Korkeakouluissa, myös hammaslääketieteessä, on kasvava tarve opiskelijakeskeiselle oppimiselle (SCL).SCL:llä on kuitenkin rajoitettu sovellus hammaslääkärikoulutuksessa.Siksi tämän tutkimuksen tavoitteena on edistää SCL:n soveltamista hammaslääketieteessä käyttämällä päätöspuun koneoppimisteknologiaa (ML) kartoittamaan hammaslääketieteen opiskelijoiden ensisijaista oppimistyyliä (LS) ja vastaavat oppimisstrategiat (IS) hyödyllisenä työkaluna IS-ohjeiden kehittämisessä. .Lupaavia menetelmiä hammaslääketieteen opiskelijoille.
Yhteensä 255 hammaslääketieteen opiskelijaa Malayan yliopistosta täytti muokatun Index of Learning Styles (m-ILS) -kyselylomakkeen, joka sisälsi 44 kohdetta, joilla heidät luokiteltiin omiin LS:ihinsä.Kerättyä dataa (kutsutaan tietojoukoksi) käytetään ohjatussa päätöspuuoppimisessa, jotta opiskelijoiden oppimistyylit sovitetaan automaattisesti sopivimpaan IS:ään.Tämän jälkeen arvioidaan koneoppimiseen perustuvan IS-suositustyökalun tarkkuus.
Päätöspuumallien soveltaminen automaattisessa kartoitusprosessissa LS:n (input) ja IS:n (kohdetulosteen) välillä mahdollistaa välittömän luettelon sopivista oppimisstrategioista jokaiselle hammaslääkäriopiskelijalle.IS-suositustyökalu osoitti täydellisen tarkkuuden ja mallin kokonaistarkkuuden palauttamisen, mikä osoitti, että LS:n ja IS:n yhteensovittamisella on hyvä herkkyys ja spesifisyys.
ML-päätöspuuhun perustuva IS-suositustyökalu on osoittanut kykynsä sovittaa tarkasti hammaslääketieteen opiskelijoiden oppimistyylit asianmukaisiin oppimisstrategioihin.Tämä työkalu tarjoaa tehokkaita vaihtoehtoja oppijakeskeisten kurssien tai moduulien suunnitteluun, jotka voivat parantaa opiskelijoiden oppimiskokemusta.
Opetus ja oppiminen ovat perustoimintoja oppilaitoksissa.Laadukasta ammatillista koulutusjärjestelmää kehitettäessä on tärkeää keskittyä opiskelijoiden oppimistarpeisiin.Opiskelijoiden ja heidän oppimisympäristönsä välinen vuorovaikutus voidaan määrittää heidän LS:n kautta.Tutkimukset viittaavat siihen, että opettajan suunnittelemilla epäsuhta opiskelijoiden LS:n ja IS:n välillä voi olla kielteisiä seurauksia oppilaiden oppimiseen, kuten huomion ja motivaation väheneminen.Tämä vaikuttaa välillisesti opiskelijoiden suoritukseen [1,2].
IS on menetelmä, jota opettajat käyttävät tiedon ja taitojen välittämiseen opiskelijoille, mukaan lukien oppilaiden auttaminen oppimaan [3].Yleisesti ottaen hyvät opettajat suunnittelevat opetusstrategioita, jotka vastaavat parhaiten heidän oppilaidensa tietotasoa, heidän oppimiaan käsitteitä ja oppimisvaihetta.Teoriassa, kun LS ja IS kohtaavat, opiskelijat voivat organisoida ja käyttää tiettyjä taitoja oppiakseen tehokkaasti.Tyypillisesti tuntisuunnitelma sisältää useita siirtymiä vaiheiden välillä, kuten opettamisesta ohjattuun harjoitteluun tai ohjatusta harjoittelusta itsenäiseen harjoitteluun.Tätä silmällä pitäen tehokkaat opettajat suunnittelevat usein opetusta tavoitteenaan kehittää opiskelijoiden tietoja ja taitoja [4].
SCL:n kysyntä kasvaa korkeakouluissa, myös hammaslääketieteessä.SCL-strategiat on suunniteltu vastaamaan opiskelijoiden oppimistarpeisiin.Tämä voidaan saavuttaa esimerkiksi, jos opiskelijat osallistuvat aktiivisesti oppimistoimintaan ja opettajat toimivat fasilitaattoreina ja ovat vastuussa arvokkaan palautteen antamisesta.Sanotaan, että oppilaiden koulutustason tai mieltymysten mukaisten oppimateriaalien ja toimintojen tarjoaminen voi parantaa opiskelijoiden oppimisympäristöä ja edistää positiivisia oppimiskokemuksia [5].
