Mayroong isang lumalagong pangangailangan para sa pag-aaral na nakatuon sa mag-aaral (SCL) sa mga institusyong pang-edukasyon, kabilang ang dentistry. Gayunpaman, ang SCL ay may limitadong aplikasyon sa edukasyon sa ngipin. Samakatuwid, ang pag -aaral na ito ay naglalayong itaguyod ang aplikasyon ng SCL sa dentistry sa pamamagitan ng paggamit ng teknolohiyang Learning Tree Machine Learning (ML) upang mai -map ang ginustong istilo ng pag -aaral (LS) at kaukulang mga diskarte sa pagkatuto (IS) ng mga mag -aaral ng ngipin bilang isang kapaki -pakinabang na tool para sa pagbuo ay mga alituntunin . Mga pamamaraan ng pangako para sa mga mag -aaral ng ngipin.
Isang kabuuan ng 255 mga mag-aaral ng ngipin mula sa University of Malaya ang nakumpleto ang binagong index ng mga estilo ng pag-aaral (M-ILS) na talatanungan, na naglalaman ng 44 na item upang maiuri ang mga ito sa kani-kanilang LSS. Ang nakolekta na data (tinatawag na isang dataset) ay ginagamit sa pinangangasiwaan na pag -aaral ng puno ng desisyon upang awtomatikong tumugma sa mga estilo ng pag -aaral ng mga mag -aaral sa pinaka -angkop. Ang katumpakan ng batay sa pag-aaral na batay sa machine ay ang tool ng rekomendasyon ay pagkatapos ay nasuri.
Ang aplikasyon ng mga modelo ng puno ng desisyon sa isang awtomatikong proseso ng pagmamapa sa pagitan ng LS (input) at (target output) ay nagbibigay -daan para sa isang agarang listahan ng naaangkop na mga diskarte sa pagkatuto para sa bawat mag -aaral ng ngipin. Ang tool ng Rekomendasyon ay nagpakita ng perpektong kawastuhan at pag -alaala ng pangkalahatang katumpakan ng modelo, na nagpapahiwatig na ang pagtutugma ng LS To ay may mahusay na pagiging sensitibo at pagiging tiyak.
Ang isang tool ng rekomendasyon batay sa isang puno ng desisyon ng ML ay napatunayan ang kakayahang tumpak na tumugma sa mga estilo ng pag -aaral ng mga mag -aaral ng ngipin na may naaangkop na mga diskarte sa pagkatuto. Ang tool na ito ay nagbibigay ng malakas na mga pagpipilian para sa pagpaplano ng mga kurso na nakasentro sa mga mag-aaral o mga module na maaaring mapahusay ang karanasan sa pag-aaral ng mga mag-aaral.
Ang pagtuturo at pag -aaral ay mga pangunahing aktibidad sa mga institusyong pang -edukasyon. Kapag bumubuo ng isang de-kalidad na sistema ng edukasyon sa bokasyonal, mahalaga na tumuon sa mga pangangailangan ng pag-aaral 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. Ipinapahiwatig ng pananaliksik na ang mga mismatches na inilaan ng guro sa pagitan ng LS ng mga mag-aaral at ay maaaring magkaroon ng negatibong mga kahihinatnan para sa pag-aaral ng mag-aaral, tulad ng nabawasan na pansin at pagganyak. Ito ay hindi tuwirang makakaapekto sa pagganap ng mag -aaral [1,2].
Ay isang pamamaraan na ginagamit ng mga guro upang magbigay ng kaalaman at kasanayan sa mga mag -aaral, kabilang ang pagtulong sa mga mag -aaral na malaman ang [3]. Sa pangkalahatan, ang mabubuting guro ay nagpaplano ng mga diskarte sa pagtuturo o pinakamahusay na tumutugma sa antas ng kaalaman ng kanilang mga mag -aaral, ang mga konsepto na kanilang natututo, at ang kanilang yugto ng pag -aaral. Sa teoryang, kapag ang LS at ay tugma, ang mga mag -aaral ay magagawang ayusin at gumamit ng isang tiyak na hanay ng mga kasanayan upang matuto nang epektibo. Karaniwan, ang isang plano sa aralin ay nagsasama ng maraming mga paglilipat sa pagitan ng mga yugto, tulad ng mula sa pagtuturo hanggang sa gabay na kasanayan o mula sa gabay na kasanayan hanggang sa malayang kasanayan. Sa pag -iisip nito, ang mga epektibong guro ay madalas na nagpaplano ng pagtuturo na may layunin na maitayo ang kaalaman at kasanayan ng mga mag -aaral [4].
