Nagkadako ang panginahanglan alang sa student-centered learning (SCL) sa mga institusyon sa mas taas nga edukasyon, lakip na ang dentistry. Bisan pa, limitado ang aplikasyon sa SCL sa edukasyon sa dentistry. Busa, kini nga pagtuon nagtumong sa pagpalambo sa aplikasyon sa SCL sa dentistry pinaagi sa paggamit sa decision tree machine learning (ML) nga teknolohiya aron ma-map ang gusto nga istilo sa pagkat-on (LS) ug ang katugbang nga mga estratehiya sa pagkat-on (IS) sa mga estudyante sa dentistry isip usa ka mapuslanon nga himan alang sa paghimo og mga giya sa IS. Maayong mga pamaagi alang sa mga estudyante sa dentistry.
Usa ka kinatibuk-an nga 255 ka mga estudyante sa dentista gikan sa University of Malaya ang nakakompleto sa giusab nga Index of Learning Styles (m-ILS) nga pangutana, nga adunay 44 ka mga aytem aron maklasipikar kini sa ilang tagsatagsa ka LS. Ang nakolekta nga datos (gitawag nga dataset) gigamit sa supervised decision tree learning aron awtomatikong ipares ang mga estilo sa pagkat-on sa mga estudyante sa labing angay nga IS. Ang katukma sa himan sa rekomendasyon sa IS nga nakabase sa machine learning gisusi dayon.
Ang paggamit sa mga modelo sa decision tree sa usa ka automated mapping process tali sa LS (input) ug IS (target output) nagtugot sa usa ka diha-diha nga lista sa angay nga mga estratehiya sa pagkat-on alang sa matag estudyante sa dentista. Ang himan sa rekomendasyon sa IS nagpakita sa hingpit nga katukma ug paghinumdom sa kinatibuk-ang katukma sa modelo, nga nagpakita nga ang pagpares sa LS sa IS adunay maayo nga sensitivity ug specificity.
Usa ka himan sa rekomendasyon sa IS nga gibase sa usa ka ML decision tree ang napamatud-an ang abilidad niini sa pagpares sa mga estilo sa pagkat-on sa mga estudyante sa dentista sa angay nga mga estratehiya sa pagkat-on. Kini nga himan naghatag ug gamhanang mga kapilian alang sa pagplano sa mga kurso o modyul nga nakasentro sa estudyante nga makapauswag sa kasinatian sa pagkat-on sa mga estudyante.
Ang pagtudlo ug pagkat-on mga sukaranang kalihokan sa mga institusyon sa edukasyon. Sa pagpalambo og taas nga kalidad nga sistema sa edukasyon sa bokasyonal, importante nga mag-focus sa mga panginahanglanon sa pagkat-on sa mga estudyante. Ang interaksyon tali sa mga estudyante ug sa ilang palibot sa pagkat-on mahimong matino pinaagi sa ilang LS. Ang panukiduki nagsugyot nga ang mga dili pagtugma sa magtutudlo tali sa LS ug IS sa mga estudyante mahimong adunay negatibo nga mga sangputanan sa pagkat-on sa estudyante, sama sa pagkunhod sa atensyon ug motibasyon. Kini dili direkta nga makaapekto sa performance sa estudyante [1,2].
Ang IS usa ka pamaagi nga gigamit sa mga magtutudlo aron sa paghatag og kahibalo ug kahanas sa mga estudyante, lakip na ang pagtabang sa mga estudyante nga makakat-on [3]. Sa kinatibuk-an, ang maayong mga magtutudlo nagplano og mga estratehiya sa pagtudlo o IS nga labing mohaom sa lebel sa kahibalo sa ilang mga estudyante, sa mga konsepto nga ilang nakat-unan, ug sa ilang yugto sa pagkat-on. Sa teyorya, kung ang LS ug IS magkatugma, ang mga estudyante makahimo sa pag-organisar ug paggamit sa usa ka piho nga hugpong sa mga kahanas aron makat-on nga epektibo. Kasagaran, ang usa ka plano sa leksyon naglakip sa daghang mga transisyon tali sa mga yugto, sama sa gikan sa pagtudlo ngadto sa giya nga praktis o gikan sa giya nga praktis ngadto sa independente nga praktis. Uban niini sa hunahuna, ang epektibo nga mga magtutudlo kanunay nga nagplano sa instruksyon nga adunay tumong nga mapalambo ang kahibalo ug kahanas sa mga estudyante [4].
