Mayroong lumalaking pangangailangan para sa student-centered learning (SCL) sa mga institusyon ng mas mataas na edukasyon, kabilang ang dentistry. Gayunpaman, limitado ang aplikasyon ng SCL sa edukasyon sa dentistry. Samakatuwid, nilalayon ng pag-aaral na ito na isulong ang aplikasyon ng SCL sa dentistry sa pamamagitan ng paggamit ng decision tree machine learning (ML) na teknolohiya upang imapa ang ginustong istilo ng pagkatuto (LS) at mga kaukulang estratehiya sa pagkatuto (IS) ng mga mag-aaral ng dentista bilang isang kapaki-pakinabang na kasangkapan para sa pagbuo ng mga alituntunin ng IS. Mga magagandang pamamaraan para sa mga mag-aaral ng dentista.
Isang kabuuang 255 estudyante ng dentista mula sa Unibersidad ng Malaya ang nakakumpleto ng talatanungan na binagong Index of Learning Styles (m-ILS), na naglalaman ng 44 na aytem upang uriin ang mga ito sa kani-kanilang mga LS. Ang nakalap na datos (tinatawag na dataset) ay ginagamit sa supervised decision tree learning upang awtomatikong itugma ang mga istilo ng pagkatuto ng mga estudyante sa pinakaangkop na IS. Pagkatapos ay sinusuri ang katumpakan ng tool sa rekomendasyon ng IS batay sa machine learning.
Ang paglalapat ng mga modelo ng decision tree sa isang awtomatikong proseso ng pagmamapa sa pagitan ng LS (input) at IS (target output) ay nagbibigay-daan para sa isang agarang listahan ng mga naaangkop na estratehiya sa pagkatuto para sa bawat estudyante ng dentista. Ang tool sa rekomendasyon ng IS ay nagpakita ng perpektong katumpakan at pag-alala sa pangkalahatang katumpakan ng modelo, na nagpapahiwatig na ang pagtutugma ng LS sa IS ay may mahusay na sensitivity at specificity.
Napatunayan na ng isang kasangkapan sa rekomendasyon ng IS batay sa isang ML decision tree ang kakayahan nitong tumpak na itugma ang mga istilo ng pagkatuto ng mga mag-aaral ng dentista sa mga naaangkop na estratehiya sa pagkatuto. Nagbibigay ang kasangkapang ito ng mabisang mga opsyon para sa pagpaplano ng mga kurso o modyul na nakasentro sa mag-aaral na maaaring mapahusay ang karanasan sa pagkatuto ng mga mag-aaral.
Ang pagtuturo at pagkatuto ay mga pangunahing aktibidad sa mga institusyong pang-edukasyon. Kapag bumubuo ng isang mataas na kalidad na sistema ng edukasyong bokasyonal, mahalagang magtuon sa mga pangangailangan sa pagkatuto ng mga mag-aaral. Ang interaksyon sa pagitan ng mga mag-aaral at ng kanilang kapaligiran sa pagkatuto ay maaaring matukoy sa pamamagitan ng kanilang LS. Ipinapahiwatig ng pananaliksik na ang mga hindi pagkakatugma na nilayon ng guro sa pagitan ng LS at IS ng mga mag-aaral ay maaaring magkaroon ng negatibong mga kahihinatnan para sa pagkatuto ng mga mag-aaral, tulad ng nabawasang atensyon at motibasyon. Ito ay hindi direktang makakaapekto sa pagganap ng mga mag-aaral [1,2].
Ang IS ay isang pamamaraang ginagamit ng mga guro upang magbahagi ng kaalaman at kasanayan sa mga mag-aaral, kabilang ang pagtulong sa mga mag-aaral na matuto [3]. Sa pangkalahatan, ang magagaling na guro ay nagpaplano ng mga estratehiya sa pagtuturo o IS na pinakaangkop sa antas ng kaalaman ng kanilang mga mag-aaral, mga konseptong kanilang natututunan, at ang kanilang yugto ng pagkatuto. Sa teorya, kapag ang IS at IS ay magkatugma, magagawa ng mga mag-aaral na isaayos at gamitin ang isang partikular na hanay ng mga kasanayan upang matuto nang epektibo. Kadalasan, ang isang plano ng aralin ay kinabibilangan ng ilang mga transisyon sa pagitan ng mga yugto, tulad ng mula sa pagtuturo patungo sa ginabayang pagsasanay o mula sa ginabayang pagsasanay patungo sa malayang pagsasanay. Dahil dito, ang mga epektibong guro ay kadalasang nagpaplano ng pagtuturo na may layuning mapaunlad ang kaalaman at kasanayan ng mga mag-aaral [4].