Ang demand para sa SCL ay lumalaki sa mga institusyong mas mataas na edukasyon, kabilang ang dentistry. Ang mga diskarte sa SCL ay idinisenyo upang matugunan ang mga pangangailangan ng 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. Sinasabing ang pagbibigay ng mga materyales sa pag -aaral at mga aktibidad na naaangkop sa antas ng edukasyon o kagustuhan ng mga mag -aaral ay maaaring mapabuti ang kapaligiran ng pag -aaral ng mga mag -aaral at itaguyod ang mga positibong karanasan sa pagkatuto [5].
Sa pangkalahatan, ang proseso ng pag -aaral ng mga mag -aaral ng ngipin ay naiimpluwensyahan ng iba't ibang mga klinikal na pamamaraan na kinakailangan upang maisagawa at ang klinikal na kapaligiran kung saan nagkakaroon sila ng mabisang kasanayan sa interpersonal. Ang layunin ng pagsasanay ay upang paganahin ang mga mag -aaral na pagsamahin ang pangunahing kaalaman sa dentistry na may mga kasanayan sa klinikal na ngipin at ilapat ang nakuha na kaalaman sa mga bagong klinikal na sitwasyon [6, 7]. Ang maagang pananaliksik sa ugnayan sa pagitan ng LS at natagpuan na ang pag -aayos ng mga diskarte sa pag -aaral na na -mapa sa ginustong LS ay makakatulong na mapabuti ang proseso ng edukasyon [8]. Inirerekomenda din ng mga may -akda ang paggamit ng iba't ibang mga pamamaraan ng pagtuturo at pagtatasa upang umangkop sa pag -aaral at pangangailangan ng mga mag -aaral.
Ang mga guro ay nakikinabang mula sa paglalapat ng kaalaman sa LS upang matulungan silang magdisenyo, bumuo, at magpatupad ng pagtuturo na mapapahusay ang pagkuha ng mga mag -aaral ng mas malalim na kaalaman at pag -unawa sa paksa. Ang mga mananaliksik ay nakabuo ng maraming mga tool sa pagtatasa ng LS, tulad ng modelo ng pag-aaral ng Kolb Experiential, ang Felder-Silverman Learning Style Model (FSLSM), at ang Fleming Vak/Vark Model [5, 9, 10]. Ayon sa panitikan, ang mga modelong pag -aaral na ito ay ang pinaka -karaniwang ginagamit at pinaka -pinag -aralan na mga modelo ng pag -aaral. Sa kasalukuyang gawaing pananaliksik, ang FSLSM ay ginagamit upang masuri ang LS sa mga mag -aaral ng ngipin.
Ang FSLSM ay isang malawak na ginagamit na modelo para sa pagsusuri ng adaptive na pag -aaral sa engineering. Maraming nai -publish na mga gawa sa mga agham sa kalusugan (kabilang ang gamot, pag -aalaga, parmasya at dentista) na maaaring matagpuan gamit ang mga modelo ng FSLSM [5, 11, 12, 13]. Ang instrumento na ginamit upang masukat ang mga sukat ng LS sa FLSM ay tinatawag na index ng mga estilo ng pag -aaral (IL) [8], na naglalaman ng 44 na mga item na tinatasa ang apat na sukat ng LS: pagproseso (aktibo/mapanimdim), pang -unawa (perceptual/intuitive), input (visual). /pandiwang) at pag -unawa (sunud -sunod/pandaigdigan) [14].
Tulad ng ipinapakita sa Figure 1, ang bawat sukat ng FSLSM ay may nangingibabaw na kagustuhan. Halimbawa, sa sukat ng pagproseso, mas gusto ng mga mag -aaral na may "aktibo" na ls na iproseso ang impormasyon sa pamamagitan ng direktang pakikipag -ugnay sa mga materyales sa pag -aaral, alamin sa pamamagitan ng paggawa, at may posibilidad na matuto sa mga grupo. Ang "mapanimdim" LS ay tumutukoy sa pag -aaral sa pamamagitan ng pag -iisip at mas pinipili na magtrabaho nang mag -isa. Ang "nakikita" na sukat ng LS ay maaaring nahahati sa "pakiramdam" at/o "intuwisyon." Mas gusto ng mga mag-aaral ng "pakiramdam" ang mas maraming kongkretong impormasyon at praktikal na pamamaraan, ay nakatuon sa katotohanan kumpara sa mga "intuitive" na mag-aaral na mas gusto ang abstract na materyal at mas makabagong at malikhain sa kalikasan. Ang "input" na sukat ng LS ay binubuo ng mga "visual" at "pandiwang" mga nag -aaral. Mas gusto ng mga taong may "visual" ls na malaman sa pamamagitan ng mga visual na demonstrasyon (tulad ng mga diagram, video, o live na demonstrasyon), samantalang ang mga taong may "pandiwang" ls ay mas gusto na malaman sa pamamagitan ng mga salita sa nakasulat o oral na mga paliwanag. Upang "maunawaan" ang mga sukat ng LS, ang mga naturang nag -aaral ay maaaring nahahati sa "sunud -sunod" at "pandaigdigan". "Mas gusto ng mga nag -aaral ng sunud -sunod ang isang linear na proseso ng pag -iisip at matuto nang hakbang -hakbang, habang ang mga pandaigdigang 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 natutunan.
