Diş hekimliği de dahil olmak üzere yükseköğretim kurumlarında öğrenci merkezli öğrenmeye (ÖÖÖ) olan ihtiyaç giderek artmaktadır. Bununla birlikte, ÖÖÖÖ'nün diş hekimliği eğitimindeki uygulaması sınırlıdır. Bu nedenle, bu çalışma, diş hekimliği öğrencilerinin tercih ettikleri öğrenme stillerini (ÖS) ve bunlara karşılık gelen öğrenme stratejilerini (ÖS) haritalamak için karar ağacı makine öğrenimi (ML) teknolojisini kullanarak ÖÖÖÖ'nün diş hekimliğindeki uygulamasını teşvik etmeyi amaçlamaktadır. Bu, ÖS kılavuzlarının geliştirilmesi için faydalı bir araçtır. Diş hekimliği öğrencileri için umut vadeden yöntemler.
Malaya Üniversitesi'nden toplam 255 diş hekimliği öğrencisi, onları ilgili öğrenme stillerine (LS) göre sınıflandırmak için 44 maddeden oluşan değiştirilmiş Öğrenme Stilleri Endeksi (m-ILS) anketini tamamladı. Toplanan veriler (veri seti olarak adlandırılır), öğrencilerin öğrenme stillerini en uygun öğrenme sistemleriyle (IS) otomatik olarak eşleştirmek için denetimli karar ağacı öğreniminde kullanılır. Daha sonra, makine öğrenimine dayalı öğrenme sistemi öneri aracının doğruluğu değerlendirilir.
LS (girdi) ve IS (hedef çıktı) arasında otomatik bir eşleme sürecinde karar ağacı modellerinin uygulanması, her diş hekimliği öğrencisi için uygun öğrenme stratejilerinin anında bir listesini oluşturmaya olanak tanır. IS öneri aracı, genel model doğruluğunun mükemmel doğruluğunu ve geri çağırma oranını göstererek, LS'nin IS ile eşleştirilmesinin iyi bir duyarlılık ve özgüllüğe sahip olduğunu ortaya koymuştur.
Makine öğrenimi karar ağacına dayalı bir bilgi sistemi öneri aracı, diş hekimliği öğrencilerinin öğrenme stillerini uygun öğrenme stratejileriyle doğru bir şekilde eşleştirme yeteneğini kanıtlamıştır. Bu araç, öğrencilerin öğrenme deneyimini geliştirebilecek öğrenci merkezli dersler veya modüller planlamak için güçlü seçenekler sunmaktadır.
Öğretme ve öğrenme, eğitim kurumlarındaki temel faaliyetlerdir. Yüksek kaliteli bir mesleki eğitim sistemi geliştirilirken, öğrencilerin öğrenme ihtiyaçlarına odaklanmak önemlidir. Öğrenciler ve öğrenme ortamları arasındaki etkileşim, onların Öğrenme İhtiyaçları (LS) aracılığıyla belirlenebilir. Araştırmalar, öğrencilerin Öğrenme İhtiyaçları (LS) ve Öğrenme Ortamları (IS) arasındaki öğretmen tarafından amaçlanan uyumsuzlukların, dikkat ve motivasyon azalması gibi öğrenci öğrenimi üzerinde olumsuz sonuçlar doğurabileceğini göstermektedir. Bu durum dolaylı olarak öğrenci performansını etkileyecektir [1,2].
IS, öğrencilerin öğrenmesine yardımcı olmak da dahil olmak üzere, öğretmenlerin öğrencilere bilgi ve beceri aktarmak için kullandığı bir yöntemdir [3]. Genel olarak, iyi öğretmenler, öğrencilerinin bilgi düzeyine, öğrendikleri kavramlara ve öğrenme aşamalarına en uygun öğretim stratejilerini veya IS'yi planlarlar. Teorik olarak, LS ve IS eşleştiğinde, öğrenciler etkili bir şekilde öğrenmek için belirli bir beceri setini organize edip kullanabileceklerdir. Tipik olarak, bir ders planı, öğretimden rehberli uygulamaya veya rehberli uygulamadan bağımsız uygulamaya gibi aşamalar arasında çeşitli geçişler içerir. Bunu göz önünde bulundurarak, etkili öğretmenler genellikle öğrencilerin bilgi ve becerilerini geliştirmeyi hedefleyerek öğretimi planlarlar [4].
