치과를 포함한 고등 교육 기관에서 학생 중심 학습(SCL)에 대한 필요성이 증가하고 있습니다.그러나 SCL은 치과 교육에 제한적으로 적용됩니다.따라서 본 연구는 IS 지침 개발을 위한 유용한 도구로서 의사 결정 트리 기계 학습(ML) 기술을 사용하여 치과 학생들의 선호 학습 스타일(LS)과 해당 학습 전략(IS)을 매핑함으로써 치과에서 SCL의 적용을 촉진하는 것을 목표로 합니다. .치과 학생들을 위한 유망한 방법.
말라야 대학의 총 255명의 치대생이 수정된 학습 스타일 지수(m-ILS) 설문지를 작성했습니다. 여기에는 각자의 LS로 분류하기 위한 44개 항목이 포함되어 있습니다.수집된 데이터(데이터세트라고 함)는 지도 의사 결정 트리 학습에 사용되어 학생의 학습 스타일을 가장 적절한 IS에 자동으로 연결합니다.그런 다음 기계 학습 기반 IS 추천 도구의 정확성을 평가합니다.
LS(입력)와 IS(목표 출력) 간의 자동화된 매핑 프로세스에서 의사결정 트리 모델을 적용하면 각 치과 학생에게 적합한 학습 전략의 즉각적인 목록이 가능해집니다.IS 추천 도구는 완벽한 정확도와 전체 모델 정확도의 재현율을 보여 주었으며, 이는 LS를 IS에 일치시키는 것이 우수한 민감도와 특이도를 가짐을 나타냅니다.
ML 의사결정 트리를 기반으로 한 IS 추천 도구는 치과 학생들의 학습 스타일을 적절한 학습 전략과 정확하게 일치시키는 능력이 입증되었습니다.이 도구는 학생들의 학습 경험을 향상시킬 수 있는 학습자 중심의 과정이나 모듈을 계획하기 위한 강력한 옵션을 제공합니다.
교육과 학습은 교육 기관의 기본 활동입니다.고품질 직업 교육 시스템을 개발할 때 학생들의 학습 요구에 초점을 맞추는 것이 중요합니다.학생과 학습 환경 간의 상호 작용은 LS를 통해 결정될 수 있습니다.연구에 따르면 교사가 의도한 학생의 LS와 IS 간의 불일치는 주의력 및 동기 부여 감소와 같은 학생 학습에 부정적인 결과를 초래할 수 있습니다.이는 학생의 성과에 간접적으로 영향을 미칩니다[1,2].
IS는 학생들의 학습을 돕는 것을 포함하여 학생들에게 지식과 기술을 전달하기 위해 교사가 사용하는 방법입니다[3].일반적으로 훌륭한 교사는 학생의 지식 수준, 학습 중인 개념 및 학습 단계에 가장 적합한 교육 전략 또는 IS를 계획합니다.이론적으로 LS와 IS가 일치하면 학생들은 효과적으로 학습하기 위해 특정 기술 세트를 구성하고 사용할 수 있습니다.일반적으로 수업 계획에는 교육에서 지도된 실습으로 또는 지도된 실습에서 독립적인 실습으로의 단계 간 여러 전환이 포함됩니다.이를 염두에 두고 효과적인 교사는 학생들의 지식과 기술을 구축한다는 목표로 수업을 계획하는 경우가 많습니다[4].
SCL에 대한 수요는 치과를 포함한 고등 교육 기관에서 증가하고 있습니다.SCL 전략은 학생들의 학습 요구를 충족하도록 설계되었습니다.예를 들어, 학생들이 학습 활동에 적극적으로 참여하고 교사가 촉진자 역할을 하며 귀중한 피드백을 제공할 책임이 있다면 이는 달성될 수 있습니다.학생들의 교육 수준이나 선호도에 적합한 학습 자료와 활동을 제공하면 학생들의 학습 환경을 개선하고 긍정적인 학습 경험을 촉진할 수 있다고 합니다[5].
