Der is in tanimmend ferlet fan studint-sintraal learen (SCL) yn heger ûnderwiisynstellingen, ynklusyf toskedokter.SCL hat lykwols beheind tapassing yn it toskedokterûnderwiis.Dêrom is dizze stúdzje as doel om de tapassing fan SCL yn toskedokter te befoarderjen troch technology foar beslútbeammasjine-learen (ML) te brûken om de foarkar learstyl (LS) en korrespondearjende learstrategyen (IS) fan dentale studinten yn kaart te bringen as in nuttich ark foar it ûntwikkeljen fan IS-rjochtlinen .Belofte metoaden foar dental studinten.
In totaal fan 255 dental studinten fan 'e Universiteit fan Malaya foltôge de wizige Index of Learning Styles (m-ILS) fragelist, dy't 44 items befette om se te klassifisearjen yn har respektive LS's.De sammele gegevens (neamd in dataset) wurde brûkt yn begeliede beslútbeam-learen om de learstilen fan studinten automatysk te passen oan de meast passende IS.De krektens fan it masine-learen-basearre IS-oanbefellingsark wurdt dan evaluearre.
De tapassing fan beslútbeammodellen yn in automatisearre mappingproses tusken LS (ynput) en IS (doelútfier) soarget foar in direkte list mei passende learstrategyen foar elke toskedokter.It IS-oanbefellingsark toande perfekte krektens en ûnthâld fan algemiene modelkrektens oan, wat oanjout dat it oerienkommen fan LS nei IS goede gefoelichheid en spesifisiteit hat.
In IS-oanbefellingsark basearre op in ML-beslútbeam hat syn fermogen bewiisd om de learstilen fan toskedokters te passen oan passende learstrategyen.Dit ark biedt krêftige opsjes foar it plannen fan learder-sintraalde kursussen as modules dy't de learûnderfining fan studinten kinne ferbetterje.
Underwizen en learen binne fûnemintele aktiviteiten yn ûnderwiisynstellingen.By it ûntwikkeljen fan in heechweardich beropsûnderwiissysteem is it wichtich om te rjochtsjen op de learbehoeften fan learlingen.De ynteraksje tusken studinten en har learomjouwing kin wurde bepaald troch har LS.Ûndersyk suggerearret dat learkrêft-bedoelde mismatches tusken studinten 'LS en IS kin hawwe negative gefolgen foar it learen fan studinten, lykas ôfnommen oandacht en motivaasje.Dit sil yndirekt ynfloed op de prestaasjes fan studinten [1,2].
IS is in metoade dy't brûkt wurdt troch learkrêften om kennis en feardigens oan learlingen te jaan, ynklusyf it helpen fan learlingen te learen [3].Yn 't algemien planje goede learkrêften learstrategyen as IS dy't it bêste oerienkomme mei it kennisnivo fan har learlingen, de begripen dy't se leare, en har learstadium.Teoretysk, as LS en IS oerienkomme, sille studinten in spesifike set feardigens kinne organisearje en brûke om effektyf te learen.Typysk omfettet in lesplan ferskate oergongen tusken stadia, lykas fan lesjaan nei begeliede praktyk of fan begeliede praktyk nei ûnôfhinklike praktyk.Mei dit foar eagen planne effektive learkrêften faak ynstruksje mei as doel de kennis en feardigens fan learlingen op te bouwen [4].
De fraach nei SCL groeit yn heger ûnderwiisynstellingen, wêrûnder de toskedokter.SCL-strategyen binne ûntworpen om te foldwaan oan 'e learbehoeften fan studinten.Dit kin bygelyks berikt wurde as learlingen aktyf meidogge oan learaktiviteiten en learkrêften fungearje as fasilitators en ferantwurdlik binne foar it jaan fan weardefolle feedback.It wurdt sein dat it leverjen fan learmateriaal en aktiviteiten dy't passend binne foar it ûnderwiisnivo of foarkarren fan studinten de learomjouwing fan studinten kinne ferbetterje en positive learûnderfiningen befoarderje [5].
