Diş hekimliği de dahil olmak üzere yükseköğretim kurumlarında öğrenci merkezli öğrenmeye (SCL) artan bir ihtiyaç vardır. Ancak, SCL diş eğitiminde sınırlı bir başvuruya sahiptir. Bu nedenle, bu çalışma, Dişhekimliği Öğrencilerinin İSi Kılavuzlar geliştirmek için yararlı bir araç olarak tercih ettiği öğrenme stilini (LS) ve karşılık gelen öğrenme stratejilerini (IS) haritalamak için Karar Ağacı Makinesi Öğrenimi (ML) teknolojisini kullanarak SCL'nin diş hekimliğine uygulanmasını teşvik etmeyi amaçlamaktadır. . Dişhekimliği öğrencileri için umut verici yöntemler.
Malaya Üniversitesi'nden toplam 255 dişhekimliği öğrencisi, bunları ilgili LSS'de sınıflandırmak için 44 öğe içeren değiştirilmiş Öğrenme Stilleri Endeksi (M-ILS) anketini tamamladı. Toplanan veriler (veri kümesi olarak adlandırılır), öğrencilerin öğrenme stillerini otomatik olarak en uygun IS ile eşleştirmek için denetimli karar ağacı öğrenmesinde kullanılır. Makine öğrenimi tabanlı IS öneri aracı daha sonra değerlendirilir.
Karar ağacı modellerinin LS (giriş) ve IS (hedef çıktı) arasındaki otomatik haritalama işleminde uygulanması, her diş öğrencisi için uygun öğrenme stratejilerinin derhal bir listesini sağlar. IS öneri aracı, LS ile eşleşmenin iyi bir duyarlılık ve özgüllüğe sahip olduğunu gösteren genel model doğruluğunun mükemmel doğruluğunu ve hatırlanmasını göstermiştir.
Bir ML karar ağacına dayanan bir IS öneri aracı, dişhekimliği öğrencilerinin öğrenme stillerini uygun öğrenme stratejileriyle doğru bir şekilde eşleştirme yeteneğini kanıtlamıştır. Bu araç, öğrencilerin öğrenme deneyimini geliştirebilecek öğrenci merkezli kursları veya modülleri planlamak için güçlü seçenekler sunar.
Öğretme ve öğrenme, eğitim kurumlarında temel faaliyetlerdir. Yüksek kaliteli bir mesleki eğitim sistemi geliştirirken, öğrencilerin öğrenme ihtiyaçlarına odaklanmak önemlidir. Öğrenciler ve öğrenme ortamı arasındaki etkileşim LS ile belirlenebilir. Araştırmalar, öğrencilerin LS'si ile IS arasındaki öğretmenlere yönelik uyumsuzlukların, dikkat ve motivasyonun azalması gibi öğrenci öğrenimi için olumsuz sonuçları olabileceğini göstermektedir. Bu dolaylı olarak öğrenci performansını etkileyecektir [1,2].
IS Öğretmenler tarafından öğrencilere öğrenmelerine yardımcı olmak da dahil olmak üzere öğrencilere bilgi ve beceri vermek için kullanılan bir yöntem [3]. Genel olarak konuşursak, iyi öğretmenler öğretme stratejileri planlıyor veya öğrencilerinin bilgi düzeyine, öğrendikleri kavramlara ve öğrenme aşamalarına en iyi uyuyor. Teorik olarak, LS ve eşleştiğinde, öğrenciler etkili bir şekilde öğrenmek için belirli bir beceri setini organize edebilecek ve kullanabileceklerdir. Tipik olarak, bir ders planı, öğretimden rehberli uygulamaya veya rehberli uygulamadan bağımsız uygulamaya kadar aşamalar arasında çeşitli geçişler içerir. Bunu göz önünde bulundurarak, etkili öğretmenler genellikle öğrencilerin bilgi ve becerilerini geliştirmek amacıyla öğretim planlamaktadır [4].
