치과를 포함한 고등 교육 기관에서 학생 중심 학습 (SCL)이 증가하고 있습니다. 그러나 SCL은 치과 교육에 제한된 적용을 가지고 있습니다. 따라서이 연구는 의사 결정 트리 머신 러닝 (ML) 기술을 사용하여 선호하는 학습 스타일 (LS)과 치과 학생의 해당 학습 전략 (IS)을 개발하는 데 유용한 도구로서 DENTIRY에서 SCL의 적용을 촉진하는 것을 목표로합니다. . 치과 학생들을위한 유망한 방법.
말라야 대학교 (University of Malaya)의 총 255 명의 치과 학생들이 수정 된 학습 스타일 (M-IL) 설문지를 완성했으며, 여기에는 44 개의 항목이 각각의 LSS로 분류했습니다. 수집 된 데이터 (데이터 세트라고 함)는 감독 된 의사 결정 트리 학습에 사용되어 학생들의 학습 스타일을 가장 적절한 IS와 자동으로 일치시킵니다. 머신 러닝 기반의 정확도는 권장 도구를 평가합니다.
LS (입력)와 IS (대상 출력) 사이의 자동화 된 매핑 프로세스에서 의사 결정 트리 모델을 적용하면 각 치과 학생에 대한 적절한 학습 전략의 즉각적인 목록이 허용됩니다. IS 권장 도구는 전체 모델 정확도의 완벽한 정확성과 리콜을 보여 주었으며, 이는 LS와 일치하는 것이 우수한 감도와 특이성을 가지고 있음을 나타냅니다.
ML 의사 결정 트리를 기반으로 한 IS 추천 도구는 치과 학생의 학습 스타일을 적절한 학습 전략과 정확하게 일치시키는 능력을 입증했습니다. 이 도구는 학생의 학습 경험을 향상시킬 수있는 학습자 중심 과정 또는 모듈을 계획하기위한 강력한 옵션을 제공합니다.
교육과 학습은 교육 기관의 기본 활동입니다. 고품질 직업 교육 시스템을 개발할 때는 학생들의 학습 요구에 집중하는 것이 중요합니다. 학생과 학습 환경 간의 상호 작용은 LS를 통해 결정할 수 있습니다. 연구에 따르면 학생들의 교사의 의도적 불일치는 관심과 동기 부여 감소와 같은 학생 학습에 부정적인 결과를 초래할 수 있다고합니다. 이것은 간접적으로 학생의 성과에 영향을 미칩니다 [1,2].
IS는 교사가 학생들의 학습을 돕는 것을 포함하여 학생들에게 지식과 기술을 부여하기 위해 사용하는 방법입니다 [3]. 일반적으로 좋은 교사는 전략을 가르치거나 학생들의 지식 수준, 배우고있는 개념 및 학습 단계와 가장 잘 일치하는 것입니다. 이론적으로 LS와 LS와 일치 할 때 학생들은 특정 기술 세트를 구성하고 사용하여 효과적으로 학습 할 수 있습니다. 일반적으로 수업 계획에는 가르침에서 가이드 연습, 가이드 실습에서 독립적 인 연습으로의 단계 간의 여러 전환이 포함됩니다. 이를 염두에두고 효과적인 교사는 종종 학생들의 지식과 기술을 구축하기 위해 교육을 계획합니다 [4].
SCL에 대한 수요는 치과를 포함한 고등 교육 기관에서 증가하고 있습니다. SCL 전략은 학생들의 학습 요구를 충족 시키도록 설계되었습니다. 예를 들어, 학생들이 학습 활동에 적극적으로 참여하고 교사가 촉진자 역할을하고 귀중한 피드백을 제공 할 책임이있는 경우이를 달성 할 수 있습니다. 학생들의 교육 수준이나 선호도에 적합한 학습 자료와 활동을 제공하면 학생들의 학습 환경을 향상시키고 긍정적 인 학습 경험을 촉진 할 수 있다고합니다 [5].