Yn 't algemien wurdt it learproses fan toskedoktersstudinten beynfloede troch de ferskate klinyske prosedueres dy't se moatte útfiere en de klinyske omjouwing wêryn't se effektive ynterpersoanlike feardigens ûntwikkelje.It doel fan 'e oplieding is om studinten yn steat te meitsjen om basiskennis fan toskedokter te kombinearjen mei klinyske feardigens fan toskedokters en de ferwurven kennis oan te passen oan nije klinyske situaasjes [6, 7].Ier ûndersyk nei de relaasje tusken LS en IS fûn dat it oanpassen fan learstrategyen yn kaart brocht oan 'e foarkar LS soe helpe om it edukative proses te ferbetterjen [8].De auteurs riede ek oan om in ferskaat oan les- en beoardielingsmetoaden te brûken om oan te passen oan it learen en behoeften fan studinten.
Leararen profitearje fan it tapassen fan LS-kennis om har te helpen ûntwerpen, ûntwikkeljen en ymplemintearjen fan ynstruksje dy't de oanwinst fan studinten fan djipper kennis en begryp fan 'e ûnderwerp sil ferbetterje.Undersikers hawwe ferskate LS-beoardielingsynstruminten ûntwikkele, lykas it Kolb Experiential Learning Model, it Felder-Silverman Learning Style Model (FSLSM), en it Fleming VAK/VARK Model [5, 9, 10].Neffens de literatuer binne dizze learmodellen de meast brûkte en meast bestudearre learmodellen.Yn it hjoeddeiske ûndersykswurk wurdt FSLSM brûkt om LS te beoardieljen ûnder dental studinten.
FSLSM is in breed brûkt model foar it evaluearjen fan adaptyf learen yn engineering.D'r binne in protte publisearre wurken yn 'e sûnenswittenskippen (ynklusyf medisinen, ferpleechkunde, apotheek en toskedokter) dy't te finen binne mei FSLSM-modellen [5, 11, 12, 13].It ynstrumint dat brûkt wurdt om de dimensjes fan LS yn 'e FLSM te mjitten wurdt de Index of Learning Styles (ILS) neamd [8], dy't 44 items befettet dy't fjouwer dimensjes fan LS beoardielje: ferwurkjen (aktyf / reflektyf), perceptie (perseptueel / yntuïtyf), ynfier (fisuele)./ferbal) en begryp (sekwinsjele/globaal) [14].
Lykas werjûn yn figuer 1, hat elke FSLSM diminsje in dominante foarkar.Bygelyks, yn 'e ferwurkingsdiminsje, studinten mei "aktive" LS leaver ynformaasje te ferwurkjen troch direkt ynteraksje mei learmateriaal, leare troch te dwaan, en hawwe de neiging om te learen yn groepen.De "reflektive" LS ferwiist nei learen troch tinken en wurket leaver allinich.De "waarnimme" diminsje fan LS kin wurde ferdield yn "gefoel" en / of "yntuysje.""Fielende" studinten leaver mear konkrete ynformaasje en praktyske prosedueres, binne feit-oriïntearre yn ferliking mei "yntuïtive" studinten dy't leaver abstrakt materiaal en binne mear ynnovative en kreatyf fan aard.De "ynput" diminsje fan LS bestiet út "fisuele" en "ferbale" learlingen.Minsken mei "fisuele" LS leare leaver troch fisuele demonstraasjes (lykas diagrams, fideo's, of live demonstraasjes), wylst minsken mei "ferbale" LS leaver leare troch wurden yn skriftlike of mûnlinge ferklearrings.Om de LS-dimensjes te "ferstean", kinne sokke learlingen wurde ferdield yn "sekwinsjele" en "globaal"."Opfolgjende learlingen leaver in lineêr gedachteproses en leare stap foar stap, wylst wrâldwide learlingen de neiging hawwe om in holistysk gedachteproses te hawwen en altyd in better begryp hawwe fan wat se leare.