Nagkadako ang panginahanglan alang sa SCL sa mga institusyon sa mas taas nga edukasyon, lakip na ang dentistry. Ang mga estratehiya sa SCL gidisenyo aron matubag ang mga panginahanglanon sa pagkat-on sa mga estudyante. Mahimo kini nga makab-ot, pananglitan, kung ang mga estudyante aktibo nga moapil sa mga kalihokan sa pagkat-on ug ang mga magtutudlo molihok isip mga tigpadali ug responsable sa paghatag og bililhong feedback. Giingon nga ang paghatag og mga materyales sa pagkat-on ug mga kalihokan nga angay sa lebel sa edukasyon o gusto sa mga estudyante makapauswag sa palibot sa pagkat-on sa mga estudyante ug makapalambo sa positibo nga mga kasinatian sa pagkat-on [5].
Sa kinatibuk-an, ang proseso sa pagkat-on sa mga estudyante sa dentista naimpluwensyahan sa lainlaing mga klinikal nga pamaagi nga kinahanglan nilang buhaton ug ang klinikal nga palibot diin sila nakaugmad og epektibo nga mga kahanas sa interpersonal. Ang katuyoan sa pagbansay mao ang paghimo sa mga estudyante nga isagol ang sukaranan nga kahibalo sa dentista uban sa klinikal nga kahanas sa dentista ug magamit ang nakuha nga kahibalo sa bag-ong mga klinikal nga sitwasyon [6, 7]. Ang sayo nga panukiduki sa relasyon tali sa LS ug IS nakit-an nga ang pag-adjust sa mga estratehiya sa pagkat-on nga gimapa sa gusto nga LS makatabang sa pagpauswag sa proseso sa edukasyon [8]. Girekomenda usab sa mga tagsulat ang paggamit sa lainlaing mga pamaagi sa pagtudlo ug pagtimbang-timbang aron mohaum sa pagkat-on ug mga panginahanglan sa mga estudyante.
Ang mga magtutudlo makabenepisyo gikan sa paggamit sa kahibalo sa LS aron matabangan sila sa pagdesinyo, pagpalambo, ug pagpatuman sa instruksyon nga makapauswag sa pag-angkon sa mga estudyante og mas lawom nga kahibalo ug pagsabot sa hilisgutan. Ang mga tigdukiduki nakaugmad og daghang mga himan sa pagtimbang-timbang sa LS, sama sa Kolb Experiential Learning Model, ang Felder-Silverman Learning Style Model (FSLSM), ug ang Fleming VAK/VARK Model [5, 9, 10]. Sumala sa literatura, kini nga mga modelo sa pagkat-on mao ang labing kasagarang gigamit ug labing gitun-an nga mga modelo sa pagkat-on. Sa kasamtangang panukiduki, ang FSLSM gigamit sa pagtimbang-timbang sa LS taliwala sa mga estudyante sa dentista.
Ang FSLSM usa ka kaylap nga gigamit nga modelo alang sa pagtimbang-timbang sa adaptive learning sa engineering. Daghang mga gipatik nga mga buhat sa mga siyensya sa panglawas (lakip ang medisina, nursing, parmasya ug dentistry) nga makita gamit ang mga modelo sa FSLSM [5, 11, 12, 13]. Ang instrumento nga gigamit sa pagsukod sa mga dimensyon sa LS sa FLSM gitawag nga Index of Learning Styles (ILS) [8], nga adunay 44 ka mga aytem nga nagtimbang-timbang sa upat ka mga dimensyon sa LS: pagproseso (aktibo/mapamalandong), panan-aw (perseptual/intuitive), input (visual). /berbal) ug pagsabot (sunod-sunod/global) [14].
Sama sa gipakita sa Figure 1, ang matag dimensyon sa FSLSM adunay dominanteng gusto. Pananglitan, sa dimensyon sa pagproseso, ang mga estudyante nga adunay "aktibo" nga LS mas gusto nga moproseso sa impormasyon pinaagi sa direktang pakig-uban sa mga materyales sa pagkat-on, pagkat-on pinaagi sa pagbuhat, ug lagmit nga makakat-on sa mga grupo. Ang "mapamalandong" nga LS nagtumong sa pagkat-on pinaagi sa paghunahuna ug mas gusto nga magtrabaho nga mag-inusara. Ang dimensyon sa "pagtan-aw" sa LS mahimong bahinon sa "pagbati" ug/o "intuisyon." Ang mga estudyante nga "gibati" mas gusto ang mas konkreto nga impormasyon ug praktikal nga mga pamaagi, mas naka-focus sa kamatuoran kon itandi sa mga estudyante nga "intuitive" nga mas gusto ang abstract nga materyal ug mas inobatibo ug mamugnaon ang kinaiya. Ang dimensyon sa "input" sa LS gilangkoban sa mga estudyante nga "visual" ug "verbal". Ang mga tawo nga adunay "visual" nga LS mas gusto nga makakat-on pinaagi sa mga visual nga demonstrasyon (sama sa mga diagram, video, o live nga mga demonstrasyon), samtang ang mga tawo nga adunay "verbal" nga LS mas gusto nga makakat-on pinaagi sa mga pulong sa sinulat o oral nga mga pagpasabut. Aron "masabtan" ang mga dimensyon sa LS, ang maong mga estudyante mahimong bahinon sa "sunod-sunod" ug "global". "Ang mga sequential learners mas gusto ang linear nga proseso sa panghunahuna ug makakat-on matag lakang, samtang ang mga global learners lagmit adunay holistic nga proseso sa panghunahuna ug kanunay adunay mas maayong pagsabot sa ilang nakat-unan."
