Aya kabutuhan anu ningkat pikeun pembelajaran anu museur kana mahasiswa (SCL) di lembaga pendidikan tinggi, kalebet kedokteran gigi. Nanging, SCL gaduh aplikasi anu terbatas dina pendidikan kedokteran gigi. Ku alatan éta, panilitian ieu bertujuan pikeun ngamajukeun aplikasi SCL dina kedokteran gigi ku cara ngagunakeun téknologi pembelajaran mesin (ML) tangkal kaputusan pikeun memetakan gaya diajar anu dipikaresep (LS) sareng strategi diajar (IS) anu saluyu sareng mahasiswa kedokteran gigi salaku alat anu mangpaat pikeun ngembangkeun pedoman IS. Métode anu ngajangjikeun pikeun mahasiswa kedokteran gigi.
Sajumlah 255 mahasiswa kedokteran gigi ti Universitas Malaya ngalengkepan angkét Indéks Gaya Diajar anu dimodifikasi (m-ILS), anu ngandung 44 item pikeun ngagolongkeunana kana LS masing-masing. Data anu dikumpulkeun (disebut kumpulan data) dianggo dina pembelajaran tangkal kaputusan anu diawasi pikeun sacara otomatis cocogkeun gaya diajar siswa sareng IS anu paling pas. Akurasi alat rekomendasi IS berbasis pembelajaran mesin teras dievaluasi.
Aplikasi modél tangkal kaputusan dina prosés pemetaan otomatis antara LS (input) sareng IS (output target) ngamungkinkeun daptar langsung strategi diajar anu pas pikeun unggal mahasiswa kedokteran gigi. Alat rekomendasi IS nunjukkeun akurasi sareng pangéling-ngéling anu sampurna ngeunaan akurasi modél sacara umum, nunjukkeun yén cocogkeun LS sareng IS gaduh sensitivitas sareng spésifisitas anu saé.
Alat rekomendasi IS dumasar kana tangkal kaputusan ML parantos ngabuktikeun kamampuanna pikeun cocog sacara akurat gaya diajar mahasiswa kedokteran gigi sareng strategi diajar anu pas. Alat ieu nyayogikeun pilihan anu kuat pikeun ngarencanakeun kursus atanapi modul anu museur kana pelajar anu tiasa ningkatkeun pangalaman diajar mahasiswa.
Ngajar sareng diajar mangrupikeun kagiatan dasar dina lembaga atikan. Nalika ngembangkeun sistem atikan vokasional anu kualitasna luhur, penting pikeun fokus kana kabutuhan diajar siswa. Interaksi antara siswa sareng lingkungan diajarna tiasa ditangtukeun ngalangkungan LS na. Panalungtikan nunjukkeun yén ketidakcocokan anu direncanakeun ku guru antara LS sareng IS siswa tiasa gaduh akibat négatif pikeun diajar siswa, sapertos turunna perhatian sareng motivasi. Ieu sacara teu langsung bakal mangaruhan kinerja siswa [1,2].
IS nyaéta métode anu dianggo ku guru pikeun nepikeun élmu pangaweruh sareng katerampilan ka murid, kalebet ngabantosan murid diajar [3]. Sacara umum, guru anu saé ngarencanakeun strategi pangajaran atanapi IS anu paling cocog sareng tingkat pangaweruh muridna, konsép anu diajar, sareng tahapan diajarna. Sacara téoritis, nalika LS sareng IS cocog, murid bakal tiasa ngatur sareng nganggo sakumpulan katerampilan khusus pikeun diajar sacara efektif. Biasana, rencana pangajaran ngawengku sababaraha transisi antara tahapan, sapertos tina ngajar ka prakték anu dipandu atanapi tina prakték anu dipandu ka prakték mandiri. Kalayan ieu, guru anu efektif sering ngarencanakeun pangajaran kalayan tujuan pikeun ngawangun élmu pangaweruh sareng katerampilan murid [4].
