Det finns ett växande behov av studentcentrerat lärande (SCL) i institutioner för högre utbildning, inklusive tandvård. SCL har dock begränsad tillämpning inom tandvård. Därför syftar denna studie till att främja tillämpningen av SCL i tandvård genom att använda beslutsträdmaskininlärningsteknik för att kartlägga den föredragna inlärningsstilen (LS) och motsvarande inlärningsstrategier (IS) för tandstudenter som ett användbart verktyg för att utveckla är riktlinjer . Lovande metoder för tandläkare.
Totalt 255 tandläkare från University of Malaya slutförde den modifierade indexet för inlärningsstilar (M-ILS) -frågeformulär, som innehöll 44 artiklar för att klassificera dem i deras respektive LSS. De insamlade uppgifterna (kallas ett datasätt) används i övervakat beslutsträdlärande för att automatiskt matcha elevernas inlärningsstilar till de mest lämpliga är. Noggrannheten för det maskininlärningsbaserade är rekommendationsverktyget utvärderas sedan.
Tillämpningen av beslutsträdmodeller i en automatiserad kartläggningsprocess mellan LS (input) och är (målutgång) möjliggör en omedelbar lista över lämpliga inlärningsstrategier för varje tandstudent. IS -rekommendationsverktyget demonstrerat perfekt noggrannhet och återkallelse av den övergripande modellnoggrannheten, vilket indikerar att matchning av LS till är har god känslighet och specificitet.
Ett IS -rekommendationsverktyg baserat på ett ML -beslutsträd har visat sin förmåga att exakt matcha tandläkarstudenters inlärningsstilar med lämpliga inlärningsstrategier. Detta verktyg ger kraftfulla alternativ för att planera elever-centrerade kurser eller moduler som kan förbättra elevernas inlärningsupplevelse.
Undervisning och lärande är grundläggande aktiviteter i utbildningsinstitutioner. När man utvecklar ett högkvalitativt yrkesutbildningssystem är det viktigt att fokusera på elevernas inlärningsbehov. Interaktionen mellan studenter och deras inlärningsmiljö kan bestämmas genom deras LS. Forskning tyder på att lärares avsedda missförhållanden mellan elevernas LS och IS kan få negativa konsekvenser för elevernas lärande, till exempel minskad uppmärksamhet och motivation. Detta kommer indirekt att påverka studenternas prestanda [1,2].
IS är en metod som används av lärare för att förmedla kunskaper och färdigheter till eleverna, inklusive att hjälpa eleverna att lära sig [3]. Generellt sett planerar bra lärare undervisningsstrategier eller är det bäst matchar deras elevernas kunskapsnivå, de koncept de lär sig och deras lärandestadium. Teoretiskt sett, när LS och matchar, kommer eleverna att kunna organisera och använda en specifik uppsättning färdigheter för att lära sig effektivt. Vanligtvis innehåller en lektionsplan flera övergångar mellan stadier, till exempel från undervisning till guidad praktik eller från guidad praxis till oberoende praxis. Med detta i åtanke planerar effektiva lärare ofta instruktioner med målet att bygga elevernas kunskap och färdigheter [4].
Efterfrågan på SCL växer i högskolor, inklusive tandvård. SCL -strategier är utformade för att möta elevernas inlärningsbehov. Detta kan till exempel uppnås om eleverna aktivt deltar i inlärningsaktiviteter och lärare fungerar som underlättare och ansvarar för att ge värdefull feedback. Det sägs att det kan förbättra elevernas inlärningsmiljö och främja elevernas inlärningsmiljö och främja positiva inlärningsupplevelser [5] att tillhandahålla inlärningsmaterial och aktiviteter som är lämpliga för elevernas utbildningsnivå eller.