일반적으로 치과 학생의 학습 과정은 수행 해야하는 다양한 임상 절차와 효과적인 대인 관계 기술을 개발하는 임상 환경에 영향을받습니다. 훈련의 목적은 학생들이 치과의 기본 지식을 치과 임상 기술과 결합하고 획득 한 지식을 새로운 임상 상황에 적용 할 수 있도록하는 것입니다 [6, 7]. LS 간의 관계에 대한 초기 연구와 선호하는 LS에 매핑 된 학습 전략 조정은 교육 과정을 개선하는 데 도움이 될 것입니다 [8]. 저자는 또한 학생들의 학습 및 요구에 적응하기 위해 다양한 교육 및 평가 방법을 사용하는 것이 좋습니다.
교사는 LS 지식을 적용하여 학생들이 더 깊은 지식을 습득하고 주제에 대한 이해를 향상시킬 수있는 교육을 설계, 개발 및 구현하는 데 도움이됩니다. 연구원들은 KOLB EXECIENTIAL LEARNGE 모델, FELDER-SILVERMAN LEARNGE STYLE MODEL (FSLSM) 및 Fleming VAK/VARK 모델과 같은 여러 LS 평가 도구를 개발했습니다 [5, 9, 10]. 문헌에 따르면, 이러한 학습 모델은 가장 일반적으로 사용되고 가장 많이 연구 된 학습 모델입니다. 현재의 연구 작업에서 FSLSM은 치과 학생들 사이에서 LS를 평가하는 데 사용됩니다.
FSLSM은 엔지니어링의 적응 학습을 평가하는 데 널리 사용되는 모델입니다. 건강 과학 (의학, 간호, 약국 및 치과 포함)에는 FSLSM 모델을 사용하여 찾을 수있는 많은 작품이 있습니다 [5, 11, 12, 13]. FLSM에서 LS의 차원을 측정하는 데 사용되는 기기를 LS의 4 가지 차원을 평가하는 44 개의 항목을 포함하는 학습 스타일 (IL)의 지수 (ILS) [8]라고합니다. 입력 (시각적). /구두) 및 이해 (순차적/글로벌) [14].
도 1에 도시 된 바와 같이, 각각의 FSLSM 차원은 지배적 인 선호도를 갖는다. 예를 들어, 처리 차원에서 "Active"LS를 가진 학생들은 학습 자료와 직접 상호 작용하여 정보를 처리하고, 학습을 통해 배우고 그룹으로 배우는 경향이 있습니다. “반사적”LS는 생각을 통해 학습을 말하고 혼자 일하는 것을 선호합니다. LS의 "인식"차원은 "느낌"및/또는 "직관"으로 나눌 수 있습니다. "느낌"학생들은보다 구체적인 정보와 실용적인 절차를 선호하며, 추상적 인 자료를 선호하고보다 혁신적이고 창의적 인 "직관적 인"학생들에 비해 사실 지향적입니다. LS의 "입력"차원은 "시각적"및 "구두"학습자로 구성됩니다. "시각적"LS를 가진 사람들은 시각적 시연 (예 : 다이어그램, 비디오 또는 라이브 데모)을 통해 배우는 것을 선호하는 반면, "언어"LS를 가진 사람들은 서면 또는 구두 설명으로 단어를 통해 배우는 것을 선호합니다. LS 차원을 "이해"하기 위해 그러한 학습자는 "순차적"과 "글로벌"으로 나눌 수 있습니다. “순차 학습자들은 선형 사고 과정을 선호하고 단계별로 학습하는 반면, 글로벌 학습자는 전체적인 사고 과정을 갖는 경향이 있으며 항상 배우는 것을 더 잘 이해합니다.
최근에 많은 연구자들은 다량의 데이터를 해석 할 수있는 새로운 알고리즘 및 모델의 개발을 포함하여 자동 데이터 중심 발견 방법을 탐색하기 시작했습니다 [15, 16]. 제공된 데이터를 기반으로 감독 된 ML (기계 학습)은 알고리즘 구성을 기반으로 미래의 결과를 예측하는 패턴과 가설을 생성 할 수 있습니다 [17]. 간단히 말해서 감독 된 기계 학습 기술은 입력 데이터를 조작하고 알고리즘을 조작합니다. 그런 다음 제공된 입력 데이터에 대한 유사한 상황에 따라 결과를 분류하거나 예측하는 범위를 생성합니다. 감독 된 기계 학습 알고리즘의 주요 장점은 이상적이고 원하는 결과를 확립하는 능력이다 [17].
