Aya kabutuhan tumuwuh pikeun learning-centered learning (SCL) di lembaga pendidikan tinggi, kaasup kedokteran gigi.Nanging, SCL ngagaduhan aplikasi terbatas dina pendidikan dental.Ku alatan éta, ulikan ieu boga tujuan pikeun ngamajukeun aplikasi SCL dina kedokteran gigi ku cara maké decision tree machine learning (ML) téhnologi pikeun peta gaya learning preferred (LS) jeung strategi learning saluyu (IS) siswa dental salaku alat mangpaat pikeun ngembangkeun tungtunan IS. .métode ngajangjikeun pikeun siswa dental.
Jumlahna aya 255 mahasiswa kedokteran gigi ti Universitas Malaya ngalengkepan angkét Modified Index of Learning Styles (m-ILS), anu ngandung 44 item pikeun ngagolongkeun kana LS masing-masing.Data anu dikumpulkeun (disebut dataset) dipaké dina pangajaran tangkal kaputusan diawasan pikeun otomatis cocog gaya diajar siswa jeung IS paling luyu.Kaakuratan alat rekomendasi IS dumasar kana mesin diajar teras dievaluasi.
Aplikasi model tangkal kaputusan dina prosés pemetaan otomatis antara LS (input) jeung IS (udagan kaluaran) ngamungkinkeun pikeun daptar saharita strategi learning luyu pikeun tiap murid dental.Alat rekomendasi IS nunjukkeun akurasi anu sampurna sareng ngingetkeun akurasi modél sadayana, nunjukkeun yén LS cocog sareng IS gaduh sensitipitas sareng spésifisitas anu saé.
Alat rekomendasi IS dumasar kana tangkal kaputusan ML parantos ngabuktikeun kamampuanana pikeun cocog sacara akurat gaya diajar siswa dental sareng strategi diajar anu pas.Alat ieu nyayogikeun pilihan anu kuat pikeun ngarencanakeun kursus atanapi modul anu dipuseurkeun ku murid anu tiasa ningkatkeun pangalaman diajar murid.
Ngajar jeung diajar mangrupa kagiatan fundamental di lembaga atikan.Nalika ngamekarkeun sistem pendidikan vokasional anu berkualitas luhur, penting pikeun difokuskeun kabutuhan diajar murid.Interaksi antara siswa jeung lingkungan diajarna bisa ditangtukeun ngaliwatan LS maranéhanana.Panalungtikan nunjukkeun yén mismatching guru-dimaksudkeun antara LS siswa jeung IS bisa boga konsekuensi négatip pikeun diajar siswa, kayaning turun perhatian jeung motivasi.Ieu sacara teu langsung bakal mangaruhan kinerja siswa [1,2].
IS mangrupa métode anu digunakeun ku guru pikeun méré pangaweruh jeung kaparigelan ka siswa, diantarana mantuan siswa diajar [3].Sacara umum, guru anu hadé ngarencanakeun strategi pangajaran atanapi IS anu paling cocog sareng tingkat pangaweruh muridna, konsép anu diajarkeun, sareng tahap diajarna.Sacara téoritis, nalika LS sareng IS cocog, murid bakal tiasa ngatur sareng ngagunakeun set kaahlian khusus pikeun diajar sacara efektif.Ilaharna, rencana pangajaran ngawengku sababaraha transisi antara tahapan, kayaning ti ngajar ka prakték dipandu atawa tina praktek dipandu ka praktek mandiri.Kalawan hal ieu, guru éféktif mindeng ngarencanakeun pangajaran kalawan tujuan ngawangun pangaweruh jeung kaahlian siswa [4].
Paménta pikeun SCL ngembang di lembaga pendidikan tinggi, kalebet kedokteran gigi.Strategi SCL dirancang pikeun nyumponan pangabutuh diajar siswa.Ieu bisa dihontal, contona, lamun siswa ilubiung aktip dina kagiatan diajar sarta guru bertindak salaku fasilitator jeung tanggung jawab nyadiakeun eupan balik berharga.Disebutkeun yén nyadiakeun bahan jeung kagiatan diajar anu luyu jeung jenjang atikan atawa karesep siswa bisa ngaronjatkeun lingkungan diajar siswa jeung ngaronjatkeun pangalaman diajar positif [5].
