Et gëtt e wuessende Bedierfnes fir Schüler-zentréiert Léieren (SCL) an Héichschoulinstituter, dorënner Zänndokter.Wéi och ëmmer, SCL huet limitéiert Uwendung an Zännausbildung.Dofir zielt dës Studie d'Applikatioun vum SCL an der Zänndokter ze förderen andeems Dir Décisiounsbaum Maschinn Léieren (ML) Technologie benotzt fir de bevorzugten Léierstil (LS) an entspriechend Léierstrategien (IS) vun Zännstudenten als nëtzlecht Tool fir IS Richtlinnen z'entwéckelen. .Villverspriechend Methode fir Zänn Studenten.
Insgesamt 255 Zännstudenten vun der Universitéit vu Malaya hunn de modifizéierten Index vu Léierstiler (m-ILS) Questionnaire ofgeschloss, deen 44 Elementer enthält fir se an hir jeeweileg LSs ze klassifizéieren.Déi gesammelten Donnéeën (genannt Dataset) ginn am iwwerwaachte Entscheedungsbam Léieren benotzt fir d'Studenten hir Léierstiler automatesch un de passenden IS ze passen.D'Genauegkeet vum Maschinnléiere-baséiert IS Empfehlungsinstrument gëtt dann bewäert.
D'Applikatioun vun Entscheedungsbammodeller an engem automatiséierte Kartéierungsprozess tëscht LS (Input) an IS (Zilausgang) erlaabt eng direkt Lëscht vu passenden Léierstrategie fir all Zännstudent.D'IS Empfehlungsinstrument huet perfekt Genauegkeet an Erënnerung vun der Gesamtmodellgenauegkeet bewisen, wat beweist datt de passende LS op IS gutt Empfindlechkeet a Spezifizitéit huet.
En IS Empfehlungsinstrument baséiert op engem ML Entscheedungsbam huet seng Fäegkeet bewisen fir d'Léierstile vun den Zännstudenten mat passenden Léierstrategien präzis ze passen.Dëst Tool bitt mächteg Optiounen fir Schüler-zentréiert Coursen oder Moduler ze plangen, déi d'Léiererfahrung vun de Studenten verbesseren.
Léieren a Léieren si fundamental Aktivitéiten an pädagogeschen Institutiounen.Bei der Entwécklung vun engem qualitativ héichwäertege Beruffsausbildungssystem ass et wichteg op d'Léierbedürfnisser vun de Studenten ze fokusséieren.D'Interaktioun tëscht Studenten an hirem Léierëmfeld kann duerch hir LS bestëmmt ginn.D'Fuerschung hindeit datt d'Enseignant-absicht Mësshandlungen tëscht LS an IS vun de Studenten negativ Konsequenze fir d'Schülerléiere kënnen hunn, sou wéi eng reduzéiert Opmierksamkeet a Motivatioun.Dëst wäert indirekt Schüler Leeschtung Afloss [1,2].
IS ass eng Method déi vun Enseignanten benotzt gëtt fir Wëssen a Fäegkeeten un de Studenten ze vermëttelen, inklusiv Studenten ze hëllefen ze léieren [3].Allgemeng plangen gutt Enseignanten Léierstrategien oder IS déi am Beschten dem Wëssensniveau vun hire Studenten passen, d'Konzepter déi se léieren, an hir Léierstadium.Theoretesch, wann LS an IS matenee passen, kënnen d'Schüler e spezifesche Set vu Fäegkeeten organiséieren an benotzen fir effektiv ze léieren.Typesch enthält e Stonneplang verschidden Iwwergäng tëscht Etappe, sou wéi vum Léierpersonal op guidéiert Praxis oder vu guidéiert Praxis op onofhängeg Praxis.Mat dësem am Kapp plangen effektiv Enseignanten dacks d'Instruktioun mam Zil d'Wëssen an d'Fäegkeete vun de Studenten ze bauen [4].
D'Nofro fir SCL wiisst an Héichschoulinstituter, dorënner Zänndokter.SCL Strategien sinn entwéckelt fir d'Léierbedürfnisser vun de Studenten z'erreechen.Dëst kann erreecht ginn, zum Beispill, wann d'Schüler aktiv un de Léieraktivitéiten deelhuelen an d'Enseignanten als Facilitatoren handelen a verantwortlech si fir wäertvoll Feedback ze ginn.Et gëtt gesot datt d'Léiermaterial an d'Aktivitéiten ubidden, déi dem edukativen Niveau oder de Virléiften vun de Schüler passend sinn, d'Léierëmfeld vun de Studenten verbesseren a positiv Léiererfarungen förderen [5].