SCL talebi, diş hekimliği de dahil olmak üzere yüksek öğrenim kurumlarında büyüyor. SCL stratejileri, öğrencilerin öğrenme ihtiyaçlarını karşılamak için tasarlanmıştır. Örneğin, öğrenciler öğrenme faaliyetlerine aktif olarak katılırlarsa ve öğretmenler kolaylaştırıcı görevi görür ve değerli geri bildirimler sağlamaktan sorumludur. Öğrencilerin eğitim düzeyine veya tercihlerine uygun öğrenme materyalleri ve faaliyetlerinin sağlanmasının öğrencilerin öğrenme ortamını geliştirebileceği ve olumlu öğrenme deneyimlerini teşvik edebileceği söylenir [5].
Genel olarak, dişhekimliği öğrencilerinin öğrenme süreci, gerçekleştirmeleri gereken çeşitli klinik prosedürlerden ve etkili kişilerarası beceriler geliştirdikleri klinik ortamdan etkilenir. Eğitimin amacı, öğrencilerin diş hekimliği temel bilgilerini diş klinik becerileriyle birleştirmelerini ve edinilen bilgileri yeni klinik durumlara uygulamalarını sağlamaktır [6, 7]. LS ve tercih edilen LS'ye eşlenen öğrenme stratejilerinin ayarlanmasının eğitim sürecini geliştirmeye yardımcı olacağı bulunmuştur [8]. Yazarlar ayrıca öğrencilerin öğrenme ve ihtiyaçlarına uyum sağlamak için çeşitli öğretim ve değerlendirme yöntemlerini kullanmanızı önermektedir.
Öğretmenler, öğrencilerin konuyu daha derin bilgi ve anlayışını satın almasını artıracak talimatları tasarlamalarına, geliştirmelerine ve uygulamalarına yardımcı olmak için LS bilgisini uygulamaktan yararlanırlar. Araştırmacılar, Kolb Deneyimsel Öğrenme Modeli, Felder-Silverman Öğrenme Stili Modeli (FSLSM) ve Fleming VAK/VARK modeli [5, 9, 10] gibi çeşitli LS değerlendirme aracı geliştirdiler. Literatüre göre, bu öğrenme modelleri en sık kullanılan ve en çok incelenen öğrenme modelleridir. Mevcut araştırma çalışmasında FSLSM, dişhekimliği öğrencileri arasında LS'yi değerlendirmek için kullanılır.
FSLSM, mühendislikte uyarlanabilir öğrenmeyi değerlendirmek için yaygın olarak kullanılan bir modeldir. Sağlık bilimlerinde (tıp, hemşirelik, eczane ve diş hekimliği dahil) FSLSM modelleri kullanılarak bulunabilen birçok yayınlanmış eser vardır [5, 11, 12, 13]. FLSM'deki LS'nin boyutlarını ölçmek için kullanılan enstrümana, LS'nin dört boyutunu değerlendiren 44 öğe içeren 44 öğe içeren öğrenme stilleri (ILS) [8] densesi denir: işlem (aktif/yansıtıcı), algı (algısal/sezgisel), Giriş (görsel). /sözlü) ve anlayış (sıralı/global) [14].
Şekil 1'de gösterildiği gibi, her FSLSM boyutunun baskın bir tercihi vardır. Örneğin, işleme boyutunda, “aktif” LS'li öğrenciler, öğrenme materyalleri ile doğrudan etkileşime girerek, yaparak öğrenerek ve gruplar halinde öğrenme eğiliminde olan bilgileri işlemeyi tercih ederler. “Yansıtıcı” LS, düşünerek öğrenmeyi ifade eder ve yalnız çalışmayı tercih eder. LS'nin “algılama” boyutu “duygu” ve/veya “sezgiye” ayrılabilir. “Duygu” öğrencileri daha somut bilgi ve pratik prosedürleri tercih ederler, soyut materyali tercih eden ve doğada daha yenilikçi ve yaratıcı olan “sezgisel” öğrencilere kıyasla gerçek odaklıdır. LS'nin “girdi” boyutu “görsel” ve “sözel” öğrencilerden oluşur. “Görsel” LS'si olan insanlar görsel gösteriler (diyagramlar, videolar veya canlı gösteriler gibi) ile öğrenmeyi tercih ederken, “sözlü” LS'si olan insanlar yazılı veya sözlü açıklamalarda kelimelerle öğrenmeyi tercih ederler. LS boyutlarını “anlamak” için, bu tür öğrenciler “ardışık” ve “küresel” olarak bölünebilir. “Sıralı öğrenciler doğrusal bir düşünce sürecini tercih eder ve adım adım öğrenin, küresel öğrenciler bütünsel bir düşünce sürecine sahip olma eğilimindedir ve her zaman ne öğrendiklerini daha iyi anlarlar.