Yleisesti ottaen hammaslääketieteen opiskelijoiden oppimisprosessiin vaikuttavat erilaiset kliiniset toimenpiteet, jotka heidän on suoritettava, ja kliininen ympäristö, jossa he kehittävät tehokkaita ihmissuhdetaitoja.Koulutuksen tarkoituksena on antaa opiskelijalle mahdollisuus yhdistää hammaslääketieteen perustiedot hammaslääketieteen kliinisiin taitoihin ja soveltaa hankittua tietoa uusiin kliinisiin tilanteisiin [6, 7].Varhaisessa tutkimuksessa LS:n ja IS:n välisestä suhteesta havaittiin, että oppimisstrategioiden mukauttaminen suositeltuun LS:ään auttaisi parantamaan koulutusprosessia [8].Kirjoittajat suosittelevat myös erilaisten opetus- ja arviointimenetelmien käyttöä sopeutuakseen opiskelijoiden oppimiseen ja tarpeisiin.
Opettajat hyötyvät LS-tiedon soveltamisesta auttaakseen heitä suunnittelemaan, kehittämään ja toteuttamaan opetusta, joka edistää opiskelijoiden syvemmän tiedon hankkimista ja ymmärrystä aiheesta.Tutkijat ovat kehittäneet useita LS-arviointityökaluja, kuten Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) ja Fleming VAK/VARK -mallin [5, 9, 10].Kirjallisuuden mukaan nämä oppimismallit ovat yleisimmin käytettyjä ja tutkituimpia oppimismalleja.Nykyisessä tutkimustyössä FSLSM:ää käytetään LS:n arvioinnissa hammaslääketieteen opiskelijoiden keskuudessa.
FSLSM on laajalti käytetty malli tekniikan mukautuvan oppimisen arvioimiseen.Terveystieteissä (mukaan lukien lääketiede, hoitotyö, apteekki ja hammaslääketiede) on julkaistu monia julkaisuja, jotka löytyvät FSLSM-malleilla [5, 11, 12, 13].Instrumenttia, jota käytetään mittaamaan LS:n ulottuvuuksia FLSM:ssä, kutsutaan oppimistyyliindeksiksi (ILS) [8], joka sisältää 44 kohdetta, jotka arvioivat LS:n neljää ulottuvuutta: prosessointi (aktiivinen/heijastava), havainto (havaittava/intuitiivinen), syöttö (visuaalinen)./verbaalinen) ja ymmärtäminen (peräkkäinen/globaalinen) [14].
Kuten kuvassa 1 näkyy, jokaisella FSLSM-ulottuvuudella on hallitseva etusija.Esimerkiksi prosessointiulottuvuudessa opiskelijat, joilla on "aktiivinen" LS, käsittelevät mieluummin tietoa olemalla suoraan vuorovaikutuksessa oppimateriaalien kanssa, oppivat tekemällä ja yleensä oppivat ryhmissä."Reflektiivinen" LS viittaa ajattelun kautta oppimiseen ja mieluummin työskentelee yksin.LS:n "havaitseva" ulottuvuus voidaan jakaa "tunteeseen" ja/tai "intuitioon"."Tunne"-opiskelijat pitävät konkreettisemmasta tiedosta ja käytännön menettelyistä, ovat faktakeskeisiä verrattuna "intuitiivisiin" opiskelijoihin, jotka pitävät abstraktista materiaalista ja ovat luonteeltaan innovatiivisempia ja luovampia.LS:n "panos"-ulottuvuus koostuu "visuaalisista" ja "verbaalisista" oppijoista.Ihmiset, joilla on "visuaalinen" LS, haluavat oppia visuaalisten demonstraatioiden (kuten kaavioiden, videoiden tai live-esittelyjen) avulla, kun taas "verbaalista" LS:ää sairastavat ihmiset oppivat mieluummin sanojen avulla kirjallisissa tai suullisissa selityksissä.LS-ulottuvuuksien "ymmärtämiseksi" tällaiset oppijat voidaan jakaa "peräkkäisiin" ja "globaaleihin"."Sekventiaaliset oppijat suosivat lineaarista ajatteluprosessia ja oppivat askel askeleelta, kun taas globaaleilla oppijoilla on yleensä kokonaisvaltainen ajatteluprosessi ja he ymmärtävät aina paremmin, mitä he oppivat.