Bag-ohay lang, daghang mga tigdukiduki ang nagsugod sa pagsuhid sa mga pamaagi alang sa awtomatik nga pagdiskobre nga gipadagan sa datos, lakip ang pagpalambo sa mga bag-ong algorithm ug mga modelo nga makahimo sa paghubad sa daghang kantidad sa datos [15, 16]. Base sa gihatag nga datos, ang supervised ML (machine learning) makahimo sa pagmugna og mga sumbanan ug mga pangagpas nga makatagna sa umaabot nga mga resulta base sa pagtukod sa mga algorithm [17]. Sa yanong pagkasulti, ang mga teknik sa supervised machine learning nagmanipula sa input data ug nagbansay sa mga algorithm. Dayon kini makamugna og usa ka range nga nagklasipikar o nagtagna sa resulta base sa parehas nga mga sitwasyon alang sa gihatag nga input data. Ang pangunang bentaha sa supervised machine learning algorithms mao ang abilidad niini sa pag-establisar sa sulundon ug gitinguha nga mga resulta [17].
Pinaagi sa paggamit sa mga pamaagi nga gipadagan sa datos ug mga modelo sa pagkontrol sa decision tree, posible ang awtomatikong pag-ila sa LS. Ang mga decision tree gitaho nga kaylap nga gigamit sa mga programa sa pagbansay sa lainlaing mga natad, lakip ang mga siyensya sa kahimsog [18, 19]. Niini nga pagtuon, ang modelo espesipikong gibansay sa mga nag-develop sa sistema aron mailhan ang LS sa mga estudyante ug irekomenda ang labing kaayo nga IS alang kanila.
Ang katuyoan niini nga pagtuon mao ang pagpalambo sa mga estratehiya sa paghatud sa IS base sa LS sa mga estudyante ug pag-apply sa pamaagi sa SCL pinaagi sa pagpalambo sa usa ka himan sa rekomendasyon sa IS nga gipahaom sa LS. Ang dagan sa disenyo sa himan sa rekomendasyon sa IS isip usa ka estratehiya sa pamaagi sa SCL gipakita sa Figure 1. Ang himan sa rekomendasyon sa IS gibahin sa duha ka bahin, lakip ang mekanismo sa klasipikasyon sa LS gamit ang ILS ug ang labing angay nga pagpakita sa IS para sa mga estudyante.
Ilabi na, ang mga kinaiya sa mga himan sa pagrekomendar sa seguridad sa impormasyon naglakip sa paggamit sa mga teknolohiya sa web ug ang paggamit sa decision tree machine learning. Ang mga nag-develop sa sistema nagpauswag sa kasinatian ug paglihok sa tiggamit pinaagi sa pagpahiangay niini sa mga mobile device sama sa mga mobile phone ug tablet.
Ang eksperimento gihimo sa duha ka hugna ug ang mga estudyante gikan sa Faculty of Dentistry sa University of Malaya miapil nga boluntaryo. Ang mga partisipante mitubag sa online m-ILS sa usa ka estudyante sa dentista sa Iningles. Sa inisyal nga hugna, usa ka dataset nga gilangkuban sa 50 ka mga estudyante ang gigamit aron bansayon ang decision tree machine learning algorithm. Sa ikaduhang hugna sa proseso sa pagpalambo, usa ka dataset nga gilangkuban sa 255 ka mga estudyante ang gigamit aron mapaayo ang katukma sa naugmad nga instrumento.
Ang tanang partisipante makadawat og online briefing sa sinugdanan sa matag yugto, depende sa tuig akademiko, pinaagi sa Microsoft Teams. Gipasabot ang katuyoan sa pagtuon ug nakuha ang informed consent. Ang tanang partisipante gihatagan og link aron maka-access sa m-ILS. Ang matag estudyante gisugo sa pagtubag sa tanang 44 ka mga aytem sa pangutana. Gihatagan sila og usa ka semana aron makompleto ang giusab nga ILS sa oras ug lokasyon nga kombenyente alang kanila atol sa semester break sa dili pa magsugod ang semester. Ang m-ILS gibase sa orihinal nga instrumento sa ILS ug giusab alang sa mga estudyante sa dentista. Sama sa orihinal nga ILS, kini adunay 44 ka parehas nga giapod-apod nga mga aytem (a, b), nga adunay 11 ka mga aytem matag usa, nga gigamit sa pagtimbang-timbang sa mga aspeto sa matag dimensyon sa FSLSM.
