Der is in groeiende needsaak foar studint-sintraal learen (SCL) yn hegere ûnderwiisynstellingen, ynklusyf toskhielkunde. SCL hat lykwols beheinde tapassing yn toskhielkundeûnderwiis. Dêrom is it doel fan dizze stúdzje om de tapassing fan SCL yn toskhielkunde te befoarderjen troch gebrûk te meitsjen fan beslútbeam-masinelearen (ML)-technology om de foarkar learsstyl (LS) en oerienkommende learstrategyen (IS) fan toskhielkundestudinten yn kaart te bringen as in nuttich ark foar it ûntwikkeljen fan IS-rjochtlinen. Taseine metoaden foar toskhielkundestudinten.
Yn totaal hawwe 255 toskedoktersstudinten fan 'e Universiteit fan Malaya de oanpaste Index of Learning Styles (m-ILS) fragelist ynfold, dy't 44 items befette om se te klassifisearjen yn har respektive LS'en. De sammele gegevens (in dataset neamd) wurde brûkt yn supervisearre beslútbeamlearen om de learstilen fan studinten automatysk te oerienkommen mei de meast geskikte IS. De krektens fan 'e op masinelearen basearre IS-oanbefellingstool wurdt dan evaluearre.
De tapassing fan beslútbeammodellen yn in automatisearre mappingproses tusken LS (ynfier) en IS (doelútfier) makket in direkte list mei passende learstrategyen mooglik foar elke toskedokterstudint. De IS-oanbefellingstool liet perfekte krektens en ûnthâld fan 'e algemiene modelkrektens sjen, wat oanjout dat it oerienkommen fan LS mei IS in goede gefoelichheid en spesifisiteit hat.
In IS-oanbefellingstool basearre op in ML-beslútbeam hat syn fermogen bewiisd om de learstilen fan toskedokterstudinten sekuer te kombinearjen mei passende learstrategyen. Dizze tool biedt krêftige opsjes foar it plannen fan learling-sintraal kursussen of modules dy't de learûnderfining fan studinten kinne ferbetterje.
Underwiis en learen binne fûnemintele aktiviteiten yn ûnderwiisynstellingen. By it ûntwikkeljen fan in heechweardich beropsûnderwiissysteem is it wichtich om te fokusjen op 'e learbehoeften fan studinten. De ynteraksje tusken studinten en har learomjouwing kin bepaald wurde troch har LS. Undersyk suggerearret dat troch leararen bedoelde mismatches tusken de LS en IS fan studinten negative gefolgen kinne hawwe foar it learen fan studinten, lykas fermindere oandacht en motivaasje. Dit sil yndirekt ynfloed hawwe op 'e prestaasjes fan studinten [1,2].
IS is in metoade dy't brûkt wurdt troch learkrêften om kennis en feardigens oan studinten oer te dragen, ynklusyf it helpen fan studinten om te learen [3]. Yn 't algemien planne goede learkrêften lesstrategyen of IS dy't it bêste oerienkomme mei it kennisnivo fan har studinten, de konsepten 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 yn gedachten planne effektive learkrêften faak ynstruksje mei it doel om de kennis en feardigens fan studinten op te bouwen [4].
De fraach nei SCL groeit yn hegere ûnderwiisynstellingen, ynklusyf toskhielkunde. SCL-strategyen binne ûntworpen om te foldwaan oan 'e learbehoeften fan studinten. Dit kin bygelyks berikt wurde as studinten aktyf meidogge oan learaktiviteiten en dosinten as fasilitators fungearje en ferantwurdlik binne foar it jaan fan weardefolle feedback. Der wurdt sein dat it leverjen fan learmaterialen en aktiviteiten dy't passend binne foar it opliedingsnivo of de foarkarren fan studinten de learomjouwing fan studinten kin ferbetterje en positive learûnderfiningen kin befoarderje [5].
