Terdapat keperluan yang semakin meningkat untuk pembelajaran berpusatkan pelajar (SCL) di institusi pengajian tinggi, termasuk pergigian. Walau bagaimanapun, SCL mempunyai aplikasi yang terhad dalam pendidikan pergigian. Oleh itu, kajian ini bertujuan untuk mempromosikan aplikasi SCL dalam pergigian dengan menggunakan teknologi pembelajaran mesin (ML) pokok keputusan untuk memetakan gaya pembelajaran (LS) pilihan dan strategi pembelajaran (IS) yang sepadan dengan 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 yang diubah suai (m-ILS), yang mengandungi 44 item untuk mengklasifikasikannya ke dalam LS masing-masing. Data yang dikumpul (dipanggil set data) digunakan dalam pembelajaran pokok keputusan yang diselia untuk memadankan gaya pembelajaran pelajar secara automatik dengan IS yang paling sesuai. Ketepatan alat cadangan IS berasaskan pembelajaran mesin kemudiannya dinilai.
Penggunaan model pokok keputusan dalam proses pemetaan automatik antara LS (input) dan IS (output sasaran) membolehkan senarai segera strategi pembelajaran yang sesuai untuk setiap pelajar pergigian. Alat cadangan IS menunjukkan ketepatan dan ingatan yang sempurna tentang ketepatan model keseluruhan, menunjukkan bahawa pemadanan LS dengan IS mempunyai sensitiviti dan spesifisiti yang baik.
Alat cadangan IS 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 berkesan untuk merancang kursus atau modul berpusatkan pelajar yang dapat 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 pembelajaran sains mereka. Kajian menunjukkan bahawa ketidakpadanan yang disengajakan oleh guru antara pembelajaran sains dan sains pelajar boleh membawa kesan negatif terhadap pembelajaran pelajar, seperti penurunan perhatian dan motivasi. Ini secara tidak langsung akan menjejaskan prestasi pelajar [1,2].
Sistem Pembelajaran (SP) merupakan kaedah yang digunakan oleh guru untuk menyampaikan ilmu pengetahuan dan kemahiran kepada pelajar, termasuk membantu pelajar belajar [3]. Secara amnya, guru yang baik merancang strategi pengajaran atau SP yang paling sesuai dengan tahap pengetahuan pelajar mereka, konsep yang mereka pelajari, dan peringkat pembelajaran mereka. Secara teorinya, apabila SP dan SP sepadan, pelajar akan dapat mengatur dan menggunakan satu set kemahiran tertentu untuk belajar dengan berkesan. Biasanya, 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 untuk membina ilmu pengetahuan dan kemahiran pelajar [4].
Permintaan untuk SCL semakin meningkat di institusi pendidikan tinggi, termasuk pergigian. Strategi SCL direka bentuk untuk memenuhi keperluan pembelajaran pelajar. Ini boleh dicapai, contohnya, 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 sesuai dengan tahap atau pilihan pendidikan pelajar dapat meningkatkan persekitaran pembelajaran pelajar dan menggalakkan pengalaman pembelajaran yang positif [5].
Secara amnya, proses pembelajaran pelajar pergigian dipengaruhi oleh pelbagai prosedur klinikal yang perlu mereka lakukan 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 mengaplikasikan pengetahuan yang diperoleh kepada situasi klinikal baharu [6, 7]. Kajian awal tentang hubungan antara LS dan IS mendapati bahawa penyesuaian strategi pembelajaran yang dipetakan kepada LS pilihan akan membantu meningkatkan proses pendidikan [8]. Penulis juga mengesyorkan penggunaan pelbagai kaedah pengajaran dan penilaian untuk menyesuaikan diri dengan pembelajaran dan keperluan pelajar.
