mengambil berat tentang masa dan sokongan institusi.Berusaha untuk keseimbangan adalah kunci untuk mewujudkan sikap berpusatkan pelajar.Pihak berkuasa pendidikan tinggi, seperti pentadbir universiti, boleh memainkan peranan penting dalam memacu perubahan positif dengan memperkenalkan amalan inovatif dan menyokong pembangunan fakulti [34].Untuk mewujudkan sistem pendidikan tinggi yang benar-benar dinamik dan responsif, pembuat dasar mesti mengambil langkah berani, seperti membuat perubahan dasar, menumpukan sumber kepada penyepaduan teknologi dan mencipta rangka kerja yang menggalakkan pendekatan berpusatkan pelajar.Langkah-langkah ini penting untuk mencapai hasil yang diinginkan.Penyelidikan terkini mengenai pengajaran terbeza telah jelas menunjukkan bahawa kejayaan pelaksanaan pengajaran terbeza memerlukan latihan dan peluang pembangunan yang berterusan untuk guru [35].
Alat ini memberikan sokongan berharga kepada pendidik pergigian yang ingin mengambil pendekatan berpusatkan pelajar untuk merancang aktiviti pembelajaran mesra pelajar.Walau bagaimanapun, kajian ini terhad kepada penggunaan model ML pepohon keputusan.Pada masa hadapan, lebih banyak data harus dikumpul untuk membandingkan prestasi model pembelajaran mesin yang berbeza untuk membandingkan ketepatan, kebolehpercayaan dan ketepatan alat pengesyoran.Selain itu, apabila memilih kaedah pembelajaran mesin yang paling sesuai untuk tugas tertentu, adalah penting untuk mempertimbangkan faktor lain seperti kerumitan model dan tafsiran.
Batasan kajian ini ialah ia hanya tertumpu kepada pemetaan LS dan IS dalam kalangan pelajar pergigian.Oleh itu, sistem pengesyoran yang dibangunkan hanya akan mengesyorkan yang sesuai untuk pelajar pergigian.Perubahan adalah perlu untuk kegunaan pelajar pengajian tinggi am.
Alat pengesyoran berasaskan pembelajaran mesin yang baru dibangunkan mampu mengklasifikasikan dan memadankan LS pelajar dengan segera kepada IS yang sepadan, menjadikannya program pendidikan pergigian pertama untuk membantu pendidik pergigian merancang aktiviti pengajaran dan pembelajaran yang berkaitan.Dengan menggunakan proses triage terdorong data, ia boleh memberikan cadangan yang diperibadikan, menjimatkan masa, menambah baik strategi pengajaran, menyokong campur tangan yang disasarkan dan menggalakkan pembangunan profesional yang berterusan.Aplikasinya akan menggalakkan pendekatan berpusatkan pelajar kepada pendidikan pergigian.
Gilak Jani Associated Press.Padan atau tidak padan antara gaya pembelajaran murid dengan gaya pengajaran guru.Int J Mod Educ Sains Komputer.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Masa siaran: Apr-29-2024