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 yang sepadan (IS) pelajar pergigian sebagai alat yang berguna untuk membangun adalah garis panduan . Kaedah yang menjanjikan untuk pelajar pergigian.
Sebanyak 255 pelajar pergigian dari University of Malaya menyiapkan soal selidik Indeks Indeks Pembelajaran (M-ILS) yang diubahsuai, yang mengandungi 44 item untuk mengklasifikasikannya ke LSS masing-masing. Data yang dikumpulkan (dipanggil dataset) digunakan dalam pembelajaran pokok keputusan yang diselia untuk secara automatik memadankan gaya pembelajaran pelajar yang paling sesuai adalah. Ketepatan mesin berasaskan pembelajaran adalah alat cadangan kemudian dinilai.
Penggunaan model pokok keputusan dalam proses pemetaan automatik antara LS (input) dan (output sasaran) membolehkan senarai segera strategi pembelajaran yang sesuai untuk setiap pelajar pergigian. Alat Cadangan IS menunjukkan ketepatan yang sempurna dan penarikan semula ketepatan model keseluruhan, menunjukkan bahawa LS yang sepadan dengan IS mempunyai kepekaan dan kekhususan yang baik.
A adalah alat cadangan berdasarkan pokok keputusan ML telah membuktikan keupayaannya untuk memadankan gaya pembelajaran pelajar pergigian dengan tepat dengan strategi pembelajaran yang sesuai. Alat ini menyediakan pilihan yang kuat untuk merancang kursus atau modul berpusatkan pelajar yang dapat meningkatkan pengalaman pembelajaran pelajar.
Pengajaran dan pembelajaran adalah 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 dapat ditentukan melalui LS mereka. Penyelidikan menunjukkan bahawa ketidakcocokan yang diminati oleh guru antara LS pelajar dan boleh membawa kesan negatif untuk pembelajaran pelajar, seperti penurunan perhatian dan motivasi. Ini secara tidak langsung akan menjejaskan prestasi pelajar [1,2].
Adalah kaedah yang digunakan oleh guru untuk memberikan pengetahuan dan kemahiran kepada pelajar, termasuk membantu pelajar belajar [3]. Secara umumnya, guru yang baik merancang strategi pengajaran atau yang paling sesuai dengan tahap pengetahuan pelajar mereka, konsep yang mereka pelajari, dan tahap pembelajaran mereka. Secara teorinya, apabila LS dan sepadan, pelajar akan dapat mengatur dan menggunakan satu set kemahiran tertentu untuk belajar dengan berkesan. Biasanya, pelan pengajaran termasuk beberapa peralihan antara peringkat, seperti dari pengajaran kepada amalan berpandu atau dari amalan berpandu kepada amalan bebas. Dengan ini, guru yang berkesan sering merancang pengajaran dengan matlamat membina pengetahuan dan kemahiran pelajar [4].
Permintaan untuk SCL berkembang di institusi pengajian tinggi, termasuk pergigian. Strategi SCL direka untuk memenuhi keperluan pembelajaran pelajar. Ini dapat dicapai, sebagai contoh, jika pelajar secara aktif mengambil bahagian dalam aktiviti pembelajaran dan guru bertindak sebagai fasilitator dan bertanggungjawab untuk memberikan maklum balas yang berharga. Dikatakan bahawa menyediakan bahan pembelajaran dan aktiviti yang sesuai dengan tahap pendidikan atau keutamaan pelajar dapat meningkatkan persekitaran pembelajaran pelajar dan menggalakkan pengalaman pembelajaran positif [5].
Secara umumnya, proses pembelajaran pelajar pergigian dipengaruhi oleh pelbagai prosedur klinikal yang diperlukan untuk melaksanakan dan persekitaran klinikal di mana mereka membangunkan kemahiran interpersonal yang berkesan. Tujuan latihan ini adalah untuk membolehkan pelajar menggabungkan pengetahuan asas pergigian dengan kemahiran klinikal pergigian dan menggunakan pengetahuan yang diperolehi untuk situasi klinikal baru [6, 7]. Penyelidikan awal ke dalam hubungan antara LS dan didapati bahawa menyesuaikan strategi pembelajaran yang dipetakan ke LS pilihan akan membantu meningkatkan proses pendidikan [8]. Penulis juga mengesyorkan menggunakan pelbagai kaedah pengajaran dan penilaian untuk menyesuaikan diri dengan pembelajaran dan keperluan pelajar.