데이터 중심 방법 및 의사 결정 트리 제어 모델을 사용하여 LS의 자동 감지가 가능합니다. 의사 결정 트리는 건강 과학을 포함한 다양한 분야의 훈련 프로그램에서 널리 사용되는 것으로보고되었습니다 [18, 19]. 이 연구 에서이 모델은 시스템 개발자가 학생들의 LS를 식별하고 최고를 추천하기 위해 특별히 교육을 받았습니다.
이 연구의 목적은 학생들의 LS를 기반으로 IS 전달 전략을 개발하고 LS에 매핑 된 IS 권장 도구를 개발하여 SCL 접근 방식을 적용하는 것입니다. SCL 방법의 전략으로서 IS 권장 도구의 설계 흐름은 그림 1에 나와 있습니다. IS 권장 도구는 ILS를 사용한 LS 분류 메커니즘을 포함한 두 부분으로 나뉩니다.
특히 정보 보안 추천 도구의 특성에는 웹 기술 사용 및 의사 결정 트리 머신 러닝 사용이 포함됩니다. 시스템 개발자는 휴대 전화 및 태블릿과 같은 모바일 장치에 적응하여 사용자 경험과 이동성을 향상시킵니다.
이 실험은 두 단계로 수행되었으며 말라야 대학교 치과 학부의 학생들은 자발적으로 참여했습니다. 참가자는 영어로 치과 학생의 온라인 M-IL에 응답했습니다. 초기 단계에서 50 명의 학생들의 데이터 세트가 의사 결정 트리 머신 러닝 알고리즘을 훈련시키는 데 사용되었습니다. 개발 프로세스의 두 번째 단계에서 255 명의 학생들의 데이터 세트가 개발 된 기기의 정확도를 향상시키는 데 사용되었습니다.
모든 참가자는 Microsoft 팀을 통해 학년도에 따라 각 단계의 시작 부분에서 온라인 브리핑을받습니다. 연구의 목적이 설명되었고 사전 동의를 얻었습니다. 모든 참가자에게는 M-IL에 액세스 할 수있는 링크가 제공되었습니다. 각 학생은 설문지의 44 개 항목에 모두 답변하도록 지시 받았다. 그들은 한 번에 수정 된 IL을 한 번에 수정하여 학기 시작 전 학기 휴식 시간에 편리한 위치에 수정 된 IL을 완료하기 위해 1 주일을 받았습니다. M-ILS는 원래 ILS 악기를 기반으로하며 치과 학생을 위해 수정되었습니다. 원래의 IL과 유사하게, 각 FSLSM 차원의 측면을 평가하는 데 사용되는 44 개의 균등하게 분산 된 항목 (A, B)이 포함되어 있으며 각각 11 개의 항목이 포함되어 있습니다.
도구 개발의 초기 단계에서 연구원들은 50 명의 치과 학생의 데이터 세트를 사용하여지도에 수동으로 주석을 달았습니다. FSLM에 따르면이 시스템은 "A"및 "B"의 합을 제공합니다. 각 차원에 대해 학생이 "A"를 답으로 선택하면 LS는 Active/Perceptual/Visual/Sequential으로 분류되며 학생이 답변으로 "B"를 선택하면 학생은 반사적/직관적/언어로 분류됩니다. . / 글로벌 학습자.
치과 교육 연구원과 시스템 개발자 간의 워크 플로를 교정 한 후 FLSSM 도메인을 기반으로 질문을 선택하고 각 학생의 LS를 예측하기 위해 ML 모델로 공급되었습니다. “쓰레기, 쓰레기 아웃”은 데이터 품질에 중점을 둔 기계 학습 분야에서 인기있는 말입니다. 입력 데이터의 품질은 머신 러닝 모델의 정밀성과 정확성을 결정합니다. 기능 엔지니어링 단계에서 FLSSM을 기반으로 한 답변 "A"및 "B"의 합계 인 새로운 기능 세트가 작성됩니다. 약물 위치의 확인 수는 표 1에 나와 있습니다.
