Der er et voksende behov for studerende-centreret læring (SCL) i videregående uddannelsesinstitutioner, herunder tandlæge. SCL har dog begrænset anvendelse i tanduddannelse. Derfor sigter denne undersøgelse mod at fremme anvendelsen af SCL i tandlæge ved at bruge Decision Tree Machine Learning (ML) -teknologi til at kortlægge den foretrukne læringsstil (LS) og tilsvarende læringsstrategier (IS) for tandlæger som et nyttigt værktøj til udvikling er retningslinjer . Lovende metoder til tandlæger.
I alt 255 tandstuderende fra University of Malaya afsluttede det ændrede indeks for læringsstilarter (M-ILS) spørgeskema, som indeholdt 44 genstande for at klassificere dem i deres respektive LSS. De indsamlede data (kaldet et datasæt) bruges i overvåget beslutningstræ, der læres at automatisk matche elevernes læringsstile til det mest passende er. Nøjagtigheden af den maskinlæringsbaserede er anbefalingsværktøj evalueres derefter.
Anvendelsen af beslutningstræmodeller i en automatiseret kortlægningsproces mellem LS (input) og IS (måludgang) giver mulighed for en øjeblikkelig liste over passende læringsstrategier for hver tandstuderende. IS -anbefalingsværktøjet demonstrerede perfekt nøjagtighed og tilbagekaldelse af den overordnede modelnøjagtighed, hvilket indikerer, at matchende LS til er har god følsomhed og specificitet.
A er anbefalingsværktøj baseret på et ML -beslutningstræ har bevist sin evne til nøjagtigt at matche tandstuderendes læringsstile med passende læringsstrategier. Dette værktøj giver kraftfulde muligheder for planlægning af elever-centrerede kurser eller moduler, der kan forbedre studerendes læringsoplevelse.
Undervisning og læring er grundlæggende aktiviteter i uddannelsesinstitutioner. Når man udvikler et erhvervsuddannelsessystem af høj kvalitet, er det vigtigt at fokusere på studerendes læringsbehov. Interaktionen mellem studerende og deres læringsmiljø kan bestemmes gennem deres LS. Forskning antyder, at lærer-tilmeldte misforhold mellem studerendes LS og IS kan have negative konsekvenser for studerendes læring, såsom nedsat opmærksomhed og motivation. Dette vil indirekte påvirke studerendes præstation [1,2].
IS er en metode, der bruges af lærere til at give studerende viden og færdigheder, herunder at hjælpe studerende med at lære [3]. Generelt planlægger gode lærere undervisningsstrategier eller er bedst at matche deres studerendes videnniveau, de koncepter, de lærer, og deres læringsstadium. Teoretisk, når LS og er match, vil de studerende være i stand til at organisere og bruge et specifikt sæt færdigheder til at lære effektivt. En lektionsplan inkluderer typisk adskillige overgange mellem faser, såsom fra undervisning til guidet praksis eller fra guidet praksis til uafhængig praksis. Med dette i tankerne planlægger effektive lærere ofte undervisning med det mål at opbygge studerendes viden og færdigheder [4].
Efterspørgslen efter SCL vokser i institutioner for videregående uddannelser, herunder tandlæge. SCL -strategier er designet til at imødekomme studerendes læringsbehov. Dette kan for eksempel opnås, hvis studerende aktivt deltager i læringsaktiviteter, og lærere fungerer som facilitatorer og er ansvarlige for at give værdifuld feedback. Det siges, at levering af læringsmateriale og aktiviteter, der er passende for studerendes uddannelsesniveau eller præferencer, kan forbedre elevernes læringsmiljø og fremme positive læringsoplevelser [5].
Generelt påvirkes tandstuderendes læringsproces af de forskellige kliniske procedurer, de skal udføre, og det kliniske miljø, hvor de udvikler effektive interpersonelle færdigheder. Formålet med uddannelsen er at gøre det muligt for studerende at kombinere grundlæggende viden om tandlæge med kliniske tandlæge og anvende den erhvervede viden til nye kliniske situationer [6, 7]. Tidlig forskning i forholdet mellem LS og viser sig, at justering af læringsstrategier, der er kortlagt til den foretrukne LS, ville hjælpe med at forbedre uddannelsesprocessen [8]. Forfatterne anbefaler også at bruge en række undervisnings- og vurderingsmetoder til at tilpasse sig studerendes 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 de studerendes erhvervelse af dybere viden og forståelse af emnet. Forskere har udviklet adskillige LS-vurderingsværktøjer, såsom Kolb Experimentales Learning Model, Felder-Silverman Learning Style Model (FSLSM) og Fleming VAK/VARK-modellen [5, 9, 10]. I henhold til litteraturen er disse læringsmodeller de mest anvendte og mest studerede læringsmodeller. I det aktuelle forskningsarbejde bruges FSLSM til at vurdere LS blandt tandlæge.