Son zamanlarda, birçok araştırmacı, yeni algoritmaların geliştirilmesi ve büyük miktarda veriyi yorumlayabilen modeller de dahil olmak üzere otomatik veri odaklı keşif yöntemlerini araştırmaya başladı [15, 16]. Sağlanan verilere dayanarak, denetimli ML (makine öğrenimi), algoritmaların inşasına dayanarak gelecekteki sonuçları öngören kalıplar ve hipotezler üretebilir [17]. Basitçe söylemek gerekirse, denetimli makine öğrenme teknikleri giriş verilerini manipüle edin ve algoritmaları tren. Daha sonra, sağlanan giriş verileri için benzer durumlara dayalı olarak sonucu sınıflandıran veya tahmin eden bir aralık oluşturur. Denetimli makine öğrenme algoritmalarının ana avantajı, ideal ve istenen sonuçlar oluşturma yeteneğidir [17].
Veri odaklı yöntemler ve karar ağacı kontrol modelleri kullanılarak LS'nin otomatik olarak tespiti mümkündür. Karar ağaçlarının sağlık bilimleri de dahil olmak üzere çeşitli alanlardaki eğitim programlarında yaygın olarak kullanıldığı bildirilmiştir [18, 19]. Bu çalışmada, model sistem geliştiricileri tarafından öğrencilerin LS'yi tanımlamak ve en iyisini onlar için önermek için eğitilmiştir.
Bu çalışmanın amacı, öğrencilerin LS'ye dayalı olarak teslimat stratejileri geliştirmek ve LS'ye eşlenmiş bir IS öneri aracı geliştirerek SCL yaklaşımını uygulamaktır. SCL yönteminin bir stratejisi olarak IS tavsiye aracının tasarım akışı Şekil 1'de gösterilmektedir. IS öneri aracı, ILS kullanılarak LS sınıflandırma mekanizması ve öğrenciler için en uygun IS dahil olmak üzere iki bölüme ayrılmıştır.
Özellikle, bilgi güvenliği öneri araçlarının özellikleri, web teknolojilerinin kullanımı ve karar ağacı makinesi öğrenmesinin kullanımını içerir. Sistem geliştiricileri, cep telefonları ve tabletler gibi mobil cihazlara uyarlayarak kullanıcı deneyimini ve hareketliliğini geliştirir.
Deney iki aşamada gerçekleştirildi ve Malaya Üniversitesi Diş Hekimliği Fakültesi öğrencileri gönüllü olarak katıldı. Katılımcılar bir dişhekimliği öğrencisinin çevrimiçi m-ils'e cevap verdiler. İlk aşamada, karar ağacı makinesi öğrenme algoritmasını eğitmek için 50 öğrenciden oluşan bir veri kümesi kullanılmıştır. Geliştirme sürecinin ikinci aşamasında, geliştirilen enstrümanın doğruluğunu artırmak için 255 öğrenciden oluşan bir veri kümesi kullanılmıştır.
Tüm katılımcılar, akademik yıla bağlı olarak her aşamanın başında Microsoft Teams aracılığıyla çevrimiçi bir brifing alırlar. Çalışmanın amacı açıklandı ve bilgilendirilmiş onam alındı. Tüm katılımcılara M-ILS'ye erişmek için bir bağlantı sağlandı. Her öğrenciye anket üzerindeki 44 öğenin tümünü cevaplaması talimatı verildi. Dönem başlamasından önce dönem molası sırasında kendilerine uygun bir seferde ve yerlerde değiştirilmiş IL'leri tamamlamaları için bir hafta verildi. M-ILS, orijinal ILS enstrümanına dayanır ve dişhekimliği öğrencileri için değiştirilir. Orijinal IL'lere benzer şekilde, her bir FSLSM boyutunun yönlerini değerlendirmek için kullanılan her biri 11 öğeye sahip 44 eşit dağıtılmış öğe (A, B) içerir.