Sacara umum, prosés diajar siswa dental dipangaruhan ku rupa-rupa prosedur klinis anu kedah dilakukeun sareng lingkungan klinis dimana aranjeunna ngembangkeun kaahlian interpersonal anu efektif.Tujuan palatihan nyaéta pikeun ngaktifkeun murid ngagabungkeun pangaweruh dasar kedokteran gigi sareng kaahlian klinis dental sareng nerapkeun pangaweruh anu kaala kana kaayaan klinis anyar [6, 7].Panaliti awal kana hubungan antara LS sareng IS mendakan yén nyaluyukeun strategi diajar anu dipetakeun kana LS anu dipikaresep bakal ngabantosan ningkatkeun prosés pendidikan [8].Nu nulis ogé nyarankeun ngagunakeun rupa-rupa métode pangajaran jeung meunteun pikeun nyaluyukeun jeung diajar jeung kabutuhan siswa.
Guru kauntungan tina ngalarapkeun pangaweruh LS pikeun mantuan aranjeunna ngarancang, ngamekarkeun, jeung nerapkeun instruksi anu bakal ningkatkeun akuisisi siswa pangaweruh deeper tur pamahaman materi palajaran.Panalungtik geus ngembangkeun sababaraha alat penilaian LS, kayaning Modél Pangajaran Eksperiensial Kolb, Modél Gaya Diajar Felder-Silverman (FSLSM), jeung Modél Fleming VAK/VARK [5, 9, 10].Nurutkeun pustaka, ieu modél pangajaran mangrupa modél pangajaran anu panglobana dipaké jeung paling ditalungtik.Dina karya panalungtikan ayeuna, FSLSM dipaké pikeun meunteun LS diantara mahasiswa dental.
FSLSM nyaéta modél anu loba dipaké pikeun meunteun pangajaran adaptif dina rékayasa.Aya seueur karya anu diterbitkeun dina élmu kaséhatan (kalebet ubar, asuhan, apoték sareng kedokteran gigi) anu tiasa dipendakan nganggo modél FSLSM [5, 11, 12, 13].Instrumén anu digunakeun pikeun ngukur diménsi LS dina FLSM disebut Indéks Gaya Diajar (ILS) [8], anu eusina 44 item meunteun opat diménsi LS: ngolah (aktif/reflektif), persépsi (perséptual/intuitif), asupan (visual)./verbal) jeung pamahaman (sequential/global) [14].
Ditémbongkeun saperti dina Gambar 1, unggal dimensi FSLSM boga preferensi dominan.Upamana, dina dimensi ngolah, siswa anu LS “aktif” leuwih resep ngolah informasi ku cara langsung interaksi jeung bahan ajar, diajar ku cara ngalakukeun, jeung condong diajar sacara kelompok.The "reflective" LS nujul kana diajar ngaliwatan pamikiran jeung prefers digawekeun nyalira.Dimensi "perceiving" LS tiasa dibagi kana "perasaan" sareng / atanapi "intuisi".Siswa "Rarasaan" langkung resep kana inpormasi anu langkung konkrit sareng prosedur praktis, berorientasi kanyataan dibandingkeun sareng siswa "intuitif" anu resep kana bahan abstrak sareng langkung inovatif sareng kreatif.Diménsi "input" LS diwangun ku "visual" jeung "verbal" peserta didik.Jalma kalawan LS "visual" resep diajar ngaliwatan demonstrasi visual (saperti diagram, video, atawa demonstrasi langsung), sedengkeun jalma kalawan LS "verbal" resep diajar ngaliwatan kecap dina katerangan tinulis atawa lisan.Pikeun "ngartos" dimensi LS, peserta didik sapertos tiasa dibagi kana "sequential" sareng "global"."Pelajar berurutan resep kana prosés pamikiran linier sareng diajar léngkah-léngkah, sedengkeun peserta didik global condong gaduh prosés pamikiran anu holistik sareng salawasna gaduh pamahaman anu langkung saé ngeunaan naon anu aranjeunna diajar.
