Opiskelijakeskeiseen oppimiseen (SCL) on kasvava korkeakouluissa, mukaan lukien hammaslääketiede. SCL: llä on kuitenkin rajoitettu sovellus hammaslääketieteellisessä koulutuksessa. Siksi tämän tutkimuksen tavoitteena on edistää SCL: n soveltamista hammaslääketieteessä käyttämällä päätöksentekopujen koneoppimista (ML) -tekniikkaa suositun oppimistyylin (LS) ja vastaavien hammaslääketieteellisten oppimistrategioiden (IS) kartoittamiseksi hyödyllisenä työkaluna kehittämiseen IS -ohjeet . Lupaavat menetelmät hammaslääketieteellisille opiskelijoille.
Yhteensä 255 Malayan yliopiston hammaslääketieteen opiskelijaa täytti muokatun oppimistyylien (M-ILS) kyselylomakkeen, joka sisälsi 44 tuotetta luokittelemaan ne vastaaviin LSS: ään. Kerättyjä tietoja (nimeltään tietojoukko) käytetään valvotussa päätöksentekopujen oppimisessa, jotta opiskelijoiden oppimistyylit automaattisesti sopivimpiin on. Sitten arvioidaan koneoppimispohjaisen tarkkuus on suositustyökalu.
Päätöspuumallien soveltaminen automatisoidussa kartoitusprosessissa LS: n (syöttö) ja IS (Target Output) välillä mahdollistaa välittömän luettelon asianmukaisista oppimisstrategioista jokaiselle hammasopiskelijalle. IS -suositustyökalu osoitti täydellisen tarkkuuden ja mallin kokonaistarkkuuden täydellisen muistamisen, mikä osoittaa, että vastaavalla LS: llä on hyvä herkkyys ja spesifisyys.
An IS -suositustyökalu ML -päätöksentekopuun perustuva on todistanut kykynsä sovittaa tarkasti hammaslääketieteen opiskelijoiden oppimistyylit asianmukaisilla oppimisstrategioilla. Tämä työkalu tarjoaa tehokkaita vaihtoehtoja oppijakeskeisten kurssien tai moduulien suunnittelulle, jotka voivat parantaa opiskelijoiden oppimiskokemusta.
Opetus ja oppiminen ovat perustavanlaatuista toimintaa oppilaitoksissa. Kun kehitetään korkealaatuista ammatillista koulutusjärjestelmää, on tärkeää keskittyä opiskelijoiden oppimistarpeisiin. Opiskelijoiden ja heidän oppimisympäristön vuorovaikutus voidaan määrittää heidän LS: n kautta. Tutkimukset viittaavat siihen, että opiskelijoiden LS: n ja IS: n välisillä opettajien annetuilla epäsuhtailla voi olla kielteisiä vaikutuksia opiskelijoiden oppimiseen, kuten vähentynyt huomio ja motivaatio. Tämä vaikuttaa epäsuorasti opiskelijoiden suorituskykyyn [1,2].
On menetelmä, jota opettajat käyttävät tiedon ja taitojen antamiseen opiskelijoille, mukaan lukien opiskelijoiden oppimisen auttaminen [3]. Yleisesti ottaen hyvät opettajat suunnittelevat opetusstrategioita tai vastaavat parhaiten oppilaidensa tietotasoa, oppimistaan käsitteitä ja heidän oppimisvaiheensa. Teoreettisesti, kun LS ja on ottelu, opiskelijat pystyvät järjestämään ja käyttämään tiettyjä taitoja oppiakseen tehokkaasti. Tyypillisesti oppituntisuunnitelma sisältää useita siirtymiä vaiheiden välillä, esimerkiksi opettamisesta opastettuun käytäntöön tai opastetusta käytännöstä itsenäiseen käytäntöön. Tätä silmällä pitäen tehokkaat opettajat suunnittelevat usein opetusta tavoitteena rakentaa opiskelijoiden tietämystä ja taitoja [4].
SCL: n kysyntä kasvaa korkeakouluissa, mukaan lukien hammaslääketiede. SCL -strategiat on suunniteltu vastaamaan opiskelijoiden oppimistarpeisiin. Tämä voidaan saavuttaa esimerkiksi, jos opiskelijat osallistuvat aktiivisesti oppimistoimintaan ja opettajat toimivat avustajina ja ovat vastuussa arvokkaan palautteen tarjoamisesta. Sanotaan, että oppimismateriaalien ja toimintojen tarjoaminen, jotka ovat sopivia opiskelijoiden koulutustasolle tai mieltymyksille, voi parantaa opiskelijoiden oppimisympäristöä ja edistää positiivisia oppimiskokemuksia [5].
