Diş hekimliği de dahil olmak üzere yüksek öğretim kurumlarında öğrenci merkezli öğrenmeye (SCL) artan bir ihtiyaç vardır.Ancak SCL'nin diş hekimliği eğitiminde kullanımı sınırlıdır.Bu nedenle, bu çalışma, diş hekimliği öğrencilerinin tercih edilen öğrenme stilini (LS) ve karşılık gelen öğrenme stratejilerini (IS) IS kılavuzlarını geliştirmek için yararlı bir araç olarak haritalamak için karar ağacı makine öğrenimi (ML) teknolojisini kullanarak SCL'nin diş hekimliğinde uygulanmasını teşvik etmeyi amaçlamaktadır. .Diş hekimliği öğrencileri için umut verici yöntemler.
Malaya Üniversitesi'nden toplam 255 dişhekimliği öğrencisi, onları kendi LS'lerine göre sınıflandırmak için 44 madde içeren değiştirilmiş Öğrenme Stilleri Endeksi (m-ILS) anketini tamamladı.Toplanan veriler (veri kümesi olarak adlandırılır), öğrencilerin öğrenme stillerini en uygun IS ile otomatik olarak eşleştirmek için denetimli karar ağacı öğreniminde kullanılır.Daha sonra makine öğrenimi tabanlı IS öneri aracının doğruluğu değerlendirilir.
Karar ağacı modellerinin LS (girdi) ve IS (hedef çıktı) arasında otomatikleştirilmiş bir haritalama sürecinde uygulanması, her diş hekimliği öğrencisi için uygun öğrenme stratejilerinin anında listelenmesine olanak tanır.IS öneri aracı, mükemmel doğruluğu ve genel model doğruluğunun hatırlanmasını göstererek LS'yi IS ile eşleştirmenin iyi bir duyarlılığa ve özgüllüğe sahip olduğunu gösterdi.
ML karar ağacını temel alan bir IS öneri aracı, diş hekimliği öğrencilerinin öğrenme stillerini uygun öğrenme stratejileriyle doğru bir şekilde eşleştirme yeteneğini kanıtlamıştır.Bu araç, öğrencilerin öğrenme deneyimini geliştirebilecek öğrenci merkezli kurslar veya modüller 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 ortamları arasındaki etkileşim, LS'leri aracılığıyla belirlenebilir.Araştırma, öğrencilerin LS ve IS'leri arasında öğretmenin amaçladığı uyumsuzlukların, dikkat ve motivasyonun azalması gibi öğrenci öğrenimi üzerinde olumsuz sonuçlara yol açabileceğini göstermektedir.Bu durum dolaylı olarak öğrenci performansını etkileyecektir [1,2].
IS, öğrencilerin öğrenmesine yardımcı olmak da dahil olmak üzere, öğrencilere bilgi ve beceri kazandırmak için öğretmenler tarafından kullanılan bir yöntemdir [3].Genel olarak konuşursak, iyi öğretmenler öğrencilerinin bilgi düzeyine, öğrendikleri kavramlara ve öğrenme aşamalarına en iyi şekilde uyan öğretim stratejilerini veya IS'yi planlarlar.Teorik olarak, LS ve IS eşleştiğinde öğrenciler etkili bir şekilde öğrenmek için belirli bir dizi beceriyi organize edebilecek ve kullanabilecektir.Tipik olarak bir ders planı, öğretimden rehberli uygulamaya veya rehberli uygulamadan bağımsız uygulamaya gibi aşamalar arasında çeşitli geçişler içerir.Bunu akılda tutarak, etkili öğretmenler genellikle öğretimi öğrencilerin bilgi ve becerilerini geliştirme hedefiyle planlarlar [4].
Diş hekimliği de dahil olmak üzere yüksek öğretim kurumlarında SCL'ye olan talep artıyor.SCL stratejileri öğrencilerin öğrenme ihtiyaçlarını karşılamak için tasarlanmıştır.Bu, örneğin öğrencilerin öğrenme faaliyetlerine aktif olarak katılmaları ve öğretmenlerin kolaylaştırıcı olarak hareket etmeleri ve değerli geri bildirim sağlamaktan sorumlu olmaları durumunda başarılabilir.Öğrencilerin eğitim düzeyine veya tercihlerine uygun öğrenme materyalleri ve etkinliklerin sağlanmasının, öğrencilerin öğrenme ortamını iyileştirebileceği ve olumlu öğrenme deneyimlerini teşvik edebileceği söylenmektedir.