Atol sa unang mga yugto sa pagpalambo sa himan, mano-mano nga gi-annotate sa mga tigdukiduki ang mga mapa gamit ang dataset sa 50 ka mga estudyante sa dentista. Sumala sa FSLM, ang sistema naghatag sa sumada sa mga tubag nga "a" ug "b". Alang sa matag dimensyon, kung ang estudyante mopili sa "a" isip tubag, ang LS giklasipikar nga Active/Perceptual/Visual/Sequential, ug kung ang estudyante mopili sa "b" isip tubag, ang estudyante giklasipikar nga Reflective/Intuitive/Linguistic. / global learner.
Human sa pag-calibrate sa workflow tali sa mga tigdukiduki sa edukasyon sa dentista ug mga developer sa sistema, ang mga pangutana gipili base sa FLSSM domain ug gipakaon sa ML model aron matagna ang LS sa matag estudyante. Ang "Garbage in, garbage out" usa ka sikat nga panultihon sa natad sa machine learning, nga naghatag og gibug-aton sa kalidad sa datos. Ang kalidad sa input data ang nagtino sa katukma ug katukma sa machine learning model. Atol sa feature engineering phase, usa ka bag-ong feature set ang gihimo nga mao ang sumada sa mga tubag nga "a" ug "b" base sa FLSSM. Ang mga identification number sa mga posisyon sa tambal gihatag sa Table 1.
Kwentaha ang iskor base sa mga tubag ug tinoa ang LS sa estudyante. Alang sa matag estudyante, ang range sa iskor gikan sa 1 hangtod 11. Ang mga iskor gikan sa 1 hangtod 3 nagpakita sa balanse sa mga gusto sa pagkat-on sulod sa parehas nga dimensyon, ug ang mga iskor gikan sa 5 hangtod 7 nagpakita sa kasarangan nga gusto, nga nagpakita nga ang mga estudyante mas gusto ang usa ka palibot nga nagtudlo sa uban. Laing baryasyon sa parehas nga dimensyon mao nga ang mga iskor gikan sa 9 hangtod 11 nagpakita sa kusog nga gusto sa usa ka tumoy o sa pikas [8].
Alang sa matag dimensyon, ang mga droga gi-grupo sa "aktibo", "mapamalandong" ug "balanse". Pananglitan, kung ang usa ka estudyante motubag og "a" nga mas kanunay kaysa "b" sa usa ka gitudlo nga aytem ug ang iyang iskor molapas sa threshold nga 5 alang sa usa ka partikular nga aytem nga nagrepresentar sa dimensyon sa Processing LS, siya nahisakop sa "aktibo" nga LS domain. Bisan pa, ang mga estudyante giklasipikar nga "mapamalandong" nga LS kung gipili nila ang "b" labaw sa "a" sa piho nga 11 ka mga pangutana (Talaan 1) ug nakakuha og labaw sa 5 puntos. Sa katapusan, ang estudyante naa sa kahimtang sa "equilibrium." Kung ang iskor dili molapas sa 5 puntos, nan kini usa ka "proseso" nga LS. Ang proseso sa klasipikasyon gisubli alang sa ubang mga dimensyon sa LS, nga mao ang persepsyon (aktibo/mapamalandong), input (biswal/berbal), ug pagsabot (sunod-sunod/global).
Ang mga modelo sa decision tree makagamit og lain-laing mga subset sa mga feature ug mga decision rule sa lain-laing mga yugto sa proseso sa klasipikasyon. Kini giisip nga usa ka sikat nga himan sa klasipikasyon ug prediksyon. Mahimo kining irepresentar gamit ang istruktura sa kahoy sama sa flowchart [20], diin adunay mga internal node nga nagrepresentar sa mga pagsulay pinaagi sa hiyas, ang matag sanga nagrepresentar sa mga resulta sa pagsulay, ug ang matag leaf node (leaf node) nga adunay sulod nga label sa klase.
Usa ka simpleng programa nga gibase sa lagda ang gihimo aron awtomatikong i-iskor ug i-annotate ang LS sa matag estudyante base sa ilang mga tubag. Ang rule-based kay porma sa usa ka IF statement, diin ang "IF" naghulagway sa trigger ug ang "THEN" nagtino sa aksyon nga himuon, pananglitan: "Kung mahitabo ang X, nan buhaton ang Y" (Liu et al., 2014). Kung ang data set nagpakita og correlation ug ang decision tree model husto nga nabansay ug na-evaluate, kini nga pamaagi mahimong epektibo nga paagi aron awtomatiko ang proseso sa pagpares sa LS ug IS.
