Der er et voksende behov for studentercentreret læring (SCL) på videregående uddannelsesinstitutioner, herunder tandlægevidenskab. SCL har dog begrænset anvendelse inden for tandlægeuddannelsen. Derfor har dette studie til formål at fremme anvendelsen af SCL inden for tandlægevidenskab ved at bruge beslutningstræsbaseret maskinlæringsteknologi (ML) til at kortlægge den foretrukne læringsstil (LS) og tilsvarende læringsstrategier (IS) hos tandlægestuderende som et nyttigt værktøj til udvikling af IS-retningslinjer. Lovende metoder for tandlægestuderende.
I alt 255 tandlægestuderende fra University of Malaya udfyldte det modificerede Index of Learning Styles (m-ILS) spørgeskema, som indeholdt 44 punkter til at klassificere dem i deres respektive læringsstile. De indsamlede data (kaldet et datasæt) bruges i superviseret beslutningstrælæring til automatisk at matche de studerendes læringsstile med det mest passende IS. Nøjagtigheden af det maskinlæringsbaserede IS-anbefalingsværktøj evalueres derefter.
Anvendelsen af beslutningstræmodeller i en automatiseret kortlægningsproces mellem LS (input) og IS (target output) muliggør en øjeblikkelig liste over passende læringsstrategier for hver tandlægestuderende. IS-anbefalingsværktøjet demonstrerede perfekt nøjagtighed og genkendelse af den samlede modelnøjagtighed, hvilket indikerer, at matchning af LS og IS har god sensitivitet og specificitet.
Et IS-anbefalingsværktøj baseret på et ML-beslutningstræ har vist sin evne til præcist at matche tandlægestuderendes læringsstile med passende læringsstrategier. Dette værktøj giver effektive muligheder for at planlægge elevcentrerede kurser eller moduler, der kan forbedre de studerendes læringsoplevelse.
Undervisning og læring er grundlæggende aktiviteter i uddannelsesinstitutioner. Når man udvikler et erhvervsuddannelsessystem af høj kvalitet, er det vigtigt at fokusere på de studerendes læringsbehov. Samspillet mellem studerende og deres læringsmiljø kan bestemmes gennem deres læringsniveau. Forskning tyder på, at lærertilsigtede uoverensstemmelser mellem studerendes læringsniveau og informationsniveau kan have negative konsekvenser for deres læring, såsom nedsat opmærksomhed og motivation. Dette vil indirekte påvirke de studerendes præstationer [1,2].
Informationsteknologi (IS) er en metode, som lærere bruger til at formidle viden og færdigheder til elever, herunder at hjælpe eleverne med at lære [3]. Generelt planlægger gode lærere undervisningsstrategier eller IS, der bedst matcher deres elevers vidensniveau, de koncepter, de lærer, og deres læringsstadie. 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 indeholder en lektionsplan flere overgange mellem stadier, 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 elevernes viden og færdigheder [4].
Efterspørgslen efter SCL vokser på videregående uddannelsesinstitutioner, herunder tandlægeuddannelser. SCL-strategier er designet til at imødekomme de studerendes læringsbehov. Dette kan f.eks. opnås, hvis de studerende aktivt deltager i læringsaktiviteter, og lærerne fungerer som facilitatorer og er ansvarlige for at give værdifuld feedback. Det siges, at det at tilbyde læringsmaterialer og aktiviteter, der er passende for de studerendes uddannelsesniveau eller præferencer, kan forbedre de studerendes læringsmiljø og fremme positive læringsoplevelser [5].
Generelt set påvirkes tandlægestuderendes læringsproces af de forskellige kliniske procedurer, de skal udføre, og det kliniske miljø, hvor de udvikler effektive interpersonelle færdigheder. Formålet med uddannelsen er at sætte de studerende i stand til at kombinere grundlæggende viden om tandpleje med tandlægekliniske færdigheder og anvende den erhvervede viden i nye kliniske situationer [6, 7]. Tidlig forskning i forholdet mellem LS og IS viste, at justering af læringsstrategier, der er kortlagt til det foretrukne LS, ville bidrage til at forbedre uddannelsesprocessen [8]. Forfatterne anbefaler også at bruge en række forskellige undervisnings- og evalueringsmetoder for at tilpasse sig de studerendes læring og behov.