Genel olarak konuşursak, diş hekimliği öğrencilerinin öğrenme süreci, gerçekleştirmeleri gereken çeşitli klinik prosedürlerden ve etkili kişilerarası beceriler geliştirdikleri klinik ortamdan etkilenir.Eğitimin amacı öğrencilerin temel diş hekimliği bilgilerini diş hekimliği klinik becerileriyle birleştirmelerini ve edindikleri bilgileri yeni klinik durumlara uygulamalarını sağlamaktır [6, 7].LS ve IS arasındaki ilişkiye ilişkin ilk araştırmalar, tercih edilen LS'ye eşlenen öğrenme stratejilerinin ayarlanmasının eğitim sürecinin iyileştirilmesine yardımcı olacağını buldu [8].Yazarlar ayrıca öğrencilerin öğrenme ve ihtiyaçlarına uyum sağlamak için çeşitli öğretim ve değerlendirme yöntemlerinin kullanılmasını da önermektedir.
Öğretmenler, öğrencilerin konu hakkında daha derin bilgi edinmelerini ve anlamalarını artıracak öğretimi tasarlamalarına, geliştirmelerine ve uygulamalarına yardımcı olmak için LS bilgisini uygulamaktan yararlanır.Araştırmacılar, Kolb Deneyimsel Öğrenme Modeli, Felder-Silverman Öğrenme Tarzı Modeli (FSLSM) ve Fleming VAK/VARK Modeli gibi çeşitli LS değerlendirme araçları geliştirdiler [5, 9, 10].Literatüre göre bu öğrenme modelleri en sık kullanılan ve üzerinde en çok çalışılan öğrenme modelleridir.Mevcut araştırma çalışmasında FSLSM, dişhekimliği öğrencileri arasında LS'yi değerlendirmek için kullanılıyor.
FSLSM, mühendislikte uyarlanabilir öğrenmeyi değerlendirmek için yaygın olarak kullanılan bir modeldir.Sağlık bilimlerinde (tıp, hemşirelik, eczacılık ve diş hekimliği dahil) FSLSM modellerini kullanarak bulunabilecek birçok yayınlanmış çalışma bulunmaktadır [5, 11, 12, 13].FLSM'de LS boyutlarını ölçmek için kullanılan araca, LS'nin dört boyutunu değerlendiren 44 madde içeren Öğrenme Stilleri Dizini (ILS) [8] adı verilir: işleme (aktif/yansıtıcı), algı (algısal/sezgisel), giriş (görsel)./sözlü) ve anlama (sıralı/küresel) [14].
Şekil 1'de gösterildiği gibi her FSLSM boyutunun baskın bir tercihi vardır.Örneğin, işleme boyutunda, “aktif” LS'li öğrenciler, öğrenme materyalleriyle doğrudan etkileşime girerek bilgiyi işlemeyi, yaparak öğrenmeyi ve gruplar halinde öğrenme eğiliminde olmayı tercih ederler.“Yansıtıcı” LS, düşünme yoluyla öğrenmeyi ifade eder ve yalnız çalışmayı tercih eder.LS'nin "algılama" boyutu "hissetme" ve/veya "sezgi" olarak ikiye ayrılabilir."Hissedebilen" öğrenciler daha somut bilgileri ve pratik prosedürleri tercih ederler, soyut materyali tercih eden ve doğası gereği daha yenilikçi ve yaratıcı olan "sezgisel" öğrencilere kıyasla gerçek odaklıdırlar.LS'nin "girdi" boyutu "görsel" ve "sözlü" öğrenenlerden oluşur."Görsel" LS'li kişiler görsel gösteriler (diyagramlar, videolar veya canlı gösteriler gibi) yoluyla öğrenmeyi tercih ederken, "sözlü" LS'li kişiler yazılı veya sözlü açıklamalardaki kelimeler aracılığıyla öğrenmeyi tercih ederler.LS boyutlarını "anlamak" için bu tür öğrenenler "sıralı" ve "küresel" olarak ayrılabilir.“Sıralı öğrenenler doğrusal bir düşünce sürecini tercih edip adım adım öğrenirken, küresel öğrenenler bütünsel bir düşünce sürecine sahip olma eğilimindedir ve ne öğrendiklerini her zaman daha iyi anlarlar.