Generellt påverkas tandläkarstudenters inlärningsprocess av de olika kliniska procedurerna som de krävs för att utföra och den kliniska miljön där de utvecklar effektiva interpersonella färdigheter. Syftet med utbildningen är att göra det möjligt för eleverna att kombinera grundläggande kunskaper om tandvård med tandkliniska färdigheter och tillämpa den förvärvade kunskapen i nya kliniska situationer [6, 7]. Tidig forskning om förhållandet mellan LS och konstateras att justering av inlärningsstrategier som är mappade till den föredragna LS skulle hjälpa till att förbättra utbildningsprocessen [8]. Författarna rekommenderar också att du använder en mängd olika undervisnings- och utvärderingsmetoder för att anpassa sig till elevernas lärande och behov.
Lärare drar nytta av att tillämpa LS -kunskap för att hjälpa dem att utforma, utveckla och genomföra instruktioner som kommer att förbättra elevernas förvärv av djupare kunskap och förståelse för ämnet. Forskare har utvecklat flera LS-utvärderingsverktyg, såsom Kolb Experiential Learning Model, The Felder-Silverman Learning Style Model (FSLSM) och den Fleming VAK/Vark-modellen [5, 9, 10]. Enligt litteraturen är dessa inlärningsmodeller de mest använda och mest studerade inlärningsmodellerna. I det nuvarande forskningsarbetet används FSLSM för att bedöma LS bland tandläkare.
FSLSM är en allmänt använt modell för utvärdering av adaptivt lärande inom teknik. Det finns många publicerade verk inom hälsovetenskapen (inklusive medicin, omvårdnad, apotek och tandvård) som kan hittas med FSLSM -modeller [5, 11, 12, 13]. Instrumentet som används för att mäta dimensionerna på LS i FLSM kallas indexet för inlärningsstilar (ILS) [8], som innehåller 44 artiklar som bedömer fyra dimensioner av LS: Processing (aktiv/reflekterande), uppfattning (perceptuell/intuitiv), ingång (visuell). /verbal) och förståelse (sekventiell/global) [14].
Såsom visas i figur 1 har varje FSLSM -dimension en dominerande preferens. Till exempel, i bearbetningsdimensionen, föredrar elever med ”aktiva” LS att bearbeta information genom att direkt interagera med inlärningsmaterial, lära sig genom att göra och tenderar att lära sig i grupper. Den "reflekterande" LS hänvisar till lärande genom att tänka och föredrar att arbeta ensam. Den "uppfattande" dimensionen av LS kan delas in i "känsla" och/eller "intuition." "Feeling" -studenter föredrar mer konkret information och praktiska procedurer, är faktaorienterade jämfört med ”intuitiva” studenter som föredrar abstrakt material och är mer innovativa och kreativa till sin natur. LS -dimensionen för LS består av "visuella" och "verbala" elever. Personer med ”visuella” LS föredrar att lära sig genom visuella demonstrationer (som diagram, videor eller live -demonstrationer), medan människor med ”verbala” LS föredrar att lära sig genom ord i skriftliga eller muntliga förklaringar. För att "förstå" LS -dimensionerna kan sådana elever delas upp i "sekventiell" och "global". ”Sekventiella elever föredrar en linjär tankeprocess och lär sig steg för steg, medan globala elever tenderar att ha en holistisk tankeprocess och alltid har en bättre förståelse för vad de lär sig.
Nyligen har många forskare börjat utforska metoder för automatisk datadriven upptäckt, inklusive utvecklingen av nya algoritmer och modeller som kan tolka stora mängder data [15, 16]. Baserat på de medföljande uppgifterna kan övervakad ML (maskininlärning) generera mönster och hypoteser som förutsäger framtida resultat baserat på konstruktionen av algoritmer [17]. Enkelt uttryckt manipulerar övervakade maskininlärningstekniker inmatningsdata och tågalgoritmer. Den genererar sedan ett intervall som klassificerar eller förutsäger resultatet baserat på liknande situationer för de medföljande ingångsdata. Den största fördelen med övervakade maskininlärningsalgoritmer är dess förmåga att skapa idealiska och önskade resultat [17].
