Det finns ett växande behov av studentcentrerat lärande (SCL) vid högre utbildningsinstitutioner, inklusive tandvård. SCL har dock begränsad tillämpning inom tandvårdsutbildning. Därför syftar denna studie till att främja tillämpningen av SCL inom tandvård genom att använda beslutsträdsbaserad maskininlärningsteknik (ML) för att kartlägga den föredragna inlärningsstilen (LS) och motsvarande inlärningsstrategier (IS) hos tandvårdsstudenter som ett användbart verktyg för att utveckla riktlinjer för IS. Lovande metoder för tandvårdsstudenter.
Totalt 255 tandläkarstudenter från University of Malaya fyllde i det modifierade frågeformuläret Index of Learning Styles (m-ILS), som innehöll 44 punkter för att klassificera dem i deras respektive lärstilar. Den insamlade datan (kallad en dataset) används i övervakad beslutsträdsinlärning för att automatiskt matcha studenternas inlärningsstilar med det mest lämpliga IS. Noggrannheten hos det maskininlärningsbaserade IS-rekommendationsverktyget utvärderas sedan.
Tillämpningen av beslutsträdsmodeller i en automatiserad mappningsprocess mellan LS (input) och IS (target output) möjliggör en omedelbar lista över lämpliga inlärningsstrategier för varje tandläkarstudent. IS-rekommendationsverktyget visade perfekt noggrannhet och återgivning av den övergripande modellens noggrannhet, vilket indikerar att matchning av LS till IS har god sensitivitet och specificitet.
Ett rekommendationsverktyg för informationshantering baserat på ett ML-beslutsträd har visat sin förmåga att korrekt matcha tandläkarstudenters inlärningsstilar med lämpliga inlärningsstrategier. Detta verktyg ger kraftfulla alternativ för att planera elevcentrerade kurser eller moduler som kan förbättra studenternas inlärningsupplevelse.
Undervisning och lärande är grundläggande aktiviteter inom utbildningsinstitutioner. När man utvecklar ett högkvalitativt yrkesutbildningssystem är det viktigt att fokusera på elevernas lärandebehov. Samspelet mellan elever och deras lärmiljö kan bestämmas genom deras lärmiljö. Forskning tyder på att läraravsiktliga skillnader mellan elevers lärmiljö och informationsinfrastruktur kan få negativa konsekvenser för elevernas lärande, såsom minskad uppmärksamhet och motivation. Detta kommer indirekt att påverka elevernas prestationer [1,2].
Informationsteknologi (IS) är en metod som används av lärare för att förmedla kunskap och färdigheter till elever, inklusive att hjälpa eleverna att lära sig [3]. Generellt sett planerar bra lärare undervisningsstrategier eller IS som bäst matchar deras elevers kunskapsnivå, de koncept de lär sig och deras inlärningsstadium. Teoretiskt sett, när LS och IS matchar, kommer eleverna att kunna organisera och använda en specifik uppsättning färdigheter för att lära sig effektivt. Vanligtvis innehåller en lektionsplanering flera övergångar mellan steg, till exempel från undervisning till guidad övning eller från guidad övning till självständig övning. Med detta i åtanke planerar effektiva lärare ofta undervisning med målet att bygga upp elevernas kunskaper och färdigheter [4].
Efterfrågan på SCL ökar inom högre utbildningsinstitutioner, inklusive inom tandvård. SCL-strategier är utformade för att möta studenternas lärandebehov. Detta kan uppnås till exempel om studenter aktivt deltar i lärandeaktiviteter och lärare agerar som facilitatorer och ansvarar för att ge värdefull feedback. Det sägs att tillhandahållande av läromedel och aktiviteter som är lämpliga för studenternas utbildningsnivå eller preferenser kan förbättra studenternas lärandemiljö 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 göra det möjligt för studenterna att kombinera grundläggande kunskaper i tandvård med tandvårdskliniska färdigheter och tillämpa den förvärvade kunskapen i nya kliniska situationer [6, 7]. Tidig forskning om sambandet mellan LS och IS fann att en justering av inlärningsstrategier mappade 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 studenternas lärande och behov.