Son zamanlarda birçok araştırmacı, büyük miktarlarda veriyi yorumlayabilen yeni algoritmalar ve modellerin geliştirilmesi de dahil olmak üzere, otomatik veriye dayalı keşif için yöntemler keşfetmeye başlamıştır [15, 16].Sağlanan verilere dayanarak, denetimli ML (makine öğrenimi), algoritmaların oluşturulmasına dayalı olarak gelecekteki sonuçları tahmin eden modeller ve hipotezler üretebilmektedir [17].Basitçe söylemek gerekirse, denetimli makine öğrenimi teknikleri girdi verilerini yönetir ve algoritmaları eğitir.Daha sonra, sağlanan girdi verileri için benzer durumlara dayalı olarak sonucu sınıflandıran veya tahmin eden bir aralık oluşturur.Denetimli makine öğrenimi algoritmalarının temel avantajı, ideal ve istenen sonuçları oluşturma yeteneğidir [17].
Veriye dayalı yöntemlerin ve karar ağacı kontrol modellerinin kullanılmasıyla LS'nin otomatik tespiti mümkündür.Karar ağaçlarının sağlık bilimleri de dahil olmak üzere çeşitli alanlardaki eğitim programlarında yaygın olarak kullanıldığı bildirilmektedir (18, 19).Bu çalışmada model, sistem geliştiricileri tarafından öğrencilerin LS'sini belirlemek ve onlar için en iyi IS'yi önermek üzere özel olarak eğitildi.
Bu çalışmanın amacı, öğrencilerin LS'sine dayalı IS dağıtım stratejileri geliştirmek ve LS ile eşlenen bir IS öneri aracı geliştirerek SCL yaklaşımını uygulamaktır.SCL yönteminin bir stratejisi olarak IS öneri aracının tasarım akışı Şekil 1'de gösterilmektedir. IS öneri aracı, ILS kullanan LS sınıflandırma mekanizması ve öğrenciler için en uygun IS gösterimi olmak üzere iki bölüme ayrılmıştır.
Özellikle bilgi güvenliği öneri araçlarının özellikleri, web teknolojilerinin kullanımını ve karar ağacı makine öğreniminin kullanımını içerir.Sistem geliştiricileri, kullanıcı deneyimini ve mobilitesini cep telefonu, tablet gibi mobil cihazlara uyarlayarak geliştirir.
Deney iki aşamada gerçekleştirildi ve Malaya Üniversitesi Diş Hekimliği Fakültesi öğrencileri gönüllü olarak katıldı.Katılımcılar bir diş hekimliği öğrencisinin çevrimiçi m-ILS'sine İngilizce yanıt verdi.İlk aşamada, karar ağacı makine öğrenimi algoritmasını eğitmek için 50 öğrenciden oluşan bir veri seti kullanıldı.Geliştirme sürecinin ikinci aşamasında geliştirilen aracın doğruluğunu artırmak için 255 öğrenciden oluşan bir veri seti kullanıldı.
Tüm katılımcılara, akademik yıla bağlı olarak her aşamanın başında Microsoft Teams aracılığıyla çevrimiçi bir brifing verilir.Araştırmanın amacı açıklanarak bilgilendirilmiş onam alındı.Tüm katılımcılara m-ILS'ye erişmeleri için bir bağlantı sağlandı.Her öğrenciye anketteki 44 maddenin tamamını yanıtlaması talimatı verildi.Değiştirilen ILS'yi yarıyıl başlangıcından önceki yarıyıl tatilinde kendilerine uygun bir yer ve zamanda tamamlamaları için kendilerine bir hafta süre verildi.m-ILS, orijinal ILS cihazını temel alır ve diş hekimliği öğrencileri için değiştirilmiştir.Orijinal ILS'ye benzer şekilde, her bir FSLSM boyutunun yönlerini değerlendirmek için kullanılan, her biri 11 maddeden oluşan, eşit olarak dağıtılmış 44 madde (a, b) içerir.
