Nhu cầu về học tập lấy người học làm trung tâm (SCL) đang ngày càng tăng trong các cơ sở giáo dục đại học, bao gồm cả nha khoa. Tuy nhiên, SCL hiện đang được ứng dụng hạn chế trong giáo dục nha khoa. Do đó, nghiên cứu này nhằm mục đích thúc đẩy việc ứng dụng SCL trong nha khoa bằng cách sử dụng công nghệ học máy cây quyết định (ML) để lập bản đồ 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 các hướng dẫn về IS. Nghiên cứu này cũng đề xuất các phương pháp đầy hứa hẹn cho sinh viên nha khoa.
Tổng cộng 255 sinh viên nha khoa từ Đại học Malaya đã hoàn thành bảng câu hỏi Chỉ số Phong cách Học tập được sửa đổi (m-ILS), bao gồm 44 mục để phân loại họ vào các phong cách học tập tương ứng. Dữ liệu thu thập được (gọi là tập dữ liệu) được sử dụng trong học máy cây quyết định có giám sát để tự động ghép phong cách học tập của sinh viên với hệ thống thông tin (IS) phù hợp nhất. Sau đó, độ chính xác của công cụ đề xuất IS dựa trên học máy được đánh giá.
Việc áp dụng mô hình cây quyết định trong quy trình lập bản đồ tự động giữa LS (đầu vào) và IS (đầu ra mục tiêu) cho phép tạo ra ngay lập tức danh sách các chiến lược học tập phù hợp cho mỗi sinh viên nha khoa. Công cụ đề xuất IS đã chứng minh độ chính xác và khả năng thu hồi hoàn hảo về độ chính xác tổng thể của mô hình, cho thấy việc ghép nối LS với IS có độ nhạy và độ đặc hiệu tốt.
Một công cụ đề xuất hệ thống thông tin (IS) dựa trên cây quyết định học máy đã chứng minh khả năng kết hợp chính xác 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 các khóa học hoặc mô-đun lấy người học làm trung tâm, có thể nâng cao trải nghiệm học tập của sinh viên.
Dạy và học là những hoạt động cơ bản trong các cơ sở giáo dục. Khi phát triển một hệ thống giáo dục nghề nghiệp chất lượng cao, điều quan trọng là phải tập trung vào nhu cầu học tập của học sinh. Sự tương tác giữa học sinh 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 do giáo viên cố ý tạo ra giữa LS của học sinh và IS có thể gây ra những hậu quả tiêu cực cho việc học tập của học sinh, chẳng hạn như giảm sự chú ý và động lực. Điều này sẽ ảnh hưởng gián tiếp đến kết quả học tập của học sinh [1,2].
IS là một phương pháp được giáo viên sử dụng để truyền đạt kiến thức và kỹ năng cho học sinh, bao gồm cả việc giúp học sinh học tập [3]. Nói chung, giáo viên giỏi lập kế hoạch chiến lược giảng dạy hoặc IS phù hợp nhất với trình độ kiến thức của học sinh, các khái niệm mà họ đang học và giai đoạn học tập của họ. Về mặt lý thuyết, khi LS và IS phù hợp, học sinh sẽ có thể tổ chức và sử dụng một bộ kỹ năng cụ thể để học tập 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 sang thực hành có hướng dẫn hoặc từ thực hành có hướng dẫn sang thực hành độc lập. Với suy nghĩ này, giáo viên hiệu quả thường lập kế hoạch giảng dạy với mục tiêu xây dựng kiến thức và kỹ năng của học sinh [4].
Nhu cầu về SCL đang tăng lên trong các cơ sở giáo dục đại học, bao gồm cả nha khoa. Các chiến lược SCL được thiết kế để đáp ứng nhu cầu học tập của sinh viên. Ví dụ, điều này có thể đạt được nếu sinh viên 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 cho rằng việc cung cấp tài liệu và hoạt động học tập phù hợp với trình độ học vấn hoặc sở thích của sinh viên có thể cải thiện môi trường học tập của sinh viên và thúc đẩy những trải nghiệm học tập tích cực [5].