Guru mendapat manfaat daripada mengaplikasikan pengetahuan Sains dan Teknologi untuk membantu mereka mereka bentuk, membangun dan melaksanakan pengajaran yang akan meningkatkan pemerolehan pengetahuan dan pemahaman pelajar yang lebih mendalam tentang subjek tersebut. Penyelidik telah membangunkan beberapa alat penilaian Sains dan Teknologi, seperti Model Pembelajaran Pengalaman Kolb, Model Gaya Pembelajaran Felder-Silverman (FSLSM) dan Model Fleming VAK/VARK [5, 9, 10]. Menurut literatur, model pembelajaran ini adalah model pembelajaran yang paling biasa digunakan dan paling banyak dikaji. Dalam kajian semasa, FSLSM digunakan untuk menilai Sains dan Teknologi dalam kalangan pelajar pergigian.
FSLSM merupakan model yang digunakan secara meluas untuk menilai pembelajaran adaptif dalam bidang 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)./verbal) dan pemahaman (berjujukan/global) [14].
Seperti yang ditunjukkan dalam Rajah 1, setiap dimensi FSLSM mempunyai keutamaan yang dominan. Contohnya, dalam dimensi pemprosesan, pelajar dengan LS "aktif" lebih suka memproses maklumat dengan berinteraksi secara langsung dengan bahan pembelajaran, belajar dengan melakukan, dan cenderung belajar dalam kumpulan. LS "reflektif" merujuk kepada pembelajaran melalui pemikiran dan lebih suka bekerja sendiri. Dimensi "persepsi" LS boleh dibahagikan kepada "perasaan" dan/atau "intuisi." Pelajar "perasaan" 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 "verbal" lebih suka belajar melalui perkataan dalam penjelasan bertulis atau lisan. Untuk "memahami" dimensi LS, pelajar tersebut boleh dibahagikan kepada "berjujukan" dan "global". “Pelajar berjujukan 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 berasaskan data automatik, termasuk pembangunan algoritma dan model baharu yang mampu mentafsir sejumlah besar data [15, 16]. Berdasarkan data yang diberikan, ML (pembelajaran mesin) yang diselia mampu menjana corak dan hipotesis yang meramalkan hasil masa hadapan berdasarkan pembinaan algoritma [17]. Secara ringkasnya, teknik pembelajaran mesin yang diselia memanipulasi data input dan melatih algoritma. Ia kemudian menjana julat yang mengklasifikasikan atau meramalkan hasil berdasarkan situasi yang serupa untuk data input yang diberikan. Kelebihan utama algoritma pembelajaran mesin yang diselia ialah keupayaannya untuk mewujudkan hasil yang ideal dan diingini [17].
Melalui penggunaan kaedah berasaskan 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 tersebut telah dilatih secara khusus oleh pembangun sistem untuk mengenal pasti LS pelajar dan mengesyorkan IS terbaik untuk mereka.
Tujuan kajian ini adalah untuk membangunkan strategi penyampaian IS berdasarkan LS pelajar dan mengaplikasikan pendekatan SCL dengan membangunkan alat cadangan IS yang dipetakan kepada LS. Aliran reka bentuk alat cadangan IS sebagai strategi kaedah SCL ditunjukkan dalam Rajah 1. Alat cadangan IS dibahagikan kepada dua bahagian, termasuk mekanisme pengelasan LS menggunakan ILS dan paparan IS yang paling sesuai untuk pelajar.
Khususnya, ciri-ciri alat cadangan keselamatan maklumat termasuk penggunaan teknologi web dan penggunaan pembelajaran mesin pokok keputusan. Pembangun sistem meningkatkan pengalaman dan mobiliti pengguna dengan menyesuaikannya dengan peranti mudah alih seperti telefon bimbit dan tablet.