Genom användning av datadrivna metoder och beslut av beslutsträdkontroll är automatisk detektion av LS möjlig. Beslutsträd har rapporterats vara allmänt använt i utbildningsprogram inom olika områden, inklusive hälsovetenskap [18, 19]. I denna studie utbildades modellen specifikt av systemutvecklarna för att identifiera elevernas LS och rekommendera det bästa är för dem.
Syftet med denna studie är att utveckla är leveransstrategier baserade på elevernas LS och tillämpa SCL -metoden genom att utveckla ett IS -rekommendationsverktyg mappat till LS. Designflödet för IS -rekommendationsverktyget som en strategi för SCL -metoden visas i figur 1. IS -rekommendationsverktyget är uppdelat i två delar, inklusive LS -klassificeringsmekanismen med ILS och den mest lämpliga är display för studenter.
I synnerhet inkluderar egenskaperna hos informationssäkerhetsrekommendationsverktyg användningen av webbteknologier och användning av beslutsträdmaskininlärning. Systemutvecklare förbättrar användarupplevelsen och rörligheten genom att anpassa dem till mobila enheter som mobiltelefoner och surfplattor.
Experimentet genomfördes i två steg och studenter från fakulteten för tandvård vid University of Malaya deltog på frivillig basis. Deltagarna svarade på en tandläkarstudent online M-ILS på engelska. I den inledande fasen användes ett datasätt på 50 studenter för att utbilda algoritmen för beslutsträdmaskininlärning. I den andra fasen av utvecklingsprocessen användes ett datasätt på 255 studenter för att förbättra noggrannheten för det utvecklade instrumentet.
Alla deltagare får en online -briefing i början av varje steg, beroende på läsåret via Microsoft -team. Syftet med studien förklarades och informerat samtycke erhölls. Alla deltagare fick en länk för att komma åt M-ILS. Varje student instruerades att svara på alla 44 artiklar i frågeformuläret. De fick en vecka för att slutföra de modifierade IL: erna i taget och platsen som är bekväm för dem under semestern före semestern. M-ILS är baserat på det ursprungliga ILS-instrumentet och modifieras för tandläkare. I likhet med de ursprungliga IL: erna innehåller den 44 jämnt distribuerade objekt (A, B), med 11 artiklar vardera, som används för att bedöma aspekter av varje FSLSM -dimension.
Under de första stadierna av verktygsutvecklingen kommenterade forskarna manuellt kartorna med ett datasätt med 50 tandläkare. Enligt FSLM tillhandahåller systemet summan av svar "A" och "B". För varje dimension, om eleven väljer "A" som svar, klassificeras LS som aktiv/perceptuell/visuell/sekventiell, och om studenten väljer "B" som svar, klassificeras eleven som reflekterande/intuitiv/språklig . / Global elev.
Efter att ha kalibrerat arbetsflödet mellan forskare och systemutvecklare från tandvård, valdes frågor baserat på FLSSM -domänen och matades in i ML -modellen för att förutsäga varje elevs LS. "Garbage in, Garbage Out" är ett populärt ordstäv inom maskininlärning, med tonvikt på datakvalitet. Kvaliteten på inmatningsdata bestämmer precisionen och noggrannheten i maskininlärningsmodellen. Under funktionsteknikfasen skapas en ny funktionsuppsättning som är summan av svar "A" och "B" baserat på FLSM. Identifieringsnummer för läkemedelspositioner anges i tabell 1.
Beräkna poängen baserat på svaren och bestäm studentens LS. För varje student är poängområdet från 1 till 11. poäng från 1 till 3 indikerar en balans mellan inlärningspreferenser inom samma dimension, och poäng från 5 till 7 indikerar en måttlig preferens, vilket indikerar att elever tenderar att föredra en miljö som lär andra . En annan variation på samma dimension är att poäng från 9 till 11 återspeglar en stark preferens för den ena eller den andra [8].
