Có một nhu cầu ngày càng tăng đối với học tập làm trung tâm của sinh viên (SCL) trong các tổ chức giáo dục đại học, bao gồm cả nha khoa. Tuy nhiên, SCL có ứng dụng hạn chế trong giáo dục nha khoa. Do đó, nghiên cứu này nhằm mục đích thúc đẩy việc áp dụng SCL trong nha khoa bằng cách sử dụng công nghệ học máy học quyết định (ML) để ánh xạ phong cách học tập ưa thích (LS) và các chiến lược học tập tương ứng (IS) của sinh viên nha khoa như một công cụ hữu ích để phát triển là hướng dẫn . Phương pháp hứa hẹn cho sinh viên nha khoa.
Tổng cộng có 255 sinh viên nha khoa từ Đại học Malaya đã hoàn thành chỉ số sửa đổi của bảng câu hỏi về phong cách học tập (M-ILS), trong đó có 44 mục để phân loại chúng thành LSS tương ứng của họ. Dữ liệu được thu thập (được gọi là bộ dữ liệu) được sử dụng trong việc học cây quyết định có giám sát để tự động khớp các phong cách học tập của học sinh với mức phù hợp nhất là. Độ chính xác của công cụ khuyến nghị dựa trên học máy sau đó được đánh giá.
Việc áp dụng các mô hình cây quyết định trong quy trình ánh xạ tự động giữa LS (đầu vào) và IS (đầu ra mục tiêu) cho phép một danh sách ngay lập tức các chiến lược học tập phù hợp cho mỗi sinh viên nha khoa. Công cụ khuyến nghị IS đã chứng minh độ chính xác hoàn hảo và thu hồi độ chính xác của mô hình tổng thể, chỉ ra rằng LS phù hợp là có độ nhạy và độ đặc hiệu tốt.
Một công cụ khuyến nghị IS dựa trên cây quyết định ML đã chứng minh khả năng phù hợp chính xác với phong cách học tập của sinh viên nha khoa với các chiến lược học tập phù hợp. Công cụ này cung cấp các tùy chọn mạnh mẽ để lập kế hoạch cho các khóa học hoặc mô-đun lấy người học làm trung tâm người học có thể nâng cao trải nghiệm học tập của sinh viên.
Dạy và học là các hoạt động cơ bản trong các tổ chức giáo dục. Khi phát triển một hệ thống giáo dục nghề nghiệp chất lượng cao, điều quan trọng là tập trung vào nhu cầu học tập của học sinh. Sự tương tác giữa sinh viên và môi trường học tập của họ có thể được xác định thông qua LS của họ. Nghiên cứu cho thấy rằng sự không phù hợp với giáo viên giữa LS của học sinh và có thể gây ra hậu quả tiêu cực cho việc học tập của học sinh, chẳng hạn như giảm sự chú ý và động lực. Điều này sẽ gián tiếp ảnh hưởng đến hiệu suất của học sinh [1,2].
Là một phương pháp được sử dụng bởi các giáo viên để truyền đạt kiến thức và kỹ năng cho học sinh, bao gồm giúp học sinh học [3]. Nói chung, giáo viên giỏi lên kế hoạch cho các chiến lược giảng dạy hoặc là phù hợp nhất với trình độ kiến thức của học sinh, các khái niệm họ đang học và giai đoạn học tập của họ. Về mặt lý thuyết, khi LS và là phù hợp, sinh viên sẽ có thể tổ chức và sử dụng một bộ kỹ năng cụ thể để học hiệu quả. Thông thường, một kế hoạch bài học bao gồm một số chuyển đổi giữa các giai đoạn, chẳng hạn như từ giảng dạy đến thực hành có hướng dẫn hoặc từ thực hành có hướng dẫn sang thực hành độc lập. Với suy nghĩ này, các giáo viên hiệu quả thường lên kế hoạch hướng dẫn với mục tiêu xây dựng kiến thức và kỹ năng của học sinh [4].
Nhu cầu về SCL đang tăng lên trong các tổ chức giáo dục đại học, bao gồm cả nha khoa. Các chiến lược SCL được thiết kế để đáp ứng nhu cầu học tập của học sinh. Điều này có thể đạt được, ví dụ, nếu học sinh tích cực tham gia vào các hoạt động học tập và giáo viên đóng vai trò là người hỗ trợ và chịu trách nhiệm cung cấp phản hồi có giá trị. Người ta nói rằng việc cung cấp các tài liệu học tập và các hoạt động phù hợp với trình độ học vấn hoặc sở thích của học sinh có thể cải thiện môi trường học tập của học sinh và thúc đẩy kinh nghiệm học tập tích cực [5].