Eksperimen ini dijalankan dalam dua peringkat dan pelajar dari Fakulti Pergigian di Universiti Malaya mengambil bahagian secara sukarela. Peserta memberi respons kepada m-ILS dalam talian pelajar pergigian dalam Bahasa Inggeris. Pada fasa awal, set data seramai 50 pelajar telah 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 dijelaskan dan persetujuan termaklum telah diperoleh. Semua peserta diberikan pautan untuk mengakses m-ILS. Setiap pelajar diarahkan untuk menjawab semua 44 item dalam soal selidik. Mereka diberi masa seminggu untuk melengkapkan 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 yang diagihkan secara sama rata (a, b), dengan 11 item setiap satu, yang digunakan untuk menilai aspek setiap dimensi FSLSM.
Semasa peringkat awal pembangunan alat, para penyelidik telah menganotasi peta secara manual menggunakan set data 50 pelajar pergigian. Menurut FSLM, sistem ini menyediakan jumlah jawapan “a” dan “b”. Bagi setiap dimensi, jika pelajar memilih “a” sebagai jawapan, LS dikelaskan sebagai Aktif/Perseptual/Visual/Berjujukan, 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" merupakan pepatah popular dalam bidang pembelajaran mesin, dengan penekanan pada kualiti data. Kualiti data input menentukan ketepatan dan kejituan model pembelajaran mesin. Semasa fasa kejuruteraan ciri, set ciri baharu dicipta yang merupakan jumlah jawapan "a" dan "b" berdasarkan FLSSM. Nombor pengenalan kedudukan ubat diberikan dalam Jadual 1.
Kira 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 pilihan 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 pilihan yang kuat untuk satu hujung atau yang lain [8].
Bagi setiap dimensi, dadah dikumpulkan kepada "aktif", "reflektif" dan "seimbang". Contohnya, apabila pelajar menjawab "a" lebih kerap daripada "b" pada item yang ditetapkan dan skornya melebihi ambang 5 untuk item tertentu yang mewakili dimensi LS Pemprosesan, dia tergolong dalam domain LS "aktif". Walau bagaimanapun, pelajar dikelaskan sebagai LS "reflektif" apabila mereka memilih "b" lebih daripada "a" dalam 11 soalan tertentu (Jadual 1) dan mendapat lebih daripada 5 mata. Akhir sekali, pelajar berada dalam keadaan "keseimbangan." Jika skor 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 (berjujukan/global).
Model pokok 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) yang mengandungi label kelas.
Satu program berasaskan peraturan yang mudah telah dicipta untuk memberi skor 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 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, set data telah ditingkatkan kepada 255 untuk meningkatkan ketepatan alat cadangan. 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 dilatih pada set latihan dan menilai prestasinya pada set ujian—data yang belum pernah dilihat oleh model sebelum ini.
Sebaik sahaja alat IS dibangunkan, aplikasi ini 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 bahagian belakang. Jadual 2 menyenaraikan perpustakaan yang digunakan dalam pembangunan sistem ini.
Set data dimasukkan ke dalam model pokok keputusan untuk mengira dan mengekstrak respons pelajar bagi mengklasifikasikan ukuran 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 pengelasan. 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 benar adalah positif.
Nilai-nilai ini kemudiannya digunakan untuk mengira pelbagai metrik prestasi model klasifikasi scikit-learn dalam Python, iaitu ketepatan, ketepatan, ingatan semula dan skor F1. Berikut adalah contohnya:
Ingatan semula (atau kepekaan) mengukur keupayaan model untuk mengklasifikasikan LS pelajar dengan tepat selepas menjawab soal selidik m-ILS.
Kekhususan dipanggil kadar negatif sebenar. Seperti yang anda dapat lihat daripada formula di atas, ini sepatutnya nisbah negatif sebenar (TN) kepada negatif sebenar dan positif palsu (FP). Sebagai sebahagian daripada alat yang disyorkan untuk mengklasifikasikan dadah pelajar, ia sepatutnya mampu mengenal pasti dengan tepat.
