Opiskelijakeskeiselle oppimiselle (SCL) on kasvava tarve korkeakouluissa, mukaan lukien hammaslääketieteessä. SCL:n sovellukset hammaslääketieteen koulutuksessa ovat kuitenkin rajalliset. Siksi tämän tutkimuksen tavoitteena on edistää SCL:n soveltamista hammaslääketieteessä käyttämällä päätöspuun koneoppimisteknologiaa (ML) kartoittamaan hammaslääketieteen opiskelijoiden suosima oppimistyyli (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 kysymystä heidän luokittelemiseksi omiin oppimistyyliinsä. Kerättyä dataa (jota kutsutaan datajoukoksi) käytetään ohjatussa päätöspuuoppimisessa, jotta opiskelijoiden oppimistyylit voidaan automaattisesti yhdistää sopivimpaan tietojärjestelmämalliin. Koneoppimiseen perustuvan tietojärjestelmämallin tarkkuutta arvioidaan sitten.
Päätöspuumallien soveltaminen automatisoidussa kartoitusprosessissa LS:n (syöte) ja IS:n (kohde-tulos) välillä mahdollistaa välittömän luettelon sopivista oppimisstrategioista jokaiselle hammaslääketieteen opiskelijalle. IS-suositustyökalu osoitti täydellistä tarkkuutta ja mallin kokonaistarkkuuden palauttamista, mikä osoittaa, että LS:n ja IS:n yhteensovittamisen herkkyys ja spesifisyys ovat hyvät.
Koneoppimiseen perustuva tietojärjestelmäsuositustyökalu on osoittanut kykynsä yhdistää tarkasti hammaslääketieteen opiskelijoiden oppimistyylejä sopiviin oppimisstrategioihin. Tämä työkalu tarjoaa tehokkaita vaihtoehtoja oppijakeskeisten kurssien tai moduulien suunnitteluun, jotka voivat parantaa opiskelijoiden oppimiskokemusta.
Opettaminen ja oppiminen ovat oppilaitosten perustavanlaatuisia toimintoja. Korkealaatuista ammatillista koulutusjärjestelmää kehitettäessä on tärkeää keskittyä opiskelijoiden oppimistarpeisiin. Opiskelijoiden ja heidän oppimisympäristönsä välinen vuorovaikutus voidaan määrittää heidän kielitaitonsa kautta. Tutkimukset viittaavat siihen, että opettajan tarkoittamat epäsuhdat opiskelijoiden kielitaitojen ja tietoyhteiskunnan välillä voivat vaikuttaa kielteisesti opiskelijoiden oppimiseen, kuten heikentää keskittymiskykyä ja motivaatiota. Tämä vaikuttaa epäsuorasti opiskelijoiden suoriutumiseen [1,2].
Tietojärjestelmä on opettajien käyttämä menetelmä tiedon ja taitojen välittämiseen oppilaille, mukaan lukien oppimisen tukeminen [3]. Yleisesti ottaen hyvät opettajat suunnittelevat opetusstrategioita eli tietojärjestelmiä, jotka parhaiten vastaavat oppilaiden tietämyksen tasoa, oppimiaan käsitteitä ja oppimisvaihetta. Teoriassa, kun opetusstrategiat ja tietojärjestelmät vastaavat toisiaan, oppilaat pystyvät järjestämään ja käyttämään tiettyä taitojoukkoa tehokkaaseen oppimiseen. Tyypillisesti oppituntisuunnitelma sisältää useita siirtymiä vaiheiden välillä, kuten opettamisesta ohjattuun harjoitteluun tai ohjatusta harjoittelusta itsenäiseen harjoitteluun. Tämän mielessä pitäen tehokkaat opettajat suunnittelevat usein opetusta tavoitteenaan oppilaiden tietojen ja taitojen kehittäminen [4].
Yksilöllisen oppimisen (SCL) kysyntä kasvaa korkeakouluissa, mukaan lukien hammaslääketieteessä. Yksilöllisen oppimisen strategiat on suunniteltu vastaamaan opiskelijoiden oppimistarpeisiin. Tämä voidaan saavuttaa esimerkiksi siten, että opiskelijat osallistuvat aktiivisesti oppimistoimintoihin ja opettajat toimivat fasilitoijina ja ovat vastuussa arvokkaan palautteen antamisesta. Sanotaan, että opiskelijoiden koulutustasolle tai mieltymyksille soveltuvien oppimateriaalien ja aktiviteettien tarjoaminen voi parantaa opiskelijoiden oppimisympäristöä ja edistää myönteisiä oppimiskokemuksia [5].