Nhìn chung, quá trình học tập của sinh viên nha khoa bị ảnh hưởng bởi các thủ thuật lâm sàng khác nhau mà họ được yêu cầu thực hiện và môi trường lâm sàng mà trong đó họ phát triển các kỹ năng giao tiếp hiệu quả. Mục đích của việc 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 đã học vào các tình huống lâm sàng mới [6, 7]. Nghiên cứu ban đầu về mối quan hệ giữa LS và IS cho thấy rằng việc điều chỉnh các chiến lược học tập phù hợp với LS ưa thích sẽ giúp cải thiện quá trình giáo dục [8]. Các tác giả cũng khuyến nghị sử dụng nhiều phương pháp giảng dạy và đánh giá khác nhau để thích ứng với việc học tập và nhu cầu của sinh viên.
Giáo viên được hưởng lợi từ việc áp dụng kiến thức về phong cách học tập (LS) để giúp họ thiết kế, phát triển và thực hiện các bài giảng nhằm nâng cao khả năng tiếp thu kiến thức sâu sắc hơn và hiểu biết về môn học của học sinh. Các nhà nghiên cứu đã phát triển một số công cụ đánh giá LS, chẳng hạn như Mô hình Học tập Trải nghiệm Kolb, Mô hình Phong cách Học tập Felder-Silverman (FSLSM) và Mô hình Fleming VAK/VARK [5, 9, 10]. Theo tài liệu, đây là những mô hình học tập được sử dụng phổ biến nhất và được nghiên cứu nhiều nhất. Trong nghiên cứu hiện tại, FSLSM được sử dụng để đánh giá LS ở sinh viên nha khoa.
FSLSM là một mô hình được sử dụng rộng rãi để đánh giá việc học tập thích ứng trong kỹ thuật. Có nhiều công trình đã được công bố trong khoa học sức khỏe (bao gồm y học, điều dưỡng, dược phẩm và nha khoa) có thể được tìm thấy bằng cách sử dụng các mô hình FSLSM [5, 11, 12, 13]. Công cụ được sử dụng để đo lường các chiều của LS trong FLSM được gọi là Chỉ số Phong cách Học tập (ILS) [8], bao gồm 44 mục đánh giá bốn chiều của LS: xử lý (chủ động/phản xạ), nhận thức (nhận thức/trực giác), đầu vào (hình ảnh/ngôn ngữ) và hiểu biết (tuần tự/toàn cục) [14].
Như thể hiện trong Hình 1, mỗi chiều của mô hình FSLSM đều có một sở thích chủ đạo. Ví dụ, ở chiều xử lý thông tin, sinh viên có kiểu học tập “chủ động” thích xử lý thông tin bằng cách tương tác trực tiếp với tài liệu học tập, học bằng cách thực hành và có xu hướng học theo nhóm. Kiểu học tập “phản tư” đề cập đến việc học thông qua tư duy và thích làm việc một mình. Chiều “nhận thức” của kiểu học tập có thể được chia thành “cảm xúc” và/hoặc “trực giác”. Sinh viên “cảm xúc” thích thông tin cụ thể hơn và các quy trình thực tiễn, hướng đến sự kiện hơn so với sinh viên “trực giác” thích tài liệu trừu tượng và có tính sáng tạo, đổi mới hơn. Chiều “đầu vào” của kiểu học tập bao gồm người học “trực quan” và “ngôn ngữ”. Những người có kiểu học tập “trực quan” thích học thông qua các minh họa trực quan (như sơ đồ, video hoặc trình diễn trực tiếp), trong khi những người có kiểu học tập “ngôn ngữ” thích học thông qua lời nói trong các giải thích bằng văn bản hoặc bằng lời nói. Để “hiểu” các chiều của kiểu học tập, những người học này có thể được chia thành “tuần tự” và “toàn cục”. “Người học theo trình tự thích lối tư duy tuyến tính và học từng bước một, trong khi người học toàn diện có xu hướng tư duy bao quát và luôn hiểu rõ hơn những gì mình đang học.”