Paménta pikeun SCL beuki ningkat di lembaga atikan luhur, kalebet kedokteran gigi. Strategi SCL dirancang pikeun minuhan kabutuhan diajar siswa. Ieu tiasa kahontal, contona, upami siswa aktip ilubiung dina kagiatan diajar sareng guru bertindak salaku fasilitator sareng tanggung jawab pikeun masihan eupan balik anu berharga. Disebutkeun yén nyayogikeun bahan diajar sareng kagiatan anu cocog sareng tingkat atikan atanapi karesep siswa tiasa ningkatkeun lingkungan diajar siswa sareng ngamajukeun pangalaman diajar anu positif [5].
Sacara umum, prosés diajar mahasiswa kedokteran gigi dipangaruhan ku rupa-rupa prosedur klinis anu diwajibkeun pikeun dilakukeun sareng lingkungan klinis dimana aranjeunna ngembangkeun kaahlian interpersonal anu efektif. Tujuan pelatihan ieu nyaéta pikeun ngamungkinkeun mahasiswa ngagabungkeun pangaweruh dasar ngeunaan kedokteran gigi sareng kaahlian klinis kedokteran gigi sareng nerapkeun pangaweruh anu didapet kana kaayaan klinis anyar [6, 7]. Panalungtikan awal ngeunaan hubungan antara LS sareng IS mendakan yén nyaluyukeun strategi diajar anu dipetakeun kana LS anu dipikaresep bakal ngabantosan ningkatkeun prosés atikan [8]. Para panulis ogé nyarankeun ngagunakeun rupa-rupa metode pangajaran sareng penilaian pikeun nyaluyukeun kana diajar sareng kabutuhan siswa.
Guru-guru meunang mangpaat tina nerapkeun pangaweruh LS pikeun ngabantosan aranjeunna ngarancang, ngembangkeun, sareng ngalaksanakeun pangajaran anu bakal ningkatkeun kamampuan siswa pikeun meunangkeun pangaweruh anu langkung jero sareng pamahaman ngeunaan materi pelajaran. Para panalungtik parantos ngembangkeun sababaraha alat penilaian LS, sapertos Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM), sareng Fleming VAK/VARK Model [5, 9, 10]. Numutkeun literatur, modél pembelajaran ieu mangrupikeun modél pembelajaran anu paling umum dianggo sareng paling seueur ditalungtik. Dina karya panalungtikan ayeuna, FSLSM dianggo pikeun meunteun LS di kalangan mahasiswa kedokteran gigi.
FSLSM mangrupikeun modél anu seueur dianggo pikeun meunteun pembelajaran adaptif dina rékayasa. Aya seueur karya anu diterbitkeun dina élmu kaséhatan (kalebet kadokteran, keperawatan, farmasi sareng kedokteran gigi) anu tiasa dipendakan nganggo modél FSLSM [5, 11, 12, 13]. Instrumen anu dianggo pikeun ngukur diménsi LS dina FLSM disebut Index of Learning Styles (ILS) [8], anu ngandung 44 item anu meunteun opat diménsi LS: pamrosésan (aktif / réfléktif), persépsi (perséptual / intuitif), input (visual). /verbal) sareng pamahaman (sekuensial / global) [14].
Sakumaha anu dipidangkeun dina Gambar 1, unggal diménsi FSLSM gaduh karesep anu dominan. Salaku conto, dina diménsi pamrosésan, siswa anu gaduh LS "aktif" langkung resep ngolah inpormasi ku cara langsung berinteraksi sareng bahan diajar, diajar ku cara ngalakukeun, sareng condong diajar dina kelompok. LS "réfléktif" nujul kana diajar ngalangkungan pamikiran sareng langkung resep damel nyalira. Diménsi "ngarasa" tina LS tiasa dibagi kana "ngarasa" sareng/atanapi "intuisi." Siswa "ngarasa" langkung resep inpormasi anu langkung kongkrit sareng prosedur praktis, berorientasi kana fakta dibandingkeun sareng siswa "intuitif" anu langkung resep kana bahan abstrak sareng langkung inovatif sareng kreatif. Diménsi "input" tina LS diwangun ku pelajar "visual" sareng "verbal". Jalma anu gaduh LS "visual" langkung resep diajar ngalangkungan demonstrasi visual (sapertos diagram, pidéo, atanapi demonstrasi langsung), sedengkeun jalma anu gaduh LS "verbal" langkung resep diajar ngalangkungan kecap-kecap dina katerangan tinulis atanapi lisan. Pikeun "ngartos" diménsi LS, pelajar sapertos kitu tiasa dibagi kana "sekuensial" sareng "global". "Pelajar sekuensial langkung milih prosés pamikiran linier sareng diajar léngkah-léngkah, sedengkeun pelajar global condong gaduh prosés pamikiran holistik sareng salawasna gaduh pamahaman anu langkung saé ngeunaan naon anu aranjeunna diajar."