Diş hekimliği de dahil olmak üzere yükseköğretim kurumlarında SCL'ye olan talep artmaktadır. SCL stratejileri, öğrencilerin öğrenme ihtiyaçlarını karşılamak üzere tasarlanmıştır. Bu, örneğin, öğrencilerin öğrenme etkinliklerine aktif olarak katılması ve öğretmenlerin kolaylaştırıcı olarak hareket etmesi ve değerli geri bildirim sağlamaktan sorumlu olması durumunda başarılabilir. Öğrencilerin eğitim düzeyine veya tercihlerine uygun öğrenme materyalleri ve etkinlikleri sağlamanın, öğrencilerin öğrenme ortamını iyileştirebileceği ve olumlu öğrenme deneyimlerini teşvik edebileceği söylenmektedir [5].
Genel olarak, diş hekimliği öğrencilerinin öğrenme süreci, gerçekleştirmeleri gereken çeşitli klinik prosedürlerden ve etkili kişilerarası beceriler geliştirdikleri klinik ortamdan etkilenir. Eğitimin amacı, öğrencilerin diş hekimliğinin temel bilgilerini diş klinik becerileriyle birleştirmelerini ve edinilen bilgileri yeni klinik durumlara uygulamalarını sağlamaktır [6, 7]. Öğrenme ve öğrenme stratejileri arasındaki ilişkiye dair erken araştırmalar, tercih edilen öğrenme ve öğrenme stratejilerine göre ayarlamanın eğitim sürecini iyileştirmeye yardımcı olacağını bulmuştur [8]. Yazarlar ayrıca, öğrencilerin öğrenme ve ihtiyaçlarına uyum sağlamak için çeşitli öğretim ve değerlendirme yöntemlerinin kullanılmasını önermektedir.
Öğretmenler, öğrencilerin konu hakkında daha derin bilgi ve anlayış edinmelerini geliştirecek öğretimi tasarlamalarına, geliştirmelerine ve uygulamalarına yardımcı olmak için LS bilgisini uygulamaktan fayda görürler. Araştırmacılar, Kolb Deneyimsel Öğrenme Modeli, Felder-Silverman Öğrenme Stili Modeli (FSLSM) ve Fleming VAK/VARK Modeli gibi çeşitli LS değerlendirme araçları geliştirmişlerdir [5, 9, 10]. Literatüre göre, bu öğrenme modelleri en yaygın kullanılan ve en çok incelenen öğrenme modelleridir. Mevcut araştırma çalışmasında, diş hekimliği öğrencilerinde LS'yi değerlendirmek için FSLSM kullanılmıştır.
FSLSM, mühendislikte uyarlanabilir öğrenmeyi değerlendirmek için yaygın olarak kullanılan bir modeldir. Sağlık bilimlerinde (tıp, hemşirelik, eczacılık ve diş hekimliği dahil) FSLSM modellerini kullanan birçok yayınlanmış çalışma bulunmaktadır [5, 11, 12, 13]. FLSM'de LS boyutlarını ölçmek için kullanılan araç, Öğrenme Stilleri Endeksi (ILS) [8] olarak adlandırılır ve LS'nin dört boyutunu değerlendiren 44 madde içerir: işleme (aktif/yansıtıcı), algılama (algısal/sezgisel), girdi (görsel/sözel) ve anlama (sıralı/küresel) [14].
Şekil 1'de gösterildiği gibi, her FSLSM boyutunun baskın bir tercihi vardır. Örneğin, işlemleme boyutunda, "aktif" LS'ye sahip öğrenciler, öğrenme materyalleriyle doğrudan etkileşim kurarak bilgiyi işlemeyi, yaparak öğrenmeyi ve gruplar halinde öğrenmeyi tercih ederler. "Yansıtıcı" LS ise düşünerek öğrenmeyi ifade eder ve yalnız çalışmayı tercih eder. LS'nin "algılama" boyutu "duygusal" ve/veya "sezgisel" olarak ikiye ayrılabilir. "Duygusal" öğrenciler daha somut bilgilere ve pratik prosedürlere yönelirler, "sezgisel" öğrencilere kıyasla daha olgusal odaklıdırlar; "sezgisel" öğrenciler ise soyut materyallere daha çok önem verir ve doğaları gereği daha yenilikçi ve yaratıcıdırlar. LS'nin "girdi" boyutu "görsel" ve "sözel" öğrenenlerden oluşur. "Görsel" LS'ye sahip kişiler görsel gösterimler (diyagramlar, videolar veya canlı gösteriler gibi) yoluyla öğrenmeyi tercih ederken, "sözel" LS'ye sahip kişiler yazılı veya sözlü açıklamalar yoluyla öğrenmeyi tercih ederler. LS boyutlarını "anlamak" için, bu tür öğrenenler "sıralı" ve "küresel" olarak ikiye ayrılabilir. "Sıralı öğrenenler doğrusal bir düşünme sürecini tercih eder ve adım adım öğrenirken, küresel öğrenenler bütünsel bir düşünme sürecine sahip olma eğilimindedir ve öğrendikleri şeyleri her zaman daha iyi anlarlar."
