May lumalaking pangangailangan para sa student-centered learning (SCL) sa mga institusyong mas mataas na edukasyon, kabilang ang dentistry.Gayunpaman, ang SCL ay may limitadong aplikasyon sa dental education.Samakatuwid, ang pag-aaral na ito ay naglalayong isulong ang aplikasyon ng SCL sa dentistry sa pamamagitan ng paggamit ng decision tree machine learning (ML) na teknolohiya upang i-map ang ginustong istilo ng pagkatuto (LS) at kaukulang mga diskarte sa pag-aaral (IS) ng mga mag-aaral sa ngipin bilang isang kapaki-pakinabang na tool para sa pagbuo ng mga alituntunin ng IS. .Mga promising na pamamaraan para sa mga mag-aaral sa ngipin.
Isang kabuuan ng 255 dental na mag-aaral mula sa Unibersidad ng Malaya ang nakakumpleto ng binagong Index of Learning Styles (m-ILS) questionnaire, na naglalaman ng 44 na aytem upang i-classify ang mga ito sa kani-kanilang mga LS.Ang nakolektang data (tinatawag na dataset) ay ginagamit sa pinangangasiwaang pag-aaral ng decision tree upang awtomatikong itugma ang mga istilo ng pag-aaral ng mga mag-aaral sa pinakaangkop na IS.Pagkatapos ay susuriin ang katumpakan ng tool sa rekomendasyon ng IS na nakabatay sa machine learning.
Ang aplikasyon ng mga modelo ng decision tree sa isang automated na proseso ng pagmamapa sa pagitan ng LS (input) at IS (target na output) ay nagbibigay-daan para sa isang agarang listahan ng naaangkop na mga diskarte sa pag-aaral para sa bawat mag-aaral sa ngipin.Ang tool sa rekomendasyon ng IS ay nagpakita ng perpektong katumpakan at paggunita sa pangkalahatang katumpakan ng modelo, na nagpapahiwatig na ang pagtutugma ng LS sa IS ay may mahusay na sensitivity at specificity.
Napatunayan ng isang tool sa rekomendasyon ng IS batay sa isang puno ng desisyon ng ML ang kakayahan nitong tumpak na itugma ang mga istilo ng pag-aaral ng mga mag-aaral sa ngipin na may naaangkop na mga diskarte sa pag-aaral.Ang tool na ito ay nagbibigay ng makapangyarihang mga opsyon para sa pagpaplano ng mga kurso o module na nakasentro sa mag-aaral na maaaring mapahusay ang karanasan sa pagkatuto ng mga mag-aaral.
Ang pagtuturo at pagkatuto ay mga pangunahing gawain sa mga institusyong pang-edukasyon.Kapag bumubuo ng isang mataas na kalidad na sistema ng edukasyong bokasyonal, mahalagang tumuon sa mga pangangailangan sa pagkatuto ng mga mag-aaral.Ang pakikipag-ugnayan sa pagitan ng mga mag-aaral at ng kanilang kapaligiran sa pag-aaral ay maaaring matukoy sa pamamagitan ng kanilang LS.Iminumungkahi ng pananaliksik na ang hindi pagkakatugma na nilayon ng guro sa pagitan ng LS at IS ng mga mag-aaral ay maaaring magkaroon ng mga negatibong kahihinatnan para sa pag-aaral ng mag-aaral, tulad ng pagbaba ng atensyon at pagganyak.Ito ay hindi direktang makakaapekto sa pagganap ng mag-aaral [1,2].
Ang IS ay isang paraan na ginagamit ng mga guro upang magbigay ng kaalaman at kasanayan sa mga mag-aaral, kabilang ang pagtulong sa mga mag-aaral na matuto [3].Sa pangkalahatan, ang mahuhusay na guro ay nagpaplano ng mga estratehiya sa pagtuturo o IS na pinakamahusay na tumutugma sa antas ng kaalaman ng kanilang mga mag-aaral, ang mga konseptong kanilang natututuhan, at ang kanilang yugto ng pagkatuto.Sa teorya, kapag nagtutugma ang LS at IS, magagawa ng mga mag-aaral na ayusin at gamitin ang isang partikular na hanay ng mga kasanayan upang matuto nang epektibo.Karaniwan, ang isang lesson plan ay may kasamang ilang mga transition sa pagitan ng mga yugto, tulad ng mula sa pagtuturo hanggang sa guided practice o mula sa guided practice hanggang sa independent practice.Sa pag-iisip na ito, ang mga epektibong guro ay madalas na nagpaplano ng pagtuturo na may layunin na mabuo ang kaalaman at kasanayan ng mga mag-aaral [4].
