Et gëtt e wuessende Besoin u studentenzentriertem Léieren (SCL) an Héichschoulen, dorënner och an der Zännmedezin. Wéi och ëmmer, SCL huet eng limitéiert Uwendung an der Zännmedizinausbildung. Dofir zielt dës Studie drop of, d'Uwendung vun SCL an der Zännmedezin ze fërderen, andeems d'Entscheedungsbam-Maschinnléiertechnologie (ML) benotzt gëtt, fir de bevorzugte Léierstil (LS) an déi entspriechend Léierstrategien (IS) vun Zännmedezinstudenten als nëtzlecht Instrument fir d'Entwécklung vun IS-Richtlinnen ze kartéieren. Villverspriechend Methode fir Zännmedezinstudenten.
Insgesamt 255 Zänndokterstudenten vun der Universitéit vu Malaya hunn de modifizéierte Index of Learning Styles (m-ILS) Fragebogen ausgefëllt, deen 44 Elementer enthält, fir se an hir jeeweileg LSs ze klassifizéieren. Déi gesammelt Donnéeën (genannt Datesaz) ginn am iwwerwaachten Entscheedungsbamléieren benotzt, fir d'Léierstiler vun de Studenten automatesch mam passenden IS ofzestëmmen. D'Genauegkeet vum op maschinellt Léieren baséierten IS-Empfehlungstool gëtt dann evaluéiert.
D'Uwendung vun Entscheedungsbammodeller an engem automatiséierte Mapping-Prozess tëscht LS (Input) an IS (Zil-Output) erméiglecht eng direkt Lëscht vu passenden Léierstrategien fir all Zänndokterstudent. Den IS-Empfehlungstool huet eng perfekt Genauegkeet an Erënnerung un d'allgemeng Modellgenauegkeet gewisen, wat drop hiweist, datt d'Upassung vun LS zum IS eng gutt Sensibilitéit a Spezifizitéit huet.
En IS-Empfehlungstool baséiert op engem ML-Entscheedungsbam huet seng Fäegkeet bewisen, d'Léierstiler vun Zänndokterstudenten präzis mat passenden Léierstrategien ofzestëmmen. Dëst Tool bitt mächteg Optiounen fir léierzentriert Coursen oder Moduler ze plangen, déi d'Léiererfahrung vun de Studenten verbessere kënnen.
Léieren a Léieren si fundamental Aktivitéiten an edukativen Institutiounen. Beim Entwéckele vun engem qualitativ héichwäertege beruffleche Bildungssystem ass et wichteg, sech op d'Léierbedürfnisser vun de Schüler ze konzentréieren. D'Interaktioun tëscht de Schüler an hirem Léierëmfeld kann duerch hiert LS bestëmmt ginn. D'Fuerschung weist drop hin, datt vun de Léierpersonal virgesinn Ofwäichungen tëscht dem LS an dem IS vun de Schüler negativ Konsequenze fir d'Léiere vun de Schüler hunn kënnen, wéi zum Beispill eng reduzéiert Opmierksamkeet a Motivatioun. Dëst beaflosst indirekt d'Leeschtung vun de Schüler [1,2].
IS ass eng Method, déi vu Léierpersonal benotzt gëtt, fir Wëssen a Fäegkeeten un d'Schüler ze vermëttelen, dorënner och d'Hëllef bei der Léier vun de Schüler [3]. Am Allgemengen plangen gutt Léierpersonal Léierstrategien oder IS, déi am Beschten zum Wëssensniveau vun hire Schüler, de Konzepter, déi se léieren, an hirem Léierstadium passen. Theoretesch gesinn, wann LS an IS iwwereneestëmmen, kënnen d'Schüler e spezifesche Set vu Fäegkeeten organiséieren an notzen, fir effektiv ze léieren. Typesch enthält e Stonneplang verschidde Iwwergäng tëscht Etappen, wéi zum Beispill vum Léieren an d'guidéiert Praxis oder vun der guidéierter Praxis an d'onofhängeg Praxis. Mat dësem am Kapp plangen effektiv Léierpersonal dacks den Ënnerrecht mam Zil, d'Wëssen a Fäegkeeten vun de Schüler opzebauen [4].
D'Nofro fir SCL wiisst an Héichschoulen, dorënner och an der Zännmedezin. SCL-Strategien sinn entwéckelt fir de Léierbedürfnisser vun de Studenten gerecht ze ginn. Dëst kann zum Beispill erreecht ginn, wa Studenten aktiv un de Léieraktivitéiten deelhuelen an d'Enseignanten als Moderatoren optrieden a verantwortlech sinn fir wäertvollt Feedback ze ginn. Et gëtt gesot, datt d'Bereitstellung vu Léiermaterialien an Aktivitéiten, déi dem Bildungsniveau oder de Virléiften vun de Studenten ugepasst sinn, d'Léierëmfeld vun de Studenten verbesseren a positiv Léiererfarunge förderen kann [5].