Son zamanlarda birçok araştırmacı, büyük miktarda veriyi yorumlayabilen yeni algoritmalar ve modeller geliştirme de dahil olmak üzere, otomatik veri odaklı keşif yöntemlerini araştırmaya başlamıştır [15, 16]. Sağlanan verilere dayanarak, denetimli makine öğrenimi (ML), algoritmaların oluşturulmasına dayalı olarak gelecekteki sonuçları tahmin eden kalıplar ve hipotezler üretebilir [17]. Basitçe söylemek gerekirse, denetimli makine öğrenimi teknikleri girdi verilerini işler ve algoritmaları eğitir. Daha sonra, sağlanan girdi verileri için benzer durumlara dayanarak sonucu sınıflandıran veya tahmin eden bir aralık oluşturur. Denetimli makine öğrenimi algoritmalarının temel avantajı, ideal ve istenen sonuçları oluşturma yeteneğidir [17].
Veri odaklı yöntemler ve karar ağacı kontrol modellerinin kullanımıyla, LS'nin otomatik olarak tespiti mümkün olmaktadır. 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'sini belirlemek ve onlar için en iyi IS'yi önermek üzere özel olarak eğitilmiştir.
Bu çalışmanın amacı, öğrencilerin öğrenme ihtiyaçlarına (LS) dayalı bilgi sistemleri (IS) sunum stratejileri geliştirmek ve öğrenme ihtiyaçlarına göre haritalandırılmış bir IS öneri aracı geliştirerek SCL yaklaşımını uygulamaktır. SCL yönteminin bir stratejisi olarak IS öneri aracının tasarım akışı Şekil 1'de gösterilmiştir. IS öneri aracı, ILS kullanılarak öğrenme ihtiyaçları sınıflandırma mekanizması ve öğrenciler için en uygun IS gösterimi olmak üzere iki bölümden oluşmaktadır.
Özellikle, bilgi güvenliği öneri araçlarının özellikleri arasında web teknolojilerinin ve karar ağacı makine öğrenmesinin kullanımı yer almaktadır. Sistem geliştiricileri, bu araçları cep telefonları ve tabletler gibi mobil cihazlara uyarlayarak kullanıcı deneyimini ve mobiliteyi iyileştirirler.
Deney iki aşamada gerçekleştirildi ve Malaya Üniversitesi Diş Hekimliği Fakültesi öğrencileri gönüllü olarak katıldı. Katılımcılar, İngilizce olarak hazırlanmış bir diş hekimliği öğrencisinin çevrimiçi mobil öğrenme sistemine (m-ILS) yanıt verdi. İlk aşamada, karar ağacı makine öğrenme algoritmasını eğitmek için 50 öğrenciden oluşan bir veri seti kullanıldı. Geliştirme sürecinin ikinci aşamasında ise, geliştirilen aracın doğruluğunu artırmak için 255 öğrenciden oluşan bir veri seti kullanıldı.
Tüm katılımcılar, akademik yıla bağlı olarak her aşamanın başında Microsoft Teams üzerinden çevrimiçi bir bilgilendirme alırlar. Çalışmanın amacı açıklanır ve bilgilendirilmiş onam alınır. Tüm katılımcılara m-ILS'ye erişim bağlantısı verilir. Her öğrenciye anketin 44 maddesinin tamamını yanıtlaması talimatı verilir. Dönem başlamadan önceki yarıyıl tatilinde, kendileri için uygun bir zaman ve yerde, değiştirilmiş ILS'yi tamamlamaları için bir hafta süre verilir. m-ILS, orijinal ILS aracına dayanmaktadır ve diş hekimliği öğrencileri için değiştirilmiştir. Orijinal ILS'ye benzer şekilde, her biri 11 maddeden oluşan ve her FSLSM boyutunun yönlerini değerlendirmek için kullanılan 44 eşit olarak dağıtılmış madde (a, b) içerir.