För varje dimension grupperades läkemedel i "aktiv", "reflekterande" och "balanserad". Till exempel, när en student svarar på "A" oftare än "B" på ett angivet objekt och hans/hennes poäng överskrider tröskeln till 5 för ett visst objekt som representerar bearbetningens LS -dimension, tillhör han/hon till den "aktiva" LS domän. . Emellertid klassificerades eleverna som "reflekterande" när de valde "B" mer än "A" i specifika 11 frågor (tabell 1) och fick mer än 5 poäng. Slutligen är studenten i ett tillstånd av "jämvikt." Om poängen inte överstiger 5 poäng, är detta en "process" LS. Klassificeringsprocessen upprepades för de andra LS -dimensionerna, nämligen uppfattning (aktiv/reflekterande), input (visuell/verbal) och förståelse (sekventiell/global).
Beslutsträdmodeller kan använda olika undergrupper av funktioner och beslutsregler i olika stadier i klassificeringsprocessen. Det anses vara ett populärt klassificerings- och förutsägningsverktyg. Det kan representeras med hjälp av en trädstruktur såsom ett flödesschema [20], där det finns interna noder som representerar tester genom attribut, varje gren som representerar testresultat och varje bladnod (bladnod) som innehåller en klass etikett.
Ett enkelt regelbaserat program skapades för att automatiskt göra poäng och kommentera varje elevs LS baserat på deras svar. Regelbaserad tar formen av ett IF-uttalande, där "if" beskriver utlösaren och "då" anger den åtgärd som ska utföras, till exempel: "Om x händer, gör du" (Liu et al., 2014). Om datauppsättningen uppvisar korrelation och beslutsträdmodellen är korrekt utbildad och utvärderad, kan detta tillvägagångssätt vara ett effektivt sätt att automatisera processen för att matcha LS och IS.
I den andra utvecklingsfasen ökades datasättet till 255 för att förbättra noggrannheten i rekommendationsverktyget. Datauppsättningen är uppdelad i ett 1: 4 -förhållande. 25% (64) av datauppsättningen användes för testuppsättningen och de återstående 75% (191) användes som träningsuppsättning (figur 2). Datauppsättningen måste delas för att förhindra att modellen tränas och testas på samma datauppsättning, vilket kan göra att modellen kommer ihåg snarare än att lära sig. Modellen är tränad i träningsuppsättningen och utvärderar dess prestanda på testuppsättningen - data har aldrig sett förut.
När verktyget är utvecklat kommer applikationen att kunna klassificera LS baserat på svar från tandläkare via ett webbgränssnitt. Verktygssystemet för webbaserade informationssäkerhetsrekommendation är byggt med hjälp av Python-programmeringsspråket med Django-ramverket som backend. Tabell 2 visar biblioteken som används i utvecklingen av detta system.
Datasättet matas till en beslutsträdmodell för att beräkna och extrahera studentens svar för att automatiskt klassificera studentens LS -mätningar.
Förvirringsmatrisen används för att utvärdera noggrannheten för en beslutsalgoritm för beslutsträdmaskiner på en given datauppsättning. Samtidigt utvärderar den prestanda för klassificeringsmodellen. Den sammanfattar modellens förutsägelser och jämför dem med de faktiska datetiketterna. Utvärderingsresultaten är baserade på fyra olika värden: True Positive (TP) - Modellen förutspådde korrekt den positiva kategorin, False Positive (FP) - Modellen förutspådde den positiva kategorin, men den verkliga etiketten var negativ, sann negativ (TN) - Modellen förutspådde korrekt den negativa klassen och False Negative (FN) - modellen förutspår en negativ klass, men den verkliga etiketten är positiv.