Sa ikaduhang hugna sa pag-uswag, ang dataset gipataas ngadto sa 255 aron mapaayo ang katukma sa himan sa rekomendasyon. Ang data set gibahin sa 1:4 nga ratio. 25% (64) sa data set gigamit alang sa test set, ug ang nahabilin nga 75% (191) gigamit isip training set (Figure 2). Kinahanglan nga bahinon ang data set aron malikayan ang pagbansay ug pagsulay sa modelo sa parehas nga data set, nga mahimong hinungdan nga ang modelo mahinumdom imbes nga makakat-on. Ang modelo gibansay sa training set ug gisusi ang performance niini sa test set—data nga wala pa makita sa modelo kaniadto.
Kung ma-develop na ang IS tool, ang aplikasyon makahimo na sa pagklasipikar sa LS base sa mga tubag sa mga estudyante sa dentista pinaagi sa web interface. Ang web-based information security recommendation tool system gitukod gamit ang Python programming language gamit ang Django framework isip backend. Ang Talaan 2 naglista sa mga library nga gigamit sa pagpalambo niini nga sistema.
Ang dataset gipakaon ngadto sa usa ka decision tree model aron makalkulo ug makuha ang mga tubag sa estudyante aron awtomatikong maklasipikar ang mga sukod sa LS sa estudyante.
Ang confusion matrix gigamit aron masusi ang katukma sa usa ka decision tree machine learning algorithm sa usa ka gihatag nga data set. Sa samang higayon, gisusi niini ang performance sa classification model. Gisumada niini ang mga panagna sa modelo ug gitandi kini sa tinuod nga data labels. Ang mga resulta sa ebalwasyon gibase sa upat ka lain-laing mga kantidad: True Positive (TP) – ang modelo husto nga nagtagna sa positibo nga kategorya, False Positive (FP) – ang modelo nagtagna sa positibo nga kategorya, apan ang tinuod nga label negatibo, True Negative (TN) – ang modelo husto nga nagtagna sa negatibo nga klase, ug false negative (FN) – Ang modelo nagtagna sa negatibo nga klase, apan ang tinuod nga label positibo.
Kini nga mga kantidad gigamit dayon aron makalkulo ang lainlaing mga sukdanan sa performance sa scikit-learn classification model sa Python, nga mao ang precision, precision, recall, ug F1 score. Ania ang mga pananglitan:
Ang recall (o sensitivity) nagsukod sa abilidad sa modelo sa tukmang pagklasipikar sa LS sa usa ka estudyante human matubag ang m-ILS questionnaire.
Ang espesipiko gitawag nga tinuod nga negatibo nga rate. Sama sa imong makita sa pormula sa ibabaw, kini kinahanglan nga ang ratio sa tinuod nga negatibo (TN) ngadto sa tinuod nga negatibo ug bakak nga positibo (FP). Isip kabahin sa girekomenda nga himan alang sa pagklasipikar sa mga droga sa estudyante, kini kinahanglan nga makahimo sa tukma nga pag-ila.
Ang orihinal nga dataset sa 50 ka estudyante nga gigamit sa pagbansay sa decision tree ML model nagpakita og medyo ubos nga katukma tungod sa sayop sa tawo sa mga anotasyon (Talaan 3). Human sa paghimo og yano nga programa nga gibase sa lagda aron awtomatikong makalkulo ang mga marka sa LS ug mga anotasyon sa estudyante, nagkadaghan ang mga dataset (255) ang gigamit sa pagbansay ug pagsulay sa sistema sa pagrekomenda.
Sa multiclass confusion matrix, ang mga diagonal nga elemento nagrepresentar sa gidaghanon sa husto nga mga panagna alang sa matag tipo sa LS (Figure 4). Gamit ang decision tree model, usa ka total nga 64 ka mga sample ang husto nga gitagna. Busa, niini nga pagtuon, ang mga diagonal nga elemento nagpakita sa gilauman nga mga resulta, nga nagpakita nga ang modelo maayo ang performance ug tukma nga nagtagna sa class label alang sa matag LS classification. Busa, ang kinatibuk-ang katukma sa recommendation tool kay 100%.
Ang mga kantidad sa katukma, katukma, paghinumdom, ug F1 score gipakita sa Figure 5. Para sa sistema sa rekomendasyon nga naggamit sa decision tree model, ang F1 score niini kay 1.0 “perpekto,” nga nagpakita sa hingpit nga katukma ug paghinumdom, nga nagpakita sa significant sensitivity ug specificity values.