Araç geliştirmenin ilk aşamalarında, araştırmacılar 50 diş hekimliği öğrencisinden oluşan bir veri kümesi kullanarak haritaları manuel olarak etiketlediler. FSLM'ye göre, sistem "a" ve "b" cevaplarının toplamını sağlar. Her boyut için, öğrenci "a"yı cevap olarak seçerse, LS Aktif/Algısal/Görsel/Sıralı olarak sınıflandırılır ve öğrenci "b"yi cevap olarak seçerse, öğrenci Yansıtıcı/Sezgisel/Dilsel/küresel öğrenen olarak sınıflandırılır.
Diş hekimliği eğitimi araştırmacıları ve sistem geliştiricileri arasındaki iş akışı kalibre edildikten sonra, sorular FLSSM alanına göre seçildi ve her öğrencinin LS'sini tahmin etmek için makine öğrenimi modeline beslendi. "Çöp girerse, çöp çıkar" makine öğrenimi alanında yaygın bir sözdür ve veri kalitesine vurgu yapar. Giriş verilerinin kalitesi, makine öğrenimi modelinin hassasiyetini ve doğruluğunu belirler. Özellik mühendisliği aşamasında, FLSSM'ye dayalı olarak "a" ve "b" cevaplarının toplamı olan yeni bir özellik kümesi oluşturulur. İlaç pozisyonlarının tanımlama numaraları Tablo 1'de verilmiştir.
Yanıtlar esas alınarak puan hesaplanır ve öğrencinin LS'si belirlenir. Her öğrenci için puan aralığı 1 ile 11 arasındadır. 1 ile 3 arasındaki puanlar aynı boyutta öğrenme tercihlerinin dengesini gösterirken, 5 ile 7 arasındaki puanlar orta düzeyde bir tercihi gösterir ve öğrencilerin bir ortamda diğerlerine öğretmeyi tercih etme eğiliminde olduklarını belirtir. Aynı boyutta başka bir varyasyon ise 9 ile 11 arasındaki puanların bir uca veya diğerine yönelik güçlü bir tercihi yansıtmasıdır [8].
Her boyut için, ilaçlar “aktif”, “yansıtıcı” ve “dengeli” olarak gruplandırıldı. Örneğin, bir öğrenci belirlenmiş bir maddede “a”yı “b”den daha sık yanıtladığında ve puanı, İşleme LS boyutunu temsil eden belirli bir madde için 5 eşiğini aştığında, “aktif” LS alanına aittir. Bununla birlikte, öğrenciler belirli 11 soruda (Tablo 1) “a”dan daha çok “b” seçtiklerinde ve 5 puandan fazla puan aldıklarında “yansıtıcı” LS olarak sınıflandırıldı. Son olarak, öğrenci “denge” durumundadır. Puan 5 puanı aşmazsa, bu bir “işlem” LS'dir. Sınıflandırma süreci, diğer LS boyutları, yani algı (aktif/yansıtıcı), girdi (görsel/sözel) ve kavrama (sıralı/küresel) için de tekrarlandı.
Karar ağacı modelleri, sınıflandırma sürecinin farklı aşamalarında farklı özellik alt kümelerini ve karar kurallarını kullanabilir. Popüler bir sınıflandırma ve tahmin aracı olarak kabul edilir. Bir akış şeması [20] gibi bir ağaç yapısı kullanılarak temsil edilebilir; burada özniteliklere göre testleri temsil eden iç düğümler, test sonuçlarını temsil eden her dal ve bir sınıf etiketi içeren her yaprak düğüm (yaprak düğüm) bulunur.
Öğrencilerin yanıtlarına göre her bir öğrencinin öğrenme gücünü (LS) otomatik olarak puanlamak ve etiketlemek için basit bir kural tabanlı program oluşturuldu. Kural tabanlı yaklaşım, "EĞER"in tetikleyiciyi ve "O ZAMAN"ın gerçekleştirilecek eylemi belirttiği bir "EĞER" ifadesi şeklinde olur; örneğin: "Eğer X olursa, o zaman Y yap" (Liu vd., 2014). Veri kümesi korelasyon gösteriyorsa ve karar ağacı modeli doğru şekilde eğitilip değerlendirilirse, bu yaklaşım öğrenme gücü (LS) ve bilgi (IS) eşleştirme sürecini otomatikleştirmek için etkili bir yol olabilir.