Koartlyn binne in protte ûndersikers begon te ûndersykjen metoaden foar automatyske gegevens-oandreaune ûntdekking, ynklusyf de ûntwikkeling fan nije algoritmen en modellen dy't by steat binne om grutte hoemannichten gegevens te ynterpretearjen [15, 16].Op grûn fan 'e levere gegevens is tafersjoch ML (masine learen) yn steat om patroanen en hypotezen te generearjen dy't takomstige resultaten foarsizze basearre op' e bou fan algoritmen [17].Simply sette, begeliede masine-learentechniken manipulearje ynfiergegevens en treinalgoritmen.It genereart dan in berik dat de útkomst klassifisearret of foarseit basearre op ferlykbere situaasjes foar de levere ynfiergegevens.It wichtichste foardiel fan begeliede masine-learen-algoritmen is har fermogen om ideale en winske resultaten te fêstigjen [17].
Troch it brûken fan gegevens-oandreaune metoaden en beslút beam kontrôle modellen, automatyske opspoaren fan LS is mooglik.Beslútbeammen binne rapporteare dat se in protte brûkt wurde yn trainingsprogramma's op ferskate fjilden, ynklusyf sûnenswittenskippen [18, 19].Yn dizze stúdzje waard it model spesifyk oplaat troch de systeemûntwikkelders om de LS fan studinten te identifisearjen en de bêste IS foar har oan te rieden.
It doel fan dizze stúdzje is it ûntwikkeljen fan IS-leveringsstrategyen basearre op 'e LS fan studinten en it tapassen fan de SCL-oanpak troch it ûntwikkeljen fan in IS-oanbefellingsark yn kaart brocht oan LS.De ûntwerpstream fan it IS-oanbefellingsark as strategy fan 'e SCL-metoade wurdt werjûn yn figuer 1. It IS-oanbefellingsark is ferdield yn twa dielen, ynklusyf it LS-klassifikaasjemeganisme mei ILS en de meast geskikte IS-werjefte foar studinten.
Benammen de skaaimerken fan ark foar oanbefelling foar ynformaasjefeiligens omfetsje it gebrûk fan webtechnologyen en it brûken fan beslútbeammasjine-learen.Systeemûntwikkelders ferbetterje de brûkersûnderfining en mobiliteit troch se oan te passen oan mobile apparaten lykas mobile tillefoans en tablets.
It eksperimint waard útfierd yn twa stadia en studinten fan 'e Fakulteit Toskedokter oan' e Universiteit fan Malaya diene op frijwillige basis mei.Dielnimmers reagearren op de online m-ILS fan in dental studint yn it Ingelsk.Yn 'e earste faze waard in dataset fan 50 studinten brûkt om it algoritme foar it learen fan beslutebeammasjine te trenen.Yn 'e twadde faze fan it ûntwikkelingsproses waard in dataset fan 255 studinten brûkt om de krektens fan it ûntwikkele ynstrumint te ferbetterjen.
Alle dielnimmers krije in online briefing oan it begjin fan elke faze, ôfhinklik fan it akademysk jier, fia Microsoft Teams.It doel fan 'e stúdzje waard ferklearre en ynformeare tastimming waard krigen.Alle dielnimmers krigen in keppeling om tagong te krijen ta de m-ILS.Elke studint waard ynstruearre om alle 44 items op 'e fragelist te beantwurdzjen.Se krigen ien wike om de wizige ILS te foltôgjen op in tiid en lokaasje dy't har handich wie yn 'e semesterpauze foar it begjin fan it semester.De m-ILS is basearre op it orizjinele ILS-ynstrumint en oanpast foar dentale studinten.Fergelykber mei de orizjinele ILS, befettet it 44 gelyk ferdield items (a, b), mei 11 items elk, dy't brûkt wurde om te beoardieljen aspekten fan elke FSLSM diminsje.