Allgemeng gëtt de Léierprozess vun Zänndokterstudenten beaflosst vun de verschiddene klineschen Prozeduren, déi se duerchféiere mussen, an dem klineschen Ëmfeld, an deem se effektiv interperséinlech Fäegkeeten entwéckelen. Den Zweck vun der Ausbildung ass et de Studenten z'erméiglechen, Basiswëssen iwwer Zännmedezin mat zännklineschen Fäegkeeten ze kombinéieren an dat erwuerwent Wëssen an nei klinesch Situatiounen anzuwenden [6, 7]. Fréi Fuerschung iwwer d'Bezéiung tëscht LS an IS huet festgestallt, datt d'Upassung vun de Léierstrategien, déi op de bevorzugten LS zougeuerdnet sinn, hëllefe géif, den Ausbildungsprozess ze verbesseren [8]. D'Auteuren empfeelen och, eng Vielfalt vun Léier- a Bewäertungsmethoden ze benotzen, fir sech un d'Léieren an d'Bedierfnesser vun de Studenten unzepassen.
Enseignante profitéieren dovun, hiert Wëssen iwwer LS anzewenden, fir hinnen ze hëllefen, Ënnerricht ze designen, z'entwéckelen an ëmzesetzen, deen d'Schüler zu engem méi déiwe Wëssen a Verständnis vum Fachberäich bäidréit. Fuerscher hunn e puer LS-Bewäertungsinstrumenter entwéckelt, wéi de Kolb Experiential Learning Model, de Felder-Silverman Learning Style Model (FSLSM) an de Fleming VAK/VARK Model [5, 9, 10]. Laut der Literatur sinn dës Léiermodeller déi am meeschte benotzt a meescht ënnersicht Léiermodeller. An der aktueller Fuerschungsaarbecht gëtt FSLSM benotzt fir LS bei Zänndokterstudenten ze evaluéieren.
FSLSM ass e wäit verbreet Modell fir d'Evaluatioun vum adaptiven Léieren an der Ingenieurswëssenschaft. Et gi vill publizéiert Wierker an de Gesondheetswëssenschaften (dorënner Medizin, Infirmière, Apdikt a Zänndokter), déi mat Hëllef vun de FSLSM-Modeller fonnt kënne ginn [5, 11, 12, 13]. Den Instrument, deen benotzt gëtt fir d'Dimensioune vun der LS an der FLSM ze moossen, gëtt den Index of Learning Styles (ILS) [8] genannt, deen 44 Elementer enthält, déi véier Dimensioune vun der LS evaluéieren: Veraarbechtung (aktiv/reflektiv), Perceptioun (perzeptuell/intuitiv), Input (visuell/verbal) a Versteesdemech (sequenziell/global) [14].
Wéi an der Figur 1 gewisen, huet all FSLSM-Dimensioun eng dominant Präferenz. Zum Beispill, an der Veraarbechtungsdimensioun léiwer Schüler mat "aktivem" LS Informatiounen ze veraarbechten andeems se direkt mat Léiermaterial interagéieren, léieren duerch Doen a léiere léiwer a Gruppen. Déi "reflektiv" LS bezitt sech op Léieren duerch Denken a léiwer eleng ze schaffen. Déi "wahrnehmungs" Dimensioun vun LS kann a "Gefill" an/oder "Intuitioun" opgedeelt ginn. "Gefill"-Schüler léiwer méi konkret Informatiounen a praktesch Prozeduren, si faktenorientéiert am Verglach zu "intuitive" Schüler, déi abstrakt Material léiwer hunn a méi innovativ a kreativ vun Natur sinn. D'"Input" Dimensioun vun LS besteet aus "visuellen" a "verbalen" Léierer. Leit mat "visuellen" LS léiere léiwer duerch visuell Demonstratiounen (wéi Diagrammer, Videoen oder Live-Demonstratiounen), während Leit mat "verbalen" LS léiwer duerch Wierder a schrëftlechen oder mëndlechen Erklärungen léieren. Fir d'LS-Dimensioune ze "verstinn", kënnen esou Léierer a "sequentiell" a "global" opgedeelt ginn. „Sequenziell Léierer léiwer e lineare Denkprozess a léieren Schrëtt fir Schrëtt, während global Léierer tendéieren en ganzheetleche Denkprozess ze hunn an ëmmer e besser Verständnis vun deem hunn, wat se léieren.“
An der leschter Zäit hunn vill Fuerscher ugefaang Methoden fir automatesch datenorientéiert Entdeckung z'ënnersichen, dorënner d'Entwécklung vun neien Algorithmen a Modeller, déi fäeg sinn, grouss Quantitéiten un Daten z'interpretéieren [15, 16]. Baséierend op den geliwwerten Daten ass iwwerwaacht Maschinnléieren (ML) fäeg Musteren an Hypothesen ze generéieren, déi zukünfteg Resultater op Basis vun der Konstruktioun vun Algorithmen viraussoen [17]. Einfach ausgedréckt, iwwerwaacht Maschinnléieren-Techniken manipuléieren Inputdaten an trainéieren Algorithmen. Duerno generéiert et e Beräich, deen den Resultat op Basis vun ähnleche Situatiounen fir déi geliwwert Inputdaten klassifizéiert oder viraussoe kann. Den Haaptvirdeel vun iwwerwaachte Maschinnléieren-Algorithmen ass hir Fäegkeet, ideal a gewënschte Resultater ze etabléieren [17].