Ang Figure 6 nagpakita sa usa ka visualization sa decision tree model human makompleto ang training ug testing. Sa usa ka side-by-side nga pagtandi, ang decision tree model nga gibansay nga adunay mas gamay nga features nagpakita og mas taas nga katukma ug mas sayon nga model visualization. Kini nagpakita nga ang feature engineering nga mosangpot sa feature reduction usa ka importante nga lakang sa pagpalambo sa performance sa modelo.
Pinaagi sa pag-apply sa decision tree supervised learning, ang mapping tali sa LS (input) ug IS (target output) awtomatikong ma-generate ug adunay detalyadong impormasyon para sa matag LS.
Ang mga resulta nagpakita nga 34.9% sa 255 ka mga estudyante ang mipili og usa (1) ka opsyon sa LS. Ang kadaghanan (54.3%) adunay duha o daghan pa nga gusto sa LS. 12.2% sa mga estudyante ang nakamatikod nga ang LS balanse kaayo (Talaan 4). Gawas sa walo ka nag-unang LS, adunay 34 ka kombinasyon sa mga klasipikasyon sa LS para sa mga estudyante sa dentista sa University of Malaya. Lakip niini, ang persepsyon, panan-aw, ug ang kombinasyon sa persepsyon ug panan-aw mao ang nag-unang LS nga gitaho sa mga estudyante (Hulagway 7).
Sama sa makita sa Talaan 4, ang kadaghanan sa mga estudyante adunay dominanteng sensory (13.7%) o visual (8.6%) LS. Gikataho nga 12.2% sa mga estudyante ang naghiusa sa persepsyon ug panan-aw (perceptual-visual LS). Kini nga mga nahibal-an nagsugyot nga ang mga estudyante mas gusto nga makakat-on ug mahinumdom pinaagi sa natukod nga mga pamaagi, nagsunod sa piho ug detalyado nga mga pamaagi, ug matinagdanon sa kinaiya. Sa samang higayon, nalingaw sila sa pagkat-on pinaagi sa pagtan-aw (gamit ang mga diagram, ug uban pa) ug adunay hilig nga maghisgot ug mogamit sa impormasyon sa mga grupo o sa ilang kaugalingon.
Kini nga pagtuon naghatag ug kinatibuk-ang panglantaw sa mga teknik sa machine learning nga gigamit sa data mining, nga nagpunting sa diha-diha ug tukma nga pagtagna sa LS sa mga estudyante ug pagrekomendar sa angay nga IS. Ang paggamit sa usa ka decision tree model nag-ila sa mga hinungdan nga labing may kalabutan sa ilang kinabuhi ug mga kasinatian sa edukasyon. Kini usa ka supervised machine learning algorithm nga naggamit ug tree structure aron maklasipikar ang datos pinaagi sa pagbahin sa usa ka set sa datos ngadto sa mga subcategory base sa piho nga criteria. Kini molihok pinaagi sa recursively nga pagbahin sa input data ngadto sa mga subset base sa bili sa usa sa mga input feature sa matag internal node hangtod nga ang usa ka desisyon mahimo sa leaf node.
Ang mga internal node sa decision tree nagrepresentar sa solusyon base sa input characteristics sa m-ILS problem, ug ang mga leaf node nagrepresentar sa final LS classification prediction. Sa tibuok pagtuon, dali ra masabtan ang hierarchy sa mga decision tree nga nagpatin-aw ug nag-visualize sa proseso sa desisyon pinaagi sa pagtan-aw sa relasyon tali sa input features ug output predictions.
Sa mga natad sa siyensya sa kompyuter ug inhenyeriya, ang mga algorithm sa machine learning kaylap nga gigamit sa pagtagna sa performance sa estudyante base sa ilang mga marka sa entrance exam [21], impormasyon sa demograpiko, ug pamatasan sa pagkat-on [22]. Gipakita sa panukiduki nga ang algorithm tukma nga nagtagna sa performance sa estudyante ug nakatabang kanila sa pag-ila sa mga estudyante nga nameligro sa mga kalisud sa akademiko.
Gireport ang paggamit sa mga ML algorithm sa pagpalambo sa mga virtual patient simulator para sa dental training. Ang simulator makahimo sa tukma nga pagkopya sa mga tubag sa pisyolohikal sa tinuod nga mga pasyente ug magamit sa pagbansay sa mga estudyante sa dental sa usa ka luwas ug kontrolado nga palibot [23]. Daghang uban pang mga pagtuon ang nagpakita nga ang mga algorithm sa machine learning mahimong makapauswag sa kalidad ug kahusayan sa edukasyon sa dental ug medikal ug pag-atiman sa pasyente. Ang mga algorithm sa machine learning gigamit aron matabangan sa pagdayagnos sa mga sakit sa ngipon base sa mga set sa datos sama sa mga sintomas ug mga kinaiya sa pasyente [24, 25]. Samtang ang ubang mga pagtuon nagsuhid sa paggamit sa mga algorithm sa machine learning aron mahimo ang mga buluhaton sama sa pagtagna sa mga resulta sa pasyente, pag-ila sa mga pasyente nga adunay taas nga peligro, pagpalambo sa mga personalized nga plano sa pagtambal [26], periodontal treatment [27], ug caries treatment [25].