Anyar-anyar ieu, seueur panalungtik anu mimiti nalungtik metode pikeun panemuan otomatis anu didorong ku data, kalebet pamekaran algoritma sareng modél énggal anu sanggup napsirkeun sajumlah ageung data [15, 16]. Dumasar kana data anu disayogikeun, supervised ML (machine learning) tiasa ngahasilkeun pola sareng hipotesis anu ngaduga hasil ka hareup dumasar kana konstruksi algoritma [17]. Sacara sederhana, téknik supervised machine learning ngamanipulasi data input sareng ngalatih algoritma. Teras ngahasilkeun rentang anu ngaklasifikasikeun atanapi ngaduga hasil dumasar kana kaayaan anu sami pikeun data input anu disayogikeun. Kauntungan utama algoritma supervised machine learning nyaéta kamampuanna pikeun netepkeun hasil anu idéal sareng dipikahoyong [17].
Ngaliwatan panggunaan metode anu didorong ku data sareng modél kontrol tangkal kaputusan, deteksi otomatis LS tiasa dilakukeun. Tangkal kaputusan parantos dilaporkeun seueur dianggo dina program pelatihan di sababaraha widang, kalebet élmu kaséhatan [18, 19]. Dina panilitian ieu, modél ieu dilatih khusus ku pamekar sistem pikeun ngaidentipikasi LS siswa sareng nyarankeun IS anu pangsaéna pikeun aranjeunna.
Tujuan tina ieu panilitian nyaéta pikeun ngembangkeun strategi pangiriman IS dumasar kana LS siswa sareng nerapkeun pendekatan SCL ku cara ngembangkeun alat rekomendasi IS anu dipetakan kana LS. Alur desain alat rekomendasi IS salaku strategi metode SCL dipidangkeun dina Gambar 1. Alat rekomendasi IS dibagi kana dua bagian, kalebet mékanisme klasifikasi LS nganggo ILS sareng tampilan IS anu paling cocog pikeun siswa.
Utamana, ciri-ciri alat rekomendasi kaamanan informasi kalebet panggunaan téknologi wéb sareng panggunaan pembelajaran mesin tangkal kaputusan. Pamekar sistem ningkatkeun pangalaman sareng mobilitas pangguna ku cara nyaluyukeunana kana alat sélulér sapertos telepon sélulér sareng tablet.
Ékspérimén ieu dilaksanakeun dina dua tahapan sareng mahasiswa ti Fakultas Kedokteran Gigi Universitas Malaya ngiringan sacara sukarela. Pamilon ngaréspon m-ILS online mahasiswa kedokteran gigi dina basa Inggris. Dina fase awal, kumpulan data 50 mahasiswa dianggo pikeun ngalatih algoritma pembelajaran mesin tangkal kaputusan. Dina fase kadua prosés pamekaran, kumpulan data 255 mahasiswa dianggo pikeun ningkatkeun akurasi instrumen anu dikembangkeun.
Sadaya pamilon nampi pengarahan online di awal unggal tahapan, gumantung kana taun akademikna, ngalangkungan Microsoft Teams. Tujuan panilitian dijelaskeun sareng idin anu diinformasikeun parantos diala. Sadaya pamilon dipasihan tautan pikeun ngaksés m-ILS. Unggal mahasiswa diinstruksikeun pikeun ngajawab sadaya 44 item dina angkét. Aranjeunna dipasihan saminggu pikeun ngalengkepan ILS anu dirobih dina waktos sareng lokasi anu merenah pikeun aranjeunna nalika liburan semester sateuacan awal semester. M-ILS dumasar kana instrumen ILS asli sareng dirobih pikeun mahasiswa kedokteran gigi. Sarupa sareng ILS asli, éta ngandung 44 item anu disebarkeun sacara rata (a, b), kalayan 11 item masing-masing, anu dianggo pikeun meunteun aspék unggal diménsi FSLSM.