일반적으로 치대생의 학습 과정은 그들이 수행해야 하는 다양한 임상 절차와 그들이 효과적인 대인 관계 기술을 개발하는 임상 환경에 의해 영향을 받습니다.훈련의 목적은 학생들이 치과학의 기본 지식과 치과 임상 기술을 결합하고 습득한 지식을 새로운 임상 상황에 적용할 수 있도록 하는 것입니다[6, 7].LS와 IS의 관계에 대한 초기 연구에서는 선호하는 LS에 매핑된 학습 전략을 조정하면 교육 과정을 개선하는 데 도움이 될 수 있다는 사실이 밝혀졌습니다[8].저자는 또한 학생들의 학습과 필요에 맞게 다양한 교육 및 평가 방법을 사용할 것을 권장합니다.
교사는 LS 지식을 적용하여 학생들이 해당 과목에 대한 더 깊은 지식과 이해를 습득할 수 있는 교육을 설계, 개발 및 구현하는 데 도움을 줍니다.연구자들은 Kolb 경험적 학습 모델, Felder-Silverman 학습 스타일 모델(FSLSM) 및 Fleming VAK/VARK 모델[5, 9, 10]과 같은 여러 LS 평가 도구를 개발했습니다.문헌에 따르면 이러한 학습 모델은 가장 일반적으로 사용되고 가장 많이 연구된 학습 모델입니다.현재 연구 작업에서 FSLSM은 치과 학생들의 LS를 평가하는 데 사용됩니다.
FSLSM은 엔지니어링에서 적응형 학습을 평가하기 위해 널리 사용되는 모델입니다.FSLSM 모델을 사용하여 찾을 수 있는 보건 과학(의학, 간호, 약학 및 치과 포함) 분야에서 출판된 많은 작품이 있습니다[5, 11, 12, 13].FLSM에서 LS의 차원을 측정하는 데 사용되는 도구는 학습 스타일 지수(ILS)[8]라고 하며, 이는 LS의 4가지 차원인 처리(능동/반영), 지각(지각/직관), 인지(지각/직관)를 평가하는 44개 항목을 포함합니다. 입력(시각적)./언어) 및 이해(순차적/전역적) [14].
그림 1에 표시된 것처럼 각 FSLSM 차원에는 지배적인 선호도가 있습니다.예를 들어, 처리 차원에서 "활성" LS 학생들은 학습 자료와 직접 상호작용하여 정보를 처리하는 것을 선호하고, 행동을 통해 배우고, 그룹으로 학습하는 경향이 있습니다."성찰적" LS는 생각을 통해 학습하는 것을 의미하며 혼자 일하는 것을 선호합니다.LS의 '지각' 차원은 '감정' 및/또는 '직관'으로 나눌 수 있습니다."감정" 학생은 보다 구체적인 정보와 실제 절차를 선호하고, 추상적 자료를 선호하고 본질적으로 보다 혁신적이고 창의적인 "직관" 학생에 비해 사실 지향적입니다.LS의 "입력" 차원은 "시각적" 학습자와 "언어적" 학습자로 구성됩니다."시각적" LS를 가진 사람들은 시각적 시연(예: 다이어그램, 비디오 또는 실시간 시연)을 통해 학습하는 것을 선호하는 반면, "언어적" LS를 가진 사람들은 서면 또는 구두 설명의 단어를 통해 학습하는 것을 선호합니다.LS 차원을 "이해"하기 위해 이러한 학습자는 "순차적"과 "전역적"으로 나눌 수 있습니다.“순차적 학습자는 선형적 사고 과정을 선호하고 단계별로 학습하는 반면, 글로벌 학습자는 전체적인 사고 과정을 갖고 학습 내용을 항상 더 잘 이해하는 경향이 있습니다.
최근 많은 연구자들이 대량의 데이터를 해석할 수 있는 새로운 알고리즘 및 모델의 개발을 포함하여 자동 데이터 기반 발견 방법을 탐색하기 시작했습니다 [15, 16].제공된 데이터를 기반으로 지도 ML(기계 학습)은 알고리즘 구축을 기반으로 미래 결과를 예측하는 패턴과 가설을 생성할 수 있습니다[17].간단히 말해, 지도 머신러닝 기술은 입력 데이터를 조작하고 알고리즘을 교육합니다.그런 다음 제공된 입력 데이터에 대해 유사한 상황을 기반으로 결과를 분류하거나 예측하는 범위를 생성합니다.감독된 기계 학습 알고리즘의 주요 장점은 이상적이고 원하는 결과를 확립하는 능력입니다[17].