Yleisesti ottaen hammaslääkärin oppimisprosessiin vaikuttavat erilaiset kliiniset toimenpiteet, joita heidän on suoritettava, ja kliininen ympäristö, jossa he kehittävät tehokkaita ihmissuhdetaitoja. Koulutuksen tarkoituksena on antaa opiskelijoille mahdollisuuden yhdistää hammaslääketieteen perustiedot hammaslääketieteen kliinisiin taitoihin ja soveltaa hankittua tietoa uusiin kliinisiin tilanteisiin [6, 7]. Varhainen tutkimus LS: n välisestä suhteesta ja havaitaan, että suosituin LS: hen kartoitetut oppimisstrategiot auttaisivat parantamaan koulutusprosessia [8]. Kirjailijat suosittelevat myös erilaisia opetus- ja arviointimenetelmiä sopeutuakseen opiskelijoiden oppimiseen ja tarpeisiin.
Opettajat hyötyvät LS -tiedon soveltamisesta auttaakseen heitä suunnittelemaan, kehittämään ja toteuttamaan opetusta, joka parantaa opiskelijoiden syvemmän tiedon hankkimista ja ymmärrystä aiheesta. Tutkijat ovat kehittäneet useita LS-arviointityökaluja, kuten Kolb-kokemuksellinen oppimismalli, Felder-Silverman-oppimistyylimalli (FSLSM) ja Fleming VAK/VOK -malli [5, 9, 10]. Kirjallisuuden mukaan nämä oppimismallit ovat yleisimmin käytettyjä ja tutkituimpia oppimismalleja. Nykyisessä tutkimustyössä FSLSM: ää käytetään LS: n arviointiin hammaslääketieteellisten opiskelijoiden keskuudessa.
FSLSM on laajalti käytetty malli adaptiivisen oppimisen arvioinnissa tekniikan suhteen. Terveystieteissä on monia julkaistuja teoksia (mukaan lukien lääketiede, hoitotyö, apteekki ja hammaslääketiede), jotka löytyvät käyttämällä FSLSM -malleja [5, 11, 12, 13]. LS: n mittojen mittaamiseen käytettyä instrumenttia FLSM: ssä kutsutaan oppimistyylien (ILS) indeksiksi [8], joka sisältää 44 kohdetta, jotka arvioivat LS: n neljä mittaa: prosessointi (aktiivinen/heijastava), havainto (havainto/intuitiivinen), syöttö (visuaalinen). /sanallinen) ja ymmärrys (peräkkäinen/globaali) [14].
Kuten kuviossa 1 esitetään, jokaisella FSLSM -ulottuvuudella on hallitseva mieltymys. Esimerkiksi prosessointimiitossa opiskelijat, joilla on ”aktiivinen” LS, mieluummin käsittelevät tietoa suoraan vuorovaikutuksessa oppimateriaalien kanssa, oppimalla tekemällä ja taipumus oppia ryhmissä. ”Heijastava” LS viittaa oppimiseen ajattelun kautta ja mieluummin työskentelee yksin. LS: n "havaitseminen" voidaan jakaa "tunteeseen" ja/tai "intuitioon". ”Tunne” opiskelijat mieluummin konkreettisempia tietoja ja käytännöllisiä menettelyjä, ovat tosiasiakeskeisiä verrattuna "intuitiivisiin" opiskelijoihin, jotka pitävät abstraktia materiaalia ja ovat luonteeltaan innovatiivisempia ja luovampia. LS: n ”syöttö” -ulottuvuus koostuu "visuaalisista" ja "sanallisista" oppijoista. Ihmiset, joilla on ”visuaalinen” LS, oppivat mieluummin visuaalisten esittelyjen (kuten kaavioiden, videoiden tai elävien demonstraatioiden kautta), kun taas ihmiset, joilla on ”sanallinen”, oppivat sanojen kautta kirjallisissa tai suullisissa selityksissä. LS -ulottuvuuksien "ymmärtämiseksi" tällaiset oppijat voidaan jakaa "peräkkäisiin" ja "globaaleihin". ”Peräkkäiset oppijat mieluummin lineaarista ajatteluprosessia ja oppivat askel askeleelta, kun taas globaaleilla oppijoilla on yleensä kokonaisvaltainen ajatteluprosessi ja heillä on aina parempi käsitys siitä, mitä he oppivat.