Set data asal 50 pelajar yang digunakan untuk melatih model ML pokok keputusan menunjukkan ketepatan yang agak rendah disebabkan oleh ralat manusia dalam anotasi (Jadual 3). Selepas mencipta program berasaskan peraturan mudah untuk mengira skor LS dan anotasi pelajar secara automatik, semakin banyak set data (255) telah digunakan untuk melatih dan menguji sistem pengesyorkan.
Dalam matriks kekeliruan berbilang kelas, elemen 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, elemen pepenjuru menunjukkan hasil yang dijangkakan, menunjukkan bahawa model tersebut berfungsi dengan baik dan meramalkan label kelas dengan tepat untuk setiap klasifikasi LS. Oleh itu, ketepatan keseluruhan alat cadangan adalah 100%.
Nilai ketepatan, ketepatan, ingatan semula dan skor F1 ditunjukkan dalam Rajah 5. Bagi sistem cadangan yang menggunakan model pokok keputusan, skor F1nya ialah 1.0 “sempurna”, menunjukkan ketepatan dan ingatan semula yang sempurna, mencerminkan nilai sensitiviti dan kekhususan yang ketara.
Rajah 6 menunjukkan visualisasi model pokok keputusan selepas latihan dan pengujian selesai. Dalam perbandingan bersebelahan, model pokok keputusan yang dilatih dengan lebih sedikit ciri 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 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 lebih suka satu (1) pilihan LS. Majoriti (54.3%) mempunyai dua atau lebih pilihan LS. 12.2% pelajar menyatakan bahawa LS agak seimbang (Jadual 4). Selain 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 LS deria (13.7%) atau visual (8.6%) yang dominan. Dilaporkan bahawa 12.2% pelajar menggabungkan persepsi dengan penglihatan (LS persepsi-visual). Penemuan ini menunjukkan bahawa pelajar lebih suka belajar dan mengingat melalui kaedah yang ditetapkan, mengikuti prosedur yang spesifik dan terperinci, dan bersifat perhatian. Pada masa yang sama, mereka menikmati pembelajaran dengan melihat (menggunakan gambar rajah, dll.) dan cenderung untuk membincangkan dan mengaplikasikan maklumat dalam kumpulan atau bersendirian.
Kajian ini memberikan gambaran keseluruhan teknik pembelajaran mesin yang digunakan dalam perlombongan data, dengan tumpuan kepada meramalkan LS pelajar dengan segera dan tepat serta mengesyorkan IS yang sesuai. Penggunaan model pokok keputusan mengenal pasti faktor-faktor yang paling berkait rapat dengan pengalaman hidup dan pendidikan mereka. Ia merupakan algoritma pembelajaran mesin yang diselia yang menggunakan struktur pokok untuk mengklasifikasikan data dengan membahagikan satu 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 pokok keputusan mewakili penyelesaian berdasarkan ciri input masalah m-ILS, dan nod daun mewakili ramalan pengelasan LS akhir. Sepanjang kajian, adalah mudah untuk memahami hierarki pokok 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 meramalkan prestasi pelajar berdasarkan skor peperiksaan kemasukan mereka [21], maklumat demografi dan tingkah laku pembelajaran [22]. Kajian menunjukkan bahawa algoritma tersebut 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 telah dilaporkan. Simulator ini mampu menghasilkan semula tindak balas fisiologi pesakit sebenar dengan tepat 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 peribadi [26], rawatan periodontal [27], dan rawatan karies [25].
Walaupun laporan tentang aplikasi pembelajaran mesin dalam pergigian telah diterbitkan, aplikasinya dalam pendidikan pergigian masih terhad. Oleh itu, kajian ini bertujuan untuk menggunakan model pokok keputusan bagi mengenal pasti faktor yang paling berkait rapat dengan LS dan IS dalam kalangan pelajar pergigian.