Ang pangangailangan para sa SCL ay lumalaki sa mga institusyon ng mas mataas na edukasyon, kabilang ang dentistry. Ang mga estratehiya ng SCL ay idinisenyo upang matugunan ang mga pangangailangan sa pagkatuto ng mga mag-aaral. Ito ay maaaring makamit, halimbawa, kung ang mga mag-aaral ay aktibong nakikilahok sa mga aktibidad sa pagkatuto at ang mga guro ay kumikilos bilang mga tagapagpadaloy at responsable sa pagbibigay ng mahalagang feedback. Sinasabing ang pagbibigay ng mga materyales sa pagkatuto at mga aktibidad na angkop sa antas ng edukasyon o kagustuhan ng mga mag-aaral ay maaaring mapabuti ang kapaligiran sa pagkatuto ng mga mag-aaral at magsulong ng mga positibong karanasan sa pagkatuto [5].
Sa pangkalahatan, ang proseso ng pagkatuto ng mga estudyanteng dental ay naiimpluwensyahan ng iba't ibang klinikal na pamamaraan na kinakailangan nilang gawin at ang klinikal na kapaligiran kung saan sila nagkakaroon ng epektibong mga kasanayan sa pakikipagkapwa-tao. Ang layunin ng pagsasanay ay upang paganahin ang mga estudyante na pagsamahin ang pangunahing kaalaman sa dentistry sa mga klinikal na kasanayan sa dental at ilapat ang nakuhang kaalaman sa mga bagong klinikal na sitwasyon [6, 7]. Natuklasan sa maagang pananaliksik sa ugnayan sa pagitan ng LS at IS na ang pagsasaayos ng mga estratehiya sa pagkatuto na naka-map sa ginustong LS ay makakatulong na mapabuti ang proseso ng edukasyon [8]. Inirerekomenda rin ng mga may-akda ang paggamit ng iba't ibang paraan ng pagtuturo at pagtatasa upang umangkop sa pagkatuto at pangangailangan ng mga estudyante.
Nakikinabang ang mga guro sa paglalapat ng kaalaman sa LS upang matulungan silang magdisenyo, bumuo, at magpatupad ng pagtuturo na magpapahusay sa pagtatamo ng mga mag-aaral ng mas malalim na kaalaman at pag-unawa sa paksa. Nakabuo ang mga mananaliksik ng ilang kagamitan 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 mga literatura, ang mga modelong ito ng pagkatuto ang pinakakaraniwang ginagamit at pinakapinag-aaralang mga modelo ng pagkatuto. Sa kasalukuyang gawaing pananaliksik, ginagamit ang FSLSM upang masuri ang LS sa mga mag-aaral ng dentista.
Ang FSLSM ay isang malawakang ginagamit na modelo para sa pagsusuri ng adaptive learning sa engineering. Maraming nailathalang mga akda sa agham pangkalusugan (kabilang ang medisina, narsing, parmasya at dentistry) na matatagpuan gamit ang mga modelo ng FSLSM [5, 11, 12, 13]. Ang instrumentong ginagamit upang sukatin ang mga dimensyon ng LS sa FLSM ay tinatawag na Index of Learning Styles (ILS) [8], na naglalaman ng 44 na aytem na sumusuri sa apat na dimensyon ng LS: pagproseso (aktibo/mapanuri), persepsyon (persepsyonal/intuitibo), input (biswal/berbal) at pag-unawa (sunod-sunod/global) [14].