Viime aikoina monet tutkijat ovat alkaneet tutkia menetelmiä automaattisen tietopohjaisen löytön suhteen, mukaan lukien uusien algoritmien ja mallien kehittäminen, jotka kykenevät tulkitsemaan suuria määriä tietoa [15, 16]. Annetujen tietojen perusteella valvottu ML (koneoppiminen) pystyy tuottamaan malleja ja hypoteeseja, jotka ennustavat tulevia tuloksia algoritmien rakentamisen perusteella [17]. Yksinkertaisesti sanottuna, valvotut koneoppimistekniikat manipuloivat syöttötietoja ja treenalgoritmeja. Sitten se tuottaa alueen, joka luokittelee tai ennustaa lopputuloksen toimitettujen syöttötietojen vastaavien tilanteiden perusteella. Valvottujen koneoppimisalgoritmien tärkein etu on sen kyky luoda ihanteellisia ja haluttuja tuloksia [17].
Tietopohjaisten menetelmien ja päätöksentekopujen ohjausmallejen avulla LS: n automaattinen havaitseminen on mahdollista. Päätöspuiden on ilmoitettu käytettävän laajasti eri alojen koulutusohjelmissa, mukaan lukien terveystieteet [18, 19]. Tässä tutkimuksessa järjestelmäkehittäjät kouluttivat mallia erityisesti opiskelijoiden LS: n tunnistamiseksi ja suositellaan heille.
Tämän tutkimuksen tarkoituksena on kehittää on toimitusstrategioita, jotka perustuvat opiskelijoiden LS: hen ja soveltavat SCL -lähestymistapaa kehittämällä IS -suositustyökalu LS: lle. IS -suositustyökalun suunnitteluvirta SCL -menetelmän strategiana on esitetty kuvassa 1. IS -suositustyökalu on jaettu kahteen osaan, mukaan lukien LS -luokitusmekanismi IL: llä ja sopivin on näyttö opiskelijoille.
Erityisesti tietoturva -suositustyökalujen ominaispiirteitä ovat verkkoteknologian käytön ja päätöksentekopujen koneoppimisen käytön. Järjestelmäkehittäjät parantavat käyttökokemusta ja liikkuvuutta mukauttamalla ne mobiililaitteisiin, kuten matkapuhelimiin ja tablet -laitteisiin.
Koe suoritettiin kahdessa vaiheessa ja Malayan yliopiston hammaslääketieteellisen tiedekunnan opiskelijat osallistuivat vapaaehtoisesti. Osallistujat vastasivat hammasopiskelijan online-M-IL: iin englanniksi. Alkuvaiheessa 50 opiskelijan tietojoukkoa käytettiin päätöksentekopujen koneoppimisalgoritmin kouluttamiseen. Kehitysprosessin toisessa vaiheessa 255 opiskelijan tietojoukkoa käytettiin kehitetyn instrumentin tarkkuuden parantamiseksi.
Kaikki osallistujat saavat online -tiedotuksen kunkin vaiheen alussa, lukuvuodesta riippuen Microsoft -tiimien kautta. Tutkimuksen tarkoitus selitettiin ja tietoinen suostumus saatiin. Kaikille osallistujille annettiin linkki M-IL: n pääsyyn. Jokaista opiskelijaa kehotettiin vastaamaan kaikkiin 44 kyselylomakkeen esineeseen. Heille annettiin viikko modifioidun ILS: n suorittamiseksi kerrallaan ja heille sopivana sijaintiin lukukauden aikana ennen lukukauden alkua. M-ILS perustuu alkuperäiseen ILS-instrumenttiin ja muokattu hammaslääkärin opiskelijoille. Samankaltainen kuin alkuperäiset IL: t, se sisältää 44 tasaisesti hajautettua kohdetta (a, b), joista kukin 11 kohdetta käytetään arvioimaan kunkin FSLSM -ulottuvuuden näkökohtia.