Lærere drager fordel af at anvende deres viden om LS til at designe, udvikle og implementere undervisning, der vil forbedre elevernes tilegnelse af dybere viden og forståelse af faget. 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 bruges FSLSM til at vurdere LS blandt tandlægestuderende.
FSLSM er en udbredt model til evaluering af adaptiv læring inden for ingeniørvidenskab. Der findes mange publicerede værker inden for sundhedsvidenskab (herunder medicin, sygepleje, farmaci og tandlægevidenskab), der 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 punkter, der vurderer fire dimensioner af LS: bearbejdning (aktiv/reflekterende), perception (perceptuel/intuitiv), input (visuel/verbal) og forståelse (sekventiel/global) [14].
Som vist i figur 1 har hver FSLSM-dimension en dominerende præference. For eksempel foretrækker elever med "aktiv" LS i bearbejdningsdimensionen at bearbejde information ved direkte at interagere med læringsmaterialer, lære ved at gøre og har en 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 "følende" 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. Personer med "visuel" LS foretrækker at lære gennem visuelle demonstrationer (såsom diagrammer, videoer eller live demonstrationer), 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 "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 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 superviseret ML (maskinlæring) i stand til at generere mønstre og hypoteser, der forudsiger fremtidige resultater baseret på konstruktionen af algoritmer [17]. Kort sagt manipulerer superviserede maskinlæringsteknikker inputdata og træner algoritmer. Derefter genereres et interval, der klassificerer eller forudsiger resultatet baseret på lignende situationer for de leverede inputdata. Den største fordel ved superviserede maskinlæringsalgoritmer er dens evne til at etablere ideelle og ønskede resultater [17].
Gennem brug af datadrevne metoder og beslutningstræsstyringsmodeller er automatisk detektion af LS mulig. Beslutningstræer er rapporteret at være meget anvendt i træningsprogrammer inden for forskellige områder, herunder sundhedsvidenskab [18, 19]. I dette studie blev modellen specifikt trænet af systemudviklerne til at identificere studerendes LS og anbefale den bedste IS til dem.
Formålet med denne undersøgelse er at udvikle IS-leveringsstrategier baseret på elevernes LS og anvende SCL-tilgangen ved at udvikle et IS-anbefalingsværktøj, der er kortlagt til LS. Designflowet for IS-anbefalingsværktøjet som en strategi for SCL-metoden er vist i figur 1. IS-anbefalingsværktøjet er opdelt i to dele, herunder LS-klassificeringsmekanismen ved hjælp af ILS og den mest passende IS-visning for elever.
Især kendetegnene ved anbefalingsværktøjer til informationssikkerhed omfatter brugen af webteknologier og brugen af maskinlæring i beslutningstræer. Systemudviklere forbedrer brugeroplevelsen og mobiliteten ved at tilpasse dem til mobile enheder som mobiltelefoner og tablets.
Eksperimentet blev udført i to faser, og studerende fra Det Odontologiske Fakultet ved University of Malaya deltog frivilligt. Deltagerne svarede på en tandlægestuderendes online m-ILS på engelsk. I den indledende fase blev et datasæt med 50 studerende brugt til at træne beslutningstræets maskinlæringsalgoritme. I den anden fase af udviklingsprocessen blev et datasæt med 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 der blev indhentet informeret samtykke. Alle deltagere fik et link til at få adgang til m-ILS. Hver studerende blev instrueret i at besvare alle 44 punkter på spørgeskemaet. De fik en uge til at udfylde den modificerede ILS på et tidspunkt og sted, der passede dem i semesterferien før semesterstart. m-ILS er baseret på det originale ILS-instrument og modificeret til tandlægestuderende. I lighed med den originale ILS indeholder den 44 jævnt fordelte punkter (a, b) med 11 punkter hver, som bruges til at vurdere aspekter af hver FSLSM-dimension.
I de indledende faser af værktøjsudviklingen annoterede forskerne manuelt kortene ved hjælp af et datasæt med 50 tandlægestuderende. Ifølge FSLM leverer 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/Lingvistisk/global lærende.