Araç geliştirmenin ilk aşamalarında araştırmacılar, 50 dişhekimliği öğrencisinden oluşan bir veri kümesini kullanarak haritalara manuel olarak açıklamalar eklediler.FSLM'ye göre sistem “a” ve “b” cevaplarının toplamını sağlıyor.Her boyut için eğer öğrenci cevap olarak “a”yı seçerse LS Aktif/Algısal/Görsel/Sıralı olarak sınıflandırılır, eğer öğrenci cevap olarak “b”yi seçerse Yansıtıcı/Sezgisel/Dilsel olarak sınıflandırılır. ./ küresel öğrenci.
Diş hekimliği eğitimi araştırmacıları ve sistem geliştiricileri arasındaki iş akışını kalibre ettikten sonra, FLSSM alanına göre sorular seçildi ve her öğrencinin LS'sini tahmin etmek için ML modeline beslendi."Çöp içeri, çöp dışarı", makine öğrenimi alanında veri kalitesine vurgu yapan popüler bir deyiştir.Giriş verilerinin kalitesi, makine öğrenimi modelinin hassasiyetini ve doğruluğunu belirler.Özellik mühendisliği aşamasında FLSSM'ye dayalı olarak "a" ve "b" yanıtlarının toplamından oluşan yeni bir özellik seti oluşturulur.İlaç pozisyonlarının kimlik numaraları Tablo 1'de verilmiştir.
Cevaplara göre puanı hesaplayın ve öğrencinin LS'sini belirleyin.Her öğrenci için puan aralığı 1'den 11'e kadardır. 1'den 3'e kadar olan puanlar aynı boyut içindeki öğrenme tercihleri arasındaki dengeyi gösterirken, 5'ten 7'ye kadar olan puanlar orta düzeyde bir tercihe işaret ederek öğrencilerin bir ortamı başkalarına öğretmeyi tercih etme eğiliminde olduklarını gösterir. .Aynı boyutun bir başka varyasyonu da 9'dan 11'e kadar olan puanların bir uç veya diğer uç için güçlü bir tercihi yansıtmasıdır [8].
Her boyut için ilaçlar “aktif”, “yansıtıcı” ve “dengeli” olarak gruplandırıldı.Örneğin, bir öğrenci belirlenen bir maddede "a"ya "b"den daha sık yanıt veriyorsa ve puanı İşleme LS boyutunu temsil eden belirli bir madde için 5 eşiğini aşıyorsa, o öğrenci "aktif" LS'ye aittir. ihtisas..Ancak öğrenciler belirli 11 soruda (Tablo 1) “a” yerine “b”yi seçip 5'ten fazla puan aldıklarında “yansıtıcı” LS olarak sınıflandırılmışlardır.Sonunda öğrenci bir “denge” durumuna ulaşır.Puan 5 puanı geçmezse, bu bir “süreç” LS'dir.Sınıflandırma işlemi algı (aktif/yansıtıcı), girdi (görsel/sözlü) ve anlama (sıralı/genel) olmak üzere diğer LS boyutları için de tekrarlanmıştır.
Karar ağacı modelleri, sınıflandırma sürecinin farklı aşamalarında farklı özellik alt kümelerini ve karar kurallarını kullanabilir.Popüler bir sınıflandırma ve tahmin aracı olarak kabul edilir.Niteliklere göre testleri temsil eden dahili düğümlerin bulunduğu, her dalın test sonuçlarını temsil ettiği ve her bir yaprak düğümün (yaprak düğüm) bir sınıf etiketi içerdiği bir akış şeması [20] gibi bir ağaç yapısı kullanılarak temsil edilebilir.
Her öğrencinin LS'sini yanıtlarına göre otomatik olarak puanlamak ve açıklama eklemek için basit, kural tabanlı bir program oluşturuldu.Kural tabanlı, "IF" ifadesinin tetikleyiciyi tanımladığı ve "THEN" ifadesinin gerçekleştirilecek eylemi belirttiği bir IF ifadesi biçimini alır; örneğin: "Eğer X olursa, o zaman Y yapın" (Liu ve diğerleri, 2014).Veri seti korelasyon gösteriyorsa ve karar ağacı modeli uygun şekilde eğitilip değerlendiriliyorsa bu yaklaşım, LS ve IS'yi eşleştirme sürecini otomatikleştirmenin etkili bir yolu olabilir.