답변을 기반으로 점수를 계산하고 학생의 LS를 결정하십시오. 각 학생에 대해 점수 범위는 1에서 11 사이입니다. 1에서 3 사이의 점수는 동일한 차원 내에서 학습 선호도의 균형을 나타내며 5 ~ 7 점은 학생들이 다른 사람을 가르치는 한 환경을 선호하는 경향이 있음을 나타냅니다. . 동일한 차원의 또 다른 변형은 9에서 11까지의 점수가 한쪽 끝 또는 다른 쪽에서 강한 선호도를 반영한다는 것입니다 [8].
각 차원에 대해, 약물은 "활성", "반사적"및 "균형"으로 그룹화되었습니다. 예를 들어, 학생이 지정된 항목에서 "B"보다 "A"에 대해 더 자주 대답하고 그의 점수가 처리 된 LS 차원을 나타내는 특정 항목의 5의 임계 값을 초과 할 때, 그녀는 "Active"LS에 속합니다. 도메인. . 그러나 학생들은 특정 11 가지 질문 (표 1)에서 "A"보다 "B"를 선택했을 때 "반사적"LS로 분류되었으며 5 점 이상 점수를 받았습니다. 마지막으로, 학생은“평형”상태에 있습니다. 점수가 5 점을 초과하지 않으면 이것은 "프로세스"LS입니다. 분류 프로세스는 다른 LS 차원, 즉 인식 (활성/반사), 입력 (시각/구두) 및 이해 (순차/글로벌)에 대해 반복되었습니다.
의사 결정 트리 모델은 분류 프로세스의 다른 단계에서 다양한 기능 및 의사 결정 규칙을 사용할 수 있습니다. 인기있는 분류 및 예측 도구로 간주됩니다. 유량 차트 [20]와 같은 트리 구조를 사용하여 표현할 수 있으며, 여기서 속성별로 테스트를 나타내는 내부 노드, 테스트 결과를 나타내는 각 지점 및 클래스 레이블을 포함하는 각 잎 노드 (리프 노드)가 있습니다.
간단한 규칙 기반 프로그램은 응답에 따라 각 학생의 LS에 자동으로 점수를 매기고 주석을 달 수 있도록 만들어졌습니다. 규칙 기반은 IF 문의 형태를 취합니다. 여기서“if”는 트리거를 설명하고“X가 발생하면 y를 수행한다”(Liu et al., 2014)와 같이 수행 할 조치를 지정합니다. 데이터 세트가 상관 관계를 나타내고 의사 결정 트리 모델이 올바르게 훈련되고 평가되는 경우,이 접근법은 LS와 일치하는 프로세스를 자동화하는 효과적인 방법이 될 수 있습니다.
개발의 두 번째 단계에서는 데이터 세트가 255로 증가하여 권장 도구의 정확도를 향상 시켰습니다. 데이터 세트는 1 : 4 비율로 분할됩니다. 데이터 세트의 25% (64)는 테스트 세트에 사용되었고 나머지 75% (191)를 훈련 세트로 사용 하였다 (도 2). 데이터 세트를 동일한 데이터 세트에서 교육 및 테스트하는 것을 방지하기 위해 데이터 세트를 분할해야하므로 학습보다는 모델이 기억할 수 있습니다. 이 모델은 교육 세트에 대한 교육을 받고 테스트 세트에서 성능을 평가합니다.
IS 도구가 개발되면 응용 프로그램은 웹 인터페이스를 통해 치과 학생의 응답에 따라 LS를 분류 할 수 있습니다. 웹 기반 정보 보안 추천 도구 시스템은 Django 프레임 워크를 백엔드로 사용하여 Python 프로그래밍 언어를 사용하여 구축됩니다. 표 2에는이 시스템 개발에 사용 된 라이브러리가 나와 있습니다.