Duerch d'Benotzung vun datenorientéierte Methoden a Kontrollmodeller fir Entscheedungsbeem ass déi automatesch Detektioun vun LS méiglech. Et gouf bericht, datt Entscheedungsbeem a Formatiounsprogrammer a verschiddene Beräicher, dorënner och an de Gesondheetswëssenschaften, wäit verbreet agesat ginn [18, 19]. An dëser Studie gouf de Modell speziell vun de Systementwéckler trainéiert, fir d'LS vun de Studenten z'identifizéieren an de beschten IS fir si ze empfeelen.
Den Zweck vun dëser Studie ass et, IS-Liwwerstrategien op Basis vun de LS vun de Schüler z'entwéckelen an den SCL-Usaz anzuwenden, andeems en IS-Empfehlungsinstrument entwéckelt gëtt, dat op LS ofgebild ass. Den Designoflaf vum IS-Empfehlungsinstrument als Strategie vun der SCL-Method gëtt an der Figur 1 gewisen. Den IS-Empfehlungsinstrument ass an zwou Deeler opgedeelt, dorënner de LS-Klassifikatiounsmechanismus mat ILS an déi gëeegentst IS-Affichage fir d'Schüler.
Besonnesch zu de Charakteristike vun den Empfehlungsinstrumenter fir Informatiounssécherheet gehéieren d'Benotzung vu Webtechnologien an d'Benotzung vu Maschinnléieren am Entscheedungsbam. Systementwéckler verbesseren d'Benotzererfarung an d'Mobilitéit andeems se se u mobil Apparater wéi Handyen an Tablete upassen.
D'Experiment gouf an zwou Etappen duerchgefouert an d'Studente vun der Fakultéit fir Zännmedezin vun der Universitéit vu Malaya hunn op fräiwëlleger Basis deelgeholl. D'Participanten hunn op en Online-m-ILS-Ufro vun engem Zännmedezinstudent op Englesch geäntwert. An der initialer Phas gouf en Datesaz vu 50 Studenten benotzt fir den Entscheedungsbam-Maschinnléieralgorithmus ze trainéieren. An der zweeter Phas vum Entwécklungsprozess gouf en Datesaz vun 255 Studenten benotzt fir d'Genauegkeet vum entwéckelten Instrument ze verbesseren.
All Participanten kréien um Ufank vun all Etapp, ofhängeg vum akademesche Joer, en Online-Briefing iwwer Microsoft Teams. Den Zweck vun der Studie gouf erkläert an d'informéiert Zoustëmmung gouf kritt. All Participanten kruten e Link fir Zougang zum m-ILS ze kréien. All Student gouf instruéiert, all 44 Elementer um Questionnaire ze beäntwerten. Si kruten eng Woch Zäit fir den modifizéierten ILS zu enger Zäit an enger Plaz auszefëllen, déi hinnen während der Semesterpaus virum Semesterufank passt. Den m-ILS baséiert op dem ursprénglechen ILS-Instrument a gouf fir Zänndokterstudenten ugepasst. Ähnlech wéi den ursprénglechen ILS enthält en 44 gläichméisseg verdeelt Elementer (a, b), mat all 11 Elementer, déi benotzt gi fir Aspekter vun all FSLSM-Dimensioun ze bewäerten.