Efter kalibrering af arbejdsgangen mellem forskere inden for tandlægepædagogik og systemudviklere blev spørgsmål udvalgt baseret på FLSSM-domænet og ført ind i ML-modellen for at forudsige hver studerendes LS. "Garbage in, garbage out" er et populært ordsprog inden for maskinlæring med vægt på datakvalitet. Kvaliteten af inputdataene bestemmer præcisionen og nøjagtigheden af maskinlæringsmodellen. I løbet af funktionsudviklingsfasen oprettes et nyt funktionssæt, som er summen af svarene "a" og "b" baseret på FLSSM. Identifikationsnumre for lægemiddelpositioner er angivet i tabel 1.
Beregn scoren baseret på svarene, og bestem elevens LS (mindre marginal læring). For hver elev er scoreintervallet fra 1 til 11. Scorer fra 1 til 3 angiver en balance af læringspræferencer inden for samme dimension, og scorer fra 5 til 7 angiver en moderat præference, hvilket indikerer, at eleverne har en tendens til at foretrække ét miljø, hvor de underviser i andre. En anden variation på samme dimension er, at scorer fra 9 til 11 afspejler en stærk præference for den ene eller den anden ende [8].
For hver dimension blev stoffer grupperet i "aktiv", "reflekterende" og "balanceret". For eksempel, når en elev svarer "a" oftere end "b" på et bestemt element, og hans/hendes score overstiger tærsklen på 5 for et bestemt element, der repræsenterer dimensionen Processing LS, tilhører han/hun det "aktive" LS-domæne. Elever blev dog klassificeret som "reflekterende" LS, når de valgte "b" mere end "a" i 11 specifikke spørgsmål (Tabel 1) og scorede mere end 5 point. Endelig er eleven i en tilstand af "ligevægt". Hvis scoren ikke overstiger 5 point, er dette en "proces" LS. Klassificeringsprocessen blev gentaget for de andre LS-dimensioner, nemlig perception (aktiv/reflekterende), input (visuel/verbal) og forståelse (sekventiel/global).
Beslutningstræmodeller kan bruge forskellige delmængder 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 flowdiagram [20], hvor der er interne noder, der repræsenterer test efter attribut, hver gren repræsenterer testresultater, og hver bladnode (bladnode) indeholder en klasseetiket.
Et simpelt regelbaseret program blev oprettet til automatisk at score og annotere hver elevs LS baseret på deres svar. Regelbaseret praksis har form af en HVIS-sætning, hvor "HVIS" beskriver udløseren, og "SÅ" specificerer 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 anden udviklingsfase 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 data i stedet for at lære. Modellen trænes på træningssættet og evaluerer sin 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 system til anbefaling af informationssikkerhedsværktøjer er bygget ved hjælp af programmeringssproget Python med Django-frameworket som backend. Tabel 2 viser de biblioteker, der blev 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 datamærker. Evalueringsresultaterne er baseret på fire forskellige værdier: Sand positiv (TP) – modellen forudsagde korrekt den positive kategori, Falsk positiv (FP) – modellen forudsagde korrekt den positive kategori, men den sande betegnelse var negativ, Sand negativ (TN) – modellen forudsagde korrekt den negative klasse, og falsk negativ (FN) – Modellen forudsiger en negativ klasse, men den sande betegnelse er positiv.
Disse værdier bruges derefter til at beregne forskellige præstationsmålinger for scikit-learn-klassifikationsmodellen i Python, nemlig præcision, præcision, recall 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 af 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 lægemidler bør det være muligt at identificere det præcist.
Det oprindelige datasæt med 50 studerende, der blev brugt til at træne beslutningstræets ML-model, viste relativt lav nøjagtighed på grund af menneskelige fejl i annotationerne (Tabel 3). Efter at have oprettet et simpelt regelbaseret program til automatisk at beregne LS-scorer og studerendes annotationer, 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. Den samlede nøjagtighed af anbefalingsværktøjet er således 100 %.
Værdierne for nøjagtighed, præcision, recall og F1-score er vist i figur 5. For anbefalingssystemet, der bruger beslutningstræmodellen, er F1-scoren 1,0 "perfekt", hvilket indikerer perfekt præcision og recall, hvilket afspejler betydelige sensitivitets- og specificitetsværdier.