Kamakailan lamang, maraming mga mananaliksik ang nagsimulang mag-explore ng mga pamamaraan para sa awtomatikong pagtuklas ng data na hinihimok ng data, kabilang ang pag-unlad ng mga bagong algorithm at mga modelo na may kakayahang bigyang-kahulugan ang malaking halaga ng data [15, 16]. Batay sa ibinigay na data, ang pinangangasiwaan na ML (pag -aaral ng makina) ay maaaring makabuo ng mga pattern at hypotheses na hinuhulaan ang mga resulta sa hinaharap batay sa pagtatayo ng mga algorithm [17]. Maglagay lamang, pinangangasiwaan ang mga diskarte sa pag -aaral ng makina na manipulahin ang data ng pag -input at mga algorithm ng tren. Pagkatapos ay bumubuo ito ng isang saklaw na nag -uuri o hinuhulaan ang kinalabasan batay sa mga katulad na sitwasyon para sa ibinigay na data ng pag -input. Ang pangunahing bentahe ng mga pinangangasiwaan na algorithm ng pag -aaral ng makina ay ang kakayahang magtatag ng perpekto at nais na mga resulta [17].
Sa pamamagitan ng paggamit ng mga pamamaraan na hinihimok ng data at mga modelo ng control ng puno ng desisyon, posible ang awtomatikong pagtuklas ng LS. Ang mga puno ng pagpapasya 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 makilala ang LS ng mga mag -aaral at inirerekumenda ang pinakamahusay na para sa kanila.
Ang layunin ng pag -aaral na ito ay upang mabuo ay ang mga diskarte sa paghahatid batay sa mga mag -aaral at ilapat ang diskarte sa SCL sa pamamagitan ng pagbuo ng isang tool ng Rekomendasyon na na -mapa sa LS. Ang daloy ng disenyo ng tool ng IS Rekomendasyon bilang isang diskarte ng pamamaraan ng SCL ay ipinapakita sa Figure 1. Ang tool ng IS Rekomendasyon ay nahahati sa dalawang bahagi, kabilang ang mekanismo ng pag -uuri ng LS gamit ang mga IL at ang pinaka -angkop ay ipinapakita para sa mga mag -aaral.
Sa partikular, ang mga katangian ng mga tool sa rekomendasyon ng seguridad ng impormasyon ay kasama ang paggamit ng mga teknolohiya sa web at ang paggamit ng pag -aaral ng makina ng desisyon. Ang mga developer ng system ay nagpapabuti sa karanasan ng gumagamit at kadaliang kumilos sa pamamagitan ng pag -adapt sa kanila sa mga mobile device tulad ng mga mobile phone at tablet.
Ang eksperimento ay isinasagawa sa dalawang yugto at ang mga mag -aaral mula sa Faculty of Dentistry sa University of Malaya ay lumahok sa isang kusang -loob na batayan. Ang mga kalahok ay tumugon sa mga online na M-IL ng mag-aaral ng dental sa Ingles. Sa paunang yugto, isang dataset ng 50 mga mag -aaral ang ginamit upang sanayin ang algorithm ng pag -aaral ng makina ng pag -aaral ng puno ng desisyon. Sa pangalawang yugto ng proseso ng pag -unlad, isang dataset ng 255 mga mag -aaral ang ginamit upang mapagbuti ang kawastuhan ng binuo na instrumento.