Salila tahap awal pamekaran alat, para panalungtik sacara manual ngaanotasi peta nganggo sét data 50 mahasiswa kedokteran gigi. Numutkeun FSLM, sistem ieu nyayogikeun jumlah jawaban "a" sareng "b". Pikeun unggal diménsi, upami mahasiswa milih "a" salaku jawaban, LS digolongkeun salaku Aktif/Perseptual/Visual/Sekuensial, sareng upami mahasiswa milih "b" salaku jawaban, mahasiswa digolongkeun salaku Reflektif/Intuitif/Linguistik. / pelajar global.
Saatos ngalibrasi alur kerja antara panaliti pendidikan kedokteran gigi sareng pamekar sistem, patarosan dipilih dumasar kana domain FLSSM sareng diasupkeun kana modél ML pikeun ngaduga LS unggal murid. "Sampah asup, sampah kaluar" mangrupikeun paribasa anu populér dina widang pembelajaran mesin, kalayan penekanan kana kualitas data. Kualitas data input nangtukeun katepatan sareng akurasi modél pembelajaran mesin. Salila fase rékayasa fitur, sét fitur énggal didamel nyaéta jumlah jawaban "a" sareng "b" dumasar kana FLSSM. Nomer idéntifikasi posisi ubar dipasihkeun dina Tabel 1.
Itung skor dumasar kana jawaban sareng tangtukeun LS murid. Pikeun unggal murid, rentang skor nyaéta ti 1 dugi ka 11. Skor ti 1 dugi ka 3 nunjukkeun kasaimbangan karesep diajar dina diménsi anu sami, sareng skor ti 5 dugi ka 7 nunjukkeun karesep anu sedeng, nunjukkeun yén murid condong langkung milih hiji lingkungan ngajar anu sanés. Variasi sanés dina diménsi anu sami nyaéta skor ti 9 dugi ka 11 ngagambarkeun karesep anu kuat pikeun hiji tungtung atanapi anu sanésna [8].
Pikeun unggal diménsi, ubar dikelompokkeun kana "aktif", "réfléktif" sareng "saimbang". Salaku conto, nalika murid ngajawab "a" langkung sering tibatan "b" dina item anu ditunjuk sareng skorna ngaleuwihan ambang 5 pikeun item khusus anu ngawakilan diménsi LS Pangolahan, anjeunna kagolong kana domain LS "aktif". Nanging, murid digolongkeun salaku LS "réfléktif" nalika aranjeunna milih "b" langkung ti "a" dina 11 patarosan khusus (Tabel 1) sareng ngoleksi langkung ti 5 poin. Pamungkas, murid aya dina kaayaan "kasaimbangan." Upami skor henteu ngaleuwihan 5 poin, maka ieu mangrupikeun LS "prosés". Prosés klasifikasi diulang pikeun diménsi LS anu sanés, nyaéta persépsi (aktif/réfléktif), input (visual/verbal), sareng pamahaman (sekuensial/global).
Modél tangkal kaputusan tiasa nganggo himpunan bagian fitur sareng aturan kaputusan anu béda dina tahapan prosés klasifikasi anu béda. Ieu dianggap alat klasifikasi sareng prediksi anu populér. Éta tiasa diwakilan nganggo struktur tangkal sapertos diagram alur [20], dimana aya simpul internal anu ngagambarkeun tés ku atribut, unggal cabang ngagambarkeun hasil tés, sareng unggal simpul daun (simpul daun) ngandung labél kelas.
Program anu saderhana dumasar kana aturan didamel pikeun sacara otomatis masihan skor sareng ngaanotasi LS unggal murid dumasar kana résponna. Dumasar kana aturan dina bentuk pernyataan IF, dimana "IF" ngajelaskeun pemicu sareng "THEN" netepkeun tindakan anu kedah dilakukeun, contona: "Upami X kajantenan, maka laksanakeun Y" (Liu et al., 2014). Upami set data nunjukkeun korélasi sareng modél tangkal kaputusan dilatih sareng dievaluasi kalayan leres, pendekatan ieu tiasa janten cara anu efektif pikeun ngotomatisasi prosés cocogkeun LS sareng IS.