Allgemeng ass de Léierprozess vun den Zännstudenten beaflosst vun de verschiddene klineschen Prozeduren, déi se erfuerderlech sinn ze maachen an dem klineschen Ëmfeld an deem se effektiv interpersonal Fäegkeeten entwéckelen.Den Zweck vun der Ausbildung ass d'Studenten z'erméiglechen Basiskenntnisser vun der Zänndokter mat Zänn klineschen Fäegkeeten ze kombinéieren an dat erfuerscht Wëssen op nei klinesch Situatiounen ëmzesetzen [6, 7].Fréi Fuerschung iwwer d'Relatioun tëscht LS an IS huet festgestallt datt d'Ajustéierung vun Léierstrategien, déi op de bevorzugten LS gekaart sinn, hëllefe géif de pädagogesche Prozess verbesseren [8].D'Auteuren recommandéieren och eng Vielfalt vu Léier- a Bewäertungsmethoden ze benotzen fir un d'Léieren an d'Bedierfnesser vun de Studenten unzepassen.
D'Léierpersonal profitéiere vun der Uwendung vun LS Wëssen fir hinnen ze hëllefen d'Instruktioune ze designen, z'entwéckelen an ëmzesetzen, déi d'Schüler d'Acquisitioun vu méi déif Wëssen a Verständnis vum Thema verbesseren.Fuerscher hunn e puer LS Bewäertungsinstrumenter entwéckelt, sou wéi de Kolb Experiential Learning Model, de Felder-Silverman Learning Style Model (FSLSM), an de Fleming VAK/VARK Model [5, 9, 10].No der Literatur sinn dës Léiermodeller déi meescht benotzt a meescht studéiert Léiermodeller.An der aktueller Fuerschungsaarbecht gëtt FSLSM benotzt fir LS bei Zännstudenten ze bewäerten.
FSLSM ass e wäit benotzte Modell fir d'Evaluatioun vun adaptiven Léieren am Ingenieur.Et gi vill publizéiert Wierker an de Gesondheetswëssenschaften (dorënner Medizin, Pfleeg, Apdikt an Zänndokter) déi mat FSLSM Modeller fonnt kënne ginn [5, 11, 12, 13].D'Instrument dat benotzt gëtt fir d'Dimensioune vun der LS am FLSM ze moossen gëtt den Index of Learning Styles (ILS) genannt [8], deen 44 Elementer enthält déi véier Dimensioune vun LS bewäerten: Veraarbechtung (aktiv / reflektiv), Perceptioun (perceptuell / intuitiv), Input (visuell)./verbal) a Verständnis (sequenziell/global) [14].
Wéi an der Figur 1 gewisen, huet all FSLSM Dimensioun eng dominant Preferenz.Zum Beispill, an der Veraarbechtungsdimensioun, Schüler mat "aktiven" LS léiwer Informatioun ze veraarbechten andeems se direkt mat Léiermaterial interagéieren, léieren duerch ze maachen, an tendéieren a Gruppen ze léieren.De "reflektive" LS bezitt sech op Léieren duerch Denken a schafft léiwer eleng.D'"Perceiving" Dimensioun vun LS kann an "Gefill" an / oder "Intuition" opgedeelt ginn."Feele" Schüler léiwer méi konkret Informatiounen a praktesch Prozeduren, sinn Tatsaach-orientéiert am Verglach zu "intuitive" Studenten déi abstrakt Material léiwer a méi innovativ a kreativ an Natur sinn.D'"Input" Dimensioun vun LS besteet aus "visuellen" a "verbal" Schüler.Leit mat "visuellen" LS léiwer duerch visuell Demonstratiounen ze léieren (wéi Diagrammer, Videoen oder Live Demonstratiounen), wärend Leit mat "verbal" LS léiwer duerch Wierder a schrëftlech oder mëndlech Erklärungen léieren.Fir d'LS Dimensiounen ze "verstoen", kënnen esou Schüler an "sequenziell" a "global" opgedeelt ginn."Sequenziell Léierpersonal léiwer e lineare Gedankeprozess a léiere Schrëtt fir Schrëtt, wärend global Léierpersonal tendéieren en holistesche Gedankeprozess ze hunn an ëmmer e bessert Verständnis vun deem wat se léieren.