Lärare drar nytta av att tillämpa kunskap om LS för att utforma, utveckla och implementera undervisning som förbättrar elevernas förvärvande av djupare kunskap och förståelse av ämnet. Forskare har utvecklat flera bedömningsverktyg för LS, såsom Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) och Fleming VAK/VARK Model [5, 9, 10]. Enligt litteraturen är dessa inlärningsmodeller de mest använda och mest studerade inlärningsmodellerna. I den aktuella forskningen används FSLSM för att bedöma LS bland tandläkarstudenter.
FSLSM är en allmänt använd modell för att utvärdera adaptivt lärande inom ingenjörsvetenskap. Det finns många publicerade arbeten inom hälsovetenskap (inklusive medicin, omvårdnad, farmaci 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], vilket innehåller 44 punkter som bedömer fyra dimensioner av LS: bearbetning (aktiv/reflektiv), perception (perceptuell/intuitiv), input (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 grupper. Den "reflekterande" LS hänvisar till lärande genom tänkande och föredrar att arbeta ensamma. Den "uppfattade" dimensionen av LS kan delas in i "känsla" och/eller "intuition". "Känslomässiga" elever 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 "sekventiella" och "globala". "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 den tillhandahållna datan kan övervakad maskininlärning (ML) generera mönster och hypoteser som förutsäger framtida resultat baserat på konstruktionen av algoritmer [17]. Enkelt uttryckt manipulerar övervakade maskininlärningstekniker indata och tränar algoritmer. Den genererar sedan ett intervall som klassificerar eller förutsäger resultatet baserat på liknande situationer för den tillhandahållna indatan. Den största fördelen med övervakade maskininlärningsalgoritmer är dess förmåga att fastställa ideala och önskade resultat [17].
Genom användning av datadrivna metoder och beslutsträdsmodeller för kontroll är automatisk detektering av LS möjlig. Beslutsträd har rapporterats användas i stor utsträckning i utbildningsprogram inom olika områden, inklusive hälsovetenskap [18, 19]. I denna studie tränades modellen specifikt av systemutvecklarna för att identifiera studenters LS och rekommendera det bästa informationssystemet för dem.
Syftet med denna studie är att utveckla strategier för leverans av IS 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 med hjälp av ILS och den mest lämpliga IS-visningen för elever.
I synnerhet kännetecknas rekommendationsverktyg för informationssäkerhet av användning av webbteknik och användning 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 frivilligt. Deltagarna svarade på en tandläkarstudents online m-ILS på engelska. I den inledande fasen användes en datauppsättning med 50 studenter för att träna maskininlärningsalgoritmen för beslutsträdet. I den andra fasen av utvecklingsprocessen användes en datauppsättning med 255 studenter för att förbättra noggrannheten hos det utvecklade instrumentet.
Alla deltagare får en online-briefing 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 student instruerades att svara på alla 44 frågor i frågeformuläret. De fick en vecka på sig att slutföra den modifierade ILS vid en tidpunkt och plats som passade dem under terminsuppehållet före terminsstart. m-ILS är baserad på det ursprungliga ILS-instrumentet och modifierad för tandläkarstudenter. I likhet med den ursprungliga ILS innehåller den 44 jämnt fördelade frågor (a, b), med 11 frågor vardera, som används för att bedöma aspekter av varje FSLSM-dimension.
Under de inledande skedena av verktygsutvecklingen annoterade forskarna manuellt kartorna med hjälp av en datauppsättning med 50 tandläkarstudenter. Enligt FSLM tillhandahåller systemet summan av svaren "a" och "b". För varje dimension, om studenten väljer "a" som svar, klassificeras LS som Aktiv/Perceptuell/Visuell/Sekventiell, och om studenten väljer "b" som svar klassificeras studenten som Reflekterande/Intuitiv/Lingvistisk/global inlärare.
Efter kalibrering av arbetsflödet mellan forskare inom tandläkarutbildning och systemutvecklare valdes frågor ut baserat på FLSSM-domänen och matades in i ML-modellen för att förutsäga varje students LS (skräp in, skräp ut) (Language in, garbage out) är ett populärt talesätt inom maskininlärning, med betoning på datakvalitet. Kvaliteten på indata avgör precisionen och noggrannheten i maskininlärningsmodellen. Under funktionsutvecklingsfasen skapas en ny funktionsuppsättning som är summan av svaren "a" och "b" baserat på FLSSM. Identifikationsnummer för läkemedelspositioner ges i tabell 1.