Ang lahat ng mga kalahok ay tumatanggap ng isang online briefing sa simula ng bawat yugto, depende sa taong pang -akademikong, sa pamamagitan ng mga koponan ng Microsoft. Ang layunin ng pag -aaral ay ipinaliwanag at alam na pahintulot ay nakuha. Ang lahat ng mga kalahok ay binigyan ng isang link upang ma-access ang mga M-IL. Ang bawat mag -aaral ay inutusan na sagutin ang lahat ng 44 na item sa talatanungan. Binigyan sila ng isang linggo upang makumpleto ang binagong mga IL sa isang oras at lokasyon na maginhawa sa kanila sa semester break bago magsimula ang semestre. Ang M-ILS ay batay sa orihinal na instrumento ng ILS at binago para sa mga mag-aaral ng ngipin. Katulad sa mga orihinal na IL, naglalaman ito ng 44 pantay na ipinamamahagi na mga item (a, b), na may 11 mga item bawat isa, na ginagamit upang masuri ang mga aspeto ng bawat sukat ng FSLSM.
Sa panahon ng mga unang yugto ng pag -unlad ng tool, manu -manong na -annotate ng mga mananaliksik ang mga mapa gamit ang isang dataset ng 50 mga mag -aaral ng ngipin. Ayon sa FSLM, ang system ay nagbibigay ng kabuuan ng mga sagot na "A" at "B". Para sa bawat sukat, kung pipiliin ng mag -aaral ang "A" bilang isang sagot, ang LS ay inuri bilang aktibo/perceptual/visual/sunud -sunod, at kung pipiliin ng mag -aaral ang "B" bilang isang sagot, ang mag -aaral ay inuri bilang mapanimdim/intuitive/lingguwistika . / Global Learner.
Matapos i -calibrate ang daloy ng trabaho sa pagitan ng mga mananaliksik ng edukasyon sa ngipin at mga developer ng system, napili ang mga katanungan batay sa domain ng FLSSM at pinapakain sa modelo ng ML upang mahulaan ang LS ng bawat mag -aaral. Ang "Basura In, Basura Out" ay isang tanyag na kasabihan sa larangan ng pag -aaral ng makina, na may diin sa kalidad ng data. Ang kalidad ng data ng pag -input ay tumutukoy sa katumpakan at kawastuhan ng modelo ng pag -aaral ng makina. Sa panahon ng tampok na yugto ng engineering, ang isang bagong set ng tampok ay nilikha na kung saan ay ang kabuuan ng mga sagot na "A" at "B" batay sa FLSSM. Ang mga bilang ng mga posisyon ng gamot ay ibinibigay sa Talahanayan 1.
Kalkulahin ang marka batay sa mga sagot at matukoy ang LS ng mag -aaral. Para sa bawat mag -aaral, ang saklaw ng marka ay mula 1 hanggang 11. Ang mga marka mula 1 hanggang 3 ay nagpapahiwatig ng isang balanse ng mga kagustuhan sa pag -aaral sa loob ng parehong sukat, at ang mga marka mula 5 hanggang 7 . Ang isa pang pagkakaiba -iba sa parehong sukat ay ang mga marka mula 9 hanggang 11 ay sumasalamin sa isang malakas na kagustuhan para sa isang dulo o sa iba pang [8].
Para sa bawat sukat, ang mga gamot ay pinagsama sa "aktibo", "mapanimdim" at "balanseng". Halimbawa, kapag ang isang mag -aaral ay sumasagot sa "a" mas madalas kaysa sa "B" sa isang itinalagang item at ang kanyang marka ay lumampas sa threshold ng 5 para sa isang partikular na item na kumakatawan sa pagproseso ng sukat ng LS, siya ay kabilang sa "aktibo" LS domain . Gayunpaman, ang mga mag -aaral ay inuri bilang "mapanimdim" ls kapag pinili nila ang "B" higit sa "A" sa mga tiyak na 11 mga katanungan (Talahanayan 1) at nakapuntos ng higit sa 5 puntos. Sa wakas, ang mag -aaral ay nasa isang estado ng "balanse." Kung ang puntos ay hindi lalampas sa 5 puntos, kung gayon ito ay isang "proseso" LS. Ang proseso ng pag -uuri ay paulit -ulit para sa iba pang mga sukat ng LS, lalo na ang pang -unawa (aktibo/mapanimdim), input (visual/verbal), at pag -unawa (sunud -sunod/pandaigdigan).
Ang mga modelo ng puno ng desisyon ay maaaring gumamit ng iba't ibang mga subset ng mga tampok at mga patakaran sa pagpapasya sa iba't ibang yugto ng proseso ng pag -uuri. Ito ay itinuturing na isang tanyag na tool sa pag -uuri at hula. Maaari itong kinakatawan gamit ang isang istraktura ng puno tulad ng isang flowchart [20], kung saan mayroong mga panloob na node na kumakatawan sa mga pagsubok sa pamamagitan ng katangian, bawat sangay na kumakatawan sa mga resulta ng pagsubok, at bawat dahon node (leaf node) na naglalaman ng isang label ng klase.