Viru kuerzem hu vill Fuerscher ugefaang Methoden fir automatesch Date-Undriff Entdeckung ze entdecken, dorënner d'Entwécklung vun neien Algorithmen a Modeller déi fäeg sinn grouss Quantitéiten un Daten ze interpretéieren [15, 16].Baséierend op déi geliwwert Donnéeën, iwwerwaacht ML (Maschinn Léieren) ass fäeg Musteren an Hypothesen ze generéieren déi zukünfteg Resultater baséieren op der Konstruktioun vun Algorithmen [17].Einfach gesot, iwwerwaacht Maschinnléiertechniken manipuléieren Inputdaten an trainéieren Algorithmen.Et generéiert dann eng Rei, déi d'Resultat klasséiert oder virausgesot baséiert op ähnlechen Situatiounen fir déi geliwwert Inputdaten.Den Haaptvirdeel vun iwwerwaachte Maschinnléieren Algorithmen ass seng Fäegkeet fir ideal a gewënschte Resultater ze etabléieren [17].
Duerch d'Benotzung vun Daten-Undriff Methoden an Decisioun Bam Kontroll Modeller, automatesch Detektioun vun LS ass méiglech.Decisioun Beem goufen am Training Programmer a verschiddene Beräicher oft benotzt ginn, dorënner Gesondheet Wëssenschaften [18, 19].An dëser Etude gouf de Modell speziell vun de System Entwéckler trainéiert fir Studenten hir LS z'identifizéieren an déi bescht IS fir si ze recommandéieren.
Den Zweck vun dëser Etude ass d'IS Liwwerstrategien ze entwéckelen op Basis vun de Studenten hir LS an d'SCL Approche uwenden andeems en IS Empfehlungsinstrument entwéckelt, dat op LS kartéiert ass.Den Designflow vum IS Empfehlungsinstrument als Strategie vun der SCL Method gëtt an der Figur 1 gewisen. D'IS Empfehlungsinstrument ass an zwee Deeler opgedeelt, dorënner de LS Klassifikatiounsmechanismus mat ILS an de passenden IS Display fir Studenten.
Besonnesch d'Charakteristiken vun Informatiounssécherheet Empfehlungsinstrumenter enthalen d'Benotzung vu Webtechnologien an d'Benotzung vun Entscheedungsbam Maschinn Léieren.System Entwéckler verbesseren d'Benotzererfarung an d'Mobilitéit andeems se se op mobilen Apparater wéi Handyen a Pëllen adaptéieren.
D'Experiment gouf an zwou Etappen duerchgefouert a Studenten aus der Zänndokterfakultéit vun der Universitéit vu Malaya hunn op fräiwëlleger Basis deelgeholl.D'Participanten hunn op en Zännstudent seng online m-ILS op Englesch geäntwert.An der éischter Phase gouf en Dataset vu 50 Studenten benotzt fir den Entscheedungsbaum Maschinn Léieren Algorithmus ze trainéieren.An der zweeter Phase vum Entwécklungsprozess gouf en Dataset vun 255 Studenten benotzt fir d'Genauegkeet vum entwéckelten Instrument ze verbesseren.
All Participanten kréien en Online Briefing um Ufank vun all Etapp, ofhängeg vum akademescht Joer, iwwer Microsoft Teams.Den Zweck vun der Studie gouf erkläert an informéiert Zoustëmmung gouf kritt.All Participanten kruten e Link fir Zougang zum m-ILS ze kréien.All Student gouf opgefuerdert all 44 Elementer um Questionnaire ze beäntweren.Si kruten eng Woch Zäit fir de modifizéierten ILS zu enger Zäit a Plaz déi hinnen an der Semesterpaus virum Ufank vum Semester bequem ass.De m-ILS baséiert op dem ursprénglechen ILS Instrument a geännert fir Zännstudenten.Ähnlech wéi d'Original ILS enthält et 44 gläichméisseg verdeelt Elementer (a, b), mat 11 Elementer all, déi benotzt gi fir Aspekter vun all FSLSM Dimensioun ze bewäerten.