Keputusan 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. Dengan menggunakan proses pengelasan berasaskan data, ia dapat memberikan cadangan 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. Contohnya, disebabkan oleh output automatik alat cadangan, masa yang diperlukan untuk mengenal pasti IP pelajar dan memadankannya dengan IP yang sepadan akan berkurangan dengan ketara. Dengan cara ini, aktiviti latihan dan bahan latihan yang sesuai dapat diatur. Ini membantu mengembangkan tingkah laku pembelajaran positif pelajar dan kemampuan untuk menumpukan perhatian. Satu kajian melaporkan bahawa menyediakan pelajar dengan bahan pembelajaran dan aktiviti pembelajaran yang sesuai 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 selain meningkatkan penyertaan pelajar di 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 berkaitan 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 "melihat" dadah. Pelajar jenis ini mempunyai keutamaan terhadap fakta dan contoh konkrit, orientasi praktikal, kesabaran terhadap 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 kalangan pelajar pergigian dan perubatan, yang kebanyakannya mempunyai ciri-ciri LS persepsi dan visual [12, 30]. Dalmolin et al mencadangkan bahawa memaklumkan pelajar tentang LS mereka membolehkan mereka mencapai potensi pembelajaran mereka. Penyelidik berpendapat bahawa 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 telah menunjukkan bahawa menyesuaikan LS pelajar juga menunjukkan peningkatan dalam pengalaman dan prestasi pembelajaran pelajar selepas mengubah 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 pihak melihat manfaat pendekatan ini, termasuk peluang pembangunan profesional, bimbingan dan sokongan komuniti, pihak lain mungkin mengambil berat tentang masa dan sokongan institusi. Usaha untuk mencapai 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, memperuntukkan sumber kepada integrasi teknologi dan mewujudkan rangka kerja yang menggalakkan pendekatan berpusatkan pelajar. Langkah-langkah ini adalah penting untuk mencapai hasil yang diingini. Kajian terbaru mengenai pengajaran terbeza telah menunjukkan dengan jelas bahawa pelaksanaan pengajaran terbeza yang berjaya memerlukan peluang latihan dan pembangunan yang berterusan untuk guru [35].
Alat ini menyediakan sokongan berharga kepada pendidik pergigian yang ingin mengambil pendekatan berpusatkan pelajar dalam merancang aktiviti pembelajaran mesra pelajar. Walau bagaimanapun, kajian ini terhad kepada penggunaan model ML pokok keputusan. Pada masa hadapan, lebih banyak data perlu dikumpulkan untuk membandingkan prestasi model pembelajaran mesin yang berbeza bagi membandingkan ketepatan, kebolehpercayaan dan ketepatan alat cadangan. Di samping itu, apabila memilih kaedah pembelajaran mesin yang paling sesuai untuk tugasan tertentu, adalah penting untuk mempertimbangkan faktor lain seperti kerumitan dan tafsiran model.
Satu batasan kajian ini adalah ia hanya tertumpu pada pemetaan LS dan IS dalam kalangan pelajar pergigian. Oleh itu, sistem cadangan yang dibangunkan hanya akan mengesyorkan yang sesuai untuk pelajar pergigian. Perubahan adalah perlu untuk kegunaan pelajar pendidikan tinggi umum.
Alat cadangan berasaskan pembelajaran mesin yang baru dibangunkan ini mampu mengklasifikasikan dan memadankan LS pelajar dengan LS yang sepadan serta-merta, menjadikannya program pendidikan pergigian pertama yang membantu pendidik pergigian merancang aktiviti pengajaran dan pembelajaran yang berkaitan. Dengan menggunakan proses triaj berasaskan data, ia dapat memberikan cadangan yang diperibadikan, menjimatkan masa, menambah baik strategi pengajaran, menyokong intervensi yang disasarkan dan menggalakkan pembangunan profesional yang berterusan. Aplikasinya akan menggalakkan pendekatan berpusatkan pelajar terhadap pendidikan pergigian.
Gilak Jani Associated Press. Padanan atau ketidakpadanan 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 siaran: 29-Apr-2024