Ang pangangailangan para sa SCL ay lumalaki sa mga institusyong mas mataas na edukasyon, kabilang ang dentistry.Ang mga estratehiya ng SCL ay idinisenyo upang matugunan ang mga pangangailangan sa pag-aaral ng mga mag-aaral.Ito ay maaaring makamit, halimbawa, kung ang mga mag-aaral ay aktibong lumahok sa mga aktibidad sa pag-aaral at ang mga guro ay kumikilos bilang mga facilitator at may pananagutan sa pagbibigay ng mahalagang puna.Sinasabi na ang pagbibigay ng mga materyales sa pag-aaral at mga aktibidad na angkop sa antas ng edukasyon o mga kagustuhan ng mga mag-aaral ay maaaring mapabuti ang kapaligiran ng pag-aaral ng mga mag-aaral at magsulong ng mga positibong karanasan sa pag-aaral [5].
Sa pangkalahatan, ang proseso ng pag-aaral ng mga mag-aaral sa ngipin ay naiimpluwensyahan ng iba't ibang mga klinikal na pamamaraan na kinakailangan nilang gawin at ang klinikal na kapaligiran kung saan sila nagkakaroon ng epektibong interpersonal na kasanayan.Ang layunin ng pagsasanay ay upang paganahin ang mga mag-aaral na pagsamahin ang pangunahing kaalaman sa dentistry sa mga kasanayan sa klinikal na ngipin at ilapat ang nakuhang kaalaman sa mga bagong klinikal na sitwasyon [6, 7].Napag-alaman ng maagang pagsasaliksik sa ugnayan sa pagitan ng LS at IS na ang pagsasaayos ng mga estratehiya sa pagkatuto na nakamapa sa ginustong LS ay makakatulong na mapabuti ang proseso ng edukasyon [8].Inirerekomenda din ng mga may-akda ang paggamit ng iba't ibang paraan ng pagtuturo at pagtatasa upang umangkop sa pagkatuto at pangangailangan ng mga mag-aaral.
Nakikinabang ang mga guro sa paglalapat ng kaalaman sa LS upang matulungan silang magdisenyo, bumuo, at magpatupad ng pagtuturo na magpapahusay sa pagkuha ng mga mag-aaral ng mas malalim na kaalaman at pag-unawa sa paksa.Ang mga mananaliksik ay nakabuo ng ilang mga tool sa pagtatasa ng LS, tulad ng Kolb Experiential Learning Model, ang Felder-Silverman Learning Style Model (FSLSM), at ang Fleming VAK/VARK Model [5, 9, 10].Ayon sa literatura, ang mga modelong ito sa pag-aaral ang pinakakaraniwang ginagamit at pinag-aaralang mga modelo ng pag-aaral.Sa kasalukuyang gawaing pananaliksik, ang FSLSM ay ginagamit upang masuri ang LS sa mga mag-aaral sa ngipin.
Ang FSLSM ay isang malawakang ginagamit na modelo para sa pagsusuri ng adaptive learning sa engineering.Maraming nai-publish na mga gawa sa mga agham pangkalusugan (kabilang ang gamot, nursing, pharmacy at dentistry) na makikita gamit ang mga modelo ng FSLSM [5, 11, 12, 13].Ang instrumento na ginamit upang sukatin ang mga sukat ng LS sa FLSM ay tinatawag na Index of Learning Styles (ILS) [8], na naglalaman ng 44 na aytem na nagtatasa sa apat na dimensyon ng LS: processing (aktibo/reflective), perception (perceptual/intuitive), input (visual)./verbal) at pag-unawa (sequential/global) [14].
Gaya ng ipinapakita sa Figure 1, ang bawat dimensyon ng FSLSM ay may nangingibabaw na kagustuhan.Halimbawa, sa dimensyon ng pagpoproseso, mas gusto ng mga mag-aaral na may "aktibong" LS na magproseso ng impormasyon sa pamamagitan ng direktang pakikipag-ugnayan sa mga materyales sa pag-aaral, matuto sa pamamagitan ng paggawa, at may posibilidad na matuto sa mga grupo.Ang "reflective" na LS ay tumutukoy sa pag-aaral sa pamamagitan ng pag-iisip at mas gustong magtrabaho nang mag-isa.Ang "perceiving" na dimensyon ng LS ay maaaring hatiin sa "feeling" at/o "intuition."Mas gusto ng mga mag-aaral na "pakiramdam" ang mas konkretong impormasyon at praktikal na mga pamamaraan, ay nakatuon sa katotohanan kumpara sa mga "intuitive" na mga mag-aaral na mas gusto ang abstract na materyal at mas makabago at malikhain sa kalikasan.Ang dimensyon ng "input" ng LS ay binubuo ng "visual" at "verbal" na mga nag-aaral.Mas gusto ng mga taong may "visual" na LS na matuto sa pamamagitan ng mga visual na demonstrasyon (tulad ng mga diagram, video, o live na demonstrasyon), samantalang mas gusto ng mga taong may "verbal" na LS na matuto sa pamamagitan ng mga salita sa nakasulat o pasalitang pagpapaliwanag.Upang "maunawaan" ang mga dimensyon ng LS, ang mga naturang mag-aaral ay maaaring hatiin sa "sequential" at "global".“Mas gusto ng mga sequential na mag-aaral ang isang linear na proseso ng pag-iisip at natututo sila ng hakbang-hakbang, habang ang mga global na nag-aaral ay may posibilidad na magkaroon ng isang holistic na proseso ng pag-iisip at palaging may mas mahusay na pag-unawa sa kanilang natututuhan.
