Der er et stigende behov for elevcentreret læring (SCL) på videregående uddannelsesinstitutioner, herunder tandpleje.SCL har dog begrænset anvendelse i tandlægeuddannelsen.Derfor sigter denne undersøgelse på at fremme anvendelsen af SCL i tandplejen ved at bruge beslutningstræ maskinlæring (ML) teknologi til at kortlægge den foretrukne læringsstil (LS) og tilsvarende læringsstrategier (IS) for tandlægestuderende som et nyttigt værktøj til at udvikle IS retningslinjer .Lovende metoder til tandlægestuderende.
I alt 255 tandlægestuderende fra University of Malaya udfyldte det ændrede Index of Learning Styles (m-ILS) spørgeskema, som indeholdt 44 punkter for at klassificere dem i deres respektive LS'er.De indsamlede data (kaldet et datasæt) bruges i overvåget beslutningstræ-læring for automatisk at matche elevernes læringsstile til den mest passende IS.Nøjagtigheden af det maskinlæringsbaserede IS-anbefalingsværktøj evalueres derefter.
Anvendelsen af beslutningstræmodeller i en automatiseret kortlægningsproces mellem LS (input) og IS (måloutput) giver mulighed for en øjeblikkelig liste over passende læringsstrategier for hver tandlægestuderende.IS-anbefalingsværktøjet demonstrerede perfekt nøjagtighed og genkaldelse af den overordnede modelnøjagtighed, hvilket indikerer, at matchning af LS til IS har god sensitivitet og specificitet.
Et IS-anbefalingsværktøj baseret på et ML-beslutningstræ har bevist sin evne til præcist at matche tandlægestuderendes læringsstile med passende læringsstrategier.Dette værktøj giver effektive muligheder for planlægning af elevcentrerede kurser eller moduler, der kan forbedre elevernes læringsoplevelse.
Undervisning og læring er grundlæggende aktiviteter i uddannelsesinstitutionerne.Når man skal udvikle et erhvervsuddannelsessystem af høj kvalitet, er det vigtigt at fokusere på elevernes læringsbehov.Samspillet mellem elever og deres læringsmiljø kan bestemmes gennem deres LS.Forskning tyder på, at lærer-tilsigtede misforhold mellem elevernes LS og IS kan have negative konsekvenser for elevernes læring, såsom nedsat opmærksomhed og motivation.Dette vil indirekte påvirke elevernes præstationer [1,2].
IS er en metode, som lærere bruger til at formidle viden og færdigheder til elever, herunder at hjælpe elever med at lære [3].Generelt planlægger gode lærere undervisningsstrategier eller IS, der bedst matcher deres elevers vidensniveau, de begreber, de lærer, og deres læringstrin.Teoretisk set, når LS og IS matcher, vil eleverne være i stand til at organisere og bruge et specifikt sæt færdigheder til at lære effektivt.Typisk omfatter en lektionsplan flere overgange mellem trin, såsom fra undervisning til vejledt praksis eller fra guidet praksis til selvstændig praksis.Med dette in mente planlægger effektive lærere ofte undervisning med det mål at opbygge elevernes viden og færdigheder [4].
Efterspørgslen efter SCL vokser på de videregående uddannelsesinstitutioner, herunder tandpleje.SCL-strategier er designet til at imødekomme elevernes læringsbehov.Dette kan for eksempel opnås, hvis eleverne deltager aktivt i læringsaktiviteter, og lærerne fungerer som facilitatorer og er ansvarlige for at give værdifuld feedback.Det siges, at tilvejebringelse af læringsmaterialer og aktiviteter, der passer til elevernes uddannelsesniveau eller præferencer, kan forbedre elevernes læringsmiljø og fremme positive læringsoplevelser [5].