Figur 6 viser en visualisering af beslutningstræmodellen efter endt træning og test. I en side-by-side-sammenligning viste beslutningstræmodellen, der blev trænet med færre funktioner, højere nøjagtighed og nemmere modelvisualisering. Dette viser, at funktionsudvikling, der fører til funktionsreduktion, er et vigtigt skridt i at forbedre modellens ydeevne.
Ved at anvende beslutningstræsovervåget læring genereres kortlægningen mellem LS (input) og IS (måloutput) automatisk, og den indeholder detaljerede oplysninger for hver LS.
Resultaterne viste, at 34,9 % af de 255 studerende foretrak én (1) LS-mulighed. Størstedelen (54,3 %) havde to eller flere LS-præferencer. 12,2 % af de studerende bemærkede, at LS er ret afbalanceret (Tabel 4). Ud over de otte primære LS er der 34 kombinationer af LS-klassifikationer for tandlægestuderende ved University of Malaya. Blandt dem er perception, syn og kombinationen af perception og syn de primære LS, der rapporteres af de studerende (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 eleverne 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 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 anvendes i data mining, med fokus på øjeblikkelig og præcis forudsigelse af elevers LS og anbefaling af passende IN. Anvendelse af en beslutningstræmodel identificerede de faktorer, der er mest tæt forbundet med deres livs- og uddannelsesmæssige erfaringer. Det er en overvåget maskinlæringsalgoritme, der bruger en træstruktur til at klassificere data ved at opdele et datasæt i underkategorier baseret på bestemte kriterier. Den fungerer ved rekursivt at opdele inputdataene i delmængder baseret på værdien af en af inputfunktionerne for hver intern node, indtil en beslutning træffes ved bladnoden.
Beslutningstræets interne noder repræsenterer løsningen baseret på inputkarakteristikaene for m-ILS-problemet, og bladnoderne repræsenterer den endelige LS-klassifikationsforudsigelse. Gennem studiet 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 ingeniørvidenskab anvendes maskinlæringsalgoritmer i vid udstrækning til at forudsige elevers præstationer baseret på deres resultater ved optagelsesprøver [21], demografiske oplysninger og læringsadfærd [22]. Forskning viste, at algoritmen præcist forudsagde elevers præstationer og hjalp dem med at identificere elever, der var i risiko for akademiske vanskeligheder.
Der rapporteres om anvendelsen af maskinlæringsalgoritmer i udviklingen af virtuelle patientsimulatorer til tandlægeuddannelse. Simulatoren er i stand til nøjagtigt at gengive de fysiologiske reaktioner hos 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 tandlæge- og medicinsk uddannelse og patientpleje. Maskinlæringsalgoritmer er blevet brugt til at hjælpe med diagnosticering af tandsygdomme baseret på datasæt såsom symptomer og patientkarakteristika [24, 25]. Andre undersøgelser har undersøgt brugen af maskinlæringsalgoritmer til at udføre opgaver som at forudsige patientresultater, identificere højrisikopatienter, udvikle personlige behandlingsplaner [26], parodontal behandling [27] og cariesbehandling [25].
Selvom der er blevet offentliggjort rapporter om anvendelsen af maskinlæring inden for tandlægevidenskab, er dens anvendelse inden for tandlægeuddannelsen fortsat begrænset. Derfor havde dette studie til formål at bruge en beslutningstræmodel til at identificere de 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 hjælp af en datadrevet klassificeringsproces kan det give personlige anbefalinger og forbedre undervisningsoplevelser og resultater for undervisere og elever. Blandt andet kan information indhentet gennem anbefalingsværktøjer løse konflikter mellem lærernes foretrukne undervisningsmetoder og elevernes læringsbehov. For eksempel vil den tid, der kræves for at identificere en elevs IP og matche den med den tilsvarende IP, blive betydeligt reduceret på grund af den automatiserede output fra anbefalingsværktøjer. På denne måde kan passende træningsaktiviteter og træningsmaterialer organiseres. Dette hjælper med 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 et større potentiale [12]. Forskning viser også, at udover at forbedre elevernes deltagelse i klasseværelset spiller forståelsen af elevernes læringsproces også en afgørende rolle i at forbedre undervisningspraksis og kommunikation med eleverne [28, 29].