Työkalujen kehittämisen alkuvaiheissa tutkijat merkitsivät kartat manuaalisesti 50 hammaslääkärin opiskelijan tietojoukon avulla. FSLM: n mukaan järjestelmä tarjoaa vastausten summan A ja "B". Kullekin ulottuvuudelle, jos opiskelija valitsee vastauksensa “A”, LS luokitellaan aktiiviseksi/havainnolliseksi/visuaaliseksi/peräkkäiseksi ja jos opiskelija valitsee vastaukseksi “B”, opiskelija luokitellaan heijastavaksi/intuitiiviseksi/kielelliseksi . / Globaali oppija.
Hammaslääketieteellisen tutkijoiden ja järjestelmän kehittäjien välisen työnkulun kalibroinnin jälkeen valittiin kysymykset FLSSSM -verkkotunnuksen perusteella ja syötettiin ML -malliin kunkin opiskelijan LS: n ennustamiseksi. ”Roski, roskat ulos” on suosittu sanonta koneoppimisen alalla painottaen tiedon laatua. Tulotietojen laatu määrittää koneoppimismallin tarkkuuden ja tarkkuuden. Ominaisuuksien suunnitteluvaiheessa luodaan uusi ominaisuusjoukko, joka on FLSSM: ään perustuvien vastausten summa A ja B ja B ”. Huumeiden asemien tunnistusluvut on esitetty taulukossa 1.
Laske pistemäärä vastausten perusteella ja määritä opiskelijan LS. Kullekin opiskelijalle pisteet ovat 1–11. Pisteet 1 - 3 osoittavat oppimisasetusten tasapainon samassa ulottuvuudessa, ja pisteet välillä 5 - 7 osoittavat kohtalaisen mieltymyksen, mikä osoittaa, että opiskelijat mieluummin yhtä ympäristöopetusta opettaa muita muita . Toinen variaatio samassa ulottuvuudessa on, että pisteet 9: stä 11: een heijastavat voimakasta suosimista toiselle tai toiselle [8].
Jokaiselle ulottuvuudelle lääkkeet ryhmiteltiin ”aktiiviseksi”, “heijastavaksi” ja “tasapainoiseksi”. Esimerkiksi, kun opiskelija vastaa ”A” useammin kuin "B" nimetyllä esineellä ja hänen pistemääränsä ylittää 5 kynnysarvon tietylle prosessointi -mitasta edustavalle esineelle, hän kuuluu “aktiiviseen” LS: hen verkkotunnus. . Opiskelijat luokiteltiin kuitenkin ”heijastavaksi” LS: ksi, kun he valitsivat "B" enemmän kuin "A" tietyissä 11 kysymyksessä (taulukko 1) ja saivat yli 5 pistettä. Lopuksi opiskelija on "tasapainon" tilassa. Jos pistemäärä ei ylitä viisi pistettä, tämä on ”prosessi” ls. Luokitteluprosessi toistettiin muille LS -mitoille, nimittäin havainnolle (aktiivinen/heijastava), tulolle (visuaalinen/sanallinen) ja ymmärrykselle (peräkkäinen/globaali).
Päätöspuumallit voivat käyttää ominaisuuksien ja päätöksentekoprosessin eri vaiheissa erilaisia osajoukkoja luokitteluprosessin eri vaiheissa. Sitä pidetään suosittuna luokittelu- ja ennustetyökaluna. Sitä voidaan esittää käyttämällä puurakennetta, kuten vuokaavio [20], jossa on sisäisiä solmuja, jotka edustavat testejä määritteellä, jokainen haara edustaa testituloksia, ja jokainen leensolmu (lehtisolmu), joka sisältää luokan etiketin.
Luotiin yksinkertainen sääntöpohjainen ohjelma, jonka mukaan jokaisen opiskelijan LS on automaattisesti pisteet ja merkitsemään vastaustensa perusteella. Sääntöpohjainen on IF-lausunto, jossa ”jos” kuvaa liipaisinta ja “sitten” määrittelee suoritettavan toiminnan, esimerkiksi: “Jos x tapahtuu, niin tee y” (Liu et al., 2014). Jos tietojoukolla on korrelaatio ja päätöksentekopuumalli on asianmukaisesti koulutettu ja arvioitu, tämä lähestymistapa voi olla tehokas tapa automatisoida LS: n sovitusprosessi ja on.