Wärend den éischte Phasen vun der Toolentwécklung hunn d'Fuerscher d'Kaarte manuell mat engem Datesaz vu 50 Zänndokterstudenten annotéiert. Laut dem FSLM liwwert 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/Perzeptuell/Visuell/Sequenziell klasséiert, a wann de Student "b" als Äntwert auswielt, gëtt de Student als Reflektiv/Intuitiv/Linguistesch / globale Léierer klasséiert.
Nodeems de Workflow tëscht Fuerscher aus der Zännmedizin an de Systementwéckler kalibréiert gouf, goufen Froen op Basis vum FLSSM-Domän ausgewielt an an den ML-Modell agefouert, fir d'LS vun all Student virauszesoen. "Garbage in, garbage out" ass e populäre Spréchwuert am Beräich vum maschinelle Léieren, mat engem Schwéierpunkt op der Datenqualitéit. D'Qualitéit vun den Inputdaten bestëmmt d'Präzisioun an d'Genauegkeet vum maschinelle Léiermodell. Wärend der Feature-Engineering-Phase gëtt en neie Feature-Set erstallt, deen d'Zomm vun den Äntwerten "a" an "b" op Basis vum FLSSM ass. D'Identifikatiounsnummeren vun de Medikamentenpositioune sinn an der Tabell 1 uginn.
Berechent de Score op Basis vun den Äntwerten a bestëmmt den LS vum Schüler. Fir all Schüler läit de Scoreberäich vun 1 bis 11. Punkte vun 1 bis 3 weisen e Gläichgewiicht vu Léierpräferenzen an der selwechter Dimensioun un, a Punkte vu 5 bis 7 weisen eng mëttelméisseg Präferenz un, wat drop hiweist, datt d'Schüler tendéieren, eng Ëmfeld ze léiwer ze hunn, wou se aner léieren. Eng aner Variant vun der selwechter Dimensioun ass, datt Punkte vun 9 bis 11 eng staark Präferenz fir dat eent oder dat anert Enn reflektéieren [8].
Fir all Dimensioun goufen Drogen an "aktiv", "reflektiv" an "ausgeglach" gruppéiert. Zum Beispill, wann e Schüler méi dacks "a" wéi "b" op engem bestëmmten Element äntwert a säi/hire Score d'Schwelle vu 5 fir e bestëmmten Element, deen d'Dimensioun "Processing LS" representéiert, iwwerschreit, gehéiert hien/si zum "aktiven" LS-Beräich. Schüler goufen awer als "reflektiv" LS klasséiert, wa se a spezifesche 11 Froen "b" méi wéi "a" gewielt hunn (Tabell 1) a méi wéi 5 Punkte kritt hunn. Schlussendlech ass de Schüler an engem Zoustand vum "Gläichgewiicht". Wann de Score net méi wéi 5 Punkte geet, dann ass dat e "Prozess"-LS. De Klassifikatiounsprozess gouf fir déi aner LS-Dimensioune widderholl, nämlech Perceptioun (aktiv/reflektiv), Input (visuell/verbal) a Verständnis (sequenziell/global).
Entscheedungsbammodeller kënnen ënnerschiddlech Ënnergruppen vu Funktiounen an Entscheedungsregelen a verschiddene Phasen vum Klassifikatiounsprozess benotzen. Et gëllt als e populärt Klassifikatiouns- a Prognoseinstrument. Et kann mat enger Bamstruktur wéi engem Flussdiagramm [20] duergestallt ginn, an deem et intern Knuet gëtt, déi Tester no Attribut representéieren, all Branche representéiert d'Testresultater, an all Blatknuet (Blatknuet) enthält eng Klassenlabel.
E einfacht regelbaséiert Programm gouf erstallt, fir automatesch d'LS vun all Schüler op Basis vun hiren Äntwerten ze bewäerten an ze annotéieren. Regelbaséiert Programmer hunn d'Form vun enger IF-Ausso, wou "IF" den Ausléiser beschreift an "THEN" d'Aktioun spezifizéiert, déi ausgefouert soll ginn, zum Beispill: "Wann X geschitt, da maacht Y" (Liu et al., 2014). Wann den Datesaz eng Korrelatioun weist an de Entscheedungsbammodell richteg trainéiert an evaluéiert ass, kann dësen Usaz eng effektiv Method sinn, fir de Prozess vun der Ofstëmmung vun LS an IS ze automatiséieren.
An der zweeter Phase vun der Entwécklung gouf den Datesaz op 255 erhéicht fir d'Genauegkeet vum Empfehlungsinstrument ze verbesseren. Den Datesaz gëtt an engem Verhältnes vun 1:4 opgedeelt. 25% (64) vum Datesaz goufe fir den Testsaz benotzt, an déi reschtlech 75% (191) goufen als Trainingssaz benotzt (Figur 2). Den Datesaz muss opgedeelt ginn, fir ze verhënneren, datt de Modell um selwechten Datesaz trainéiert a getest gëtt, wat dozou féiere kéint, datt de Modell sech späichert anstatt ze léieren. De Modell gëtt um Trainingssaz trainéiert an evaluéiert seng Leeschtung um Testsaz - Daten, déi de Modell nach ni virdru gesinn huet.
