D'r is in groeiende needsaak foar studint-sintraal learen (SCL) yn ynstellingen yn heger ûnderwiis, ynklusyf toskedokter. SCL hat lykwols beheinde applikaasje yn Dental-oplieding. Dêrom is dizze stúdzje fan doel om de tapassing fan SCL yn Tandriem te befoarderjen troch te brûken fan beslútbeheakmasjine (ml) Technology (LS) en korrespondearjende learstrategyen as in nuttich ark foar ûntwikkeling is rjochting . Belofte metoaden foar tandheelstudinten.
In totaal fan 255 dental-studinten fan 'e Universiteit fan Malaya foltôge de wizige yndeks fan learstilen (M-ILS) enkête, dy't 44 items befette om se te klassifisearjen yn har respektive LSS. De sammele gegevens (in dataset neamd wurde) wurdt brûkt yn tafersjoch op tafersjochbeam-beam learen om automatysk learlingen 'learstilen te passen oan it meast geskikte is. De krektens fan 'e masjine-learen-basearre is oanbefellingsynstrumint wurdt dan evalueare.
De tapassing fan beslútbeammodellen yn in automatisearre mappingsproses tusken LS (ynput) en is (doelútfier) makket in direkte list mei passende learstrategyen foar elke dental studint. It is oanbefellingskultukt demonstrearre perfekte krektens en werom herinnering fan algemiene modelfoarbrikens, oanjout dat matching ls is om goede gefoelichheid en spesifisiteit te wêzen.
In is oanbefellingske ark basearre op in ML-beslútbeam hat bewiisd syn fermogen om de learstilen fan Dental studinten te passen mei passende learstrategyen. Dit ark leveret krêftige opsjes foar it plannen fan learling-sintreare kursussen of modules dy't de learûnderfining fan studinten kinne ferbetterje.
Les en learen binne fûnemintele aktiviteiten yn edukative ynstellingen. By it ûntwikkeljen fan in ferdielingssysteem fan hege kwaliteit is it wichtich om te fokusjen op 'e learferlies fan studinten. De ynteraksje tusken studinten en har learomjouwing kinne wurde bepaald troch har LS. Undersyk suggereart dat learaar-bedoelde mischannen tusken studinten 'LS en is kin negative gefolgen hawwe foar it learen fan studinten, lykas oandacht en motivaasje fermindere. Dit sil yndirekt beynfloedzje fan studinteprestaasjes [1,2].
Is is in metoade brûkt troch leararen om kennis en feardigens te jaan oan studinten, ynklusyf helpt studinten te learen [3]. Algemien sprekke, goede dosinten platte learstrategyen of is dat it bêste oerienkomt mei de nivo fan 'e kunde fan' e studinten, de begripen dy't se leare, en har poadium fan learen. TEORETICAL, Doe't ls en komt oerien, kinne studinten in spesifike set feardigens organisearje en brûke om effektyf te learen. Typysk omfettet in lesplan ferskate oergongen tusken stadia, lykas it learjen fan learen oan ruid oefening of fan gidige praktyk nei ûnôfhinklike praktyk. Mei dit yn gedachten planne effektive dosinten faaks ynstruksje mei it doel fan kennis en feardigens fan studinten [4].
De fraach nei SCL groeit yn ynstellingen oer heger ûnderwiis, ynklusyf toskedokter. SCL-strategyen binne ûntworpen om it learen fan studinten te treffen. Dit kin wurde berikt, bygelyks as studinten aktyf meidwaan oan learaktiviteiten en dosinten hannelje as fasilators en ferantwurdelik binne foar it leverjen fan weardefolle feedback. It wurdt sein dat it learen fan learmateriaal leveret dy't passend binne foar de edukatyf nivo of foarkarren fan studinten kinne it learen fan 'e learomjouwing ferbetterje en positive learûnderfiningen ferbetterje en befoarderje.