Generelt er tandlægestuderendes læreproces påvirket af de forskellige kliniske procedurer, de skal udføre, og det kliniske miljø, hvor de udvikler effektive interpersonelle færdigheder.Formålet med uddannelsen er at sætte den studerende i stand til at kombinere grundlæggende viden om tandpleje med tandkliniske færdigheder og anvende den erhvervede viden i nye kliniske situationer [6, 7].Tidlig forskning i forholdet mellem LS og IS viste, at tilpasning af læringsstrategier kortlagt til den foretrukne LS ville hjælpe med at forbedre uddannelsesprocessen [8].Forfatterne anbefaler også at bruge en række forskellige undervisnings- og vurderingsmetoder for at tilpasse sig elevernes læring og behov.
Lærere drager fordel af at anvende LS-viden til at hjælpe dem med at designe, udvikle og implementere undervisning, der vil forbedre elevernes tilegnelse af dybere viden og forståelse af emnet.Forskere har udviklet adskillige LS vurderingsværktøjer, såsom Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) og Fleming VAK/VARK Model [5, 9, 10].Ifølge litteraturen er disse læringsmodeller de mest anvendte og mest undersøgte læringsmodeller.I det aktuelle forskningsarbejde anvendes FSLSM til at vurdere LS blandt tandlægestuderende.
FSLSM er en meget brugt model til evaluering af adaptiv læring inden for ingeniørvidenskab.Der er mange publicerede værker inden for sundhedsvidenskab (herunder medicin, sygepleje, apotek og tandpleje), som kan findes ved hjælp af FSLSM-modeller [5, 11, 12, 13].Instrumentet, der bruges til at måle dimensionerne af LS i FLSM, kaldes Index of Learning Styles (ILS) [8], som indeholder 44 elementer, der vurderer fire dimensioner af LS: bearbejdning (aktiv/reflektiv), perception (perceptuel/intuitiv), input (visuelt)./verbal) og forståelse (sekventiel/global) [14].
Som vist i figur 1 har hver FSLSM-dimension en dominerende præference.For eksempel i bearbejdningsdimensionen foretrækker elever med "aktiv" LS at behandle information ved direkte at interagere med læringsmaterialer, lære ved at gøre og har tendens til at lære i grupper.Den "reflekterende" LS refererer til læring gennem tænkning og foretrækker at arbejde alene.Den "opfattende" dimension af LS kan opdeles i "følelse" og/eller "intuition.""Følende" elever foretrækker mere konkret information og praktiske procedurer, er faktaorienterede sammenlignet med "intuitive" elever, der foretrækker abstrakt materiale og er mere innovative og kreative af natur."Input"-dimensionen af LS består af "visuelle" og "verbale" elever.Mennesker med "visuel" LS foretrækker at lære gennem visuelle demonstrationer (såsom diagrammer, videoer eller livedemonstrationer), hvorimod personer med "verbal" LS foretrækker at lære gennem ord i skriftlige eller mundtlige forklaringer.For at "forstå" LS-dimensionerne kan sådanne elever opdeles i "sekventiel" og "global"."Sekventielle elever foretrækker en lineær tankeproces og lærer trin for trin, mens globale elever har en tendens til at have en holistisk tankeproces og altid har en bedre forståelse af, hvad de lærer.
På det seneste er mange forskere begyndt at udforske metoder til automatisk datadrevet opdagelse, herunder udvikling af nye algoritmer og modeller, der er i stand til at fortolke store mængder data [15, 16].Baseret på de leverede data er overvåget ML (machine learning) i stand til at generere mønstre og hypoteser, der forudsiger fremtidige resultater baseret på konstruktionen af algoritmer [17].Enkelt sagt manipulerer overvågede maskinlæringsteknikker inputdata og træner algoritmer.Det genererer derefter et interval, der klassificerer eller forudsiger resultatet baseret på lignende situationer for de leverede inputdata.Den største fordel ved overvågede maskinlæringsalgoritmer er dens evne til at etablere ideelle og ønskede resultater [17].