Araç geliştirmenin ilk aşamalarında, araştırmacılar 50 dişhekimliği öğrencisinden oluşan bir veri kümesini kullanarak haritalara manuel olarak açıkladılar. FSLM'ye göre, sistem “A” ve “B” cevaplarının toplamını sağlar. Her boyut için, öğrenci bir cevap olarak “A” yı seçerse, LS aktif/algısal/görsel/ardışık olarak sınıflandırılır ve öğrenci cevap olarak “b” yi seçerse, öğrenci yansıtıcı/sezgisel/dilsel olarak sınıflandırılır. . / Global Öğrenci.
Diş eğitimi araştırmacıları ve sistem geliştiricileri arasındaki iş akışını kalibre ettikten sonra, sorular FLSSM alanına göre seçildi ve her öğrencinin LS'yi tahmin etmek için ML modeline beslendi. “Çöp, çöp dışarı”, veri kalitesine vurgu yaparak makine öğrenimi alanında popüler bir sözdür. Giriş verilerinin kalitesi, makine öğrenme modelinin hassasiyetini ve doğruluğunu belirler. Özellik mühendisliği aşaması sırasında, FLSSM'ye dayanan “A” ve “B” cevaplarının toplamı olan yeni bir özellik seti oluşturulur. Tespit sayıları ilaç pozisyonları Tablo 1'de verilmiştir.
Skoru cevaplara göre hesaplayın ve öğrencinin LS'sini belirleyin. Her öğrenci için skor aralığı 1 ila 11 arasındadır. 1'den 3'e kadar puanlar, aynı boyutta bir öğrenme tercihlerinin dengesini gösterir ve 5 ila 7 arasındaki puanlar, öğrencilerin başkalarına öğreten bir ortamı tercih etme eğiliminde olduğunu gösterir. . Aynı boyuttaki bir başka varyasyon, 9 ila 11 arasındaki puanların bir uç veya diğeri için güçlü bir tercihi yansıtmasıdır [8].
Her boyut için ilaçlar “aktif”, “yansıtıcı” ve “dengeli” olarak gruplandırılmıştır. Örneğin, bir öğrenci “A” a belirlenen bir öğede “B” den daha sık cevapladığında ve puanı, işlem LS boyutunu temsil eden belirli bir öğe için 5 eşiğini aştığında, “aktif” LS'ye aittir. ihtisas. . Bununla birlikte, öğrenciler belirli 11 soruda “A” dan daha fazla “B” seçtiklerinde “Yansıtıcı” LS olarak sınıflandırıldı (Tablo 1) ve 5 puandan fazla puan aldılar. Son olarak, öğrenci “denge” durumunda. Skor 5 puanı geçmezse, bu bir “süreç” LS'dir. Sınıflandırma işlemi, diğer LS boyutları için, yani algı (aktif/yansıtıcı), girdi (görsel/sözel) ve anlama (sıralı/global) için tekrarlandı.
Karar ağacı modelleri, sınıflandırma sürecinin farklı aşamalarında farklı özellikler ve karar kuralları kullanabilir. Popüler bir sınıflandırma ve tahmin aracı olarak kabul edilir. Özellikle testleri temsil eden dahili düğümlerin, her bir dalın test sonuçlarını temsil eden ve bir sınıf etiketi içeren her yaprak düğümü (yaprak düğümü) olduğu bir akış şeması [20] gibi bir ağaç yapısı kullanılarak temsil edilebilir.
Her öğrencinin LS'sini yanıtlarına göre otomatik olarak puanlamak ve açıklamak için basit bir kural tabanlı program oluşturulmuştur. Kural tabanlı, “if” tetikleyiciyi tanımlar ve “o zaman” gerçekleştirilecek eylemi belirtir, örneğin: “X olursa, y deyin” (Liu ve ark., 2014). Veri seti korelasyon sergiliyorsa ve karar ağacı modeli uygun şekilde eğitilmiş ve değerlendirilirse, bu yaklaşım LS ve IS eşleştirme sürecini otomatikleştirmenin etkili bir yolu olabilir.
Geliştirmenin ikinci aşamasında, tavsiye aracının doğruluğunu artırmak için veri kümesi 255'e çıkarıldı. Veri seti 1: 4 oranında bölünmüştür. Test seti için veri setinin% 25'i (64) kullanılmıştır ve geri kalan% 75 (191) eğitim seti olarak kullanılmıştır (Şekil 2). Modelin aynı veri setinde eğitilmesini ve test edilmesini önlemek için veri setinin bölünmesi gerekir, bu da modelin öğrenmek yerine hatırlamasına neden olabilir. Model eğitim setinde eğitilir ve performansını test setindeki değerlendirir - modelin daha önce hiç görmediği veriler.