데이터 세트는 의사 결정 트리 모델에 공급되어 학생 응답을 계산하고 추출하여 학생 LS 측정을 자동으로 분류합니다.
혼동 매트릭스는 주어진 데이터 세트에서 의사 결정 트리 머신 러닝 알고리즘의 정확도를 평가하는 데 사용됩니다. 동시에 분류 모델의 성능을 평가합니다. 모델의 예측을 요약하고 실제 데이터 레이블과 비교합니다. 평가 결과는 네 가지 값을 기반으로합니다. True Positive (TP) - 모델은 양수 범주 인 False Positive (FP)를 올바르게 예측했습니다. 모델은 양수 범주를 예측했지만 실제 레이블은 음수, True Negative (TN) -입니다. 이 모델은 음의 클래스를 올바르게 예측하고 FANCE (False Negative) - 모델은 음수 클래스를 예측하지만 실제 레이블은 양수입니다.
그런 다음이 값은 파이썬에서 Scikit-Learn 분류 모델의 다양한 성능 메트릭, 즉 정밀, 정밀, 리콜 및 F1 점수를 계산하는 데 사용됩니다. 예는 다음과 같습니다.
리콜 (또는 민감도)은 M-IL 설문지에 응답 한 후 학생의 LS를 정확하게 분류하는 모델의 능력을 측정합니다.
특이성을 진정한 부정적인 비율이라고합니다. 위의 공식에서 볼 수 있듯이, 이것은 True Negatives (TN)의 True Negatives 및 False Positives (FP)의 비율이어야합니다. 학생 약물을 분류하기위한 권장 도구의 일부로 정확한 식별이 가능해야합니다.
의사 결정 트리 ML 모델을 훈련시키는 데 사용 된 50 명의 학생의 원래 데이터 세트는 주석의 인적 오류로 인해 상대적으로 낮은 정확도를 보여주었습니다 (표 3). LS 점수와 학생 주석을 자동으로 계산하기위한 간단한 규칙 기반 프로그램을 작성한 후, 점점 더 많은 데이터 세트 (255)를 사용하여 추천 시스템을 교육하고 테스트했습니다.
멀티 클래스 혼동 행렬에서, 대각선 요소는 각 LS 유형에 대한 올바른 예측의 수를 나타냅니다 (그림 4). 의사 결정 트리 모델을 사용하여 총 64 개의 샘플이 올바르게 예측되었습니다. 따라서,이 연구에서, 대각선 요소는 예상 결과를 나타내며, 이는 모델이 잘 수행되고 각 LS 분류에 대한 클래스 레이블을 정확하게 예측한다는 것을 나타냅니다. 따라서 권장 도구의 전체 정확도는 100%입니다.
정확도, 정밀, 리콜 및 F1 점수의 값은 그림 5에 나와 있습니다. 의사 결정 트리 모델을 사용하는 권장 시스템의 경우 F1 점수는 1.0 "완벽한"이며, 완벽한 정밀도 및 리콜을 나타내며 상당한 민감도와 특이성을 반영합니다. 값.
그림 6은 훈련 및 테스트가 완료된 후 의사 결정 트리 모델의 시각화를 보여줍니다. 나란히 비교에서 더 적은 기능으로 훈련 된 의사 결정 트리 모델은 더 높은 정확도와 모델 시각화가 더 쉬워졌습니다. 이 기능은 기능 감소로 이어지는 기능 엔지니어링이 모델 성능을 향상시키는 데 중요한 단계임을 보여줍니다.
의사 결정 트리 감독 학습을 적용함으로써 LS (입력)와 IS 간의 매핑이 자동으로 생성되며 각 LS에 대한 자세한 정보가 포함됩니다.
결과는 255 명의 학생 중 34.9%가 1 명 (1) LS 옵션을 선호하는 것으로 나타났습니다. 대다수 (54.3%)는 둘 이상의 LS 선호도를 가졌다. 학생들의 12.2%가 LS가 상당히 균형을 잡았다 고 언급했습니다 (표 4). 8 개의 주요 LS 외에도 말라야 치과 학생들을위한 34 개의 LS 분류 조합이 있습니다. 그중에서도 인식, 비전 및 인식과 비전의 조합은 학생들이보고 한 주요 LS입니다 (그림 7).