Wärend den initialen Etappe vun der Toolentwécklung hunn d'Fuerscher d'Kaarten manuell annotéiert mat engem Dataset vu 50 Zännstudenten.Geméiss dem FSLM gëtt de System d'Zomm vun den Äntwerten "a" an "b".Fir all Dimensioun, wann de Student "a" als Äntwert auswielt, gëtt den LS als Aktiv / Perceptuell / Visuell / Sequentiell klasséiert, a wann de Student "b" als Äntwert auswielt, gëtt de Student als Reflexiv / Intuitiv / Linguistesch klasséiert ./ global Schüler.
No der Kalibrierung vum Workflow tëscht Zännausbildungsfuerscher a Systementwéckler, goufen d'Froen ausgewielt op Basis vum FLSSM Domain an an den ML Modell gefüttert fir den LS vun all Student virauszesoen."Garbage in, garbage out" ass e populäre Spréchwuert am Feld vum Maschinnléieren, mat engem Akzent op Datequalitéit.D'Qualitéit vun den Inputdaten bestëmmt d'Genauegkeet an d'Genauegkeet vum Maschinnléiermodell.Wärend der Feature Engineering Phase gëtt en neie Feature Set erstallt deen d'Zomm vun den Äntwerten "a" an "b" baséiert op FLSSM ass.Identifikatioun Zuelen vun Drogenofhängeger Positiounen ginn an Table 1 uginn.
Berechent de Score baséiert op den Äntwerten a bestëmmt de LS vum Student.Fir all Schüler ass d'Partitur vun 1 bis 11. Scorë vun 1 bis 3 weisen e Gläichgewiicht vu Léiervirléiften an der selwechter Dimensioun un, a Scorë vu 5 bis 7 weisen eng moderéiert Präferenz un, wat beweist datt d'Schüler éischter een Ëmfeld léiwer léieren, anerer .Eng aner Variatioun op der selwechter Dimensioun ass datt Partituren vun 9 bis 11 eng staark Präferenz fir een Enn oder deen aneren reflektéieren [8].
Fir all Dimensioun goufen Drogen an "aktiv", "reflektiv" an "equilibréiert" gruppéiert.Zum Beispill, wann e Student "a" méi dacks wéi "b" op engem designéierten Artikel äntwert a seng / hir Score iwwerschratt d'Schwell vu 5 fir e bestëmmten Element deen d'Veraarbechtung LS Dimensioun representéiert, gehéiert hien / hatt zum "aktiven" LS Domain..Wéi och ëmmer, d'Schüler goufen als "reflektiv" LS klasséiert wann se "b" méi wéi "a" a spezifesche 11 Froen (Table 1) gewielt hunn a méi wéi 5 Punkte geschoss hunn.Schlussendlech ass de Student an engem Zoustand vum "Gläichgewiicht."Wann de Score net méi wéi 5 Punkten ass, dann ass dëst e "Prozess" LS.De Klassifikatiounsprozess gouf fir déi aner LS Dimensiounen widderholl, nämlech Perceptioun (aktiv/reflektiv), Input (visuell/verbal) a Verständnis (sequenziell/global).
Decisioun Bam Modeller kënnen verschidden subsets vun Fonctiounen an Decisioun Regelen op verschidden Etappe vun der Klassifikatioun Prozess benotzen.Et gëtt als populär Klassifikatiouns- a Prognoseinstrument ugesinn.Et kann mat enger Bamstruktur vertruede ginn wéi e Flowchart [20], an deem et intern Wirbelen sinn déi Tester duerch Attributer representéieren, all Branche representéiert Testresultater, an all Blatknuet (Blattnode) mat engem Klasseetikett.
En einfache Regelbaséierte Programm gouf erstallt fir automatesch d'LS vun all Student ze notéieren an ze notéieren op Basis vun hiren Äntwerten.Regelbaséiert hëlt d'Form vun enger IF Ausso, wou "IF" den Ausléiser beschreift an "DAN" spezifizéiert d'Aktioun déi ausgefouert gëtt, zum Beispill: "Wann X geschitt, da maacht Y" (Liu et al., 2014).Wann den Dateset eng Korrelatioun weist an den Entscheedungsbaummodell richteg trainéiert an evaluéiert ass, kann dës Approche en effektive Wee sinn fir de Prozess ze automatiséieren fir LS an IS ze passen.