Soubal den IS-Tool entwéckelt ass, kann d'Applikatioun LS op Basis vun den Äntwerte vun den Zänndokterstudenten iwwer eng Webinterface klassifizéieren. De webbaséierten Informatiounssécherheets-Empfehlungs-Tool-System gëtt mat der Programméiersprooch Python gebaut an den Django-Framework als Backend benotzt. Tabelle 2 weist d'Bibliothéiken op, déi an der Entwécklung vun dësem System benotzt goufen.
Den Datesaz gëtt an e Entscheedungsbammodell weidergeleet, fir d'Äntwerte vun de Schüler ze berechnen an ze extrahéieren, fir d'LS-Miessunge vun de Schüler automatesch ze klassifizéieren.
D'Verwirrungsmatrix gëtt benotzt fir d'Genauegkeet vun engem Entscheedungsbam-Maschinnléieralgorithmus op engem bestëmmten Datesaz ze evaluéieren. Gläichzäiteg evaluéiert se d'Performance vum Klassifikatiounsmodell. Si resüméiert d'Prognosen vum Modell a vergläicht se mat den tatsächlechen Datenlabels. D'Evaluatiounsresultater baséieren op véier verschiddene Wäerter: Richteg Positiv (TP) - de Modell huet déi positiv Kategorie korrekt virausgesot, Falsch Positiv (FP) - de Modell huet déi positiv Kategorie virausgesot, awer déi richteg Label war negativ, Richteg Negativ (TN) - de Modell huet déi negativ Klass korrekt virausgesot, a falsch negativ (FN) - de Modell predizéiert eng negativ Klass, awer déi richteg Label ass positiv.
Dës Wäerter ginn dann benotzt fir verschidde Leeschtungsmetriken vum scikit-learn Klassifikatiounsmodell a Python ze berechnen, nämlech Präzisioun, Präzisioun, Recall an F1 Score. Hei sinn Beispiller:
D'Erënnerung (oder Sensibilitéit) moosst d'Fäegkeet vum Modell, d'LS vun engem Schüler korrekt ze klassifizéieren, nodeems de Fragebogen m-ILS beäntwert gouf.
Spezifizitéit gëtt eng richteg negativ Rate genannt. Wéi Dir aus der uewe genannter Formel gesitt, sollt dëst de Verhältnis vun echte negativen (TN) zu echte negativen a falsch positiven (FP) sinn. Als Deel vum recommandéierten Tool fir d'Klassifikatioun vu Studentendrogen sollt et eng korrekt Identifikatiounsméiglechkeet hunn.
Den ursprénglechen Datesaz vu 50 Studenten, deen benotzt gouf fir den Entscheedungsbam-ML-Modell ze trainéieren, huet eng relativ niddreg Genauegkeet gewisen, wéinst mënschleche Feeler an den Annotatiounen (Tabell 3). Nodeems e einfacht regelbaséiert Programm erstallt gouf fir automatesch LS-Scores an Schülerannotatiounen ze berechnen, gouf eng wuessend Zuel vun Datensätz (255) benotzt fir de Empfehlungssystem ze trainéieren an ze testen.
An der Multiklass-Verwirrungsmatrix representéieren déi diagonal Elementer d'Zuel vun de korrekte Prognosen fir all LS-Typ (Figur 4). Mat Hëllef vum Entscheedungsbammodell goufen insgesamt 64 Proben korrekt virausgesot. Dofir weisen déi diagonal Elementer an dëser Studie déi erwaart Resultater, wat drop hiweist, datt de Modell gutt funktionéiert a fir all LS-Klassifikatioun d'Klassenlabel korrekt viraussoe kann. Dofir ass déi allgemeng Genauegkeet vum Empfehlungsinstrument 100%.
D'Wäerter vun der Genauegkeet, der Präzisioun, dem Recall an dem F1-Score sinn an der Figur 5 gewisen. Fir de Empfehlungssystem, deen de Entscheedungsbammodell benotzt, ass säin F1-Score 1,0 "perfekt", wat perfekt Präzisioun a Recall ugeet, wat bedeitend Sensibilitéits- a Spezifizitéitswäerter reflektéiert.