Dina fase kadua pamekaran, dataset ningkat janten 255 pikeun ningkatkeun akurasi alat rekomendasi. Set data dibagi dina babandingan 1:4. 25% (64) tina set data dianggo pikeun set tés, sareng sésana 75% (191) dianggo salaku set latihan (Gambar 2). Set data kedah dibagi pikeun nyegah modél dilatih sareng diuji dina set data anu sami, anu tiasa nyababkeun modél émut tibatan diajar. Modél dilatih dina set latihan sareng meunteun kinerjana dina set tés—data anu teu acan pernah katingali ku modél sateuacanna.
Sakali alat IS dimekarkeun, aplikasi ieu bakal tiasa ngaklasifikasikeun LS dumasar kana réspon mahasiswa kedokteran gigi ngalangkungan antarmuka wéb. Sistem alat rekomendasi kaamanan inpormasi berbasis wéb diwangun nganggo basa pamrograman Python nganggo kerangka kerja Django salaku backend. Tabel 2 ngadaptar pustaka anu dianggo dina pamekaran sistem ieu.
Kumpulan data ieu diumpankeun kana modél tangkal kaputusan pikeun ngitung sareng ngekstrak réspon siswa supados sacara otomatis ngaklasifikasikeun pangukuran LS siswa.
Matriks konfusi dianggo pikeun meunteun akurasi algoritma pembelajaran mesin tangkal kaputusan dina set data anu dipasihkeun. Dina waktos anu sami, éta meunteun kinerja modél klasifikasi. Éta ngaringkes prediksi modél sareng ngabandingkeunana sareng labél data anu saleresna. Hasil évaluasi dumasar kana opat nilai anu béda: True Positive (TP) - modél ngaramalkeun kategori positip kalayan leres, False Positive (FP) - modél ngaramalkeun kategori positip, tapi labél leresna négatip, True Negative (TN) - modél ngaramalkeun kelas négatip kalayan leres, sareng false negative (FN) - Modél ngaramalkeun kelas négatip, tapi labél leresna positip.
Nilai-nilai ieu teras dianggo pikeun ngitung rupa-rupa metrik kinerja modél klasifikasi scikit-learn dina Python, nyaéta precision, precision, recall, sareng skor F1. Ieu conto-contona:
Nginget deui (atanapi sensitivitas) ngukur kamampuan modél pikeun ngaklasifikasikeun LS siswa sacara akurat saatos ngajawab angkét m-ILS.
Spésifisitas disebut laju négatif sajati. Sakumaha anjeun tiasa tingali tina rumus di luhur, ieu kedah janten babandingan négatif sajati (TN) kana négatif sajati sareng positif palsu (FP). Salaku bagian tina alat anu disarankeun pikeun ngaklasifikasikeun ubar mahasiswa, éta kedah tiasa diidentifikasi sacara akurat.
Set data asli 50 mahasiswa anu dianggo pikeun ngalatih modél ML tangkal kaputusan nunjukkeun akurasi anu relatif handap kusabab kasalahan manusa dina anotasi (Tabel 3). Saatos nyiptakeun program berbasis aturan anu saderhana pikeun sacara otomatis ngitung skor LS sareng anotasi mahasiswa, jumlah set data anu ningkat (255) dianggo pikeun ngalatih sareng nguji sistem rekomendasi.
Dina matriks kabingungan multikelas, unsur diagonal ngagambarkeun jumlah prediksi anu leres pikeun unggal jinis LS (Gambar 4). Ngagunakeun modél tangkal kaputusan, total 64 sampel diprediksi kalayan leres. Ku kituna, dina panilitian ieu, unsur diagonal nunjukkeun hasil anu dipiharep, nunjukkeun yén modél éta berkinerja saé sareng akurat ngaduga labél kelas pikeun unggal klasifikasi LS. Ku kituna, akurasi sakabéh alat rekomendasi nyaéta 100%.