Nói chung, quá trình học tập của sinh viên nha khoa bị ảnh hưởng bởi các quy trình lâm sàng khác nhau mà họ được yêu cầu thực hiện và môi trường lâm sàng trong đó họ phát triển các kỹ năng giao tiếp hiệu quả. Mục đích của đào tạo là cho phép sinh viên kết hợp kiến thức cơ bản về nha khoa với các kỹ năng lâm sàng nha khoa và áp dụng kiến thức có được vào các tình huống lâm sàng mới [6, 7]. Nghiên cứu ban đầu về mối quan hệ giữa LS và được phát hiện rằng các chiến lược học tập được ánh xạ tới LS ưa thích sẽ giúp cải thiện quá trình giáo dục [8]. Các tác giả cũng khuyên bạn nên sử dụng nhiều phương pháp giảng dạy và đánh giá để thích nghi với nhu cầu và học tập của học sinh.
Giáo viên được hưởng lợi từ việc áp dụng kiến thức LS để giúp họ thiết kế, phát triển và thực hiện hướng dẫn nhằm nâng cao việc tiếp thu kiến thức sâu sắc hơn và hiểu biết về vấn đề này. Các nhà nghiên cứu đã phát triển một số công cụ đánh giá LS, chẳng hạn như mô hình học tập kinh nghiệm KOLB, Mô hình Phong cách học tập (FSLSM) của Felder-Silverman và mô hình Fleming VAK/VARK [5, 9, 10]. Theo các tài liệu, các mô hình học tập này là các mô hình học tập được sử dụng phổ biến nhất và được nghiên cứu nhiều nhất. Trong công việc nghiên cứu hiện tại, FSLSM được sử dụng để đánh giá LS trong số các sinh viên nha khoa.
FSLSM là một mô hình được sử dụng rộng rãi để đánh giá học tập thích ứng trong kỹ thuật. Có nhiều công trình được xuất bản trong Khoa học sức khỏe (bao gồm y học, điều dưỡng, dược phẩm và nha khoa) có thể được tìm thấy bằng các mô hình FSLSM [5, 11, 12, 13]. Công cụ được sử dụng để đo kích thước của LS trong FLSM được gọi là chỉ số của phong cách học tập (ILS) [8], chứa 44 mục đánh giá bốn chiều của LS: xử lý (hoạt động/phản xạ), nhận thức (nhận thức/trực quan), đầu vào (trực quan). /bằng lời nói) và sự hiểu biết (tuần tự/toàn cầu) [14].
Như được hiển thị trong Hình 1, mỗi kích thước FSLSM có ưu tiên chi phối. Ví dụ, trong kích thước xử lý, các sinh viên có hoạt động của LS thích xử lý thông tin bằng cách tương tác trực tiếp với các tài liệu học tập, học bằng cách làm và có xu hướng học theo nhóm. Các phản xạ của LS LS đề cập đến việc học thông qua suy nghĩ và thích làm việc một mình. Kích thước nhận thức của người Viking có thể được chia thành cảm giác của người Hồi giáo và/hoặc trực giác. Học sinh cảm thấy, các sinh viên thích thông tin cụ thể hơn và các quy trình thực tế, được định hướng thực tế so với các sinh viên trực quan, những người thích tài liệu trừu tượng và sáng tạo và sáng tạo hơn trong tự nhiên. Kích thước đầu vào của người Viking của LS bao gồm những người học trực quan trực quan và người học tiếng Anh. Những người có hình ảnh trực quan, Ls thích học thông qua các cuộc biểu tình trực quan (như sơ đồ, video hoặc cuộc biểu tình trực tiếp), trong khi những người có tiếng nói của người khác thích học hỏi qua các từ trong các giải thích bằng văn bản hoặc bằng miệng. Để hiểu về các kích thước của LS, những người học như vậy có thể được chia thành liên tiếp của người Hồi giáo và trên toàn cầu. Người học tuần tự thích một quá trình suy nghĩ tuyến tính và học từng bước, trong khi những người học toàn cầu có xu hướng có một quá trình suy nghĩ toàn diện và luôn hiểu rõ hơn về những gì họ đang học.