FSLSM er en meget anvendt model til evaluering af adaptiv læring inden for teknik. Der er mange offentliggjorte værker inden for sundhedsvidenskab (inklusive medicin, sygepleje, apotek og tandpleje), der findes ved hjælp af FSLSM -modeller [5, 11, 12, 13]. Instrumentet, der bruges til at måle dimensionerne af LS i FLSM, kaldes indekset for læringsstile (ILS) [8], der indeholder 44 genstande, der vurderer fire dimensioner af LS: behandling (aktiv/reflekterende), opfattelse (perceptuel/intuitiv), input (visuel). /verbal) og forståelse (sekventiel/global) [14].
Som vist i figur 1 har hver FSLSM -dimension en dominerende præference. I behandlingsdimensionen foretrækker studerende med "aktive" LS for eksempel at behandle information ved direkte at interagere med læringsmaterialer, lære ved at gøre og har en tendens til at lære i grupper. De "reflekterende" LS henviser til at lære gennem tænkning og foretrækker at arbejde alene. Den "opfattede" dimension af LS kan opdeles i "følelse" og/eller "intuition." "Følelse af" studerende foretrækker mere konkrete oplysninger og praktiske procedurer, er faktorienterede sammenlignet med "intuitive" studerende, der foretrækker abstrakt materiale og er mere innovative og kreative. Dimensionen "input" af LS består af "visuelle" og "verbale" elever. Mennesker med "visuelle" LS foretrækker at lære gennem visuelle demonstrationer (såsom diagrammer, videoer eller live demonstrationer), mens mennesker med "verbale" LS foretrækker at lære gennem ord i skriftlige eller mundtlige forklaringer. For at "forstå" LS -dimensionerne kan sådanne elever opdeles i "sekventielle" og "globale". ”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 have en bedre forståelse af, hvad de lærer.
For nylig er mange forskere begyndt at undersøge metoder til automatisk datadrevet opdagelse, herunder udviklingen af nye algoritmer og modeller, der er i stand til at fortolke store mængder data [15, 16]. Baseret på de medfølgende data er overvåget ML (maskinlæring) i stand til at generere mønstre og hypoteser, der forudsiger fremtidige resultater baseret på konstruktionen af algoritmer [17]. Kort sagt manipulerer overvågede maskinlæringsteknikker inputdata og togalgoritmer. Det genererer derefter et interval, der klassificerer eller forudsiger resultatet baseret på lignende situationer for de medfølgende inputdata. Den største fordel ved overvågede maskinlæringsalgoritmer er dens evne til at etablere ideelle og ønskede resultater [17].
Gennem brug af datadrevne metoder og beslutningstræstyringsmodeller er automatisk detektion af LS mulig. Det er rapporteret, at beslutningstræer er vidt 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 det bedste er for dem.
Formålet med denne undersøgelse er at udvikle er leveringsstrategier baseret på studerendes LS og anvende SCL -metoden ved at udvikle et IS -anbefalingsværktøj, der er kortlagt til LS. Designstrømmen af IS -anbefalingsværktøjet som en strategi for SCL -metoden er vist i figur 1. IS -anbefalingsværktøjet er opdelt i to dele, inklusive LS -klassificeringsmekanismen ved hjælp af ILS og den mest egnede er visning for studerende.
Især inkluderer egenskaberne ved informationssikkerhedsanbefalingsværktøjer brugen af webteknologier og brugen af beslutningstræmaskinindlæring. Systemudviklere forbedrer brugeroplevelsen og mobiliteten ved at tilpasse dem til mobile enheder såsom mobiltelefoner og tablets.