Ved brug af datadrevne metoder og beslutningstræstyringsmodeller er automatisk detektering af LS mulig.Beslutningstræer er blevet rapporteret at være meget brugt i træningsprogrammer inden for forskellige områder, herunder sundhedsvidenskab [18, 19].I denne undersøgelse blev modellen specifikt trænet af systemudviklerne til at identificere elevernes LS og anbefale den bedste IS for dem.
Formålet med denne undersøgelse er at udvikle IS-leveringsstrategier baseret på elevernes LS og anvende SCL-tilgangen ved at udvikle et IS-anbefalingsværktøj kortlagt til LS.Designflowet af IS-anbefalingsværktøjet som en strategi for SCL-metoden er vist i figur 1. IS-anbefalingsværktøjet er opdelt i to dele, herunder LS-klassifikationsmekanismen ved hjælp af ILS og det bedst egnede IS-display til elever.
Særligt karakteristika ved anbefalingsværktøjer til informationssikkerhed omfatter brugen af webteknologier og brugen af beslutningstræ maskinlæring.Systemudviklere forbedrer brugeroplevelsen og mobiliteten ved at tilpasse dem til mobile enheder såsom mobiltelefoner og tablets.
Eksperimentet blev udført i to etaper, og studerende fra Det Odontologiske Fakultet ved University of Malaya deltog på frivillig basis.Deltagerne svarede på en tandlægestuderendes online m-ILS på engelsk.I den indledende fase blev et datasæt på 50 elever brugt til at træne beslutningstræets maskinlæringsalgoritme.I anden fase af udviklingsprocessen blev et datasæt på 255 studerende brugt til at forbedre nøjagtigheden af det udviklede instrument.
Alle deltagere modtager en online briefing i begyndelsen af hver fase, afhængigt af studieåret, via Microsoft Teams.Formålet med undersøgelsen blev forklaret og informeret samtykke blev indhentet.Alle deltagere fik et link til at få adgang til m-ILS.Hver elev blev bedt om at besvare alle 44 punkter på spørgeskemaet.De fik en uge til at færdiggøre den ændrede ILS på et tidspunkt og sted, der var passende for dem i semesterpausen før semesterstart.m-ILS er baseret på det originale ILS-instrument og modificeret til tandlægestuderende.I lighed med den originale ILS indeholder den 44 ligeligt fordelte elementer (a, b), med hver 11 elementer, som bruges til at vurdere aspekter af hver FSLSM-dimension.
Under de indledende faser af værktøjsudviklingen annoterede forskerne manuelt kortene ved hjælp af et datasæt med 50 tandlægestuderende.Ifølge FSLM giver systemet summen af svarene "a" og "b".For hver dimension, hvis eleven vælger "a" som svar, klassificeres LS som Aktiv/Perceptuel/Visuel/Sekventiel, og hvis eleven vælger "b" som svar, klassificeres eleven som Refleksiv/Intuitiv/Lingvistisk ./ global elev.
Efter at have kalibreret arbejdsgangen mellem tandlægeuddannelsesforskere og systemudviklere, blev spørgsmål udvalgt baseret på FLSSM-domænet og ført ind i ML-modellen for at forudsige hver elevs LS."Garbage in, garbage out" er et populært ordsprog inden for maskinlæring, med vægt på datakvalitet.Kvaliteten af inputdataene bestemmer maskinlæringsmodellens præcision og nøjagtighed.Under feature engineering-fasen oprettes et nyt feature-sæt, som er summen af svarene "a" og "b" baseret på FLSSM.Identifikationsnumre for lægemiddelpositioner er angivet i tabel 1.
Beregn scoren ud fra svarene og bestem elevens LS.For hver elev er scoreintervallet fra 1 til 11. Karakterer fra 1 til 3 angiver en balance mellem læringspræferencer inden for den samme dimension, og score fra 5 til 7 indikerer en moderat præference, hvilket indikerer, at elever har en tendens til at foretrække et miljø, der lærer andre. .En anden variation af samme dimension er, at score fra 9 til 11 afspejler en stærk præference for den ene eller den anden ende [8].