데이터 기반 방법과 의사결정 트리 제어 모델을 사용하여 LS의 자동 감지가 가능합니다.의사결정나무는 보건과학을 포함한 다양한 분야의 훈련 프로그램에 널리 사용되는 것으로 보고되었다[18, 19].본 연구에서 모델은 학생들의 LS를 식별하고 그들에게 가장 적합한 IS를 추천하기 위해 시스템 개발자에 의해 특별히 훈련되었습니다.
본 연구의 목적은 학생의 LS를 기반으로 IS 전달 전략을 개발하고, LS에 매핑된 IS 추천 도구를 개발하여 SCL 접근 방식을 적용하는 것입니다.SCL 방법론의 전략인 IS 추천 도구의 설계 흐름은 그림 1과 같다. IS 추천 도구는 ILS를 활용한 LS 분류 메커니즘과 학생들에게 가장 적합한 IS 디스플레이를 포함하여 두 부분으로 나누어진다.
특히 정보보안 추천도구의 특징으로는 웹 기술 활용, 의사결정트리 머신러닝 활용 등이 있다.시스템 개발자는 휴대폰, 태블릿과 같은 모바일 장치에 적용하여 사용자 경험과 이동성을 향상시킵니다.
실험은 두 단계로 진행되었으며 말라야대학교 치과대학 학생들이 자발적으로 참여했습니다.참가자들은 치과대학생의 온라인 m-ILS에 영어로 응답했습니다.초기 단계에서는 50명의 학생으로 구성된 데이터 세트를 사용하여 의사결정 트리 기계 학습 알고리즘을 훈련했습니다.개발 프로세스의 두 번째 단계에서는 개발된 도구의 정확도를 향상시키기 위해 255명의 학생으로 구성된 데이터 세트가 사용되었습니다.
모든 참가자는 학년도에 따라 각 단계가 시작될 때 Microsoft Teams를 통해 온라인 브리핑을 받습니다.연구의 목적을 설명하고 사전 동의를 얻었습니다.모든 참가자에게는 m-ILS에 액세스할 수 있는 링크가 제공되었습니다.각 학생은 설문지의 44개 항목에 모두 답하도록 지시받았습니다.학기 시작 전 학기 방학 동안 편리한 시간과 장소에서 수정된 ILS를 완료하는 데 일주일이 주어졌습니다.m-ILS는 원래 ILS 기기를 기반으로 하며 치과 학생들을 위해 수정되었습니다.원본 ILS와 유사하게 각 FSLSM 차원의 측면을 평가하는 데 사용되는 44개의 균등하게 분산된 항목(a, b)이 포함되어 있으며 각 항목은 11개입니다.
도구 개발의 초기 단계에서 연구원들은 50명의 치과 학생의 데이터 세트를 사용하여 지도에 수동으로 주석을 달았습니다.FSLM에 따르면 시스템은 "a"와 "b"의 답변의 합을 제공합니다.각 차원별로 학생이 답변으로 "a"를 선택하면 LS는 능동/지각/시각/순차로 분류되고, 학생이 답변으로 "b"를 선택하면 학생은 성찰/직관/언어로 분류됩니다. ./ 글로벌 학습자.
치과 교육 연구원과 시스템 개발자 간의 워크플로를 보정한 후 FLSSM 도메인을 기반으로 질문을 선택하고 ML 모델에 입력하여 각 학생의 LS를 예측했습니다."Garbage in, Garbage out"은 데이터 품질을 강조하는 기계 학습 분야에서 널리 사용되는 말입니다.입력 데이터의 품질은 기계 학습 모델의 정밀도와 정확성을 결정합니다.기능 엔지니어링 단계에서는 FLSSM을 기반으로 답변 "a"와 "b"의 합인 새로운 기능 세트가 생성됩니다.약물 위치의 식별 번호는 표 1에 나와 있습니다.
답변을 바탕으로 점수를 계산하고 학생의 LS를 결정합니다.각 학생의 점수 범위는 1~11입니다. 1~3점은 동일한 차원 내에서 학습 선호도의 균형을 나타내고, 5~7점은 중간 선호도를 나타내며, 이는 학생들이 다른 사람을 가르치는 환경을 선호하는 경향이 있음을 나타냅니다. .동일한 차원의 또 다른 변형은 9에서 11까지의 점수가 한쪽 끝 또는 다른 쪽 끝에 대한 강한 선호를 반영한다는 것입니다[8].