Yn 't algemien wurdt it learproses fan toskedokterstudinten beynfloede troch de ferskate klinyske prosedueres dy't se útfiere moatte en de klinyske omjouwing wêryn't se effektive ynterpersoanlike feardigens ûntwikkelje. It doel fan 'e training is om studinten yn steat te stellen basiskennis fan toskedokterkunde te kombinearjen mei klinyske feardigens yn 'e toskedokterkunde en de opdien kennis ta te passen op nije klinyske situaasjes [6, 7]. Iere ûndersyk nei de relaasje tusken LS en IS fûn dat it oanpassen fan learstrategyen dy't yn kaart brocht binne oan 'e foarkommende LS it ûnderwiisproses soe ferbetterje [8]. De auteurs advisearje ek om in ferskaat oan les- en beoardielingsmetoaden te brûken om oan te passen oan it learen en de behoeften fan studinten.
Leararen profitearje fan it tapassen fan LS-kennis om har te helpen by it ûntwerpen, ûntwikkeljen en ymplementearjen fan ynstruksje dy't de fermogen fan studinten om djipper kennis en begryp fan it ûnderwerp te krijen sil ferbetterje. Ûndersikers 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 ûndersyk wurdt FSLSM brûkt om LS ûnder toskedokterstudinten te beoardieljen.
FSLSM is in breed brûkt model foar it evaluearjen fan adaptive learen yn 'e technyk. Der binne in soad publisearre wurken yn 'e sûnenswittenskippen (ynklusyf medisinen, ferpleechkunde, farmaseutika en toskhielkunde) dy't te finen binne mei help fan FSLSM-modellen [5, 11, 12, 13]. It ynstrumint dat brûkt wurdt om de dimensjes fan LS yn 'e FLSM te mjitten hjit de Index of Learning Styles (ILS) [8], dy't 44 items befettet dy't fjouwer dimensjes fan LS beoardielje: ferwurking (aktyf/reflektyf), waarnimming (perseptueel/yntuïtyf), ynput (fisueel/ferbaal) en begryp (sekwinsjeel/globaal) [14].
Lykas te sjen is yn figuer 1, hat elke FSLSM-diminsje in dominante foarkar. Bygelyks, yn 'e ferwurkingsdiminsje ferwurkje studinten mei "aktive" LS leaver ynformaasje troch direkt ynteraksje mei learmateriaal, leare se troch te dwaan, en hawwe se de neiging om yn groepen te learen. De "reflektearjende" LS ferwiist nei learen troch tinken en wurket leaver allinnich. De "waarnimmende" diminsje fan LS kin wurde ferdield yn "gefoel" en/of "yntuysje". "Gefoel"-studinten hawwe leaver konkrete ynformaasje en praktyske prosedueres, binne feit-oriïntearre yn ferliking mei "yntuïtive" studinten dy't abstrakt materiaal leaver hawwe en ynnovativer en kreatyf fan aard binne. De "ynfier"-diminsje fan LS bestiet út "fisuele" en "ferbale" learlingen. Minsken mei "fisuele" LS leare leaver troch fisuele demonstraasjes (lykas diagrammen, fideo's of live demonstraasjes), wylst minsken mei "ferbale" LS leaver leare troch wurden yn skriftlike of mûnlinge útlis. Om de LS-diminsjes te "begripen", kinne sokke learlingen wurde ferdield yn "sekwinsjeel" en "globaal". "Sekwinsjele learlingen hawwe leaver in lineêr tinkproses en leare stap foar stap, wylst globale learlingen de neiging hawwe om in holistisch tinkproses te hawwen en altyd in better begryp hawwe fan wat se leare."
Koartlyn binne in protte ûndersikers begûn mei it ûndersiikjen fan metoaden foar automatyske gegevensgestuurde ûntdekking, ynklusyf de ûntwikkeling fan nije algoritmen en modellen dy't grutte hoemannichten gegevens kinne ynterpretearje [15, 16]. Op basis fan 'e levere gegevens kin supervisearre ML (masine learen) patroanen en hypotezen generearje dy't takomstige resultaten foarsizze op basis fan 'e konstruksje fan algoritmen [17]. Simpelwei sein, supervisearre masineleartechniken manipulearje ynfiergegevens en traine algoritmen. It genereart dan in berik dat de útkomst klassifisearret of foarseit op basis fan ferlykbere situaasjes foar de levere ynfiergegevens. It wichtichste foardiel fan supervisearre masinelearalgoritmen is it fermogen om ideale en winske resultaten fêst te stellen [17].