Bisan pa man og napublikar na ang mga report bahin sa aplikasyon sa machine learning sa dentistry, limitado gihapon ang aplikasyon niini sa edukasyon sa dentista. Busa, kini nga pagtuon nagtumong sa paggamit og decision tree model aron mailhan ang mga hinungdan nga labing nalangkit sa LS ug IS taliwala sa mga estudyante sa dentista.
Ang mga resulta niini nga pagtuon nagpakita nga ang naugmad nga himan sa rekomendasyon adunay taas nga katukma ug hingpit nga katukma, nga nagpakita nga ang mga magtutudlo makabenepisyo gikan niini nga himan. Gamit ang usa ka proseso sa klasipikasyon nga gipadagan sa datos, makahatag kini og personal nga mga rekomendasyon ug makapauswag sa mga kasinatian ug resulta sa edukasyon alang sa mga magtutudlo ug mga estudyante. Lakip niini, ang impormasyon nga nakuha pinaagi sa mga himan sa rekomendasyon makasulbad sa mga panagbangi tali sa gusto nga mga pamaagi sa pagtudlo sa mga magtutudlo ug mga panginahanglanon sa pagkat-on sa mga estudyante. Pananglitan, tungod sa awtomatik nga output sa mga himan sa rekomendasyon, ang oras nga gikinahanglan aron mailhan ang IP sa usa ka estudyante ug ipares kini sa katugbang nga IP mokunhod pag-ayo. Niining paagiha, ang angay nga mga kalihokan sa pagbansay ug mga materyales sa pagbansay mahimong maorganisar. Makatabang kini sa pagpalambo sa positibo nga pamatasan sa pagkat-on sa mga estudyante ug abilidad sa pag-concentrate. Usa ka pagtuon ang nagtaho nga ang paghatag sa mga estudyante og mga materyales sa pagkat-on ug mga kalihokan sa pagkat-on nga mohaum sa ilang gusto nga LS makatabang sa mga estudyante nga mahiusa, maproseso, ug malingaw sa pagkat-on sa daghang mga paagi aron makab-ot ang mas dako nga potensyal [12]. Gipakita usab sa panukiduki nga dugang sa pagpauswag sa partisipasyon sa estudyante sa klasehanan, ang pagsabot sa proseso sa pagkat-on sa mga estudyante adunay hinungdanon usab nga papel sa pagpauswag sa mga pamaagi sa pagtudlo ug komunikasyon sa mga estudyante [28, 29].
Apan, sama sa bisan unsang modernong teknolohiya, adunay mga problema ug limitasyon. Naglakip kini sa mga isyu nga may kalabotan sa pribasiya sa datos, pagpihig ug patas nga pagtagad, ug ang propesyonal nga kahanas ug mga kapanguhaan nga gikinahanglan aron mapalambo ug mapatuman ang mga algorithm sa machine learning sa edukasyon sa dentista; Bisan pa, ang nagkadako nga interes ug panukiduki niini nga lugar nagsugyot nga ang mga teknolohiya sa machine learning mahimong adunay positibo nga epekto sa edukasyon sa dentista ug mga serbisyo sa dentista.
Ang mga resulta niini nga pagtuon nagpakita nga katunga sa mga estudyante sa dentista adunay tendensiya nga "makakita" og mga droga. Kini nga matang sa estudyante adunay gusto sa mga kamatuoran ug konkreto nga mga pananglitan, praktikal nga oryentasyon, pailub sa detalye, ug "biswal" nga gusto sa LS, diin ang mga estudyante mas gusto nga mogamit og mga hulagway, grapiko, kolor, ug mapa aron ipahayag ang mga ideya ug hunahuna. Ang kasamtangang mga resulta nahiuyon sa ubang mga pagtuon nga naggamit sa ILS aron masusi ang LS sa mga estudyante sa dentista ug medisina, kadaghanan kanila adunay mga kinaiya sa perceptual ug biswal nga LS [12, 30]. Gisugyot ni Dalmolin et al nga ang pagpahibalo sa mga estudyante bahin sa ilang LS nagtugot kanila nga makab-ot ang ilang potensyal sa pagkat-on. Nangatarungan ang mga tigdukiduki nga kung hingpit nga masabtan sa mga magtutudlo ang proseso sa edukasyon sa mga estudyante, lainlaing mga pamaagi sa pagtudlo ug mga kalihokan ang mahimong ipatuman nga makapauswag sa performance ug kasinatian sa pagkat-on sa mga estudyante [12, 31, 32]. Gipakita sa ubang mga pagtuon nga ang pag-adjust sa LS sa mga estudyante nagpakita usab og mga kalamboan sa kasinatian sa pagkat-on ug performance sa mga estudyante human mausab ang ilang mga estilo sa pagkat-on aron mohaum sa ilang kaugalingong LS [13, 33].