Kamakailan, maraming mga mananaliksik ang nagsimulang tuklasin ang mga pamamaraan para sa awtomatikong pagtuklas na hinihimok ng data, kabilang ang pagbuo ng mga bagong algorithm at mga modelo na may kakayahang mag-interpret ng malalaking halaga ng data [15, 16].Batay sa ibinigay na data, ang pinangangasiwaang ML (machine learning) ay nakakagawa ng mga pattern at hypotheses na hinuhulaan ang mga resulta sa hinaharap batay sa pagbuo ng mga algorithm [17].Sa madaling salita, ang pinangangasiwaang machine learning ay nagmamanipula ng data ng input at nagsasanay ng mga algorithm.Pagkatapos ay bubuo ito ng hanay na nag-uuri o hinuhulaan ang kinalabasan batay sa mga katulad na sitwasyon para sa ibinigay na data ng input.Ang pangunahing bentahe ng pinangangasiwaang mga algorithm sa pag-aaral ng makina ay ang kakayahang magtatag ng perpekto at ninanais na mga resulta [17].
Sa pamamagitan ng paggamit ng data-driven na pamamaraan at decision tree control models, ang awtomatikong pagtuklas ng LS ay posible.Ang mga puno ng desisyon ay naiulat na malawakang ginagamit sa mga programa ng pagsasanay sa iba't ibang larangan, kabilang ang mga agham sa kalusugan [18, 19].Sa pag-aaral na ito, ang modelo ay partikular na sinanay ng mga developer ng system upang matukoy ang LS ng mga mag-aaral at magrekomenda ng pinakamahusay na IS para sa kanila.
Ang layunin ng pag-aaral na ito ay bumuo ng mga diskarte sa paghahatid ng IS batay sa LS ng mga mag-aaral at ilapat ang diskarte sa SCL sa pamamagitan ng pagbuo ng tool sa rekomendasyon ng IS na nakamapa sa LS.Ang daloy ng disenyo ng tool sa rekomendasyon ng IS bilang isang diskarte ng pamamaraan ng SCL ay ipinapakita sa Figure 1. Ang tool sa rekomendasyon ng IS ay nahahati sa dalawang bahagi, kabilang ang mekanismo ng pag-uuri ng LS gamit ang ILS at ang pinakaangkop na pagpapakita ng IS para sa mga mag-aaral.
Sa partikular, ang mga katangian ng mga tool sa rekomendasyon sa seguridad ng impormasyon ay kinabibilangan ng paggamit ng mga teknolohiya sa web at paggamit ng decision tree machine learning.Pinapabuti ng mga developer ng system ang karanasan at kadaliang kumilos ng user sa pamamagitan ng pag-adapt sa kanila sa mga mobile device gaya ng mga mobile phone at tablet.
Ang eksperimento ay isinagawa sa dalawang yugto at ang mga mag-aaral mula sa Faculty of Dentistry sa Unibersidad ng Malaya ay lumahok sa isang boluntaryong batayan.Tumugon ang mga kalahok sa online na m-ILS ng isang dental student sa English.Sa paunang yugto, ginamit ang isang dataset ng 50 mag-aaral para sanayin ang decision tree machine learning algorithm.Sa ikalawang yugto ng proseso ng pagbuo, ginamit ang isang dataset ng 255 mag-aaral upang mapabuti ang katumpakan ng binuong instrumento.
Ang lahat ng mga kalahok ay tumatanggap ng online na briefing sa simula ng bawat yugto, depende sa akademikong taon, sa pamamagitan ng Microsoft Teams.Ipinaliwanag ang layunin ng pag-aaral at nakuha ang informed consent.Ang lahat ng mga kalahok ay binigyan ng isang link upang ma-access ang m-ILS.Ang bawat mag-aaral ay inutusang sagutin ang lahat ng 44 na aytem sa talatanungan.Binigyan sila ng isang linggo upang kumpletuhin ang binagong ILS sa oras at lokasyong maginhawa sa kanila sa panahon ng semestre break bago magsimula ang semestre.Ang m-ILS ay batay sa orihinal na instrumento ng ILS at binago para sa mga mag-aaral sa ngipin.Katulad ng orihinal na ILS, naglalaman ito ng 44 na pantay na ipinamahagi na mga item (a, b), na may 11 item bawat isa, na ginagamit upang masuri ang mga aspeto ng bawat dimensyon ng FSLSM.