IS aracı geliştirildikten sonra, uygulama LS'yi bir web arayüzü aracılığıyla dişhekimliği öğrencilerinin yanıtlarına göre sınıflandırabilir. Web tabanlı bilgi güvenliği önerisi aracı sistemi, arka uç olarak Django Framework kullanılarak Python programlama dili kullanılarak oluşturulur. Tablo 2, bu sistemin geliştirilmesinde kullanılan kütüphaneleri listelemektedir.
Veri kümesi, öğrenci LS ölçümlerini otomatik olarak sınıflandırmak için öğrenci yanıtlarını hesaplamak ve çıkarmak için bir karar ağacı modeline beslenir.
Karışıklık matrisi, belirli bir veri kümesinde bir karar ağacı makinesi öğrenme algoritmasının doğruluğunu değerlendirmek için kullanılır. Aynı zamanda, sınıflandırma modelinin performansını değerlendirir. Modelin tahminlerini özetler ve bunları gerçek veri etiketleriyle karşılaştırır. Değerlendirme sonuçları dört farklı değere dayanmaktadır: True Pozitif (TP) - Model pozitif kategoriyi doğru bir şekilde tahmin etti, yanlış pozitif (FP) - model pozitif kategoriyi öngördü, ancak gerçek etiket negatif, gerçek negatif (TN) - Model negatif sınıfı doğru bir şekilde tahmin etti ve yanlış negatif (FN) - model negatif bir sınıf öngörüyor, ancak gerçek etiket pozitif.
Bu değerler daha sonra Python'daki Scikit-Lear sınıflandırma modelinin çeşitli performans metriklerini, yani hassasiyet, hassasiyet, hatırlama ve F1 skorunu hesaplamak için kullanılır. İşte örnekler:
Geri çağırma (veya duyarlılık), modelin M-ILS anketini cevapladıktan sonra bir öğrencinin LS'sini doğru bir şekilde sınıflandırma yeteneğini ölçer.
Özgülite gerçek negatif oran denir. Yukarıdaki formülden de görebileceğiniz gibi, bu gerçek negatiflerin (TN) gerçek negatiflere ve yanlış pozitiflere (FP) oranı olmalıdır. Öğrenci ilaçlarını sınıflandırmak için önerilen aracın bir parçası olarak, doğru tanımlama yeteneğine sahip olmalıdır.
Karar ağacı ML modelini eğitmek için kullanılan 50 öğrencinin orijinal veri kümesi, ek açıklamalardaki insan hatası nedeniyle nispeten düşük doğruluk göstermiştir (Tablo 3). LS puanlarını ve öğrenci ek açıklamalarını otomatik olarak hesaplamak için basit bir kural tabanlı program oluşturduktan sonra, tavsiye sistemini eğitmek ve test etmek için artan sayıda veri kümesi (255) kullanılmıştır.
Çok sınıflı karışıklık matrisinde, diyagonal elemanlar her LS tipi için doğru tahminlerin sayısını temsil eder (Şekil 4). Karar ağacı modeli kullanılarak toplam 64 örnek doğru tahmin edildi. Bu nedenle, bu çalışmada, diyagonal elemanlar beklenen sonuçları göstermektedir, bu da modelin iyi performans gösterdiğini ve her LS sınıflandırması için sınıf etiketini doğru bir şekilde tahmin ettiğini gösterir. Dolayısıyla, öneri aracının genel doğruluğu%100'dür.
Doğruluk, hassasiyet, hatırlama ve F1 skoru değerleri Şekil 5'te gösterilmiştir. Karar ağacı modelini kullanarak öneri sistemi için F1 skoru 1.0 “mükemmel” dir, mükemmel hassasiyet ve geri çağırma gösteren önemli hassasiyet ve özgüllüğü yansıtan değerler.