Ang isang simpleng programa na batay sa panuntunan ay nilikha upang awtomatikong puntos at i-annotate ang LS ng bawat mag-aaral batay sa kanilang mga tugon. Ang batay sa panuntunan ay tumatagal ng anyo ng isang IF na pahayag, kung saan inilalarawan ng "kung" ang trigger at "pagkatapos" ay tinukoy ang pagkilos na isasagawa, halimbawa: "Kung mangyayari ang x, pagkatapos ay gawin mo" (Liu et al., 2014). Kung ang data set ay nagpapakita ng ugnayan at ang modelo ng puno ng desisyon ay maayos na sinanay at nasuri, ang pamamaraang ito ay maaaring maging isang epektibong paraan upang awtomatiko ang proseso ng pagtutugma ng LS at ito ay.
Sa pangalawang yugto ng pag -unlad, ang dataset ay nadagdagan sa 255 upang mapabuti ang kawastuhan ng tool ng rekomendasyon. Ang set ng data ay nahati sa isang 1: 4 na ratio. 25% (64) ng set ng data ay ginamit para sa set ng pagsubok, at ang natitirang 75% (191) ay ginamit bilang set ng pagsasanay (Larawan 2). Ang set ng data ay kailangang hatiin upang maiwasan ang modelo mula sa pagsasanay at masuri sa parehong set ng data, na maaaring maging sanhi ng tandaan ang modelo sa halip na matuto. Ang modelo ay sinanay sa set ng pagsasanay at sinusuri ang pagganap nito sa set ng pagsubok - hindi pa ang modelo ay hindi pa nakikita.
Kapag nabuo ang tool ng IS, ang application ay magagawang pag -uri -uriin ang LS batay sa mga tugon ng mga mag -aaral ng ngipin sa pamamagitan ng isang web interface. Ang sistema ng rekomendasyon ng seguridad na batay sa web ay binuo gamit ang wika ng programming ng Python gamit ang Django Framework bilang backend. Inilista ng talahanayan 2 ang mga aklatan na ginamit sa pagbuo ng sistemang ito.
Ang dataset ay pinakain sa isang modelo ng puno ng desisyon upang makalkula at kunin ang mga tugon ng mag -aaral upang awtomatikong pag -uri -uriin ang mga sukat ng mag -aaral na LS.
Ang pagkalito ng matrix ay ginagamit upang suriin ang kawastuhan ng isang algorithm ng pag -aaral ng puno ng desisyon sa isang naibigay na set ng data. Kasabay nito, sinusuri nito ang pagganap ng modelo ng pag -uuri. Ibinubuod 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: Tunay na Positibo (TP) - Tama na hinulaang ng modelo ang positibong kategorya, maling positibo (FP) - hinulaang ng modelo ang positibong kategorya, ngunit ang tunay na label ay negatibo, totoong negatibo (TN) - Ang modelo ay tama na hinulaang ang negatibong klase, at maling negatibo (FN) - hinuhulaan ng modelo ang isang negatibong klase, ngunit ang tunay na label ay positibo.
Ang mga halagang ito ay ginamit upang makalkula ang iba't ibang mga sukatan ng pagganap ng modelo ng pag-uuri ng scikit-learn sa Python, lalo na ang katumpakan, katumpakan, pag-alaala, at marka ng F1. Narito ang mga halimbawa:
Ang paggunita (o pagiging sensitibo) ay sumusukat sa kakayahan ng modelo na tumpak na pag-uri-uriin ang LS ng isang mag-aaral matapos na sagutin ang talatanungan ng M-ILS.
Ang pagtutukoy ay tinatawag na isang tunay na negatibong rate. Tulad ng nakikita mo mula sa formula sa itaas, dapat itong maging ratio ng True Negatives (TN) hanggang sa mga tunay na negatibo at maling positibo (FP). Bilang bahagi ng inirekumendang tool para sa pag -uuri ng mga gamot ng mag -aaral, dapat itong may kakayahang tumpak na pagkakakilanlan.
Ang orihinal na dataset ng 50 mga mag -aaral na ginamit upang sanayin ang modelo ng Tree Tree ML ay nagpakita ng medyo mababang kawastuhan dahil sa pagkakamali ng tao sa mga anotasyon (Talahanayan 3). Matapos lumikha ng isang simpleng programa na batay sa panuntunan upang awtomatikong kalkulahin ang mga marka ng LS at mga anotasyon ng mag-aaral, isang pagtaas ng bilang ng mga datasets (255) ay ginamit upang sanayin at subukan ang sistema ng rekomendasyon.