For hver dimension blev stoffer grupperet i "aktive", "reflekterende" og "afbalancerede".For eksempel, når en elev svarer "a" oftere end "b" på et udpeget element, og hans/hendes score overstiger tærsklen på 5 for et bestemt element, der repræsenterer Processing LS-dimensionen, tilhører han/hun den "aktive" LS domæne..Eleverne blev dog klassificeret som "reflekterende" LS, når de valgte "b" mere end "a" i specifikke 11 spørgsmål (tabel 1) og scorede mere end 5 point.Endelig er eleven i en tilstand af "ligevægt".Hvis scoren ikke overstiger 5 point, så er dette en "proces" LS.Klassificeringsprocessen blev gentaget for de andre LS-dimensioner, nemlig perception (aktiv/reflektiv), input (visuel/verbal) og forståelse (sekventiel/global).
Beslutningstræmodeller kan bruge forskellige undersæt af funktioner og beslutningsregler på forskellige stadier af klassificeringsprocessen.Det betragtes som et populært klassificerings- og forudsigelsesværktøj.Det kan repræsenteres ved hjælp af en træstruktur såsom et flowchart [20], hvori der er interne knudepunkter, der repræsenterer test efter attribut, hver gren repræsenterer testresultater, og hver bladknude (bladknude) indeholder en klasseetiket.
Et simpelt regelbaseret program blev oprettet til automatisk at score og annotere hver elevs LS baseret på deres svar.Regelbaseret har form af en IF-sætning, hvor "IF" beskriver triggeren og "THEN" angiver den handling, der skal udføres, for eksempel: "Hvis X sker, så gør Y" (Liu et al., 2014).Hvis datasættet udviser korrelation, og beslutningstræmodellen er korrekt trænet og evalueret, kan denne tilgang være en effektiv måde at automatisere processen med at matche LS og IS.
I den anden fase af udviklingen blev datasættet øget til 255 for at forbedre nøjagtigheden af anbefalingsværktøjet.Datasættet er opdelt i forholdet 1:4.25 % (64) af datasættet blev brugt til testsættet, og de resterende 75 % (191) blev brugt som træningssæt (figur 2).Datasættet skal opdeles for at forhindre, at modellen trænes og testes på det samme datasæt, hvilket kan få modellen til at huske i stedet for at lære.Modellen trænes på træningssættet og evaluerer dens ydeevne på testsættet – data, som modellen aldrig har set før.
Når IS-værktøjet er udviklet, vil applikationen være i stand til at klassificere LS baseret på svar fra tandlægestuderende via en webgrænseflade.Det webbaserede informationssikkerhedsanbefalingssystem er bygget ved hjælp af Python-programmeringssproget ved at bruge Django-rammeværket som backend.Tabel 2 viser de biblioteker, der er brugt i udviklingen af dette system.
Datasættet føres til en beslutningstræmodel for at beregne og udtrække elevsvar for automatisk at klassificere elevernes LS-målinger.
Forvirringsmatricen bruges til at evaluere nøjagtigheden af en beslutningstræ maskinlæringsalgoritme på et givet datasæt.Samtidig evaluerer den klassifikationsmodellens ydeevne.Den opsummerer modellens forudsigelser og sammenligner dem med de faktiske dataetiketter.Evalueringsresultaterne er baseret på fire forskellige værdier: True Positive (TP) – modellen forudsagde korrekt den positive kategori, False Positive (FP) – modellen forudsagde den positive kategori, men den sande etiket var negativ, True Negative (TN) – modellen forudsagde den negative klasse korrekt, og falsk negativ (FN) – Modellen forudsiger en negativ klasse, men den sande etiket er positiv.
Disse værdier bruges derefter til at beregne forskellige præstationsmålinger for scikit-learn-klassifikationsmodellen i Python, nemlig præcision, præcision, tilbagekaldelse og F1-score.Her er eksempler:
Recall (eller sensitivitet) måler modellens evne til præcist at klassificere en elevs LS efter at have besvaret m-ILS-spørgeskemaet.