Geliştirmenin ikinci aşamasında, öneri aracının doğruluğunu artırmak için veri seti 255'e çıkarıldı. Veri seti 1:4 oranında bölündü. Veri setinin %25'i (64) test seti, kalan %75'i (191) ise eğitim seti olarak kullanıldı (Şekil 2). Modelin aynı veri seti üzerinde eğitilip test edilmesini önlemek için veri setinin bölünmesi gereklidir; aksi takdirde model öğrenmek yerine hatırlama eğiliminde olabilir. Model eğitim seti üzerinde eğitilir ve performansını daha önce hiç görmediği veriler olan test seti üzerinde değerlendirir.
Bilgi güvenliği aracı geliştirildikten sonra, uygulama diş hekimliği öğrencilerinin web arayüzü üzerinden verdikleri yanıtlara dayanarak LS'yi sınıflandırabilecektir. Web tabanlı bilgi güvenliği öneri aracı sistemi, arka uç olarak Django çerçevesi kullanılarak Python programlama dili ile geliştirilmiştir. Tablo 2, bu sistemin geliştirilmesinde kullanılan kütüphaneleri listelemektedir.
Veri seti, öğrenci yanıtlarını hesaplamak ve çıkarmak, böylece öğrenci yaşam kalitesi ölçümlerini otomatik olarak sınıflandırmak için bir karar ağacı modeline beslenir.
Karmaşıklık matrisi, belirli bir veri kümesi üzerinde karar ağacı makine öğrenme 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 dayanır: Doğru Pozitif (TP) – model pozitif kategoriyi doğru tahmin etti, Yanlış Pozitif (FP) – model pozitif kategoriyi tahmin etti, ancak gerçek etiket negatifti, Doğru Negatif (TN) – model negatif sınıfı doğru tahmin etti ve Yanlış Negatif (FN) – model negatif sınıfı tahmin etti, ancak gerçek etiket pozitifti.
Bu değerler daha sonra Python'daki scikit-learn sınıflandırma modelinin çeşitli performans metriklerini, yani kesinlik, doğruluk, geri çağırma ve F1 puanını hesaplamak için kullanılır. İşte örnekler:
Geri çağırma (veya duyarlılık), modelin m-ILS anketini yanıtladıktan sonra öğrencinin LS'sini doğru bir şekilde sınıflandırma yeteneğini ölçer.
Özgüllük, gerçek negatif oranı olarak adlandırılır. Yukarıdaki formülden de görebileceğiniz gibi, bu oran gerçek negatiflerin (TN) gerçek negatifler ve yanlış pozitiflere (FP) oranı olmalıdır. Öğrenci ilaçlarını sınıflandırmak için önerilen aracın bir parçası olarak, doğru tanımlama yapabilme özelliğine sahip olmalıdır.
Karar ağacı makine öğrenimi modelini eğitmek için kullanılan 50 öğrenciden oluşan orijinal veri seti, açıklamalardaki insan hatası nedeniyle nispeten düşük doğruluk oranı gösterdi (Tablo 3). LS puanlarını ve öğrenci açıklamalarını otomatik olarak hesaplamak için basit bir kural tabanlı program oluşturulduktan sonra, öneri sistemini eğitmek ve test etmek için artan sayıda veri seti (255) kullanıldı.
Çok sınıflı karışıklık matrisinde, köşegen elemanlar her LS türü için doğru tahmin sayısını temsil eder (Şekil 4). Karar ağacı modeli kullanılarak toplam 64 örnek doğru tahmin edilmiştir. Dolayısıyla, bu çalışmada köşegen elemanlar beklenen sonuçları göstermekte olup, modelin iyi performans gösterdiğini ve her LS sınıflandırması için sınıf etiketini doğru bir şekilde tahmin ettiğini göstermektedir. Bu nedenle, öneri aracının genel doğruluğu %100'dür.