Gần đây, nhiều nhà nghiên cứu đã bắt đầu khám phá các phương pháp khám phá tự động dựa trên dữ liệu, bao gồm việc phát triển các thuật toán và mô hình mới có khả năng diễn giải lượng lớn dữ liệu [15, 16]. Dựa trên dữ liệu được cung cấp, học máy có giám sát (ML) 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 có giám sát xử lý dữ liệu đầu vào và huấn luyện các thuật toán. 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 các thuật toán học máy có giám sát là khả năng thiết lập các kết quả lý tưởng và mong muốn [17].
Thông qua việc sử dụng các phương pháp dựa trên dữ liệu và mô hình điều khiển cây quyết định, việc phát hiện tự động LS là có thể. Cây quyết định đã được báo cáo là được sử dụng rộng rãi trong các chương trình đào tạo trong nhiều lĩnh vực, bao gồm cả khoa học sức khỏe [18, 19]. Trong nghiên cứu này, mô hình được các nhà phát triển hệ thống huấn luyện cụ thể để xác định LS của sinh viên và đề xuất IS tốt nhất cho họ.
Mục đích của nghiên cứu này là phát triển các chiến lược cung cấp hệ thống thông tin (IS) dựa trên năng lực học tập (LS) của sinh viên và áp dụng phương pháp SCL bằng cách phát triển một công cụ đề xuất IS được ánh xạ tới LS. Luồng thiết kế của công cụ đề xuất IS như một chiến lược của phương pháp SCL được thể hiện trong Hình 1. Công cụ đề xuất IS được chia thành hai phần, bao gồm cơ chế phân loại LS sử dụng ILS và hiển thị IS phù hợp nhất cho sinh viên.
Cụ thể, các đặc điểm của công cụ đề xuất an ninh thông tin bao gồm việc sử dụng công nghệ web và máy học cây quyết định. Các nhà phát triển hệ thống cải thiện trải nghiệm người dùng và tính di động bằng cách điều chỉnh chúng cho phù hợp với các thiết bị di động như điện thoại di động và máy tính bảng.
Thí nghiệm được thực hiện qua hai giai đoạn và sinh viên Khoa Nha khoa thuộc Đại học Malaya tham gia trên cơ sở tự nguyện. Người tham gia trả lời bảng khảo sát trực tuyến m-ILS bằng tiếng Anh do một sinh viên nha khoa thiết kế. Ở giai đoạn đầu, một tập dữ liệu gồm 50 sinh viên được sử dụng để huấn luyện thuật toán học máy cây quyết định. Ở giai đoạn thứ hai của quá trình phát triển, một tập dữ liệu gồm 255 sinh viên được sử dụng để cải thiện độ chính xác của công cụ đã phát triển.
Tất cả người tham gia đều nhận được một buổi hướng dẫn trực tuyến vào đầu mỗi giai đoạn, tùy thuộc vào năm học, thông qua Microsoft Teams. Mục đích của nghiên cứu đã được giải thích và sự đồng ý tham gia có hiểu biết đã được thu thập. Tất cả người tham gia đều được cung cấp một liên kết để truy cập vào m-ILS. Mỗi sinh viên được hướng dẫn trả lời tất cả 44 mục trong bảng câu hỏi. Họ được cho một tuần để hoàn thành ILS đã được sửa đổi vào thời gian và địa điểm thuận tiện cho họ trong kỳ nghỉ giữa học kỳ trước khi bắt đầu học kỳ mới. m-ILS dựa trên công cụ ILS gốc và được sửa đổi cho sinh viên nha khoa. Tương tự như ILS gốc, nó chứa 44 mục được phân bố đều (a, b), mỗi mục có 11 mục, được sử dụng để đánh giá các khía cạnh của từng chiều FSLSM.