표 4에서 알 수 있듯이 대다수의 학생들은 우세한 감각 (13.7%) 또는 시각적 (8.6%)을 가졌습니다. 학생들의 12.2%가 인식과 비전 (지각 시각 LS)을 결합한 것으로보고되었습니다. 이러한 결과는 학생들이 확립 된 방법을 통해 배우고 기억하고 구체적이고 자세한 절차를 따르며 본질적으로주의를 기울이는 것을 선호합니다. 동시에, 그들은 (다이어그램 등을 사용하여) 학습을 즐기고 그룹이나 스스로 정보를 논의하고 적용하는 경향이 있습니다.
이 연구는 데이터 마이닝에 사용되는 기계 학습 기술에 대한 개요를 제공하며, 학생들의 LS를 즉시 예측하고 적합한 IS를 권장하는 데 중점을두고 있습니다. 의사 결정 트리 모델의 적용은 그들의 삶과 교육 경험과 가장 밀접한 관련 요인을 식별했습니다. 특정 기준에 따라 데이터 세트를 하위 범주로 나누어 트리 구조를 사용하여 데이터를 분류하는 감독 된 기계 학습 알고리즘입니다. 리프 노드에서 결정이 이루어질 때까지 각 내부 노드의 입력 기능 중 하나의 값에 따라 입력 데이터를 하위 세트로 재귀 적으로 나누어 작동합니다.
의사 결정 트리의 내부 노드는 M-IL 문제의 입력 특성을 기반으로 솔루션을 나타내고, 잎 노드는 최종 LS 분류 예측을 나타냅니다. 연구 전반에 걸쳐 입력 기능과 출력 예측 간의 관계를 살펴보면 의사 결정 과정을 설명하고 시각화하는 의사 결정 트리의 계층 구조를 쉽게 이해할 수 있습니다.
컴퓨터 과학 및 엔지니어링 분야에서 기계 학습 알고리즘은 입학 시험 점수 [21], 인구 통계 정보 및 학습 행동 [22]에 따라 학생의 성과를 예측하는 데 널리 사용됩니다. 연구에 따르면 알고리즘은 학생의 성과를 정확하게 예측하고 학생들이 학업에 어려움을 겪을 위험에 처한 학생들을 식별하는 데 도움이되었습니다.
치과 훈련을위한 가상 환자 시뮬레이터 개발에서 ML 알고리즘의 적용이보고된다. 시뮬레이터는 실제 환자의 생리적 반응을 정확하게 재생할 수 있으며 안전하고 통제 된 환경에서 치과 학생들을 훈련시키는 데 사용될 수 있습니다 [23]. 다른 여러 연구에 따르면 기계 학습 알고리즘은 치과 및 의학 교육 및 환자 치료의 품질과 효율성을 향상시킬 수 있습니다. 기계 학습 알고리즘은 증상 및 환자 특성과 같은 데이터 세트를 기반으로 치과 질환 진단을 돕기 위해 사용되었습니다 [24, 25]. 다른 연구에서는 환자 결과 예측, 고위험 환자 식별, 개인 치료 계획 개발 [26], 치주 치료 [27] 및 우식 치료 [25]와 같은 작업을 수행하기 위해 기계 학습 알고리즘의 사용을 탐구했지만 [25].
치과에서 기계 학습 적용에 대한 보고서가 발표되었지만 치과 교육에 대한 적용은 제한적입니다. 따라서이 연구는 의사 결정 트리 모델을 사용하여 LS와 가장 밀접하게 관련된 요인을 식별하고 치과 학생들 중 하나입니다.