Viime aikoina monet tutkijat ovat alkaneet tutkia menetelmiä automaattiseen datalähtöiseen löytöyn, mukaan lukien uusien algoritmien ja mallien kehittäminen, jotka pystyvät tulkitsemaan suuria tietomääriä [15, 16].Saatujen tietojen perusteella valvottu ML (koneoppiminen) pystyy generoimaan malleja ja hypoteeseja, jotka ennustavat tulevaisuuden tuloksia algoritmien rakentamisen perusteella [17].Yksinkertaisesti sanottuna valvotut koneoppimistekniikat käsittelevät syöttötietoja ja kouluttavat algoritmeja.Sitten se luo vaihteluvälin, joka luokittelee tai ennustaa tuloksen samankaltaisten tilanteiden perusteella annetuille syöttötiedoille.Valvottujen koneoppimisalgoritmien tärkein etu on niiden kyky luoda ihanteellisia ja haluttuja tuloksia [17].
Tietopohjaisten menetelmien ja päätöspuun ohjausmallien avulla LS:n automaattinen havaitseminen on mahdollista.Päätöspuiden on raportoitu olevan laajalti käytetty koulutusohjelmissa eri aloilla, mukaan lukien terveystieteet [18, 19].Tässä tutkimuksessa järjestelmän kehittäjät ovat erityisesti kouluttaneet mallia tunnistamaan opiskelijoiden LS ja suosittelemaan heille parasta IS:ää.
Tämän tutkimuksen tarkoituksena on kehittää opiskelijoiden LS-pohjaisia IS-toimitusstrategioita ja soveltaa SCL-lähestymistapaa kehittämällä IS-suositustyökalu, joka on kartoitettu LS:ään.IS-suositustyökalun suunnittelukulku SCL-menetelmän strategiana on esitetty kuvassa 1. IS-suositustyökalu on jaettu kahteen osaan, mukaan lukien ILS:ää käyttävä LS-luokitusmekanismi ja opiskelijoille sopivin IS-näyttö.
Erityisesti tietoturvasuositustyökalujen ominaisuuksia ovat verkkoteknologioiden käyttö ja päätöspuun koneoppimisen käyttö.Järjestelmäkehittäjät parantavat käyttökokemusta ja liikkuvuutta mukauttamalla niitä mobiililaitteisiin, kuten matkapuhelimiin ja tabletteihin.
Kokeilu toteutettiin kahdessa vaiheessa, ja siihen osallistuivat Malajan yliopiston hammaslääketieteellisen tiedekunnan opiskelijat vapaaehtoisesti.Osallistujat vastasivat hammaslääketieteen opiskelijan online-m-ILS:ään englanniksi.Alkuvaiheessa 50 opiskelijan tietojoukkoa käytettiin päätöspuun koneoppimisalgoritmin kouluttamiseen.Kehittämisprosessin toisessa vaiheessa 255 opiskelijan aineistoa käytettiin parantamaan kehitetyn instrumentin tarkkuutta.
Kaikki osallistujat saavat verkkotiedotuksen kunkin vaiheen alussa lukuvuodesta riippuen Microsoft Teamsin kautta.Tutkimuksen tarkoitus selitettiin ja tietoinen suostumus saatiin.Kaikille osallistujille annettiin linkki m-ILS:ään.Jokaisen opiskelijan annettiin vastata kaikkiin kyselylomakkeen 44 kohtaan.Heille annettiin viikko aikaa suorittaa muokattu ILS heille sopivaan aikaan ja paikassa ennen lukukauden alkua lukukauden tauon aikana.m-ILS perustuu alkuperäiseen ILS-instrumenttiin ja on muokattu hammaslääketieteen opiskelijoille.Kuten alkuperäinen ILS, se sisältää 44 tasaisesti jakautunutta kohdetta (a, b), joissa kussakin on 11 kohdetta, joita käytetään kunkin FSLSM-ulottuvuuden näkökohtien arvioimiseen.