Yleisesti ottaen hammaslääketieteen opiskelijoiden oppimisprosessiin vaikuttavat erilaiset kliiniset toimenpiteet, joita heidän on suoritettava, sekä kliininen ympäristö, jossa he kehittävät tehokkaita vuorovaikutustaitoja. Koulutuksen tarkoituksena on antaa opiskelijoille valmiudet yhdistää hammaslääketieteen perustiedot kliinisiin hammaslääketieteen taitoihin ja soveltaa hankittua tietoa uusiin kliinisiin tilanteisiin [6, 7]. Varhainen tutkimus LS:n ja IS:n välisestä suhteesta osoitti, että oppimisstrategioiden mukauttaminen ensisijaiseen LS:ään auttaisi parantamaan koulutusprosessia [8]. Kirjoittajat suosittelevat myös erilaisten opetus- ja arviointimenetelmien käyttöä opiskelijoiden oppimisen ja tarpeiden huomioimiseksi.
Opettajat hyötyvät LS-tietämyksen soveltamisesta suunnitellessaan, kehittäessään ja toteuttaessaan opetusta, joka edistää opiskelijoiden syvällisempää tietämystä ja ymmärrystä aihepiiristä. Tutkijat ovat kehittäneet useita LS-arviointityökaluja, kuten Kolbin kokemuksellisen oppimisen mallin, Felder-Silvermanin oppimistyylimallin (FSLSM) ja Flemingin VAK/VARK-mallin [5, 9, 10]. Kirjallisuuden mukaan nämä oppimismallit ovat yleisimmin käytettyjä ja tutkituimpia oppimismalleja. Nykyisessä tutkimuksessa FSLSM:ää käytetään hammaslääketieteen opiskelijoiden LS:n arviointiin.
FSLSM on laajalti käytetty malli adaptiivisen oppimisen arviointiin tekniikassa. Terveystieteissä (mukaan lukien lääketiede, hoitotiede, farmasia ja hammaslääketiede) on julkaistu useita tutkimuksia, joissa on käytetty FSLSM-malleja [5, 11, 12, 13]. FLSM:n LS-ulottuvuuksien mittaamiseen käytettyä välinettä kutsutaan oppimistyylien indeksiksi (ILS) [8], joka sisältää 44 kohtaa, jotka arvioivat LS:n neljää ulottuvuutta: prosessointi (aktiivinen/reflektiivinen), havaitseminen (havaintokyky/intuitiivinen), syöte (visuaalinen/verbaalinen) ja ymmärrys (peräkkäinen/globaali) [14].
Kuten kuvassa 1 on esitetty, jokaisella oppimisfilosofian ulottuvuudella on hallitseva mieltymys. Esimerkiksi prosessointiulottuvuudessa "aktiivisen" oppimisfilosofian omaavat oppilaat mieluummin käsittelevät tietoa olemalla suoraan vuorovaikutuksessa oppimateriaalien kanssa, oppivat tekemällä ja oppivat usein ryhmissä. "Reflektiivinen" oppimisfilosofian ulottuvuus viittaa oppimiseen ajattelemalla ja mieluummin työskentelee yksin. Opiskelijan "havaitsemis" ulottuvuus voidaan jakaa "tuntemiseen" ja/tai "intuitioon". "Tunnevat" oppilaat suosivat konkreettisempaa tietoa ja käytännönläheisempiä menetelmiä, ovat faktapainotteisia verrattuna "intuitiivisiin" oppilaisiin, jotka suosivat abstraktia materiaalia ja ovat luonteeltaan innovatiivisempia ja luovempia. Opiskelijan "syöte"-ulottuvuus koostuu "visuaalisista" ja "verbaalisista" oppijoista. "Visuaalisen" oppimisfilosofian omaavat henkilöt oppivat mieluummin visuaalisten demonstraatioiden (kuten kaavioiden, videoiden tai live-demonstraatioiden) avulla, kun taas "verbaalisen" oppimisfilosofian omaavat henkilöt mieluummin oppivat sanojen avulla kirjallisissa tai suullisissa selityksissä. Opiskelijan ulottuvuuksien "ymmärtämiseksi" tällaiset oppijat voidaan jakaa "peräkkäisiin" ja "globaaleihin" oppijoihin. ”Peräkkäisoppijat suosivat lineaarista ajatteluprosessia ja oppivat askel askeleelta, kun taas globaaleilla oppijoilla on taipumus ajatteluprosessiin kokonaisvaltaisesti ja heillä on aina parempi ymmärrys oppimastaan.”