Gaya ng ipinapakita sa Figure 1, ang bawat dimensyon ng FSLSM ay may nangingibabaw na kagustuhan. Halimbawa, sa dimensyon ng pagproseso, mas gusto ng mga mag-aaral na may "aktibong" LS na iproseso ang impormasyon sa pamamagitan ng direktang pakikipag-ugnayan sa mga materyales sa pag-aaral, matuto sa pamamagitan ng paggawa, at may tendensiyang matuto nang grupo. Ang "mapanuri" na LS ay tumutukoy sa pag-aaral sa pamamagitan ng pag-iisip at mas gustong magtrabaho nang mag-isa. Ang dimensyon ng "pagdama" ng LS ay maaaring hatiin sa "pakiramdam" at/o "intuisyon." Mas gusto ng mga mag-aaral na "nakakaramdam" ang mas konkretong impormasyon at praktikal na mga pamamaraan, nakatuon sa katotohanan kumpara sa mga mag-aaral na "intuitive" na mas gusto ang abstract na materyal at mas makabago at malikhain ang kalikasan. Ang dimensyon ng "input" ng LS ay binubuo ng mga mag-aaral na "visual" at "verbal". 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 ang mga taong may "verbal" na LS ay mas gusto ang matuto sa pamamagitan ng mga salita sa pamamagitan ng nakasulat o pasalita na mga paliwanag. Upang "maunawaan" ang mga dimensyon ng LS, ang mga naturang mag-aaral ay maaaring hatiin sa "sequential" at "global". "Mas gusto ng mga sequential learners ang linear na proseso ng pag-iisip at natututo nang paunti-unti, habang ang mga global learners ay may posibilidad na magkaroon ng holistic na proseso ng pag-iisip at palaging may mas mahusay na pag-unawa sa kanilang natututunan."
Kamakailan lamang, maraming mananaliksik ang nagsimulang magsaliksik ng mga pamamaraan para sa awtomatikong pagtuklas na pinapagana ng datos, kabilang ang pagbuo ng mga bagong algorithm at modelo na may kakayahang bigyang-kahulugan ang malalaking dami ng datos [15, 16]. Batay sa ibinigay na datos, ang supervised ML (machine learning) ay nakakabuo ng mga pattern at hypotheses na humuhula ng mga resulta sa hinaharap batay sa pagbuo ng mga algorithm [17]. Sa madaling salita, ang mga supervised machine learning techniques ay nagmamanipula ng input data at nagsasanay ng mga algorithm. Pagkatapos ay bumubuo ito ng isang saklaw na nag-uuri o humuhula sa resulta batay sa mga katulad na sitwasyon para sa ibinigay na input data. Ang pangunahing bentahe ng supervised machine learning algorithms ay ang kakayahang magtatag ng ideal at ninanais na mga resulta [17].
Sa pamamagitan ng paggamit ng mga pamamaraang batay sa datos at mga modelo ng pagkontrol ng decision tree, posible ang awtomatikong pagtuklas ng LS. Naiulat na malawakang ginagamit ang mga decision tree sa mga programa sa pagsasanay sa iba't ibang larangan, kabilang ang mga agham pangkalusugan [18, 19]. Sa pag-aaral na ito, ang modelo ay partikular na sinanay ng mga developer ng sistema 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 estratehiya sa paghahatid ng IS batay sa LS ng mga mag-aaral at ilapat ang pamamaraang SCL sa pamamagitan ng pagbuo ng isang tool sa rekomendasyon ng IS na naka-map sa LS. Ang daloy ng disenyo ng tool sa rekomendasyon ng IS bilang isang estratehiya 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 pagrerekomenda ng seguridad ng impormasyon ay kinabibilangan ng paggamit ng mga teknolohiya sa web at ang paggamit ng decision tree machine learning. Pinapabuti ng mga developer ng system ang karanasan at mobilidad ng gumagamit sa pamamagitan ng pag-aangkop ng mga ito sa mga mobile device tulad ng mga mobile phone at tablet.
Ang eksperimento ay isinagawa sa dalawang yugto at ang mga estudyante mula sa Faculty of Dentistry sa University of Malaya ay lumahok nang boluntaryo. Tumugon ang mga kalahok sa online m-ILS ng isang estudyante ng dentista sa Ingles. Sa unang yugto, isang dataset ng 50 estudyante ang ginamit upang sanayin ang decision tree machine learning algorithm. Sa ikalawang yugto ng proseso ng pagbuo, isang dataset ng 255 estudyante ang ginamit upang mapabuti ang katumpakan ng nabuong instrumento.