Algemien sprekt, wurdt it learproses fan Dental Studinten beynfloede troch de ferskate klinyske prosedueres dy't se nedich binne om út te fieren en de klinyske omjouwing wêryn se effektive ynterpersoanlike feardigens ûntwikkelje. It doel fan 'e training is om studinten yn te skeakeljen om basis kennis fan toskedokter te kombinearjen mei tandistroep mei tandheelkundige feardigens en tapasse de oerwinske kennis op nije klinyske situaasjes [6, 7]. Betiid Undersyk yn 'e relaasje tusken LS en wurdt fûn dat it oanpassen fan learstrategyen oan' e foarkar binne om it edukatyf proses te ferbetterjen [8]. De auteurs riede ek oan mei it brûken fan in ferskaat oan les- en beoardielingsmetoaden om oan te passen oan it lêst en behoeften fan studinten.
Leders profitearje fan it tapassen fan LS-kennis om har te ûntwerpen, te ûntwikkeljen, te ûntwikkeljen, en ymplemintaasje fan studinten fan 'e oanwinsten fan djipper kennis en begryp fan' e ûnderwerp fan 'e ûnderwerp te ferbetterjen. Undersikers hawwe ferskate LS-beoardieling ark ûntwikkele, lykas it Kolb Experienial Learning Model, it Felder-Silverman Learning Styl, en it Fleming Vak / Vark-model [5, 9, 10]. Neffens de literatuer binne dizze learmodellen de meast brûkte learde learmodellen. Yn it hjoeddeistige ûndersyk is FSLSM brûkt om LS te beoardieljen LS Under Twice-studinten.
FSL SSM is in breed brûkte model foar it evaluearjen fan adaptive learen yn engineering. D'r binne in soad publisearre wurken yn 'e sûnenswittenskippen (ynklusyf medisinen, ferpleechkundige, apotheek en tandheelkunde) dy't te finen is mei FSLSM-modellen [5, 11, 12, 13]. It ynstrumint dat wurdt brûkt om de ôfmjittings fan LS yn 'e FLSM te mjitten, hjit de yndeks fan learstilen (ILS), dy't 44 items befettet fan LS: ferwurkjen (aktyf / reflektyf), Perceptie), Perceptual / Intuitive), ynfier (fisueel). / Verbaal) en begryp (Sequential / Global) [14].
Lykas werjûn yn figuer 1 hat elke FSLSM-dimensje in dominante foarkar. Bygelyks, yn 'e ferwurkingsdimension, studinten wolle it leaver ynformaasje ferwurkje troch direkt ynteraksje mei learmaterialen, learje troch te dwaan, en tendearje yn groepen te learen. De "reflektive" LS ferwiist nei it learen fan tinken en de foarkar om allinich te wurkjen. De "Besjoen" diminsje fan LS kin ferdield wurde yn "gefoel" en / of "yntuysje." "Fielt" studinten hawwe leaver mear konkrete ynformaasje en praktyske prosedueres, binne feit-oriïnteare fergelike mei "yntuïtive" studinten dy't leaver abstraksjer en kreatyf meitsje en kreatyf. De "ynfier" Diminsje fan LS bestiet út "Visual" en "ferbale" learlingen. Minsken mei "Visual" LS LEVER Learje troch fisuele demonstraasjes (lykas diagrammen, fideo's, of live-demonstraasjes), wylst minsken mei "Verbale" LS leaver troch wurden yn skriftlike of mûnlinge ferklearring te learen. Om 'de LS-ôfmjittingen te begripen, kinne sokke learlingen ferdield wurde yn' equinsjiel "en 'wrâldwiid'. "SEQUELENTERS LJOUWERS LJOCHTTJOCHTSJOCHTSJOCHT EN LEAR STAPPRODAY EN Learje STEP FAN STEP, WÊR WANNE KLIKE LEARTS TENNEN ANDEN TINNEN A HOLIS TURE TINNEN PROSESJE EN ALTYD EIN BETTER WURKEN FAN DAT DAT YN LEARING.