Guru mendapat manfaat daripada menerapkan pengetahuan LS untuk membantu mereka merancang, membangun, dan melaksanakan arahan yang akan meningkatkan pengambilalihan pelajar tentang pengetahuan dan pemahaman yang lebih mendalam mengenai perkara tersebut. Penyelidik telah membangunkan beberapa alat penilaian LS, seperti model pembelajaran pengalaman KOLB, Model Gaya Pembelajaran Felder-Silverman (FSLSM), dan model Fleming VAK/VARK [5, 9, 10]. Menurut kesusasteraan, model pembelajaran ini adalah model pembelajaran yang paling biasa digunakan dan paling banyak dikaji. Dalam kerja penyelidikan semasa, FSLSM digunakan untuk menilai LS di kalangan pelajar pergigian.
FSLSM adalah model yang digunakan secara meluas untuk menilai pembelajaran penyesuaian 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 yang menilai empat dimensi LS: pemprosesan (aktif/reflektif), persepsi (persepsi/intuitif), input (visual). /lisan) dan pemahaman (berurutan/global) [14].
Seperti yang ditunjukkan dalam Rajah 1, setiap dimensi FSLSM mempunyai keutamaan yang dominan. Sebagai contoh, dalam dimensi pemprosesan, pelajar dengan "aktif" LS lebih suka memproses maklumat dengan terus berinteraksi dengan bahan pembelajaran, belajar dengan melakukan, dan cenderung 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 "perasaan" lebih suka maklumat yang lebih konkrit dan prosedur praktikal, berorientasikan fakta berbanding dengan pelajar "intuitif" yang lebih suka bahan abstrak dan lebih inovatif dan kreatif. Dimensi "input" LS terdiri daripada pelajar "visual" dan "lisan". Orang yang mempunyai "visual" LS lebih suka belajar melalui demonstrasi visual (seperti gambar rajah, video, atau demonstrasi hidup), sedangkan orang yang mempunyai "lisan" LS lebih suka belajar melalui kata -kata 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, sementara pelajar global cenderung mempunyai proses pemikiran holistik dan sentiasa mempunyai pemahaman yang lebih baik tentang apa yang mereka belajar.
Baru-baru ini, banyak penyelidik telah mula meneroka kaedah untuk penemuan yang didorong oleh data automatik, termasuk pembangunan algoritma dan model baru yang mampu menafsirkan sejumlah besar data [15, 16]. Berdasarkan data yang disediakan, ML yang diselia (pembelajaran mesin) dapat menghasilkan corak dan hipotesis yang meramalkan hasil masa depan berdasarkan pembinaan algoritma [17]. Ringkasnya, teknik pembelajaran mesin yang diselia memanipulasi data input dan algoritma kereta api. Ia kemudian menghasilkan julat yang mengklasifikasikan atau meramalkan hasilnya 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 yang didorong oleh 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 dilatih secara khusus oleh pemaju sistem untuk mengenal pasti LS pelajar dan mengesyorkan yang terbaik adalah untuk mereka.
Tujuan kajian ini adalah untuk membangunkan adalah strategi penyampaian berdasarkan LS pelajar dan menggunakan pendekatan SCL dengan membangunkan alat cadangan IS yang dipetakan ke LS. Aliran reka bentuk alat cadangan IS sebagai strategi kaedah SCL ditunjukkan dalam Rajah 1. Alat cadangan dibahagikan kepada dua bahagian, termasuk mekanisme klasifikasi LS menggunakan ILS dan yang paling sesuai adalah paparan untuk pelajar.
Khususnya, ciri -ciri alat cadangan keselamatan maklumat termasuk penggunaan teknologi web dan penggunaan pembelajaran mesin pokok keputusan. Pemaju sistem meningkatkan pengalaman pengguna dan mobiliti dengan menyesuaikannya ke peranti mudah alih seperti telefon bimbit dan tablet.
Eksperimen ini dijalankan dalam dua peringkat dan pelajar dari Fakulti Pergigian di University of Malaya mengambil bahagian secara sukarela. Peserta memberi respons kepada M-IL dalam talian pelajar dalam bahasa Inggeris. Pada fasa awal, dataset 50 pelajar digunakan untuk melatih algoritma pembelajaran mesin keputusan pokok. Dalam fasa kedua proses pembangunan, dataset 255 pelajar digunakan untuk meningkatkan ketepatan instrumen yang dibangunkan.