Viime aikoina monet tutkijat ovat alkaneet tutkia menetelmiä automaattiseen datalähtöiseen löytämiseen, mukaan lukien uusien algoritmien ja mallien kehittäminen, jotka kykenevät tulkitsemaan suuria tietomääriä [15, 16]. Annettujen tietojen perusteella ohjattu koneoppiminen (ML) pystyy luomaan malleja ja hypoteeseja, jotka ennustavat tulevia tuloksia algoritmien rakenteen perusteella [17]. Yksinkertaisesti sanottuna ohjatut koneoppimistekniikat manipuloivat syöttödataa ja kouluttavat algoritmeja. Sitten se luo alueen, joka luokittelee tai ennustaa tuloksen samankaltaisten tilanteiden perusteella annetulle syöttödatalle. Ohjattujen koneoppimisalgoritmien tärkein etu on niiden kyky luoda ihanteellisia ja haluttuja tuloksia [17].
Datapohjaisten menetelmien ja päätöspuumallien avulla paikallisten tukiasteiden (LS) automaattinen tunnistus on mahdollista. Päätöspuiden on raportoitu olevan laajalti käytössä eri alojen koulutusohjelmissa, mukaan lukien terveystieteet [18, 19]. Tässä tutkimuksessa järjestelmäkehittäjät kouluttivat mallia erityisesti tunnistamaan opiskelijoiden paikalliset tukiasteet ja suosittelemaan heille parasta tietojärjestelmää.
Tämän tutkimuksen tarkoituksena on kehittää tietojärjestelmien toimitusstrategioita opiskelijoiden oppimistuloksiin perustuen ja soveltaa SCL-lähestymistapaa kehittämällä oppimistuloksiin mukautettu tietojärjestelmien suosittelutyökalu. Kuvassa 1 on esitetty SCL-menetelmän strategiana käytettävän tietojärjestelmien suosittelutyökalun suunnitteluprosessi. Tietojärjestelmien suosittelutyökalu on jaettu kahteen osaan: ulkoiseen oppimistuloksiin perustuvaan oppimistuloksiin (ILS) ja opiskelijoille sopivimpaan tietojärjestelmien näyttöön.
Erityisesti tietoturvasuositustyökalujen ominaisuuksiin kuuluvat verkkoteknologioiden käyttö ja koneoppimisen hyödyntäminen päätöspuussa. Järjestelmäkehittäjät parantavat käyttökokemusta ja liikkuvuutta mukauttamalla ne mobiililaitteisiin, kuten matkapuhelimiin ja tabletteihin.
Koe toteutettiin kahdessa vaiheessa, ja Malayan yliopiston hammaslääketieteellisen tiedekunnan opiskelijat osallistuivat siihen vapaaehtoisesti. Osallistujat vastasivat hammaslääketieteen opiskelijan verkkopohjaiseen m-ILS-lomakkeeseen englanniksi. Alkuvaiheessa 50 opiskelijan aineistoa käytettiin päätöspuun koneoppimisalgoritmin kouluttamiseen. Kehitysprosessin toisessa vaiheessa 255 opiskelijan aineistoa käytettiin kehitetyn instrumentin tarkkuuden parantamiseen.
Kaikki osallistujat saavat verkko-ohjeistuksen kunkin vaiheen alussa lukuvuodesta riippuen Microsoft Teamsin kautta. Tutkimuksen tarkoitus selitettiin ja heiltä saatiin tietoinen suostumus. Kaikille osallistujille annettiin linkki m-ILS-lomakkeeseen. Jokaista opiskelijaa ohjeistettiin vastaamaan kaikkiin 44 kyselylomakkeen kohtaan. Heille annettiin viikko aikaa täyttää muokattu ILS heille sopivana ajankohtana ja paikassa lukukauden alkua edeltävän tauon aikana. m-ILS perustuu alkuperäiseen ILS-välineeseen ja sitä on muokattu hammaslääketieteen opiskelijoille. Alkuperäisen ILS:n tavoin se sisältää 44 tasaisesti jaettua kohtaa (a, b), joissa kussakin on 11 kohtaa, joita käytetään kunkin FSLSM-ulottuvuuden osa-alueiden arviointiin.