Nilai akurasi, presisi, ingetan, sareng skor F1 dipidangkeun dina Gambar 5. Pikeun sistem rekomendasi anu nganggo modél tangkal kaputusan, skor F1-na nyaéta 1.0 "sampurna," nunjukkeun presisi sareng ingetan anu sampurna, anu ngagambarkeun nilai sensitivitas sareng spésifisitas anu signifikan.
Gambar 6 nunjukkeun visualisasi modél tangkal kaputusan saatos latihan sareng uji coba réngsé. Dina babandingan sisi-sisi, modél tangkal kaputusan anu dilatih kalayan fitur anu langkung sakedik nunjukkeun akurasi anu langkung luhur sareng visualisasi modél anu langkung gampang. Ieu nunjukkeun yén rékayasa fitur anu ngarah kana réduksi fitur mangrupikeun léngkah penting dina ningkatkeun kinerja modél.
Ku cara nerapkeun pembelajaran anu diawasi ku tangkal kaputusan, pemetaan antara LS (input) sareng IS (output target) dihasilkeun sacara otomatis sareng ngandung inpormasi lengkep pikeun unggal LS.
Hasilna nunjukkeun yén 34,9% tina 255 mahasiswa langkung milih hiji (1) pilihan LS. Mayoritas (54,3%) gaduh dua atanapi langkung karesep LS. 12,2% mahasiswa nyatet yén LS lumayan saimbang (Tabel 4). Salian ti dalapan LS utama, aya 34 kombinasi klasifikasi LS pikeun mahasiswa kedokteran gigi Universitas Malaya. Di antarana, persépsi, visi, sareng kombinasi persépsi sareng visi mangrupikeun LS utama anu dilaporkeun ku mahasiswa (Gambar 7).
Sakumaha anu tiasa ditingali tina Tabel 4, mayoritas murid gaduh sensorik anu dominan (13,7%) atanapi visual (8,6%) LS. Dilaporkeun yén 12,2% murid ngagabungkeun persepsi sareng visi (persepsi-visual LS). Panemuan ieu nunjukkeun yén murid langkung resep diajar sareng nginget ngalangkungan metode anu tos ditetepkeun, nuturkeun prosedur anu khusus sareng rinci, sareng sipatna perhatian. Dina waktos anu sami, aranjeunna resep diajar ku cara ningali (nganggo diagram, jsb.) sareng condong ngabahas sareng nerapkeun inpormasi dina kelompok atanapi nyalira.
Panilitian ieu nyayogikeun tinjauan ngeunaan téknik pembelajaran mesin anu dianggo dina penambangan data, kalayan fokus kana ngaramalkeun LS siswa sacara instan sareng akurat sareng nyarankeun IS anu cocog. Aplikasi modél tangkal kaputusan ngaidentipikasi faktor-faktor anu paling raket patalina sareng kahirupan sareng pangalaman atikanna. Éta mangrupikeun algoritma pembelajaran mesin anu diawasi anu nganggo struktur tangkal pikeun ngaklasifikasikeun data ku cara ngabagi sakumpulan data kana subkategori dumasar kana kriteria anu tangtu. Éta jalan ku cara ngabagi data input sacara rekursif kana himpunan bagian dumasar kana nilai salah sahiji fitur input tina unggal simpul internal dugi ka kaputusan dilakukeun dina simpul daun.
Simpul internal tina tangkal kaputusan ngawakilan solusi dumasar kana karakteristik input tina masalah m-ILS, sareng simpul daun ngawakilan prediksi klasifikasi LS ahir. Sapanjang panilitian, gampang pikeun ngartos hirarki tangkal kaputusan anu ngajelaskeun sareng ngabayangkeun prosés kaputusan ku cara ningali hubungan antara fitur input sareng prediksi output.
Dina widang élmu komputer sareng rékayasa, algoritma pembelajaran mesin seueur dianggo pikeun ngaduga kinerja siswa dumasar kana skor ujian masukna [21], inpormasi démografi, sareng paripolah diajar [22]. Panalungtikan nunjukkeun yén algoritma éta sacara akurat ngaduga kinerja siswa sareng ngabantosan aranjeunna ngaidentipikasi siswa anu résiko ngalaman kasusah akademik.