Ang lahat ng kalahok ay makakatanggap ng online briefing sa simula ng bawat yugto, depende sa taon ng akademiko, sa pamamagitan ng Microsoft Teams. Ipinaliwanag ang layunin ng pag-aaral at nakuha ang informed consent. Ang lahat ng kalahok ay binigyan ng link para ma-access ang m-ILS. Ang bawat estudyante ay inatasan na sagutin ang lahat ng 44 na aytem sa talatanungan. Binigyan sila ng isang linggo para kumpletuhin ang binagong ILS sa oras at lokasyon na maginhawa para 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 estudyanteng dental. Katulad ng orihinal na ILS, naglalaman ito ng 44 na pantay na ipinamamahaging aytem (a, b), na may 11 aytem bawat isa, na ginagamit upang masuri ang mga aspeto ng bawat dimensyon ng FSLSM.
Sa mga unang yugto ng pagbuo ng kagamitan, manu-manong nilagyan ng anotasyon ng mga mananaliksik ang mga mapa gamit ang isang dataset ng 50 estudyante ng dentista. Ayon sa FSLM, ang sistema ay nagbibigay ng kabuuan ng mga sagot na "a" at "b". Para sa bawat dimensyon, kung pipiliin ng estudyante ang "a" bilang sagot, ang LS ay inuuri bilang Aktibo/Perseptwal/Biswal/Sekuensiyal, at kung pipiliin ng estudyante ang "b" bilang sagot, ang estudyante ay inuuri bilang Mapanuri/Intuitibo/Linguistiko/global learner.
Matapos i-calibrate ang daloy ng trabaho sa pagitan ng mga mananaliksik sa edukasyon sa ngipin at mga developer ng system, ang mga tanong ay pinili batay sa domain ng FLSSM at ipinasok sa modelo ng ML upang mahulaan ang LS ng bawat mag-aaral. Ang "Garbage in, garbage out" ay isang sikat na kasabihan sa larangan ng machine learning, na may diin sa kalidad ng data. Ang kalidad ng input data ang tumutukoy sa katumpakan at katumpakan ng modelo ng machine learning. Sa panahon ng feature engineering phase, isang bagong feature set ang nilikha na siyang kabuuan ng mga sagot na "a" at "b" batay sa FLSSM. Ang mga identification number ng mga posisyon ng gamot ay ibinibigay sa Table 1.
Kalkulahin ang iskor batay sa mga sagot at tukuyin ang LS ng mag-aaral. Para sa bawat mag-aaral, ang saklaw ng iskor ay mula 1 hanggang 11. Ang mga iskor mula 1 hanggang 3 ay nagpapahiwatig ng balanse ng mga kagustuhan sa pag-aaral sa loob ng parehong dimensyon, at ang mga iskor 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 baryasyon sa parehong dimensyon ay ang mga iskor mula 9 hanggang 11 ay nagpapakita ng matinding kagustuhan para sa isang dulo o sa kabila [8].
Para sa bawat dimensyon, ang mga gamot ay pinagsama-sama sa "aktibo", "mapanuri" at "balanced". Halimbawa, kapag ang isang mag-aaral ay mas madalas sumagot ng "a" kaysa sa "b" sa isang itinalagang aytem at ang kanyang iskor ay lumampas sa threshold na 5 para sa isang partikular na aytem na kumakatawan sa dimensyon ng Processing LS, siya ay kabilang sa "aktibo" na domain ng LS. Gayunpaman, ang mga mag-aaral ay inuri bilang "mapanuri" na LS kapag pinili nila ang "b" nang higit sa "a" sa mga partikular na 11 tanong (Talahanayan 1) at nakakuha ng higit sa 5 puntos. Panghuli, ang mag-aaral ay nasa isang estado ng "equilibrium." Kung ang iskor ay hindi lalampas sa 5 puntos, ito ay isang "proseso" na LS. Ang proseso ng pag-uuri ay inulit para sa iba pang mga dimensyon ng LS, katulad ng persepsyon (aktibo/mapanuri), input (biswal/berbal), at pag-unawa (sunud-sunod/global).