Työkalun kehityksen alkuvaiheissa tutkijat annotoivat kartat manuaalisesti käyttämällä 50 hammaslääketieteen opiskelijan aineistoa. FSLM:n mukaan järjestelmä antaa vastausten "a" ja "b" summan. Jokaiselle ulottuvuudelle, jos opiskelija valitsee vastaukseksi "a", LS luokitellaan aktiiviseksi/havaintokykyiseksi/visuaaliseksi/peräkkäiseksi, ja jos opiskelija valitsee vastaukseksi "b", opiskelija luokitellaan reflektiiviseksi/intuitiiviseksi/kielelliseksi / globaaliksi oppijaksi.
Kun hammaslääketieteen koulutuksen tutkijoiden ja järjestelmäkehittäjien välinen työnkulku oli kalibroitu, kysymykset valittiin FLSSM-alueen perusteella ja syötettiin koneoppimismalliin kunkin opiskelijan LS:n ennustamiseksi. ”Roskaa sisään, roskaa ulos” on suosittu sanonta koneoppimisen alalla, ja siinä painotetaan datan laatua. Syöttödatan laatu määrää koneoppimismallin tarkkuuden ja täsmällisyyden. Ominaisuuksien suunnitteluvaiheessa luodaan uusi ominaisuusjoukko, joka on vastausten ”a” ja ”b” summa FLSSM:n perusteella. Lääkeaineiden tunnistenumerot on esitetty taulukossa 1.
Laske pistemäärä vastausten perusteella ja määritä opiskelijan LS. Kunkin opiskelijan pistemäärä vaihtelee välillä 1–11. Pisteet 1–3 osoittavat oppimismieltymysten tasapainoa saman ulottuvuuden sisällä, ja pisteet 5–7 osoittavat kohtalaista mieltymystä, mikä osoittaa, että opiskelijat suosivat yleensä yhtä ympäristöä toisten opettamisessa. Toinen muunnelma samasta ulottuvuudesta on, että pisteet 9–11 heijastavat vahvaa mieltymystä jompaankumpaan päähän [8].
Kunkin ulottuvuuden osalta huumeet ryhmiteltiin "aktiivisiin", "reflektiivisiin" ja "tasapainoisiin". Esimerkiksi kun opiskelija vastaa "a":aan useammin kuin "b":ään tietyssä kohdassa ja hänen pistemääränsä ylittää 5 pisteen kynnyksen tietyssä Prosessoinnin LS-ulottuvuutta edustavassa kohdassa, hän kuuluu "aktiiviseen" LS-alueeseen. Opiskelijat luokiteltiin kuitenkin "reflektiivisiin" LS-tyyppeihin, kun he valitsivat "b":n useammin kuin "a":n tietyissä 11 kysymyksessä (taulukko 1) ja saivat yli 5 pistettä. Lopuksi opiskelija on "tasapainossa". Jos pistemäärä ei ylitä 5 pistettä, kyseessä on "prosessi" LS. Luokitteluprosessi toistettiin muille LS-ulottuvuuksille, nimittäin havaitsemiselle (aktiivinen/reflektiivinen), syötteelle (visuaalinen/verbaalinen) ja ymmärtämiselle (peräkkäinen/globaali).
Päätöspuumallit voivat käyttää eri ominaisuuksien ja päätössääntöjen osajoukkoja luokitteluprosessin eri vaiheissa. Sitä pidetään suosittuna luokittelu- ja ennustustyökaluna. Se voidaan esittää puurakenteen, kuten vuokaavion [20], avulla, jossa on sisäisiä solmuja, jotka edustavat testejä attribuuttikohtaisesti, jokainen haara edustaa testituloksia ja jokainen lehtisolmu (lehtisolmu) sisältää luokkatunnisteen.
Yksinkertainen sääntöpohjainen ohjelma luotiin pisteyttämään ja annotoimaan automaattisesti jokaisen opiskelijan LS:n heidän vastaustensa perusteella. Sääntöpohjainen on JOS-lausekkeen muotoinen, jossa ”JOS” kuvaa liipaisinta ja ”SITTEN” määrittää suoritettavan toiminnon, esimerkiksi: ”Jos X tapahtuu, niin tee Y” (Liu et al., 2014). Jos aineisto osoittaa korrelaatiota ja päätöspuumalli on koulutettu ja arvioitu oikein, tämä lähestymistapa voi olla tehokas tapa automatisoida LS:n ja IS:n yhteensovittamisprosessi.