Specificitet kaldes en sand negativ rate.Som du kan se fra ovenstående formel, bør dette være forholdet mellem sande negative (TN) og sande negative og falske positive (FP).Som en del af det anbefalede værktøj til klassificering af studerendes stoffer bør det være i stand til nøjagtig identifikation.
Det originale datasæt på 50 elever, der blev brugt til at træne beslutningstræet ML-modellen, viste relativt lav nøjagtighed på grund af menneskelige fejl i annoteringerne (tabel 3).Efter at have oprettet et simpelt regelbaseret program til automatisk at beregne LS-score og elevannoteringer, blev et stigende antal datasæt (255) brugt til at træne og teste anbefalingssystemet.
I multiklasse-forvirringsmatricen repræsenterer de diagonale elementer antallet af korrekte forudsigelser for hver LS-type (figur 4).Ved hjælp af beslutningstræmodellen blev i alt 64 prøver korrekt forudsagt.I denne undersøgelse viser de diagonale elementer således de forventede resultater, hvilket indikerer, at modellen klarer sig godt og præcist forudsiger klassemærket for hver LS-klassifikation.Således er den samlede nøjagtighed af anbefalingsværktøjet 100 %.
Værdierne for nøjagtighed, præcision, genkaldelse og F1-score er vist i figur 5. For anbefalingssystemet, der bruger beslutningstræmodellen, er dets F1-score 1,0 "perfekt", hvilket indikerer perfekt præcision og genkaldelse, hvilket afspejler betydelig følsomhed og specificitet værdier.
Figur 6 viser en visualisering af beslutningstræmodellen efter at træning og test er gennemført.I en side-by-side sammenligning viste beslutningstræmodellen trænet med færre funktioner højere nøjagtighed og lettere modelvisualisering.Dette viser, at funktionsteknik, der fører til funktionsreduktion, er et vigtigt skridt i at forbedre modellens ydeevne.
Ved at anvende beslutningstræ-overvåget læring genereres kortlægningen mellem LS (input) og IS (target output) automatisk og indeholder detaljerede oplysninger for hver LS.
Resultaterne viste, at 34,9 % af de 255 studerende foretrak én (1) LS-mulighed.Flertallet (54,3%) havde to eller flere LS-præferencer.12,2 % af eleverne bemærkede, at LS er ret afbalanceret (tabel 4).Ud over de otte vigtigste LS er der 34 kombinationer af LS-klassifikationer for tandlægestuderende ved University of Malaya.Blandt dem er perception, vision og kombinationen af perception og vision de vigtigste LS rapporteret af eleverne (figur 7).
Som det fremgår af tabel 4, havde størstedelen af eleverne en overvejende sensorisk (13,7 %) eller visuel (8,6 %) LS.Det blev rapporteret, at 12,2% af eleverne kombinerede perception med syn (perceptuel-visuel LS).Disse resultater tyder på, at elever foretrækker at lære og huske gennem etablerede metoder, følger specifikke og detaljerede procedurer og er opmærksomme af natur.Samtidig nyder de at lære ved at kigge (ved hjælp af diagrammer osv.) og har en tendens til at diskutere og anvende information i grupper eller på egen hånd.
Denne undersøgelse giver et overblik over maskinlæringsteknikker, der bruges i datamining, med fokus på øjeblikkeligt og præcist at forudsige elevernes LS og anbefale passende IS.Anvendelse af en beslutningstræmodel identificerede de faktorer, der var tættest forbundet med deres liv og uddannelseserfaringer.Det er en overvåget maskinlæringsalgoritme, der bruger en træstruktur til at klassificere data ved at opdele et sæt data i underkategorier baseret på bestemte kriterier.Det fungerer ved rekursivt at opdele inputdataene i undersæt baseret på værdien af en af inputfunktionerne for hver intern node, indtil der træffes en beslutning ved bladknuden.