각 차원에 대해 약물은 "활성", "반사" 및 "균형"으로 그룹화되었습니다.예를 들어, 학생이 지정된 항목에서 "b"보다 "a"로 더 자주 대답하고 처리 LS 차원을 나타내는 특정 항목에 대한 점수가 임계값 5를 초과하는 경우 해당 학생은 "활성" LS에 속합니다. 도메인..그러나 특정 11개 문항(Table 1)에서 'a'보다 'b'를 더 많이 선택하고 5점 이상을 얻은 학생들은 '반영적' LS로 분류되었다.마지막으로, 학생은 "평형" 상태에 있습니다.점수가 5점을 초과하지 않으면 이는 "프로세스" LS입니다.다른 LS 차원, 즉 지각(능동/반사), 입력(시각/언어) 및 이해(순차/전역)에 대해 분류 프로세스가 반복되었습니다.
의사결정 트리 모델은 분류 프로세스의 여러 단계에서 다양한 기능 하위 집합과 의사결정 규칙을 사용할 수 있습니다.널리 사용되는 분류 및 예측 도구로 간주됩니다.이는 속성별로 테스트를 나타내는 내부 노드, 테스트 결과를 나타내는 각 분기, 클래스 레이블을 포함하는 각 리프 노드(리프 노드)로 구성된 순서도[20]와 같은 트리 구조를 사용하여 표현할 수 있습니다.
각 학생의 응답을 기반으로 각 학생의 LS에 자동으로 점수를 매기고 주석을 달기 위한 간단한 규칙 기반 프로그램이 만들어졌습니다.규칙 기반은 IF 문 형식을 취합니다. 여기서 "IF"는 트리거를 설명하고 "THEN"은 수행할 작업을 지정합니다. 예를 들어 "X가 발생하면 Y를 수행합니다"(Liu et al., 2014).데이터 세트가 상관관계를 나타내고 의사결정 트리 모델이 적절하게 훈련 및 평가된 경우 이 접근 방식은 LS 및 IS 일치 프로세스를 자동화하는 효과적인 방법이 될 수 있습니다.
두 번째 개발 단계에서는 추천 도구의 정확성을 높이기 위해 데이터 세트를 255개로 늘렸습니다.데이터 세트는 1:4 비율로 분할됩니다.데이터 세트의 25%(64)는 테스트 세트로 사용되었고 나머지 75%(191)는 트레이닝 세트로 사용되었습니다(그림 2).모델이 동일한 데이터 세트에서 학습 및 테스트되는 것을 방지하려면 데이터 세트를 분할해야 합니다. 이로 인해 모델이 학습하기보다는 기억하게 될 수 있습니다.모델은 훈련 세트로 훈련되고 테스트 세트에서 성능을 평가합니다. 이는 모델이 이전에 본 적이 없는 데이터입니다.
IS 도구가 개발되면 애플리케이션은 웹 인터페이스를 통해 치과 학생들의 반응을 기반으로 LS를 분류할 수 있게 됩니다.웹 기반 정보 보안 추천 도구 시스템은 Django 프레임워크를 백엔드로 사용하는 Python 프로그래밍 언어를 사용하여 구축됩니다.표 2에는 이 시스템 개발에 사용된 라이브러리가 나열되어 있습니다.
데이터 세트는 의사 결정 트리 모델에 공급되어 학생 응답을 계산하고 추출하여 학생 LS 측정값을 자동으로 분류합니다.
혼동 행렬은 주어진 데이터 세트에 대한 의사 결정 트리 기계 학습 알고리즘의 정확성을 평가하는 데 사용됩니다.동시에 분류 모델의 성능을 평가합니다.모델의 예측을 요약하고 이를 실제 데이터 레이블과 비교합니다.평가 결과는 네 가지 값을 기반으로 합니다. 참양성(TP) – 모델이 양성 범주를 올바르게 예측했습니다. 거짓 양성(FP) – 모델이 양성 범주를 예측했지만 참 레이블이 음성이었습니다. 참음성(TN) – 모델이 네거티브 클래스를 올바르게 예측했으며 거짓음성(FN) – 모델이 네거티브 클래스를 예측했지만 실제 레이블은 포지티브입니다.
그런 다음 이러한 값은 Python에서 scikit-learn 분류 모델의 다양한 성능 측정항목, 즉 정밀도, 정밀도, 재현율 및 F1 점수를 계산하는 데 사용됩니다.예는 다음과 같습니다.