Anyar-anyar ieu, seueur panaliti parantos ngamimitian ngajalajah metode pikeun panemuan anu didorong ku data otomatis, kalebet pamekaran algoritma sareng modél énggal anu tiasa napsirkeun data anu ageung [15, 16].Dumasar kana data anu disayogikeun, supervised ML (machine learning) tiasa ngahasilkeun pola sareng hipotesis anu ngaramalkeun hasil anu bakal datang dumasar kana konstruksi algoritma [17].Saderhana, téknik pembelajaran mesin anu diawaskeun ngamanipulasi data input sareng algoritma ngalatih.Éta teras ngahasilkeun rentang anu ngagolongkeun atanapi ngaramalkeun hasilna dumasar kana kaayaan anu sami pikeun data input anu disayogikeun.Kauntungan utama tina algoritma pembelajaran mesin anu diawaskeun nyaéta kamampuan pikeun netepkeun hasil anu idéal sareng anu dipikahoyong [17].
Ngaliwatan pamakéan métode data-disetir jeung model kontrol tangkal kaputusan, deteksi otomatis LS mungkin.Tangkal kaputusan parantos dilaporkeun seueur dianggo dina program pelatihan dina sagala rupa widang, kalebet élmu kaséhatan [18, 19].Dina ulikan ieu, modél dilatih sacara khusus ku pamekar sistem pikeun ngaidentipikasi LS siswa sareng nyarankeun IS anu pangsaéna pikeun aranjeunna.
Tujuan tina ieu panalungtikan nyaéta pikeun mekarkeun stratégi pangiriman IS dumasar kana LS siswa sareng ngalarapkeun pendekatan SCL ku cara mekarkeun alat rekomendasi IS anu dipetakeun kana LS.Aliran desain alat rekomendasi IS salaku strategi metoda SCL dipidangkeun dina Gambar 1. Alat rekomendasi IS dibagi jadi dua bagian, kaasup mékanisme klasifikasi LS ngagunakeun ILS jeung tampilan IS paling cocog pikeun siswa.
Khususna, karakteristik alat rekomendasi kaamanan inpormasi kalebet pamakean téknologi wéb sareng panggunaan pembelajaran mesin tangkal kaputusan.Pamekar sistem ningkatkeun pangalaman sareng mobilitas pangguna ku cara nyaluyukeun kana alat sélulér sapertos telepon sélulér sareng tablet.
Ékspérimén dilaksanakeun dina dua tahap sareng mahasiswa Fakultas Kedokteran Gigi di Universitas Malaya milu sacara sukarela.Pamilon ngaréspon kana m-ILS online mahasiswa kedokteran gigi dina basa Inggris.Dina fase awal, susunan data 50 siswa digunakeun pikeun ngalatih algoritma pembelajaran mesin tangkal kaputusan.Dina tahap kadua prosés pamekaran, susunan data 255 siswa digunakeun pikeun ngaronjatkeun akurasi instrumén anu dimekarkeun.
Sadaya pamilon nampi pengarahan online dina awal unggal tahap, gumantung kana taun akademik, ngalangkungan Microsoft Teams.Tujuan ulikan ieu dipedar sarta informed idin dicandak.Sadaya pamilon disayogikeun tautan pikeun ngaksés m-ILS.Unggal murid dititah ngajawab sakabéh 44 item dina kuesioner.Aranjeunna dibéré saminggu pikeun ngaréngsékeun ILS anu dirobih dina waktos sareng lokasi anu cocog pikeun aranjeunna nalika istirahat semester sateuacan ngamimitian semester.The m-ILS dumasar kana instrumen ILS aslina tur dirobah pikeun siswa dental.Sarupa jeung ILS aslina, ngandung 44 item merata (a, b), kalawan 11 item unggal, nu dipaké pikeun assess aspék unggal dimensi FSLSM.