Koartlyn binne in protte ûndersikers begon te ferkennen foar automatyske data-oandreaune ûntdekking, ynklusyf de ûntwikkeling fan nije algoritmen en modellen yn steat om grutte hoemannichten gegevens te ynterpretearjen [15, 16]. Basearre op de levere gegevens, tafersjochhâlders (masine learen) is yn steat om patroanen en hypotezen te generearjen dy't takomstige resultaten foarsizze op basis fan 'e oanlis fan algoritmen [17]. Simply Simply Put, Tafersjochmasine Machine Learning Techniques manipulearje ynfiergegevens en trein algoritmen. It genereart dan in berik dat de útkomst klassifiseart of foarsei fan de ferlykbere situaasjes foar de útjefte gegevens levere. It wichtichste foardiel fan tafersjochhâlder learde Algoritmen is it fermogen om ideaal en winske resultaten te fêstigjen [17].
Troch it gebrûk fan gegevens-oandreaune metoaden en beslútbeambeammodellen is automatyske deteksje fan LS mooglik. Beslútbeammen binne rapporteare om breed brûkt te wurden yn trainingsprogramma's yn ferskate fjilden, ynklusyf sûnenswittenskippen [18, 19]. Yn dizze stúdzje waard it model spesifyk oplaat troch it systeemûntwikkelders om studinten 'LS te identifisearjen en oan te rieden is foar har.
It doel fan dizze stúdzje is om te ûntwikkeljen is leveringsstrategyen basearre op studinten 'LS en tapasse de SCL-oanpak troch it ûntwikkeljen fan in is oanbefellingsynstrumint oan it ûntwikkele. It ûntwerpstream fan it is oanbefellingske ark as strategy fan 'e SCL-metoade wurdt toand yn figuer 1. It is opkommen yn twa dielen, ynklusyf it LS-klassifikaasjemeganisme mei ils en it meast geskikte is werjaan foar studinten.
Benammen de skaaimerken fan oanbefelling fan ynformaasje befeiligingsynstruminten omfetsje it gebrûk fan webtechnologyen en it gebrûk fan beslútbeammachine-learen. Systeemûntwikkelers ferbetterje de brûkersûnderfining en mobiliteit om se oan te passen oan mobile apparaten, lykas mobile tillefoans en tablets.
It eksperimint waard útfierd yn twa stadia en studinten út 'e Fakulteit fan Dentistry oan' e Universiteit fan Malaya meidien oan in frijwillige basis. Dielnimmers reageare op in online M-Ils fan in Dental Student yn it Ingelsk. Yn 'e inisjele faze waard in dataset fan 50 studinten brûkt om de beslútbeammachine te trenen dy't algoritme learen. Yn 'e twadde faze fan it ûntwikkelingsproses waard in dataset fan 255 studinten brûkt om de krektens te ferbetterjen fan it ûntwikkele ynstrumint.
Alle dielnimmers krije in online briefing oan it begjin fan elk poadium, ôfhinklik fan it akademysk jier, fia Microsoft-teams. It doel fan 'e stúdzje waard útlein en ynformeare tastimming waard krigen. Alle dielnimmers waarden levere mei in keppeling om tagong te krijen ta de M-ILS. Elke studint waard ynstruearre om alle 44 items op 'e enkête te beantwurdzjen. Se krigen ien wike om de wizige ILS te foltôgjen op in tiid en lokaal handich foar har yn it semester skoft foar it begjin fan it semester. De M-ILS is basearre op it orizjinele ILS-ynstrumint en wizige foar Dental-studinten. Fergelykber mei de orizjinele ILS, befettet it 44 gelyk ferspraat items (A, B), mei 11 items elk, dy't wurde brûkt om aspekten te beoardieljen fan elke FLSM-dimensje.