Geliştirmenin ikinci aşamasında öneri aracının doğruluğunu artırmak için veri seti 255'e çıkarıldı.Veri seti 1:4 oranında bölünmüştür.Veri setinin %25'i (64) test seti için, geri kalan %75'i (191) ise eğitim seti olarak kullanılmıştır (Şekil 2).Modelin aynı veri kümesi üzerinde eğitilmesini ve test edilmesini önlemek için veri kümesinin bölünmesi gerekir; bu durum, modelin öğrenmek yerine hatırlamasına neden olabilir.Model, eğitim seti üzerinde eğitilir ve modelin daha önce hiç görmediği veriler olan test seti üzerindeki performansını değerlendirir.
IS aracı geliştirildiğinde uygulama, bir web arayüzü aracılığıyla diş hekimliği öğrencilerinin yanıtlarına göre LS'yi sınıflandırabilecektir.Web tabanlı bilgi güvenliği öneri aracı sistemi, arka uç olarak Django çerçevesini kullanan Python programlama dili kullanılarak oluşturulmuştur.Tablo 2 bu sistemin geliştirilmesinde kullanılan kütüphaneleri listelemektedir.
Veri seti, öğrenci LS ölçümlerini otomatik olarak sınıflandırmak amacıyla öğrenci yanıtlarını hesaplamak ve çıkarmak için bir karar ağacı modeline beslenir.
Karışıklık matrisi, belirli bir veri seti üzerindeki karar ağacı makine öğrenimi algoritmasının doğruluğunu değerlendirmek için kullanılır.Aynı zamanda sınıflandırma modelinin performansını da değerlendirir.Modelin tahminlerini özetler ve bunları gerçek veri etiketleriyle karşılaştırır.Değerlendirme sonuçları dört farklı değere dayanmaktadır: Gerçek Pozitif (TP) – model pozitif kategoriyi doğru şekilde tahmin etmiştir, Yanlış Pozitif (FP) – model pozitif kategoriyi tahmin etmiştir ancak gerçek etiket negatiftir, Gerçek Negatif (TN) – model, negatif sınıfı doğru bir şekilde tahmin etti ve yanlış negatif (FN) – Model, negatif bir sınıfı tahmin ediyor ancak gerçek etiket pozitiftir.
Bu değerler daha sonra Python'daki scikit-learn sınıflandırma modelinin hassasiyet, kesinlik, hatırlama ve F1 puanı gibi çeşitli performans ölçümlerini hesaplamak için kullanılır.İşte örnekler:
Geri çağırma (veya hassasiyet), m-ILS anketini yanıtladıktan sonra modelin bir öğrencinin LS'sini doğru şekilde sınıflandırma yeteneğini ölçer.
Spesifikliğe gerçek negatif oran denir.Yukarıdaki formülden 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 öğrenciden oluşan orijinal veri seti, açıklamalardaki insan hatası nedeniyle nispeten düşük doğruluk gösterdi (Tablo 3).LS puanlarını ve öğrenci ek açıklamalarını otomatik olarak hesaplamak için basit, kural tabanlı bir program oluşturduktan sonra, öneri sistemini eğitmek ve test etmek için artan sayıda veri kümesi (255) kullanıldı.
Çok sınıflı karışıklık matrisinde çapraz elemanlar, her LS tipi için doğru tahminlerin sayısını temsil eder (Şekil 4).Karar ağacı modeli kullanılarak toplam 64 örnek doğru tahmin edildi.Dolayısıyla, bu çalışmada çapraz elemanlar beklenen sonuçları göstererek modelin iyi performans gösterdiğini ve her LS sınıflandırması için sınıf etiketini doğru bir şekilde tahmin ettiğini göstermektedir.Dolayısıyla öneri aracının genel doğruluğu %100'dür.