Aplikasi algoritma ML dina pamekaran simulator pasien virtual pikeun pelatihan dental dilaporkeun. Simulator ieu sanggup ngahasilkeun deui réspon fisiologis pasien nyata sacara akurat sareng tiasa dianggo pikeun ngalatih mahasiswa kedokteran gigi dina lingkungan anu aman sareng terkendali [23]. Sababaraha panilitian sanés nunjukkeun yén algoritma pembelajaran mesin berpotensi 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 karakteristik pasien [24, 25]. Samentawis panilitian sanés parantos nalungtik panggunaan algoritma pembelajaran mesin pikeun ngalaksanakeun tugas sapertos ngaramal hasil pasien, ngaidentipikasi pasien résiko tinggi, ngembangkeun rencana perawatan pribadi [26], perawatan periodontal [27], sareng perawatan karies [25].
Sanaos laporan ngeunaan aplikasi pembelajaran mesin dina kedokteran gigi parantos dipedalkeun, aplikasina dina pendidikan kedokteran gigi tetep terbatas. Ku alatan éta, panilitian ieu bertujuan pikeun nganggo modél tangkal kaputusan pikeun ngaidentipikasi faktor-faktor anu paling raket patalina sareng LS sareng IS di antara mahasiswa kedokteran gigi.
Hasil panilitian ieu nunjukkeun yén alat rekomendasi anu dikembangkeun gaduh akurasi anu luhur sareng akurasi anu sampurna, nunjukkeun yén guru tiasa nguntungkeun tina alat ieu. Ngagunakeun prosés klasifikasi anu didorong ku data, éta tiasa nyayogikeun rekomendasi anu dipersonalisasi sareng ningkatkeun pangalaman sareng hasil pendidikan pikeun pendidik sareng murid. Di antarana, inpormasi anu diala ngalangkungan alat rekomendasi tiasa ngarengsekeun konflik antara metode ngajar anu dipikaresep ku guru sareng kabutuhan diajar murid. Salaku conto, kusabab kaluaran otomatis tina alat rekomendasi, waktos anu diperyogikeun pikeun ngaidentipikasi IP murid sareng cocogkeunana sareng IP anu saluyu bakal dikirangan sacara signifikan. Ku cara kieu, kagiatan pelatihan sareng bahan pelatihan anu cocog tiasa diatur. Ieu ngabantosan ngembangkeun paripolah diajar anu positif murid sareng kamampuan pikeun konsentrasi. Hiji panilitian ngalaporkeun yén nyayogikeun murid bahan diajar sareng kagiatan diajar anu cocog sareng LS anu dipikaresepna tiasa ngabantosan murid ngahijikeun, ngolah, sareng mikaresep diajar ku sababaraha cara pikeun ngahontal poténsi anu langkung ageung [12]. Panilitian ogé nunjukkeun yén salian ti ningkatkeun partisipasi murid di kelas, ngartos prosés diajar murid ogé maénkeun peran penting dina ningkatkeun prakték ngajar sareng komunikasi sareng murid [28, 29].
Nanging, sapertos téknologi modéren sanésna, 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 ngalaksanakeun algoritma pembelajaran mesin dina pendidikan dental; Nanging, minat sareng panalungtikan anu ningkat dina widang ieu nunjukkeun yén téknologi pembelajaran mesin tiasa gaduh dampak anu positif kana pendidikan dental sareng jasa dental.