Beräkna poängen baserat på svaren och bestäm elevens LS (lägsta marginal). För varje elev är poängintervallet från 1 till 11. Poäng från 1 till 3 indikerar en balans av lärandepreferenser inom samma dimension, och poäng från 5 till 7 indikerar en måttlig preferens, vilket indikerar att elever tenderar att föredra en miljö där de undervisar i andra. En annan variant av samma dimension är att poäng från 9 till 11 återspeglar en stark preferens för den ena eller andra änden [8].
För varje dimension grupperades droger i "aktiv", "reflekterande" och "balanserad". Till exempel, när en elev svarar "a" oftare än "b" på en angiven fråga och hans/hennes poäng överstiger tröskeln 5 för en viss fråga som representerar dimensionen Bearbetning av LS, tillhör han/hon den "aktiva" LS-domänen. Elever klassificerades dock som "reflekterande" LS när de valde "b" mer än "a" i 11 specifika frågor (tabell 1) och fick mer än 5 poäng. Slutligen befinner sig 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/reflekterande), 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. Regelbaserade metoder har formen av ett OM-uttryck, där "OM" beskriver utlösaren och "DÅ" anger den åtgärd som ska utföras, till exempel: "Om X händer, gör då Y" (Liu et al., 2014). Om datamängden uppvisar korrelation och beslutsträdsmodellen är korrekt tränad och utvärderad, kan denna metod vara ett effektivt sätt att automatisera processen att matcha LS och IS.
I den andra utvecklingsfasen ökades datamängden till 255 för att förbättra rekommendationsverktygets noggrannhet. Datamängden är uppdelad i förhållandet 1:4. 25 % (64) av datamängden användes för testmängden, och de återstående 75 % (191) användes som träningsmängd (Figur 2). Datamängden behöver delas upp för att förhindra att modellen tränas och testas på samma datamängd, vilket kan få modellen att komma ihåg snarare än att lära sig. Modellen tränas på träningsmängden och utvärderar sin prestanda på testmängden – data som modellen aldrig har sett tidigare.
När IS-verktyget är utvecklat kommer applikationen att kunna klassificera LS baserat på tandläkarstudenters svar via ett webbgränssnitt. Det webbaserade rekommendationsverktyget för informationssäkerhet är byggt med programmeringsspråket Python och Django-ramverket som backend. Tabell 2 listar de bibliotek som använts i utvecklingen av detta system.
Datasetet matas till en beslutsträdmodell för att beräkna och extrahera elevsvar för att automatiskt klassificera elevernas LS-mätningar.
Förvirringsmatrisen används för att utvärdera noggrannheten hos en maskininlärningsalgoritm i ett 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: Sant positivt (TP) – modellen förutspådde korrekt den positiva kategorin, Falskt positivt (FP) – modellen förutspådde korrekt den positiva kategorin, men den sanna etiketten var negativ, Sant negativt (TN) – modellen förutspådde korrekt den negativa klassen, och falskt negativt (FN) – Modellen förutsäger en negativ klass, men den sanna etiketten är positiv.
Dessa värden används sedan för att beräkna olika prestandamått för scikit-learn-klassificeringsmodellen i Python, nämligen precision, precision, recall och F1-poäng. Här är exempel:
Recall (eller känslighet) mäter modellens förmåga att korrekt klassificera en elevs LS efter att ha svarat på m-ILS-frågeformuläret.
Specificitet kallas en sann negativ frekvens. Som du kan se av formeln ovan bör detta vara förhållandet mellan sanna negativa resultat (TN) och sanna negativa resultat och falska positiva resultat (FP). Som en del av det rekommenderade verktyget för att klassificera studentläkemedel bör det kunna identifieras korrekt.
Den ursprungliga datamängden med 50 studenter som användes för att träna ML-modellen för beslutsträdet 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 studentannoteringar användes ett ökande antal datamängder (255) för att träna och testa rekommendationssystemet.
I multiklassförvirringsmatrisen representerar de diagonala elementen antalet korrekta förutsägelser för varje LS-typ (Figur 4). Med hjälp av beslutsträdsmodellen förutspåddes totalt 64 sampel korrekt. I denna studie visar de diagonala elementen således de förväntade resultaten, vilket indikerar att modellen presterar bra och korrekt förutsäger klassetiketten för varje LS-klassificering. Således är rekommendationsverktygets totala 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 känslighets- och specificitetsvärden.