Dessa värden används sedan för att beräkna olika prestandametriker för SCIKIT-Learn-klassificeringsmodellen i Python, nämligen precision, precision, återkallelse och F1-poäng. Här är exempel:
Återkallelse (eller känslighet) mäter modellens förmåga att exakt klassificera en students LS efter att ha besvarat M-ILS-frågeformuläret.
Specificitet kallas en verklig negativ hastighet. Som du kan se från ovanstående formel bör detta vara förhållandet mellan verkliga negativa (TN) och verkliga negativa och falska positiva (FP). Som en del av det rekommenderade verktyget för klassificering av studentläkemedel bör det vara kapabelt till exakt identifiering.
Det ursprungliga datasättet på 50 studenter som användes för att utbilda beslutsträd ML -modellen visade relativt låg noggrannhet på grund av mänskliga fel i kommentarerna (tabell 3). Efter att ha skapat ett enkelt regelbaserat program för att automatiskt beräkna LS-poäng och studentanteckningar användes ett ökande antal datasätt (255) för att träna och testa rekommendationssystemet.
I multiklassförvirringsmatrisen representerar de diagonala elementen antalet korrekta förutsägelser för varje LS -typ (figur 4). Med användning av beslutsträdmodellen förutsagdes totalt 64 prover korrekt. I denna studie visar således de diagonala elementen de förväntade resultaten, vilket indikerar att modellen presterar bra och förutsäger exakt klassen för varje LS -klassificering. Således är den totala noggrannheten för rekommendationsverktyget 100%.
Värdena för noggrannhet, precision, återkallelse och F1 -poäng visas i figur 5. För rekommendationssystemet med hjälp av beslutsträdmodellen är dess F1 -poäng 1,0 "perfekt", vilket indikerar perfekt precision och återkallelse, vilket återspeglar betydande känslighet och specificitet värden.
Figur 6 visar en visualisering av beslutsträdmodellen efter att träning och testning har slutförts. I en jämförelse sida vid sida visade beslutsträdmodellen tränad med färre funktioner högre noggrannhet och enklare modellvisualisering. Detta visar att funktionsteknik som leder till funktionsreduktion är ett viktigt steg för att förbättra modellprestanda.
Genom att tillämpa beslutsträd övervakat lärande genereras kartläggningen mellan LS (input) och är (målutgång) automatiskt och innehåller detaljerad information för varje LS.
Resultaten visade att 34,9% av de 255 studenterna föredrog ett (1) LS -alternativ. Majoriteten (54,3%) hade två eller flera LS -preferenser. 12,2% av eleverna noterade att LS är ganska balanserad (tabell 4). Förutom de åtta huvudsakliga LS finns det 34 kombinationer av LS -klassificeringar för University of Malaya Dental -studenter. Bland dem är uppfattning, vision och kombination av uppfattning och vision de viktigaste LS som rapporterats av studenter (figur 7).
Som framgår av tabell 4 hade majoriteten av studenterna en dominerande sensorisk (13,7%) eller visuell (8,6%) LS. Det rapporterades att 12,2% av eleverna kombinerade uppfattning med syn (perceptuell-visuell LS). Dessa resultat tyder på att elever föredrar att lära sig och komma ihåg genom etablerade metoder, följa specifika och detaljerade procedurer och är uppmärksamma på naturen. Samtidigt tycker de om att lära sig genom att titta (använda diagram, etc.) och tenderar att diskutera och tillämpa information i grupper eller på egen hand.
Denna studie ger en översikt över maskininlärningstekniker som används i data mining, med fokus på omedelbart och exakt förutsäga elevernas LS och rekommendera lämpligt IS. Tillämpningen av en beslutsträdmodell identifierade de faktorer som är mest relaterade till deras liv och utbildningsupplevelser. Det är en övervakad maskininlärningsalgoritm som använder en trädstruktur för att klassificera data genom att dela upp en uppsättning data i underkategorier baserat på vissa kriterier. Det fungerar genom att rekursivt dela inmatningsdata i undergrupper baserat på värdet på en av ingångsfunktionerna för varje intern nod tills ett beslut fattas vid bladnoden.