Tidens de earste fazen fan arkûntwikkeling hawwe de ûndersikers de kaarten mei de hân annotearre mei in dataset fan 50 dental studinten.Neffens de FSLM jout it systeem de som fan antwurden "a" en "b".Foar elke diminsje, as de studint "a" as antwurd selekteart, wurdt de LS klassifisearre as Aktyf / Perceptueel / Fisueel / Opfolgjend, en as de studint "b" as antwurd selekteart, wurdt de studint klassifisearre as reflektyf / yntuïtyf / taalkundich ./ globale learling.
Nei it kalibrearjen fan de workflow tusken ûndersikers foar toskedokterûnderwiis en systeemûntwikkelders, waarden fragen selektearre op basis fan it FLSSM-domein en yn it ML-model ynfierd om de LS fan elke studint te foarsizzen."Garbage in, garbage out" is in populêr siswize op it mêd fan masine learen, mei in klam op gegevens kwaliteit.De kwaliteit fan 'e ynfiergegevens bepaalt de krektens en krektens fan it masine-learmodel.Tidens de funksje engineering faze wurdt in nije funksje set makke dat is de som fan antwurden "a" en "b" basearre op FLSSM.Identifikaasjenûmers fan drugsposysjes wurde jûn yn Tabel 1.
Berekkenje de skoare basearre op de antwurden en bepale de LS fan 'e studint.Foar elke studint is it skoareberik fan 1 oant 11. Skoares fan 1 oant 3 jouwe in lykwicht fan learfoarkarren binnen deselde diminsje oan, en skoares fan 5 oant 7 jouwe in matige foarkar oan, wat oanjout dat learlingen de foarkar hawwe om ien omjouwing te learen oaren .In oare fariaasje op deselde diminsje is dat skoares fan 9 oant 11 in sterke foarkar reflektearje foar de iene as de oare [8].
Foar elke diminsje waarden drugs groepearre yn "aktyf", "reflektyf" en "balansearre".Bygelyks, as in studint "a" faker antwurdt as "b" op in oanwiisd item en syn / har skoare boppe de drompel fan 5 foar in bepaald item fertsjintwurdiget de Processing LS diminsje, hy / sy heart ta de "aktive" LS domein..Studinten waarden lykwols klassifisearre as "reflektyf" LS doe't se "b" mear as "a" keas yn spesifike 11 fragen (tabel 1) en skoarden mear as 5 punten.Uteinlik is de studint yn in steat fan "lykwicht."As de skoare net mear as 5 punten, dan is dit in "proses" LS.It klassifikaasjeproses waard werhelle foar de oare LS-diminsjes, nammentlik waarnimming (aktyf / reflektyf), ynput (fisueel / ferbaal), en begryp (sekwinsjele / globaal).
Beslútbeammodellen kinne ferskate subsets fan funksjes en beslútregels brûke yn ferskate stadia fan it klassifikaasjeproses.It wurdt beskôge as in populêr ark foar klassifikaasje en foarsizzing.It kin wurde fertsjintwurdige mei help fan in beam struktuer lykas in flowchart [20], dêr't der ynterne knopen fertsjintwurdigje tests by attribút, eltse tûke fertsjintwurdiget testresultaten, en elk blêd knooppunt (leaf node) befettet in klasse label.
In ienfâldich programma basearre op regel is makke om de LS fan elke studint automatysk te skoaren en te annotearjen op basis fan har antwurden.Regel-basearre nimt de foarm fan in IF-ferklearring, wêrby't "IF" de trigger beskriuwt en "DAN" spesifisearret de aksje dy't moat wurde útfierd, bygelyks: "As X bart, dan dwaan Y" (Liu et al., 2014).As de gegevensset korrelaasje toant en it beslútbeammodel goed oplaat en evaluearre is, kin dizze oanpak in effektive manier wêze om it proses fan oerienkommende LS en IS te automatisearjen.