Salila tahap awal pangwangunan alat, panalungtik sacara manual annotated peta ngagunakeun dataset 50 siswa dental.Numutkeun kana FSLM, sistem nyayogikeun jumlah jawaban "a" sareng "b".Pikeun unggal dimensi, lamun siswa milih "a" salaku jawaban, LS digolongkeun kana Aktif/Perceptual/Visual/Sequential, sarta lamun siswa milih "b" salaku jawaban, siswa digolongkeun kana Reflektif/Intuitif/Linguistik. ./ diajar global.
Saatos calibrating alur kerja antara peneliti pendidikan dental sareng pamekar sistem, patarosan dipilih dumasar kana domain FLSSM sareng dilebetkeun kana modél ML pikeun ngaduga LS unggal murid."Sampah asup, sampah kaluar" mangrupakeun paribasa populér dina widang machine learning, kalawan tekenan kana kualitas data.Kualitas data input nangtukeun precision jeung akurasi model machine learning.Salila fase rékayasa fitur, set fitur anyar dijieun nu jumlah jawaban "a" jeung "b" dumasar kana FLSSM.Nomer idéntifikasi posisi ubar dirumuskeun dina Tabél 1.
Itung skor dumasar kana jawaban jeung tangtukeun LS siswa.Pikeun unggal murid, rentang skor ti 1 nepi ka 11. Skor ti 1 nepi ka 3 nunjukkeun kasaimbangan preferensi diajar dina diménsi anu sarua, sarta skor ti 5 nepi ka 7 nunjukkeun preferensi sedeng, nunjukkeun yén siswa condong leuwih resep hiji lingkungan ngajarkeun batur. .Variasi anu sanés dina dimensi anu sami nyaéta yén skor tina 9 dugi ka 11 nunjukkeun karesep anu kuat pikeun hiji tungtung atanapi anu sanés [8].
Pikeun unggal dimensi, ubar dikelompokkeun kana "aktif", "reflektif" sareng "saimbang".Contona, nalika murid ngajawab "a" leuwih sering ti "b" dina item nu ditunjuk sarta skor nya ngaleuwihan bangbarung 5 pikeun item nu tangtu ngagambarkeun dimensi Processing LS, anjeunna milik LS "aktif". domain..Sanajan kitu, siswa digolongkeun kana "reflective" LS nalika aranjeunna milih "b" leuwih ti "a" dina 11 patarosan husus (Table 1) jeung ngoleksi leuwih ti 5 titik.Tungtungna, murid dina kaayaan "kasaimbangan".Upami skorna henteu langkung ti 5 poin, maka ieu mangrupikeun "prosés" LS.Prosés klasifikasi diulang deui pikeun dimensi LS séjénna, nya éta persépsi (aktif/reflektif), input (visual/verbal), jeung pamahaman (sequential/global).
Modél tangkal kaputusan bisa ngagunakeun sawaréh béda fitur sarta aturan kaputusan dina tahap béda tina prosés klasifikasi.Éta dianggap alat klasifikasi sareng prediksi populér.Ieu bisa digambarkeun ngagunakeun struktur tangkal saperti flowchart [20], nu aya titik internal ngagambarkeun tés dumasar atribut, unggal cabang ngagambarkeun hasil tés, sarta unggal titik daun (leaf node) ngandung labél kelas.
Hiji program dumasar aturan basajan dijieun pikeun otomatis skor na annotate LS unggal murid dumasar kana réspon maranéhna.Basis aturan nyandak bentuk pernyataan IF, dimana "IF" ngajelaskeun pemicu sareng "THEN" nangtukeun tindakan anu bakal dilakukeun, contona: "Upami X kajadian, teras lakukeun Y" (Liu et al., 2014).Upami set data nunjukkeun korelasi sareng modél tangkal kaputusan dilatih sareng dievaluasi leres, pendekatan ieu tiasa janten cara anu efektif pikeun ngajadikeun otomatis prosés cocog sareng LS sareng IS.