De interna noderna i beslutsträdet representerar lösningen baserad på inmatningsegenskaperna för M-ILS-problemet, och bladnoderna representerar den slutliga LS-klassificeringsförutsägelsen. Under hela studien är det lätt att förstå hierarkin i beslutsträd som förklarar och visualiserar beslutsprocessen genom att titta på förhållandet mellan inmatningsfunktioner och utgångsförutsägelser.
Inom områdena datavetenskap och teknik används maskininlärningsalgoritmer i stor utsträckning för att förutsäga studentprestanda baserat på deras examenspoäng [21], demografisk information och inlärningsbeteende [22]. Forskning visade att algoritmen exakt förutspådde studentprestanda och hjälpte dem att identifiera studenter i riskzonen för akademiska svårigheter.
Tillämpningen av ML -algoritmer i utvecklingen av virtuella patientsimulatorer för tandträning rapporteras. Simulatorn kan exakt reproducera de fysiologiska svaren från riktiga patienter och kan användas för att utbilda tandläkare i en säker och kontrollerad miljö [23]. Flera andra studier visar att maskininlärningsalgoritmer potentiellt kan förbättra kvaliteten och effektiviteten på tand- och medicinsk utbildning och patientvård. Maskininlärningsalgoritmer har använts för att hjälpa till att diagnostisera tandsjukdomar baserat på datamängder som symtom och patientegenskaper [24, 25]. Medan andra studier har undersökt användningen av maskininlärningsalgoritmer för att utföra uppgifter som att förutsäga patientens resultat, identifiera högriskpatienter, utveckla personliga behandlingsplaner [26], periodontal behandling [27] och kariesbehandling [25].
Även om rapporter om tillämpningen av maskininlärning i tandvård har publicerats, förblir dess tillämpning i tandvårdsutbildning begränsad. Därför syftade denna studie till att använda en beslutsträdmodell för att identifiera faktorer som är mest associerade med LS och är bland tandläkare.
Resultaten av denna studie visar att det utvecklade rekommendationsverktyget har hög noggrannhet och perfekt noggrannhet, vilket indikerar att lärare kan dra nytta av detta verktyg. Med hjälp av en datadriven klassificeringsprocess kan den ge personliga rekommendationer och förbättra utbildningsupplevelser och resultat för lärare och studenter. Bland dem kan information som erhållits genom rekommendationsverktyg lösa konflikter mellan lärarnas föredragna undervisningsmetoder och elevernas inlärningsbehov. Till exempel, på grund av automatiserade utgången från rekommendationsverktyg, kommer den tid som krävs för att identifiera en students IP och matcha den med motsvarande IP att reduceras avsevärt. På detta sätt kan lämpliga utbildningsaktiviteter och träningsmaterial organiseras. Detta hjälper till att utveckla elevernas positiva inlärningsbeteende och förmåga att koncentrera sig. En studie rapporterade att att ge eleverna inlärningsmaterial och inlärningsaktiviteter som matchar deras föredragna LS kan hjälpa eleverna att integrera, bearbeta och njuta av lärande på flera sätt att uppnå större potential [12]. Forskning visar också att förutom att förbättra elevernas deltagande i klassrummet spelar elevernas inlärningsprocess också en avgörande roll för att förbättra undervisningspraxis och kommunikation med studenter [28, 29].
Men som med alla moderna tekniker finns det problem och begränsningar. Dessa inkluderar frågor relaterade till datasekretess, partiskhet och rättvisa och de professionella färdigheter och resurser som behövs för att utveckla och implementera maskininlärningsalgoritmer i tandvårdsutbildning; Att växa intresse och forskning inom detta område tyder emellertid på att maskininlärningsteknologier kan ha en positiv inverkan på tandvårdsutbildning och tandvårdstjänster.