Figur 6 weist eng Visualiséierung vum Entscheedungsbammodell nodeems d'Training an d'Tester ofgeschloss sinn. An engem Vergläich niewenteneen huet den Entscheedungsbammodell, deen mat manner Features trainéiert gouf, eng méi héich Genauegkeet an eng méi einfach Modellvisualiséierung gewisen. Dëst weist, datt Feature-Engineering, déi zu Feature-Reduktioun féiert, e wichtege Schrëtt fir d'Verbesserung vun der Modellleistung ass.
Duerch d'Applikatioun vum iwwerwaachte Léieren duerch Entscheedungsbam gëtt d'Mapping tëscht LS (Input) an IS (Zil-Output) automatesch generéiert an enthält detailléiert Informatioune fir all LS.
D'Resultater hunn gewisen, datt 34,9% vun den 255 Studenten eng (1) LS-Optioun bevorzugt hunn. D'Majoritéit (54,3%) hat zwou oder méi LS-Preferenzen. 12,2% vun de Studenten hunn uginn, datt LS zimmlech ausgeglach ass (Tabell 4). Zousätzlech zu den aacht Haapt-LS gëtt et 34 Kombinatioune vun LS-Klassifikatiounen fir Zänndokterstudenten vun der Universitéit vu Malaya. Dorënner sinn d'Perceptioun, d'Siicht an d'Kombinatioun vu Perceptioun a Siicht déi Haapt-LS, déi vun de Studenten uginn ginn (Figur 7).
Wéi aus der Tabell 4 ze gesinn ass, hat déi meescht Schüler eng iwwerwiegend sensoresch (13,7%) oder visuell (8,6%) LS. Et gouf gemellt, datt 12,2% vun de Schüler Perceptioun mat Siicht kombinéiert hunn (perzeptuell-visuell LS). Dës Erkenntnisser suggeréieren, datt d'Schüler léiwer duerch etabléiert Methoden léieren an sech erënneren, spezifesch an detailléiert Prozedure verfollegen an opmierksam vun Natur sinn. Gläichzäiteg léiere si gär duerch Kucken (mat Diagrammer, asw.) a tendéieren dozou, Informatiounen a Gruppen oder eleng ze diskutéieren an unzewenden.
Dës Studie gëtt en Iwwerbléck iwwer Maschinnléiertechniken, déi am Data Mining benotzt ginn, mat engem Fokus op der direkter an präziser Viraussoe vun de Schüler hir LS a Recommandatioun vun engem passenden IS. D'Uwendung vun engem Entscheedungsbammodell huet déi Faktoren identifizéiert, déi am nootste mat hire Liewens- an Ausbildungserfarungen zesummenhänken. Et ass en iwwerwaachte Maschinnléieralgorithmus, deen eng Bamstruktur benotzt fir Daten ze klassifizéieren, andeems en Datensaz op Basis vu bestëmmte Critèren an Ënnerkategorien opgedeelt gëtt. Et funktionéiert andeems d'Inputdaten rekursiv an Ënnersätz opgedeelt ginn, baséiert op dem Wäert vun enger vun den Inputfeatures vun all internen Node, bis eng Entscheedung um Blatnode getraff gëtt.
Déi intern Knuet vum Entscheedungsbeem representéieren d'Léisung baséiert op den Inputcharakteristike vum m-ILS-Problem, an d'Blatknuet representéieren déi endgülteg LS-Klassifikatiounsprognose. Am Laf vun der Studie ass et einfach, d'Hierarchie vun den Entscheedungsbeem ze verstoen, déi den Entscheedungsprozess erklären a visualiséieren, andeems een sech d'Bezéiung tëscht Inputfeatures an Outputprognosen ukuckt.
An de Beräicher Informatik an Ingenieurswiesen gi maschinellt Léieren-Algorithmen wäit verbreet benotzt fir d'Leeschtung vu Studenten op Basis vun hiren Entrée-Examensresultater [21], demographeschen Informatiounen a Léierverhalen [22] virauszesoen. D'Fuerschung huet gewisen, datt den Algorithmus d'Leeschtung vu Studenten korrekt virausgesot huet an hinnen gehollef huet, Studenten z'identifizéieren, déi a Gefor sinn, akademesch Schwieregkeeten ze hunn.