Ang mga modelo ng decision tree ay maaaring gumamit ng iba't ibang subset ng mga feature at decision rules sa iba't ibang yugto ng proseso ng klasipikasyon. Ito ay itinuturing na isang sikat na tool sa klasipikasyon at prediksyon. Maaari itong irepresenta gamit ang isang tree structure tulad ng isang flowchart [20], kung saan mayroong mga internal node na kumakatawan sa mga pagsubok ayon sa katangian, ang bawat sangay ay kumakatawan sa mga resulta ng pagsubok, at ang bawat leaf node (leaf node) na naglalaman ng isang class label.
Isang simpleng programang nakabatay sa tuntunin ang nilikha upang awtomatikong bigyan ng marka at anotasyon ang LS ng bawat mag-aaral batay sa kanilang mga tugon. Ang rule-based ay nasa anyo ng isang pahayag na IF, kung saan inilalarawan ng "IF" ang gatilyo at tinutukoy ng "THEN" ang aksyon na isasagawa, halimbawa: "Kung mangyari ang X, mangyayari ang Y" (Liu et al., 2014). Kung ang set ng datos ay nagpapakita ng ugnayan at ang modelo ng decision tree ay wastong sinanay at nasuri, ang pamamaraang ito ay maaaring maging isang epektibong paraan upang awtomatiko 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 sa rekomendasyon. Ang set ng datos ay hinati sa 1:4 na ratio. 25% (64) ng set ng datos ang ginamit para sa test set, at ang natitirang 75% (191) ay ginamit bilang training set (Larawan 2). Ang set ng datos ay kailangang hatiin upang maiwasan ang pagsasanay at pagsubok sa modelo sa parehong set ng datos, na maaaring maging sanhi ng pag-alala ng modelo sa halip na pagkatuto. Ang modelo ay sinasanay sa training set at sinusuri ang pagganap nito sa test set—datos na hindi pa nakikita ng modelo noon.
Kapag nabuo na ang IS tool, magagawa na ng aplikasyon na uriin ang LS batay sa mga tugon ng mga estudyanteng dental sa pamamagitan ng isang web interface. Ang web-based information security recommendation tool system ay binuo gamit ang Python programming language at ang Django framework bilang backend. Nakalista sa Talahanayan 2 ang mga library na ginamit sa pagbuo ng sistemang ito.
Ang dataset ay ipinapakain sa isang decision tree model upang kalkulahin at kunin ang mga tugon ng mga mag-aaral at awtomatikong uriin ang mga sukat ng LS ng mga mag-aaral.
Ang confusion matrix ay ginagamit upang suriin ang katumpakan ng isang decision tree machine learning algorithm sa isang partikular na data set. Kasabay nito, sinusuri nito ang pagganap ng classification model. Binubuod nito ang mga hula ng modelo at inihahambing ang mga ito sa aktwal na data label. Ang mga resulta ng pagsusuri ay batay sa apat na magkakaibang halaga: True Positive (TP) – tama ang paghula ng modelo sa positibong kategorya, False Positive (FP) – tama ang paghula ng modelo sa positibong kategorya, ngunit negatibo ang true label, True Negative (TN) – tama ang paghula ng modelo sa negatibong klase, at false negative (FN) – Humuhula ang modelo ng negatibong klase, ngunit positibo ang true label.
Ang mga halagang ito ay ginagamit upang kalkulahin ang iba't ibang sukatan ng pagganap ng modelo ng klasipikasyon ng scikit-learn sa Python, katulad ng precision, precision, recall, at F1 score. Narito ang mga halimbawa:
Sinusukat ng recall (o sensitivity) ang kakayahan ng modelo na tumpak na uriin ang LS ng isang mag-aaral pagkatapos sagutin ang m-ILS questionnaire.
Ang espesipisidad ay tinatawag na true negative rate. Gaya ng makikita mo sa pormula sa itaas, ito dapat ang ratio ng true negatives (TN) sa true negatives at false positives (FP). Bilang bahagi ng inirerekomendang kagamitan para sa pag-uuri ng mga gamot ng mga estudyante, dapat itong may kakayahang tumpak na matukoy.