Gần đây, nhiều nhà nghiên cứu đã bắt đầu khám phá các phương pháp để khám phá dựa trên dữ liệu tự động, bao gồm cả việc phát triển các thuật toán và mô hình mới có khả năng diễn giải một lượng lớn dữ liệu [15, 16]. Dựa trên dữ liệu được cung cấp, ML được giám sát (học máy) có thể tạo ra các mẫu và giả thuyết dự đoán kết quả trong tương lai dựa trên việc xây dựng các thuật toán [17]. Nói một cách đơn giản, các kỹ thuật học máy được giám sát thao túng dữ liệu đầu vào và thuật toán đào tạo. Sau đó, nó tạo ra một phạm vi phân loại hoặc dự đoán kết quả dựa trên các tình huống tương tự cho dữ liệu đầu vào được cung cấp. Ưu điểm chính của thuật toán học máy được giám sát là khả năng thiết lập kết quả lý tưởng và mong muốn [17].
Thông qua việc sử dụng các phương pháp dựa trên dữ liệu và các mô hình kiểm soát cây quyết định, có thể phát hiện tự động LS. Cây quyết định đã được báo cáo là được sử dụng rộng rãi trong các chương trình đào tạo trong các lĩnh vực khác nhau, bao gồm cả khoa học sức khỏe [18, 19]. Trong nghiên cứu này, mô hình được các nhà phát triển hệ thống đào tạo đặc biệt để xác định LS của sinh viên và đề xuất tốt nhất là cho họ.
Mục đích của nghiên cứu này là phát triển là các chiến lược phân phối dựa trên LS của sinh viên và áp dụng phương pháp SCL bằng cách phát triển một công cụ khuyến nghị IS được ánh xạ tới LS. Dòng thiết kế của công cụ khuyến nghị là một chiến lược của phương pháp SCL được hiển thị trong Hình 1. Công cụ khuyến nghị IS được chia thành hai phần, bao gồm cơ chế phân loại LS sử dụng ILS và phù hợp nhất là hiển thị cho sinh viên.
Cụ thể, các đặc điểm của các công cụ khuyến nghị bảo mật thông tin bao gồm việc sử dụng các công nghệ web và sử dụng học máy quyết định. Các nhà phát triển hệ thống cải thiện trải nghiệm người dùng và tính di động bằng cách điều chỉnh chúng thành các thiết bị di động như điện thoại di động và máy tính bảng.
Thí nghiệm được thực hiện trong hai giai đoạn và sinh viên từ Khoa Nha khoa tại Đại học Malaya đã tham gia trên cơ sở tự nguyện. Những người tham gia đã trả lời M-IL trực tuyến của một sinh viên nha khoa bằng tiếng Anh. Trong giai đoạn ban đầu, một bộ dữ liệu gồm 50 sinh viên đã được sử dụng để đào tạo thuật toán học máy cây quyết định. Trong giai đoạn thứ hai của quá trình phát triển, một bộ dữ liệu gồm 255 sinh viên đã được sử dụng để cải thiện độ chính xác của công cụ được phát triển.
Tất cả những người tham gia nhận được một cuộc họp ngắn trực tuyến vào đầu mỗi giai đoạn, tùy thuộc vào năm học, thông qua các đội Microsoft. Mục đích của nghiên cứu đã được giải thích và có được sự đồng ý. Tất cả những người tham gia được cung cấp một liên kết để truy cập M-ILS. Mỗi sinh viên được hướng dẫn trả lời tất cả 44 mục trên bảng câu hỏi. Họ đã được cung cấp một tuần để hoàn thành các IL được sửa đổi tại một thời điểm và địa điểm thuận tiện cho họ trong thời gian nghỉ học kỳ trước khi bắt đầu học kỳ. M-ILS dựa trên công cụ ILS ban đầu và được sửa đổi cho sinh viên nha khoa. Tương tự như ILS ban đầu, nó chứa 44 mục phân phối đều (A, B), với 11 mục, được sử dụng để đánh giá các khía cạnh của từng kích thước FSLSM.