Trong giai đoạn đầu phát triển công cụ, các nhà nghiên cứu đã chú thích thủ công các bản đồ bằng cách sử dụng tập dữ liệu gồm 50 sinh viên nha khoa. Theo FSLM, hệ thống cung cấp tổng của các câu trả lời “a” và “b”. Đối với mỗi chiều, nếu sinh viên chọn “a” làm câu trả lời, LS được phân loại là Chủ động/Nhận thức/Trực quan/Tuần tự, và nếu sinh viên chọn “b” làm câu trả lời, sinh viên được phân loại là Phản tư/Trực giác/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 được lựa chọn dựa trên lĩnh vực FLSSM và được đưa vào mô hình học máy để dự đoán điểm LS của mỗi sinh viên. Câu nói “Đầu vào rác, đầu ra rác” rất phổ biến trong lĩnh vực học máy, nhấn mạnh đến chất lượng dữ liệu. Chất lượng dữ liệu đầu vào quyết định độ chính xác của mô hình học máy. Trong giai đoạn kỹ thuật đặc trưng, một tập hợp đặc trưng mới được tạo ra là tổng của các câu trả lời “a” và “b” dựa trên FLSSM. Số nhận dạng 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, thang điểm từ 1 đến 11. Điểm từ 1 đến 3 cho thấy sự cân bằng về sở thích học tập trong cùng một chiều, và điểm từ 5 đến 7 cho thấy sở thích vừa phải, cho thấy học sinh có xu hướng thích một môi trường giảng dạy cho những người khác. Một biến thể khác trên cùng một chiều là điểm từ 9 đến 11 phản ánh sở thích mạnh mẽ đối với một đầu hoặc đầu kia [8].
Đối với mỗi khía cạnh, các loại thuốc được phân nhóm thành “hoạt động”, “phản tư” và “cân bằng”. Ví dụ, khi một học sinh trả lời “a” thường xuyên hơn “b” trong một mục được chỉ định và điểm số của học sinh đó vượt quá ngưỡng 5 cho một mục cụ thể đại diện cho khía cạnh Xử lý LS, học sinh đó thuộc lĩnh vực LS “hoạt động”. Tuy nhiên, học sinh được phân loại là LS “phản tư” khi họ chọn “b” nhiều hơn “a” trong 11 câu hỏi cụ thể (Bảng 1) và đạt điểm số trên 5. Cuối cùng, học sinh ở trạng thái “cân bằng”. Nếu điểm số không vượt quá 5 điểm, thì đây là LS “xử lý”. Quá trình phân loại được lặp lại cho các khía cạnh LS khác, cụ thể là nhận thức (hoạt động/phản tư), đầu vào (hình ảnh/ngôn ngữ) và hiểu biết (tuần tự/toàn cục).
Các mô hình cây quyết định có thể sử dụng các tập con khác nhau của các đặc trưng và quy tắc quyết định ở các giai đoạn khác nhau của quá 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 lưu trình [20], trong đó có các nút bên trong đại diện cho các thử nghiệm theo thuộc tính, mỗi nhánh đại diện cho kết quả thử nghiệm và mỗi nút lá (nút lá) chứa nhãn lớp.
Một chương trình dựa trên quy tắc đơn giản đã được tạo ra để tự động chấm điểm và chú thích LS của mỗi học sinh dựa trên câu trả lời của họ. Quy tắc dựa trên quy tắc có dạng câu lệnh IF, trong đó “IF” mô tả điều kiện kích hoạt và “THEN” chỉ định hành động cần thực hiện, ví dụ: “Nếu X xảy ra, thì hãy làm Y” (Liu et al., 2014). Nếu tập dữ liệu thể hiện sự tương quan và mô hình cây quyết định được huấn luyện và đánh giá đúng cách, phương pháp này có thể là một cách hiệu quả để tự động hóa quá trình ghép nối LS và IS.