재현율(또는 민감도)은 m-ILS 설문지에 응답한 후 학생의 LS를 정확하게 분류하는 모델의 능력을 측정합니다.
특이성을 진음성률이라고 합니다.위 공식에서 볼 수 있듯이 이는 참음성(TN) 대 참음성 및 거짓양성(FP)의 비율이어야 합니다.학생용 약물 분류를 위해 권장되는 도구의 일부로서 정확한 식별이 가능해야 합니다.
의사결정 트리 ML 모델을 훈련하는 데 사용된 50명의 학생으로 구성된 원래 데이터 세트는 주석의 인적 오류로 인해 상대적으로 낮은 정확도를 나타냈습니다(표 3).LS 점수와 학생 주석을 자동으로 계산하는 간단한 규칙 기반 프로그램을 만든 후 추천 시스템을 훈련하고 테스트하는 데 점점 더 많은 데이터 세트(255개)가 사용되었습니다.
다중클래스 혼동 행렬에서 대각선 요소는 각 LS 유형에 대한 올바른 예측 수를 나타냅니다(그림 4).의사결정 트리 모델을 사용하여 총 64개의 샘플이 올바르게 예측되었습니다.따라서 본 연구에서는 대각선 요소가 예상된 결과를 나타내어 모델이 잘 수행되고 각 LS 분류에 대한 클래스 레이블을 정확하게 예측함을 나타냅니다.따라서 추천 도구의 전반적인 정확도는 100%입니다.
정확도, 정밀도, 재현율 및 F1 점수의 값은 그림 5에 나와 있습니다. 의사결정 트리 모델을 사용한 추천 시스템의 경우 F1 점수는 1.0 "완벽함"으로 완벽한 정밀도와 재현성을 나타내며 상당한 민감도와 특이성을 반영합니다. 가치.
그림 6은 훈련 및 테스트가 완료된 후 의사결정 트리 모델의 시각화를 보여줍니다.나란히 비교해 보면, 더 적은 수의 특성으로 훈련된 의사결정 트리 모델이 더 높은 정확도와 더 쉬운 모델 시각화를 보여주었습니다.이는 특성 감소로 이어지는 특성 엔지니어링이 모델 성능을 향상시키는 중요한 단계임을 보여줍니다.
의사결정트리 지도학습을 적용하여 LS(입력)와 IS(목표 출력) 간의 매핑이 자동으로 생성되며 각 LS에 대한 세부 정보가 포함됩니다.
결과는 255명의 학생 중 34.9%가 1개의 LS 옵션을 선호하는 것으로 나타났습니다.대다수(54.3%)는 2개 이상의 LS 선호도를 갖고 있었습니다.12.2%의 학생들은 LS가 균형이 잘 잡혀 있다고 답했습니다(표 4).8개의 주요 LS 외에도 말라야 대학 치과 학생들을 위한 34개의 LS 분류 조합이 있습니다.그 중 지각, 시각, 지각과 시각의 결합이 학생들이 보고한 주요 LS입니다(그림 7).
표 4에서 볼 수 있듯이 대다수의 학생들은 감각(13.7%) 또는 시각(8.6%) LS가 우세했습니다.12.2%의 학생이 지각과 시각(지각-시각 LS)을 결합한 것으로 보고되었습니다.이러한 결과는 학생들이 확립된 방법을 통해 배우고 기억하고, 구체적이고 상세한 절차를 따르며, 천성적으로 주의를 기울이는 것을 선호한다는 것을 시사합니다.동시에 그들은 보면서(도표 등을 사용하여) 학습을 즐기고, 그룹으로 또는 스스로 정보를 토론하고 적용하는 경향이 있습니다.
본 연구에서는 학생들의 LS를 즉각적이고 정확하게 예측하고 적합한 IS를 추천하는 데 중점을 두고 데이터 마이닝에 사용되는 기계 학습 기술에 대한 개요를 제공합니다.의사결정나무 모델을 적용하여 그들의 삶과 교육 경험과 가장 밀접하게 관련된 요소를 식별했습니다.트리 구조를 사용하여 특정 기준에 따라 일련의 데이터를 하위 범주로 나누어 데이터를 분류하는 지도형 기계 학습 알고리즘입니다.이는 리프 노드에서 결정이 내려질 때까지 각 내부 노드의 입력 특성 중 하나의 값을 기반으로 입력 데이터를 하위 집합으로 반복적으로 나누는 방식으로 작동합니다.