Tidens de earste stadia fan arkûntwikkeling annuleart de ûndersikers de kaarten manuell mei in dataset fan 50 dental studinten. Neffens de FSLM leveret it systeem de som fan antwurden "A" en "B". Foar elke dimensje, as de studint "A" selekteart as antwurd, wurdt de LS, as in aktyf / seksje, as de studint selekteart as antwurd, wurdt de studint klassifisearre as reflektyf / yntuïtyf / taalkundich . / wrâldwide learling.
Nei it kalibrearjen fan de wurkflowers tusken Dental-ûnderwiisûndersikers en systeemûntwikkelders waarden fragen selekteare op basis fan 'e FLSSM-domein en fiede yn it ML-model om de LS fan elke studint te foarsizzen. "Garbage yn, garbage út" is in populêr sprekwurd op it mêd fan masine-learen, mei in klam op gegevenskwaliteit. De kwaliteit fan 'e ynfiergegevens bepaalt de presyzje en krektens fan it masine-learmodel. Tidens de funksje Engineering Fase wurdt in nije funksje Set makke, dat is de som fan antwurden "A" en "B" basearre op FlSSM. Identifikaasjenûmers fan drugsposysjes wurde yn tabel 1 jûn.
Berekkenje de skoare op basis fan 'e antwurden en bepale de LS's LS. Foar elke studint is it skoare fan 1 oant 11. Skoaren fan 1 oant 3 oanjaan fan in lykwicht fan 5 oant 7 oanjaan fan 5 oant 7 oanjûn dat studinten de iene omjouwing oan 'e iene omjouwing te learen . In oare fariaasje op deselde dimensje is dat scores fan 9 oant 11 in sterke foarkar reflektearje foar ien ein as de oare [8].
Foar elke dimensje waarden drugs groepeare yn "Aktyf", "reflektyf" en "balansearre". Bygelyks, as in studint (in "faker beantwurdet as" B "op in oanwiisd item en syn / har skoare is grutter fan 5 foar in bepaald item dat de ferwurking ls-dimensje fertsjintwurdiget, hy / sy heart by de" Active "LS domein. . Studinten waarden lykwols klassifisearre as "reflektive" LS doe't se mear "B" mear keazen "A" yn spesifike 11 fragen (Tabel 1) en skoarde mear dan 5 punten. Uteinlik is de studint yn in steat fan "Equilibrium." As de skoare net mear as 5 punten is, dan is dit in "proses" LS. It klassifikaasjeproses waard werhelle foar de oare LS-ôfmjittings, nammentlik persepsje (aktyf / reflektyf), ynfier (fisueel / ferbale), en begryp (sekwinsjele / wrâldwiid).
Beslútbeammenmodellen kinne ferskate subsets brûke fan funksjes en beslútregels by ferskate stadia fan it klassifikaasjeproses. It wurdt beskôge as in populêr klassifikaasje en foarsizzing. It kin wurde fertsjintwurdige mei in beamstruktuer lykas in stream fan 'e streamôfbylding [20], wêryn d'r ynterne knooppunten fertsjinwurdigje troch attribút, elke tûke fertsjinwurdigjen fan testresultaten, en elk blêdknooppunt (blêdknooppunt) befetsje).
In ienfâldich regel-basearre programma is makke om automatysk te skoaren en annotearjen fan 'e LS's fan' e studinten basearre op har antwurden. Regel-basearre nimt de foarm fan in as ferklearring, wêr "as" beskriuwt de trigger en spesifiseart de aksje dy't de aksje spesifiseart, bygelyks: "As x bart, dan, dan dwaan, dan dwaan), dan" (Liu et al., 2014) As de korrelaasje fan 'e dataset Tentoanstellingen en it beslút fan beslút, is goed oplaat en evalueare, kin dizze oanpak in effektive manier wêze om it proses fan oerienkommende ls te automatisearjen en te wêzen.
