Det finns ett växande behov av studentcentrerat lärande (SCL) inom högre utbildningsanstalter, inklusive tandvård.SCL har dock begränsad tillämpning inom tandläkarutbildningen.Därför syftar denna studie till att främja tillämpningen av SCL i tandvård genom att använda teknologi för beslutsträdsmaskininlärning (ML) för att kartlägga den föredragna inlärningsstilen (LS) och motsvarande inlärningsstrategier (IS) för tandläkarstudenter som ett användbart verktyg för att utveckla IS-riktlinjer .Lovande metoder för tandläkarstudenter.
Totalt 255 tandläkarstudenter från University of Malaya fyllde i det modifierade Index of Learning Styles (m-ILS) frågeformuläret, som innehöll 44 artiklar för att klassificera dem i sina respektive LS:er.Den insamlade datan (kallad datauppsättning) används i övervakat beslutsträdsinlärning för att automatiskt matcha elevernas inlärningsstilar till den mest lämpliga IS.Noggrannheten hos det maskininlärningsbaserade IS-rekommendationsverktyget utvärderas sedan.
Tillämpningen av beslutsträdsmodeller i en automatiserad kartläggningsprocess mellan LS (input) och IS (target output) möjliggör en omedelbar lista över lämpliga inlärningsstrategier för varje tandläkarstudent.IS-rekommendationsverktyget visade perfekt noggrannhet och återkallande av övergripande modellnoggrannhet, vilket indikerar att matchning av LS till IS har god känslighet och specificitet.
Ett IS-rekommendationsverktyg baserat på ett ML-beslutsträd har bevisat sin förmåga att exakt matcha tandläkarstudenters inlärningsstilar med lämpliga inlärningsstrategier.Det här verktyget ger kraftfulla alternativ för att planera elevcentrerade kurser eller moduler som kan förbättra elevernas inlärningsupplevelse.
Undervisning och lärande är grundläggande aktiviteter i läroanstalter.När man utvecklar ett högkvalitativt yrkesutbildningssystem är det viktigt att fokusera på elevernas lärandebehov.Samspelet mellan eleverna och deras lärmiljö kan bestämmas genom deras LS.Forskning tyder på att läraravsedda missmatchningar mellan elevers LS och IS kan få negativa konsekvenser för elevernas lärande, såsom minskad uppmärksamhet och motivation.Detta kommer indirekt att påverka elevernas prestationer [1,2].
IS är en metod som används av lärare för att förmedla kunskap och färdigheter till elever, inklusive att hjälpa elever att lära sig [3].Generellt sett planerar bra lärare undervisningsstrategier eller IS som bäst matchar deras elevers kunskapsnivå, begreppen de lär sig och deras inlärningsstadium.Teoretiskt, när LS och IS 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 praktik till självständig praktik.Med detta i åtanke planerar effektiva lärare ofta undervisning med målet att bygga upp elevernas kunskaper och färdigheter [4].
Efterfrågan på SCL växer inom högre utbildningsanstalter, inklusive tandvård.SCL-strategier är utformade för att möta elevernas inlärningsbehov.Detta kan till exempel uppnås om elever aktivt deltar i lärandeaktiviteter och lärare fungerar som facilitatorer och ansvarar för att ge värdefull feedback.Det sägs att tillhandahållande av läromedel och aktiviteter som är lämpliga för elevernas utbildningsnivå eller preferenser kan förbättra elevernas lärmiljö och främja positiva lärandeupplevelser [5].
Generellt sett påverkas tandläkarstudenters inlärningsprocess av de olika kliniska procedurer de måste utföra och den kliniska miljö där de utvecklar effektiva interpersonella färdigheter.Syftet med utbildningen är att ge studenterna möjlighet att kombinera grundläggande kunskaper om tandvård med tandkliniska färdigheter och tillämpa de förvärvade kunskaperna i nya kliniska situationer [6, 7].Tidig forskning om förhållandet mellan LS och IS fann att en anpassning av inlärningsstrategier kartlagda till den föredragna LS skulle bidra till att förbättra utbildningsprocessen [8].Författarna rekommenderar också att man använder en mängd olika undervisnings- och bedömningsmetoder 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 implementera undervisning som kommer att förbättra elevernas förvärv av djupare kunskaper och förståelse för ämnet.Forskare har utvecklat flera LS-bedömningsverktyg, såsom Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) och Fleming VAK/VARK-modellen [5, 9, 10].Enligt litteraturen är dessa inlärningsmodeller de vanligaste och mest studerade inlärningsmodellerna.I det aktuella forskningsarbetet används FSLSM för att bedöma LS bland tandläkarstudenter.