De interne knudepunkter i beslutningstræet repræsenterer løsningen baseret på inputkarakteristika for m-ILS-problemet, og bladknuderne repræsenterer den endelige LS-klassificeringsforudsigelse.Gennem hele undersøgelsen er det let at forstå hierarkiet af beslutningstræer, der forklarer og visualiserer beslutningsprocessen ved at se på forholdet mellem inputfunktioner og outputforudsigelser.
Inden for datalogi og teknik bruges maskinlæringsalgoritmer i vid udstrækning til at forudsige elevernes præstationer baseret på deres adgangseksamensresultater [21], demografiske oplysninger og læringsadfærd [22].Forskning viste, at algoritmen præcist forudsagde elevernes præstationer og hjalp dem med at identificere elever i risiko for akademiske vanskeligheder.
Anvendelsen af ML-algoritmer i udviklingen af virtuelle patientsimulatorer til tandlægetræning er rapporteret.Simulatoren er i stand til nøjagtigt at gengive de fysiologiske reaktioner fra rigtige patienter og kan bruges til at træne tandlægestuderende i et sikkert og kontrolleret miljø [23].Adskillige andre undersøgelser viser, at maskinlæringsalgoritmer potentielt kan forbedre kvaliteten og effektiviteten af dental og medicinsk uddannelse og patientbehandling.Maskinlæringsalgoritmer er blevet brugt til at hjælpe med diagnosticering af tandsygdomme baseret på datasæt såsom symptomer og patientkarakteristika [24, 25].Mens andre undersøgelser har udforsket brugen af maskinlæringsalgoritmer til at udføre opgaver som at forudsige patientresultater, identificere højrisikopatienter, udvikle personlige behandlingsplaner [26], parodontalbehandling [27] og cariesbehandling [25].
Selvom rapporter om anvendelsen af maskinlæring i tandpleje er blevet offentliggjort, er dens anvendelse i tandlægeuddannelsen fortsat begrænset.Derfor havde denne undersøgelse til formål at bruge en beslutningstræmodel til at identificere faktorer, der er tættest forbundet med LS og IS blandt tandlægestuderende.
Resultaterne af denne undersøgelse viser, at det udviklede anbefalingsværktøj har høj nøjagtighed og perfekt nøjagtighed, hvilket indikerer, at lærere kan drage fordel af dette værktøj.Ved at bruge en datadrevet klassificeringsproces kan den give personlige anbefalinger og forbedre uddannelsesmæssige oplevelser og resultater for undervisere og studerende.Blandt dem kan information indhentet gennem anbefalingsværktøjer løse konflikter mellem lærernes foretrukne undervisningsmetoder og elevernes læringsbehov.For eksempel, på grund af det automatiserede output af anbefalingsværktøjer, vil den tid, der kræves til at identificere en elevs IP og matche den med den tilsvarende IP, blive væsentligt reduceret.På denne måde kan passende træningsaktiviteter og træningsmaterialer tilrettelægges.Dette er med til at udvikle elevernes positive læringsadfærd og koncentrationsevne.En undersøgelse rapporterede, at det at give eleverne læringsmaterialer og læringsaktiviteter, der matcher deres foretrukne LS, kan hjælpe eleverne med at integrere, bearbejde og nyde læring på flere måder for at opnå større potentiale [12].Forskning viser også, at ud over at forbedre elevernes deltagelse i klasseværelset, spiller forståelsen af elevernes læreproces også en afgørende rolle i at forbedre undervisningspraksis og kommunikationen med eleverne [28, 29].
Men som med enhver moderne teknologi er der problemer og begrænsninger.Disse omfatter spørgsmål relateret til databeskyttelse, bias og retfærdighed, og de faglige færdigheder og ressourcer, der er nødvendige for at udvikle og implementere maskinlæringsalgoritmer i tandlægeuddannelser;Men voksende interesse og forskning på dette område tyder på, at maskinlæringsteknologier kan have en positiv indvirkning på tandlægeuddannelse og tandlægetjenester.