Toisessa kehitysvaiheessa tietojoukko nostettiin 255: een suositustyökalun tarkkuuden parantamiseksi. Tietojoukko on jaettu suhteessa 1: 4. Testisarjassa käytettiin 25% (64) tietojoukosta ja testiasarjana jäljellä olevaa 75% (191) käytettiin harjoitusjoukona (kuva 2). Tietojoukko on jaettava, jotta malli on kouluttanut ja testattu samassa tietojoukossa, mikä voi aiheuttaa mallin muistamisen eikä oppimisen. Malli on koulutettu koulutusjoukkoon ja arvioi sen suorituskyvyn testisarjassa - datia, jota mallia ei ole koskaan ennen nähnyt.
Kun IS -työkalu on kehitetty, sovellus pystyy luokittelemaan LS: n hammaslääketieteellisten opiskelijoiden vastausten perusteella verkkoliittymän kautta. Verkkopohjainen tietoturva-suositustyökalujärjestelmä on rakennettu käyttämällä Python-ohjelmointikieltä käyttämällä Django-kehystä taustalla. Taulukossa 2 luetellaan tämän järjestelmän kehittämisessä käytetyt kirjastot.
Tietojoukko syötetään päätöksentekoon malli oppilaan vastausten laskemiseksi ja purkamiseksi opiskelijoiden LS -mittausten automaattiseksi luokittelemiseksi.
Sekaannusmatriisia käytetään arvioimaan tietyssä tietojoukossa päätöksentekopujen koneoppimisalgoritmin tarkkuuden. Samanaikaisesti se arvioi luokitusmallin suorituskykyä. Se on yhteenveto mallin ennusteista ja vertaa niitä todellisiin data -tarroihin. Arviointitulokset perustuvat neljään eri arvoon: tosi positiivinen (TP) - malli ennusti oikein positiivisen luokan, väärän positiivisen (FP) - malli ennusti positiivista luokkaa, mutta todellinen etiketti oli negatiivinen, todellinen negatiivinen (TN) - Malli ennusti oikein negatiivisen luokan ja väärän negatiivisen (FN) - malli ennustaa negatiivisen luokan, mutta todellinen etiketti on positiivinen.
Näitä arvoja käytetään sitten Pythonissa, nimittäin tarkkuuden, tarkkuuden, muistamisen ja F1-pistemäärän Scikit-Learn-luokittelumallin erilaisten suorituskykymittarien laskemiseen. Tässä on esimerkkejä:
Muistaminen (tai herkkyys) mittaa mallin kykyä luokitella tarkasti opiskelijan LS vastauksen jälkeen M-ILS-kyselylomakkeeseen.
Spesifisyyttä kutsutaan todelliseksi negatiiviseksi nopeudeksi. Kuten yllä olevasta kaavasta voidaan nähdä, tämän pitäisi olla todellisten negatiivien (TN) suhde todellisiin negatiivisiin ja vääriin positiivisiin (FP). Osana suositeltua työkalua opiskelijoiden huumeiden luokitteluun, sen tulisi kyetä tarkkaan tunnistamiseen.
Alkuperäinen 50 opiskelijan tietojoukko, jota käytti päätöksentekopuun ML -mallin kouluttamiseen, osoitti suhteellisen alhaisen tarkkuuden merkinnöissä olevien ihmisten virheiden vuoksi (taulukko 3). Kun LS-pisteet ja opiskelijoiden merkinnät laskee yksinkertaisen sääntöpohjaisen ohjelman, suositusjärjestelmän kouluttamiseen ja testaamiseen käytettiin yhä enemmän tietojoukkoja (255).
Moniluokan sekaannusmatriisissa diagonaaliset elementit edustavat oikeiden ennusteiden lukumäärää jokaiselle LS -tyypille (kuva 4). Päätöspuumallia käyttämällä ennustettiin oikein 64 näytettä. Siten tässä tutkimuksessa diagonaaliset elementit osoittavat odotettavissa olevat tulokset, mikä osoittaa, että malli toimii hyvin ja tarkasti ennustaa luokan etiketin jokaiselle LS -luokitukselle. Siten suositustyökalun yleinen tarkkuus on 100%.
Tarkkuuden, tarkkuuden, muistamisen ja F1 -pistemäärän arvot on esitetty kuvassa 5. Päätöspuumallia käyttävälle suositusjärjestelmälle sen F1 -pistemäärä on 1,0 ”täydellinen”, mikä osoittaa täydellisen tarkkuuden ja muistamisen, mikä heijastaa merkittävää herkkyyttä ja spesifisyyttä arvot.