Figur 6 visar en visualisering av beslutsträdsmodellen efter att träning och testning är avslutade. I en sida-vid-sida-jämförelse uppvisade beslutsträdsmodellen som tränats med färre funktioner högre noggrannhet och enklare modellvisualisering. Detta visar att funktionsutveckling som leder till funktionsreduktion är ett viktigt steg för att förbättra modellens prestanda.
Genom att tillämpa övervakad inlärning med beslutsträd genereras mappningen mellan LS (input) och IS (mål-output) automatiskt och innehåller detaljerad information för varje LS.
Resultaten visade att 34,9 % av de 255 studenterna föredrog ett (1) alternativ för lägre marginaler (LS). Majoriteten (54,3 %) hade två eller fler preferenser för lägre marginaler. 12,2 % av studenterna noterade att LS är ganska balanserad (tabell 4). Utöver de åtta huvudsakliga LS finns det 34 kombinationer av LS-klassificeringar för tandläkarstudenter vid University of Malaya. Bland dem är perception, syn och kombinationen av perception och syn de huvudsakliga LS som rapporteras av studenterna (figur 7).
Som framgår av tabell 4 hade majoriteten av eleverna en övervägande 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, följer 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 inom datautvinning, med fokus på att omedelbart och korrekt förutsäga elevers lägsta poäng (LS) och rekommendera lämpliga IS. Tillämpning av en beslutsträdmodell identifierade de faktorer som är närmast relaterade till deras livs- och utbildningserfarenheter. Det är en övervakad maskininlärningsalgoritm som använder en trädstruktur för att klassificera data genom att dela upp en datamängd i underkategorier baserat på vissa kriterier. Den fungerar genom att rekursivt dela upp indata i delmängder baserat på värdet av en av indatafunktionerna för varje intern nod tills ett beslut fattas vid lövnoden.
De interna noderna i beslutsträdet representerar lösningen baserat på indataegenskaperna för m-ILS-problemet, och lövnoderna representerar den slutliga LS-klassificeringsprediktionen. Genom hela studien är det lätt att förstå hierarkin av beslutsträd som förklarar och visualiserar beslutsprocessen genom att titta på förhållandet mellan indataegenskaper och utdataprediktioner.
Inom datavetenskap och teknik används maskininlärningsalgoritmer i stor utsträckning för att förutsäga studenters prestationer baserat på deras resultat på inträdesprov [21], demografisk information och inlärningsbeteende [22]. Forskning visade att algoritmen korrekt förutspådde studenters prestationer och hjälpte dem att identifiera studenter som riskerar att få akademiska svårigheter.
Tillämpningen av maskininlärningsalgoritmer i utvecklingen av virtuella patientsimulatorer för tandläkarutbildning har rapporterats. Simulatorn kan exakt reproducera de fysiologiska svaren hos verkliga patienter och kan användas för att utbilda tandläkarstudenter i en säker och kontrollerad miljö [23]. Flera andra studier visar att maskininlärningsalgoritmer potentiellt kan förbättra kvaliteten och effektiviteten i tandläkarutbildning och patientvård. Maskininlärningsalgoritmer har använts för att hjälpa till vid diagnos av tandsjukdomar baserat på datamängder som symtom och patientkarakteristika [24, 25]. Medan andra studier har undersökt användningen av maskininlärningsalgoritmer för att utföra uppgifter som att förutsäga patientresultat, identifiera högriskpatienter, utveckla personliga behandlingsplaner [26], parodontal behandling [27] och kariesbehandling [25].