Et gëtt bericht iwwer d'Uwendung vun ML-Algorithmen an der Entwécklung vu virtuelle Patientensimulatoren fir Zänndokterausbildung. De Simulator ass fäeg, déi physiologesch Reaktioune vu richtege Patienten präzis ze reproduzéieren a kann benotzt ginn, fir Zänndokterstudenten an enger sécherer a kontrolléierter Ëmwelt ze trainéieren [23]. Verschidde aner Studien weisen, datt Maschinnléieralgorithmen potenziell d'Qualitéit an d'Effizienz vun der Zänndokter- a Medizinausbildung a Patientenversuergung verbessere kënnen. Maschinnléieralgorithmen goufen agesat fir d'Diagnos vun Zännkrankheeten op Basis vun Datensätz wéi Symptomer a Patientencharakteristiken z'ënnerstëtzen [24, 25]. Wärend aner Studien d'Benotzung vu Maschinnléieralgorithmen ënnersicht hunn, fir Aufgaben auszeféieren, wéi d'Virauschätzung vu Patientenresultater, d'Identifikatioun vu Patienten mat héijem Risiko, d'Entwécklung vu personaliséierte Behandlungspläng [26], d'Entwécklung vu parodontaler Behandlung [27] an d'Behandlung vu Karies [25].
Obwuel Rapporten iwwer d'Uwendung vum maschinelle Léieren an der Zänndoktermedizin publizéiert goufen, ass seng Uwendung an der Zänndokterausbildung nach ëmmer limitéiert. Dofir hat dës Studie zum Zil, e Entscheedungsbammodell ze benotzen, fir Faktoren z'identifizéieren, déi am enksten mat LS an IS bei Zänndokterstudenten zesummenhänken.
D'Resultater vun dëser Studie weisen, datt dat entwéckelt Empfehlungsinstrument eng héich Genauegkeet a perfekt Genauegkeet huet, wat drop hiweist, datt Enseignanten vun dësem Instrument profitéiere kënnen. Mat engem datenorientéierte Klassifikatiounsprozess kann et personaliséiert Empfehlungen ubidden an d'Léiererfarungen an d'Resultater fir Enseignanten a Schüler verbesseren. Dorënner kënnen Informatiounen, déi duerch Empfehlungsinstrumenter gewonnen ginn, Konflikter tëscht de bevorzugten Léiermethoden vun den Enseignanten an de Léierbedürfnisser vun de Schüler léisen. Zum Beispill gëtt duerch déi automatiséiert Ausgab vun den Empfehlungsinstrumenter d'Zäit, déi néideg ass, fir d'IP vun engem Schüler z'identifizéieren an se mat der entspriechender IP ze verbannen, däitlech reduzéiert. Op dës Manéier kënnen entspriechend Trainingsaktivitéiten an Trainingsmaterialien organiséiert ginn. Dëst hëlleft de positive Léierverhalen an d'Konzentratiounsfäegkeet vun de Schüler z'entwéckelen. Eng Studie huet bericht, datt d'Versuergung vu Léiermaterialien a Léieraktivitéiten, déi zu hirem bevorzugten LS passen, de Schüler hëllefe kann, sech op verschidde Weeër z'integréieren, ze veraarbechten an ze genéissen, fir e méi grousst Potenzial z'erreechen [12]. D'Fuerschung weist och, datt nieft der Verbesserung vun der Participatioun vun de Schüler am Klassesall, d'Verständnis vum Léierprozess vun de Schüler och eng entscheedend Roll spillt fir d'Léierpraktiken an d'Kommunikatioun mat de Schüler ze verbesseren [28, 29].
Wéi och ëmmer, wéi mat all moderner Technologie gëtt et Problemer a Grenzen. Dozou gehéieren Themen am Zesummenhang mat Dateschutz, Viruerteeler a Fairness, an déi professionell Fäegkeeten a Ressourcen, déi néideg sinn, fir Algorithmen fir maschinellt Léieren an der Zänndokterausbildung z'entwéckelen an ëmzesetzen; Wéi och ëmmer, dat wuessend Interessi a Fuerschung an dësem Beräich suggeréieren, datt maschinellt Léieren-Technologien e positiven Impakt op d'Zänndokterausbildung an d'Zänndéngschter kéinte hunn.
D'Resultater vun dëser Studie weisen datt d'Halschent vun den Zänndokterstudenten eng Tendenz hunn, Medikamenter ze "wahrnehmen". Dës Zort vu Léierer huet eng Präferenz fir Fakten a konkret Beispiller, eng praktesch Orientéierung, Gedold fir Detailer, an eng "visuell" LS-Präferenz, wou d'Léierer léiwer Biller, Grafiken, Faarwen a Kaarte benotzen fir Iddien an Gedanken ze vermëttelen. Déi aktuell Resultater sinn am Aklang mat anere Studien, déi ILS benotzen fir LS bei Zänndokter- a Medizinstudenten ze evaluéieren, vun deenen déi meescht Charakteristike vu perzeptuellen a visuellen LS hunn [12, 30]. Den Dalmolin et al. suggeréieren, datt d'Informatioun vun de Studenten iwwer hir LS hinnen erlaabt, hiert Léierpotenzial z'erreechen. Fuerscher argumentéieren, datt wann d'Enseignanten den Ausbildungsprozess vun de Studenten vollstänneg verstoen, verschidde Léiermethoden an Aktivitéite kënne implementéiert ginn, déi d'Leeschtung an d'Léiererfahrung vun de Studenten verbesseren [12, 31, 32]. Aner Studien hunn gewisen, datt d'Upassung vun den LS vun de Studenten och Verbesserungen an der Léiererfahrung an der Leeschtung vun de Studenten weist, nodeems hir Léierstiler un hir eege LS ugepasst goufen [13, 33].