Doğruluk, kesinlik, geri çağırma ve F1 puanı değerleri Şekil 5'te gösterilmektedir. Karar ağacı modelini kullanan öneri sisteminin F1 puanı 1,0 "mükemmel" olup, mükemmel hassasiyet ve geri çağırmayı gösterir ve önemli hassasiyet ve özgüllüğü yansıtır. değerler.
Şekil 6, eğitim ve test tamamlandıktan sonra karar ağacı modelinin görselleştirmesini göstermektedir.Yan yana bir karşılaştırmada, daha az özellikle eğitilen karar ağacı modeli, daha yüksek doğruluk ve daha kolay model görselleştirmesi gösterdi.Bu, özellik azaltımına yol açan özellik mühendisliğinin, model performansını iyileştirmede önemli bir adım olduğunu göstermektedir.
Karar ağacı denetimli öğrenme uygulanarak, LS (giriş) ve IS (hedef çıktı) arasındaki eşleme otomatik olarak oluşturulur ve her LS için ayrıntılı bilgiler 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 sınıflandırması kombinasyonu bulunmaktadır.Bunlar arasında algı, görme ve algı ile görmenin birleşimi, öğrenciler tarafından bildirilen temel LS'lerdir (Şekil 7).
Tablo 4'ten görülebileceği gibi, öğrencilerin çoğunluğunun duyusal (%13,7) veya görsel (%8,6) LS'si baskındı.Öğrencilerin %12,2'sinin algıyı görme ile birleştirdiği (algısal-görsel LS) rapor edilmiştir.Bu bulgular, öğrencilerin yerleşik yöntemlerle öğrenmeyi ve hatırlamayı tercih ettiklerini, belirli ve ayrıntılı prosedürleri takip ettiklerini ve doğası gereği dikkatli olduklarını göstermektedir.Aynı zamanda bakarak (diyagramlar vb. kullanarak) öğrenmekten hoşlanırlar ve bilgileri gruplar halinde veya kendi başlarına tartışma ve uygulama eğilimindedirler.
Bu çalışma, öğrencilerin LS'sinin anında ve doğru bir şekilde tahmin edilmesine ve uygun IS'nin önerilmesine odaklanarak, veri madenciliğinde kullanılan makine öğrenimi tekniklerine genel bir bakış sunmaktadır.Karar ağacı modelinin uygulanması, yaşamları ve eğitim deneyimleriyle en yakından ilgili faktörleri belirledi.Bir veri kümesini belirli kriterlere göre alt kategorilere bölerek verileri sınıflandırmak için ağaç yapısını kullanan, denetimli bir makine öğrenme algoritmasıdır.Yaprak düğümde bir karar alınana kadar, her bir dahili düğümün giriş özelliklerinden birinin değerine dayalı olarak giriş verilerini yinelemeli olarak alt kümelere bölerek çalışır.
Karar ağacının iç düğümleri, m-ILS probleminin girdi özelliklerine dayalı çözümü temsil eder ve yaprak düğümleri, nihai LS sınıflandırma tahminini temsil eder.Çalışma boyunca girdi özellikleri ile 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 bilgilere ve öğrenme davranışına [22] dayalı olarak öğrenci performansını tahmin etmek için yaygın olarak kullanılmaktadır.Araştırma, algoritmanın öğrenci performansını doğru bir şekilde tahmin ettiğini ve akademik zorluklarla karşılaşma riski taşıyan öğrencileri tespit etmelerine yardımcı olduğunu gösterdi.
Diş hekimliği eğitimi için sanal hasta simülatörlerinin geliştirilmesinde ML algoritmalarının uygulanması rapor edilmektedir.Simülatör, gerçek hastaların fizyolojik tepkilerini doğru bir şekilde yeniden üretebilme kapasitesine sahiptir ve diş hekimliği öğrencilerini güvenli ve kontrollü bir ortamda eğitmek için kullanılabilir [23].Diğer bazı çalışmalar, makine öğrenimi algoritmalarının diş hekimliği ve tıp eğitimi ile hasta bakımının kalitesini ve verimliliğini potansiyel olarak artırabileceğini göstermektedir.Semptomlar ve hasta özellikleri gibi veri setlerine dayanarak diş hastalıklarının teşhisine yardımcı olmak için makine öğrenme algoritmaları kullanılmıştır [24, 25].Diğer çalışmalar hasta sonuçlarını tahmin etmek, yüksek riskli hastaları belirlemek, kişiselleştirilmiş tedavi planları geliştirmek [26], periodontal tedavi [27] ve çürük tedavisi [25] gibi görevleri gerçekleştirmek için makine öğrenme algoritmalarının kullanımını araştırmıştır.