Yn 'e twadde faze fan ûntwikkeling waard de dataset ferhege nei 255 om de krektens te ferbetterjen fan it oanbefellingsynstrumint. De gegevensset is splitst yn in 1: 4 ferhâlding. 25% (64) Fan 'e dataset waard brûkt foar de test set, en de oerbleaune 75% (191) waard brûkt as de trainingset (ôfbylding 2). De dataset moat wurde ferdield om te foarkommen dat it model oplaat wurdt en testen op deselde dataset, dy't it model koe feroarsaakje ynstee fan te learen. It model wurdt traind op 'e trainingset en evalueart har prestaasjes op' e test-set-gegevens it model hat noch noait earder sjoen.
Ienris is it ark is ûntwikkele, sil de applikaasje ls kinne klassifisearje basearre op 'e antwurden fan' e tand-studinten fia in webynterface. It opliedingssysteem fan it web-basearre ynformaasje befeiligingsynstrumint wurdt boud mei de Python-programmeartaal mei it Django-kader as de backend. Tabel 2 Lislt de biblioteken brûkt yn 'e ûntwikkeling fan dit systeem.
De dataset is fiede oan in beslútbeammodel om studintrjochten te berekkenjen en te ekstrahearje antwurden om studintekungen automatysk te klassifisearjen.
De Conbex Matrix wurdt brûkt om de krektens te evaluearjen fan in beslútbeammachine-masine dy't algoritme learen op in bepaalde gegevensset. Tagelyk evalueart it de prestaasjes fan it klassifikaasjemodel. It gearfettet it foarsizzingen fan it model en fergeliket se oan 'e eigentlike gegevensetiketten. De evaluaasje-resultaten binne basearre op fjouwer ferskillende wearden: Wier positive foarsjoen de positodekategory, falsk positive (FP) foarsjoen de positive kategory, mar it echte label wie negatyf, wiere negatyf (TN) - It model foarsei de negative klasse, en falske negatyf (FN) - it model foarsizze in negative klasse, mar it wirklike etiket is posityf.
Dizze wearden wurde dan brûkt om ferskate prestaasjesmetriken te berekkenjen fan it klassifikaasjegodel yn Python, nammentlik, nammentlik presys, presys, weromroppen, en F1-score. Hjir binne foarbylden:
Unthâld (as gefoelichheid) mjit it fermogen fan it model om de ls fan in studint te klassifisearjen nei it beantwurdzjen fan 'e M-ILS-enkête.
Spesifisiteit hjit in wirklik negatyf taryf. Sa't jo kinne sjen fan 'e boppesteande Formula, soe dit de ferhâlding wêze kinne fan wirklike negativen (TN) oant wirklike negativen en falske posysjes (FP). As diel fan it oanbefellende ark foar klassifikaasje fan studinten, moat it yn steat wêze om krekte identifikaasje te wêzen.
De orizjinele dataset fan 50 studinten waarden eartiids dat it beslútbeam is om it beslútmodel te trainen dy't relatyf lege krektens sjen litte fanwege minsklike flater yn 'e annotaasjes (Tabel 3). Nei it meitsjen fan in ienfâldich regel-basearre programma LS-scores en studint annotaasjes, waarden in tanimmend oantal (255) waard brûkt om it oanfreger te testen en te testen.
Yn 'e Multiclas-betizing Matrix fertsjinwurdigje de diagonale eleminten it oantal juste foarsizzingen foar elke LS-type (figuer 4). Mei help fan it beslútbeammodel, waarden yn totaal 64 samples korrekt foarsizze. Sa litte de diagonale eleminten de ferwachte resultaten sjen litte, oanjout dat it model goed presteart, foarsjocht it klassen it klassen foar elke LS-klassifikaasje foar elke LS-klassifikaasje. Sa is de algemiene krektens fan it oanbefelling fan it oanbefelling 100%.