Troch it brûken fan datagestuurde metoaden en beslútbeamkontrôlemodellen is automatyske deteksje fan LS mooglik. Beslútbeammen binne rapportearre as breed brûkt yn trainingsprogramma's yn ferskate fjilden, ynklusyf sûnenswittenskippen [18, 19]. Yn dizze stúdzje waard it model spesifyk traind 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 om IS-leveringstrategyen te ûntwikkeljen basearre op 'e LS fan studinten en de SCL-oanpak ta te passen troch in IS-oanbefellingsark te ûntwikkeljen dat yn kaart brocht is mei LS. De ûntwerpstream fan 'e IS-oanbefellingsark as in strategy fan 'e SCL-metoade wurdt werjûn yn figuer 1. De 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 oanbefellingsark foar ynformaasjefeiligens omfetsje it gebrûk fan webtechnologyen en it gebrûk fan masinelearen fan beslútbeammen. 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 Toskhielkunde oan 'e Universiteit fan Malaya diene op frijwillige basis mei. Dielnimmers antwurden op 'e online m-ILS fan in toskhielkundestudint yn it Ingelsk. Yn 'e earste faze waard in dataset fan 50 studinten brûkt om it beslútbeam-masinelearalgoritme te trainen. 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 oan it begjin fan elke faze in online briefing, ôfhinklik fan it akademysk jier, fia Microsoft Teams. It doel fan 'e stúdzje waard útlein en ynformearre tastimming waard krigen. Alle dielnimmers krigen in link 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 oanpaste ILS yn te foljen op in tiid en lokaasje dy't har handich wiene tidens de semesterfakânsje foar it begjin fan it semester. De m-ILS is basearre op it orizjinele ILS-ynstrumint en oanpast foar toskedokterstudinten. Fergelykber mei de orizjinele ILS befettet it 44 lykwichtich ferdielde items (a, b), mei elk 11 items, dy't brûkt wurde om aspekten fan elke FSLSM-diminsje te beoardieljen.
Tidens de earste stadia fan arkûntwikkeling hawwe de ûndersikers de kaarten manuell annotearre mei in dataset fan 50 toskedokterstudinten. Neffens de FSLM jout it systeem de som fan 'e antwurden "a" en "b". Foar elke diminsje, as de studint "a" as antwurd selektearret, wurdt de LS klassifisearre as Aktyf/Perseptueel/Fisueel/Sekwinsjeel, en as de studint "b" as antwurd selektearret, wurdt de studint klassifisearre as Reflektyf/Yntuïtyf/Linguïstysk / wrâldwide learling.
Nei it kalibrearjen fan 'e workflow tusken ûndersikers fan toskedoktersûnderwiis en systeemûntwikkelders, waarden fragen selektearre op basis fan it FLSSM-domein en ynfierd yn it ML-model om de LS fan elke studint te foarsizzen. "Garbage in, garbage out" is in populêre útspraak op it mêd fan masinelearen, mei in klam op gegevenskwaliteit. De kwaliteit fan 'e ynfiergegevens bepaalt de presyzje en krektens fan it masinelearenmodel. Tidens de funksje-engineeringfaze wurdt in nije funksjeset makke dy't de som is fan 'e antwurden "a" en "b" basearre op FLSSM. Identifikaasjenûmers fan medisynposysjes wurde jûn yn tabel 1.
Berekenje de skoare op basis fan 'e antwurden en bepaal de LS fan 'e studint. Foar elke studint is it skoareberik fan 1 oant 11. Skoares fan 1 oant 3 jouwe in lykwicht oan fan learfoarkarren binnen deselde diminsje, en skoares fan 5 oant 7 jouwe in matige foarkar oan, wat oanjout dat studinten de neiging hawwe om ien omjouwing te foarkommen wêrby't se oaren lesjaan. In oare fariaasje op deselde diminsje is dat skoares fan 9 oant 11 in sterke foarkar foar it iene of it oare ein reflektearje [8].
Foar elke diminsje waarden medisinen groepearre yn "aktyf", "reflektyf" en "balansearre". Bygelyks, as in studint faker "a" antwurdet as "b" op in oanwiisd item en syn/har skoare de drompel fan 5 foar in bepaald item dat de Processing LS-diminsje fertsjintwurdiget, oerskriuwt, heart hy/sy ta it "aktive" LS-domein. Studinten waarden lykwols klassifisearre as "reflektyf" LS as se "b" mear as "a" keazen yn spesifike 11 fragen (Tabel 1) en mear as 5 punten skoarden. Uteinlik is de studint yn in steat fan "lykwicht". As de skoare net mear as 5 punten is, dan is dit in "proses" LS. It klassifikaasjeproses waard werhelle foar de oare LS-diminsjes, nammentlik waarnimming (aktyf/reflektyf), ynput (fisueel/ferbaal), en begryp (sekwinsjeel/globaal).