Trong giai đoạn phát triển thứ hai, tập dữ liệu được tăng lên 255 để cải thiện độ chính xác của công cụ đề xuất. Tập dữ liệu được chia theo tỷ lệ 1:4. 25% (64) tập dữ liệu được sử dụng cho tập dữ liệu kiểm tra, và 75% còn lại (191) được sử dụng làm tập dữ liệu huấn luyện (Hình 2). Việc chia tập dữ liệu là cần thiết để ngăn chặn việc mô hình được huấn luyện và kiểm tra trên cùng một tập dữ liệu, điều này có thể khiến mô hình ghi nhớ thay vì học hỏi. Mô hình được huấn luyện trên tập dữ liệu huấn luyện và đánh giá hiệu suất của nó trên tập dữ liệu kiểm tra—dữ liệu mà mô hình chưa từng thấy trước đây.
Sau khi công cụ IS được phát triển, ứng dụng sẽ có khả năng phân loại LS dựa trên phản hồi của sinh viên nha khoa thông qua giao diện web. Hệ thống công cụ đề xuất an ninh thông tin dựa trên web được xây dựng bằng ngôn ngữ lập trình Python sử dụng framework Django làm phần backend. Bảng 2 liệt kê các thư viện được sử dụng trong quá trình phát triển hệ thống này.
Tập dữ liệu được đưa vào mô hình cây quyết định để tính toán và trích xuất phản hồi của học sinh nhằm tự động phân loại các chỉ số LS của học sinh.
Ma trận nhầm lẫn được sử dụng để đánh giá độ chính xác của thuật toán máy học 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 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 loại tích cực, Sai dương (FP) – mô hình dự đoán loại tích cực, nhưng nhãn thực tế là tiêu cực, Đúng âm (TN) – mô hình dự đoán chính xác loại tiêu cực, và Sai âm (FN) – mô hình dự đoán loại tiêu cực, nhưng nhãn thực tế là tích cực.
Các giá trị này sau đó được sử dụng để tính toán các chỉ số hiệu suất khác nhau của mô hình phân loại scikit-learn trong Python, cụ thể là độ chính xác (precision), độ thu hồi (recall) và điểm F1. Dưới đây là một số ví dụ:
Độ nhạy (hay khả năng thu hồi) đo lường khả năng của mô hình trong việc phân loại chính xác trình độ học tập (LS) của học sinh sau khi trả lời bảng câu hỏi m-ILS.
Độ đặc hiệu được gọi là tỷ lệ âm tính thật. Như bạn có thể thấy từ công thức trên, đây phải là tỷ lệ giữa số âm tính thật (TN) với số âm tính thật và số dương tính giả (FP). Là một phần của công cụ được khuyến nghị để phân loại ma túy trong giới học sinh, nó phải có khả năng nhận dạng chính xác.
Bộ dữ liệu gốc gồm 50 sinh viên được sử dụng để huấn luyện mô hình ML cây quyết định cho thấy độ chính xác tương đối thấp do lỗi của con người trong việc chú thích (Bảng 3). Sau khi tạo một chương trình dựa trên quy tắc đơn giản để tự động tính điểm LS và chú thích của sinh viên, số lượng bộ dữ liệu ngày càng tăng (255) đã được sử dụng để huấn luyện và kiểm tra hệ thống đề xuất.
Trong ma trận nhầm lẫn đa lớp, các phần tử trên đường 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 trên đường chéo thể hiện kết quả như mong đợi, cho thấy mô hình hoạt động tốt và dự đoán chính xác nhãn lớp cho mỗi phân loại LS. Vì vậy, độ chính xác tổng thể của công cụ đề xuất là 100%.
Các giá trị về độ chính xác, độ lặp lại, độ nhạy và điểm F1 được thể hiện trong Hình 5. Đối với hệ thống đề xuất sử dụng mô hình cây quyết định, điểm F1 của nó là 1.0 “hoàn hảo”, cho thấy độ lặp lại và độ chính xác hoàn hảo, phản ánh các giá trị độ nhạy và độ đặc hiệu đáng kể.