Sa mga paunang yugto ng pag-develop ng tool, manu-manong i-annotate ng mga mananaliksik ang mga mapa gamit ang isang dataset ng 50 mag-aaral sa ngipin.Ayon sa FSLM, ang sistema ay nagbibigay ng kabuuan ng mga sagot na "a" at "b".Para sa bawat dimensyon, kung pipiliin ng mag-aaral ang "a" bilang sagot, ang LS ay mauuri bilang Aktibo/Perceptual/Visual/Sequential, at kung pipiliin ng mag-aaral ang "b" bilang sagot, ang mag-aaral ay mauuri bilang Reflective/Intuitive/Linguistic ./ pandaigdigang mag-aaral.
Pagkatapos i-calibrate ang daloy ng trabaho sa pagitan ng mga mananaliksik sa edukasyon sa ngipin at mga developer ng system, pinili ang mga tanong batay sa domain ng FLSSM at ipinasok sa modelong ML upang mahulaan ang LS ng bawat mag-aaral.Ang "basura sa loob, basura sa labas" ay isang tanyag na kasabihan sa larangan ng machine learning, na may diin sa kalidad ng data.Tinutukoy ng kalidad ng data ng input ang katumpakan at katumpakan ng modelo ng machine learning.Sa yugto ng feature engineering, isang bagong feature set ang nalikha na siyang kabuuan ng mga sagot na "a" at "b" batay sa FLSSM.Ang mga numero ng pagkakakilanlan ng mga posisyon ng gamot ay ibinibigay sa Talahanayan 1.
Kalkulahin ang marka batay sa mga sagot at tukuyin ang LS ng mag-aaral.Para sa bawat mag-aaral, ang hanay ng puntos ay mula 1 hanggang 11. Ang mga marka mula 1 hanggang 3 ay nagpapahiwatig ng balanse ng mga kagustuhan sa pag-aaral sa loob ng parehong dimensyon, at ang mga marka mula 5 hanggang 7 ay nagpapahiwatig ng katamtamang kagustuhan, na nagpapahiwatig na ang mga mag-aaral ay may posibilidad na mas gusto ang isang kapaligiran na nagtuturo sa iba. .Ang isa pang pagkakaiba-iba sa parehong dimensyon ay ang mga marka mula 9 hanggang 11 ay nagpapakita ng isang malakas na kagustuhan para sa isang dulo o sa iba pa [8].
Para sa bawat dimensyon, ang mga gamot ay pinagsama-sama sa "aktibo", "reflective" at "balanse".Halimbawa, kapag ang isang mag-aaral ay sumagot ng "a" nang mas madalas kaysa sa "b" sa isang itinalagang item at ang kanyang marka ay lumampas sa threshold na 5 para sa isang partikular na item na kumakatawan sa Processing LS na dimensyon, siya ay kabilang sa "aktibong" LS. domain..Gayunpaman, ang mga mag-aaral ay inuri bilang "reflective" na LS nang mas pinili nila ang "b" kaysa sa "a" sa partikular na 11 tanong (Talahanayan 1) at nakakuha ng higit sa 5 puntos.Sa wakas, ang mag-aaral ay nasa isang estado ng "equilibrium."Kung ang marka ay hindi lalampas sa 5 puntos, ito ay isang "proseso" na LS.Inulit ang proseso ng pag-uuri para sa iba pang dimensyon ng LS, katulad ng perception (aktibo/reflective), input (visual/verbal), at comprehension (sequential/global).
Ang mga modelo ng decision tree ay maaaring gumamit ng iba't ibang subset ng mga feature at mga panuntunan sa pagpapasya sa iba't ibang yugto ng proseso ng pag-uuri.Ito ay itinuturing na isang sikat na tool sa pag-uuri at paghula.Maaari itong ilarawan gamit ang isang istraktura ng puno tulad ng isang flowchart [20], kung saan mayroong mga panloob na node na kumakatawan sa mga pagsubok ayon sa katangian, bawat sangay na kumakatawan sa mga resulta ng pagsubok, at bawat node ng dahon (leaf node) na naglalaman ng label ng klase.
Isang simpleng programang nakabatay sa panuntunan ang ginawa upang awtomatikong mamarkahan at i-annotate ang LS ng bawat mag-aaral batay sa kanilang mga tugon.Nakabatay sa panuntunan ang anyo ng isang IF na pahayag, kung saan ang "IF" ay naglalarawan sa trigger at ang "THEN" ay tumutukoy sa aksyon na isasagawa, halimbawa: "Kung X mangyari, pagkatapos ay gawin Y" (Liu et al., 2014).Kung ang set ng data ay nagpapakita ng ugnayan at ang modelo ng decision tree ay wastong sinanay at sinusuri, ang diskarte na ito ay maaaring maging isang epektibong paraan upang i-automate ang proseso ng pagtutugma ng LS at IS.