Beslútbeammodellen kinne ferskate subgroepen fan funksjes en beslútregels brûke yn ferskate stadia fan it klassifikaasjeproses. It wurdt beskôge as in populêr klassifikaasje- en foarsizzingsark. It kin wurde fertsjintwurdige mei in beamstruktuer lykas in flowchart [20], wêryn't ynterne knooppunten binne dy't testen per attribút fertsjintwurdigje, elke tûke dy't testresultaten fertsjintwurdiget, en elk blêdknooppunt (blêdknooppunt) dat in klasselabel befettet.
In ienfâldich regel-basearre programma is makke om automatysk de LS fan elke studint te skoaren en te annotearjen op basis fan harren antwurden. Regel-basearre programma's nimme de foarm oan fan in IF-statement, wêrby't "IF" de trigger beskriuwt en "THEN" de aksje spesifisearret dy't útfierd wurde moat, bygelyks: "As X bart, doch dan Y" (Liu et al., 2014). As de dataset korrelaasje sjen lit en it beslútbeammodel goed traind en evaluearre is, kin dizze oanpak in effektive manier wêze om it proses fan it oerienkommen fan LS en IS te automatisearjen.
Yn 'e twadde faze fan ûntwikkeling waard de dataset ferhege nei 255 om de krektens fan 'e oanbefellingstool te ferbetterjen. De dataset is splitst yn in ferhâlding fan 1:4. 25% (64) fan 'e dataset waard brûkt foar de testset, en de oerbleaune 75% (191) waard brûkt as de trainingset (Ofbylding 2). De dataset moat splitst wurde om te foarkommen dat it model traind en test wurdt op deselde dataset, wat derta liede kin dat it model ûnthâldt ynstee fan leart. It model wurdt traind op 'e trainingset en evaluearret syn prestaasjes op 'e testset - gegevens dy't it model noch nea earder sjoen hat.
Sadree't de IS-ark ûntwikkele is, sil de applikaasje LS kinne klassifisearje op basis fan 'e antwurden fan toskedokterstudinten fia in webinterface. It web-basearre systeem foar oanbefellingsark foar ynformaasjefeiligens is boud mei de programmeartaal Python mei it Django-framework as backend. Tabel 2 listet de bibleteken dy't brûkt binne by de ûntwikkeling fan dit systeem.
De dataset wurdt nei in beslútbeammodel fiede om studintereaksjes te berekkenjen en te ekstrahearjen om LS-mjittingen fan studinten automatysk te klassifisearjen.
De betizingmatrix wurdt brûkt om de krektens fan in beslútbeam-masinelearalgoritme op in bepaalde dataset te evaluearjen. Tagelyk evaluearret it de prestaasjes fan it klassifikaasjemodel. It vat de foarsizzingen fan it model gear en fergeliket se mei de werklike datalabels. 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 foarsei in negative klasse, mar it wiere label is posityf.
Dizze wearden wurde dan brûkt om ferskate prestaasjemetriken fan it scikit-learn-klassifikaasjemodel yn Python te berekkenjen, nammentlik presyzje, presyzje, weromroep en F1-skoare. Hjir binne foarbylden:
Weromroep (of gefoelichheid) mjit it fermogen fan it model om de LS fan in studint sekuer te klassifisearjen nei it beantwurdzjen fan 'e m-ILS-enkête.
Spesifisiteit wurdt in wier negative taryf neamd. Lykas jo kinne sjen út 'e boppesteande formule, moat dit de ferhâlding wêze fan wiere negativen (TN) ta wiere negativen en falske positiven (FP). As ûnderdiel fan 'e oanrikkemandearre ark foar it klassifisearjen fan studintedrugs, moat it by steat wêze om krekt te identifisearjen.