Hình 6 minh họa mô hình cây quyết định sau khi quá trình huấn luyện và kiểm thử hoàn tất. Khi so sánh song song, mô hình cây quyết định được huấn luyện với ít đặc trưng hơn cho thấy độ chính xác cao hơn và dễ hình dung hơn. Điều này cho thấy việc tối ưu hóa đặc trưng dẫn đến giảm số lượng đặc trưng là một bước quan trọng để cải thiện hiệu suất của mô hình.
Bằng cách áp dụng học có giám sát bằng cây quyết định, ánh xạ giữa LS (đầu vào) và IS (đầu ra mục tiêu) được tạo tự động và chứa thông tin chi tiết cho mỗi LS.
Kết quả cho thấy 34,9% trong số 255 sinh viên thích một (1) lựa chọn LS. Phần lớn (54,3%) có hai hoặc nhiều lựa chọn LS. 12,2% sinh viên nhận thấy LS khá cân bằng (Bảng 4). Ngoài tám LS chính, còn có 34 sự kết hợp phân loại LS dành cho sinh viên nha khoa Đại học Malaya. Trong số đó, nhận thức, thị giác và sự kết hợp giữa nhận thức và thị giác là những LS chính được sinh viên báo cáo (Hình 7).
Như có thể thấy từ Bảng 4, đa số sinh viên có phương pháp học tập chủ yếu dựa vào giác quan (13,7%) hoặc thị giác (8,6%). Có báo cáo cho biết 12,2% sinh viên kết hợp cả nhận thức và thị giác (phương pháp học tập nhận thức-thị giác). Những phát hiện này cho thấy sinh viên thích học và ghi nhớ thông qua các phương pháp đã được thiết lập, tuân theo các quy trình cụ thể và chi tiết, và có tính chú ý cao. Đồng thời, họ thích học bằng cách quan sát (sử dụng sơ đồ, v.v.) và có xu hướng thảo luận và áp dụng thông tin theo nhóm hoặc cá nhân.
Nghiên cứu này cung cấp tổng quan về các kỹ thuật học máy được sử dụng trong khai thác dữ liệu, tập trung vào việc dự đoán tức thời và chính xác kinh nghiệm sống (LS) của sinh viên và đề xuất các giải pháp hỗ trợ học tập (IS) phù hợp. Việc áp dụng mô hình cây quyết định đã xác định được các yếu tố liên quan mật thiết nhất đến kinh nghiệm sống và học tập của họ. Đây là một thuật toán học máy có giám sát sử dụng cấu trúc cây để phân loại dữ liệu bằng cách chia một tập dữ liệu thành các tiểu mục dựa trên các tiêu chí nhất định. Nó hoạt động bằng cách chia dữ liệu đầu vào thành các tập con một cách đệ quy dựa trên giá trị của một trong các đặc trưng đầu vào của mỗi nút bên trong cho đến khi đưa ra quyết định tại nút lá.
Các nút bên trong của cây quyết định biểu thị giải pháp dựa trên các đặc điểm đầu vào của bài toán m-ILS, và các nút lá biểu thị dự đoán phân loại LS cuối cùng. Xuyên suốt nghiên cứu, dễ dàng hiểu được hệ thống phân cấp của cây quyết định, giải thích và trực quan hóa quá trình ra quyết định bằng cách xem xét mối quan hệ giữa các đặc điểm đầu vào và dự đoán đầu ra.
Trong lĩnh vực khoa học máy tính và kỹ thuật, các thuật toán học máy được sử dụng rộng rãi để dự đoán hiệu suất học tập của sinh viên dựa trên điểm thi đầu vào [21], thông tin nhân khẩu học và hành vi học tập [22]. Nghiên cứu cho thấy thuật toán đã dự đoán chính xác hiệu suất học tập của sinh viên và giúp họ xác định những sinh viên có nguy cơ gặp khó khăn trong học tập.