Semua peserta menerima taklimat dalam talian pada permulaan setiap peringkat, bergantung pada tahun akademik, melalui pasukan Microsoft. Tujuan kajian itu dijelaskan dan persetujuan yang dimaklumkan diperolehi. Semua peserta disediakan dengan pautan untuk mengakses M-IL. Setiap pelajar diarahkan untuk menjawab semua 44 item pada soal selidik. Mereka diberikan satu minggu untuk melengkapkan IL yang diubahsuai pada masa dan lokasi yang mudah untuk mereka semasa rehat semester sebelum permulaan semester. M-ILS didasarkan pada instrumen ILS asal dan diubah suai untuk pelajar pergigian. Sama seperti IL asal, ia mengandungi 44 item yang diedarkan secara sama rata (a, b), dengan 11 item masing -masing, yang digunakan untuk menilai aspek setiap dimensi FSLSM.
Semasa peringkat awal pembangunan alat, para penyelidik secara manual menjelajahi peta menggunakan dataset 50 pelajar pergigian. Menurut FSLM, sistem ini memberikan jumlah jawapan "A" dan "B". Untuk setiap dimensi, jika pelajar memilih "A" sebagai jawapan, LS diklasifikasikan sebagai aktif/persepsi/visual/berurutan, dan jika pelajar memilih "B" sebagai jawapan, pelajar diklasifikasikan sebagai reflektif/intuitif/linguistik . / Pelajar Global.
Selepas menentukur aliran kerja antara penyelidik pendidikan pergigian dan pemaju sistem, soalan dipilih berdasarkan domain FLSSM dan dimasukkan ke dalam model ML untuk meramalkan setiap LS pelajar. "Sampah, Sampah" adalah kata -kata yang popular dalam bidang pembelajaran mesin, dengan penekanan terhadap kualiti data. Kualiti data input menentukan ketepatan dan ketepatan model pembelajaran mesin. Semasa fasa kejuruteraan ciri, set ciri baru dibuat yang merupakan jumlah jawapan "A" dan "B" berdasarkan FLSSM. Bilangan pengenalan kedudukan dadah diberikan dalam Jadual 1.
Kirakan skor berdasarkan jawapan dan tentukan LS pelajar. Bagi setiap pelajar, julat skor adalah dari 1 hingga 11. Skor dari 1 hingga 3 menunjukkan keseimbangan pilihan pembelajaran dalam dimensi yang sama, dan skor dari 5 hingga 7 menunjukkan keutamaan sederhana, menunjukkan bahawa pelajar cenderung lebih suka satu persekitaran mengajar orang lain . Satu lagi variasi pada dimensi yang sama ialah skor 9 hingga 11 mencerminkan keutamaan yang kuat untuk satu hujung atau yang lain [8].
Untuk setiap dimensi, ubat -ubatan dikelompokkan menjadi "aktif", "reflektif" dan "seimbang". Sebagai contoh, apabila pelajar menjawab "a" lebih kerap daripada "b" pada item yang ditetapkan dan skornya melebihi ambang 5 untuk item tertentu yang mewakili dimensi pemprosesan LS, dia milik "aktif" LS domain. . Walau bagaimanapun, pelajar diklasifikasikan sebagai "reflektif" LS apabila mereka memilih "B" lebih daripada "A" dalam 11 soalan tertentu (Jadual 1) dan menjaringkan lebih daripada 5 mata. Akhirnya, pelajar berada dalam keadaan "keseimbangan." Jika skor tidak melebihi 5 mata, maka ini adalah "proses" ls. Proses klasifikasi diulang untuk dimensi LS yang lain, iaitu persepsi (aktif/reflektif), input (visual/lisan), dan pemahaman (berurutan/global).
Model pokok keputusan boleh menggunakan subset ciri dan peraturan keputusan yang berlainan pada tahap yang berlainan dalam proses klasifikasi. Ia dianggap sebagai alat klasifikasi dan ramalan yang popular. Ia boleh diwakili menggunakan struktur pokok seperti carta aliran [20], di mana terdapat nod dalaman yang mewakili ujian oleh atribut, setiap cawangan yang mewakili keputusan ujian, dan setiap nod daun (nod daun) yang mengandungi label kelas.
Program berasaskan peraturan mudah dibuat untuk menjaringkan secara automatik dan memberi penjelasan setiap pelajar berdasarkan respons mereka. Berasaskan peraturan mengambil bentuk pernyataan IF, di mana "jika" menerangkan pencetus dan "kemudian" menentukan tindakan yang akan dilakukan, contohnya: "Jika x berlaku, maka lakukan y" (Liu et al., 2014). Jika set data mempamerkan korelasi dan model pokok keputusan dilatih dan dinilai dengan betul, pendekatan ini boleh menjadi cara yang berkesan untuk mengautomasikan proses pemadanan LS dan IS.