Työkalujen kehittämisen alkuvaiheessa tutkijat merkitsivät karttoja manuaalisesti käyttämällä 50 hammaslääkäriopiskelijan tietoaineistoa.FSLM:n mukaan järjestelmä tarjoaa vastausten "a" ja "b" summan.Jokaiselle ulottuvuudelle, jos opiskelija valitsee vastaukseksi "a", LS luokitellaan Aktiivinen/Havaitseva/Visuaalinen/Sequential, ja jos opiskelija valitsee vastaukseksi "b", opiskelija luokitellaan Heijastavaksi/Intuitiiviseksi/Kieleksi. ./ globaali oppija.
Hammaslääketieteen tutkijoiden ja järjestelmäkehittäjien välisen työnkulun kalibroinnin jälkeen kysymykset valittiin FLSSM-alueen perusteella ja syötettiin ML-malliin kunkin opiskelijan LS:n ennustamiseksi."Roskat sisään, roskat ulos" on suosittu sanonta koneoppimisen alalla, jossa painotetaan tiedon laatua.Syöttötietojen laatu määrää koneoppimismallin tarkkuuden ja tarkkuuden.Ominaisuuden suunnitteluvaiheessa luodaan uusi ominaisuusjoukko, joka on FLSSM:ään perustuvien vastausten "a" ja "b" summa.Lääkepaikkojen tunnistenumerot on annettu taulukossa 1.
Laske pisteet vastausten perusteella ja määritä opiskelijan LS.Jokaisen oppilaan pisteet ovat 1–11. Pisteet 1–3 osoittavat oppimismieltymysten tasapainoa saman ulottuvuuden sisällä, ja pisteet 5–7 osoittavat kohtalaista mieltymystä, mikä osoittaa, että opiskelijat pitävät mieluummin yhtä ympäristöä, joka opettaa muita. .Toinen variaatio samasta ulottuvuudesta on se, että pisteet 9–11 heijastavat vahvaa etusijaa jompaankumpaan päähän [8].
Jokaisen ulottuvuuden osalta huumeet ryhmiteltiin "aktiivisiin", "heijastaviin" ja "tasapainoisiin".Esimerkiksi, kun opiskelija vastaa "a" useammin kuin "b" tietyssä kohdassa ja hänen pistemääränsä ylittää kynnyksen 5 tietylle kohteelle, joka edustaa Processing LS -ulottuvuutta, hän kuuluu "aktiiviseen" LS:ään. verkkotunnus..Opiskelijat luokiteltiin kuitenkin "heijastavaksi" LS:ksi, kun he valitsivat "b" enemmän kuin "a" tietyssä 11 kysymyksessä (taulukko 1) ja saivat yli 5 pistettä.Lopulta opiskelija on "tasapainossa".Jos tulos ei ylitä 5 pistettä, tämä on "prosessi" LS.Luokitteluprosessi toistettiin muille LS-ulottuvuuksille, nimittäin havainnolle (aktiivinen/heijastava), syötteelle (visuaalinen/verbaalinen) ja ymmärtämiselle (peräkkäinen/globaalinen).
Päätöspuumallit voivat käyttää erilaisia ominaisuuksien ja päätössääntöjen osajoukkoja luokitteluprosessin eri vaiheissa.Sitä pidetään suosittuna luokittelu- ja ennustustyökaluna.Se voidaan esittää käyttämällä puurakennetta, kuten vuokaaviota [20], jossa on sisäiset solmut, jotka edustavat testejä attribuuttien mukaan, jokainen haara edustaa testituloksia ja jokainen lehtisolmu (lehtisolmu) sisältää luokkatunnisteen.
Yksinkertainen sääntöpohjainen ohjelma luotiin automaattisesti pisteyttämään ja merkitsemään kunkin opiskelijan LS:ää heidän vastaustensa perusteella.Sääntöpohjainen on IF-käsky, jossa "JOS" kuvaa liipaisinta ja "THEN" määrittää suoritettavan toiminnon, esimerkiksi: "Jos X tapahtuu, tee Y" (Liu et al., 2014).Jos tietojoukossa on korrelaatiota ja päätöspuumalli on asianmukaisesti koulutettu ja arvioitu, tämä lähestymistapa voi olla tehokas tapa automatisoida LS:n ja IS:n yhteensovitusprosessi.