FSLSM är en flitigt använd modell för att utvärdera adaptivt lärande inom teknik.Det finns många publicerade arbeten inom hälsovetenskap (inklusive medicin, omvårdnad, apotek och tandvård) som kan hittas med hjälp av FSLSM-modeller [5, 11, 12, 13].Instrumentet som används för att mäta dimensionerna av LS i FLSM kallas Index of Learning Styles (ILS) [8], som innehåller 44 objekt som bedömer fyra dimensioner av LS: bearbetning (aktiv/reflektiv), perception (perceptuell/intuitiv), ingång (visuell)./verbal) och förståelse (sekventiell/global) [14].
Som visas i figur 1 har varje FSLSM-dimension en dominerande preferens.Till exempel, i bearbetningsdimensionen föredrar elever med "aktiv" LS att bearbeta information genom att direkt interagera med läromedel, lära sig genom att göra och tenderar att lära sig i grupp.Den ”reflekterande” LS syftar på lärande genom tänkande och föredrar att arbeta ensam.Den "uppfattande" dimensionen av LS kan delas in i "känsla" och/eller "intuition."”Känselelever” föredrar mer konkret information och praktiska procedurer, är faktaorienterade jämfört med ”intuitiva” elever som föredrar abstrakt material och är mer innovativa och kreativa till sin natur."Input"-dimensionen av LS består av "visuella" och "verbala" elever.Personer med "visuell" LS föredrar att lära sig genom visuella demonstrationer (som diagram, videor eller livedemonstrationer), medan personer med "verbal" LS föredrar att lära sig genom ord i skriftliga eller muntliga förklaringar.För att "förstå" LS-dimensionerna kan sådana elever delas in 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 ha en bättre förståelse för vad de lär sig.
På senare tid har många forskare börjat utforska metoder för automatisk datadriven upptäckt, inklusive utveckling av nya algoritmer och modeller som kan tolka stora mängder data [15, 16].Baserat på tillhandahållen data kan övervakad ML (maskininlärning) generera mönster och hypoteser som förutsäger framtida resultat baserat på konstruktionen av algoritmer [17].Enkelt uttryckt, övervakade maskininlärningstekniker manipulerar indata och tränar algoritmer.Den genererar sedan ett intervall som klassificerar eller förutsäger resultatet baserat på liknande situationer för den tillhandahållna indata.Den största fördelen med övervakade maskininlärningsalgoritmer är dess förmåga att skapa idealiska och önskade resultat [17].
Genom användning av datadrivna metoder och styrmodeller för beslutsträd är automatisk detektering av LS möjlig.Beslutsträd har rapporterats vara flitigt använda i utbildningsprogram inom olika områden, inklusive hälsovetenskap [18, 19].I denna studie tränades modellen specifikt av systemutvecklarna för att identifiera elevers LS och rekommendera den bästa IS för dem.
Syftet med denna studie är att utveckla IS-leveransstrategier baserade på elevers 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 som använder ILS och den mest lämpliga IS-displayen för studenter.
Speciellt egenskaperna hos rekommendationsverktyg för informationssäkerhet inkluderar användningen av webbteknik och användningen av maskininlärning i beslutsträd.Systemutvecklare förbättrar användarupplevelsen och mobiliteten genom att anpassa dem till mobila enheter som mobiltelefoner och surfplattor.
Experimentet genomfördes i två steg och studenter från odontologiska fakulteten vid University of Malaya deltog på frivillig basis.Deltagarna svarade på en tandläkarstudents online-m-ILS på engelska.I den inledande fasen användes en datauppsättning med 50 elever för att träna beslutsträdets maskininlärningsalgoritm.I den andra fasen av utvecklingsprocessen användes en datauppsättning av 255 studenter för att förbättra det utvecklade instrumentets noggrannhet.