Doğruluk, hassasiyet, geri çağırma ve F1 puanı değerleri Şekil 5'te gösterilmiştir. Karar ağacı modelini kullanan öneri sistemi için F1 puanı 1,0 "mükemmel" olup, mükemmel hassasiyet ve geri çağırmayı göstererek önemli duyarlılık ve özgüllük değerlerini yansıtmaktadır.
Şekil 6, eğitim ve test işlemleri tamamlandıktan sonra karar ağacı modelinin görselleştirilmesini göstermektedir. Yan yana yapılan karşılaştırmada, daha az özellik ile eğitilen karar ağacı modelinin daha yüksek doğruluk ve daha kolay model görselleştirmesi gösterdiği görülmüştür. Bu, özellik mühendisliğinin ve özellik azaltımının, model performansını iyileştirmede önemli bir adım olduğunu göstermektedir.
Karar ağacı tabanlı denetimli öğrenme yöntemi uygulanarak, LS (girdi) 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. Çoğunluk (%54,3) iki veya daha fazla LS tercihine sahipti. Öğrencilerin %12,2'si LS'nin oldukça dengeli olduğunu belirtti (Tablo 4). Sekiz ana LS'ye ek olarak, Malaya Üniversitesi diş hekimliği öğrencileri için 34 LS sınıflandırma kombinasyonu bulunmaktadır. Bunlar arasında, algı, görme ve algı ile görmenin kombinasyonu, öğrenciler tarafından bildirilen ana LS'lerdir (Şekil 7).
Tablo 4'ten de görülebileceği gibi, öğrencilerin çoğunluğunun baskın olarak duyusal (%13,7) veya görsel (%8,6) öğrenme biçimine sahip olduğu belirlenmiştir. Öğrencilerin %12,2'sinin algıyı görmeyle birleştirdiği (algısal-görsel öğrenme biçimi) bildirilmiştir. Bu bulgular, öğrencilerin yerleşik yöntemlerle öğrenmeyi ve hatırlamayı tercih ettiklerini, belirli ve ayrıntılı prosedürleri izlediklerini ve doğaları gereği dikkatli olduklarını göstermektedir. Aynı zamanda, bakarak (diyagramlar vb. kullanarak) öğrenmekten hoşlanırlar ve bilgiyi gruplar halinde veya kendi başlarına tartışmaya ve uygulamaya eğilimlidirler.
Bu çalışma, veri madenciliğinde kullanılan makine öğrenme tekniklerine genel bir bakış sunmakta olup, öğrencilerin yaşam beklentilerini (LS) anında ve doğru bir şekilde tahmin etmeye ve uygun bilgi sistemlerini (IS) önermeye odaklanmaktadır. Karar ağacı modeli uygulaması, yaşam ve eğitim deneyimleriyle en yakından ilişkili faktörleri belirlemiştir. Bu, bir veri kümesini belirli kriterlere göre alt kategorilere ayırarak verileri sınıflandırmak için ağaç yapısını kullanan denetimli bir makine öğrenme algoritmasıdır. Her bir iç düğümün giriş özelliklerinden birinin değerine bağlı olarak giriş verilerini özyinelemeli olarak alt kümelere bölerek, yaprak düğümde bir karar verilene kadar çalışır.
Karar ağacının iç düğümleri, m-ILS probleminin girdi özelliklerine dayalı çözümü temsil ederken, yaprak düğümleri nihai 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 bilimleri ve mühendislik alanlarında, makine öğrenimi algoritmaları, öğrencilerin giriş sınavı puanlarına [21], demografik bilgilerine ve öğrenme davranışlarına [22] dayanarak öğrenci performansını tahmin etmek için yaygın olarak kullanılmaktadır. Araştırmalar, algoritmanın öğrenci performansını doğru bir şekilde tahmin ettiğini ve akademik zorluklar yaşama riski taşıyan öğrencileri belirlemelerine yardımcı olduğunu göstermiştir.