Yn 'e twadde faze fan ûntwikkeling waard de dataset ferhege nei 255 om de krektens fan it oanbefellingsark te ferbetterjen.De gegevensset is ferdield yn in 1:4-ferhâlding.25% (64) fan de dataset waard brûkt foar de test set, en de oerbleaune 75% (191) waard brûkt as de training set (figuer 2).De gegevensset moat splitst wurde om foar te kommen dat it model wurdt oplaat en hifke op deselde dataset, wat it model kin feroarsaakje om te ûnthâlden ynstee fan te learen.It model wurdt oplaat op 'e trainingsset en evaluearret syn prestaasjes op' e testset - gegevens dy't it model noch noait earder hat sjoen.
Sadree't it IS-ark is ûntwikkele, sil de applikaasje LS kinne klassifisearje op basis fan 'e antwurden fan dentale studinten fia in webynterface.It web-basearre arksysteem foar oanbefelling foar ynformaasjefeiligens is boud mei de Python-programmearringstaal mei it Django-ramt as de efterkant.Tabel 2 listet de biblioteken dy't brûkt wurde yn 'e ûntwikkeling fan dit systeem.
De dataset wurdt fieden nei in beslútbeammodel om studinteantwurden te berekkenjen en te ekstrahearjen om studinten LS-mjittingen automatysk te klassifisearjen.
De betizingsmatrix wurdt brûkt om de krektens te evaluearjen fan in algoritme foar learen fan in beslútbeammasjine op in bepaalde dataset.Tagelyk evaluearret it de prestaasjes fan it klassifikaasjemodel.It vat de foarsizzingen fan it model gear en fergeliket se mei de werklike gegevensetiketten.De evaluaasjeresultaten binne basearre op fjouwer ferskillende wearden: Wier posityf (TP) - it model foarsei de positive kategory korrekt, falsk posityf (FP) - it model foarsei de positive kategory, mar it wiere label wie negatyf, Wier negatyf (TN) - it model foarsei de negative klasse korrekt, en falsk negatyf (FN) - It model foarseit in negative klasse, mar it wiere label is posityf.
Dizze wearden wurde dan brûkt om ferskate prestaasjemetriken te berekkenjen fan it scikit-learn-klassifikaasjemodel yn Python, nammentlik presyzje, presyzje, weromroppen en F1-score.Hjir binne foarbylden:
Recall (as gefoelichheid) mjit it fermogen fan it model om de LS fan in studint sekuer te klassifisearjen nei it beantwurdzjen fan de m-ILS fragelist.
Spesifisiteit wurdt in wier negative taryf neamd.Sa't jo sjen kinne út de boppesteande formule, dit moat wêze de ferhâlding fan wiere negativen (TN) oan wiere negativen en falske positiven (FP).As ûnderdiel fan it oanrikkemandearre ark foar it klassifisearjen fan medisinen foar studinten, moat it yn steat wêze om krekte identifikaasje te meitsjen.
De orizjinele dataset fan 50-learlingen dy't brûkt waarden om it beslútbeam-ML-model te trenen lieten relatyf lege krektens sjen troch minsklike flater yn 'e annotaasjes (tabel 3).Nei it meitsjen fan in ienfâldich regelbasearre programma om automatysk LS-skoares en studintannotaasjes te berekkenjen, waarden in tanimmend oantal datasets (255) brûkt om it oanbefellingssysteem te trainen en te testen.
Yn 'e multiclass-ferwarringsmatriks fertsjintwurdigje de diagonale eleminten it oantal juste foarsizzings foar elk LS-type (figuer 4).Mei help fan it beslútbeammodel waarden yn totaal 64 samples korrekt foarsizze.Sa litte yn dizze stúdzje de diagonale eleminten de ferwachte resultaten sjen, wat oanjout dat it model goed presteart en it klasselabel foar elke LS-klassifikaasje sekuer foarseit.Sa is de algemiene krektens fan it oanbefellingsark 100%.
De wearden fan krektens, krektens, weromroppen en F1-skoare wurde werjûn yn figuer 5. Foar it oanbefellingssysteem dat it beslútbeammodel brûkt, is har F1-skoare 1.0 "perfekt", wat oanjout op perfekte krektens en weromheljen, wjerspegelje signifikante gefoelichheid en spesifisiteit wearden.