Trong các giai đoạn ban đầu của phát triển công cụ, các nhà nghiên cứu đã chú thích thủ công các bản đồ bằng cách sử dụng bộ dữ liệu gồm 50 sinh viên nha khoa. Theo FSLM, hệ thống này cung cấp tổng số câu trả lời của A A và và B B. Đối với mỗi chiều, nếu học sinh chọn một câu trả lời là một câu trả lời, thì LS được phân loại là hoạt động/nhận thức/trực quan/tuần tự, và nếu học sinh chọn một câu trả lời, học sinh được phân loại là phản xạ/trực quan/ngôn ngữ . / Người học toàn cầu.
Sau khi hiệu chỉnh quy trình làm việc giữa các nhà nghiên cứu giáo dục nha khoa và các nhà phát triển hệ thống, các câu hỏi đã được chọn dựa trên miền FLSSM và đưa vào mô hình ML để dự đoán LS của mỗi học sinh. Rác rác trong, rác ngoài là một câu nói phổ biến trong lĩnh vực học máy, với sự nhấn mạnh vào chất lượng dữ liệu. Chất lượng của dữ liệu đầu vào xác định độ chính xác và độ chính xác của mô hình học máy. Trong giai đoạn kỹ thuật tính năng, một bộ tính năng mới được tạo ra, đó là tổng số câu trả lời của A A và và B B B) dựa trên FLSSM. Số lượng xác định vị trí thuốc được đưa ra trong Bảng 1.
Tính điểm dựa trên câu trả lời và xác định LS của học sinh. Đối với mỗi học sinh, phạm vi điểm là từ 1 đến 11. Điểm từ 1 đến 3 cho thấy sự cân bằng của sở thích học tập trong cùng một chiều và điểm từ 5 đến 7 cho thấy ưu tiên vừa phải, cho thấy học sinh có xu hướng thích một môi trường dạy người khác . Một biến thể khác trên cùng một chiều là điểm số từ 9 đến 11 phản ánh sở thích mạnh mẽ cho đầu hoặc đầu kia [8].
Đối với mỗi chiều, các loại thuốc được nhóm lại thành các hoạt động, hoạt động, và phản xạ và cân bằng. Ví dụ, khi một học sinh trả lời, một người thường xuyên hơn so với các mục được chỉ định và điểm số của anh ấy/cô ấy vượt quá ngưỡng 5 đối với một mục cụ thể đại diện lãnh địa. . Tuy nhiên, các sinh viên được phân loại là LS phản xạ của người Hồi giáo khi họ chọn B Biêu nhiều hơn so với một câu hỏi cụ thể trong 11 câu hỏi cụ thể (Bảng 1) và ghi được hơn 5 điểm. Cuối cùng, học sinh đang ở trong tình trạng cân bằng của người Viking. Nếu điểm số không vượt quá 5 điểm, thì đây là một quy trình của LS. Quá trình phân loại được lặp lại cho các kích thước LS khác, cụ thể là nhận thức (hoạt động/phản xạ), đầu vào (trực quan/bằng lời nói) và hiểu (tuần tự/toàn cầu).
Các mô hình cây quyết định có thể sử dụng các tập hợp con khác nhau của các tính năng và quy tắc quyết định ở các giai đoạn khác nhau của quy trình phân loại. Nó được coi là một công cụ phân loại và dự đoán phổ biến. Nó có thể được biểu diễn bằng cấu trúc cây như sơ đồ [20], trong đó có các nút bên trong đại diện cho các thử nghiệm bằng thuộc tính, mỗi nhánh đại diện cho kết quả kiểm tra và mỗi nút lá (nút lá) chứa nhãn lớp.
Một chương trình dựa trên quy tắc đơn giản đã được tạo để tự động ghi điểm và chú thích LS của mỗi học sinh dựa trên câu trả lời của họ. Dựa trên quy tắc có hình thức của một câu lệnh IF, trong đó, If If mô tả kích hoạt và sau đó, chỉ định hành động sẽ được thực hiện, ví dụ: nếu X xảy ra, thì hãy làm Y, (Liu et al., 2014). Nếu tập dữ liệu thể hiện mối tương quan và mô hình cây quyết định được đào tạo và đánh giá đúng cách, phương pháp này có thể là một cách hiệu quả để tự động hóa quá trình phù hợp với LS và IS.