Även om rapporter om tillämpningen av maskininlärning inom tandvård 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 förknippade 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. Med hjälp av en datadriven klassificeringsprocess kan det ge personliga rekommendationer och förbättra utbildningsupplevelser och resultat för lärare och elever. Bland annat kan information som erhålls genom rekommendationsverktyg lösa konflikter mellan lärarnas föredragna undervisningsmetoder och elevernas inlärningsbehov. Till exempel, på grund av den automatiserade utmatningen av rekommendationsverktyg, kommer den tid som krävs för att identifiera en elevs IP och matcha den med motsvarande IP att minskas avsevärt. På detta sätt kan lämpliga utbildningsaktiviteter och utbildningsmaterial organiseras. Detta hjälper till att utveckla elevernas positiva inlärningsbeteende och förmåga att koncentrera sig. En studie rapporterade att att förse elever med läromedel och inlärningsaktiviteter som matchar deras föredragna undervisningsspråk kan hjälpa eleverna 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 förståelse för elevernas inlärningsprocess också en avgörande roll för att förbättra undervisningsmetoder och kommunikation med elever [28, 29].
Men precis som med all modern teknik finns det problem och begränsningar. Dessa inkluderar frågor relaterade till dataskydd, partiskhet och rättvisa, samt de professionella färdigheter och resurser som behövs för att utveckla och implementera maskininlärningsalgoritmer inom tandläkarutbildningen. Växande intresse och forskning inom detta område tyder dock på att maskininlärningstekniker kan ha en positiv inverkan på tandläkarutbildning och tandvårdstjänster.
Resultaten av denna studie indikerar att hälften av tandläkarstudenterna har en tendens att "uppfatta" läkemedel. Denna typ av elev har en preferens för fakta och konkreta exempel, en praktisk inriktning, 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 informering av studenter om deras LS gör det möjligt för dem att nå sin inlärningspotential. Forskare menar att när lärare fullt ut förstår studenternas utbildningsprocess kan olika undervisningsmetoder och aktiviteter implementeras som förbättrar studenternas prestationer och inlärningsupplevelse [12, 31, 32]. Andra studier har visat att justering av studenternas LS också visar förbättringar i studenternas inlärningsupplevelse och prestationer efter att ha ändrat deras inlärningsstilar för att passa deras egna LS [13, 33].
Lärares åsikter kan variera när det gäller implementeringen av undervisningsstrategier baserade på elevernas inlärningsförmåga. Medan vissa ser fördelarna med denna metod, inklusive möjligheter till professionell utveckling, mentorskap och stöd från samhället, kan andra vara oroliga för tid och institutionellt stöd. Att sträva efter balans är nyckeln till att skapa en studentcentrerad attityd. Högre utbildningsmyndigheter, såsom universitetsadministratörer, kan spela en viktig roll i att driva positiv förändring genom att introducera innovativa metoder och stödja lärarutveckling [34]. För att skapa ett verkligt dynamiskt och lyhört system för högre utbildning måste beslutsfattare vidta djärva åtgärder, såsom att göra policyförändringar, avsätta resurser för teknikintegration och skapa ramverk som främjar studentcentrerade metoder. Dessa åtgärder är avgörande för att uppnå önskade resultat. Ny forskning om differentierad undervisning har tydligt visat att framgångsrik implementering av differentierad undervisning kräver kontinuerlig utbildning och utvecklingsmöjligheter för lärare [35].
Detta verktyg ger värdefullt stöd till tandläkare som vill ha en elevcentrerad strategi för att planera elevvänliga lärandeaktiviteter. Denna studie är dock begränsad till användningen av ML-modeller i beslutsträdet. I framtiden bör mer data samlas in för att jämföra prestandan hos olika maskininlärningsmodeller för att jämföra noggrannheten, tillförlitligheten och precisionen hos rekommendationsverktyg. Dessutom är det viktigt att beakta andra faktorer som modellens komplexitet och tolkning när man väljer den lämpligaste maskininlärningsmetoden för en viss uppgift.
En begränsning med 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 för högskolestudenter.
Det nyutvecklade rekommendationsverktyget, baserat på maskininlärning, kan omedelbart klassificera och matcha studenters LS (lägre marginaler) med motsvarande IS (inlärningsinformation), vilket gör det till det första tandläkarutbildningsprogrammet som hjälper tandläkare att planera relevanta undervisnings- och inlärningsaktiviteter. Med hjälp av en datadriven triageprocess kan det ge personliga rekommendationer, spara tid, förbättra undervisningsstrategier, stödja riktade interventioner och främja kontinuerlig professionell utveckling. Dess tillämpning kommer att främja studentcentrerade metoder för tandläkarutbildning.
Gilak Jani Associated Press. Matchning eller missmatchning 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
Publiceringstid: 29 april 2024