De orizjinele dataset fan 50 studinten dy't brûkt waard om it beslútbeam-ML-model te trainen, liet in relatyf lege krektens sjen fanwegen minsklike flaters yn 'e annotaasjes (Tabel 3). Nei it meitsjen fan in ienfâldich regelbasearre programma om automatysk LS-skoares en studinteannotaasjes te berekkenjen, waarden in tanimmend oantal datasets (255) brûkt om it oanbefellingssysteem te trainen en te testen.
Yn 'e multiklasse-betizingsmatrix fertsjintwurdigje de diagonale eleminten it oantal juste foarsizzingen foar elk LS-type (figuer 4). Mei it beslútbeammodel waarden yn totaal 64 samples korrekt foarsein. Sa litte de diagonale eleminten yn dizze stúdzje 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 'e oanbefellingstool 100%.
De wearden fan krektens, presyzje, weromroep en F1-skoare wurde werjûn yn figuer 5. Foar it oanbefellingssysteem dat it beslútbeammodel brûkt, is de F1-skoare 1.0 "perfekt", wat perfekte presyzje en weromroep oanjout, wat wichtige gefoelichheids- en spesifisiteitswearden reflektearret.
Figuer 6 lit in fisualisaasje sjen fan it beslútbeammodel nei't training en testen foltôge binne. Yn in side-by-side ferliking liet it beslútbeammodel dat mei minder funksjes traind waard in hegere krektens en makliker modelvisualisaasje sjen. Dit lit sjen dat funksje-engineering dy't liedt ta funksjereduksje in wichtige stap is yn it ferbetterjen fan modelprestaasjes.
Troch it tapassen fan tafersjochhâlden learen mei in beslútbeam wurdt de ôfbylding tusken LS (ynfier) en IS (doelútfier) 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 joegen. De mearderheid (54,3%) hie twa of mear LS-foarkarren. 12,2% fan 'e studinten merkten op dat LS frij lykwichtich is (Tabel 4). Neist de acht wichtichste LS binne d'r 34 kombinaasjes fan LS-klassifikaasjes foar toskedokterstudinten fan 'e Universiteit fan Malaya. Dêrûnder binne waarnimming, fisy, en de kombinaasje fan waarnimming en fisy de wichtichste LS dy't troch studinten rapportearre wurde (Ofbylding 7).
Lykas te sjen is yn tabel 4, hie de mearderheid fan 'e learlingen in oerhearskjende sensoryske (13,7%) of fisuele (8,6%) LS. Der waard rapportearre dat 12,2% fan 'e learlingen waarnimming kombinearren mei fisy (persepsjoneel-fisuele LS). Dizze befiningen suggerearje dat learlingen leaver leare en ûnthâlde fia fêststelde metoaden, spesifike en detaillearre prosedueres folgje, en oandachtich fan aard binne. Tagelyk genietsje se fan learen troch te sjen (mei help fan diagrammen, ensfh.) en hawwe se de neiging om ynformaasje yn groepen of allinnich te besprekken en ta te passen.
Dizze stúdzje jout in oersjoch fan masineleartechniken dy't brûkt wurde yn data mining, mei in fokus op it direkt en sekuer foarsizzen fan 'e LS fan studinten en it oanbefeljen fan geskikte IS. Tapassing fan in beslútbeammodel identifisearre de faktoaren dy't it nauwst relatearre binne oan har libbens- en edukative ûnderfiningen. It is in kontrolearre masinelearalgoritme dat in beamstruktuer brûkt om gegevens te klassifisearjen troch in set gegevens te ferdielen yn subkategoryen op basis fan bepaalde kritearia. It wurket troch de ynfiergegevens rekursyf te ferdielen yn subgroepen op basis fan 'e wearde fan ien fan' e ynfierfunksjes fan elke ynterne knooppunt oant in beslút wurdt nommen by it blêdknooppunt.
De ynterne knooppunten fan 'e beslútbeam fertsjintwurdigje de oplossing basearre op 'e ynfierkarakteristiken fan it m-ILS-probleem, en de blêdknooppunten fertsjintwurdigje de definitive LS-klassifikaasjefoarsizzing. Troch de stúdzje hinne is it maklik om de hiërargy fan beslútbeammen te begripen dy't it beslútproses útlizze en visualisearje troch te sjen nei de relaasje tusken ynfierfunksjes en útfierfoarsizzingen.