Ang orihinal na dataset ng 50 estudyante na ginamit upang sanayin ang decision tree ML model ay nagpakita ng medyo mababang katumpakan dahil sa human error sa mga anotasyon (Talahanayan 3). Matapos lumikha ng isang simpleng rule-based program upang awtomatikong kalkulahin ang mga marka ng LS at mga anotasyon ng estudyante, dumarami ang bilang ng mga dataset (255) na ginamit upang sanayin at subukan ang recommender system.
Sa multiclass confusion matrix, ang mga diagonal na elemento ay kumakatawan sa bilang ng mga tamang hula para sa bawat uri ng LS (Larawan 4). Gamit ang decision tree model, isang kabuuang 64 na sample ang wastong nahulaan. Kaya, sa pag-aaral na ito, ipinapakita ng mga diagonal na elemento ang inaasahang mga resulta, na nagpapahiwatig na ang modelo ay mahusay na gumaganap at tumpak na hinuhulaan ang class label para sa bawat klasipikasyon ng LS. Kaya, ang pangkalahatang katumpakan ng recommendation tool ay 100%.
Ang mga halaga ng katumpakan, katumpakan, paggunita, at markang F1 ay ipinapakita sa Figure 5. Para sa sistema ng rekomendasyon na gumagamit ng modelo ng puno ng desisyon, ang markang F1 nito ay 1.0 "perpekto," na nagpapahiwatig ng perpektong katumpakan at paggunita, na sumasalamin sa mga makabuluhang halaga ng sensitivity at specificity.
Ipinapakita ng Figure 6 ang isang visualization ng decision tree model pagkatapos makumpleto ang training at testing. Sa isang magkatabing paghahambing, ang decision tree model na sinanay na may mas kaunting features 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 supervised learning na may decision tree, ang pagmamapa sa pagitan ng LS (input) at IS (target output) ay awtomatikong nabubuo at naglalaman ng detalyadong impormasyon para sa bawat LS.
Ipinakita ng mga resulta na 34.9% ng 255 na estudyante ang mas gusto ang isa (1) opsyon sa LS. Ang karamihan (54.3%) ay may dalawa o higit pang kagustuhan sa LS. 12.2% ng mga estudyante ang nagsabing ang LS ay medyo balanse (Talahanayan 4). Bukod sa walong pangunahing LS, mayroong 34 na kombinasyon ng mga klasipikasyon ng LS para sa mga estudyante ng dentista sa University of Malaya. Kabilang sa mga ito, ang persepsyon, paningin, at ang kombinasyon ng persepsyon at paningin ang pangunahing LS na iniulat ng mga estudyante (Larawan 7).
Gaya ng makikita sa Talahanayan 4, ang karamihan sa mga mag-aaral ay mayroong nangingibabaw na sensory (13.7%) o visual (8.6%) LS. Naiulat na 12.2% ng mga mag-aaral ang pinagsamang persepsyon at paningin (perceptual-visual LS). Ang mga natuklasang ito ay nagmumungkahi na mas gusto ng mga mag-aaral na matuto at makaalala sa pamamagitan ng mga itinakdang pamamaraan, sumusunod sa mga tiyak at detalyadong pamamaraan, at likas na maasikaso. 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 nang grupo o nang mag-isa.
Ang pag-aaral na ito ay nagbibigay ng pangkalahatang-ideya ng mga pamamaraan ng machine learning na ginagamit sa data mining, na nakatuon sa agaran at tumpak na paghula sa LS ng mga mag-aaral at pagrerekomenda ng angkop na IS. Ang paggamit ng isang decision tree model ay natukoy ang mga salik na pinakamalapit na nauugnay sa kanilang mga karanasan sa buhay at edukasyon. Ito ay isang pinangangasiwaang machine learning algorithm na gumagamit ng isang tree structure upang uriin ang data sa pamamagitan ng paghahati ng isang hanay ng data sa mga subcategory batay sa ilang partikular na pamantayan. Gumagana ito sa pamamagitan ng recursively na paghahati ng input data sa mga subset batay sa halaga ng isa sa mga input feature ng bawat internal node hanggang sa makagawa ng desisyon sa leaf node.