Dina tahap kadua pamekaran, set data dironjatkeun ka 255 pikeun ningkatkeun akurasi alat rekomendasi.Set data dibagi dina nisbah 1:4.25% (64) tina set data dipaké pikeun set test, sarta sésana 75% (191) dipaké salaku set latihan (Gambar 2).Set data perlu dibeulah pikeun nyegah model ti keur dilatih jeung diuji dina set data sarua, nu bisa ngabalukarkeun model inget tinimbang diajar.Modél ieu dilatih dina set latihan jeung ngaevaluasi kinerja na dina test set-data model geus pernah katempo sateuacan.
Sakali alat IS dikembangkeun, aplikasi bakal tiasa ngagolongkeun LS dumasar kana réspon mahasiswa dental via antarmuka wéb.Sistem alat rekomendasi kaamanan inpormasi basis wéb diwangun nganggo basa pamrograman Python nganggo kerangka Django salaku backend.Tabél 2 daptar perpustakaan anu digunakeun dina pamekaran sistem ieu.
Setét data disayogikeun kana modél tangkal kaputusan pikeun ngitung sareng ékstrak réspon murid pikeun otomatis ngagolongkeun pangukuran LS murid.
Matriks kabingungan dianggo pikeun ngira-ngira katepatan algoritma pembelajaran mesin tangkal kaputusan dina set data anu dipasihkeun.Dina waktos anu sami, éta ngaevaluasi kinerja modél klasifikasi.Éta nyimpulkeun prediksi modél sareng ngabandingkeunana kana labél data anu saleresna.Hasil évaluasi dumasar kana opat nilai anu béda: True Positive (TP) - modél leres ngaramalkeun kategori positif, Palsu Positif (FP) - model ngaramalkeun kategori positif, tapi labél leres négatip, True Negative (TN) - model bener diprediksi kelas négatip, sarta négatip palsu (FN) - model prédiksi kelas négatip, tapi labél leres positif.
Nilai-nilai ieu teras dianggo pikeun ngitung rupa-rupa métrik kinerja modél klasifikasi scikit-lear dina Python, nyaéta precision, precision, recall, sareng skor F1.Ieu conto:
Recall (atawa sensitipitas) ngukur kamampuh modél pikeun akurat mengklasifikasikan LS siswa sanggeus ngajawab kuesioner m-ILS.
spésifisitas disebut laju négatip leres.Sakumaha anjeun tiasa tingali tina rumus di luhur, ieu kedah babandingan négatip leres (TN) kana négatip leres sareng positip palsu (FP).Salaku bagian tina alat anu disarankeun pikeun ngagolongkeun ubar murid, éta kedah tiasa idéntifikasi anu akurat.
Dataset asli 50 murid anu dianggo pikeun ngalatih modél ML tangkal kaputusan nunjukkeun akurasi anu rada handap kusabab kasalahan manusa dina anotasi (Tabel 3).Sanggeus nyieun program dumasar aturan basajan pikeun otomatis ngitung skor LS jeung annotations murid, ngaronjatna jumlah datasets (255) dipaké pikeun ngalatih jeung nguji sistem recommender.
Dina matriks kabingungan multiclass, elemen diagonal ngagambarkeun jumlah prediksi bener pikeun tiap tipe LS (Gambar 4).Ngagunakeun model tangkal kaputusan, jumlahna aya 64 sampel anu bener diprediksi.Ku kituna, dina ulikan ieu, elemen diagonal nembongkeun hasil nu dipiharep, nunjukkeun yén modél ngalaksanakeun ogé tur akurat ngaramal labél kelas pikeun tiap klasifikasi LS.Ku kituna, akurasi sakabéh alat rekomendasi nyaeta 100%.
Nilai akurasi, precision, recall, sareng skor F1 dipidangkeun dina Gambar 5. Pikeun sistem rekomendasi anu nganggo model tangkal kaputusan, skor F1 na 1.0 "sampurna," nunjukkeun katepatan sampurna sareng ngelingan, ngagambarkeun sensitipitas sareng spésifisitas anu signifikan. nilai-nilai.
angka 6 nembongkeun visualisasi model tangkal kaputusan sanggeus latihan jeung nguji réngsé.Dina ngabandingkeun sisi-demi-sisi, model tangkal kaputusan dilatih kalawan fitur pangsaeutikna némbongkeun akurasi luhur sarta visualisasi model gampang.Ieu nunjukkeun yén rékayasa fitur ngarah kana pangurangan fitur mangrupikeun léngkah penting dina ningkatkeun kinerja modél.