Makine öğreniminin diş hekimliğinde uygulanmasına ilişkin raporlar yayınlanmış olmasına rağmen diş hekimliği eğitimindeki uygulaması sınırlı kalmaktadır.Bu nedenle, bu çalışma diş hekimliği öğrencileri arasında LS ve IS ile en yakından ilişkili faktörleri belirlemek için bir karar ağacı modeli kullanmayı amaçladı.
Bu çalışmanın sonuçları, geliştirilen öneri aracının yüksek doğruluk ve mükemmel doğruluk oranına sahip olduğunu, öğretmenlerin bu araçtan yararlanabileceğini göstermektedir.Veriye dayalı bir sınıflandırma süreci kullanarak kişiselleştirilmiş öneriler sunabilir ve eğitimciler ve öğrenciler için eğitim deneyimlerini ve sonuçlarını iyileştirebilir.Bunlardan öneri araçlarıyla elde edilen bilgiler, öğretmenlerin tercih ettiği öğretim yöntemleri ile öğrencilerin öğrenme ihtiyaçları arasındaki çatışmaları çözebilir.Örneğin, öneri araçlarının otomatik çıktısı nedeniyle, bir öğrencinin IP'sini tanımlamak ve onu karşılık gelen IP ile eşleştirmek için gereken süre önemli ölçüde azalacaktır.Bu şekilde uygun eğitim faaliyetleri ve eğitim materyalleri organize edilebilir.Bu, öğrencilerin olumlu öğrenme davranışlarını ve konsantre olma yeteneklerini geliştirmeye yardımcı olur.Bir çalışma, öğrencilere tercih ettikleri LS'ye uygun öğrenme materyalleri ve öğrenme etkinlikleri sağlamanın, öğrencilerin daha büyük bir potansiyele ulaşmak için öğrenmeyi çeşitli şekillerde bütünleştirmesine, işlemesine ve bundan keyif almasına yardımcı olabileceğini bildirdi [12].Araştırma ayrıca, öğrencilerin sınıfa katılımını artırmanın yanı sıra, öğrencilerin öğrenme sürecini anlamanın, öğretim uygulamalarının ve öğrencilerle iletişimin iyileştirilmesinde de kritik bir rol oynadığını göstermektedir [28, 29].
Ancak her modern teknolojide olduğu gibi sorunlar ve sınırlamalar vardır.Bunlar arasında veri gizliliği, önyargı ve adalet ile dişhekimliği eğitiminde makine öğrenimi algoritmalarını geliştirmek ve uygulamak için gereken mesleki beceriler ve kaynaklar;Ancak bu alanda artan ilgi ve araştırmalar, makine öğrenimi teknolojilerinin diş hekimliği eğitimi ve diş hekimliği hizmetleri üzerinde olumlu bir etkisi olabileceğini düşündürmektedir.
Bu çalışmanın sonuçları diş hekimliği öğrencilerinin yarısının ilaçları “algılama” eğiliminde olduğunu göstermektedir.Bu tür öğrenen, gerçekleri ve somut örnekleri tercih eder, pratik yönelime sahiptir, ayrıntılara sabır gösterir ve öğrencilerin fikir ve düşünceleri iletmek için resimleri, grafikleri, renkleri ve haritaları kullanmayı tercih ettiği "görsel" LS tercihine sahiptir.Mevcut sonuçlar, çoğu algısal ve görsel LS özelliklerine sahip olan diş hekimliği ve tıp öğrencilerinde LS'yi değerlendirmek için ILS'yi kullanan diğer çalışmalarla tutarlıdır [12, 30].Dalmolin ve diğerleri, öğrencileri LS'leri hakkında bilgilendirmenin onların öğrenme potansiyellerine ulaşmalarına olanak sağladığını öne sürüyor.Araştırmacılar, öğretmenlerin öğrencilerin eğitim sürecini tam olarak anladığında, öğrencilerin performansını ve öğrenme deneyimini geliştirecek çeşitli öğretim yöntem ve etkinliklerinin uygulanabileceğini ileri sürmektedir (12, 31, 32).Diğer çalışmalar, öğrencilerin LS'sini ayarlamanın, öğrenme stillerini kendi LS'lerine uyacak şekilde değiştirdikten sonra öğrencilerin öğrenme deneyiminde ve performansında da iyileşmeler gösterdiğini göstermiştir [13, 33].