Eksperimentet blev udført i to faser, og studerende fra Fakultet for tandlæge ved University of Malaya deltog på frivillig basis. Deltagerne reagerede på en tandstuderendes online M-IL'er på engelsk. I den indledende fase blev et datasæt med 50 studerende brugt til at træne algoritmen til beslutningstræmaskinens læring. I den 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 hvert trin, afhængigt af det akademiske år, via Microsoft -teams. Formålet med undersøgelsen blev forklaret og informeret samtykke blev opnået. Alle deltagere fik et link for at få adgang til M-ILS. Hver studerende blev bedt om at besvare alle 44 poster på spørgeskemaet. De fik en uge til at afslutte de modificerede IL'er ad gangen og placering, der var praktisk for dem i semesters pause inden semesters start. M-ILS er baseret på det originale ILS-instrument og ændret til tandlæger. I lighed med de originale IL'er indeholder den 44 jævnt distribuerede genstande (A, B) med 11 poster hver, der bruges til at vurdere aspekter af hver FSLSM -dimension.
I de indledende faser af værktøjsudviklingen kommenterede forskerne manuelt kortene ved hjælp af et datasæt på 50 tandlæge. I henhold til FSLM giver systemet summen af svarene "A" og "B". For hver dimension, hvis den studerende vælger “A” som svar, klassificeres LS som aktiv/perceptuel/visuel/sekventiel, og hvis den studerende vælger “B” som svar, klassificeres den studerende som reflekterende/intuitiv/sproglig . / Global lærer.
Efter kalibrering af arbejdsgangen mellem tandlægeuddannelsesforskere og systemudviklere blev der valgt spørgsmål baseret på FLSSM -domænet og ført ind i ML -modellen for at forudsige hver enkelt studerendes LS. "Affald i, affald ud" er et populært ordsprog inden for maskinlæring med vægt på datakvalitet. Kvaliteten af inputdataene bestemmer præcisionen og nøjagtigheden af maskinlæringsmodellen. I løbet af funktionsteknisk fase oprettes et nyt funktionssæt, der er summen af svarene “A” og “B” baseret på FLSSM. Identifikationsnumre på medikamentpositioner er angivet i tabel 1.
Beregn scoringen baseret på svarene og bestem den studerendes LS. For hver studerende er scoreområdet fra 1 til 11. Resultater fra 1 til 3 indikerer en balance mellem læringspræferencer inden for den samme dimension, og scoringer fra 5 til 7 indikerer en moderat præference, hvilket indikerer, at studerende har en tendens til at foretrække et miljø, der lærer andre . En anden variation på den samme dimension er, at scoringer fra 9 til 11 afspejler en stærk præference for den ene ende eller den anden [8].
For hver dimension blev lægemidler grupperet i "aktiv", "reflekterende" og "afbalanceret". For eksempel, når en studerende svarer "A" oftere end "B" på en udpeget vare, og hans/hendes score overstiger tærsklen på 5 for en bestemt vare, der repræsenterer behandlingen LS -dimension, hører han/hun til den "aktive" LS domæne. . Studerende blev imidlertid klassificeret som "reflekterende" LS, da de valgte "B" mere end "A" i specifikke 11 spørgsmål (tabel 1) og scorede mere end 5 point. Endelig er den studerende i en tilstand af "ligevægt." Hvis scoringen ikke overstiger 5 point, er dette en "proces" LS. Klassificeringsprocessen blev gentaget for de andre LS -dimensioner, nemlig opfattelse (aktiv/reflekterende), input (visuel/verbal) og forståelse (sekventiel/global).
Beslutningstræmodeller kan bruge forskellige undergrupper af funktioner og beslutningsregler i forskellige faser af klassificeringsprocessen. Det betragtes som et populært klassificerings- og forudsigelsesværktøj. Det kan repræsenteres ved hjælp af en træstruktur, såsom et flowdiagram [20], hvor der er interne noder, der repræsenterer tests med attribut, hver gren, der repræsenterer testresultater, og hver bladnode (bladnode), der indeholder et klassemærke.