D'Meenunge vun den Enseignanten kënne variéieren wat d'Ëmsetzung vun Enseignementstrategien ugeet, déi op de Léierfäegkeete vun de Studenten baséieren. Wärend verschidde Leit d'Virdeeler vun dësem Usaz gesinn, dorënner Méiglechkeete fir professionell Entwécklung, Mentoring an Ënnerstëtzung vun der Gemeinschaft, kënnen anerer sech Suergen iwwer Zäit an institutionell Ënnerstëtzung maachen. D'Sträwe no engem Gläichgewiicht ass de Schlëssel fir eng studentenzentriert Astellung ze schafen. Héichschoulautoritéiten, wéi Universitéitsadministrateuren, kënnen eng wichteg Roll spillen fir positiv Verännerungen ze fërderen, andeems se innovativ Praktiken aféieren an d'Entwécklung vun de Fakultéitsmemberen ënnerstëtzen [34]. Fir e wierklech dynamescht an responsivt Héichschoulsystem ze schafen, mussen d'Politiker couragéiert Schrëtt ënnerhuelen, wéi zum Beispill Politikännerungen, Ressourcen fir d'Integratioun vun Technologien ze investéieren an Kader ze schafen, déi studentenzentriert Approche förderen. Dës Moossname si kritesch fir déi gewënschte Resultater z'erreechen. Rezent Fuerschung iwwer differenzéierten Ënnerrecht huet kloer gewisen, datt eng erfollegräich Ëmsetzung vun differenzéiertem Ënnerrecht weider Ausbildungs- a Weiderbildungsméiglechkeete fir Enseignanten erfuerdert [35].
Dëst Tool bitt wäertvoll Ënnerstëtzung fir Zänndokteren, déi e studentenzentrierten Usaz fir d'Planung vu studentfrëndleche Léieraktivitéite wëlle verfollegen. Dës Studie beschränkt sech awer op d'Benotzung vun Entscheedungsbam-ML-Modeller. An Zukunft sollten méi Daten gesammelt ginn, fir d'Performance vu verschiddene Maschinnléiermodeller ze vergläichen, fir d'Genauegkeet, d'Zouverlässegkeet an d'Prezisioun vun den Empfehlungsinstrumenter ze vergläichen. Zousätzlech ass et wichteg, wann Dir déi passendst Maschinnléiermethod fir eng spezifesch Aufgab auswielt, aner Faktoren wéi d'Modellkomplexitéit an d'Interpretatioun ze berücksichtegen.
Eng Limitatioun vun dëser Studie ass, datt se sech nëmmen op d'Kartographie vun LS an IS bei Zänndokterstudenten konzentréiert huet. Dofir wäert dat entwéckelt Empfehlungssystem nëmmen déi empfeelen, déi fir Zänndokterstudenten gëeegent sinn. Ännerunge si fir d'allgemeng Notzung duerch Studenten am Héichschoulberäich néideg.
Dat nei entwéckelt Empfehlungstool, dat op maschinellt Léieren baséiert ass, ass fäeg, d'LS vun de Studenten direkt ze klassifizéieren an dem entspriechenden IS ofzestëmmen, wat et zum éischte Programm fir Zännmedizinausbildung mécht, deen Zännmediziner hëlleft, relevant Léier- a Léieraktivitéiten ze plangen. Mat engem datenorientéierte Triageprozess kann et personaliséiert Empfehlungen ubidden, Zäit spueren, Léierstrategien verbesseren, gezielt Interventiounen ënnerstëtzen a weider professionell Entwécklung förderen. Seng Uwendung wäert studentenzentriert Approche fir d'Zännmedizinausbildung förderen.
Gilak Jani Associated Press. Iwwereneestëmmung oder Ofwäichung tëscht dem Léierstil vum Schüler 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
Zäitpunkt vun der Verëffentlechung: 29. Abrëll 2024