Kehityksen toisessa vaiheessa tietojoukkoa kasvatettiin 255:een suositustyökalun tarkkuuden parantamiseksi. Tietojoukko jaettiin suhteessa 1:4. 25 % (64) tietojoukosta käytettiin testijoukkona ja loput 75 % (191) harjoitusjoukkona (kuva 2). Tietojoukko on jaettava, jotta mallia ei voida kouluttaa ja testata samalla tietojoukolla, mikä voi saada mallin muistamaan tiedot oppimisen sijaan. Malli koulutetaan harjoitusjoukolla ja se arvioi suorituskykyään testijoukolla – datalla, jota malli ei ole koskaan ennen nähnyt.
Kun tietoturvatyökalu on kehitetty, sovellus pystyy luokittelemaan paikallisia tietoturvasuosituksia hammaslääketieteen opiskelijoiden vastausten perusteella web-käyttöliittymän kautta. Web-pohjainen tietoturvasuositustyökalujärjestelmä on rakennettu Python-ohjelmointikielellä ja Django-kehystä taustajärjestelmänä. Taulukossa 2 on lueteltu järjestelmän kehityksessä käytetyt kirjastot.
Aineisto syötetään päätöspuumalliin, joka laskee ja poimii opiskelijoiden vastaukset opiskelijoiden LS-mittausten automaattista luokittelua varten.
Sekaannusmatriisia käytetään arvioimaan päätöspuun koneoppimisalgoritmin tarkkuutta tietyllä tietojoukolla. Samalla se arvioi luokittelumallin suorituskykyä. Se tiivistää mallin ennusteet ja vertaa niitä todellisiin tietoihin. Arviointitulokset perustuvat neljään eri arvoon: Tosi positiivinen (TP) – malli ennusti oikein positiivisen kategorian, Väärä positiivinen (FP) – malli ennusti oikein positiivisen kategorian, mutta todellinen kategoria oli negatiivinen, Tosi negatiivinen (TN) – malli ennusti oikein negatiivisen luokan ja Väärä negatiivinen (FN) – malli ennustaa negatiivisen luokan, mutta todellinen kategoria on positiivinen.
Näitä arvoja käytetään sitten laskemaan scikit-learn-luokittelumallin erilaisia suorituskykymittareita Pythonissa, nimittäin tarkkuus, täsmällisyys, palautus ja F1-pistemäärä. Tässä on esimerkkejä:
Muisti (tai herkkyys) mittaa mallin kykyä luokitella opiskelijan LS tarkasti m-ILS-kyselyyn vastaamisen jälkeen.
Spesifisyyttä kutsutaan todelliseksi negatiivisten tulosten osuudeksi. Kuten yllä olevasta kaavasta voidaan nähdä, tämän tulisi olla oikeiden negatiivisten (TN) ja oikeiden negatiivisten ja väärien positiivisten (FP) suhde. Osana suositeltua opiskelijoiden huumeiden luokittelutyökalua sen tulisi pystyä tunnistamaan lääkkeet tarkasti.
Alkuperäinen 50 opiskelijan aineisto, jota käytettiin päätöspuun koneoppimismallin kouluttamiseen, osoitti suhteellisen heikkoa tarkkuutta merkintöjen inhimillisten virheiden vuoksi (taulukko 3). Kun oli luotu yksinkertainen sääntöpohjainen ohjelma LS-pisteiden ja opiskelijoiden merkintöjen automaattiseen laskemiseen, yhä useampia aineistoja (255) käytettiin suosittelujärjestelmän kouluttamiseen ja testaamiseen.
Moniluokkaisessa sekaannusmatriisissa diagonaalielementit edustavat oikeiden ennusteiden lukumäärää kullekin LS-tyypille (kuva 4). Päätöspuumallin avulla ennustettiin oikein yhteensä 64 näytettä. Tässä tutkimuksessa diagonaalielementit osoittavat siis odotetut tulokset, mikä osoittaa, että malli toimii hyvin ja ennustaa tarkasti luokkatunnisteen kullekin LS-luokitukselle. Siten suositustyökalun kokonaistarkkuus on 100 %.
Tarkkuuden, täsmällisyyden, muistamisen ja F1-pistemäärän arvot on esitetty kuvassa 5. Päätöspuumallia käyttävän suositusjärjestelmän F1-pistemäärä on 1,0 ”täydellinen”, mikä osoittaa täydellistä tarkkuutta ja muistamista ja heijastaa merkittäviä herkkyys- ja spesifisyysarvoja.