Kuvio 6 esittää päätöksentekopuun mallin visualisoinnin koulutuksen ja testauksen jälkeen. Vertailussa vähemmän ominaisuuksilla koulutettu päätöksentekopuumalli osoitti suurempaa tarkkuutta ja helpompaa mallin visualisointia. Tämä osoittaa, että ominaisuuksien vähentämiseen johtavat ominaisuustekniikka on tärkeä askel mallin suorituskyvyn parantamisessa.
Soveltamalla päätöksentekoa valvottua oppimista, LS: n (syöttö) ja IS: n (kohteen lähtö) kartoitus luodaan automaattisesti ja sisältää yksityiskohtaiset tiedot jokaiselle LS: lle.
Tulokset osoittivat, että 34,9% 255 opiskelijasta piti parempana yhtä (1) LS -vaihtoehtoa. Suurimmalla osalla (54,3%) oli kaksi tai useampia LS -mieltymyksiä. 12,2% opiskelijoista totesi, että LS on melko tasapainoinen (taulukko 4). Kahdeksan pää LS: n lisäksi Malayan yliopiston hammaslääketieteen opiskelijoille on 34 yhdistelmää LS -luokitusta. Heidän joukossaan havainto, visio ja havainnon ja vision yhdistelmä ovat tärkeimmät LS: n, jonka opiskelijat ovat ilmoittaneet (kuva 7).
Kuten taulukosta 4 voidaan nähdä, suurimmalla osalla opiskelijoista oli vallitseva aisti (13,7%) tai visuaalinen (8,6%) LS. Raportoitiin, että 12,2% opiskelijoista yhdistetty havainto visioon (havainnollisen visuaalinen LS). Nämä havainnot viittaavat siihen, että opiskelijat oppivat ja muistavat vakiintuneet menetelmät, noudattavat erityisiä ja yksityiskohtaisia menettelyjä ja ovat luonteeltaan tarkkaavaisia. Samanaikaisesti he nauttivat oppimisesta etsimällä (kaavioiden avulla jne.) Ja pyrkivät keskustelemaan ja soveltamaan tietoja ryhmissä tai yksinään.
Tämä tutkimus tarjoaa yleiskuvan koneoppimistekniikoista, joita käytetään tiedon louhinnassa, keskittyen heti ja tarkasti ennustamaan opiskelijoiden LS: tä ja suosittelevat sopivaa IS: tä. Päätöspuumallin soveltaminen tunnisti tekijät, jotka ovat läheisimmin heidän elämäänsä ja koulutuskokemuksiinsa. Se on valvottu koneoppimisalgoritmi, joka käyttää puurakennetta tietojen luokittelemiseen jakamalla tietojoukko alaluokkiin tiettyjen kriteerien perusteella. Se toimii jakamalla syöttötiedot uudelleen osajoukkoihin kunkin sisäisen solmun syöttöominaisuuden arvon perusteella, kunnes päätös tehdään lehtisolmussa.
Päätöspuun sisäiset solmut edustavat ratkaisua M-ILS-ongelman syöttöominaisuuksien perusteella, ja lehden solmut edustavat LS-luokituksen ennustetta. Koko tutkimuksen ajan on helppo ymmärtää päätöksentekopuiden hierarkia, jotka selittävät ja visualisoivat päätöksentekoprosessia tarkastelemalla syöttöominaisuuksien ja lähtöennusteiden välistä suhdetta.
Tietotekniikan ja tekniikan aloilla koneoppimisalgoritmeja käytetään laajasti opiskelijoiden suorituskyvyn ennustamiseen heidän pääsykokeen pisteiden [21], väestötietojen ja oppimiskäyttäytymisen perusteella [22]. Tutkimukset osoittivat, että algoritmi ennusti tarkasti opiskelijoiden suorituskykyä ja auttoi heitä tunnistamaan akateemisten vaikeuksien riskin opiskelijat.