Yn 'e sektoaren fan kompjûterwittenskip en technyk wurde masinelearalgoritmen in soad brûkt om studinteprestaasjes te foarsizzen op basis fan har yngongseksamenskoares [21], demografyske ynformaasje en leargedrach [22]. Undersyk liet sjen dat it algoritme studinteprestaasjes sekuer foarsei en har holp studinten te identifisearjen dy't risiko hiene op akademyske swierrichheden.
De tapassing fan ML-algoritmen yn 'e ûntwikkeling fan firtuele pasjintsimulatoren foar toskedokterstraining wurdt rapportearre. De simulator is by steat om de fysiologyske reaksjes fan echte pasjinten sekuer te reprodusearjen en kin brûkt wurde om toskedoktersstudinten op te lieden yn in feilige en kontroleare omjouwing [23]. Ferskate oare stúdzjes litte sjen dat masinelearalgoritmen de kwaliteit en effisjinsje fan toskedokters- en medyske oplieding en pasjintesoarch potinsjeel kinne ferbetterje. Masinelearalgoritmen binne brûkt om te helpen by de diagnoaze fan toskedokterssykten op basis fan datasets lykas symptomen en pasjinteigenskippen [24, 25]. Wylst oare stúdzjes it gebrûk fan masinelearalgoritmen hawwe ûndersocht om taken út te fieren lykas it foarsizzen fan pasjintútkomsten, it identifisearjen fan pasjinten mei hege risiko, it ûntwikkeljen fan personaliseare behannelingplannen [26], parodontale behanneling [27] en kariesbehanneling [25].
Hoewol rapporten oer de tapassing fan masinelearen yn 'e toskhielkunde publisearre binne, bliuwt de tapassing dêrfan yn toskhielkundeûnderwiis beheind. Dêrom wie it doel fan dizze stúdzje om in beslútbeammodel te brûken om faktoaren te identifisearjen dy't it naust ferbûn binne mei LS en IS ûnder toskhielkundestudinten.
De resultaten fan dizze stúdzje litte sjen dat de ûntwikkele oanbefellingstool in hege krektens en perfekte krektens hat, wat oanjout dat learkrêften profitearje kinne fan dizze tool. Mei in gegevensgestuurd klassifikaasjeproses kin it personaliseare oanbefellings jaan en ûnderwiisûnderfiningen en resultaten foar learkrêften en studinten ferbetterje. Dêrûnder kin ynformaasje dy't krigen wurdt fia oanbefellingstools konflikten oplosse tusken de foarkarsmetoaden fan learkrêften en de learbehoeften fan studinten. Bygelyks, troch de automatisearre útfier fan oanbefellingstools sil de tiid dy't nedich is om it IP fan in studint te identifisearjen en it te keppeljen oan it oerienkommende IP signifikant wurde fermindere. Op dizze manier kinne geskikte trainingsaktiviteiten en trainingsmateriaal organisearre wurde. Dit helpt by it ûntwikkeljen fan it positive leargedrach en it konsintraasjefermogen fan studinten. Ien stúdzje melde dat it jaan fan learmateriaal en learaktiviteiten dy't oerienkomme mei har foarkarslearlinglearling studinten kin helpe om op meardere manieren te yntegrearjen, te ferwurkjen en te genietsjen fan learen om in grutter potinsjeel te berikken [12]. Undersyk lit ek sjen dat neist it ferbetterjen fan studintepartisipaasje yn 'e klasse, it begryp fan it learproses fan studinten ek in krúsjale rol spilet by it ferbetterjen fan lesjaanpraktiken en kommunikaasje mei studinten [28, 29].
Lykas by elke moderne technology binne der lykwols problemen en beheiningen. Dizze omfetsje problemen yn ferbân mei gegevensbeskerming, foaroardielen en earlikens, en de profesjonele feardigens en middels dy't nedich binne om algoritmen foar masinelearen te ûntwikkeljen en te ymplementearjen yn toskedokterûnderwiis; Tanimmende belangstelling en ûndersyk op dit mêd suggerearret lykwols dat masineleartechnologyen in positive ynfloed kinne hawwe op toskedokterûnderwiis en toskedoktertsjinsten.