Dalam fasa kedua pembangunan, dataset meningkat kepada 255 untuk meningkatkan ketepatan alat cadangan. Set data dibahagikan dalam nisbah 1: 4. 25% (64) 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 itu diingat dan bukannya belajar. Model ini dilatih pada set latihan dan menilai prestasinya pada set ujian -data model tidak pernah dilihat sebelum ini.
Sebaik sahaja alat IS dibangunkan, aplikasi akan dapat mengklasifikasikan LS berdasarkan respons pelajar pergigian melalui antara muka web. Sistem Alat Cadangan Keselamatan Maklumat Berasaskan Web dibina menggunakan bahasa pengaturcaraan Python menggunakan rangka kerja Django sebagai backend. Jadual 2 menyenaraikan perpustakaan yang digunakan dalam pembangunan sistem ini.
Dataset ini diberi kepada model pokok keputusan untuk mengira dan mengekstrak tindak balas pelajar untuk mengklasifikasikan pengukuran LS pelajar secara automatik.
Matriks kekeliruan digunakan untuk menilai ketepatan algoritma pembelajaran mesin keputusan pokok pada set data yang diberikan. Pada masa yang sama, ia menilai prestasi model klasifikasi. Ia meringkaskan ramalan model dan membandingkannya dengan label data sebenar. Hasil penilaian didasarkan pada empat nilai yang berbeza: Benar Positif (TP) - Model dengan betul meramalkan kategori positif, Positif Palsu (FP) - model meramalkan kategori positif, tetapi label sebenar adalah negatif, benar negatif (TN) - Model ini betul meramalkan kelas negatif, dan negatif palsu (FN) - model meramalkan kelas negatif, tetapi label sebenar adalah positif.
Nilai-nilai ini kemudiannya digunakan untuk mengira pelbagai metrik prestasi model klasifikasi Scikit-learn dalam Python, iaitu ketepatan, ketepatan, penarikan balik, dan skor F1. Berikut adalah contoh:
Ingat (atau kepekaan) mengukur keupayaan model untuk mengklasifikasikan LS pelajar dengan tepat selepas menjawab soal selidik M-ILS.
Kekhususan dipanggil kadar negatif yang benar. Seperti yang anda lihat dari formula di atas, ini harus menjadi nisbah negatif sebenar (TN) kepada negatif sebenar dan positif palsu (FP). Sebagai sebahagian daripada alat yang disyorkan untuk mengklasifikasikan ubat pelajar, ia harus dapat mengenal pasti tepat.
Dataset asal 50 pelajar yang digunakan untuk melatih model ML keputusan keputusan menunjukkan ketepatan yang agak rendah kerana kesilapan manusia dalam anotasi (Jadual 3). Selepas membuat program berasaskan peraturan mudah untuk mengira skor LS dan anotasi pelajar secara automatik, peningkatan jumlah dataset (255) digunakan untuk melatih dan menguji sistem pengesyorkan.
Dalam matriks kekeliruan multiclass, unsur -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 -unsur pepenjuru menunjukkan hasil yang diharapkan, menunjukkan bahawa model berfungsi dengan baik dan tepat meramalkan label kelas untuk setiap klasifikasi LS. Oleh itu, ketepatan keseluruhan alat cadangan adalah 100%.
Nilai ketepatan, ketepatan, penarikan balik, dan skor F1 ditunjukkan dalam Rajah 5. Bagi sistem cadangan menggunakan model pokok keputusan, skor F1nya adalah 1.0 "sempurna," yang menunjukkan ketepatan dan ingat yang sempurna, mencerminkan kepekaan dan kekhususan yang signifikan nilai.
Rajah 6 menunjukkan visualisasi model pokok keputusan selepas latihan dan ujian selesai. Dalam perbandingan bersebelahan, model pokok keputusan yang dilatih dengan ciri-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 merupakan langkah penting dalam meningkatkan prestasi model.
Dengan menggunakan pembelajaran yang diselia oleh Pokok keputusan, pemetaan antara LS (input) dan (output sasaran) dihasilkan 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 pilihan 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 adalah LS utama yang dilaporkan oleh pelajar (Rajah 7).