Ku nerapkeun pembelajaran diawasan tangkal kaputusan, pemetaan antara LS (input) jeung IS (target output) otomatis dihasilkeun sarta ngandung inpo wincik pikeun tiap LS.
Hasilna némbongkeun yén 34,9% tina 255 siswa leuwih milih hiji (1) pilihan LS.Mayoritas (54,3%) miboga dua atawa leuwih preferensi LS.12,2% siswa nyatet yén LS cukup saimbang (Tabel 4).Salian dalapan LS utama, aya 34 kombinasi klasifikasi LS pikeun mahasiswa dental Universitas Malaya.Di antarana, persépsi, visi, jeung kombinasi persépsi jeung visi mangrupa LS utama dilaporkeun ku siswa (Gambar 7).
Tina tabél 4, seuseueurna siswa miboga LS indrawi anu dominan (13,7%) atawa visual (8,6%).Dilaporkeun yén 12,2% siswa ngagabungkeun persepsi jeung visi (perceptual-visual LS).Papanggihan ieu nunjukkeun yén siswa resep diajar sareng nginget ngaliwatan métode anu ditetepkeun, nuturkeun prosedur anu khusus sareng rinci, sareng sifatna attentive.Dina waktos anu sami, aranjeunna resep diajar ku cara ningali (ngagunakeun diagram, jsb.) sareng condong ngabahas sareng nerapkeun inpormasi dina kelompok atanapi nyalira.
Panaliti ieu nyayogikeun tinjauan téknik pembelajaran mesin anu dianggo dina pertambangan data, kalayan fokus kana ngaramal LS siswa sacara langsung sareng akurat sareng nyarankeun IS anu cocog.Aplikasi tina model tangkal kaputusan dicirikeun faktor paling raket patalina jeung kahirupan maranéhanana sarta pangalaman atikan.Éta mangrupikeun algoritma pembelajaran mesin anu diawaskeun anu ngagunakeun struktur tangkal pikeun ngagolongkeun data ku ngabagi sakumpulan data kana subkategori dumasar kana kriteria anu tangtu.Gawéna ku rekursif ngabagi data input kana subset dumasar kana nilai salah sahiji fitur input unggal titik internal nepi ka kaputusan dijieun dina titik daun.
Titik internal tina tangkal kaputusan ngagambarkeun solusi dumasar kana karakteristik input masalah m-ILS, sarta titik daun ngagambarkeun prediksi klasifikasi LS final.Sapanjang pangajaran, gampang ngartos hirarki tangkal kaputusan anu ngajelaskeun sareng ngabayangkeun prosés kaputusan ku ningali hubungan antara fitur input sareng prediksi kaluaran.
Dina widang élmu komputer sareng rékayasa, algoritma pembelajaran mesin seueur dianggo pikeun ngaduga kinerja murid dumasar kana skor ujian asupna [21], inpormasi demografi, sareng kabiasaan diajar [22].Panalungtikan némbongkeun yén algoritma akurat diprediksi kinerja murid sarta mantuan aranjeunna ngaidentipikasi siswa dina resiko keur kasusah akademik.
Aplikasi tina algoritma ML dina ngembangkeun simulators sabar maya pikeun latihan dental dilaporkeun.Simulator éta sanggup sacara akurat ngahasilkeun deui réspon fisiologis pasien nyata sareng tiasa dianggo pikeun ngalatih mahasiswa dental dina lingkungan anu aman sareng terkendali [23].Sababaraha panilitian sanésna nunjukkeun yén algoritma pembelajaran mesin berpotensi tiasa ningkatkeun kualitas sareng efisiensi pendidikan dental sareng médis sareng perawatan pasien.Algoritma pembelajaran mesin parantos dianggo pikeun ngabantosan diagnosis panyakit dental dumasar kana set data sapertos gejala sareng ciri pasien [24, 25].Nalika panilitian sanés ngajalajah pamakean algoritma pembelajaran mesin pikeun ngalaksanakeun tugas sapertos ngaramalkeun hasil pasien, ngaidentipikasi pasien berisiko tinggi, ngembangkeun rencana perawatan pribadi [26], perawatan periodontal [27], sareng perawatan karies [25].