Trong giai đoạn phát triển thứ hai, bộ dữ liệu đã được tăng lên 255 để cải thiện độ chính xác của công cụ khuyến nghị. Bộ dữ liệu được phân chia theo tỷ lệ 1: 4. 25% (64) của tập dữ liệu đã được sử dụng cho tập kiểm tra và 75% (191) còn lại được sử dụng làm tập huấn luyện (Hình 2). Bộ dữ liệu cần được chia để ngăn chặn mô hình được đào tạo và kiểm tra trên cùng một tập dữ liệu, điều này có thể khiến mô hình ghi nhớ thay vì học. Mô hình được đào tạo trên bộ đào tạo và đánh giá hiệu suất của nó trên bộ thử nghiệm, DATA mà mô hình chưa từng thấy trước đây.
Khi công cụ IS được phát triển, ứng dụng sẽ có thể phân loại LS dựa trên phản hồi của sinh viên nha khoa thông qua giao diện web. Hệ thống công cụ khuyến nghị bảo mật thông tin dựa trên web được xây dựng bằng ngôn ngữ lập trình Python bằng cách sử dụng khung Django làm phụ trợ. Bảng 2 liệt kê các thư viện được sử dụng trong sự phát triển của hệ thống này.
Bộ dữ liệu được đưa vào mô hình cây quyết định để tính toán và trích xuất các câu trả lời của sinh viên để tự động phân loại các phép đo LS của sinh viên.
Ma trận nhầm lẫn được sử dụng để đánh giá độ chính xác của thuật toán học máy cây quyết định trên một tập dữ liệu nhất định. Đồng thời, nó đánh giá hiệu suất của mô hình phân loại. Nó tóm tắt các dự đoán của mô hình và so sánh chúng với các nhãn dữ liệu thực tế. Kết quả đánh giá dựa trên bốn giá trị khác nhau: Đúng dương (TP) - mô hình dự đoán chính xác danh mục dương, dương tính giả (FP) - mô hình dự đoán loại dương Mô hình dự đoán chính xác lớp âm và âm tính giả (FN) - mô hình dự đoán một lớp âm, nhưng nhãn thực là dương.
Các giá trị này sau đó được sử dụng để tính toán các số liệu hiệu suất khác nhau của mô hình phân loại scikit-learn trong Python, cụ thể là độ chính xác, độ chính xác, thu hồi và điểm F1. Đây là những ví dụ:
Nhớ lại (hoặc độ nhạy) đo lường khả năng của mô hình để phân loại chính xác LS của học sinh sau khi trả lời câu hỏi M-ILS.
Tính đặc hiệu được gọi là một tỷ lệ âm thực sự. Như bạn có thể thấy từ công thức trên, đây phải là tỷ lệ của các tiêu cực thực sự (TN) so với các tiêu cực thực sự và dương tính giả (FP). Là một phần của công cụ được đề xuất để phân loại thuốc học sinh, nó phải có khả năng nhận dạng chính xác.
Bộ dữ liệu ban đầu của 50 sinh viên được sử dụng để đào tạo mô hình ML của cây quyết định cho thấy độ chính xác tương đối thấp do lỗi của con người trong các chú thích (Bảng 3). Sau khi tạo một chương trình dựa trên quy tắc đơn giản để tự động tính toán điểm LS và chú thích của sinh viên, số lượng bộ dữ liệu ngày càng tăng (255) đã được sử dụng để đào tạo và kiểm tra hệ thống đề xuất.
Trong ma trận nhầm lẫn đa lớp, các phần tử chéo biểu thị số lượng dự đoán chính xác cho mỗi loại LS (Hình 4). Sử dụng mô hình cây quyết định, tổng cộng 64 mẫu đã được dự đoán chính xác. Do đó, trong nghiên cứu này, các phần tử chéo cho thấy kết quả dự kiến, chỉ ra rằng mô hình thực hiện tốt và dự đoán chính xác nhãn lớp cho mỗi phân loại LS. Do đó, độ chính xác tổng thể của công cụ khuyến nghị là 100%.
Các giá trị của độ chính xác, độ chính xác, thu hồi và điểm F1 được hiển thị trong Hình 5. Đối với hệ thống đề xuất sử dụng mô hình cây quyết định, điểm F1 của nó là 1.0. giá trị.