De wearden fan krektens, presys, herinnering, en F1-skoare wurde toand yn figuers 5. Foar it beslútbeam-toant, "perfekt,", oanjout it perfekte presyzje en ûnthâlde, wichtige gefoelichheid en spesifike gefoelichheid en spesifike gefoeligens wearden.
Figuer 6 toant in fisualisaasje fan it beslútbeammodel nei training en testen binne foltôge. Yn in side-by-side-fergeliking, it beslútbeammodel trainde mei minder funksjes toande hegere krektens en makliker model visualisaasje. Dit lit sjen dat funksje-technyk dy't liede ta funksje-fermindering in wichtige stap is yn it ferbetterjen fan modelprestaasjes.
Troch it oanfreegjen fan beslútbeamben fan beslút te jaan dy't it yn kaart bring tusken LS (ynfier) en is (doelútfier) wurdt automatysk generearre en befettet detaillearre ynformaasje foar elke LS.
De resultaten lieten sjen dat 34,9% fan 'e 255-studinten ien (1) LS-opsje foarkar hat. De mearderheid (54,3%) hie twa of mear ls foarkarren. 12.2% fan studinten opmurken dat LS frij balansearre is (Tabel 4). Njonken de acht haad LS binne d'r 34 kombinaasjes fan LS-klassifikaasjes foar Universiteit fan Malaya Dental-studinten. Under har, Perception, Fisy, en de kombinaasje fan persepsje en fisy binne de wichtichste LS rapporteare troch studinten (figuer 7).
Lykas te sjen út Tabel 4, hie de mearderheid fan 'e studinten in oerhearskjende sensoryske (13,7%) of fisueel (8,6%) LS. It waard rapporteare dat 12,2% fan 'e studinten kombineare persepsje mei fyzje (perceptuele fisuele lS). Dizze befiningen suggerearje dat studinten it leafst learden en ûnthâlde troch fêststelde metoaden, folgje spesifike en detaillearre prosedueres, en binne attint yn 'e natuer. Tagelyk genietsje se fan learen troch te sykjen troch te sykjen (mei diagrams, ensfh.) En tend to beprate en tapasse ynformaasje yn groepen as op har eigen.
Dizze stúdzje leveret in oersjoch fan techniken foar masine dy't brûkt wurdt yn gegevensmijn, mei in fokus op daliks en presintearje fan 'e LS en oanbefellingen fan' e studinten te foarsizzen. Oanfraach fan in beslútbeammodel identifisearre de faktoaren dy't it meast besibbe binne oan har libben en edukative ûnderfiningen. It is in tafersjochhâldere Learning-algoritme dy't in beamstruktuer brûkt om gegevens te klassifisearjen troch te dielen troch in set gegevens te dielen yn subkategoryen basearre op bepaalde kritearia. It wurket troch de ynfiergegevens te dielen yn 'e sinners dy't op' e wearde fan ien fan 'e ynfierfunksjes fan elke ynterne knooppunt is oant in beslút wurdt makke by it blêdknooppunt.
De ynterne knooppunten fan 'e beslútbeam fertsjinwurdigje de oplossing basearre op' e ynfierkarakteristiken fan it M-ILS-probleem, en de blêdknooppunten fertsjinwurdigje de definitive útgongspunt. Troch de stúdzje is it maklik om de hierargy fan beslútbeammen te begripen dy't it beslútproses ferklearje en visualisearje troch te sjen nei de relaasje tusken ynfierfunksjes en útfierfunksjes en útfierfunksjes.
Yn 'e fjilden fan kompjûterwittenskip en technyk, masjine learen binne algoritmen breed brûkt om studinteprestaasje te foarsizzen op basis fan har yngong eksamenskosten [21], Demografyske ynformaasje, en leargedrach [22]. Undersyk toande dat de algoritme presys studintprestaasjes foarseine en holp se te identifisearjen studinten te identifisearjen by risiko foar akademyske swierrichheden.