Hasil panilitian ieu nunjukkeun yén satengah mahasiswa kedokteran gigi condong "ngarasa" narkoba. Tipe pelajar ieu resep kana fakta sareng conto anu kongkrit, orientasi praktis, kasabaran kana detil, sareng resep kana LS "visual", dimana pelajar resep nganggo gambar, grafik, warna, sareng peta pikeun nepikeun ideu sareng pikiran. Hasil ayeuna saluyu sareng panilitian sanés anu nganggo ILS pikeun meunteun LS dina mahasiswa kedokteran gigi sareng médis, anu kalolobaanana gaduh ciri LS perséptual sareng visual [12, 30]. Dalmolin et al. nunjukkeun yén ngawartosan mahasiswa ngeunaan LS na ngamungkinkeun aranjeunna pikeun ngahontal poténsi diajarna. Para panaliti ngajukeun yén nalika guru ngartos sacara lengkep prosés atikan siswa, rupa-rupa metode sareng kagiatan ngajar tiasa dilaksanakeun anu bakal ningkatkeun kinerja sareng pangalaman diajar siswa [12, 31, 32]. Panilitian sanés nunjukkeun yén nyaluyukeun LS siswa ogé nunjukkeun paningkatan dina pangalaman diajar sareng kinerja siswa saatos ngarobih gaya diajarna pikeun nyocogkeun sareng LS na nyalira [13, 33].
Pamanggih guru tiasa bénten-bénten ngeunaan palaksanaan strategi pangajaran dumasar kana kamampuan diajar siswa. Sanaos aya anu ningali kauntungan tina pendekatan ieu, kalebet kasempetan pamekaran profésional, bimbingan, sareng dukungan masarakat, anu sanésna panginten prihatin ngeunaan waktos sareng dukungan institusional. Narékahan pikeun kasaimbangan mangrupikeun konci pikeun nyiptakeun sikep anu museur kana siswa. Otoritas pendidikan tinggi, sapertos administrator universitas, tiasa maénkeun peran penting dina ngadorong parobihan 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 ngalakukeun léngkah-léngkah anu wani, sapertos ngadamel parobihan kawijakan, ngahaturanan sumber daya pikeun integrasi téknologi, sareng nyiptakeun kerangka kerja anu ngamajukeun pendekatan anu museur kana siswa. Ukuran-ukuran ieu penting pisan pikeun ngahontal hasil anu dipikahoyong. Panalungtikan anyar ngeunaan pangajaran anu dibédakeun sacara jelas nunjukkeun yén palaksanaan pangajaran anu dibédakeun anu suksés meryogikeun kasempetan pelatihan sareng pamekaran anu terus-terusan pikeun guru [35].
Alat ieu nyayogikeun dukungan anu berharga pikeun pendidik kedokteran gigi anu hoyong nyandak pendekatan anu museur kana siswa pikeun ngarencanakeun kagiatan diajar anu ramah-siswa. Nanging, panilitian ieu diwatesan ku panggunaan modél ML tangkal kaputusan. Ka hareupna, langkung seueur data anu kedah dikumpulkeun pikeun ngabandingkeun kinerja modél pembelajaran mesin anu béda pikeun ngabandingkeun akurasi, reliabilitas, sareng presisi alat rekomendasi. Salaku tambahan, nalika milih metode pembelajaran mesin anu paling pas pikeun tugas khusus, penting pikeun mertimbangkeun faktor-faktor sanés sapertos kompleksitas sareng interpretasi modél.
Watesan tina ieu panilitian nyaéta ngan ukur museur kana pemetaan LS sareng IS di antara mahasiswa kedokteran gigi. Ku kituna, sistem rekomendasi anu dikembangkeun ngan ukur bakal nyarankeun anu cocog pikeun mahasiswa kedokteran gigi. Parobihan diperyogikeun pikeun panggunaan mahasiswa pendidikan tinggi umum.
Alat rekomendasi berbasis pembelajaran mesin anu nembé dikembangkeun ieu sanggup langsung ngaklasifikasikeun sareng cocogkeun LS siswa sareng IS anu saluyu, jantenkeun éta program pendidikan dental munggaran anu ngabantosan pendidik dental ngarencanakeun kagiatan ngajar sareng diajar anu relevan. Ngagunakeun prosés triage anu didorong ku data, éta tiasa nyayogikeun rekomendasi anu dipersonalisasi, ngahémat waktos, ningkatkeun strategi ngajar, ngadukung intervensi anu dituju, sareng ngamajukeun pamekaran profésional anu terus-terusan. Aplikasina bakal ngamajukeun pendekatan anu museur kana siswa pikeun pendidikan dental.
Gilak Jani Associated Press. Cocog atanapi henteu cocog antara gaya diajar murid sareng gaya ngajar guru. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Waktos posting: 29-Apr-2024