Toisessa kehitysvaiheessa tietojoukkoa lisättiin 255:een suosittelutyökalun tarkkuuden parantamiseksi.Tietojoukko on jaettu suhteessa 1:4.Aineistosta 25 % (64) käytettiin testisarjaan ja loput 75 % (191) käytettiin harjoitussarjana (kuva 2).Tietojoukko on jaettava, jotta mallia ei koulutettaisi ja testattaisiin samalla tietojoukolla, mikä saattaa saada mallin muistamaan oppimisen sijaan.Malli on koulutettu harjoitussarjaan ja arvioi sen suorituskykyä testijoukossa - tietoja, joita malli ei ole koskaan nähnyt.
Kun IS-työkalu on kehitetty, sovellus pystyy luokittelemaan LS:n hammaslääketieteen opiskelijoiden vastausten perusteella web-käyttöliittymän kautta.Verkkopohjainen tietoturvasuositustyökalujärjestelmä on rakennettu Python-ohjelmointikielellä käyttäen taustana Django-kehystä.Taulukossa 2 on lueteltu tämän järjestelmän kehittämisessä käytetyt kirjastot.
Tietojoukko syötetään päätöspuumalliin, joka laskee ja poimii opiskelijoiden vastaukset ja luokittelee automaattisesti opiskelijan LS-mittaukset.
Sekaannusmatriisia käytetään arvioimaan päätöspuun koneoppimisalgoritmin tarkkuutta tietyssä tietojoukossa.Samalla se arvioi luokitusmallin suorituskykyä.Se tekee yhteenvedon mallin ennusteista ja vertaa niitä todellisiin tietolappuihin.Arviointitulokset perustuvat neljään eri arvoon: True Positive (TP) – malli ennusti oikein positiivisen luokan, Väärä positiivinen (FP) – malli ennusti positiivisen kategorian, mutta todellinen merkki oli negatiivinen, True Negative (TN) – malli ennusti oikein negatiivisen luokan ja väärä negatiivinen (FN) – Malli ennustaa negatiivisen luokan, mutta todellinen leima on positiivinen.
Näitä arvoja käytetään sitten laskettaessa Pythonin scikit-learn-luokitusmallin erilaisia suorituskykymittareita, nimittäin tarkkuus, tarkkuus, muistaminen ja F1-pisteet.Tässä on esimerkkejä:
Recall (tai herkkyys) mittaa mallin kykyä luokitella tarkasti opiskelijan LS sen jälkeen, kun hän on vastannut m-ILS-kyselyyn.
Spesifisyys on nimeltään todellinen negatiivinen korko.Kuten yllä olevasta kaavasta näet, tämän pitäisi olla todellisten negatiivisten (TN) suhde todellisiin negatiivisiin ja vääriin positiivisiin (FP).Osana suositeltua työkalua opiskelijoiden huumeiden luokitteluun sen pitäisi pystyä tunnistamaan tarkasti.
Alkuperäinen 50 opiskelijan tietojoukko, jota käytettiin päätöspuun ML-mallin harjoittamiseen, osoitti suhteellisen alhaisen tarkkuuden merkintöjen inhimillisen virheen vuoksi (taulukko 3).Sen jälkeen kun oli luotu yksinkertainen sääntöpohjainen ohjelma laskemaan automaattisesti LS-pisteet ja opiskelijamerkinnät, yhä useampia tietojoukkoja (255) käytettiin suosittelujärjestelmän kouluttamiseen ja testaamiseen.
Moniluokkaisessa sekaannusmatriisissa diagonaaliset elementit edustavat kunkin LS-tyypin oikeiden ennusteiden määrää (kuva 4).Päätöspuumallia käyttämällä ennustettiin oikein 64 näytettä.Näin ollen tässä tutkimuksessa diagonaaliset elementit näyttävät odotetut tulokset, mikä osoittaa, että malli toimii hyvin ja ennustaa tarkasti kunkin LS-luokituksen luokkamerkinnän.Näin ollen suositustyökalun yleinen tarkkuus on 100 %.
Tarkkuuden, tarkkuuden, palauttamisen ja F1-pistemäärän arvot on esitetty kuvassa 5. Päätöspuumallia käyttävän suositusjärjestelmän F1-pistemäärä on 1,0 "täydellinen", mikä osoittaa täydellistä tarkkuutta ja muistamista, mikä heijastaa merkittävää herkkyyttä ja spesifisyyttä. arvot.