De tapassing fan ML-algoritmen yn 'e ûntwikkeling fan simulatoren fan firtuele pasjint foar dental training wurdt rapporteare. De simulator is yn steat om de fysiologyske antwurden akkuraat te reprodusearjen fan echte pasjinten en kin brûkt wurde om dental studinten te trenen yn in feilige en kontroleare omjouwing [23]. Ferskate oare stúdzjes litte sjen dat masjine-learen-algoritmen de kwaliteit en effisjinsje beskermje kin ferbetterje en medyske oplieding en pasjint soarch. Masine learen fan masjine binne brûkt om te helpen by de diagnoaze fan dental sykten basearre op gegevenssets lykas symptomen en pasjint-skaaimerken [24, 25]. Wylst oare stúdzjes it gebrûk fan Masine-learen ferkenne hawwe om taken út te fieren, lykas it foarsizzen fan pasjintútkomminten, identifisearje persoanlike behannelingplannen [26], periodontale behanneling [27], en karies behanneling [25].
Hoewol rapporten oer de tapassing fan masine learen yn toskedokter binne publisearre, bliuwt syn applikaasje yn Dental-ûnderwiis beheind. Dêrom rjochte dizze stúdzje rjochte op in beslútbeammodel te brûken om faktoaren te identifisearjen dy't it meast assosjeare is mei LS en is ûnder tand-studinten.
De resultaten fan dizze stúdzje litte sjen dat it ûntwikkele oanbefellingen-ark hege krektens hat en perfekte krektens, oanjout dat dosinten kinne profitearje fan dit ark. Mei help fan in gegevens-oandreaune klassifikaasjeproses, kin it personaliseare oanbefellingen leverje en op edukative ûnderfiningen en útkomsten ferbetterje foar oplieders en studinten. Under har krigen ynformaasje fia oanbefellingske ark kinne konflikten oplosse tusken de foarkar foar leararen fan dosinten en de learbehoeften fan 'e learen fan dosinten en studinten. Bygelyks, fanwegen de automatyske útfier fan oanbefellingske ark, de tiid nedich om de IP fan in studint te identifisearjen en te passen mei de oerienkommende IP sil signifikant fermindere wurde. Op dizze manier kinne geskikte trainingaktiviteiten en training kinne wurde organisearre. Dit helpt de posityf leargedrach en fermogen te ûntwikkeljen. Ien stúdzje rapporteare dat studinten leverje mei learmateriaal en learen dy't oerienkomme mei har foarkarstoffen kinne helpe om te yntegrearjen, en genietsje fan it learen om meardere manieren om grutter potensje te berikken. Undersyk lit dat ek neist it ferbetterjen fan studintekoarten yn 'e klasse, spilet it learproses fan studinten ek in krityske rol yn ferbetterjen fan learpraktiken en kommunikaasje mei studinten mei studinten [28, 29].
Lykwols, lykas by elke moderne technology, binne d'r lykwols problemen en beheiningen. Dizze omfetsje problemen relatearre oan gegevens privacy, bias en earlikens, en de profesjonele feardigens en middels nedich om masjine-learen fan algoritmen te ûntwikkeljen en te ymplementearjen yn dental-oplieding; It groeiende ynteresse en ûndersyk yn dit gebiet suggereart lykwols dat de technologyen foar machine-learen in positive ynfloed hawwe op Dental Underwiis en Dental Services.