Sa ikalawang yugto ng pag-unlad, ang dataset ay nadagdagan sa 255 upang mapabuti ang katumpakan ng tool ng rekomendasyon.Hinati ang set ng data sa isang 1:4 ratio.25% (64) ng set ng data ang ginamit para sa set ng pagsubok, at ang natitirang 75% (191) ay ginamit bilang set ng pagsasanay (Larawan 2).Kailangang hatiin ang set ng data upang maiwasang masanay at masuri ang modelo sa parehong set ng data, na maaaring maging sanhi ng pagtanda ng modelo sa halip na matuto.Ang modelo ay sinanay sa set ng pagsasanay at sinusuri ang pagganap nito sa set ng pagsubok—data na hindi pa nakikita ng modelo.
Sa sandaling mabuo ang tool ng IS, magagawa ng application na uriin ang LS batay sa mga tugon ng mga mag-aaral sa ngipin sa pamamagitan ng isang web interface.Ang web-based na information security recommendation tool system ay binuo gamit ang Python programming language gamit ang Django framework bilang backend.Nakalista sa talahanayan 2 ang mga aklatan na ginamit sa pagbuo ng sistemang ito.
Ang dataset ay ibinibigay sa isang modelo ng decision tree upang kalkulahin at kunin ang mga tugon ng mag-aaral upang awtomatikong maiuri ang mga sukat ng LS ng mag-aaral.
Ang confusion matrix ay ginagamit upang suriin ang katumpakan ng isang decision tree machine learning algorithm sa isang ibinigay na set ng data.Kasabay nito, sinusuri nito ang pagganap ng modelo ng pag-uuri.Binubuod nito ang mga hula ng modelo at inihahambing ang mga ito sa aktwal na mga label ng data.Ang mga resulta ng pagsusuri ay batay sa apat na magkakaibang mga halaga: True Positive (TP) – tama ang hula ng modelo sa positibong kategorya, False Positive (FP) – hinulaan ng modelo ang positibong kategorya, ngunit ang totoong label ay negatibo, True Negative (TN) – tama ang hula ng modelo sa negatibong klase, at maling negatibo (FN) - Hinulaan ng modelo ang negatibong klase, ngunit positibo ang totoong label.
Pagkatapos ay ginagamit ang mga halagang ito upang kalkulahin ang iba't ibang sukatan ng pagganap ng modelo ng pag-uuri ng scikit-learn sa Python, katulad ng precision, precision, recall, at F1 score.Narito ang mga halimbawa:
Ang recall (o sensitivity) ay sumusukat sa kakayahan ng modelo na tumpak na uriin ang LS ng mag-aaral pagkatapos sagutin ang m-ILS questionnaire.
Ang pagiging tiyak ay tinatawag na isang tunay na negatibong rate.Gaya ng nakikita mo mula sa formula sa itaas, ito dapat ang ratio ng mga totoong negatibo (TN) sa mga totoong negatibo at maling positibo (FP).Bilang bahagi ng inirerekomendang tool para sa pag-uuri ng mga gamot ng mag-aaral, dapat itong may kakayahang tumpak na pagkilala.
Ang orihinal na dataset ng 50 mag-aaral na ginamit upang sanayin ang modelo ng decision tree ML ay nagpakita ng medyo mababang katumpakan dahil sa pagkakamali ng tao sa mga anotasyon (Talahanayan 3).Pagkatapos gumawa ng isang simpleng programang nakabatay sa panuntunan upang awtomatikong kalkulahin ang mga marka ng LS at mga anotasyon ng mag-aaral, dumaraming bilang ng mga dataset (255) ang ginamit upang sanayin at subukan ang sistema ng nagrerekomenda.
Sa multiclass confusion matrix, ang mga elemento ng dayagonal ay kumakatawan sa bilang ng mga tamang hula para sa bawat uri ng LS (Larawan 4).Gamit ang modelo ng decision tree, isang kabuuang 64 na sample ang wastong hinulaang.Kaya, sa pag-aaral na ito, ang mga elemento ng dayagonal ay nagpapakita ng mga inaasahang resulta, na nagpapahiwatig na ang modelo ay gumaganap nang maayos at tumpak na hinuhulaan ang label ng klase para sa bawat pag-uuri ng LS.Kaya, ang pangkalahatang katumpakan ng tool sa rekomendasyon ay 100%.
Ang mga value ng accuracy, precision, recall, at F1 score ay ipinapakita sa Figure 5. Para sa recommendation system na gumagamit ng decision tree model, ang F1 score nito ay 1.0 “perfect,” na nagpapahiwatig ng perfect precision at recall, na nagpapakita ng makabuluhang sensitivity at specificity. mga halaga.