Şekil 6, eğitim ve test tamamlandıktan sonra karar ağacı modelinin görselleştirilmesini göstermektedir. Yan yana bir karşılaştırmada, daha az özellik ile eğitilmiş karar ağacı modeli daha yüksek doğruluk ve daha kolay model görselleştirme göstermiştir. Bu, özelliği azaltmaya yol açan mühendisliğin model performansının iyileştirilmesinde önemli bir adım olduğunu göstermektedir.
Karar ağacı denetimli öğrenmeyi uygulayarak, LS (giriş) ve IS (hedef çıkış) arasındaki eşleme otomatik olarak oluşturulur ve her LS için ayrıntılı bilgi içerir.
Sonuçlar, 255 öğrencinin% 34.9'unun bir (1) LS seçeneğini tercih ettiğini gösterdi. Çoğunluğun (%54.3) iki veya daha fazla LS tercihi vardı. Öğrencilerin% 12.2'si LS'nin oldukça dengeli olduğunu belirtmiştir (Tablo 4). Sekiz ana LS'ye ek olarak, Malaya Üniversitesi dişhekimliği öğrencileri için 34 LS sınıflandırma kombinasyonu bulunmaktadır. Bunlar arasında algı, vizyon ve algı ve vizyon kombinasyonu öğrenciler tarafından bildirilen ana LS'dir (Şekil 7).
Tablo 4'ten görülebileceği gibi, öğrencilerin çoğunluğunun baskın bir duyusal (%13.7) veya görsel (%8.6) LS'si vardı. Öğrencilerin% 12.2'sinin algıyı vizyonla (algısal-görsel LS) birleştirdiği bildirilmiştir. Bu bulgular, öğrencilerin yerleşik yöntemler aracılığıyla öğrenmeyi ve hatırlamayı tercih ettiklerini, belirli ve ayrıntılı prosedürleri takip ettiklerini ve doğada özenli olduklarını göstermektedir. Aynı zamanda, bakarak (diyagramlar vb. Kullanarak) öğrenmekten hoşlanırlar ve gruplarda veya kendi başlarına bilgi tartışma ve uygulama eğilimindedirler.
Bu çalışma, öğrencilerin LS'lerini anında ve doğru bir şekilde tahmin etmeye ve uygun IS'yi önermeye odaklanarak veri madenciliğinde kullanılan makine öğrenme tekniklerine genel bir bakış sunmaktadır. Bir karar ağacı modelinin uygulanması, yaşamları ve eğitim deneyimleri ile en yakından ilişkili faktörleri tanımlamıştır. Bir dizi veriyi belirli kriterlere dayalı olarak alt kategorilere bölerek verileri sınıflandırmak için bir ağaç yapısı kullanan denetimli bir makine öğrenme algoritmasıdır. Giriş verilerini, yaprak düğümünde bir karar verilinceye kadar her bir dahili düğümün giriş özelliklerinden birinin değerine dayanarak alt kümelere yinelemeli olarak bölünerek çalışır.
Karar ağacının dahili düğümleri, M-ILS probleminin giriş özelliklerine dayanan çözümü temsil eder ve yaprak düğümleri son LS sınıflandırma tahminini temsil eder. Çalışma boyunca, girdi özellikleri ve çıktı tahminleri arasındaki ilişkiye bakarak karar sürecini açıklayan ve görselleştiren karar ağaçlarının hiyerarşisini anlamak kolaydır.
Bilgisayar Bilimi ve Mühendisliği alanlarında, makine öğrenimi algoritmaları, giriş sınavı puanlarına [21], demografik bilgi ve öğrenme davranışlarına [22] göre öğrenci performansını tahmin etmek için yaygın olarak kullanılmaktadır. Araştırmalar, algoritmanın öğrenci performansını doğru bir şekilde tahmin ettiğini ve akademik zorluklar için risk altındaki öğrencileri belirlemelerine yardımcı olduğunu gösterdi.