De resultaten fan dizze stúdzje jouwe oan dat de helte fan 'e toskedoktersstudinten in oanstriid hawwe om medisinen te "waarnimmen". Dit type learling hat in foarkar foar feiten en konkrete foarbylden, in praktyske oriïntaasje, geduld foar detail, en in "fisuele" LS-foarkar, wêrby't learlingen leaver ôfbyldings, grafiken, kleuren en kaarten brûke om ideeën en gedachten oer te bringen. De hjoeddeiske resultaten binne yn oerienstimming mei oare stúdzjes dy't ILS brûke om LS te beoardieljen by toskedokters- en medyske studinten, wêrfan de measten skaaimerken hawwe fan persepsjonele 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. Undersykers stelle dat as leararen it edukative proses fan studinten folslein begripe, ferskate lesmetoaden en aktiviteiten kinne wurde ymplementearre dy't de prestaasjes en learûnderfining fan studinten sille ferbetterje [12, 31, 32]. Oare stúdzjes hawwe oantoand dat it oanpassen fan 'e LS fan studinten ek ferbetteringen sjen lit 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 ûnderwiisstrategyen basearre op 'e learfeardigens fan studinten. Wylst guon de foardielen fan dizze oanpak sjogge, ynklusyf profesjonele ûntwikkelingsmooglikheden, mentorskip en stipe fan 'e mienskip, kinne oaren soargen meitsje oer tiid en ynstitúsjonele stipe. It stribjen nei lykwicht is de kaai foar it meitsjen fan in studint-sintraal hâlding. Heger ûnderwiisautoriteiten, lykas universiteitsbehearders, kinne in wichtige rol spylje by it befoarderjen fan positive feroaring troch it yntrodusearjen fan ynnovative praktiken en it stypjen fan fakulteitsûntwikkeling [34]. Om in echt dynamysk en responsyf heger ûnderwiissysteem te meitsjen, moatte beliedsmakkers dappere stappen nimme, lykas it meitsjen fan beliedsferoarings, it tawizen fan middels oan technologyyntegraasje, en it meitsjen fan kaders dy't studint-sintraal oanpakken befoarderje. Dizze maatregels binne krúsjaal foar it berikken fan 'e winske resultaten. Resint ûndersyk nei differinsjearre ynstruksje hat dúdlik oantoand dat suksesfolle ymplemintaasje fan differinsjearre ynstruksje trochgeande trainings- en ûntwikkelingsmooglikheden foar leararen fereasket [35].
Dizze ark biedt weardefolle stipe oan toskedokters dy't in studint-sintraal oanpak wolle nimme foar it plannen fan studint-freonlike learaktiviteiten. Dizze stúdzje is lykwols beheind ta it gebrûk fan beslútbeam-ML-modellen. Yn 'e takomst moatte mear gegevens sammele wurde om de prestaasjes fan ferskate masinelearmodellen te fergelykjen om de krektens, betrouberens en presyzje fan oanbefellingsark te fergelykjen. Derneist is it by it kiezen fan 'e meast geskikte masinelearmetoade foar in bepaalde taak wichtich om oare faktoaren te beskôgjen, lykas modelkompleksiteit en ynterpretaasje.
In beheining fan dizze stúdzje is dat it allinich rjochte is op it yn kaart bringen fan LS en IS ûnder toskedokterstudinten. Dêrom sil it ûntwikkele oanbefellingssysteem allinich dyjingen oanbefelje dy't geskikt binne foar toskedokterstudinten. Feroarings binne needsaaklik foar algemien gebrûk troch studinten yn it heger ûnderwiis.
De nij ûntwikkele oanbefellingstool op basis fan masinelearen is by steat om de LS fan studinten direkt te klassifisearjen en te oerienkommen mei de oerienkommende IS, wêrtroch it it earste programma foar toskedoktersûnderwiis is dat toskedoktersûnderwizers helpt by it plannen fan relevante ûnderwiis- en learaktiviteiten. Mei in gegevensgestuurd triageproses kin it personaliseare oanbefellings jaan, tiid besparje, ûnderwiisstrategyen ferbetterje, rjochte yntervinsjes stypje en trochgeande profesjonele ûntwikkeling befoarderje. De tapassing dêrfan sil studint-sintraal oanpakken foar toskedoktersûnderwiis befoarderje.
Gilak Jani Associated Press. Oerienkomst of mismatch tusken de learstyl fan 'e studint en de lesstyl fan 'e learaar. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Pleatsingstiid: 29 april 2024