An der zweeter Phase vun der Entwécklung gouf d'Dateset op 255 erhéicht fir d'Genauegkeet vum Empfehlungsinstrument ze verbesseren.D'Datebank ass an engem 1:4 Verhältnis opgedeelt.25% (64) vun der Dateset gouf fir den Testset benotzt, an déi reschtlech 75% (191) goufen als Trainingsset benotzt (Figur 2).Den Dateset muss gespléckt ginn fir ze vermeiden datt de Modell trainéiert an op deemselwechten Dateset getest gëtt, wat de Modell kéint erënneren anstatt ze léieren.De Modell gëtt um Trainingsset trainéiert an evaluéiert seng Leeschtung am Testset - Daten déi de Modell nach ni gesinn huet.
Wann d'IS-Tool entwéckelt ass, kann d'Applikatioun LS klassifizéieren op Basis vun den Äntwerte vun Zännstudenten iwwer e Webinterface.De webbaséierten Informatiounssécherheetsempfehlungs-Tool System gëtt mat der Python Programmiersprache gebaut mat dem Django Kader als Backend.Tabell 2 lëscht d'Bibliothéiken déi an der Entwécklung vun dësem System benotzt ginn.
Den Dataset gëtt an en Entscheedungsbaummodell gefüttert fir Studentenreaktiounen ze berechnen an ze extrahieren fir d'Schüler LS Miessunge automatesch ze klassifizéieren.
D'Verwirrungsmatrix gëtt benotzt fir d'Genauegkeet vun engem Entscheedungsbaum Maschinn Léieren Algorithmus op engem bestëmmten Dateset ze evaluéieren.Zur selwechter Zäit evaluéiert et d'Performance vum Klassifikatiounsmodell.Et resüméiert d'Prognosen vum Modell a vergläicht se mat den aktuellen Dateetiketten.D'Evaluatiounsresultater baséieren op véier verschiddene Wäerter: Richteg Positiv (TP) - de Modell huet déi positiv Kategorie richteg virausgesot, Falsch Positiv (FP) - de Modell huet déi positiv Kategorie virausgesot, awer de richtege Label war negativ, richteg Negativ (TN) - de Modell huet déi negativ Klass korrekt virausgesot, a falsch negativ (FN) - De Modell virausgesot eng negativ Klass, awer de richtege Label ass positiv.
Dës Wäerter ginn dann benotzt fir verschidde Leeschtungsmetriken vum scikit-learn Klassifikatiounsmodell am Python ze berechnen, nämlech Präzisioun, Präzisioun, Réckruff, a F1 Score.Hei sinn Beispiller:
D'Erënnerung (oder d'Sensibilitéit) moosst d'Fäegkeet vum Modell fir e Student seng LS präzis ze klassifizéieren nodeems de m-ILS Questionnaire geäntwert huet.
Spezifizitéit gëtt e richtegen negativen Taux genannt.Wéi Dir aus der uewe genannter Formel kënnt gesinn, sollt dëst de Verhältnis vu richtege Negativer (TN) zu richtege Negativer a falsch Positiver (FP) sinn.Als Deel vum empfohlene Tool fir Studentendrogen ze klassifizéieren, sollt et fäeg sinn eng korrekt Identifikatioun ze maachen.
Den ursprénglechen Dataset vu 50 Studenten, déi benotzt gi fir den Entscheedungsbaum ML Modell ze trainéieren, huet relativ niddereg Genauegkeet gewisen wéinst mënschleche Feeler an den Annotatiounen (Table 3).Nodeems en einfache Regelbaséierte Programm erstallt gouf fir automatesch LS Partituren a Studentannotatiounen ze berechnen, gouf eng ëmmer méi Unzuel vun Datesätz (255) benotzt fir den Empfehlersystem ze trainéieren an ze testen.
An der Multiclass Verwirrungsmatrix representéieren d'diagonal Elementer d'Zuel vun de korrekte Prognosen fir all LS-Typ (Figur 4).Mat dem Entscheedungsbaummodell goufen insgesamt 64 Proben korrekt virausgesot.Also, an dëser Etude, weisen d'diagonal Elementer déi erwaart Resultater, wat beweist datt de Modell gutt leeft a präziist de Klasseetikett fir all LS Klassifikatioun virausgesot.Also ass d'Gesamtgenauegkeet vum Empfehlungsinstrument 100%.
D'Wäerter vun der Genauegkeet, der Präzisioun, der Réckruff, an der F1 Score ginn an der Figur 5 gewisen. Fir de Empfehlungssystem deen den Entscheedungsbaummodell benotzt, ass säi F1 Score 1.0 "perfekt", wat perfekt Präzisioun a Réckruff bezeechent, wat bedeitend Sensibilitéit a Spezifizitéit reflektéiert. Wäerter.