ML -algoritmien soveltamista virtuaalisten potilassimulaattorien kehittämisessä hammaslääketieteen koulutukseen. Simulaattori pystyy toistamaan tarkasti todellisten potilaiden fysiologiset vasteet, ja sitä voidaan käyttää hammaslääketieteen opiskelijoiden kouluttamiseen turvallisessa ja valvotussa ympäristössä [23]. Useat muut tutkimukset osoittavat, että koneoppimisalgoritmit voivat mahdollisesti parantaa hammas- ja lääketieteellisen koulutuksen sekä potilaan hoidon laatua ja tehokkuutta. Koneoppimisalgoritmeja on käytetty avustamaan hammashoitotautien diagnosointia tietojoukkojen, kuten oireiden ja potilaan ominaisuuksien perusteella [24, 25], perustuen [24, 25]. Vaikka muissa tutkimuksissa on tutkittu koneoppimisalgoritmien käyttöä tehtävien suorittamiseen, kuten potilaan tulosten ennustamiseen, korkean riskin potilaiden tunnistamiseen, henkilökohtaisten hoitosuunnitelmien kehittämiseen [26], periodontaaliseen hoitoon [27] ja karieshoitoon [25].
Vaikka raportteja hammaslääketieteen koneoppimisesta on julkaistu, sen soveltaminen hammaslääketieteellisessä koulutuksessa on edelleen rajoitettua. Siksi tämän tutkimuksen tavoitteena oli käyttää päätöksentekopumallia tunnistaakseen tekijät, jotka ovat läheisimmin liittyneet LS: ään ja on hammaslääketieteen opiskelijoiden keskuudessa.
Tämän tutkimuksen tulokset osoittavat, että kehitetyllä suositustyökalulla on suuri tarkkuus ja täydellinen tarkkuus, mikä osoittaa, että opettajat voivat hyötyä tästä työkalusta. Tietopohjaista luokitteluprosessia käyttämällä se voi tarjota henkilökohtaisia suosituksia ja parantaa koulutuskokemuksia ja tuloksia kouluttajille ja opiskelijoille. Niistä suositustyökaluilla saadut tiedot voivat ratkaista konfliktit opettajien suosituimpien opetusmenetelmien ja oppilaiden oppimistarpeiden välillä. Esimerkiksi suositustyökalujen automatisoidun tulostuksen vuoksi opiskelijan IP: n tunnistamiseen tarvittava aika ja sen sovittaminen vastaavaan IP: hen vähenee merkittävästi. Tällä tavoin voidaan järjestää sopivat koulutustoimet ja koulutusmateriaalit. Tämä auttaa kehittämään opiskelijoiden positiivista oppimiskäyttäytymistä ja keskittymiskykyä. Yhdessä tutkimuksessa todettiin, että opiskelijoille heidän mieluummin LS: n vastaavat oppimateriaalit ja oppimistoiminnot voivat auttaa opiskelijoita integroimaan, käsittelemään ja nauttimaan oppimisesta monin tavoin paremman potentiaalin saavuttamiseksi [12]. Tutkimukset osoittavat myös, että opiskelijoiden osallistumisen parantamisen lisäksi opiskelijoiden oppimisprosessilla on kriittinen rooli opetuskäytäntöjen ja viestinnän parantamisessa opiskelijoiden kanssa [28, 29].
Kuten minkä tahansa nykyaikaisen tekniikan kanssa, on kuitenkin ongelmia ja rajoituksia. Näitä ovat tietojen tietosuojalle, puolueellisuuteen ja oikeudenmukaisuuteen liittyvät kysymykset sekä koneoppimisalgoritmien kehittämiseen ja toteuttamiseen tarvittavat ammatilliset taidot ja resurssit hammaslääketieteellisessä koulutuksessa; Kasvava kiinnostus ja tutkimus tällä alalla viittaa kuitenkin siihen, että koneoppimistekniikoilla voi olla positiivinen vaikutus hammaslääketieteellisiin koulutuksiin ja hammaslääketieteellisiin palveluihin.
Tämän tutkimuksen tulokset osoittavat, että puolella hammaslääketieteellisiä opiskelijoita on taipumus "havaita" lääkkeitä. Tämän tyyppisellä oppijalla on mieluummin tosiasioita ja konkreettisia esimerkkejä, käytännöllistä suuntausta, yksityiskohtia kärsivällisyyttä ja ”visuaalista” LS -mieltymyksiä, joissa oppijat mieluummin käyttävät kuvia, grafiikoita, värejä ja karttoja ideoiden ja ajatusten välittämiseen. Nykyiset tulokset ovat yhdenmukaisia muiden IL: ien kanssa LS: n arvioimiseksi hammas- ja lääketieteen opiskelijoilla, joista useimmilla on havainnollisen ja visuaalisen LS: n ominaisuudet [12, 30]. Dalmolin ym. Ehdottaa, että opiskelijoiden ilmoittaminen LS: stä antaa heille mahdollisuuden saavuttaa oppimispotentiaalinsa. Tutkijat väittävät, että kun opettajat ymmärtävät täysin opiskelijoiden koulutusprosessin, voidaan toteuttaa erilaisia opetusmenetelmiä ja aktiviteetteja, jotka parantavat opiskelijoiden suorituskykyä ja oppimiskokemusta [12, 31, 32]. Muut tutkimukset ovat osoittaneet, että opiskelijoiden LS: n mukauttaminen osoittaa myös opiskelijoiden oppimiskokemuksen ja suorituskyvyn parannuksia heidän oppimistyyliensä muuttamisen jälkeen omaan LS: hen [13, 33].