Kuva 6 esittää päätöspuumallin visualisoinnin koulutuksen ja testauksen jälkeen.Vierekkäisessä vertailussa vähemmillä ominaisuuksilla koulutettu päätöspuumalli osoitti suurempaa tarkkuutta ja helpompaa mallin visualisointia.Tämä osoittaa, että ominaisuuksien vähentämiseen johtava ominaisuussuunnittelu on tärkeä askel mallin suorituskyvyn parantamisessa.
Päätöspuun ohjattua oppimista soveltamalla LS (syöte) ja IS (kohdelähtö) välinen kartoitus luodaan automaattisesti ja sisältää yksityiskohtaiset tiedot jokaisesta LS:stä.
Tulokset osoittivat, että 34,9 % 255 opiskelijasta piti yhtä (1) LS-vaihtoehtoa parempana.Suurimmalla osalla (54,3 %) oli kaksi tai useampia LS-tottumuksia.12,2 % opiskelijoista totesi, että LS on melko tasapainoinen (taulukko 4).Kahdeksan pääasiallisen LS:n lisäksi Malayan yliopiston hammaslääketieteen opiskelijoille on tarjolla 34 LS-luokituksen yhdistelmää.Näistä havainto, näkemys sekä havainnon ja näön yhdistelmä ovat tärkeimmät opiskelijoiden ilmoittamat LS:t (Kuva 7).
Kuten taulukosta 4 voidaan nähdä, suurimmalla osalla opiskelijoista oli hallitseva sensorinen (13,7 %) tai visuaalinen (8,6 %) LS.Raportoitiin, että 12,2 % opiskelijoista yhdisti havainnon näkemiseen (havainto-visuaalinen LS).Nämä havainnot viittaavat siihen, että opiskelijat haluavat oppia ja muistaa vakiintuneiden menetelmien avulla, noudattaa erityisiä ja yksityiskohtaisia menettelytapoja ja ovat luonteeltaan tarkkaavaisia.Samalla he nauttivat katsomalla oppimisesta (käyttämällä kaavioita jne.) ja heillä on tapana keskustella ja soveltaa tietoa ryhmissä tai yksin.
Tämä tutkimus antaa yleiskatsauksen tiedon louhinnassa käytetyistä koneoppimistekniikoista keskittyen opiskelijoiden välittömään ja tarkkaan LS:n ennustamiseen ja sopivien IS:n suosittelemiseen.Päätöspuumallin soveltaminen tunnisti heidän elämäänsä ja koulutuskokemuksiinsa läheisimmin liittyvät tekijät.Se on valvottu koneoppimisalgoritmi, joka käyttää puurakennetta tietojen luokittelemiseen jakamalla tietojoukon alaluokkiin tiettyjen kriteerien perusteella.Se toimii jakamalla rekursiivisesti syöttötiedot osajoukkoihin kunkin sisäisen solmun yhden syöttöominaisuuden arvon perusteella, kunnes lehtisolmussa tehdään päätös.
Päätöspuun sisäiset solmut edustavat ratkaisua m-ILS-ongelman syöteominaisuuksien perusteella ja lehtisolmut edustavat lopullista LS-luokitusennustetta.Koko tutkimuksen ajan on helppo ymmärtää päätösprosessia selittävien ja visualisoivien päätöspuiden hierarkia tarkastelemalla syöttöominaisuuksien ja tulosennusteiden välistä suhdetta.
Tietojenkäsittelytieteen ja tekniikan aloilla koneoppimisalgoritmeja käytetään laajalti opiskelijoiden suoritusten ennustamiseen pääsykoetulosten [21], demografisten tietojen ja oppimiskäyttäytymisen [22] perusteella.Tutkimus osoitti, että algoritmi ennusti tarkasti opiskelijoiden suorituksia ja auttoi heitä tunnistamaan opiskelijat, joilla oli riski akateemisille vaikeuksille.