Alla deltagare får en onlinebriefing i början av varje steg, beroende på läsår, via Microsoft Teams.Syftet med studien förklarades och informerat samtycke erhölls.Alla deltagare fick en länk för att komma åt m-ILS.Varje elev fick i uppdrag att svara på alla 44 frågorna i frågeformuläret.De fick en vecka på sig att slutföra den modifierade ILS vid en tid och plats som var lämplig för dem under terminsuppehållet före terminsstart.m-ILS är baserad på det ursprungliga ILS-instrumentet och modifierat för tandläkarstudenter.I likhet med den ursprungliga ILS innehåller den 44 jämnt fördelade objekt (a, b), med 11 objekt vardera, som används för att bedöma aspekter av varje FSLSM-dimension.
Under de inledande stadierna av verktygsutvecklingen kommenterade forskarna manuellt kartorna med hjälp av en datauppsättning av 50 tandläkarstudenter.Enligt FSLM ger systemet summan av svaren "a" och "b".För varje dimension, om eleven väljer "a" som svar, klassificeras LS som Aktiv/Perceptuell/Visuell/Sekventiell, och om eleven väljer "b" som svar, klassificeras eleven som Reflektiv/Intuitiv/Lingvistisk ./ global elev.
Efter att ha kalibrerat arbetsflödet mellan tandläkarutbildningsforskare och systemutvecklare valdes frågor ut utifrån FLSSM-domänen och matades in i ML-modellen för att förutsäga varje elevs LS."Skräp in, skräp ut" är ett populärt talesätt inom maskininlärning, med tonvikt på datakvalitet.Kvaliteten på indata avgör precisionen och noggrannheten hos maskininlärningsmodellen.Under funktionsutvecklingsfasen skapas en ny funktionsuppsättning som är summan av svaren "a" och "b" baserat på FLSSM.Identifikationsnummer för läkemedelspositioner anges i tabell 1.
Beräkna poängen utifrån svaren och bestäm elevens LS.För varje elev är poängintervallet 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 undervisar andra .En annan variant av samma dimension är att poäng från 9 till 11 reflekterar en stark preferens för den ena eller andra änden [8].
För varje dimension grupperades droger i "aktiva", "reflekterande" och "balanserade".Till exempel, när en elev svarar "a" oftare än "b" på ett angivet objekt och hans/hennes poäng överstiger tröskeln 5 för ett visst objekt som representerar dimensionen Processing LS, tillhör han/hon den "aktiva" LS domän..Eleverna klassificerades dock som "reflekterande" LS när de valde "b" mer än "a" i specifika 11 frågor (tabell 1) och fick mer än 5 poäng.Slutligen är eleven i ett tillstånd av "jämvikt".Om poängen inte överstiger 5 poäng, är detta en "process" LS.Klassificeringsprocessen upprepades för de andra LS-dimensionerna, nämligen perception (aktiv/reflektiv), input (visuell/verbal) och förståelse (sekventiell/global).
Beslutsträdmodeller kan använda olika delmängder av funktioner och beslutsregler i olika skeden av klassificeringsprocessen.Det anses vara ett populärt klassificerings- och prediktionsverktyg.Det kan representeras med hjälp av en trädstruktur såsom ett flödesschema [20], där det finns interna noder som representerar tester efter attribut, varje gren representerar testresultat och varje lövnod (lövnod) innehåller en klassetikett.
Ett enkelt regelbaserat program skapades för att automatiskt poängsätta och kommentera varje elevs LS baserat på deras svar.Regelbaserad tar formen av en IF-sats, där "IF" beskriver triggern och "THEN" specificerar åtgärden som ska utföras, till exempel: "Om X händer, gör då Y" (Liu et al., 2014).Om datamängden uppvisar korrelation och beslutsträdsmodellen är ordentligt tränad och utvärderad, kan detta tillvägagångssätt vara ett effektivt sätt att automatisera processen att matcha LS och IS.