Kuva 6 esittää päätöspuumallin visualisoinnin koulutuksen ja testauksen jälkeen. Rinnakkaisessa vertailussa vähemmillä ominaisuuksilla koulutettu päätöspuumalli osoitti parempaa tarkkuutta ja helpompaa mallin visualisointia. Tämä osoittaa, että ominaisuuksien suunnittelu, joka johtaa ominaisuuksien vähentämiseen, on tärkeä askel mallin suorituskyvyn parantamisessa.
Päätöspuun ohjattua oppimista soveltamalla LS:n (syöte) ja IS:n (kohdelähtö) välinen vastaavuus luodaan automaattisesti ja se sisältää yksityiskohtaiset tiedot jokaisesta LS:stä.
Tulokset osoittivat, että 34,9 % 255 opiskelijasta valitsi yhden (1) LS-vaihtoehdon. Suurimmalla osalla (54,3 %) oli kaksi tai useampia LS-mieltymyksiä. 12,2 % opiskelijoista totesi, että LS on varsin tasapainoinen (taulukko 4). Kahdeksan tärkeimmän LS-luokituksen lisäksi Malayan yliopiston hammaslääketieteen opiskelijoille on olemassa 34 LS-luokitusyhdistelmää. Näistä opiskelijoiden ilmoittamat tärkeimmät LS-luokitukset ovat havaitseminen, näkö sekä havainnon ja näön yhdistelmä (kuva 7).
Kuten taulukosta 4 voidaan nähdä, useimmilla oppilailla oli vallitseva aistillinen (13,7 %) tai visuaalinen (8,6 %) oppilaiden paikallisopetus. Raportoitiin, että 12,2 % oppilaista yhdisti havaintokyvyn ja näön (perseptuaalinen-visuaalinen paikallisopetus). Nämä havainnot viittaavat siihen, että oppilaat oppivat ja muistavat mieluummin vakiintuneiden menetelmien avulla, noudattavat tiettyjä ja yksityiskohtaisia menettelytapoja ja ovat luonteeltaan tarkkaavaisia. Samaan aikaan he nauttivat oppimisesta katsomalla (käyttäen kaavioita jne.) ja yleensä keskustelevat ja soveltavat tietoa ryhmissä tai itsenäisesti.
Tämä tutkimus tarjoaa yleiskatsauksen tiedonlouhinnassa käytettävistä koneoppimistekniikoista, keskittyen opiskelijoiden oppimistuloksen välittömään ja tarkkaan ennustamiseen ja sopivien tietojärjestelmien suosittelemiseen. Päätöspuumallin avulla tunnistettiin heidän elämän- ja koulutuskokemuksiinsa läheisimmin liittyvät tekijät. Se on ohjattu koneoppimisalgoritmi, joka käyttää puurakennetta datan luokittelemiseen jakamalla datajoukon alakategorioihin tiettyjen kriteerien perusteella. Se toimii jakamalla syöttödatan rekursiivisesti osajoukkoihin kunkin sisäisen solmun yhden syöttöominaisuuden arvon perusteella, kunnes lehtisolmussa tehdään päätös.
Päätöspuun sisäiset solmut edustavat m-ILS-ongelman syöteominaisuuksiin perustuvaa ratkaisua, ja lehtisolmut edustavat lopullista LS-luokitteluennustetta. Tutkimuksen aikana on helppo ymmärtää päätösprosessia selittävien ja visualisoivien päätöspuiden hierarkia tarkastelemalla syöteominaisuuksien ja tulosennusteiden välistä suhdetta.
Tietojenkäsittelytieteen ja tekniikan aloilla koneoppimisalgoritmeja käytetään laajalti opiskelijoiden suoriutumisen ennustamiseen pääsykoepisteiden [21], demografisten tietojen ja oppimiskäyttäytymisen [22] perusteella. Tutkimukset osoittivat, että algoritmi ennusti tarkasti opiskelijoiden suoriutumisen ja auttoi heitä tunnistamaan opiskelijat, joilla oli riski joutua akateemisiin vaikeuksiin.