Figuer 6 lit in fisualisaasje sjen fan it beslútbeammodel neidat training en testen binne foltôge.Yn in side-by-side ferliking toande it beslútbeammodel oplaat mei minder funksjes hegere krektens en makliker modelfisualisaasje.Dit lit sjen dat funksje-engineering dy't liedt ta funksjereduksje in wichtige stap is yn it ferbetterjen fan modelprestaasjes.
Troch it tapassen fan beslútbeam-begelieding learen, wurdt de mapping tusken LS (ynfier) en IS (doelútfier) automatysk oanmakke en befettet detaillearre ynformaasje foar elke LS.
De resultaten lieten sjen dat 34,9% fan 'e 255 studinten de foarkar hawwe oan ien (1) LS-opsje.De mearderheid (54,3%) hie twa of mear LS foarkar.12,2% fan de learlingen merkten op dat LS frij lykwichtich is (tabel 4).Njonken de acht haad LS binne d'r 34 kombinaasjes fan LS-klassifikaasjes foar toskedokters fan 'e Universiteit fan Malaya.Under harren binne persepsje, fisy, en de kombinaasje fan waarnimming en fisy de wichtichste LS rapportearre troch studinten (figuer 7).
Lykas út Tabel 4 te sjen is, hie de mearderheid fan 'e learlingen in oerhearskjende sintúchlike (13,7%) of fisuele (8,6%) LS.It waard rapportearre dat 12,2% fan studinten kombinearre waarnimming mei fisy (perseptueel-fisuele LS).Dizze befinings suggerearje dat studinten leaver leare en ûnthâlde fia fêststelde metoaden, spesifike en detaillearre prosedueres folgje, en oandachtich binne fan aard.Tagelyk genietsje se fan learen troch te sjen (gebrûk fan diagrammen, ensfh.) en binne se oanstriid om ynformaasje yn groepen of op harsels te besprekken en ta te passen.
Dizze stúdzje jout in oersjoch fan masine-learentechniken brûkt yn data mining, mei in fokus op it direkt en sekuer foarsizzen fan 'e LS fan studinten en it oanbefellen fan geskikte IS.Tapassing fan in beslútbeammodel identifisearre de faktoaren dy't it meast relatearre binne oan har libben en edukative ûnderfiningen.It is in begeliede masine-learen-algoritme dat in beamstruktuer brûkt om gegevens te klassifisearjen troch in set gegevens te dielen yn subkategoryen basearre op bepaalde kritearia.It wurket troch rekursyf te dielen fan de ynfiergegevens yn subsets basearre op de wearde fan ien fan 'e ynfierfunksjes fan elke ynterne knooppunt oant in beslút wurdt makke by it blêdknooppunt.
De ynterne knopen fan it beslút beam fertsjintwurdigje de oplossing basearre op de ynfier skaaimerken fan de m-ILS probleem, en de blêd knopen fertsjintwurdigje de definitive LS klassifikaasje foarsizzing.Yn 'e rin fan' e stúdzje is it maklik om de hiërargy fan beslútbeammen te begripen dy't it beslútproses ferklearje en visualisearje troch te sjen op 'e relaasje tusken ynfierfunksjes en útfierfoarsizzingen.
Op it mêd fan kompjûterwittenskip en technyk wurde algoritmen foar masine-learen in protte brûkt om prestaasjes fan studinten te foarsizzen op basis fan har skoares foar yngongseksamen [21], demografyske ynformaasje, en leargedrach [22].Ûndersyk die bliken dat it algoritme sekuer foarsizze de prestaasjes fan studinten en holp harren te identifisearjen studinten mei in risiko foar akademyske swierrichheden.