Figur 6 weist eng Visualiséierung vun der Decisioun Bam Modell no Training an Testen sinn ofgeschloss.An engem Side-by-Side Verglach huet den Entscheedungsbaummodell mat manner Features trainéiert méi héich Genauegkeet a méi einfach Modellvisualiséierung gewisen.Dëst weist datt Feature Engineering, déi zu Feature Reduktioun féiert, e wichtege Schrëtt ass fir d'Performance vum Modell ze verbesseren.
Andeems Dir Entscheedungsbam iwwerwaacht Léieren applizéiert, gëtt d'Mapping tëscht LS (Input) an IS (Ziloutput) automatesch generéiert an enthält detailléiert Informatioun fir all LS.
D'Resultater weisen datt 34,9% vun den 255 Studenten eng (1) LS Optioun léiwer maachen.D'Majoritéit (54,3%) haten zwee oder méi LS Virléiften.12,2% vun de Studenten hu festgestallt datt LS zimlech equilibréiert ass (Tabelle 4).Zousätzlech zu den aacht Haapt LS, ginn et 34 Kombinatioune vun LS Klassifikatiounen fir Universitéit vu Malaya Zänn Studenten.Ënnert hinnen, Perceptioun, Visioun, an d'Kombinatioun vun Perceptioun a Visioun sinn d'Haapt LS vun de Studenten gemellt (Figur 7).
Wéi aus Table 4 gesi ka ginn, haten d'Majoritéit vun de Studenten e predominant sensoresch (13,7%) oder visuell (8,6%) LS.Et gouf gemellt datt 12,2% vun de Studenten Perceptioun mat Visioun kombinéiert hunn (perceptuell-visuell LS).Dës Erkenntnisser suggeréieren datt d'Schüler léiwer léieren an erënneren duerch etabléiert Methoden, spezifesch an detailléiert Prozeduren verfollegen an opmierksam an der Natur sinn.Zur selwechter Zäit genéissen se ze léieren andeems se kucken (Diagrammer benotzen, etc.) an tendéieren d'Informatioun a Gruppen oder eleng ze diskutéieren an ëmzesetzen.
Dës Etude liwwert en Iwwerbléck iwwer Maschinnléiertechniken, déi am Datemining benotzt ginn, mat engem Fokus op direkt a präzis d'LS vun de Studenten virauszesoen a passend IS ze recommandéieren.D'Applikatioun vun engem Entscheedungsbaummodell identifizéiert d'Faktoren am enk mat hirem Liewen a pädagogeschen Erfarungen.Et ass e iwwerwaachte Maschinnléier-Algorithmus deen eng Bamstruktur benotzt fir Daten ze klassifizéieren andeems en eng Rei vun Daten an Ënnerkategorien opgedeelt baséiert op bestëmmte Critèren.Et funktionnéiert andeems d'Inputdaten rekursiv an Ënnersätz opgedeelt ginn op Basis vum Wäert vun engem vun den Input Feature vun all internen Node bis eng Entscheedung um Blatknuet gemaach gëtt.
Déi intern Wirbelen vum Entscheedungsbam representéieren d'Léisung op Basis vun den Inputcharakteristike vum m-ILS-Problem, an d'Blattnoden representéieren d'Finale LS Klassifikatiounsprognose.Duerch d'ganz Studie ass et einfach d'Hierarchie vun den Entscheedungsbeem ze verstoen, déi den Entscheedungsprozess erklären an visualiséieren andeems Dir d'Relatioun tëscht Input Feature an Output Prognosen kuckt.
An de Beräicher vun Informatik an Ingenieur, Maschinn Léieren Algorithmen gi wäit benotzt fir d'Studenteleeschtung virauszesoen baséiert op hiren Entrée Examen Scores [21], demographesch Informatioun, a Léierverhalen [22].Fuerschung huet gewisen datt den Algorithmus d'Performance vun de Studenten präzis virausgesot huet an hinnen gehollef huet Studenten ze identifizéieren déi Risiko fir akademesch Schwieregkeeten hunn.