Seperti yang dapat dilihat dari Jadual 4, majoriti pelajar mempunyai deria deria (13.7%) atau visual (8.6%) LS. Dilaporkan bahawa 12.2% pelajar menggabungkan persepsi dengan penglihatan (LS persepsi-visual). Penemuan ini menunjukkan bahawa pelajar lebih suka belajar dan ingat melalui kaedah yang ditetapkan, mengikuti prosedur tertentu dan terperinci, dan bersifat prihatin. Pada masa yang sama, mereka menikmati pembelajaran dengan mencari (menggunakan gambar rajah, dan lain -lain) dan cenderung untuk membincangkan dan menggunakan maklumat dalam kumpulan atau mereka sendiri.
Kajian ini memberikan gambaran mengenai teknik pembelajaran mesin yang digunakan dalam perlombongan data, dengan tumpuan secara langsung dan tepat meramalkan LS pelajar dan mengesyorkan yang sesuai. Penggunaan model pokok keputusan mengenal pasti faktor -faktor yang paling berkaitan dengan kehidupan dan pengalaman pendidikan mereka. Ia adalah algoritma pembelajaran mesin yang diawasi yang menggunakan struktur pokok untuk mengklasifikasikan data dengan membahagikan satu set data ke dalam subkategori berdasarkan kriteria tertentu. Ia berfungsi secara rekursif membahagikan data input ke dalam subset berdasarkan nilai salah satu ciri input setiap nod dalaman sehingga keputusan dibuat pada nod daun.
Nod dalaman pokok keputusan mewakili penyelesaian berdasarkan ciri-ciri input masalah M-ILS, dan nod daun mewakili ramalan klasifikasi LS akhir. Sepanjang kajian ini, mudah untuk memahami hierarki pokok keputusan yang menjelaskan dan menggambarkan proses keputusan dengan melihat hubungan antara ciri -ciri input dan ramalan output.
Dalam bidang sains komputer dan kejuruteraan, algoritma pembelajaran mesin digunakan secara meluas untuk meramalkan prestasi pelajar berdasarkan skor peperiksaan masuk mereka [21], maklumat demografi, dan tingkah laku pembelajaran [22]. Penyelidikan menunjukkan bahawa algoritma dengan tepat meramalkan prestasi pelajar dan membantu mereka mengenal pasti pelajar yang berisiko untuk kesulitan akademik.
Penggunaan algoritma ML dalam pembangunan simulator pesakit maya untuk latihan pergigian dilaporkan. Simulator mampu menghasilkan semula 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 dan penjagaan pesakit. Algoritma pembelajaran mesin telah digunakan untuk membantu dalam diagnosis penyakit pergigian berdasarkan set data seperti gejala dan ciri -ciri pesakit [24, 25]. Walaupun kajian lain telah meneroka penggunaan algoritma pembelajaran mesin untuk melaksanakan tugas seperti meramalkan hasil pesakit, mengenal pasti pesakit berisiko tinggi, membangunkan pelan rawatan peribadi [26], rawatan periodontal [27], dan rawatan karies [25].
Walaupun laporan mengenai permohonan pembelajaran mesin dalam pergigian telah diterbitkan, permohonannya dalam pendidikan pergigian tetap terhad. Oleh itu, kajian ini bertujuan untuk menggunakan model pokok keputusan untuk mengenal pasti faktor -faktor yang paling rapat dengan LS dan adalah antara pelajar pergigian.
Hasil kajian ini menunjukkan bahawa alat cadangan yang dibangunkan mempunyai ketepatan yang tinggi dan ketepatan yang sempurna, menunjukkan bahawa guru dapat mendapat manfaat dari alat ini. Menggunakan proses klasifikasi yang didorong oleh data, ia dapat memberikan cadangan peribadi 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 output automatik alat cadangan, masa yang diperlukan untuk mengenal pasti IP pelajar dan memadankannya dengan IP yang sepadan akan dikurangkan dengan ketara. Dengan cara ini, aktiviti latihan yang sesuai dan bahan latihan boleh 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 dapat membantu pelajar mengintegrasikan, memproses, dan menikmati pembelajaran dalam pelbagai cara untuk mencapai potensi yang lebih besar [12]. Penyelidikan juga menunjukkan bahawa sebagai tambahan kepada peningkatan penyertaan pelajar di dalam kelas, 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 -isu yang berkaitan dengan privasi data, kecenderungan dan keadilan, dan kemahiran profesional dan sumber yang diperlukan untuk membangun dan melaksanakan algoritma pembelajaran mesin dalam pendidikan pergigian; Walau bagaimanapun, minat dan penyelidikan yang semakin meningkat di kawasan ini menunjukkan bahawa teknologi pembelajaran mesin mungkin mempunyai kesan positif terhadap pendidikan pergigian dan perkhidmatan pergigian.