Hình 6 cho thấy hình dung của mô hình cây quyết định sau khi đào tạo và thử nghiệm được hoàn thành. Trong một so sánh cạnh nhau, mô hình cây quyết định được đào tạo với ít tính năng hơn cho thấy độ chính xác cao hơn và hình dung mô hình dễ dàng hơn. Điều này cho thấy rằng kỹ thuật tính năng dẫn đến giảm tính năng là một bước quan trọng để cải thiện hiệu suất mô hình.
Bằng cách áp dụng học tập được giám sát của cây quyết định, ánh xạ giữa LS (đầu vào) và IS (đầu ra mục tiêu) được tự động tạo và chứa thông tin chi tiết cho mỗi LS.
Kết quả cho thấy 34,9% trong số 255 sinh viên ưa thích một (1) tùy chọn LS. Phần lớn (54,3%) có hai hoặc nhiều sở thích LS. 12,2% sinh viên lưu ý rằng LS khá cân bằng (Bảng 4). Ngoài tám LS chính, còn có 34 kết hợp phân loại LS cho sinh viên nha khoa của Đại học Malaya. Trong số đó, nhận thức, tầm nhìn và sự kết hợp giữa nhận thức và tầm nhìn là các LS chính được báo cáo bởi các sinh viên (Hình 7).
Như có thể thấy trong Bảng 4, phần lớn học sinh có cảm giác chiếm ưu thế (13,7%) hoặc trực quan (8,6%) LS. Nó đã được báo cáo rằng 12,2% sinh viên kết hợp nhận thức với tầm nhìn (LS nhận thức-trực quan). Những phát hiện này cho thấy sinh viên thích học hỏi và ghi nhớ thông qua các phương pháp đã được thiết lập, tuân theo các quy trình cụ thể và chi tiết, và trong tự nhiên chú ý. Đồng thời, họ thích học bằng cách tìm kiếm (sử dụng sơ đồ, v.v.) và có xu hướng thảo luận và áp dụng thông tin theo nhóm hoặc một mình.
Nghiên cứu này cung cấp một cái nhìn tổng quan về các kỹ thuật học máy được sử dụng trong khai thác dữ liệu, tập trung vào dự đoán ngay lập tức và chính xác của học sinh và khuyến nghị phù hợp là. Áp dụng mô hình cây quyết định đã xác định các yếu tố liên quan chặt chẽ nhất đến cuộc sống và kinh nghiệm giáo dục của họ. Đây là một thuật toán học máy được giám sát sử dụng cấu trúc cây để phân loại dữ liệu bằng cách chia một tập hợp dữ liệu thành các thể loại phụ dựa trên các tiêu chí nhất định. Nó hoạt động bằng cách phân chia đệ quy dữ liệu đầu vào thành các tập hợp con dựa trên giá trị của một trong các tính năng đầu vào của mỗi nút nội bộ cho đến khi một quyết định được đưa ra tại nút lá.
Các nút bên trong của cây quyết định đại diện cho giải pháp dựa trên các đặc điểm đầu vào của vấn đề M-ILS và các nút lá đại diện cho dự đoán phân loại LS cuối cùng. Trong suốt nghiên cứu, thật dễ dàng để hiểu hệ thống phân cấp của các cây quyết định giải thích và hình dung quá trình quyết định bằng cách xem xét mối quan hệ giữa các tính năng đầu vào và dự đoán đầu ra.
Trong các lĩnh vực khoa học và kỹ thuật máy tính, các thuật toán học máy được sử dụng rộng rãi để dự đoán hiệu suất của học sinh dựa trên điểm thi tuyển sinh của họ [21], thông tin nhân khẩu học và hành vi học tập [22]. Nghiên cứu cho thấy thuật toán dự đoán chính xác hiệu suất của sinh viên và giúp họ xác định sinh viên có nguy cơ gặp khó khăn trong học tập.
Việc áp dụng các thuật toán ML trong việc phát triển các trình mô phỏng bệnh nhân ảo để đào tạo nha khoa được báo cáo. Trình mô phỏng có khả năng tái tạo chính xác các phản ứng sinh lý của bệnh nhân thật và có thể được sử dụng để đào tạo sinh viên nha khoa trong một môi trường an toàn và được kiểm soát [23]. Một số nghiên cứu khác cho thấy các thuật toán học máy có khả năng cải thiện chất lượng và hiệu quả của giáo dục nha khoa và y tế và chăm sóc bệnh nhân. Các thuật toán học máy đã được sử dụng để hỗ trợ chẩn đoán các bệnh nha khoa dựa trên các bộ dữ liệu như triệu chứng và đặc điểm bệnh nhân [24, 25]. Trong khi các nghiên cứu khác đã khám phá việc sử dụng các thuật toán học máy để thực hiện các nhiệm vụ như dự đoán kết quả của bệnh nhân, xác định bệnh nhân có nguy cơ cao, phát triển các kế hoạch điều trị cá nhân [26], điều trị nha chu [27] và điều trị sâu răng [25].