Ứng dụng các thuật toán ML trong việc phát triển các mô phỏng bệnh nhân ảo để đào tạo nha khoa đã được báo cáo. Mô phỏng này có khả năng tái tạo chính xác các phản ứng sinh lý của bệnh nhân thực 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 thể cải thiện chất lượng và hiệu quả của giáo dục nha khoa và y tế cũng như 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 tập dữ liệu như triệu chứng và đặc điểm của 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 kế hoạch điều trị cá nhân hóa [26], điều trị nha chu [27] và điều trị sâu răng [25].
Mặc dù đã có những báo cáo về việc ứng dụng máy học trong nha khoa được công bố, nhưng việc ứng dụng 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 đến LS (Learning Learning) và IS (Integrated Integrated Learning) ở sinh viên nha khoa.
Kết quả của nghiên cứu này cho thấy công cụ đề xuất được phát triển có độ chính xác cao và độ chính xác hoàn hảo, cho thấy 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 đề xuất được cá nhân hóa và cải thiện trải nghiệm và kết quả giáo dục cho cả giáo viên và học sinh. Trong đó, thông tin thu được thông qua các công cụ đề xuất có thể giải quyết xung đột giữa phương pháp giảng dạy ưa thích của giáo viên và nhu cầu học tập của học sinh. Ví dụ, nhờ đầu ra tự động của các công cụ đề xuất, thời gian cần thiết để xác định IP của học sinh và đối sánh nó với IP tương ứng sẽ giảm đáng kể. Bằng cách này, các hoạt động đào tạo và tài liệu đào tạo phù hợp có thể được tổ chức. Điều này giúp phát triển hành vi học tập tích cực và khả năng tập trung của học sinh. Một nghiên cứu đã báo cáo rằng việc cung cấp cho học sinh tài liệu học tập và hoạt động học tập phù hợp với LS ưa thích của họ có thể giúp học sinh tích hợp, xử lý và thích thú học tập theo nhiều cách để đạt được tiềm năng lớn hơn [12]. Nghiên cứu cũng chỉ ra rằng ngoài việc cải thiện sự tham gia của học sinh trong lớp học, việc hiểu quá trình học tập của học sinh cũng đóng vai trò quan trọng trong việc cải thiện các phương pháp giảng dạy và giao tiếp với học sinh [28, 29].
Tuy nhiên, cũng như bất kỳ công nghệ hiện đại nào, máy học cũng có những vấn đề và hạn chế. Chúng bao gồm các vấn đề liên quan đến bảo mật dữ liệu, sự thiên vị và công bằng, cũng như các kỹ năng chuyên môn và nguồn lực cần thiết để phát triển và triển khai các thuật toán máy học trong giáo dục nha khoa; Tuy nhiên, sự quan tâm và nghiên cứu ngày càng tăng trong lĩnh vực này cho thấy rằng công nghệ máy học 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 “cảm nhận” về thuốc. Loại người học này thích các sự kiện và ví dụ cụ thể, có định hướng thực tiễn, kiên nhẫn với chi tiết và có sở thích học tập “trực quan”, trong đó người học thích sử dụng hình ảnh, đồ họa, màu sắc và bản đồ để truyền đạt ý tưởng và suy nghĩ. Kết quả hiện tại phù hợp với các nghiên cứu khác sử dụng ILS để đánh giá LS ở sinh viên nha khoa và y khoa, hầu hết trong số họ có đặc điểm của LS nhận thức và trực quan [12, 30]. Dalmolin et al đề xuất rằng việc thông báo cho sinh viên về LS của họ cho phép họ phát huy hết tiềm năng học tập của mình. Các nhà nghiên cứu lập luận rằng khi giáo viên hiểu đầy đủ quá trình giáo dục của sinh viên, có thể thực hiện nhiều phương pháp và hoạt động giảng dạy khác nhau để cải thiện hiệu suất và trải nghiệm học tập của sinh viên [12, 31, 32]. Các nghiên cứu khác đã chỉ ra rằng việc điều chỉnh LS của sinh viên cũng cho thấy sự cải thiện trong trải nghiệm học tập và hiệu suất của sinh viên sau khi thay đổi phong cách học tập của họ cho phù hợp với LS của riêng họ [13, 33].