Ang Figure 6 ay nagpapakita ng visualization ng decision tree model pagkatapos makumpleto ang pagsasanay at pagsubok.Sa isang tabi-tabi na paghahambing, ang modelo ng decision tree na sinanay na may mas kaunting feature ay nagpakita ng mas mataas na katumpakan at mas madaling visualization ng modelo.Ipinapakita nito na ang feature engineering na humahantong sa feature reduction ay isang mahalagang hakbang sa pagpapabuti ng performance ng modelo.
Sa pamamagitan ng paglalapat ng decision tree na pinangangasiwaang pag-aaral, ang pagmamapa sa pagitan ng LS (input) at IS (target na output) ay awtomatikong nabuo at naglalaman ng detalyadong impormasyon para sa bawat LS.
Ang mga resulta ay nagpakita na 34.9% ng 255 mga mag-aaral ay ginusto ang isang (1) opsyon sa LS.Ang karamihan (54.3%) ay may dalawa o higit pang mga kagustuhan sa LS.Napansin ng 12.2% ng mga mag-aaral na medyo balanse ang LS (Talahanayan 4).Bilang karagdagan sa walong pangunahing LS, mayroong 34 na kumbinasyon ng mga klasipikasyon ng LS para sa mga estudyante ng dental ng Unibersidad ng Malaya.Kabilang sa mga ito, ang perception, vision, at ang kumbinasyon ng perception at vision ay ang pangunahing LS na iniulat ng mga mag-aaral (Figure 7).
Tulad ng makikita mula sa Talahanayan 4, ang karamihan ng mga mag-aaral ay may nangingibabaw na pandama (13.7%) o visual (8.6%) LS.Naiulat na 12.2% ng mga mag-aaral ang pinagsama ang persepsyon sa paningin (perceptual-visual LS).Iminumungkahi ng mga natuklasang ito na mas gusto ng mga mag-aaral na matuto at matandaan sa pamamagitan ng mga itinatag na pamamaraan, sundin ang mga tiyak at detalyadong pamamaraan, at likas na matulungin.Kasabay nito, nasisiyahan silang matuto sa pamamagitan ng pagtingin (gamit ang mga diagram, atbp.) at may posibilidad na talakayin at ilapat ang impormasyon sa mga grupo o sa kanilang sarili.
Nagbibigay ang pag-aaral na ito ng pangkalahatang-ideya ng mga diskarte sa machine learning na ginagamit sa data mining, na may pagtuon sa agad at tumpak na paghula sa LS ng mga mag-aaral at pagrerekomenda ng angkop na IS.Ang paglalapat ng modelo ng decision tree ay natukoy ang mga salik na may malapit na kaugnayan sa kanilang buhay at mga karanasang pang-edukasyon.Ito ay isang pinangangasiwaang machine learning algorithm na gumagamit ng tree structure upang uriin ang data sa pamamagitan ng paghahati ng isang set ng data sa mga subcategory batay sa ilang partikular na pamantayan.Gumagana ito sa pamamagitan ng recursively paghahati ng input data sa mga subset batay sa halaga ng isa sa mga feature ng input ng bawat panloob na node hanggang sa makagawa ng desisyon sa leaf node.
Ang mga panloob na node ng puno ng desisyon ay kumakatawan sa solusyon batay sa mga katangian ng pag-input ng problema sa m-ILS, at ang mga node ng dahon ay kumakatawan sa panghuling hula sa pag-uuri ng LS.Sa buong pag-aaral, madaling maunawaan ang hierarchy ng mga puno ng desisyon na nagpapaliwanag at nagsasalarawan sa proseso ng pagpapasya sa pamamagitan ng pagtingin sa kaugnayan sa pagitan ng mga feature ng input at mga hula sa output.
Sa larangan ng computer science at engineering, malawakang ginagamit ang mga machine learning algorithm upang mahulaan ang performance ng mag-aaral batay sa kanilang mga marka ng entrance exam [21], demograpikong impormasyon, at pag-uugali sa pag-aaral [22].Ipinakita ng pananaliksik na tumpak na hinulaan ng algorithm ang pagganap ng mag-aaral at nakatulong sa kanila na matukoy ang mga mag-aaral na nasa panganib para sa mga kahirapan sa akademiko.