Mặc dù các báo cáo về việc áp dụng học máy trong nha khoa đã được công bố, ứng dụng của nó trong giáo dục nha khoa vẫn còn hạn chế. Do đó, nghiên cứu này nhằm mục đích sử dụng mô hình cây quyết định để xác định các yếu tố liên quan chặt chẽ nhất với LS và nằm trong số các sinh viên nha khoa.
Kết quả của nghiên cứu này cho thấy công cụ khuyến nghị được phát triển có độ chính xác cao và độ chính xác hoàn hảo, chỉ ra rằng giáo viên có thể hưởng lợi từ công cụ này. Sử dụng quy trình phân loại dựa trên dữ liệu, nó có thể cung cấp các khuyến nghị được cá nhân hóa và cải thiện trải nghiệm và kết quả giáo dục cho các nhà giáo dục và sinh viên. Trong số đó, thông tin thu được thông qua các công cụ khuyến nghị có thể giải quyết xung đột giữa các phương pháp giảng dạy ưa thích của giáo viên và nhu cầu học tập của học sinh. Ví dụ: do đầu ra tự động của các công cụ khuyến nghị, thời gian cần thiết để xác định IP của học sinh và khớp với IP tương ứng sẽ giảm đáng kể. Theo cách này, các hoạt động đào tạo phù hợp và tài liệu đào tạo có thể được tổ chức. Điều này giúp phát triển hành vi học tập tích cực của học sinh và khả năng tập trung. Một nghiên cứu báo cáo rằng việc cung cấp cho sinh viên các tài liệu học tập và các hoạt động học tập phù hợp với LS ưa thích của họ có thể giúp sinh viên tích hợp, xử lý và tận hưởng việc học theo nhiều cách để đạt được tiềm năng lớn hơn [12]. Nghiên cứu cũng cho thấy rằng ngoài việc cải thiện sự tham gia của học sinh vào lớp học, hiểu quá trình học tập của học sinh cũng đóng một vai trò quan trọng trong việc cải thiện thực hành giảng dạy và giao tiếp với sinh viên [28, 29].
Tuy nhiên, như với bất kỳ công nghệ hiện đại, có những vấn đề và hạn chế. Chúng bao gồm các vấn đề liên quan đến quyền riêng tư dữ liệu, thiên vị và công bằng, và các kỹ năng và nguồn lực chuyên nghiệp cần thiết để phát triển và thực hiện các thuật toán học máy trong giáo dục nha khoa; Tuy nhiên, sự quan tâm và nghiên cứu ngày càng tăng trong lĩnh vực này cho thấy các công nghệ học máy có thể có tác động tích cực đến giáo dục nha khoa và dịch vụ nha khoa.
Kết quả của nghiên cứu này chỉ ra rằng một nửa số sinh viên nha khoa có xu hướng nhận thức về các loại thuốc. Kiểu người học này có một ưu tiên cho các sự kiện và các ví dụ cụ thể, định hướng thực tế, kiên nhẫn để biết chi tiết và sở thích trực quan của người Hồi giáo, trong đó người học thích sử dụng hình ảnh, đồ họa, màu sắc và bản đồ để truyền đạt ý tưởng và suy nghĩ. Các kết quả hiện tại phù hợp với các nghiên cứu khác sử dụng IL để đánh giá LS ở sinh viên nha khoa và y khoa, hầu hết đều có đặc điểm của LS nhận thức và trực quan [12, 30]. Dalmolin et al đề nghị rằng thông báo cho sinh viên về LS của họ cho phép họ đạt được tiềm năng học tập của họ. Các nhà nghiên cứu cho rằng khi giáo viên hiểu đầy đủ về quá trình giáo dục của học sinh, các phương pháp và hoạt động giảng dạy khác nhau có thể được thực hiện sẽ cải thiện hiệu suất và kinh nghiệm học tập của học sinh [12, 31, 32]. Các nghiên cứu khác đã chỉ ra rằng việc điều chỉnh LS của học sinh cũng cho thấy những cải tiến về kinh nghiệm và hiệu suất học tập của học sinh sau khi thay đổi phong cách học tập của họ phù hợp với LS của riêng họ [13, 33].