Diş hekimliği eğitimi için sanal hasta simülatörlerinin geliştirilmesinde makine öğrenimi algoritmalarının uygulanması rapor edilmiştir. Simülatör, gerçek hastaların fizyolojik tepkilerini doğru bir şekilde yeniden üretebilmekte ve diş hekimliği öğrencilerini güvenli ve kontrollü bir ortamda eğitmek için kullanılabilmektedir [23]. Birçok başka çalışma, makine öğrenimi algoritmalarının diş hekimliği ve tıp eğitiminin ve hasta bakımının kalitesini ve verimliliğini potansiyel olarak artırabileceğini göstermektedir. Makine öğrenimi algoritmaları, semptomlar ve hasta özellikleri gibi veri kümelerine dayalı olarak diş hastalıklarının teşhisine yardımcı olmak için kullanılmıştır [24, 25]. Diğer çalışmalar ise, hasta sonuçlarını tahmin etme, yüksek riskli hastaları belirleme, kişiselleştirilmiş tedavi planları geliştirme [26], periodontal tedavi [27] ve çürük tedavisi [25] gibi görevleri gerçekleştirmek için makine öğrenimi algoritmalarının kullanımını araştırmıştır.
Diş hekimliğinde makine öğreniminin uygulanmasına ilişkin raporlar yayınlanmış olsa da, diş hekimliği eğitimindeki uygulaması sınırlı kalmıştır. Bu nedenle, bu çalışma, diş hekimliği öğrencilerinde öğrenme memnuniyeti (LS) ve bilgi güvenliği (IS) ile en yakından ilişkili faktörleri belirlemek için bir karar ağacı modeli kullanmayı amaçlamıştır.
Bu çalışmanın sonuçları, geliştirilen öneri aracının yüksek doğruluk ve mükemmel hassasiyete sahip olduğunu ve öğretmenlerin bu araçtan faydalanabileceğini göstermektedir. Veriye dayalı bir sınıflandırma süreci kullanarak, kişiselleştirilmiş öneriler sunabilir ve eğitimciler ve öğrenciler için eğitim deneyimlerini ve sonuçlarını iyileştirebilir. Bunlar arasında, öneri araçları aracılığıyla elde edilen bilgiler, öğretmenlerin tercih ettikleri öğretim yöntemleri ile öğrencilerin öğrenme ihtiyaçları arasındaki çatışmaları çözebilir. Örneğin, öneri araçlarının otomatik çıktısı sayesinde, bir öğrencinin tercih ettiği öğrenme yöntemini (IP) belirlemek ve bunu 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 konsantrasyon yeteneklerini geliştirmeye yardımcı olur. Bir çalışma, öğrencilere tercih ettikleri öğrenme yöntemlerine (LS) uygun öğrenme materyalleri ve öğrenme etkinlikleri sağlamanın, öğrencilerin öğrenmeyi bütünleştirmelerine, işlemelerine ve birden fazla şekilde keyif almalarına yardımcı olarak daha büyük potansiyele ulaşmalarını sağladığını bildirmiştir [12]. Araştırmalar ayrıca, sınıfta öğrenci katılımını iyileştirmenin yanı sıra, öğrencilerin öğrenme sürecini anlamanın, öğretim uygulamalarını ve öğrencilerle iletişimi iyileştirmede de kritik bir rol oynadığını göstermektedir [28, 29].
Ancak, her modern teknolojide olduğu gibi, sorunlar ve sınırlamalar da mevcuttur. Bunlar arasında veri gizliliği, önyargı ve adaletle ilgili sorunlar ve diş hekimliği eğitiminde makine öğrenimi algoritmalarının geliştirilmesi ve uygulanması için gereken profesyonel beceriler ve kaynaklar yer almaktadır; ancak, bu alana olan artan ilgi ve araştırmalar, makine öğrenimi teknolojilerinin diş hekimliği eğitimi ve diş hizmetleri üzerinde olumlu bir etkiye sahip olabileceğini göstermektedir.
Bu çalışmanın sonuçları, diş hekimliği öğrencilerinin yarısının ilaçları “algılama” eğiliminde olduğunu göstermektedir. Bu tür öğrenenler, olgulara ve somut örneklere, pratik bir yönelime, ayrıntılara karşı sabra ve “görsel” bir öğrenme stili tercihine sahiptir; burada öğrenciler fikir ve düşüncelerini iletmek için resimler, grafikler, renkler ve haritalar kullanmayı tercih ederler. Mevcut sonuçlar, diş hekimliği ve tıp öğrencilerinde öğrenme stilini değerlendirmek için ILS kullanan diğer çalışmalarla tutarlıdır; bu öğrencilerin çoğunun algısal ve görsel öğrenme stili özelliklerine sahip olduğu görülmüştür [12, 30]. Dalmolin ve ark., öğrencileri öğrenme stilleri hakkında bilgilendirmenin, öğrenme potansiyellerine ulaşmalarını sağladığını öne sürmektedir. Araştırmacılar, öğretmenler öğrencilerin eğitim sürecini tam olarak anladıklarında, öğrencilerin performansını ve öğrenme deneyimini iyileştirecek çeşitli öğretim yöntemleri ve etkinliklerinin uygulanabileceğini savunmaktadır [12, 31, 32]. Diğer çalışmalar, öğrencilerin öğrenme stillerini kendi öğrenme stillerine uyacak şekilde değiştirmelerinin ardından, öğrencilerin öğrenme deneyiminde ve performansında iyileşmeler gösterdiğini ortaya koymuştur [13, 33].