Men som med enhver moderne teknologi er der problemer og begrænsninger. Disse omfatter spørgsmål relateret til databeskyttelse, bias og retfærdighed samt de professionelle færdigheder og ressourcer, der er nødvendige for at udvikle og implementere maskinlæringsalgoritmer i tandlægeuddannelsen. Den voksende interesse og forskning på dette område tyder dog på, at maskinlæringsteknologier kan have en positiv indvirkning på tandlægeuddannelsen og tandlægeydelserne.
Resultaterne af denne undersøgelse indikerer, at halvdelen af tandlægestuderende har en tendens til at "opfatte" lægemidler. Denne type elev har en præference for fakta og konkrete eksempler, en praktisk orientering, tålmodighed med 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 for perceptuel og visuel LS [12, 30]. Dalmolin et al. foreslår, at det at informere eleverne om deres LS giver dem mulighed for at nå deres læringspotentiale. Forskere argumenterer for, at når lærerne fuldt ud forstår elevernes uddannelsesproces, kan forskellige undervisningsmetoder og aktiviteter implementeres, der vil forbedre elevernes præstationer og læringsoplevelse [12, 31, 32]. Andre undersøgelser har vist, at justering af elevernes LS også viser forbedringer i elevernes læringsoplevelse og præstationer efter at have ændret deres læringsstile, så de passer til deres egne LS [13, 33].
Lærernes meninger kan variere med hensyn til implementeringen af undervisningsstrategier baseret på de studerendes læringsevner. Mens nogle ser fordelene ved denne tilgang, herunder muligheder for faglig udvikling, mentorordninger og støtte fra lokalsamfundet, kan andre være bekymrede over tid og institutionel støtte. At stræbe efter balance er nøglen til at skabe en studentercentreret holdning. Myndigheder inden for videregående uddannelser, såsom universitetsadministratorer, kan spille en vigtig rolle i at drive positive forandringer ved at introducere innovative praksisser og støtte fakultetsudvikling [34]. For at skabe et virkelig dynamisk og responsivt videregående uddannelsessystem skal politikere tage modige skridt, såsom at foretage politiske ændringer, afsætte ressourcer til teknologiintegration og skabe rammer, der fremmer studentercentrerede tilgange. Disse foranstaltninger er afgørende for at opnå de ønskede resultater. Nyere forskning i differentieret undervisning har tydeligt vist, at en vellykket implementering af differentieret undervisning kræver løbende trænings- og udviklingsmuligheder for lærere [35].
Dette værktøj yder værdifuld støtte til tandlægepædagoger, der ønsker at anvende en elevcentreret tilgang til planlægning af elevvenlige læringsaktiviteter. Denne undersøgelse er dog begrænset til brugen af beslutningstræ-maskinerimodeller. I fremtiden bør der indsamles flere data for at sammenligne ydeevnen af forskellige maskinlæringsmodeller for at sammenligne nøjagtigheden, pålideligheden og præcisionen af anbefalingsværktøjer. Derudover er det vigtigt at overveje andre faktorer, såsom modelkompleksitet og fortolkning, når man vælger den mest passende maskinlæringsmetode til en bestemt opgave.
En begrænsning ved dette studie er, at det kun fokuserede på at kortlægge LS og IS blandt tandlægestuderende. Derfor vil det udviklede anbefalingssystem kun anbefale dem, der er egnede til tandlægestuderende. Ændringer er nødvendige for generel brug for studerende på de videregående uddannelser.
Det nyudviklede anbefalingsværktøj, der er baseret på maskinlæring, er i stand til øjeblikkeligt at klassificere og matche studerendes LS med det tilsvarende IS, hvilket gør det til det første tandlægeuddannelsesprogram, der hjælper tandlægepædagoger med at planlægge relevante undervisnings- og læringsaktiviteter. Ved hjælp af en datadrevet triageproces kan det give personlige anbefalinger, spare tid, forbedre undervisningsstrategier, understøtte målrettede interventioner og fremme løbende faglig udvikling. Dets anvendelse vil fremme studerende-centrerede tilgange til tandlægeuddannelse.
Gilak Jani Associated Press. Match eller mismatch mellem elevens læringsstil og lærerens undervisningsstil. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Opslagstidspunkt: 29. april 2024