Raportoidaan ML-algoritmien soveltamista virtuaalisten potilassimulaattorien kehittämiseen hammaslääkärin koulutukseen.Simulaattori pystyy toistamaan tarkasti todellisten potilaiden fysiologiset vasteet, ja sitä voidaan käyttää hammaslääketieteen opiskelijoiden kouluttamiseen turvallisessa ja kontrolloidussa ympäristössä [23].Useat muut tutkimukset osoittavat, että koneoppimisalgoritmit voivat mahdollisesti parantaa hammas- ja lääketieteellisen koulutuksen ja potilaiden hoidon laatua ja tehokkuutta.Koneoppimisalgoritmeja on käytetty auttamaan hammassairauksien diagnosoinnissa oireiden ja potilaan ominaisuuksien kaltaisten tietokokonaisuuksien perusteella [24, 25].Muissa tutkimuksissa on tutkittu koneoppimisalgoritmien käyttöä sellaisten tehtävien suorittamisessa, kuten potilaiden tulosten ennustaminen, korkean riskin potilaiden tunnistaminen, henkilökohtaisten hoitosuunnitelmien kehittäminen [26], parodontaalihoito [27] ja karieshoito [25].
Vaikka koneoppimisen soveltamisesta hammaslääketieteessä on julkaistu raportteja, sen käyttö hammaslääketieteen koulutuksessa on edelleen rajallista.Tästä syystä tässä tutkimuksessa pyrittiin käyttämään päätöspuumallia tunnistamaan hammaslääketieteen opiskelijoiden LS- ja IS:iin läheisimmin liittyviä tekijöitä.
Tämän tutkimuksen tulokset osoittavat, että kehitetyllä suositustyökalulla on suuri tarkkuus ja täydellinen tarkkuus, mikä osoittaa, että opettajat voivat hyötyä tästä työkalusta.Tietoihin perustuvan luokitusprosessin avulla se voi tarjota henkilökohtaisia suosituksia ja parantaa koulutuskokemuksia ja -tuloksia opettajille ja opiskelijoille.Niistä suositustyökaluilla hankittu tieto voi ratkaista ristiriidat opettajien valitsemien opetusmenetelmien ja opiskelijoiden oppimistarpeiden välillä.Esimerkiksi suositustyökalujen automaattisen tuoton ansiosta opiskelijan IP-osoitteen tunnistamiseen ja vastaamiseen tarvittava aika lyhenee merkittävästi.Näin voidaan järjestää sopivaa koulutustoimintaa ja koulutusmateriaaleja.Tämä auttaa kehittämään opiskelijoiden positiivista oppimiskäyttäytymistä ja keskittymiskykyä.Eräässä tutkimuksessa kerrottiin, että tarjoamalla opiskelijoille oppimateriaalia ja oppimistoimintoja, jotka vastaavat heidän haluamaansa LS:ään, voi auttaa opiskelijoita integroitumaan, prosessoimaan ja nauttimaan oppimisesta monin eri tavoin saavuttaakseen suuremman potentiaalin [12].Tutkimukset osoittavat myös, että opiskelijoiden luokkahuoneeseen osallistumisen parantamisen lisäksi opiskelijoiden oppimisprosessin ymmärtämisellä on ratkaiseva rooli myös opetuskäytäntöjen ja oppilaiden kanssa kommunikoinnin parantamisessa [28, 29].
Kuten kaikissa moderneissa tekniikoissa, on kuitenkin ongelmia ja rajoituksia.Näitä ovat esimerkiksi tietosuojaan, ennakkoluuloihin ja oikeudenmukaisuuteen liittyvät asiat sekä ammatilliset taidot ja resurssit, joita tarvitaan koneoppimisalgoritmien kehittämiseen ja toteuttamiseen hammaslääkärikoulutuksessa;Kasvava kiinnostus ja tutkimus alaa kohtaan viittaavat kuitenkin siihen, että koneoppimistekniikoilla voi olla myönteinen vaikutus hammaslääkärikoulutukseen ja hammashoitopalveluihin.
Tämän tutkimuksen tulokset osoittavat, että puolella hammaslääketieteen opiskelijoista on taipumus "aistia" huumeita.Tämän tyyppiset oppijat pitävät parempana tosiasioista ja konkreettisista esimerkeistä, käytännöllisestä suuntautumisesta, kärsivällisyydestä yksityiskohtien suhteen ja "visuaalisesta" LS-preferenssistä, jossa oppijat käyttävät mieluummin kuvia, grafiikkaa, värejä ja karttoja ideoiden ja ajatusten välittämiseen.Nykyiset tulokset ovat yhdenmukaisia muiden tutkimusten kanssa, joissa ILS:ää käytetään LS:n arvioimiseen hammaslääketieteen ja lääketieteen opiskelijoilla, joista suurimmalla osalla on havainnollisen ja visuaalisen LS:n ominaisuuksia [12, 30].Dalmolin ym. ehdottavat, että opiskelijoille tiedottaminen LS:stä auttaa heitä saavuttamaan oppimispotentiaalinsa.Tutkijat väittävät, että kun opettajat ymmärtävät täysin oppilaiden koulutusprosessin, voidaan toteuttaa erilaisia opetusmenetelmiä ja -toimintoja, jotka parantavat oppilaiden suoritusta ja oppimiskokemusta [12, 31, 32].Muut tutkimukset ovat osoittaneet, että opiskelijoiden LS:n säätäminen osoittaa myös parannuksia opiskelijoiden oppimiskokemuksessa ja suorituskyvyssä sen jälkeen, kun heidän oppimistyylinsä on muutettu oman LS:n mukaisiksi [13, 33].