De tapassing fan ML-algoritmen yn 'e ûntwikkeling fan firtuele pasjintsimulators foar dentale training wurdt rapportearre.De simulator is yn steat om de fysiologyske antwurden fan echte pasjinten sekuer te reprodusearjen en kin brûkt wurde om dentale studinten op te trenen yn in feilige en kontroleare omjouwing [23].Ferskate oare stúdzjes litte sjen dat algoritmen foar masine-learen mooglik de kwaliteit en effisjinsje fan toskedokter en medyske oplieding en pasjintesoarch kinne ferbetterje.Masine-learen-algoritmen binne brûkt om te helpen by de diagnoaze fan dentale sykten basearre op datasets lykas symptomen en pasjintkenmerken [24, 25].Wylst oare stúdzjes it gebrûk fan masine-learalgoritmen hawwe ûndersocht om taken út te fieren lykas it foarsizzen fan pasjinten útkomsten, identifisearjen fan heech-risiko pasjinten, ûntwikkeljen fan personaliseare behannelingplannen [26], parodontale behanneling [27], en cariësbehanneling [25].
Hoewol rapporten oer de tapassing fan masine learen yn toskhielkunde binne publisearre, bliuwt de tapassing dêrfan yn toskedokterûnderwiis beheind.Dêrom wie dizze stúdzje as doel om in beslútbeammodel te brûken om faktoaren te identifisearjen dy't it meast ferbûn binne mei LS en IS ûnder dental studinten.
De resultaten fan dizze stúdzje litte sjen dat it ûntwikkele oanbefellingsark hege krektens en perfekte krektens hat, wat oanjout dat learkrêften profitearje kinne fan dit ark.Mei help fan in data-oandreaune klassifikaasjeproses kin it personaliseare oanbefellings leverje en edukative ûnderfiningen en resultaten ferbetterje foar oplieders en studinten.Under harren kin ynformaasje krigen fia oanbefellingsark konflikten oplosse tusken de foarkar learmetoaden fan learkrêften en de learbehoeften fan studinten.Bygelyks, fanwegen de automatisearre útfier fan oanbefellingsark, sil de tiid dy't nedich is om it IP fan in studint te identifisearjen en it te oerienkomme mei it korrespondearjende IP, signifikant wurde fermindere.Sa kinne passende trainingsaktiviteiten en trainingsmateriaal organisearre wurde.Dit helpt it posityf leargedrach fan studinten te ûntwikkeljen en it fermogen om te konsintrearjen.Ien stúdzje rapportearre dat it leverjen fan learlingen mei learmateriaal en learaktiviteiten dy't oerienkomme mei har foarkar LS, kin studinten helpe om te yntegrearjen, ferwurkjen en genietsje fan learen op meardere manieren om grutter potensjeel te berikken [12].Undersyk lit ek sjen dat neist it ferbetterjen fan dielname fan studinten yn 'e klasse, it begripen fan it learproses fan studinten ek in krityske rol spilet yn it ferbetterjen fan learpraktiken en kommunikaasje mei studinten [28, 29].
Lykwols, lykas by elke moderne technology, binne d'r problemen en beheiningen.Dizze omfetsje problemen yn ferbân mei gegevensprivacy, bias en earlikens, en de profesjonele feardigens en middels dy't nedich binne foar it ûntwikkeljen en ymplementearjen fan masine-learalgoritmen yn toskedokterûnderwiis;Tanimmende belangstelling en ûndersyk yn dit gebiet suggerearret lykwols dat technologyen foar masinelearen in positive ynfloed kinne hawwe op toskedokterûnderwiis en toskedokterstsjinsten.