Koneoppimisalgoritmien soveltamista virtuaalisten potilassimulaattoreiden kehittämiseen hammaslääketieteen koulutusta varten on raportoitu. Simulaattori pystyy toistamaan tarkasti oikeiden potilaiden fysiologiset vasteet ja sitä voidaan käyttää hammaslääketieteen opiskelijoiden kouluttamiseen turvallisessa ja kontrolloidussa ympäristössä [23]. Useat muut tutkimukset osoittavat, että koneoppimisalgoritmit voivat mahdollisesti parantaa hammaslääketieteen ja lääketieteen koulutuksen sekä potilashoidon laatua ja tehokkuutta. Koneoppimisalgoritmeja on käytetty apuna hammassairauksien diagnosoinnissa oireiden ja potilasominaisuuksien kaltaisten tietojoukkojen perusteella [24, 25]. Muissa tutkimuksissa on puolestaan tutkittu koneoppimisalgoritmien käyttöä tehtävien suorittamiseen, kuten potilastulosten ennustamiseen, korkean riskin potilaiden tunnistamiseen, yksilöllisten hoitosuunnitelmien kehittämiseen [26], parodontiittihoitoon [27] ja karieksen hoitoon [25].
Vaikka koneoppimisen soveltamisesta hammaslääketieteessä on julkaistu raportteja, sen soveltaminen hammaslääketieteen koulutuksessa on edelleen rajallista. Siksi tässä tutkimuksessa pyrittiin käyttämään päätöspuumallia tunnistamaan hammaslääketieteen opiskelijoiden LS:ään ja IS:ään läheisimmin liittyvät tekijät.
Tämän tutkimuksen tulokset osoittavat, että kehitetyllä suositustyökalulla on korkea ja täydellinen tarkkuus, mikä osoittaa, että opettajat voivat hyötyä siitä. Datapohjaisen luokitteluprosessin avulla se voi tarjota yksilöllisiä suosituksia ja parantaa sekä kouluttajien että oppilaiden koulutuskokemuksia ja -tuloksia. Suositustyökalujen avulla saadut tiedot voivat esimerkiksi ratkaista ristiriitoja opettajien suosimien opetusmenetelmien ja oppimistarpeiden välillä. Esimerkiksi suositustyökalujen automatisoidun tulosteen ansiosta oppilaan oppimistavoitteiden tunnistamiseen ja niiden yhdistämiseen vastaavaan oppimistavoitteisiin kuluva aika lyhenee merkittävästi. Tällä tavoin voidaan järjestää sopivia koulutustoimintoja ja -materiaaleja. Tämä auttaa kehittämään oppilaiden positiivista oppimiskäyttäytymistä ja keskittymiskykyä. Eräässä tutkimuksessa raportoitiin, että oppimateriaalien ja oppimistoimintojen tarjoaminen opiskelijoille, jotka vastaavat heidän suosimiaan oppimistavoja, voi auttaa heitä integroimaan, käsittelemään ja nauttimaan oppimisesta monin tavoin ja saavuttamaan suuremman potentiaalin [12]. Tutkimukset osoittavat myös, että oppilaiden osallistumisen parantamisen lisäksi luokkahuoneessa oppimisprosessin ymmärtämisellä on myös ratkaiseva rooli opetuskäytäntöjen ja oppilaiden kanssa viestimisen parantamisessa [28, 29].
Kuten minkä tahansa nykyaikaisen teknologian kanssa, tähänkin liittyy kuitenkin ongelmia ja rajoituksia. Näitä ovat muun muassa tietosuojaan, puolueellisuuteen ja oikeudenmukaisuuteen liittyvät kysymykset sekä koneoppimisalgoritmien kehittämiseen ja toteuttamiseen hammaslääketieteen koulutuksessa tarvittavat ammatilliset taidot ja resurssit. Kasvava kiinnostus ja tutkimus tällä alalla viittaavat kuitenkin siihen, että koneoppimisteknologioilla voi olla myönteinen vaikutus hammaslääketieteen koulutukseen ja hammashoitopalveluihin.
Tämän tutkimuksen tulokset osoittavat, että puolella hammaslääketieteen opiskelijoista on taipumus "havaita" lääkkeitä. Tämän tyyppisellä oppijalla on mieltymys faktoihin ja konkreettisiin esimerkkeihin, käytännönläheisyys, kärsivällisyys yksityiskohtia kohtaan ja "visuaalinen" LS-mieltymys, jossa oppijat käyttävät mieluummin kuvia, grafiikkaa, värejä ja karttoja ideoiden ja ajatusten välittämiseen. Nykyiset tulokset ovat yhdenmukaisia muiden tutkimusten kanssa, joissa on käytetty ILS:ää LS:n arvioimiseen hammaslääketieteen ja lääketieteen opiskelijoilla, joista useimmilla on perseptuaalisen ja visuaalisen LS:n piirteitä [12, 30]. Dalmolin ym. ehdottavat, että opiskelijoiden tiedottaminen heidän LS:stään antaa heille mahdollisuuden saavuttaa oppimispotentiaalinsa. Tutkijat väittävät, että kun opettajat ymmärtävät täysin opiskelijoiden koulutusprosessin, voidaan toteuttaa erilaisia opetusmenetelmiä ja aktiviteetteja, jotka parantavat opiskelijoiden suoriutumista ja oppimiskokemusta [12, 31, 32]. Muut tutkimukset ovat osoittaneet, että opiskelijoiden LS:n mukauttaminen parantaa myös opiskelijoiden oppimiskokemusta ja suoriutumista sen jälkeen, kun heidän oppimistyyliään on muutettu heidän omaan LS:ään sopiviksi [13, 33].