Et simpelt regelbaseret program blev oprettet til automatisk at score og kommentere hver enkelt studerendes LS baseret på deres svar. Regelbaseret har form af en IF-erklæring, hvor "if" beskriver udløseren og "derefter" specificerer handlingen, 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 udviklingsfase blev datasættet øget til 255 for at forbedre nøjagtigheden af anbefalingsværktøjet. Datasættet er opdelt i et forhold på 1: 4. 25% (64) af datasættet blev brugt til testsættet, og de resterende 75% (191) blev anvendt som træningssæt (figur 2). Datasættet skal opdeles for at forhindre, at modellen bliver trænet og testet på det samme datasæt, hvilket kan få modellen til at huske snarere end at lære. Modellen er trænet i træningssættet og evaluerer dens ydeevne på testsættet - Data Modellen har aldrig set før.
Når IS -værktøjet er udviklet, vil applikationen være i stand til at klassificere LS baseret på reaktionerne fra tandstuderende via en webgrænseflade. Det webbaserede værktøjssystem for informationssikkerhed er bygget ved hjælp af det Python-programmeringssprog ved hjælp af Django-rammen som backend. Tabel 2 viser de biblioteker, der bruges i udviklingen af dette system.
Datasættet føres til en beslutningstræmodel for at beregne og udtrække studerendes svar til automatisk at klassificere studerende LS -målinger.
Forvirringsmatrixen bruges til at evaluere nøjagtigheden af en beslutningstræ maskinlæringsalgoritme på et givet datasæt. På samme tid evaluerer den ydelsen af klassificeringsmodellen. Den opsummerer modellens forudsigelser og sammenligner dem med de faktiske datamærker. 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, sand negativ (TN) - Modellen forudsagde korrekt den negative klasse og falske negative (FN) - modellen forudsiger en negativ klasse, men den sande etiket er positiv.
Disse værdier bruges derefter til at beregne forskellige ydelsesmetrics for scikit-learn-klassificeringsmodellen i Python, nemlig præcision, præcision, tilbagekaldelse og F1-score. Her er eksempler:
Husk (eller følsomhed) måler modellens evne til nøjagtigt at klassificere den studerendes LS efter at have besvaret M-ILS-spørgeskemaet.
Specificitet kaldes en ægte negativ sats. Som du kan se fra ovenstående formel, skal dette være forholdet mellem ægte negativer (TN) og ægte negativer og falske positiver (FP). Som en del af det anbefalede værktøj til klassificering af studerendes lægemidler skal det være i stand til nøjagtig identifikation.
Det originale datasæt med 50 studerende, der plejede at træne beslutningstræet ML -model, viste relativt lav nøjagtighed på grund af menneskelig fejl i annoteringerne (tabel 3). Efter at have oprettet et simpelt regelbaseret program til automatisk at beregne LS-scoringer og studerendes kommentarer, blev et stigende antal datasæt (255) brugt til at træne og teste anbefalingssystemet.
I multiclass -forvirringsmatrixen 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 fungerer godt og forudsiger nøjagtigt klassemærket for hver LS -klassificering. Således er den samlede nøjagtighed af anbefalingsværktøjet 100%.
Værdierne for nøjagtighed, præcision, tilbagekaldelse og F1 -score er vist i figur 5. For anbefalingssystemet ved hjælp af beslutningstræmodellen er dens F1 -score 1,0 "perfekt", hvilket indikerer perfekt præcision og tilbagekaldelse, hvilket afspejler betydelig følsomhed og specificitet værdier.
Figur 6 viser en visualisering af beslutningstræmodellen efter træning og test er afsluttet. I en side-ved-side-sammenligning viste beslutningstræmodellen, der er trænet med færre funktioner, højere nøjagtighed og lettere modelvisualisering. Dette viser, at funktionsteknik, der fører til reduktion af funktionen, er et vigtigt trin i forbedring af modelydelsen.
Ved at anvende beslutningstræ overvåget læring genereres og indeholder kortlægningen mellem LS (input) og IS (måludgang) automatisk og indeholder detaljerede oplysninger for hver LS.
Resultaterne viste, at 34,9% af de 255 studerende foretrak en (1) LS -indstilling. Størstedelen (54,3%) havde to eller flere LS -præferencer. 12,2% af de studerende bemærkede, at LS er ret afbalanceret (tabel 4). Foruden de otte hoved LS er der 34 kombinationer af LS -klassifikationer til University of Malaya Dental Students. Blandt dem er opfattelse, vision og kombination af opfattelse og vision de vigtigste LS rapporteret af studerende (figur 7).