I den andra utvecklingsfasen utökades datasetet till 255 för att förbättra rekommendationsverktygets noggrannhet.Datauppsättningen är uppdelad i förhållandet 1:4.25 % (64) av datamängden användes för testuppsättningen och de återstående 75 % (191) användes som träningsuppsättning (Figur 2).Datauppsättningen måste delas upp för att förhindra att modellen tränas och testas på samma datauppsättning, vilket kan få modellen att komma ihåg snarare än att lära sig.Modellen tränas på träningssetet och utvärderar dess prestanda på testsetet – data som modellen aldrig har sett förut.
När IS-verktyget väl är utvecklat kommer applikationen att kunna klassificera LS utifrån tandläkarstudenternas svar via ett webbgränssnitt.Det webbaserade rekommendationsverktyget för informationssäkerhet är byggt med Python-programmeringsspråket med Django-ramverket som backend.Tabell 2 listar de bibliotek som används vid utvecklingen av detta system.
Datauppsättningen matas till en beslutsträdsmodell för att beräkna och extrahera elevsvar för att automatiskt klassificera elevers LS-mätningar.
Förvirringsmatrisen används för att utvärdera noggrannheten hos en maskininlärningsalgoritm för beslutsträd på en given datamängd.Samtidigt utvärderar den klassificeringsmodellens prestanda.Den sammanfattar modellens förutsägelser och jämför dem med de faktiska dataetiketterna.Utvärderingsresultaten baseras på fyra olika värden: True Positive (TP) – modellen förutspådde korrekt den positiva kategorin, False Positive (FP) – modellen förutspådde den positiva kategorin, men den sanna etiketten var negativ, True Negative (TN) – modellen förutspådde korrekt den negativa klassen, och falsk negativ (FN) – Modellen förutsäger en negativ klass, men den sanna etiketten är positiv.
Dessa värden används sedan för att beräkna olika prestationsmått för scikit-learn-klassificeringsmodellen i Python, nämligen precision, precision, återkallelse och F1-poäng.Här är exempel:
Recall (eller sensitivitet) mäter modellens förmåga att korrekt klassificera en elevs LS efter att ha besvarat m-ILS-enkäten.
Specificitet kallas en sann negativ ränta.Som du kan se från ovanstående formel bör detta vara förhållandet mellan sanna negativ (TN) och sanna negativa och falska positiva (FP).Som en del av det rekommenderade verktyget för att klassificera studentdroger bör det kunna identifieras korrekt.
Den ursprungliga datamängden med 50 elever som användes för att träna beslutsträdets ML-modell visade relativt låg noggrannhet på grund av mänskliga fel i annoteringarna (tabell 3).Efter att ha skapat ett enkelt regelbaserat program för att automatiskt beräkna LS-poäng och elevkommentarer, användes ett ökande antal dataset (255) för att träna och testa rekommendatorsystemet.
I multiklassförväxlingsmatrisen representerar de diagonala elementen antalet korrekta förutsägelser för varje LS-typ (Figur 4).Med hjälp av beslutsträdsmodellen förutspåddes totalt 64 prover korrekt.I denna studie visar således de diagonala elementen de förväntade resultaten, vilket indikerar att modellen presterar bra och exakt förutsäger klassetiketten för varje LS-klassificering.Således är rekommendationsverktygets övergripande noggrannhet 100 %.
Värdena för noggrannhet, precision, återkallelse och F1-poäng visas i figur 5. För rekommendationssystemet som använder beslutsträdsmodellen 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 beslutsträdsmodellen efter avslutad utbildning och testning.I en jämförelse sida vid sida visade beslutsträdsmodellen tränad med färre funktioner högre noggrannhet och enklare modellvisualisering.Detta visar att funktionsteknik som leder till funktionsminskning är ett viktigt steg för att förbättra modellens prestanda.
Genom att tillämpa beslutsträdsövervakad inlärning genereras automatiskt mappningen mellan LS (input) och IS (target output) och innehåller detaljerad information för varje LS.