D'Applikatioun vun ML Algorithmen an der Entwécklung vu virtuelle Patientsimulatoren fir Zänn Training gëtt gemellt.De Simulator ass fäeg déi physiologesch Äntwerte vun echte Patienten präzis ze reproduzéieren a ka benotzt ginn fir Zännstudenten an engem sécheren a kontrolléierten Ëmfeld ze trainéieren [23].Verschidden aner Studien weisen datt Maschinnléiere Algorithmen potenziell d'Qualitéit an d'Effizienz vun der Zänn- a medizinescher Ausbildung a Patientefleeg verbesseren.Maschinnléiere Algorithmen goufen benotzt fir bei der Diagnostik vun Zännkrankheeten ze hëllefen baséiert op Datesets wéi Symptomer a Patienteegenschaften [24, 25].Wärend aner Studien d'Benotzung vu Maschinnléiere Algorithmen exploréiert hunn fir Aufgaben auszeféieren wéi d'Patienteresultater virauszesoen, d'Identifikatioun vun héich-Risikopatienten, d'Entwécklung vu personaliséierte Behandlungspläng [26], Parodontalbehandlung [27], a Cariesbehandlung [25].
Och wa Berichter iwwer d'Applikatioun vum Maschinnléieren an der Zänndokter publizéiert goufen, bleift seng Uwendung an der Zännausbildung limitéiert.Dofir, huet dës Etude eng Décisioun Bam Modell ze benotzen fir Facteuren ze identifizéieren am meeschte verbonne mat LS an IS ënnert Zänn Studenten.
D'Resultater vun dëser Etude weisen datt den entwéckelte Empfehlungsinstrument héich Genauegkeet a perfekt Genauegkeet huet, wat beweist datt d'Léierpersonal vun dësem Tool profitéiere kann.Mat Hëllef vun engem date-driven Klassifikatiounsprozess kann et personaliséiert Empfehlungen ubidden an pädagogesch Erfahrungen a Resultater fir Educateuren a Studenten verbesseren.Ënnert hinnen, Informatioun, déi duerch Empfehlungsinstrumenter kritt gëtt, kann Konflikter tëscht Léiermethoden an de Léierbedürfnisser vun de Studenten léisen.Zum Beispill, wéinst der automatiséierter Ausgab vu Empfehlungsinstrumenter, gëtt d'Zäit déi néideg ass fir d'IP vum Student z'identifizéieren an et mat der entspriechender IP ze passen wesentlech reduzéiert.Op dës Manéier kënne passend Trainingsaktivitéiten a Formatiounsmaterial organiséiert ginn.Dëst hëlleft de positiven Léierverhalen an d'Fäegkeet vun de Studenten ze konzentréieren.Eng Etude huet gemellt datt Studenten Léiermaterial a Léieraktivitéiten ubidden, déi hir léifste LS entspriechen, Studenten hëllefe kënnen ze integréieren, veraarbecht a genéisst Léieren op verschidde Weeër fir méi grousst Potenzial z'erreechen [12].Fuerschung weist och datt nieft der Verbesserung vun der Participatioun vun de Studenten am Klassesall, Versteesdemech vun de Léierprozess vun de Studenten och eng kritesch Roll spillt fir d'Léierpraktiken a Kommunikatioun mat Studenten ze verbesseren [28, 29].
Wéi och ëmmer, wéi mat all moderner Technologie, ginn et Probleemer a Aschränkungen.Dës enthalen Themen am Zesummenhang mat Dateschutz, Bias a Fairness, an déi berufflech Fäegkeeten a Ressourcen, déi néideg sinn fir Maschinnléieralgorithmen an Zännausbildung z'entwéckelen an ëmzesetzen;Wéi och ëmmer, wuessend Interesse a Fuerschung an dësem Beräich suggeréiert datt Maschinnléieretechnologien e positiven Impakt op Zännausbildung an Zännservicer hunn.
D'Resultater vun dëser Etude weisen datt d'Halschent vun den Zännstudenten eng Tendenz hunn Drogen "ze gesinn".Dës Aart vu Léierpersonal huet eng Preferenz fir Fakten a konkret Beispiller, eng praktesch Orientéierung, Gedold fir Detailer, an eng "visuell" LS Preferenz, wou d'Schüler léiwer Biller, Grafiken, Faarwen a Kaarten benotze fir Iddien a Gedanken ze vermëttelen.Déi aktuell Resultater sinn konsequent mat anere Studien ILS benotzt LS an Zänn a medezinesch Studenten ze bewäerten, déi meescht vun deenen hunn Charakteristiken vun perceptual a visuell LS [12, 30].Dalmolin et al suggeréieren datt d'Studenten iwwer hir LS z'informéieren erlaabt hinnen hir Léierpotenzial z'erreechen.D'Fuerscher plädéieren datt wann d'Léierpersonal de pädagogesche Prozess vun de Studenten voll verstoen, verschidde Léiermethoden an Aktivitéite kënne implementéiert ginn, déi d'Performance vun de Studenten an d'Léiererfahrung verbesseren [12, 31, 32].Aner Studien hu gewisen datt d'Upassung vum LS vun de Studenten och Verbesserungen an der Léiererfahrung an der Leeschtung vun de Studenten weist nodeems se hir Léierstiler geännert hunn fir hiren eegene LS ze passen [13, 33].