Sa multiclass pagkalito 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 puno ng desisyon, isang kabuuan ng 64 na mga halimbawa ang wastong hinulaang. Kaya, sa pag -aaral na ito, ang mga elemento ng dayagonal ay nagpapakita ng inaasahang mga 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 ng rekomendasyon ay 100%.
Ang mga halaga ng katumpakan, katumpakan, paggunita, at marka ng F1 ay ipinapakita sa Larawan 5. Para sa sistema ng rekomendasyon gamit ang modelo ng puno mga halaga.
Ang Figure 6 ay nagpapakita ng isang paggunita ng modelo ng puno ng desisyon pagkatapos makumpleto ang pagsasanay at pagsubok. Sa isang paghahambing sa tabi-tabi, ang modelo ng puno ng desisyon na sinanay na may mas kaunting mga tampok ay nagpakita ng mas mataas na kawastuhan at mas madaling pag-visualize ng modelo. Ipinapakita nito na ang tampok na engineering na humahantong sa pagbawas ng tampok ay isang mahalagang hakbang sa pagpapabuti ng pagganap ng modelo.
Sa pamamagitan ng paglalapat ng pag -aaral na pinangangasiwaan ng puno ng desisyon, ang pagma -map sa pagitan ng LS (input) at IS (target 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 na ginustong isa (1) pagpipilian sa LS. Ang karamihan (54.3%) ay mayroong dalawa o higit pang mga kagustuhan sa LS. 12.2% ng mga mag -aaral ay nabanggit na ang LS ay medyo balanse (Talahanayan 4). Bilang karagdagan sa walong pangunahing LS, mayroong 34 na mga kumbinasyon ng mga pag -uuri ng LS para sa mga mag -aaral ng University of Malaya Dental. Kabilang sa mga ito, ang pang -unawa, pangitain, at ang pagsasama ng pang -unawa at pangitain ang pangunahing LS na iniulat ng mga mag -aaral (Larawan 7).
Tulad ng makikita mula sa Talahanayan 4, ang karamihan ng mga mag -aaral ay may pangunahing pandama (13.7%) o visual (8.6%) LS. Naiulat na 12.2% ng mga mag-aaral ang pinagsama ang pang-unawa sa paningin (perceptual-visual LS). Ang mga natuklasang ito ay nagmumungkahi na mas gusto ng mga mag -aaral na malaman at tandaan sa pamamagitan ng mga naitatag na pamamaraan, sundin ang mga tiyak at detalyadong pamamaraan, at matulungin sa kalikasan. Kasabay nito, nasisiyahan sila sa pag -aaral 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.
Ang pag -aaral na ito ay nagbibigay ng isang pangkalahatang -ideya ng mga diskarte sa pag -aaral ng machine na ginamit sa pagmimina ng data, na may pagtuon sa agad at tumpak na hinuhulaan ang LS at inirerekomenda na angkop. Ang aplikasyon ng isang modelo ng puno ng desisyon ay nakilala ang mga kadahilanan na malapit na nauugnay sa kanilang mga karanasan sa buhay at pang -edukasyon. Ito ay isang pinangangasiwaan na algorithm ng pag -aaral ng makina na gumagamit ng isang istraktura ng puno upang maiuri ang data sa pamamagitan ng paghati sa isang hanay ng mga data sa mga subkategorya batay sa ilang pamantayan. Gumagana ito sa pamamagitan ng recursively na naghahati ng data ng pag -input sa mga subset batay sa halaga ng isa sa mga tampok ng pag -input ng bawat panloob na node hanggang sa isang desisyon ay ginawa 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 pangwakas na hula ng pag-uuri ng LS. Sa buong pag -aaral, madaling maunawaan ang hierarchy ng mga puno ng desisyon na nagpapaliwanag at mailarawan ang proseso ng pagpapasya sa pamamagitan ng pagtingin sa relasyon sa pagitan ng mga tampok ng pag -input at mga hula ng output.
Sa larangan ng science sa computer at engineering, ang mga algorithm sa pag -aaral ng machine ay malawakang ginagamit upang mahulaan ang pagganap ng mag -aaral batay sa kanilang mga marka ng pagsusulit sa pagpasok [21], impormasyon sa demograpiko, at pag -aaral ng pag -aaral [22]. Ipinakita ng pananaliksik na ang algorithm ay tumpak na hinulaang ang pagganap ng mag -aaral at tinulungan silang makilala ang mga mag -aaral na may panganib para sa mga paghihirap sa akademiko.