Ang aplikasyon ng mga ML algorithm sa pagbuo ng mga virtual na simulator ng pasyente para sa pagsasanay sa ngipin ay iniulat.Ang simulator ay may kakayahang tumpak na kopyahin ang mga pisyolohikal na tugon ng mga tunay na pasyente at maaaring magamit upang sanayin ang mga mag-aaral sa ngipin sa isang ligtas at kontroladong kapaligiran [23].Ipinapakita ng ilang iba pang pag-aaral na ang mga algorithm sa pag-aaral ng machine ay maaaring potensyal na mapabuti ang kalidad at kahusayan ng dental at medikal na edukasyon at pangangalaga sa pasyente.Ang mga algorithm sa pag-aaral ng makina ay ginamit upang tumulong sa pagsusuri ng mga sakit sa ngipin batay sa mga set ng data tulad ng mga sintomas at katangian ng pasyente [24, 25].Habang ginalugad ng iba pang mga pag-aaral ang paggamit ng mga algorithm sa pag-aaral ng makina upang magsagawa ng mga gawain tulad ng paghula sa mga resulta ng pasyente, pagkilala sa mga pasyenteng may mataas na panganib, pagbuo ng mga personalized na plano sa paggamot [26], paggamot sa periodontal [27], at paggamot sa karies [25].
Kahit na ang mga ulat sa aplikasyon ng machine learning sa dentistry ay nai-publish, ang aplikasyon nito sa dental education ay nananatiling limitado.Samakatuwid, ang pag-aaral na ito ay naglalayong gumamit ng isang modelo ng decision tree upang matukoy ang mga salik na pinaka malapit na nauugnay sa LS at IS sa mga mag-aaral ng ngipin.
Ang mga resulta ng pag-aaral na ito ay nagpapakita na ang binuo na tool sa rekomendasyon ay may mataas na katumpakan at perpektong katumpakan, na nagpapahiwatig na ang mga guro ay maaaring makinabang mula sa tool na ito.Gamit ang proseso ng pag-uuri na batay sa data, maaari itong magbigay ng mga personalized na rekomendasyon at pahusayin ang mga karanasan at resulta ng edukasyon para sa mga tagapagturo at mag-aaral.Kabilang sa mga ito, ang impormasyong nakuha sa pamamagitan ng mga tool sa rekomendasyon ay maaaring malutas ang mga salungatan sa pagitan ng mga ginustong pamamaraan ng pagtuturo ng mga guro at mga pangangailangan sa pag-aaral ng mga mag-aaral.Halimbawa, dahil sa automated na output ng mga tool sa rekomendasyon, ang oras na kinakailangan upang matukoy ang IP ng isang mag-aaral at itugma ito sa kaukulang IP ay makabuluhang mababawasan.Sa ganitong paraan, maaaring ayusin ang angkop na mga aktibidad sa pagsasanay at mga materyales sa pagsasanay.Nakakatulong ito sa pagbuo ng positibong pag-uugali sa pagkatuto at kakayahang mag-concentrate ng mga mag-aaral.Isang pag-aaral ang nag-ulat na ang pagbibigay sa mga mag-aaral ng mga materyales sa pag-aaral at mga aktibidad sa pagkatuto na tumutugma sa kanilang ginustong LS ay maaaring makatulong sa mga mag-aaral na pagsamahin, iproseso, at tangkilikin ang pag-aaral sa maraming paraan upang makamit ang mas malaking potensyal [12].Ipinapakita rin ng pananaliksik na bilang karagdagan sa pagpapabuti ng partisipasyon ng mag-aaral sa silid-aralan, ang pag-unawa sa proseso ng pagkatuto ng mga mag-aaral ay gumaganap din ng isang kritikal na papel sa pagpapabuti ng mga kasanayan sa pagtuturo at komunikasyon sa mga mag-aaral [28, 29].
Gayunpaman, tulad ng anumang modernong teknolohiya, may mga problema at limitasyon.Kabilang dito ang mga isyung nauugnay sa privacy ng data, bias at pagiging patas, at ang mga propesyonal na kasanayan at mapagkukunan na kailangan para bumuo at magpatupad ng mga algorithm ng machine learning sa dental education;Gayunpaman, ang lumalaking interes at pananaliksik sa lugar na ito ay nagmumungkahi na ang mga teknolohiya ng machine learning ay maaaring magkaroon ng positibong epekto sa edukasyon sa ngipin at mga serbisyo sa ngipin.
Ang mga resulta ng pag-aaral na ito ay nagpapahiwatig na ang kalahati ng mga mag-aaral sa ngipin ay may posibilidad na "malalaman" ang mga gamot.Ang ganitong uri ng mag-aaral ay may kagustuhan para sa mga katotohanan at konkretong halimbawa, praktikal na oryentasyon, pasensya para sa detalye, at "visual" na kagustuhan sa LS, kung saan mas gusto ng mga mag-aaral na gumamit ng mga larawan, graphic, kulay, at mapa upang ihatid ang mga ideya at kaisipan.Ang kasalukuyang mga resulta ay pare-pareho sa iba pang mga pag-aaral gamit ang ILS upang masuri ang LS sa mga mag-aaral sa ngipin at medikal, na karamihan sa kanila ay may mga katangian ng perceptual at visual na LS [12, 30].Iminumungkahi ni Dalmolin et al na ang pagpapaalam sa mga mag-aaral tungkol sa kanilang LS ay nagpapahintulot sa kanila na maabot ang kanilang potensyal sa pag-aaral.Naninindigan ang mga mananaliksik na kapag lubos na nauunawaan ng mga guro ang proseso ng edukasyon ng mga mag-aaral, maaaring ipatupad ang iba't ibang pamamaraan at aktibidad sa pagtuturo na magpapahusay sa pagganap at karanasan sa pagkatuto ng mga mag-aaral [12, 31, 32].Ipinakita ng iba pang mga pag-aaral na ang pagsasaayos ng LS ng mga mag-aaral ay nagpapakita rin ng mga pagpapabuti sa karanasan sa pag-aaral at pagganap ng mga mag-aaral pagkatapos baguhin ang kanilang mga istilo ng pag-aaral upang umangkop sa kanilang sariling LS [13, 33].