Ý kiến của giáo viên có thể khác nhau về việc thực hiện các chiến lược giảng dạy dựa trên khả năng học tập của học sinh. Trong khi một số người nhận thấy những lợi ích của cách tiếp cận này, bao gồm các cơ hội phát triển chuyên môn, cố vấn và hỗ trợ cộng đồng, những người khác có thể lo ngại về thời gian và sự hỗ trợ của tổ chức. Nỗ lực tìm kiếm sự cân bằng là chìa khóa để tạo ra thái độ lấy học sinh làm trung tâm. Các nhà chức trách giáo dục đại học, chẳng hạn như các nhà quản lý trường đại học, có thể đóng vai trò quan trọng trong việc thúc đẩy sự thay đổi tích cực bằng cách giới thiệu các thực tiễn đổi mới và hỗ trợ phát triển giảng viên [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 thay đổi chính sách, dành nguồn lực cho việc tích hợp công nghệ và tạo ra các khuôn khổ thúc đẩy các phương pháp tiếp cận lấy học sinh làm trung tâm. Những biện pháp này rất quan trọng để đạt được kết quả mong muốn. Nghiên cứu gần đây về giảng dạy phân hóa đã chỉ ra rõ ràng rằng việc thực hiện thành công giảng dạy phân hóa đòi hỏi các cơ hội đào tạo và phát triển liên tục cho giáo viên [35].
Công cụ này cung cấp sự hỗ trợ quý giá cho các nhà giáo dục nha khoa muốn áp dụng phương pháp lấy sinh viên làm trung tâm trong việc lập kế hoạch các hoạt động học tập thân thiện với sinh viên. Tuy nhiên, nghiên cứu này chỉ giới hạn ở việc sử dụng các mô hình học máy cây quyết định. Trong tương lai, cần thu thập thêm dữ liệu để so sánh hiệu suất của các mô hình học máy khác nhau nhằm so sánh độ chính xác, độ tin cậy và độ chuẩn xác của các công cụ đề xuất. Ngoài ra, khi lựa 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 độ phức tạp và khả năng diễn giải của mô hình.
Một hạn chế của nghiên cứu này là nó chỉ tập trung vào việc lập bản đồ LS và IS trong số sinh viên nha khoa. Do đó, hệ thống đề xuất được phát triển sẽ chỉ đề xuất những hệ thống phù hợp với sinh viên nha khoa. Cần có những thay đổi để có thể sử dụng cho sinh viên đại học nói chung.
Công cụ đề xuất dựa trên máy học mới được phát triển có khả năng phân loại và ghép nối ngay lập tức điểm LS của sinh viên với điểm IS tương ứng, trở thành chương trình giáo dục nha khoa đầu tiên giúp các nhà giáo dục nha khoa lập kế hoạch các hoạt động giảng dạy và học tập phù hợp. Sử dụng quy trình sàng lọc dựa trên dữ liệu, nó có thể cung cấp các đề xuất cá nhân hóa, tiết kiệm thời gian, cải thiện chiến lược giảng dạy, hỗ trợ các can thiệp mục tiêu và thúc đẩy phát triển chuyên môn liên tục. Ứng dụng của nó sẽ thúc đẩy các phương pháp giáo dục nha khoa lấy sinh viên làm trung tâm.
Gilak Jani, Associated Press. Sự phù hợp hay không phù hợp giữa phong cách học tập của học sinh và phong cách giảng dạy của giáo viên. Tạp chí Quốc tế về Giáo dục Hiện đại và Khoa học Máy tính. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Thời gian đăng bài: 29/04/2024