Ang application ng 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 muling pagpaparami ng mga tugon ng physiological ng mga tunay na pasyente at maaaring magamit upang sanayin ang mga mag -aaral ng ngipin sa isang ligtas at kinokontrol na kapaligiran [23]. Maraming iba pang mga pag -aaral ang nagpapakita na ang mga algorithm sa pag -aaral ng machine ay maaaring potensyal na mapabuti ang kalidad at kahusayan ng edukasyon sa ngipin at medikal at pangangalaga ng pasyente. Ang mga algorithm sa pag -aaral ng makina ay ginamit upang makatulong sa pagsusuri ng mga sakit sa ngipin batay sa mga set ng data tulad ng mga sintomas at mga katangian ng pasyente [24, 25]. Habang ang iba pang mga pag-aaral ay ginalugad ang paggamit ng mga algorithm ng pag-aaral ng machine upang maisagawa ang mga gawain tulad ng paghula ng mga resulta ng pasyente, pagkilala sa mga pasyente na may mataas na peligro, pagbuo ng mga personalized na plano sa paggamot [26], periodontal treatment [27], at paggamot ng karies [25].
Bagaman nai -publish ang mga ulat sa aplikasyon ng pag -aaral ng machine sa dentistry, ang aplikasyon nito sa edukasyon sa ngipin ay nananatiling limitado. Samakatuwid, ang pag -aaral na ito ay naglalayong gumamit ng isang modelo ng puno ng desisyon upang makilala ang mga kadahilanan na malapit na nauugnay sa LS at kabilang sa mga mag -aaral ng ngipin.
Ang mga resulta ng pag -aaral na ito ay nagpapakita na ang binuo tool ng rekomendasyon ay may mataas na kawastuhan at perpektong kawastuhan, na nagpapahiwatig na ang mga guro ay maaaring makinabang mula sa tool na ito. Gamit ang isang proseso ng pag-uuri ng data na hinihimok ng data, maaari itong magbigay ng mga isinapersonal na mga rekomendasyon at pagbutihin ang mga karanasan sa edukasyon at kinalabasan para sa mga guro 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 pagkatuto ng mga mag -aaral. Halimbawa, dahil sa awtomatikong output ng mga tool sa rekomendasyon, ang oras na kinakailangan upang makilala ang IP ng isang mag -aaral at itugma ito sa kaukulang IP ay makabuluhang mabawasan. Sa ganitong paraan, maaaring maayos ang mga angkop na aktibidad sa pagsasanay at mga materyales sa pagsasanay. Makakatulong ito sa pagbuo ng positibong pag -aaral ng pag -aaral at kakayahang mag -concentrate ng mga mag -aaral. Iniulat ng isang pag -aaral na ang pagbibigay ng mga mag -aaral ng mga materyales sa pag -aaral at mga aktibidad sa pagkatuto na tumutugma sa kanilang ginustong LS ay makakatulong sa mga mag -aaral na pagsamahin, proseso, at masiyahan sa pag -aaral sa maraming paraan upang makamit ang mas malaking potensyal [12]. Ipinapakita rin ng pananaliksik na bilang karagdagan sa pagpapabuti ng pakikilahok ng mag -aaral sa silid -aralan, ang pag -unawa sa proseso ng pag -aaral 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. Kasama dito ang mga isyu na may kaugnayan sa privacy ng data, bias at pagiging patas, at ang mga propesyonal na kasanayan at mapagkukunan na kinakailangan upang mabuo at maipatupad ang mga algorithm sa pag -aaral ng makina sa edukasyon sa ngipin; Gayunpaman, ang lumalaking interes at pananaliksik sa lugar na ito ay nagmumungkahi na ang mga teknolohiya sa pag -aaral ng makina 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 ng ngipin ay may posibilidad na "makita" ang mga gamot. Ang ganitong uri ng mag -aaral ay may kagustuhan para sa mga katotohanan at kongkretong halimbawa, isang praktikal na oryentasyon, pasensya para sa detalye, at isang "visual" ls kagustuhan, kung saan mas gusto ng mga nag -aaral na gumamit ng mga larawan, graphics, kulay, at mga mapa upang maihatid ang mga ideya at kaisipan. Ang kasalukuyang mga resulta ay naaayon sa iba pang mga pag -aaral gamit ang ILS upang masuri ang LS sa mga mag -aaral sa ngipin at medikal, na ang karamihan sa kanila ay may mga katangian ng perceptual at visual LS [12, 30]. Iminumungkahi ni Dalmolin et al na ang pag -alam sa mga mag -aaral tungkol sa kanilang LS ay nagpapahintulot sa kanila na maabot ang kanilang potensyal sa pag -aaral. Nagtatalo ang mga mananaliksik na kapag lubos na nauunawaan ng mga guro ang proseso ng edukasyon ng mga mag -aaral, ang iba't ibang mga pamamaraan at aktibidad ng pagtuturo ay maaaring maipatupad na mapapabuti ang pagganap at karanasan sa pagkatuto ng mga mag -aaral [12, 31, 32]. Ang iba pang mga pag -aaral ay nagpakita na ang pag -aayos ng mga mag -aaral ng LS 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].