Maaaring mag-iba ang opinyon ng mga guro tungkol sa pagpapatupad ng mga estratehiya sa pagtuturo batay sa mga kakayahan sa pagkatuto ng mga mag-aaral.Bagama't nakikita ng ilan ang mga benepisyo ng diskarteng ito, kabilang ang mga pagkakataon sa pag-unlad ng propesyon, mentorship, at suporta sa komunidad, ang iba ay maaaring nag-aalala tungkol sa oras at suporta sa institusyon.Ang pagsusumikap para sa balanse ay susi sa paglikha ng saloobing nakasentro sa mag-aaral.Ang mga awtoridad sa mas mataas na edukasyon, tulad ng mga administrador ng unibersidad, ay maaaring gumanap ng isang mahalagang papel sa paghimok ng positibong pagbabago sa pamamagitan ng pagpapakilala ng mga makabagong kasanayan at pagsuporta sa pag-unlad ng mga guro [34].Upang lumikha ng isang tunay na dinamiko at tumutugon na sistema ng mas mataas na edukasyon, ang mga gumagawa ng patakaran ay dapat gumawa ng mga matapang na hakbang, tulad ng paggawa ng mga pagbabago sa patakaran, paglalaan ng mga mapagkukunan sa pagsasama ng teknolohiya, at paglikha ng mga balangkas na nagsusulong ng mga diskarte na nakasentro sa mag-aaral.Ang mga hakbang na ito ay kritikal sa pagkamit ng ninanais na mga resulta.Ang kamakailang pananaliksik sa differentiated na pagtuturo ay malinaw na nagpakita na ang matagumpay na pagpapatupad ng differentiated pagtuturo ay nangangailangan ng patuloy na pagsasanay at mga pagkakataon sa pag-unlad para sa mga guro [35].
Ang tool na ito ay nagbibigay ng mahalagang suporta sa mga dental educator na gustong gumamit ng student-centered approach sa pagpaplano ng student-friendly learning activities.Gayunpaman, ang pag-aaral na ito ay limitado sa paggamit ng mga modelo ng decision tree ML.Sa hinaharap, mas maraming data ang dapat mangolekta upang ihambing ang pagganap ng iba't ibang modelo ng machine learning upang maihambing ang katumpakan, pagiging maaasahan, at katumpakan ng mga tool sa pagrerekomenda.Bukod pa rito, kapag pumipili ng pinakaangkop na paraan ng pag-aaral ng makina para sa isang partikular na gawain, mahalagang isaalang-alang ang iba pang mga salik gaya ng pagiging kumplikado at interpretasyon ng modelo.
Ang isang limitasyon ng pag-aaral na ito ay nakatuon lamang ito sa pagmamapa ng LS at IS sa mga mag-aaral ng ngipin.Samakatuwid, ang binuo na sistema ng rekomendasyon ay magrerekomenda lamang ng mga angkop para sa mga mag-aaral ng ngipin.Ang mga pagbabago ay kinakailangan para sa pangkalahatang paggamit ng mag-aaral sa mas mataas na edukasyon.
Ang bagong binuo na tool sa rekomendasyon na nakabatay sa machine learning ay may kakayahang agad na i-classify at itugma ang LS ng mga mag-aaral sa kaukulang IS, na ginagawa itong unang dental education program upang tulungan ang mga dental educator na magplano ng mga nauugnay na aktibidad sa pagtuturo at pag-aaral.Gamit ang proseso ng triage na batay sa data, maaari itong magbigay ng mga personalized na rekomendasyon, makatipid ng oras, mapabuti ang mga diskarte sa pagtuturo, suportahan ang mga naka-target na interbensyon, at i-promote ang patuloy na pag-unlad ng propesyonal.Ang aplikasyon nito ay magsusulong ng mga diskarte na nakasentro sa mag-aaral sa edukasyon sa ngipin.
Gilak Jani Associated Press.Pagtugma o hindi pagkakatugma sa pagitan ng istilo ng pagkatuto ng mag-aaral at istilo ng pagtuturo ng guro.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Oras ng post: Abr-29-2024