의사결정 트리의 내부 노드는 m-ILS 문제의 입력 특성을 기반으로 한 솔루션을 나타내고, 리프 노드는 최종 LS 분류 예측을 나타냅니다.연구 전반에 걸쳐 입력 특성과 출력 예측 간의 관계를 살펴봄으로써 의사 결정 과정을 설명하고 시각화하는 의사 결정 트리의 계층 구조를 쉽게 이해할 수 있습니다.
컴퓨터 과학 및 공학 분야에서는 입시 점수[21], 인구통계학적 정보, 학습 행동을 기반으로 학생의 성적을 예측하기 위해 기계 학습 알고리즘이 널리 사용됩니다[22].연구에 따르면 알고리즘은 학생의 성적을 정확하게 예측하고 학업에 어려움을 겪을 위험이 있는 학생을 식별하는 데 도움이 되는 것으로 나타났습니다.
치과 교육을 위한 가상 환자 시뮬레이터 개발에 ML 알고리즘을 적용한 사례가 보고되었습니다.시뮬레이터는 실제 환자의 생리적 반응을 정확하게 재현할 수 있으며 안전하고 통제된 환경에서 치과 학생들을 교육하는 데 사용할 수 있습니다[23].다른 여러 연구에서는 기계 학습 알고리즘이 치과 및 의학 교육과 환자 치료의 품질과 효율성을 잠재적으로 향상시킬 수 있음을 보여줍니다.증상, 환자 특성 등의 데이터 세트를 기반으로 치과 질환 진단을 돕기 위해 기계 학습 알고리즘이 사용되었습니다 [24, 25].다른 연구에서는 환자 결과 예측, 고위험 환자 식별, 맞춤형 치료 계획 개발[26], 치주 치료[27] 및 우식 치료[25]와 같은 작업을 수행하기 위해 기계 학습 알고리즘의 사용을 탐구했습니다.
치과에서 기계 학습을 적용한 보고서가 발표되었지만 치과 교육에서의 적용은 여전히 제한적입니다.따라서 본 연구에서는 의사결정나무 모델을 사용하여 치과대학생의 LS 및 IS와 가장 밀접하게 연관된 요인을 식별하는 것을 목표로 했습니다.
본 연구 결과는 개발된 추천 도구가 높은 정확성과 완벽한 정확성을 갖고 있음을 보여주어 교사가 이 도구를 활용할 수 있음을 나타냅니다.데이터 기반 분류 프로세스를 사용하면 개인화된 권장 사항을 제공하고 교육자와 학생을 위한 교육 경험과 결과를 개선할 수 있습니다.그 중 추천 도구를 통해 얻은 정보는 교사가 선호하는 교수법과 학생의 학습 요구 사이의 갈등을 해결할 수 있습니다.예를 들어, 추천 도구의 자동화된 출력으로 인해 학생의 IP를 식별하고 해당 IP와 매칭하는 데 소요되는 시간이 크게 단축됩니다.이러한 방식으로 적절한 교육 활동과 교육 자료를 구성할 수 있습니다.이는 학생들의 긍정적인 학습 행동과 집중력을 개발하는 데 도움이 됩니다.한 연구에서는 학생들에게 자신이 선호하는 LS에 맞는 학습 자료와 학습 활동을 제공하면 학생들이 더 큰 잠재력을 달성하기 위해 다양한 방법으로 학습을 통합하고 처리하며 즐기는 데 도움이 될 수 있다고 보고했습니다[12].또한 연구에 따르면 교실에서 학생 참여를 향상시키는 것 외에도 학생의 학습 과정을 이해하는 것이 교수 관행 및 학생과의 의사소통을 개선하는 데 중요한 역할을 한다는 것을 보여줍니다[28, 29].
그러나 모든 현대 기술에는 문제와 한계가 있습니다.여기에는 데이터 개인 정보 보호, 편견 및 공정성과 관련된 문제, 치과 교육에서 기계 학습 알고리즘을 개발하고 구현하는 데 필요한 전문 기술 및 리소스가 포함됩니다.그러나 이 분야에 대한 관심과 연구의 증가는 기계 학습 기술이 치과 교육 및 치과 서비스에 긍정적인 영향을 미칠 수 있음을 시사합니다.