Resultaten visade att 34,9 % av de 255 eleverna föredrog ett (1) LS-alternativ.Majoriteten (54,3%) hade två eller flera LS-preferenser.12,2 % av eleverna noterade att LS är ganska balanserat (tabell 4).Utöver de åtta huvudsakliga LS finns det 34 kombinationer av LS-klassificeringar för tandläkarstudenter vid University of Malaya.Bland dem är perception, vision och kombinationen av perception och vision de viktigaste LS som eleverna rapporterar (Figur 7).
Som framgår av tabell 4 hade majoriteten av eleverna en dominerande sensorisk (13,7 %) eller visuell (8,6 %) LS.Det rapporterades att 12,2 % av eleverna kombinerade perception med syn (perceptuell-visuell LS).Dessa resultat tyder på att eleverna föredrar att lära sig och komma ihåg genom etablerade metoder, följa specifika och detaljerade procedurer och är uppmärksamma till sin natur.Samtidigt tycker de om att lära sig genom att titta (med hjälp av diagram, etc.) och tenderar att diskutera och tillämpa information i grupper eller på egen hand.
Denna studie ger en översikt över maskininlärningstekniker som används vid datautvinning, med fokus på att omedelbart och exakt förutsäga elevers LS och rekommendera lämplig IS.Tillämpning av en beslutsträdsmodell identifierade de faktorer som var närmast relaterade till deras liv och utbildningserfarenheter.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 in indata i delmängder baserat på värdet av en av ingångsfunktionerna för varje intern nod tills ett beslut fattas vid lövnoden.
De interna noderna i beslutsträdet representerar lösningen baserad på indataegenskaperna för m-ILS-problemet, och lövnoderna representerar den slutliga LS-klassificeringsförutsägelsen.Under hela studien är det lätt att förstå hierarkin av beslutsträd som förklarar och visualiserar beslutsprocessen genom att titta på sambandet mellan indatafunktioner och utdataförutsägelser.
Inom områdena datavetenskap och teknik används maskininlärningsalgoritmer i stor utsträckning för att förutsäga elevers prestationer baserat på deras inträdesprov [21], demografisk information och inlärningsbeteende [22].Forskning visade att algoritmen exakt förutspådde elevernas prestationer och hjälpte dem att identifiera elever i riskzonen för akademiska svårigheter.
Tillämpningen av ML-algoritmer i utvecklingen av virtuella patientsimulatorer för tandläkarutbildning rapporteras.Simulatorn är kapabel att exakt återge de fysiologiska svaren från riktiga patienter och kan användas för att träna tandläkarstudenter i en säker och kontrollerad miljö [23].Flera andra studier visar att maskininlärningsalgoritmer potentiellt kan förbättra kvaliteten och effektiviteten i tandläkar- och medicinsk utbildning och patientvård.Maskininlärningsalgoritmer har använts för att hjälpa till att diagnostisera tandsjukdomar baserat på datauppsättningar som symtom och patientegenskaper [24, 25].Medan andra studier har utforskat användningen av maskininlärningsalgoritmer för att utföra uppgifter som att förutsäga patientresultat, identifiera högriskpatienter, utveckla personliga behandlingsplaner [26], parodontalbehandling [27] och kariesbehandling [25].
Även om rapporter om tillämpningen av maskininlärning inom tandvården har publicerats, är dess tillämpning inom tandläkarutbildningen fortfarande begränsad.Därför syftade denna studie till att använda en beslutsträdsmodell för att identifiera faktorer som är närmast associerade med LS och IS bland tandläkarstudenter.
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.Genom att använda en datadriven klassificeringsprocess kan den ge personliga rekommendationer och förbättra pedagogiska erfarenheter och resultat för lärare och elever.Bland dem kan information som erhålls genom rekommendationsverktyg lösa konflikter mellan lärares föredragna undervisningsmetoder och elevers lärandebehov.Till exempel, på grund av den automatiserade utmatningen av rekommendationsverktyg, kommer tiden som krävs för att identifiera en elevs IP och matcha den med motsvarande IP att minska avsevärt.På så sätt kan lämpliga utbildningsaktiviteter och utbildningsmaterial organiseras.Detta hjälper till att utveckla elevernas positiva inlärningsbeteende och koncentrationsförmåga.En studie rapporterade att att ge eleverna läromedel och lärandeaktiviteter som matchar deras föredragna LS kan hjälpa elever att integrera, bearbeta och njuta av lärande på flera sätt för att uppnå större potential [12].Forskning visar också att förutom att förbättra elevernas deltagande i klassrummet, spelar förståelsen av elevers lärandeprocess också en avgörande roll för att förbättra undervisningsmetoder och kommunikation med eleverna [28, 29].