Opettajien mielipiteet voivat vaihdella oppilaiden oppimiskykyihin perustuvien opetusstrategioiden toteuttamisesta.Vaikka jotkut näkevät tämän lähestymistavan hyödyt, mukaan lukien ammatilliset kehitysmahdollisuudet, mentorointi ja yhteisön tuki, toiset saattavat olla huolissaan ajasta ja instituutiosta.Tasapainoon pyrkiminen on avainasemassa opiskelijakeskeisen asenteen luomisessa.Korkeakouluviranomaisilla, kuten yliopistojen hallintoviranomaisilla, voi olla tärkeä rooli positiivisen muutoksen edistämisessä ottamalla käyttöön innovatiivisia käytäntöjä ja tukemalla tiedekunnan kehitystä [34].Aidosti dynaamisen ja reagoivan korkeakoulujärjestelmän luomiseksi poliittisten päättäjien on ryhdyttävä rohkeisiin toimiin, kuten muutettava politiikkaa, suunnattava resursseja teknologian integrointiin ja luotava puitteita, jotka edistävät opiskelijakeskeisiä lähestymistapoja.Nämä toimenpiteet ovat tärkeitä haluttujen tulosten saavuttamiseksi.Viimeaikainen eriytettyä opetusta koskeva tutkimus on osoittanut selkeästi, että eriytetyn opetuksen onnistunut toteuttaminen edellyttää jatkuvaa koulutusta ja kehittymismahdollisuuksia opettajilta [35].
Tämä työkalu tarjoaa arvokasta tukea hammaslääketieteen opettajille, jotka haluavat suunnitella opiskelijaystävällistä oppimistoimintaa opiskelijalähtöisesti.Tämä tutkimus rajoittuu kuitenkin päätöspuun ML-mallien käyttöön.Tulevaisuudessa tulisi kerätä enemmän tietoa eri koneoppimismallien suorituskyvyn vertailua varten, jotta voidaan vertailla suositustyökalujen tarkkuutta, luotettavuutta ja tarkkuutta.Lisäksi, kun valitset sopivinta koneoppimismenetelmää tiettyyn tehtävään, on tärkeää ottaa huomioon muut tekijät, kuten mallin monimutkaisuus ja tulkinta.
Tämän tutkimuksen rajoituksena on, että se keskittyi vain LS:n ja IS:n kartoittamiseen hammaslääketieteen opiskelijoiden keskuudessa.Siksi kehitetty suositusjärjestelmä suosittelee vain hammaslääketieteen opiskelijoille sopivia.Muutokset ovat tarpeen yleisen korkeakouluopiskelijoiden käyttöön.
Äskettäin kehitetty koneoppimiseen perustuva suositustyökalu pystyy välittömästi luokittelemaan ja sovittamaan opiskelijoiden LS:n vastaavaan IS:ään, mikä tekee siitä ensimmäisen hammaslääketieteen koulutusohjelman, joka auttaa hammaslääketieteen opettajia suunnittelemaan asiaankuuluvia opetus- ja oppimistoimia.Tietoihin perustuvaa triageprosessia käyttämällä se voi tarjota henkilökohtaisia suosituksia, säästää aikaa, parantaa opetusstrategioita, tukea kohdennettuja interventioita ja edistää jatkuvaa ammatillista kehitystä.Sen soveltaminen edistää opiskelijakeskeistä lähestymistapaa hammaslääkärikoulutukseen.
Gilak Jani Associated Press.Oppilaan oppimistyylin ja opettajan opetustyylin yhteensopivuus tai ristiriita.Int J Mod Education Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Postitusaika: 29.4.2024