Ang mga panloob na node ng decision tree ay kumakatawan sa solusyon batay sa mga katangian ng input ng problemang m-ILS, at ang mga leaf node ay kumakatawan sa pangwakas na prediksyon ng klasipikasyon ng LS. Sa buong pag-aaral, madaling maunawaan ang hirarkiya ng mga decision tree na nagpapaliwanag at nagbibigyang-larawan sa proseso ng desisyon sa pamamagitan ng pagtingin sa ugnayan sa pagitan ng mga katangian ng input at mga prediksyon ng output.
Sa larangan ng agham pangkompyuter at inhinyeriya, ang mga algorithm ng machine learning ay malawakang ginagamit upang mahulaan ang pagganap ng mga mag-aaral batay sa kanilang mga marka sa pagsusulit sa pasukan [21], impormasyong demograpiko, at pag-uugali sa pag-aaral [22]. Ipinakita ng pananaliksik na tumpak na hinulaan ng algorithm ang pagganap ng mga mag-aaral at nakatulong sa kanila na matukoy ang mga mag-aaral na nasa panganib para sa mga kahirapan sa akademiko.
Iniulat ang aplikasyon ng mga ML algorithm sa pagbuo ng mga virtual patient simulator para sa pagsasanay sa ngipin. Ang simulator ay may kakayahang tumpak na kopyahin ang mga pisyolohikal na tugon ng mga totoong pasyente at maaaring gamitin upang sanayin ang mga mag-aaral ng ngipin sa isang ligtas at kontroladong kapaligiran [23]. Ipinakikita ng ilang iba pang pag-aaral na ang mga algorithm ng machine learning ay maaaring potensyal na mapabuti ang kalidad at kahusayan ng edukasyon sa ngipin at medikal at pangangalaga sa pasyente. Ginamit ang mga algorithm ng machine learning upang makatulong sa pag-diagnose ng mga sakit sa ngipin batay sa mga set ng datos tulad ng mga sintomas at katangian ng pasyente [24, 25]. Habang ang iba pang mga pag-aaral ay nag-explore sa paggamit ng mga algorithm ng machine learning upang maisagawa ang mga gawain tulad ng paghula ng mga resulta ng pasyente, pagtukoy 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].
Bagama't nailathala na ang mga ulat tungkol sa aplikasyon ng machine learning sa dentistry, limitado pa rin ang aplikasyon nito sa edukasyon sa dentistry. Samakatuwid, nilalayon ng pag-aaral na ito na gumamit ng isang decision tree model upang matukoy ang mga salik na pinakamalapit na nauugnay sa LS at IS sa mga mag-aaral ng dentista.
Ang mga resulta ng pag-aaral na ito ay nagpapakita na ang binuong 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 isang proseso ng pag-uuri na batay sa datos, maaari itong magbigay ng mga personalized na rekomendasyon at mapabuti ang mga karanasan at resulta sa 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 pagkatuto ng mga mag-aaral. Halimbawa, dahil sa awtomatikong 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 maisaayos ang mga angkop na aktibidad sa pagsasanay at mga materyales sa pagsasanay. Nakakatulong ito sa pagpapaunlad ng positibong pag-uugali sa pagkatuto ng mga mag-aaral at kakayahang mag-concentrate. Iniulat ng isang pag-aaral na ang pagbibigay sa mga mag-aaral ng mga materyales sa pagkatuto at mga aktibidad sa pagkatuto na tumutugma sa kanilang ginustong LS ay makakatulong sa mga mag-aaral na maisama, maproseso, at masiyahan sa pagkatuto 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 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 may kaugnayan sa privacy ng data, bias at pagiging patas, at ang mga propesyonal na kasanayan at mapagkukunang kinakailangan upang bumuo at magpatupad ng mga algorithm ng machine learning sa edukasyon sa ngipin; Gayunpaman, ang lumalaking interes at pananaliksik sa larangang 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 kalahati ng mga estudyante ng dentista ay may tendensiyang "makita" ang mga gamot. Ang ganitong uri ng mag-aaral ay may kagustuhan sa mga katotohanan at konkretong halimbawa, praktikal na oryentasyon, pasensya sa detalye, at kagustuhan sa "biswal" na LS, kung saan mas gusto ng mga mag-aaral na gumamit ng mga larawan, grapiko, kulay, at mapa upang maiparating ang mga ideya at kaisipan. Ang kasalukuyang mga resulta ay naaayon sa iba pang mga pag-aaral na gumagamit ng ILS upang masuri ang LS sa mga estudyante ng dentista at medisina, na karamihan ay may mga katangian ng perseptual at biswal na LS [12, 30]. Iminumungkahi nina Dalmolin et al. na ang pagpapaalam sa mga mag-aaral tungkol sa kanilang LS ay nagbibigay-daan sa kanila na maabot ang kanilang potensyal sa pagkatuto. Nagtalo 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 mga pamamaraan at aktibidad sa pagtuturo na magpapabuti 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 at pagganap ng pagkatuto ng mga mag-aaral pagkatapos baguhin ang kanilang mga istilo ng pagkatuto upang umangkop sa kanilang sariling LS [13, 33].