Diş eğitimi için sanal hasta simülatörlerinin geliştirilmesinde ML algoritmalarının uygulanması bildirilmektedir. Simülatör, gerçek hastaların fizyolojik tepkilerini doğru bir şekilde üretebilir ve dişhekimliği öğrencilerini güvenli ve kontrollü bir ortamda eğitmek için kullanılabilir [23]. Diğer bazı çalışmalar, makine öğrenimi algoritmalarının potansiyel olarak diş ve tıp eğitimi ve hasta bakımının kalitesini ve verimliliğini artırabileceğini göstermektedir. Makine öğrenimi algoritmaları, semptomlar ve hasta özellikleri gibi veri setlerine dayanan diş hastalıklarının tanısına yardımcı olmak için kullanılmıştır [24, 25]. Diğer çalışmalar, hasta sonuçlarını tahmin etme, yüksek riskli hastaların tanımlanması, kişiselleştirilmiş tedavi planları geliştirme [26], periodontal tedavi [27] ve çürük tedavisi [25] gibi görevleri yerine getirmek için makine öğrenimi algoritmalarının kullanımını araştırmıştır.
Her ne kadar diş hekimliğinde makine öğrenimi uygulanmasına ilişkin raporlar yayınlanmış olsa da, diş eğitimine başvurusu sınırlı kalmaktadır. Bu nedenle, bu çalışma LS ile en yakın ilişkili faktörleri tanımlamak için bir karar ağacı modeli kullanmayı amaçlamıştır ve dişhekimliği öğrencileri arasındadır.
Bu çalışmanın sonuçları, geliştirilen öneri aracının yüksek doğruluk ve mükemmel doğruluk olduğunu göstermektedir, bu da öğretmenlerin bu araçtan yararlanabileceğini göstermektedir. Veri odaklı bir sınıflandırma sürecini kullanarak, kişiselleştirilmiş öneriler sağlayabilir ve eğitimciler ve öğrenciler için eğitim deneyimlerini ve sonuçlarını geliştirebilir. Bunlar arasında, öneri araçları yoluyla elde edilen bilgiler, öğretmenlerin tercih edilen öğretim yöntemleri ile öğrencilerin öğrenme ihtiyaçları arasındaki çatışmaları çözebilir. Örneğin, tavsiye araçlarının otomatik çıktısı nedeniyle, bir öğrencinin IP'sini tanımlamak ve ilgili IP ile eşleştirmek için gereken süre önemli ölçüde azalacaktır. Bu şekilde uygun eğitim faaliyetleri ve eğitim materyalleri düzenlenebilir. Bu, öğrencilerin olumlu öğrenme davranışlarını ve konsantre olma yeteneğini geliştirmeye yardımcı olur. Bir çalışma, öğrencilere tercih ettikleri LS ile eşleşen öğrenme materyalleri ve öğrenme faaliyetleri sunmanın, öğrencilerin daha fazla potansiyel elde etmek için birçok şekilde entegre edilmesine, işlemeye ve öğrenmenin tadını çıkarmasına yardımcı olabileceğini bildirmiştir [12]. Araştırmalar ayrıca, öğrencilerin sınıfa katılımını geliştirmenin yanı sıra, öğrencilerin öğrenme sürecini anlamanın, öğretim uygulamalarının geliştirilmesinde ve öğrencilerle iletişimi geliştirmede de kritik bir rol oynadığını göstermektedir [28, 29].
Bununla birlikte, herhangi bir modern teknolojide olduğu gibi, sorunlar ve sınırlamalar vardır. Bunlar, veri gizliliği, önyargı ve adalet ile ilgili konuları ve diş eğitiminde makine öğrenme algoritmalarını geliştirmek ve uygulamak için gereken mesleki beceri ve kaynakları içerir; Bununla birlikte, bu alanda artan ilgi ve araştırmalar, makine öğrenimi teknolojilerinin diş eğitimi ve dişhekimliği hizmetleri üzerinde olumlu bir etkisi olabileceğini göstermektedir.
Bu çalışmanın sonuçları, dişhekimliği öğrencilerinin yarısının ilaçları “algılama” eğiliminde olduğunu göstermektedir. Bu tür bir öğrencinin gerçekler ve somut örnekler, pratik bir yönelim, detay için sabır ve öğrencilerin fikirleri ve düşünceleri iletmek için resim, grafik, renk ve haritalar kullanmayı tercih ettikleri “görsel” bir LS tercihi vardır. Mevcut sonuçlar, çoğu algısal ve görsel LS özelliklerine sahip olan diş ve tıp öğrencilerinde LS'yi değerlendirmek için ILS kullanan diğer çalışmalarla tutarlıdır [12, 30]. Dalmolin ve arkadaşları, öğrencileri LS hakkında bilgilendirmenin öğrenme potansiyellerine ulaşmalarına izin verdiğini ileri sürmektedir. Araştırmacılar, öğretmenler öğrencilerin eğitim sürecini tam olarak anladıklarında, öğrencilerin performans ve öğrenme deneyimini geliştirecek çeşitli öğretim yöntemleri ve faaliyetleri uygulanabileceğini savunmaktadır [12, 31, 32]. Diğer çalışmalar, öğrencilerin LS'yi ayarlamanın, öğrenme stillerini kendi LS'lerine uyacak şekilde değiştirdikten sonra öğrencilerin öğrenme deneyimi ve performansındaki gelişmeler gösterdiğini göstermiştir [13, 33].