Resultaten av denna studie indikerar att hälften av tandläkarstudenter har en tendens att "uppfatta" läkemedel. Denna typ av elev har en preferens för fakta och konkreta exempel, en praktisk orientering, tålamod för detaljer och en "visuell" LS -preferens, där eleverna föredrar att använda bilder, grafik, färger och kartor för att förmedla idéer och tankar. De nuvarande resultaten överensstämmer med andra studier som använder IL för att bedöma LS hos tand- och medicinska studenter, de flesta har egenskaper hos perceptuella och visuella LS [12, 30]. Dalmolin et al föreslår att informera studenter om deras LS gör det möjligt för dem att nå sin inlärningspotential. Forskare hävdar att när lärare fullt ut förstår elevernas utbildningsprocess kan olika undervisningsmetoder och aktiviteter implementeras som kommer att förbättra elevernas prestanda och inlärningsupplevelse [12, 31, 32]. Andra studier har visat att justering av elevernas LS också visar förbättringar i elevernas inlärningsupplevelse och prestanda efter att ha ändrat sina inlärningsstilar så att de passar sina egna LS [13, 33].
Lärarnas åsikter kan variera när det gäller genomförandet av undervisningsstrategier baserade på elevernas inlärningsförmåga. Medan vissa ser fördelarna med denna strategi, inklusive professionella utvecklingsmöjligheter, mentorskap och samhällsstöd, kan andra vara oroliga för tid och institutionellt stöd. Att sträva efter balans är nyckeln till att skapa en studentcentrerad attityd. Myndigheter för högre utbildning, som universitetsadministratörer, kan spela en viktig roll för att driva positiv förändring genom att införa innovativa praxis och stödja fakultetsutveckling [34]. För att skapa ett verkligt dynamiskt och lyhörd högre utbildningssystem måste beslutsfattare vidta djärva steg, till exempel att göra politiska förändringar, ägna resurser till teknikintegration och skapa ramar som främjar studentcentrerade tillvägagångssätt. Dessa åtgärder är avgörande för att uppnå önskade resultat. Ny forskning om differentierad instruktion har tydligt visat att framgångsrik implementering av differentierad instruktion kräver pågående utbildning och utvecklingsmöjligheter för lärare [35].
Detta verktyg ger värdefullt stöd till tandläkare som vill ta en studentcentrerad strategi för att planera studentvänliga inlärningsaktiviteter. Denna studie är emellertid begränsad till användningen av ML -modeller för beslutsträd. I framtiden bör mer data samlas in för att jämföra prestanda för olika maskininlärningsmodeller för att jämföra noggrannhet, tillförlitlighet och precision i rekommendationsverktygen. Dessutom, när du väljer den lämpligaste maskininlärningsmetoden för en viss uppgift, är det viktigt att överväga andra faktorer som modellkomplexitet och tolkning.
En begränsning av denna studie är att den bara fokuserade på att kartlägga LS och är bland tandläkare. Därför kommer det utvecklade rekommendationssystemet endast att rekommendera de som är lämpliga för tandläkare. Förändringar är nödvändiga för allmänna högre utbildningstudentanvändning.
Det nyutvecklade maskininlärningsbaserade rekommendationsverktyget kan omedelbart klassificera och matcha elevernas LS till motsvarande IS, vilket gör det till det första tandutbildningsprogrammet som hjälper tandläkare att planera relevant undervisning och inlärningsaktiviteter. Med hjälp av en datadriven triage-process kan den ge personliga rekommendationer, spara tid, förbättra undervisningsstrategier, stödja riktade interventioner och främja pågående professionell utveckling. Dess tillämpning kommer att främja studentcentrerade tillvägagångssätt för tandvård.
Gilak Jani Associated Press. Matchning eller missanpassning mellan elevens inlärningsstil och lärarens undervisningsstil. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Inlägg: apr-29-2024