Som det kan ses af tabel 4, havde størstedelen af studerende en fremherskende sensorisk (13,7%) eller visuel (8,6%) ls. Det blev rapporteret, at 12,2% af de studerende kombinerede opfattelse med vision (perceptuel-visuel LS). Disse fund antyder, at studerende foretrækker at lære og huske gennem etablerede metoder, følge specifikke og detaljerede procedurer og er opmærksomme i naturen. På samme tid nyder de at lære ved at se (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 nøjagtigt at forudsige elevernes LS og anbefale passende er. Anvendelse af en beslutningstræmodel identificerede de faktorer, der er mest relateret til deres liv og uddannelsesmæssige oplevelser. Det er en overvåget maskinlæringsalgoritme, der bruger en træstruktur til at klassificere data ved at dele et sæt data i underkategorier baseret på visse kriterier. Det fungerer ved rekursivt at dele inputdataene i undergrupper baseret på værdien af en af inputfunktionerne i hver intern knude, indtil en beslutning træffes ved bladknuden.
De interne knudepunkter i beslutningstræet repræsenterer løsningen baseret på inputegenskaberne for M-ILS-problemet, og bladknudepunkterne 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 output -forudsigelser.
Inden for områder inden for datalogi og teknik er maskinlæringsalgoritmer i vid udstrækning brugt til at forudsige studerendes præstation baseret på deres indgangseksamen score [21], demografisk information og læringsadfærd [22]. Forskning viste, at algoritmen nøjagtigt forudsagde studerendes præstation og hjalp dem med at identificere studerende i fare for akademiske vanskeligheder.
Anvendelsen af ML -algoritmer i udviklingen af virtuelle patientsimulatorer til tandtræning rapporteres. Simulatoren er i stand til nøjagtigt at gengive de fysiologiske responser fra virkelige patienter og kan bruges til at træne tandlæge i et sikkert og kontrolleret miljø [23]. Flere andre undersøgelser viser, at maskinlæringsalgoritmer potentielt kan forbedre kvaliteten og effektiviteten af tand- og medicinsk uddannelse og patientpleje. Maskinindlæringsalgoritmer er blevet brugt til at hjælpe med diagnosen tandsygdomme baseret på datasæt såsom symptomer og patientkarakteristika [24, 25]. Mens andre undersøgelser har undersøgt brugen af maskinlæringsalgoritmer til at udføre opgaver, såsom at forudsige patientresultater, identificere patienter med høj risiko, udvikle personaliserede behandlingsplaner [26], periodontal behandling [27] og Caries-behandling [25].
Selvom rapporter om anvendelse af maskinlæring i tandlæge er blevet offentliggjort, forbliver dens anvendelse i tanduddannelse begrænset. Derfor havde denne undersøgelse til formål at bruge en beslutningstræmodel til at identificere faktorer, der er mest forbundet med LS og er blandt tandstuderende.
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 hjælp af en datadrevet klassificeringsproces kan den give personlige anbefalinger og forbedre uddannelsesmæssige oplevelser og resultater for undervisere og studerende. Blandt dem kan information opnået gennem anbefalingsværktøjer løse konflikter mellem lærernes foretrukne undervisningsmetoder og studerendes læringsbehov. På grund af den automatiserede output af anbefalingsværktøjer, vil den tid, der kræves til at identificere en studerendes IP og matche den med den tilsvarende IP, reduceres markant. På denne måde kan der organiseres passende træningsaktiviteter og træningsmateriale. Dette hjælper med at udvikle studerendes positive læringsadfærd og evne til at koncentrere sig. En undersøgelse rapporterede, at det at give studerende læringsmateriale og læringsaktiviteter, der matcher deres foretrukne LS, kan hjælpe studerende med at integrere, behandle og nyde at lære på flere måder for at opnå større potentiale [12]. Forskning viser også, at ud over at forbedre studerendes deltagelse i klasseværelset spiller forståelse af studerendes læringsproces også en kritisk rolle i forbedring af undervisningspraksis og kommunikation med studerende [28, 29].
Som med enhver moderne teknologi er der imidlertid problemer og begrænsninger. Disse inkluderer spørgsmål relateret til databeskyttelse, bias og retfærdighed og de faglige færdigheder og ressourcer, der er nødvendige for at udvikle og implementere maskinlæringsalgoritmer i tanduddannelse; Imidlertid antyder voksende interesse og forskning på dette område, at maskinlæringsteknologier kan have en positiv indflydelse på tanduddannelse og tandlæge.