Maaaring magkaiba ang mga opinyon ng mga guro tungkol sa pagpapatupad ng mga estratehiya sa pagtuturo batay sa kakayahan ng mga mag-aaral sa pagkatuto. Bagama't nakikita ng ilan ang mga benepisyo ng pamamaraang ito, kabilang ang mga pagkakataon sa propesyonal na pag-unlad, mentorship, at suporta sa komunidad, ang iba ay maaaring nag-aalala tungkol sa oras at suporta sa institusyon. Ang pagsisikap para sa balanse ay susi sa paglikha ng isang saloobin na nakasentro sa mag-aaral. Ang mga awtoridad sa mas mataas na edukasyon, tulad ng mga administrador ng unibersidad, ay maaaring gumanap ng mahalagang papel sa pagpapaunlad 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 tagagawa ng patakaran ay dapat gumawa ng mga matatapang 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 pamamaraang nakasentro sa mag-aaral. Ang mga hakbang na ito ay mahalaga sa pagkamit ng ninanais na mga resulta. Malinaw na ipinakita ng kamakailang pananaliksik sa differentiated instruction na ang matagumpay na pagpapatupad ng differentiated instruction ay nangangailangan ng patuloy na pagsasanay at mga pagkakataon sa pag-unlad para sa mga guro [35].
Ang kagamitang ito ay nagbibigay ng mahalagang suporta sa mga tagapagturo ng ngipin na gustong gumamit ng pamamaraang nakasentro sa estudyante sa pagpaplano ng mga aktibidad sa pagkatuto na angkop sa estudyante. Gayunpaman, ang pag-aaral na ito ay limitado lamang sa paggamit ng mga modelo ng decision tree ML. Sa hinaharap, mas maraming datos ang dapat kolektahin upang ihambing ang pagganap ng iba't ibang modelo ng machine learning upang maihambing ang katumpakan, pagiging maaasahan, at katumpakan ng mga tool sa rekomendasyon. Bukod pa rito, kapag pumipili ng pinakaangkop na paraan ng machine learning para sa isang partikular na gawain, mahalagang isaalang-alang ang iba pang mga salik tulad ng pagiging kumplikado at interpretasyon ng modelo.
Isang limitasyon ng pag-aaral na ito ay nakatuon lamang ito sa pagmamapa ng LS at IS sa mga mag-aaral ng dentista. Samakatuwid, ang nabuong sistema ng rekomendasyon ay magrerekomenda lamang ng mga angkop para sa mga mag-aaral ng dentista. Kinakailangan ang mga pagbabago para sa pangkalahatang paggamit ng mga mag-aaral sa mas mataas na edukasyon.
Ang bagong binuong machine learning-based recommendation tool ay may kakayahang agad na uriin at itugma ang LS ng mga mag-aaral sa kaukulang IS, kaya ito ang unang programa sa edukasyon sa dentista na tumutulong sa mga tagapagturo ng dentista na magplano ng mga kaugnay na aktibidad sa pagtuturo at pagkatuto. Gamit ang isang proseso ng triage na batay sa datos, 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 itaguyod ang patuloy na propesyonal na pag-unlad. Ang aplikasyon nito ay magsusulong ng mga diskarte na nakasentro sa mag-aaral sa edukasyon sa dentista.
Gilak Jani Associated Press. Tugma o hindi pagtutugma 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 pag-post: Abril-29-2024