Sanaos laporan ngeunaan aplikasi pembelajaran mesin dina kedokteran gigi parantos diterbitkeun, aplikasina dina pendidikan dental tetep terbatas.Ku alatan éta, ulikan ieu ditujukeun pikeun ngagunakeun modél tangkal kaputusan pikeun ngaidentipikasi faktor anu paling raket pakait sareng LS sareng IS diantara mahasiswa kedokteran gigi.
Hasil tina ieu panalungtikan nunjukkeun yén alat rékoméndasi anu dimekarkeun miboga akurasi anu luhur jeung akurasi anu sampurna, nuduhkeun yén guru bisa meunangkeun mangpaat tina alat ieu.Nganggo prosés klasifikasi anu didorong ku data, éta tiasa masihan saran anu dipersonalisasi sareng ningkatkeun pangalaman sareng hasil pendidikan pikeun pendidik sareng murid.Di antarana, informasi anu dimeunangkeun ngaliwatan alat rékoméndasi bisa ngaréngsékeun konflik antara métode pangajaran anu dipikaresep ku guru jeung kabutuhan diajar siswa.Salaku conto, kusabab kaluaran otomatis tina alat rekomendasi, waktos anu diperyogikeun pikeun ngaidentipikasi IP murid sareng cocog sareng IP anu cocog bakal ngirangan sacara signifikan.Ku cara kieu, kagiatan pelatihan sareng bahan pelatihan anu cocog tiasa diatur.Ieu ngabantuan ngembangkeun kabiasaan diajar murid anu positip sareng kamampuan konsentrasi.Hiji studi ngalaporkeun yén nyadiakeun siswa bahan ajar jeung kagiatan diajar nu cocog LS pikaresep maranéhanana bisa mantuan siswa integrasi, prosés, jeung ngarasakeun diajar dina sababaraha cara pikeun ngahontal poténsi gede [12].Panalungtikan ogé némbongkeun yén salian pikeun ngaronjatkeun partisipasi siswa di kelas, pamahaman prosés diajar siswa ogé maénkeun peran kritis dina ngaronjatkeun prakna ngajar jeung komunikasi jeung siswa [28, 29].
Nanging, sapertos téknologi modéren, aya masalah sareng watesan.Ieu kalebet masalah anu aya hubunganana sareng privasi data, bias sareng kaadilan, sareng kaahlian profésional sareng sumber daya anu diperyogikeun pikeun ngembangkeun sareng nerapkeun algoritma pembelajaran mesin dina pendidikan dental;Nanging, minat sareng panilitian anu ngembang di daérah ieu nunjukkeun yén téknologi diajar mesin tiasa gaduh dampak anu positif kana pendidikan dental sareng jasa dental.
Hasil panilitian ieu nunjukkeun yén satengah mahasiswa kedokteran gigi gaduh kacenderungan pikeun "nganggap" ubar.Jenis peserta didik ieu resep kana fakta sareng conto konkrit, orientasi praktis, kasabaran pikeun detil, sareng karesep LS "visual", dimana peserta didik langkung resep ngagunakeun gambar, grafik, warna, sareng peta pikeun nepikeun ide sareng pikiran.Hasilna ayeuna konsisten sareng panilitian sanés anu ngagunakeun ILS pikeun meunteun LS dina mahasiswa dental sareng médis, anu kalolobaanana gaduh ciri persépsi sareng visual LS [12, 30].Dalmolin dkk nyarankeun yen informing siswa ngeunaan LS maranéhanana ngamungkinkeun aranjeunna pikeun ngahontal poténsi learning maranéhanana.Panalungtik ngébréhkeun yén nalika guru paham kana prosés atikan siswa, rupa-rupa métode jeung kagiatan pangajaran bisa dilaksanakeun anu bakal ngaronjatkeun kinerja jeung pangalaman diajar siswa [12, 31, 32].Panaliti séjén nunjukkeun yén nyaluyukeun LS siswa ogé nunjukkeun paningkatan dina pangalaman diajar sareng kinerja siswa saatos ngarobih gaya diajar pikeun nyocogkeun LS sorangan [13, 33].