Öğretmenlerin görüşleri, öğrencilerin öğrenme yeteneklerine dayalı öğretim stratejilerinin uygulanması konusunda değişebilir. Bazıları mesleki gelişim fırsatları, mentorluk ve toplum desteği de dahil olmak üzere bu yaklaşımın faydalarını görse de, diğerleri zaman ve kurumsal destek konusunda endişe duyabilir. Denge için çabalamak, öğrenci merkezli bir tutum yaratmanın anahtarıdır. Üniversite yöneticileri gibi yükseköğretim yetkilileri, yenilikçi uygulamalar getirerek ve fakülte gelişimini destekleyerek olumlu değişim sağlamada önemli bir rol oynayabilir [34]. Gerçekten dinamik ve duyarlı bir yüksek öğrenim sistemi oluşturmak için politika yapıcılar, politika değişiklikleri yapmak, kaynakları teknoloji entegrasyonuna ayırmak ve öğrenci merkezli yaklaşımları teşvik eden çerçeveler oluşturmak gibi cesur adımlar atmalıdır. Bu önlemler istenen sonuçlara ulaşmak için kritik öneme sahiptir. Farklılaşmış öğretim üzerine son araştırmalar, farklılaşmış öğretimin başarılı bir şekilde uygulanmasının öğretmenler için sürekli eğitim ve geliştirme fırsatları gerektirdiğini açıkça göstermiştir [35].
Bu araç, öğrenci merkezli öğrenme faaliyetlerini planlamak için öğrenci merkezli bir yaklaşım benimsemek isteyen diş eğitimcilerine değerli destek sağlar. Bununla birlikte, bu çalışma karar ağacı ML modellerinin kullanımı ile sınırlıdır. Gelecekte, öneri araçlarının doğruluğunu, güvenilirliğini ve hassasiyetini karşılaştırmak için farklı makine öğrenme modellerinin performansını karşılaştırmak için daha fazla veri toplanmalıdır. Ek olarak, belirli bir görev için en uygun makine öğrenme yöntemini seçerken, model karmaşıklığı ve yorumlama gibi diğer faktörleri dikkate almak önemlidir.
Bu çalışmanın bir sınırlaması, sadece LS'yi haritalamaya odaklanması ve dişhekimliği öğrencileri arasında olmasıdır. Bu nedenle, geliştirilen öneri sistemi yalnızca dişhekimliği öğrencileri için uygun olanları önerecektir. Genel yükseköğretim öğrenci kullanımı için değişiklikler gereklidir.
Yeni geliştirilen makine öğrenimi tabanlı öneri aracı, öğrencilerin LS'yi karşılık gelen IS ile anında sınıflandırabilir ve eşleştirebilir, bu da diş eğitimcilerinin ilgili öğretim ve öğrenme faaliyetlerini planlamasına yardımcı olan ilk diş eğitim programı haline getirir. Veri odaklı bir triyaj süreci kullanarak, kişiselleştirilmiş öneriler sağlayabilir, zaman kazanabilir, öğretim stratejilerini geliştirebilir, hedefli müdahaleleri destekleyebilir ve sürekli mesleki gelişimi teşvik edebilir. Başvurusu dişhekimliği eğitimine öğrenci merkezli yaklaşımları teşvik edecektir.
Gilak Jani Associated Press. Öğrencinin öğrenme tarzı ile öğretmenin öğretim tarzı arasındaki eşleşme veya uyumsuzluk. Int J Mod Educ Bilgisayar Bilimi. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Gönderme Zamanı: Nisan-29-2024