Opettajien mielipiteet voivat vaihdella oppilaiden oppimiskykyyn perustuvien opetusstrategioiden toteuttamisesta. Jotkut näkevät tämän lähestymistavan edut, mukaan lukien ammatillisen kehityksen mahdollisuudet, mentorointi ja yhteisötuki, toiset voivat olla huolissaan ajasta ja institutionaalisesta tuesta. Tasapainon pyrkimys on avain opiskelijakeskeisen asenteen luomiseen. Korkeakoulun viranomaiset, kuten yliopistojen hallintoviranomaiset, voivat olla tärkeä rooli positiivisen muutoksen edistämisessä ottamalla käyttöön innovatiivisia käytäntöjä ja tukemalla tiedekuntien kehittämistä [34]. Todella dynaamisen ja reagoivan korkea-asteen koulutusjärjestelmän luomiseksi päätöksentekijöiden on ryhdyttävä rohkeisiin toimenpiteisiin, kuten politiikan muutosten tekemiseen, resurssien omistamiseen teknologian integrointiin ja kehysten luomiseen, jotka edistävät opiskelijakeskeisiä lähestymistapoja. Nämä toimenpiteet ovat kriittisiä haluttujen tulosten saavuttamiseksi. Viimeaikaiset eriytetyn opetuksen tutkimukset ovat selvästi osoittaneet, että eriytetyn opetuksen onnistunut toteuttaminen vaatii opettajien jatkuvaa koulutusta ja kehitysmahdollisuuksia [35].
Tämä työkalu tarjoaa arvokasta tukea hammasopettajille, jotka haluavat käyttää opiskelijakeskeistä lähestymistapaa opiskelijaystävällisten oppimistoimintojen suunnitteluun. Tämä tutkimus on kuitenkin rajoitettu päätöksentekopujen ML -mallien käyttöön. Tulevaisuudessa on kerättävä enemmän tietoja eri koneoppimismallien suorituskyvyn vertaamiseksi suositustyökalujen tarkkuuden, luotettavuuden ja tarkkuuden vertaamiseksi. Lisäksi, kun valitset sopivinta koneoppimismenetelmää tietylle tehtävälle, on tärkeää ottaa huomioon muut tekijät, kuten mallin monimutkaisuus ja tulkinta.
Tämän tutkimuksen rajoitus on, että se keskittyy vain LS: n kartoittamiseen ja on hammaslääketieteen opiskelijoiden keskuudessa. Siksi kehitetty suositusjärjestelmä suosittelee vain niitä, jotka sopivat hammaslääkärille. Muutokset ovat välttämättömiä korkea -asteen opiskelijoiden käytön kannalta.
Äskettäin kehitetty koneoppimispohjainen suositustyökalu pystyy luokittelemaan ja sovittamaan opiskelijoiden LS: n heti vastaavaan, mikä tekee siitä ensimmäisen hammaslääketieteellisen koulutusohjelman, joka auttaa hammaslääketieteellisiä opettajia suunnittelemaan asiaankuuluvaa opetusta ja oppimista. Tietopohjaista triaatioprosessia käyttämällä se voi antaa henkilökohtaisia suosituksia, säästää aikaa, parantaa opetusstrategioita, tukea kohdennettuja interventioita ja edistää jatkuvaa ammatillista kehitystä. Sen soveltaminen edistää opiskelijakeskeisiä lähestymistapoja hammaslääketieteelliseen koulutukseen.
Gilak Jani Associated Press. Opiskelijan oppimistyylin ja opettajan opetustyylin välinen sovitus tai epäsuhta. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Viestin aika: huhtikuu-29-2024