Ang mga opinyon sa mga magtutudlo mahimong magkalahi bahin sa pagpatuman sa mga estratehiya sa pagtudlo base sa mga abilidad sa pagkat-on sa mga estudyante. Samtang ang uban nakakita sa mga benepisyo niini nga pamaagi, lakip ang mga oportunidad sa propesyonal nga kalamboan, mentorship, ug suporta sa komunidad, ang uban mahimong nabalaka bahin sa oras ug suporta sa institusyon. Ang pagpaningkamot alang sa balanse mao ang yawe sa pagmugna og usa ka kinaiya nga nakasentro sa estudyante. Ang mga awtoridad sa mas taas nga edukasyon, sama sa mga administrador sa unibersidad, mahimong adunay hinungdanon nga papel sa pagduso sa positibo nga pagbag-o pinaagi sa pagpaila sa mga inobatibong pamaagi ug pagsuporta sa kalamboan sa faculty [34]. Aron makahimo og usa ka tinuod nga dinamiko ug responsive nga sistema sa mas taas nga edukasyon, ang mga magbabalaod kinahanglan nga mohimo og maisugon nga mga lakang, sama sa paghimo og mga pagbag-o sa palisiya, paggahin og mga kapanguhaan sa paghiusa sa teknolohiya, ug paghimo og mga balangkas nga nagpasiugda sa mga pamaagi nga nakasentro sa estudyante. Kini nga mga lakang hinungdanon aron makab-ot ang gitinguha nga mga resulta. Ang bag-o nga panukiduki sa differentiated instruction klaro nga nagpakita nga ang malampuson nga pagpatuman sa differentiated instruction nanginahanglan padayon nga mga oportunidad sa pagbansay ug kalamboan alang sa mga magtutudlo [35].
Kini nga himan naghatag ug bililhong suporta sa mga magtutudlo sa dentista nga gusto mogamit ug pamaagi nga nakasentro sa estudyante sa pagplano sa mga kalihokan sa pagkat-on nga mahigalaon sa estudyante. Bisan pa, kini nga pagtuon limitado lamang sa paggamit sa mga modelo sa decision tree ML. Sa umaabot, dugang nga datos ang kinahanglan kolektahon aron itandi ang performance sa lainlaing mga modelo sa machine learning aron itandi ang katukma, kasaligan, ug katukma sa mga himan sa rekomendasyon. Dugang pa, kung nagpili sa labing angay nga pamaagi sa machine learning alang sa usa ka partikular nga buluhaton, importante nga tagdon ang ubang mga hinungdan sama sa pagkakomplikado ug interpretasyon sa modelo.
Usa ka limitasyon niini nga pagtuon mao nga kini naka-focus lamang sa pagmapa sa LS ug IS taliwala sa mga estudyante sa dentista. Busa, ang naugmad nga sistema sa rekomendasyon magrekomendar lamang niadtong angay alang sa mga estudyante sa dentista. Gikinahanglan ang mga pagbag-o alang sa kinatibuk-ang paggamit sa mga estudyante sa mas taas nga edukasyon.
Ang bag-ong naugmad nga machine learning-based recommendation tool makahimo dayon sa pagklasipikar ug pagpares sa LS sa mga estudyante ngadto sa katugbang nga IS, nga naghimo niini nga unang programa sa edukasyon sa dentista nga makatabang sa mga magtutudlo sa dentista sa pagplano sa mga may kalabutan nga kalihokan sa pagtudlo ug pagkat-on. Gamit ang proseso sa triage nga gipadagan sa datos, makahatag kini og personal nga mga rekomendasyon, makadaginot sa oras, makapauswag sa mga estratehiya sa pagtudlo, makasuporta sa mga gitarget nga interbensyon, ug makapalambo sa padayon nga propesyonal nga kalamboan. Ang aplikasyon niini magpasiugda sa mga pamaagi nga nakasentro sa estudyante sa edukasyon sa dentista.
Gilak Jani Associated Press. Pagkatakdo o dili pagkatakdo tali sa estilo sa pagkat-on sa estudyante ug sa estilo sa pagtudlo sa magtutudlo. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Oras sa pag-post: Abr-29-2024