Ý kiến của giáo viên có thể khác nhau liên quan đến việc thực hiện các chiến lược giảng dạy dựa trên khả năng học tập của học sinh. Trong khi một số người thấy lợi ích của phương pháp này, bao gồm các cơ hội phát triển chuyên nghiệp, cố vấn và hỗ trợ cộng đồng, những người khác có thể quan tâm đến thời gian và hỗ trợ thể chế. Phấn đấu cho sự cân bằng là chìa khóa để tạo ra một thái độ lấy học sinh làm trung tâm. Các cơ quan giáo dục đại học, chẳng hạn như các quản trị viên đại học, có thể đóng một vai trò quan trọng trong việc thúc đẩy thay đổi tích cực bằng cách giới thiệu các thực tiễn sáng tạo và phát triển giảng viên hỗ trợ [34]. Để tạo ra một hệ thống giáo dục đại học thực sự năng động và đáp ứng, các nhà hoạch định chính sách phải thực hiện các bước táo bạo, chẳng hạn như thực hiện thay đổi chính sách, dành nguồn lực cho hội nhập công nghệ và tạo ra các khung thúc đẩy các phương pháp tập trung vào sinh viên. Những biện pháp này là rất quan trọng để đạt được kết quả mong muốn. Nghiên cứu gần đây về hướng dẫn khác biệt đã chỉ ra rõ ràng rằng việc thực hiện thành công các hướng dẫn khác biệt đòi hỏi các cơ hội đào tạo và phát triển liên tục cho giáo viên [35].
Công cụ này cung cấp hỗ trợ có giá trị cho các nhà giáo dục nha khoa, những người muốn thực hiện một cách tiếp cận lấy học sinh làm trung tâm để lên kế hoạch cho các hoạt động học tập thân thiện với sinh viên. Tuy nhiên, nghiên cứu này được giới hạn trong việc sử dụng các mô hình ML của cây quyết định. Trong tương lai, cần thu thập nhiều dữ liệu hơn để so sánh hiệu suất của các mô hình học máy khác nhau để so sánh độ chính xác, độ tin cậy và độ chính xác của các công cụ khuyến nghị. Ngoài ra, khi chọn phương pháp học máy phù hợp nhất cho một nhiệm vụ cụ thể, điều quan trọng là phải xem xét các yếu tố khác như sự phức tạp và giải thích mô hình.
Một hạn chế của nghiên cứu này là nó chỉ tập trung vào việc lập bản đồ LS và nằm trong số các sinh viên nha khoa. Do đó, hệ thống khuyến nghị được phát triển sẽ chỉ đề xuất những người phù hợp cho sinh viên nha khoa. Thay đổi là cần thiết cho việc sử dụng học sinh giáo dục đại học nói chung.
Công cụ khuyến nghị dựa trên máy học mới được phát triển có khả năng phân loại ngay lập tức và phù hợp với các sinh viên với tương ứng, biến nó thành chương trình giáo dục nha khoa đầu tiên để giúp các nhà giáo dục nha khoa lên kế hoạch cho các hoạt động giảng dạy và học tập có liên quan. Sử dụng quy trình phân chia dựa trên dữ liệu, nó có thể cung cấp các khuyến nghị được cá nhân hóa, tiết kiệm thời gian, cải thiện các chiến lược giảng dạy, hỗ trợ các can thiệp được nhắm mục tiêu và thúc đẩy phát triển chuyên nghiệp liên tục. Ứng dụng của nó sẽ thúc đẩy các phương pháp tập trung vào học sinh để giáo dục nha khoa.
Gilak Jani Associated Press. Phù hợp hoặc không phù hợp giữa phong cách học tập của học sinh và phong cách giảng dạy của giáo viên. Int J Mod Giáo dục Khoa học Máy tính. 2012; 4 (11): 51 Từ60. https://doi.org/10.5815/ijmecs.2012.11.05
Thời gian đăng: Tháng 4-29-2024