Ang mga opinyon ng mga guro ay maaaring magkakaiba tungkol sa pagpapatupad ng mga diskarte sa pagtuturo batay sa mga kakayahan sa pag -aaral ng mga mag -aaral. Habang nakikita ng ilan ang mga pakinabang ng pamamaraang ito, kabilang ang mga oportunidad sa pag -unlad ng propesyonal, mentorship, at suporta sa komunidad, ang iba ay maaaring nababahala tungkol sa suporta sa oras at institusyonal. Ang pagsusumikap para sa balanse ay susi sa paglikha ng saloobin na nakasentro sa mag-aaral. Ang mga awtoridad sa mas mataas na edukasyon, tulad ng mga administrador ng unibersidad, ay maaaring maglaro ng isang mahalagang papel sa pagmamaneho ng positibong pagbabago sa pamamagitan ng pagpapakilala ng mga makabagong kasanayan at pagsuporta sa pag -unlad ng guro [34]. Upang lumikha ng isang tunay na pabago-bago at tumutugon na mas mataas na sistema ng edukasyon, ang mga tagagawa 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 nagtataguyod ng mga diskarte na nakasentro sa mag-aaral. Ang mga hakbang na ito ay kritikal sa pagkamit ng nais na mga resulta. Ang kamakailang pananaliksik sa magkakaibang pagtuturo ay malinaw na ipinakita na ang matagumpay na pagpapatupad ng magkakaibang pagtuturo ay nangangailangan ng patuloy na mga pagkakataon sa pagsasanay at pag -unlad para sa mga guro [35].
Ang tool na ito ay nagbibigay ng mahalagang suporta sa mga tagapagturo ng ngipin na nais gumawa ng isang diskarte na nakatuon sa mag-aaral sa pagpaplano ng mga aktibidad sa pagkatuto ng mag-aaral. Gayunpaman, ang pag -aaral na ito ay limitado sa paggamit ng mga modelo ng Tree Tree ML. Sa hinaharap, mas maraming data ang dapat makolekta upang ihambing ang pagganap ng iba't ibang mga modelo ng pag -aaral ng makina upang ihambing ang kawastuhan, pagiging maaasahan, at katumpakan ng mga tool sa rekomendasyon. Bilang karagdagan, kapag pumipili ng pinaka -angkop na paraan ng pag -aaral ng makina para sa isang partikular na gawain, mahalagang isaalang -alang ang iba pang mga kadahilanan tulad ng pagiging kumplikado ng modelo at interpretasyon.
Ang isang limitasyon ng pag -aaral na ito ay nakatuon lamang ito sa pagma -map sa LS at kabilang sa mga mag -aaral ng ngipin. Samakatuwid, inirerekumenda lamang ng binuo na sistema ng rekomendasyon ang mga angkop para sa mga mag -aaral ng ngipin. Ang mga pagbabago ay kinakailangan para sa pangkalahatang paggamit ng mag -aaral ng mas mataas na edukasyon.
Ang bagong binuo na tool na batay sa pag-aaral na batay sa pag-aaral ay may kakayahang agad na pag-uuri at pagtutugma ng mga mag-aaral sa LS sa kaukulang ay, ginagawa itong unang programa sa edukasyon ng ngipin upang matulungan ang mga tagapagturo ng ngipin na magplano ng mga kaugnay na aktibidad sa pagtuturo at pagkatuto. Gamit ang isang proseso ng triage na hinihimok ng data, maaari itong magbigay ng mga isinapersonal na mga rekomendasyon, makatipid ng oras, mapabuti ang mga diskarte sa pagtuturo, suportahan ang mga naka-target na interbensyon, at itaguyod ang patuloy na pag-unlad ng propesyonal. Ang application nito ay magsusulong ng mga diskarte na nakatuon sa mag-aaral sa edukasyon sa ngipin.
Gilak Jani Associated Press. Tugma o mismatch sa pagitan ng istilo ng pag -aaral 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 Mag-post: Abr-29-2024