D'Meenunge vun den Enseignanten kënne variéieren iwwer d'Ëmsetzung vun de Léierstrategien op Basis vun de Léierfäegkeeten vun de Studenten.Wärend e puer d'Virdeeler vun dëser Approche gesinn, dorënner berufflech Entwécklungsméiglechkeeten, Mentorschaft a Gemeinschaftssupport, anerer kënnen iwwer Zäit an institutionell Ënnerstëtzung besuergt sinn.Striewen no Gläichgewiicht ass Schlëssel fir eng Schüler-zentréiert Haltung ze kreéieren.Héichschoul Autoritéiten, wéi Universitéit Administrateuren, kënnen eng wichteg Roll spillen fir positiv Ännerung ze féieren andeems se innovativ Praktiken aféieren an d'Fakultéitentwécklung ënnerstëtzen [34].Fir e wierklech dynameschen a reaktiounsfäeger Héichschoulsystem ze kreéieren, mussen d'Politiker fett Schrëtt huelen, wéi zB politesch Ännerunge maachen, Ressourcen fir Technologieintegratioun ze widmen, a Kaderen ze kreéieren déi Schüler-zentréiert Approche förderen.Dës Moossname si kritesch fir déi gewënschte Resultater z'erreechen.Déi rezent Fuerschung iwwer differenzéiert Instruktioun huet kloer gewisen datt erfollegräich Ëmsetzung vun differenzéierten Instruktioune weider Ausbildung an Entwécklungsméiglechkeeten fir Enseignanten erfuerdert [35].
Dëst Tool bitt wäertvoll Ënnerstëtzung fir Zänn Educateuren déi eng Schüler-zentréiert Approche wëllen huelen fir Schüler-frëndlech Léieraktivitéiten ze plangen.Wéi och ëmmer, dës Etude ass limitéiert op d'Benotzung vun Entscheedungsbam ML Modeller.An Zukunft solle méi Daten gesammelt ginn fir d'Performance vu verschiddene Maschinnléiermodeller ze vergläichen fir d'Genauegkeet, d'Zouverlässegkeet an d'Präzisioun vu Empfehlungsinstrumenten ze vergläichen.Zousätzlech, wann Dir déi gëeegent Maschinnléieremethod fir eng bestëmmten Aufgab auswielt, ass et wichteg aner Faktoren wéi Modellkomplexitéit an Interpretatioun ze berücksichtegen.
Eng Begrenzung vun dëser Etude ass datt et sech nëmmen op d'Kaart vun LS an IS ënner Zännstudenten konzentréiert.Dofir wäert den entwéckelte Empfehlungssystem nëmmen déi recommandéieren déi fir Zännstudenten gëeegent sinn.Ännerungen sinn néideg fir allgemeng Héichschoulstudente benotzt.
Déi nei entwéckelt Maschinnléieren-baséiert Empfehlungsinstrument ass fäeg fir d'LS vun de Studenten direkt un de korrespondéierten IS ze klassifizéieren an ze passen, sou datt et den éischten Zännausbildungsprogramm ass fir Zännpädagogen ze hëllefen relevant Léier- a Léieraktivitéiten ze plangen.Mat Hëllef vun engem Date-driven Triage-Prozess kann et personaliséiert Empfehlungen ubidden, Zäit spueren, Léierstrategien verbesseren, gezielte Interventiounen ënnerstëtzen, a lafend berufflech Entwécklung förderen.Seng Uwendung wäert Student-zentréiert Approche fir Zännausbildung förderen.
Gilak Jani Associated Press.Match oder Mismatch tëscht dem Schüler säi Léierstil an dem Léierstil vum Enseignant.Int J Mod Educ Computer Science.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Post Zäit: Apr-29-2024