De resultaten fan dizze stúdzje jouwe oan dat de helte fan 'e toskedokters in oanstriid hat om drugs te "waarnimme".Dit type learling hat in foarkar foar feiten en konkrete foarbylden, in praktyske oriïntaasje, geduld foar detail, en in "visuele" LS-foarkar, wêrby't learlingen leaver plaatsjes, grafiken, kleuren en kaarten brûke om ideeën en gedachten oer te bringen.De hjoeddeistige resultaten binne konsistint mei oare stúdzjes dy't ILS brûke om LS te beoardieljen yn dentale en medyske studinten, wêrfan de measten skaaimerken hawwe fan perceptuele en fisuele LS [12, 30].Dalmolin et al suggerearje dat it ynformearjen fan studinten oer har LS har mooglik makket om har learpotinsjeel te berikken.Undersikers beweare dat wannear't learkrêften it edukative proses fan studinten folslein begripe, ferskate learmetoaden en aktiviteiten kinne wurde ymplementearre dy't de prestaasjes en learûnderfining fan studinten ferbetterje [12, 31, 32].Oare stúdzjes hawwe oantoand dat it oanpassen fan 'e LS fan studinten ek ferbetteringen toant yn' e learûnderfining en prestaasjes fan studinten nei it feroarjen fan har learstilen om te passen by har eigen LS [13, 33].
De mieningen fan leararen kinne ferskille oangeande de ymplemintaasje fan learstrategyen basearre op learfeardigens fan studinten.Wylst guon de foardielen fan dizze oanpak sjogge, ynklusyf kânsen foar profesjonele ûntwikkeling, mentorskip en mienskipsstipe, kinne oaren har soargen meitsje oer tiid en ynstitúsjonele stipe.Stribjen nei lykwicht is de kaai foar it meitsjen fan in studint-sintraal hâlding.Autoriteiten foar heger ûnderwiis, lykas universitêre behearders, kinne in wichtige rol spylje by it riden fan positive feroaringen troch ynnovative praktiken yn te fieren en fakulteitûntwikkeling te stypjen [34].Om in wirklik dynamysk en responsyf heger ûnderwiissysteem te meitsjen, moatte beliedsmakkers fette stappen nimme, lykas it meitsjen fan beliedsferoarings, it wijen fan middels oan technologyyntegraasje, en it meitsjen fan kaders dy't studint-sintraal oanpak befoarderje.Dizze maatregels binne kritysk om de winske resultaten te berikken.Resint ûndersyk nei differinsearre ynstruksje hat dúdlik oantoand dat suksesfolle ymplemintaasje fan differinsjearre ynstruksje oanhâldende opliedings- en ûntwikkelingsmooglikheden foar learkrêften fereasket [35].
Dit ark biedt weardefolle stipe oan toskedokters dy't in studint-sintraal oanpak wolle nimme foar it plannen fan studintfreonlike learaktiviteiten.Dizze stúdzje is lykwols beheind ta it brûken fan beslútbeam-ML-modellen.Yn 'e takomst moatte mear gegevens sammele wurde om de prestaasjes fan ferskate masine-learmodellen te fergelykjen om de krektens, betrouberens en krektens fan oanbefellingsark te fergelykjen.Derneist, by it kiezen fan de meast geskikte metoade foar masine-learen foar in bepaalde taak, is it wichtich om oare faktoaren te beskôgjen lykas modelkompleksiteit en ynterpretaasje.
In beheining fan dizze stúdzje is dat it allinnich rjochte is op it yn kaart bringen fan LS en IS ûnder dental studinten.Dêrom sil it ûntwikkele oanbefellingssysteem allinich dyjingen oanbefelje dy't geskikt binne foar dentale studinten.Feroarings binne nedich foar algemien heger ûnderwiis studint gebrûk.
It nij ûntwikkele masine learen-basearre oanbefellingsark is yn steat om de LS fan studinten direkt te klassifisearjen en te passen oan 'e korrespondearjende IS, wêrtroch it it earste programma foar toskedokterûnderwiis is om toskedokters te helpen relevante lear- en learaktiviteiten te plannen.Mei help fan in gegevens-oandreaune triage-proses kin it personaliseare oanbefellings leverje, tiid besparje, learstrategyen ferbetterje, doelgerichte yntervinsjes stypje en trochgeande profesjonele ûntwikkeling befoarderje.De tapassing dêrfan sil studint-sintraal oanpak befoarderje foar toskedokterûnderwiis.
Gilak Jani Associated Press.Match of mismatch tusken de learstyl fan 'e studint en de learstyl fan' e learaar.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Post tiid: Apr-29-2024