Resultaterne af denne undersøgelse indikerer, at halvdelen af tandlægestuderende har en tendens til at "opfatte" stoffer.Denne type elev har en præference for fakta og konkrete eksempler, en praktisk orientering, tålmodighed for detaljer og en "visuel" LS-præference, hvor eleverne foretrækker at bruge billeder, grafik, farver og kort til at formidle ideer og tanker.De nuværende resultater er i overensstemmelse med andre undersøgelser, der bruger ILS til at vurdere LS hos tandlæge- og medicinstuderende, hvoraf de fleste har karakteristika af perceptuel og visuel LS [12, 30].Dalmolin et al foreslår, at informere eleverne om deres LS giver dem mulighed for at nå deres læringspotentiale.Forskere hævder, at når lærere fuldt ud forstår elevernes uddannelsesproces, kan forskellige undervisningsmetoder og aktiviteter implementeres, som vil forbedre elevernes præstationer og læringsoplevelse [12, 31, 32].Andre undersøgelser har vist, at justering af elevers LS også viser forbedringer i elevernes læringsoplevelse og præstationer efter at have ændret deres læringsstile, så de passer til deres egen LS [13, 33].
Lærernes meninger kan variere med hensyn til implementering af undervisningsstrategier baseret på elevernes indlæringsevner.Mens nogle ser fordelene ved denne tilgang, herunder muligheder for faglig udvikling, mentorskab og støtte fra lokalsamfundet, kan andre være bekymrede over tid og institutionel støtte.At stræbe efter balance er nøglen til at skabe en elevcentreret holdning.Myndigheder for videregående uddannelser, såsom universitetsadministratorer, kan spille en vigtig rolle i at fremme positive forandringer ved at indføre innovativ praksis og støtte fakultetsudvikling [34].For at skabe et virkelig dynamisk og lydhørt videregående uddannelsessystem skal politikere tage modige skridt, såsom at lave politiske ændringer, afsætte ressourcer til teknologiintegration og skabe rammer, der fremmer elevcentrerede tilgange.Disse tiltag er afgørende for at opnå de ønskede resultater.Nyere forskning i differentieret undervisning har klart vist, at en vellykket implementering af differentieret undervisning kræver løbende uddannelses- og udviklingsmuligheder for lærere [35].
Dette værktøj giver værdifuld støtte til tandlægeundervisere, der ønsker at tage en elevcentreret tilgang til planlægning af elevvenlige læringsaktiviteter.Denne undersøgelse er dog begrænset til brugen af beslutningstræ ML-modeller.I fremtiden bør der indsamles flere data for at sammenligne ydeevnen af forskellige maskinlæringsmodeller for at sammenligne nøjagtigheden, pålideligheden og præcisionen af anbefalingsværktøjer.Derudover, når du vælger den mest passende maskinlæringsmetode til en bestemt opgave, er det vigtigt at overveje andre faktorer såsom modelkompleksitet og fortolkning.
En begrænsning ved denne undersøgelse er, at den kun fokuserede på kortlægning af LS og IS blandt tandlægestuderende.Derfor vil det udviklede anbefalingssystem kun anbefale dem, der passer til tandlægestuderende.Ændringer er nødvendige for almen videregående studerendes brug.
Det nyudviklede maskinlæringsbaserede anbefalingsværktøj er i stand til øjeblikkeligt at klassificere og matche elevernes LS til den tilsvarende IS, hvilket gør det til det første tandlægeuddannelsesprogram, der hjælper tandlægeundervisere med at planlægge relevante undervisnings- og læringsaktiviteter.Ved at bruge en datadrevet triage-proces kan den give personlige anbefalinger, spare tid, forbedre undervisningsstrategier, understøtte målrettede interventioner og fremme løbende faglig udvikling.Dens anvendelse vil fremme elevcentrerede tilgange til tandlægeuddannelse.
Gilak Jani Associated Press.Match eller misforhold mellem elevens læringsstil og lærerens undervisningsstil.Int J Mod Uddannelse Datalogi.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Indlægstid: 29-apr-2024