Opettajien mielipiteet opetusstrategioiden toteuttamisesta opiskelijoiden oppimiskykyjen perusteella voivat vaihdella. Jotkut näkevät tämän lähestymistavan edut, kuten ammatillisen kehityksen mahdollisuudet, mentoroinnin ja yhteisön tuen, kun taas toiset saattavat olla huolissaan ajasta ja oppilaitoksen tuesta. Tasapainon tavoittelu on avainasemassa opiskelijakeskeisen asenteen luomisessa. Korkeakouluviranomaiset, kuten yliopistojen hallinto, voivat olla tärkeässä roolissa positiivisen muutoksen edistämisessä ottamalla käyttöön innovatiivisia käytäntöjä ja tukemalla tiedekunnan kehitystä [34]. Jotta voidaan luoda todella dynaaminen ja reagoiva korkeakoulutusjärjestelmä, poliittisten päättäjien on ryhdyttävä rohkeisiin toimiin, kuten tehtävä poliittisia muutoksia, kohdennettava resursseja teknologian integrointiin ja luotava puitteita, jotka edistävät opiskelijakeskeisiä lähestymistapoja. Nämä toimenpiteet ovat ratkaisevan tärkeitä haluttujen tulosten saavuttamiseksi. Viimeaikaiset tutkimukset eriytetystä opetuksesta ovat osoittaneet selvästi, että eriytetyn opetuksen onnistunut toteuttaminen edellyttää opettajille jatkuvaa koulutusta ja kehitysmahdollisuuksia [35].
Tämä työkalu tarjoaa arvokasta tukea hammaslääketieteen kouluttajille, jotka haluavat omaksua opiskelijakeskeisen lähestymistavan opiskelijaystävällisten oppimistoimintojen suunnitteluun. Tämä tutkimus rajoittuu kuitenkin päätöspuumallien käyttöön koneoppimismalleissa. Tulevaisuudessa tulisi kerätä enemmän dataa eri koneoppimismallien suorituskyvyn vertailemiseksi, jotta voidaan vertailla suositustyökalujen tarkkuutta, luotettavuutta ja täsmällisyyttä. Lisäksi tiettyyn tehtävään sopivinta koneoppimismenetelmää valittaessa on tärkeää ottaa huomioon muita tekijöitä, kuten mallin monimutkaisuus ja tulkinta.
Tämän tutkimuksen rajoituksena on, että se keskittyi vain hammaslääketieteen opiskelijoiden LS- ja IS-ominaisuuksien kartoittamiseen. Siksi kehitetty suositusjärjestelmä suosittelee vain niitä, jotka sopivat hammaslääketieteen opiskelijoille. Muutokset ovat välttämättömiä korkeakouluopiskelijoiden yleiseen käyttöön.
Uusi koneoppimiseen perustuva suositustyökalu pystyy luokittelemaan ja yhdistämään opiskelijoiden oppimistulokset (LS) vastaavaan tietojärjestelmään (IS), mikä tekee siitä ensimmäisen hammaslääketieteen koulutusohjelman, joka auttaa hammaslääketieteen kouluttajia suunnittelemaan asiaankuuluvia opetus- ja oppimistoimia. Datapohjaisen triage-prosessin avulla se voi tarjota yksilöllisiä suosituksia, säästää aikaa, parantaa opetusstrategioita, tukea kohdennettuja interventioita ja edistää jatkuvaa ammatillista kehittymistä. Sen sovellus edistää opiskelijakeskeisiä lähestymistapoja hammaslääketieteen koulutukseen.
Gilak Jani, Associated Press. Oppilaan oppimistyylin ja opettajan opetustyylin vastaavuus tai epäsuhta. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Julkaisuaika: 29.4.2024