이 연구의 결과는 치대생의 절반이 약물을 "인식"하는 경향이 있음을 나타냅니다.이 유형의 학습자는 사실과 구체적인 예, 실용적인 방향, 세부 사항에 대한 인내심, 그리고 아이디어와 생각을 전달하기 위해 그림, 그래픽, 색상 및 지도를 사용하는 것을 선호하는 "시각적" LS 선호도를 선호합니다.현재 결과는 대부분 지각 및 시각적 LS의 특성을 가지고 있는 치과 및 의과대학생의 LS를 평가하기 위해 ILS를 사용하는 다른 연구와 일치합니다[12, 30].Dalmolin 등은 학생들에게 LS에 대해 알리는 것이 학습 잠재력을 발휘할 수 있다고 제안합니다.연구자들은 교사가 학생의 교육 과정을 완전히 이해하면 학생의 성과와 학습 경험을 향상시킬 수 있는 다양한 교수법과 활동을 구현할 수 있다고 주장합니다[12, 31, 32].다른 연구에서도 학생들의 LS를 조정하면 학생들의 학습 스타일을 자신의 LS에 맞게 변경한 후 학생들의 학습 경험과 성과가 향상되는 것으로 나타났습니다[13, 33].
학생의 학습 능력에 따라 교수 전략의 실행에 관해 교사의 의견이 다를 수 있습니다.어떤 사람들은 전문성 개발 기회, 멘토십, 지역 사회 지원을 포함하여 이 접근 방식의 이점을 보는 반면, 다른 사람들은 시간과 제도적 지원에 대해 우려할 수도 있습니다.균형을 위해 노력하는 것은 학생 중심의 태도를 만드는 데 중요합니다.대학 행정관과 같은 고등 교육 당국은 혁신적인 관행을 도입하고 교수진 개발을 지원함으로써 긍정적인 변화를 주도하는 데 중요한 역할을 할 수 있습니다[34].진정으로 역동적이고 대응력이 뛰어난 고등 교육 시스템을 만들기 위해 정책 입안자는 정책 변경, 기술 통합에 자원 할당, 학생 중심 접근 방식을 촉진하는 프레임워크 생성 등의 과감한 조치를 취해야 합니다.이러한 조치는 원하는 결과를 달성하는 데 매우 중요합니다.차별화 교수법에 관한 최근 연구에 따르면 차별화 교수법을 성공적으로 구현하려면 교사를 위한 지속적인 훈련 및 개발 기회가 필요하다는 것이 분명하게 드러났습니다[35].
이 도구는 학생 중심의 접근 방식을 통해 학생 친화적인 학습 활동을 계획하려는 치과 교육자에게 귀중한 지원을 제공합니다.그러나 본 연구는 의사결정 트리 ML 모델의 사용으로 제한됩니다.앞으로는 추천 도구의 정확성, 신뢰성, 정밀도를 비교하기 위해 다양한 기계 학습 모델의 성능을 비교하기 위해 더 많은 데이터를 수집해야 합니다.또한 특정 작업에 가장 적합한 기계 학습 방법을 선택할 때 모델 복잡성 및 해석과 같은 다른 요소를 고려하는 것이 중요합니다.
이 연구의 한계는 치과 학생들의 LS와 IS 매핑에만 초점을 맞추었다는 것입니다.따라서 개발된 추천 시스템은 치대 학생들에게 적합한 것만 추천할 것입니다.일반 고등교육 학생의 이용에는 변경이 필요합니다.
새로 개발된 머신러닝 기반 추천 도구는 학생의 LS를 해당 IS에 즉각적으로 분류하고 매칭할 수 있어 치과 교육자들이 관련 교육 및 학습 활동을 계획할 수 있도록 돕는 최초의 치과 교육 프로그램입니다.데이터 중심 분류 프로세스를 사용하면 개인화된 권장 사항을 제공하고, 시간을 절약하고, 교육 전략을 개선하고, 목표 개입을 지원하고, 지속적인 전문성 개발을 촉진할 수 있습니다.이 응용 프로그램은 치과 교육에 대한 학생 중심의 접근 방식을 촉진할 것입니다.
길락 자니 AP 통신.학생의 학습 스타일과 교사의 교육 스타일이 일치하거나 불일치합니다.Int J Mod 교육 컴퓨터 과학.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
게시 시간: 2024년 4월 29일