Öğretmenlerin, öğrencilerin öğrenme yeteneklerine göre öğretim stratejilerinin uygulanmasına ilişkin görüşleri farklılık gösterebilmektedir.Bazıları bu yaklaşımın mesleki gelişim fırsatları, mentorluk ve topluluk desteği dahil olmak üzere faydalarını görürken, diğerleri zaman ve kurumsal destek konusunda endişe duyabilir.Denge için çabalamak öğrenci merkezli bir tutum oluşturmanın anahtarıdır.Üniversite yöneticileri gibi yüksek öğretim yetkilileri, yenilikçi uygulamaları tanıtarak ve fakülte gelişimini destekleyerek olumlu değişimin yönlendirilmesinde önemli bir rol oynayabilir [34].Gerçekten dinamik ve duyarlı bir yüksek öğretim sistemi oluşturmak için politika yapıcıların politika değişiklikleri yapmak, kaynakları teknoloji entegrasyonuna ayırmak ve öğrenci merkezli yaklaşımları teşvik eden çerçeveler oluşturmak gibi cesur adımlar atması gerekir.Bu önlemler istenen sonuçlara ulaşmak için kritik öneme sahiptir.Farklılaştırılmış öğretime ilişkin son araştırmalar, farklılaştırılmış öğretimin başarılı bir şekilde uygulanmasının öğretmenler için sürekli eğitim ve gelişim fırsatları gerektirdiğini açıkça göstermiştir [35].
Bu araç, öğrenci dostu öğrenme etkinliklerinin planlanmasında öğrenci merkezli bir yaklaşım benimsemek isteyen diş hekimliği eğitimcilerine değerli destek sağlar.Ancak bu çalışma karar ağacı ML modellerinin kullanımıyla sınırlıdır.Gelecekte, öneri araçlarının doğruluğunu, güvenilirliğini ve kesinliğini karşılaştırmak amacıyla farklı makine öğrenimi modellerinin performansını karşılaştırmak için daha fazla veri toplanmalıdır.Ayrıca belirli bir görev için en uygun makine öğrenimi yöntemini seçerken modelin karmaşıklığı ve yorumlanması gibi diğer faktörlerin de dikkate alınması önemlidir.
Bu çalışmanın bir sınırlaması, yalnızca diş hekimliği öğrencileri arasında LS ve IS'nin haritalanmasına odaklanmış olmasıdır.Bu nedenle geliştirilen öneri sistemi yalnızca diş hekimliği öğrencilerine uygun olanları önerecektir.Genel yükseköğretim öğrencilerinin kullanımı için değişiklikler gereklidir.
Yeni geliştirilen makine öğrenimi tabanlı öneri aracı, öğrencilerin LS'sini anında sınıflandırıp karşılık gelen IS ile eşleştirebiliyor; bu da onu, diş hekimliği eğitimcilerinin ilgili öğretme ve öğrenme etkinliklerini planlamasına yardımcı olan ilk dişhekimliği eğitim programı haline getiriyor.Veriye dayalı bir önceliklendirme süreci kullanarak kişiselleştirilmiş öneriler sağlayabilir, zamandan tasarruf edebilir, öğretim stratejilerini iyileştirebilir, hedefe yönelik müdahaleleri destekleyebilir ve sürekli mesleki gelişimi destekleyebilir.Uygulaması diş hekimliği eğitiminde öğrenci merkezli yaklaşımları teşvik edecektir.
Gilak Jani Associated Press.Öğrencinin öğrenme stili ile öğretmenin öğretme stili arasındaki eşleşme veya uyumsuzluk.Int J Mod Educ Bilgisayar Bilimi.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Gönderim zamanı: Nis-29-2024