Hasil kajian ini menunjukkan bahawa separuh pelajar pergigian mempunyai kecenderungan untuk "melihat" dadah. Jenis pelajar ini mempunyai keutamaan untuk fakta dan contoh konkrit, orientasi praktikal, kesabaran untuk terperinci, dan keutamaan "visual", di mana pelajar lebih suka menggunakan gambar, grafik, warna, dan peta untuk menyampaikan idea dan pemikiran. Keputusan semasa adalah konsisten dengan kajian lain menggunakan ILS untuk menilai LS dalam pelajar pergigian dan perubatan, yang kebanyakannya mempunyai ciri -ciri persepsi dan visual LS [12, 30]. Dalmolin et al mencadangkan bahawa memaklumkan kepada pelajar tentang LS mereka membolehkan mereka mencapai potensi pembelajaran mereka. Penyelidik berhujah bahawa apabila guru memahami sepenuhnya proses pendidikan pelajar, pelbagai kaedah pengajaran dan aktiviti boleh dilaksanakan yang akan meningkatkan prestasi dan pengalaman pembelajaran pelajar [12, 31, 32]. Kajian -kajian lain telah menunjukkan bahawa menyesuaikan LS pelajar juga menunjukkan peningkatan pengalaman dan prestasi pembelajaran pelajar selepas mengubah gaya pembelajaran mereka sesuai dengan LS mereka sendiri [13, 33].
Pendapat guru mungkin berbeza -beza mengenai pelaksanaan strategi pengajaran berdasarkan kebolehan pembelajaran pelajar. Walaupun ada yang melihat manfaat pendekatan ini, termasuk peluang pembangunan profesional, bimbingan, dan sokongan masyarakat, yang lain mungkin prihatin terhadap 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 pembangunan fakulti yang menyokong [34]. Untuk mewujudkan sistem pendidikan tinggi yang benar-benar dinamik dan responsif, pembuat dasar mesti mengambil langkah-langkah yang berani, seperti membuat perubahan dasar, menumpukan sumber kepada integrasi teknologi, dan mewujudkan rangka kerja yang menggalakkan pendekatan berpusatkan pelajar. Langkah -langkah ini penting untuk mencapai hasil yang diinginkan. Penyelidikan baru -baru ini mengenai arahan yang berbeza telah menunjukkan bahawa pelaksanaan yang berjaya dalam arahan yang dibezakan memerlukan peluang latihan dan pembangunan yang berterusan untuk guru [35].
Alat ini memberikan sokongan yang berharga kepada pendidik pergigian yang ingin mengambil pendekatan berpusatkan pelajar untuk merancang aktiviti pembelajaran yang mesra pelajar. Walau bagaimanapun, kajian ini terhad kepada penggunaan model ML Pokok Keputusan. Pada masa akan datang, lebih banyak data perlu dikumpulkan untuk membandingkan prestasi model pembelajaran mesin yang berbeza untuk membandingkan ketepatan, kebolehpercayaan, dan ketepatan alat cadangan. Di samping 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 adalah bahawa ia hanya memberi tumpuan kepada pemetaan LS dan adalah antara pelajar pergigian. Oleh itu, sistem cadangan yang dibangunkan hanya akan mengesyorkan mereka yang sesuai untuk pelajar pergigian. Perubahan diperlukan untuk penggunaan pelajar pendidikan tinggi umum.
Alat cadangan berasaskan pembelajaran mesin yang baru dibangunkan mampu mengklasifikasikan dan memadankan LS pelajar dengan serta-merta, menjadikannya program pendidikan pergigian pertama untuk membantu pendidik pergigian merancang aktiviti pengajaran dan pembelajaran yang relevan. Menggunakan proses triage yang didorong oleh data, ia dapat memberikan cadangan yang diperibadikan, menjimatkan masa, meningkatkan strategi pengajaran, menyokong campur tangan yang disasarkan, dan mempromosikan pembangunan profesional yang berterusan. Permohonannya akan menggalakkan pendekatan berpusatkan pelajar kepada pendidikan pergigian.
Gilak Jani Associated Press. Perlawanan atau tidak sepadan antara gaya pembelajaran pelajar dan gaya pengajaran guru. Int J Mod Educ Computer Science. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Masa Pos: Apr-29-2024