Pamadegan guru bisa rupa-rupa ngeunaan palaksanaan stratégi pangajaran dumasar kana kamampuh diajar siswa.Bari sababaraha ningali mangpaat pendekatan ieu, kaasup kasempetan ngembangkeun profésional, mentorship, sarta rojongan masarakat, batur bisa jadi paduli waktu jeung rojongan institusional.Striving pikeun kasaimbangan mangrupakeun konci pikeun nyieun sikep murid-dipuseurkeun.Otoritas pendidikan tinggi, sapertos pangurus universitas, tiasa maénkeun peran anu penting dina nyetir parobahan positip ku ngenalkeun prakték inovatif sareng ngadukung pamekaran fakultas [34].Pikeun nyiptakeun sistem pendidikan tinggi anu leres-leres dinamis sareng responsif, para pembuat kawijakan kedah nyandak léngkah-léngkah anu wani, sapertos ngadamel parobihan kabijakan, nyéépkeun sumber daya pikeun integrasi téknologi, sareng nyiptakeun kerangka anu ngamajukeun pendekatan anu museur murid.Ukuran ieu penting pikeun ngahontal hasil anu dipikahoyong.Panaliti anyar ngeunaan instruksi anu dibédakeun jelas nunjukkeun yén palaksanaan anu suksés tina instruksi anu dibédakeun butuh pelatihan sareng kasempetan pangembangan pikeun guru [35].
Alat ieu nyayogikeun pangrojong anu berharga pikeun pendidik dental anu hoyong nyandak pendekatan anu dipuseurkeun murid pikeun ngarencanakeun kagiatan diajar anu ramah-murid.Sanajan kitu, ulikan ieu dugi ka pamakéan model ML tangkal kaputusan.Ka hareupna, langkung seueur data kedah dikumpulkeun pikeun ngabandingkeun kinerja modél pembelajaran mesin anu béda pikeun ngabandingkeun akurasi, réliabilitas, sareng presisi alat rekomendasi.Salaku tambahan, nalika milih metode pembelajaran mesin anu paling pas pikeun tugas khusus, penting pikeun mertimbangkeun faktor sanésna sapertos pajeulitna modél sareng interpretasi.
Watesan ulikan ieu nya éta ngan museurkeun kana pemetaan LS jeung IS diantara mahasiswa dental.Ku alatan éta, sistem rekomendasi anu dimekarkeun ngan bakal nyarankeun anu cocog pikeun mahasiswa dental.Parobahan dipikabutuh pikeun pamakéan murid paguron luhur umum.
Alat rekomendasi dumasar-mesin anu nembe dikembangkeun tiasa langsung ngagolongkeun sareng nyocogkeun LS siswa sareng IS anu saluyu, ngajantenkeun program pendidikan dental munggaran pikeun ngabantosan pendidik dental ngarencanakeun kagiatan diajar sareng diajar anu relevan.Ngagunakeun prosés triage data-disetir, éta bisa nyadiakeun saran pribadi, ngahemat waktos, ngaronjatkeun strategi pangajaran, ngarojong interventions sasaran, sarta ngamajukeun ngembangkeun profésional lumangsung.Aplikasina bakal ngamajukeun pendekatan anu dipuseurkeun murid kana pendidikan dental.
Gilak Jani Associated Press.Cocog atawa teu cocog antara gaya diajar siswa jeung gaya diajar guru.Int J Mod Educ Élmu Komputer.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
waktos pos: Apr-29-2024