De resultaten fan dizze stúdzje jouwe oan dat de helte fan Dental-studinten in oanstriid hawwe om "drugs te fersterkjen. Dit soarte learling hat in foarkar foar feiten en konkrete foarbylden, in praktyske oriïntaasje, geduld foar de foarkar om foto's te brûken, grafyk, kleuren, en kaarten en gedachten oerbringe. De hjoeddeistige resultaten binne konsistint mei oare stúdzjes mei help fan ILS om LS te beoardieljen LS yn dental en medyske studinten, de measten fan wa hawwe skaaimerken fan perceptuele en fisuele LS [12, 30]. Dalmolin et al suggereart dat studinten ynformeart oer har Ls kinne se har learen potensjeel berikke. Undersikers bewize dat as dosinten de edukatyf proses fan studinten folslein begripe, ferskate learmetoaden en aktiviteiten kinne wurde ymplementearre dat de prestaasjes fan studinten en learûnderfining sil ferbetterje [12, 31, 32]. Oare stúdzjes hawwe sjen litten dat it oanpassen fan 'e studinten ek ferbetteringen toant yn' e learûnderfining fan studinten en prestaasjes nei it feroarjen fan har learstilen om te feroarjen om har eigen LS te feroarjen.
De mieningen fan dosinten kinne ferskille oangeande de útfiering fan learstrategyen basearre op 'e learen fan studinten. Wylst guon de foardielen fan dizze oanpak sjen, ynklusyf profesjonele ûntwikkelingmooglikheden, mentorship, en mienskipstipe, oaren kinne soargen wêze oer tiid en ynstitúsjonele stipe. Stribjen nei lykwicht is kaai foar it meitsjen fan in hâlding fan studintesintrearre. Heger ûnderwiisautoriteiten, lykas universitêre behearders, kinne in wichtige rol spielje by it riden fan positive feroaring troch ynnovative praktiken en stypjen fan fakulteitûntwikkeling [34]. Om in wirklik dynamyk te meitsjen, heger ûnderwiissysteem, moatte beliedsmakkers nimme, lykas it meitsjen fan beliedsferoaringen, tawize oan technology ynnotaasje, en it kreëarjen fan studinten oan dat it oanmeitsjen fan studinten. Dizze maatregels binne kritysk om de winske resultaten te berikken. Resint ûndersyk nei ûnderskieden ynstruksje hat dúdlik werjûn dat suksesfolle útfiering fan differinsjeare ynstruksje fereasket oanhâldende training en ûntwikkelingskânsen foar dosinten [35].
Dit ark leveret weardefolle stipe oan to dental-oplieders dy't in studint-sintreare oanpak wolle nimme om studint-freonlike learende learaktiviteiten te plannen. Dizze stúdzje is lykwols beheind ta it gebrûk fan beslútbeam ML-modellen. Yn 'e takomst moatte mear gegevens wurde sammele om de prestaasjes fan ferskate masjine-learmodellen te ferlykjen om de krektens te ferlykjen om de krektens, betrouberens, en presys fan oanbefellingske ark te fergelykje. Derneist, by it kiezen fan 'e meast geskikte metoade foar machine-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 allinich rjochtet op mapping fan LS en is ûnder tental studinten. Dêrom sil it ûntwikkele oanbefellingsysteem allinich oanbefelje dejingen dy't geskikt binne foar Dental-studinten. Feroaringen binne nedich foar algemien studint gebrûk fan heger ûnderwiis.
It nij ûntwikkelde masine-basearre-basearre-basearre is yn steat om de korrespondearjend te klassifisearjen en te passen op 'e korrespondearjen, wêrtroch it earste Dental-opliedingsprogramma om relevante learen te helpen relevante learen en learaktiviteiten. Mei help fan in gegevens-oandreaune proefproses kinne jo persoanlike oanbefellingen leverje, tiid besparje, it learen fan learstrategyen, stipe rjochte yntervinsjes, en befoarderje oanhâldende profesjonele ûntwikkeling. De applikaasje sil studint-sintraal oanpak befeiligje oan dental-oplieding.
Gilak Jani Associated Press. Ferlykje as mismatch tusken it learstyl fan 'e studint en de learstyl fan' e learaar. Int J Mod-eduk Computer Wittenskip. 2012; 4 (11): 51-60. https://doei.org/10.5815/ijmecs.2012.11.05
Posttiid: Apr-29-2024