Men som med all modern teknik 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 tandläkarutbildningen;Men ett växande intresse och forskning inom detta område tyder på att maskininlärningsteknik kan ha en positiv inverkan på tandläkarutbildning och tandvård.
Resultaten av denna studie indikerar att hälften av tandläkarstudenterna har en tendens att "uppfatta" droger.Den här typen av elever 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 aktuella resultaten överensstämmer med andra studier som använder ILS för att bedöma LS hos tandläkar- och läkarstudenter, av vilka de flesta har egenskaper av perceptuell och visuell LS [12, 30].Dalmolin et al föreslår att genom att informera eleverna om deras LS kan de nå sin inlärningspotential.Forskare menar att när lärare till fullo förstår elevernas utbildningsprocess kan olika undervisningsmetoder och aktiviteter implementeras som kommer att förbättra elevernas prestationer och lärandeupplevelse [12, 31, 32].Andra studier har visat att justering av elevers LS också visar förbättringar i elevers inlärningsupplevelse och prestationer efter att ha ändrat sina inlärningsstilar för att passa deras egna LS [13, 33].
Lärarnas åsikter kan variera när det gäller implementeringen av undervisningsstrategier baserade på elevernas inlärningsförmåga.Medan vissa ser fördelarna med detta tillvägagångssätt, inklusive möjligheter till professionell utveckling, mentorskap och samhällsstöd, kan andra vara oroliga över tid och institutionellt stöd.Att sträva efter balans är nyckeln till att skapa en elevcentrerad attityd.Myndigheter för högre utbildning, såsom universitetsadministratörer, kan spela en viktig roll för att driva på positiv förändring genom att införa innovativa metoder och stödja fakultetsutveckling [34].För att skapa ett verkligt dynamiskt och lyhört högre utbildningssystem måste beslutsfattare ta djärva steg, som att göra politiska förändringar, ägna resurser åt teknikintegration och skapa ramar som främjar studentcentrerade tillvägagångssätt.Dessa åtgärder är avgörande för att uppnå önskat resultat.Ny forskning om differentierad undervisning har tydligt visat att ett framgångsrikt genomförande av differentierad undervisning kräver fortlöpande utbildnings- och utvecklingsmöjligheter för lärare [35].
Det här verktyget ger värdefullt stöd till tandläkarpedagoger som vill ha ett studentcentrerat förhållningssätt för att planera elevvänliga lärandeaktiviteter.Denna studie är dock 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 noggrannheten, tillförlitligheten och precisionen hos rekommendationsverktyg.När man väljer den mest lämpliga maskininlärningsmetoden för en viss uppgift är det dessutom viktigt att ta hänsyn till andra faktorer som modellens komplexitet och tolkning.
En begränsning för denna studie är att den endast fokuserade på att kartlägga LS och IS bland tandläkarstudenter.Därför kommer det utvecklade rekommendationssystemet endast att rekommendera de som är lämpliga för tandläkarstudenter.Förändringar är nödvändiga för allmän användning av högskolestudenter.
Det nyutvecklade maskininlärningsbaserade rekommendationsverktyget kan omedelbart klassificera och matcha elevernas LS till motsvarande IS, vilket gör det till det första tandläkarutbildningsprogrammet som hjälper tandlärare att planera relevanta undervisnings- och inlärningsaktiviteter.Genom att använda en datadriven triageprocess kan den ge personliga rekommendationer, spara tid, förbättra undervisningsstrategier, stödja riktade insatser och främja fortlöpande professionell utveckling.Dess tillämpning kommer att främja studentcentrerade metoder för tandläkarutbildning.
Gilak Jani Associated Press.Matchning eller oöverensstämmelse mellan elevens lärstil och lärarens undervisningsstil.Int J Mod Educ Datavetenskap.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Posttid: 2024-apr-29