Öğretmenlerin, öğrencilerin öğrenme yeteneklerine dayalı öğretim stratejilerinin uygulanmasına ilişkin görüşleri farklılık gösterebilir. Bazıları bu yaklaşımın faydalarını (mesleki gelişim fırsatları, mentorluk ve topluluk desteği dahil) görürken, diğerleri zaman ve kurumsal destek konusunda endişe duyabilir. Dengeyi sağlamak, öğrenci merkezli bir yaklaşım oluşturmanın anahtarıdır. Üniversite yöneticileri gibi yükseköğretim yetkilileri, yenilikçi uygulamaları tanıtarak ve öğretim üyelerinin gelişimini destekleyerek olumlu değişimi yönlendirmede önemli bir rol oynayabilir [34]. Gerçekten dinamik ve duyarlı bir yükseköğretim sistemi oluşturmak için, politika yapıcılar politika değişiklikleri yapmak, teknoloji entegrasyonuna kaynak ayırmak ve öğrenci merkezli yaklaşımları teşvik eden çerçeveler oluşturmak gibi cesur adımlar atmalıdır. Bu önlemler, istenen sonuçlara ulaşmak için kritik öneme sahiptir. Farklılaştırılmış öğretim üzerine yapılan son araştırmalar, farklılaştırılmış öğretimin başarılı bir şekilde uygulanmasının öğretmenler için sürekli eğitim ve gelişim fırsatları gerektirdiğini açıkça göstermiştir [35].
Bu araç, öğrenci merkezli bir yaklaşımla öğrenci dostu öğrenme etkinlikleri planlamak isteyen diş hekimliği eğitimcilerine değerli bir destek sağlamaktadır. Bununla birlikte, bu çalışma karar ağacı makine öğrenimi modellerinin kullanımıyla sınırlıdır. Gelecekte, öneri araçlarının doğruluğunu, güvenilirliğini ve hassasiyetini karşılaştırmak için farklı makine öğrenimi modellerinin performansını karşılaştırmak üzere daha fazla veri toplanmalıdır. Ayrıca, belirli bir görev için en uygun makine öğrenimi yöntemini seçerken, model karmaşıklığı ve yorumlama gibi diğer faktörleri de dikkate almak önemlidir.
Bu çalışmanın bir sınırlaması, yalnızca diş hekimliği öğrencileri arasında LS ve IS haritalamasına odaklanmış olmasıdır. Bu nedenle, geliştirilen öneri sistemi yalnızca diş hekimliği öğrencileri için uygun olanları önerecektir. Genel yükseköğretim öğrencisi kullanımı için değişiklikler gereklidir.
Yeni geliştirilen makine öğrenimi tabanlı öneri aracı, öğrencilerin öğrenme ihtiyaçlarını (LS) anında sınıflandırıp ilgili bilgi sistemleriyle (IS) eşleştirebilme özelliğine sahip olup, diş hekimliği eğitimcilerinin ilgili öğretim ve öğrenme etkinliklerini planlamalarına yardımcı olan ilk diş hekimliği eğitim programı olma özelliğini taşımaktadır. Veriye dayalı bir önceliklendirme süreci kullanarak, kişiselleştirilmiş öneriler sunabilir, zamandan tasarruf sağlayabilir, öğretim stratejilerini geliştirebilir, hedefli müdahaleleri destekleyebilir ve sürekli mesleki gelişimi teşvik edebilir. Uygulaması, diş hekimliği eğitiminde öğrenci merkezli yaklaşımları destekleyecektir.
Gilak Jani, Associated Press. Öğrencinin öğrenme stili ile öğretmenin öğretme stili arasındaki uyum veya uyumsuzluk. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Yayın tarihi: 29 Nisan 2024