Resultaterne af denne undersøgelse indikerer, at halvdelen af tandlæger har en tendens til at "opfatte" stoffer. Denne type lærer har en præference for fakta og konkrete eksempler, en praktisk orientering, tålmodighed til detaljer og en "visuel" LS -præference, hvor eleverne foretrækker at bruge billeder, grafik, farver og kort til at formidle ideer og tanker. De aktuelle resultater er i overensstemmelse med andre undersøgelser, der bruger IL'er til at vurdere LS hos tand- og medicinstuderende, hvoraf de fleste har karakteristika for perceptuel og visuel LS [12, 30]. Dalmolin et al antyder, at informerende studerende om deres LS giver dem mulighed for at nå deres læringspotentiale. Forskere hævder, at når lærere fuldt ud forstår studerendes uddannelsesproces, kan forskellige undervisningsmetoder og aktiviteter implementeres, der vil forbedre elevernes præstation og læringsoplevelse [12, 31, 32]. Andre undersøgelser har vist, at justering af studerendes LS også viser forbedringer i studerendes læringsoplevelse og præstation efter at have ændret deres læringsstile, så de passer til deres egne LS [13, 33].
Lærernes udtalelser kan variere med hensyn til implementering af undervisningsstrategier baseret på studerendes læringsevner. Mens nogle ser fordelene ved denne tilgang, herunder faglige udviklingsmuligheder, mentorskab og samfundsstøtte, kan andre være bekymrede over tid og institutionel støtte. At stræbe efter balance er nøglen til at skabe en studerende-centreret holdning. Myndigheder for videregående uddannelser, såsom universitetsadministratorer, kan spille en vigtig rolle i at skabe positive ændringer ved at indføre innovative praksis og støtte fakultetsudvikling [34]. For at skabe et virkelig dynamisk og responsivt videregående uddannelsessystem skal beslutningstagere tage dristige skridt, såsom at foretage politiske ændringer, afsætte ressourcer til teknologiintegration og skabe rammer, der fremmer studerende-centrerede tilgange. Disse foranstaltninger er kritiske for at opnå de ønskede resultater. Nylig forskning på differentieret undervisning har tydeligt vist, at en vellykket implementering af differentieret undervisning kræver løbende uddannelses- og udviklingsmuligheder for lærere [35].
Dette værktøj giver værdifuld støtte til tandlæger, der ønsker at tage en studerende-centreret tilgang til planlægning af studerende-venlige læringsaktiviteter. Imidlertid er denne undersøgelse begrænset til brugen af beslutningstræ ML -modeller. I fremtiden skal der indsamles flere data for at sammenligne ydelsen af forskellige maskinlæringsmodeller for at sammenligne nøjagtigheden, pålideligheden og præcisionen af anbefalingsværktøjer. Når man vælger den mest passende maskinlæringsmetode til en bestemt opgave, er det desuden vigtigt at overveje andre faktorer, såsom modelkompleksitet og fortolkning.
En begrænsning af denne undersøgelse er, at den kun fokuserede på kortlægning af LS og er blandt tandlæger. Derfor vil det udviklede anbefalingssystem kun anbefale dem, der er egnede til tandlæger. Ændringer er nødvendige til generel studerende til videregående uddannelse.
Det nyudviklede værktøj til maskinlæringsbaseret anbefaling er i stand til øjeblikkeligt at klassificere og matche elevernes LS til det tilsvarende er, hvilket gør det til det første tanduddannelsesprogram, der hjælper tandlægepædagoger med at planlægge relevante undervisnings- og læringsaktiviteter. Ved hjælp af en datadrevet triage-proces kan den give personaliserede anbefalinger, spare tid, forbedre undervisningsstrategier, understøtte målrettede interventioner og fremme løbende faglig udvikling. Dets anvendelse vil fremme studerende-centrerede tilgange til tanduddannelse.
Gilak Jani Associated Press. Match eller uoverensstemmelse mellem den studerendes læringsstil og lærerens undervisningstil. Int J Mod Educ Computer Science. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Posttid: Apr-29-2024