이 연구의 결과는 개발 된 권장 도구가 정확도가 높은 정확도와 완벽한 정확도를 가지고 있으며, 이는 교사 가이 도구의 혜택을받을 수 있음을 나타냅니다. 데이터 중심 분류 프로세스를 사용하여 개인화 된 권장 사항을 제공하고 교육자 및 학생들의 교육 경험과 결과를 향상시킬 수 있습니다. 그중에서도 추천 도구를 통해 얻은 정보는 교사의 선호하는 교수법과 학생들의 학습 요구 사이의 갈등을 해결할 수 있습니다. 예를 들어, 추천 도구의 자동 출력으로 인해 학생의 IP를 식별하고 해당 IP와 일치하는 데 필요한 시간이 크게 줄어 듭니다. 이런 식으로 적절한 교육 활동 및 교육 자료를 구성 할 수 있습니다. 이것은 학생들의 긍정적 인 학습 행동과 집중 능력을 개발하는 데 도움이됩니다. 한 연구는 학생들이 선호하는 LS와 일치하는 학습 자료 및 학습 활동을 제공하면 학생들이 더 큰 잠재력을 달성하기 위해 여러 가지 방법으로 통합, 처리 및 학습을 즐길 수 있다고보고했습니다 [12]. 연구에 따르면 교실에 대한 학생의 참여를 향상시키는 것 외에도 학생들의 학습 과정을 이해하는 것도 교수 실습을 향상시키고 학생들과의 의사 소통에 중요한 역할을합니다 [28, 29].
그러나 모든 현대 기술과 마찬가지로 문제와 한계가 있습니다. 여기에는 데이터 프라이버시, 편견 및 공정성과 관련된 문제, 치과 교육에서 기계 학습 알고리즘을 개발하고 구현하는 데 필요한 전문 기술 및 리소스; 그러나이 분야에 대한 관심과 연구가 커지면 기계 학습 기술이 치과 교육 및 치과 서비스에 긍정적 인 영향을 줄 수 있습니다.
이 연구의 결과는 치과 학생의 절반이 약물을“인식”하는 경향이 있음을 나타냅니다. 이러한 유형의 학습자는 사실 및 구체적인 예제, 실용적인 방향, 세부 사항을위한 인내 및 "시각적"LS 선호도를 선호합니다. 학습자는 그림, 그래픽, 색상 및지도를 사용하여 아이디어와 생각을 전달하는 것을 선호합니다. 현재 결과는 치과 및 의대생의 LS를 평가하기 위해 ILS를 사용한 다른 연구와 일치하며, 대부분은 지각 및 시각적 LS의 특성을 가지고 있습니다 [12, 30]. Dalmolin 등은 학생들에게 자신의 LS에 대해 알리면 학습 잠재력에 도달 할 수 있다고 제안합니다. 연구원들은 교사들이 학생들의 교육 과정을 완전히 이해할 때 학생들의 성과와 학습 경험을 향상시킬 다양한 교수법과 활동이 구현 될 수 있다고 주장합니다 [12, 31, 32]. 다른 연구에 따르면 학생들의 LS를 조정하는 것은 학습 스타일을 자신의 LS에 맞게 변경 한 후 학생들의 학습 경험과 성과의 향상을 보여줍니다 [13, 33].
교사의 의견은 학생들의 학습 능력에 기초한 교수 전략의 구현과 관련하여 다를 수 있습니다. 일부는 전문 개발 기회, 멘토링 및 지역 사회 지원을 포함 하여이 접근법의 이점을 보지만 다른 사람들은 시간과 제도적 지원에 대해 우려 할 수 있습니다. 균형을 위해 노력하는 것은 학생 중심의 태도를 만드는 데 중요합니다. 대학 관리자와 같은 고등 교육 당국은 혁신적인 관행을 도입하고 교수진 개발을 지원함으로써 긍정적 인 변화를 일으키는 데 중요한 역할을 할 수 있습니다 [34]. 진정으로 역동적이고 반응이 좋은 고등 교육 시스템을 만들려면 정책 입안자들은 정책 변경, 기술 통합에 자원을 바꾸고 학생 중심의 접근 방식을 촉진하는 프레임 워크 만들기와 같은 대담한 단계를 수행해야합니다. 이러한 조치는 원하는 결과를 달성하는 데 중요합니다. 차별화 된 교육에 대한 최근의 연구는 차별화 된 교육을 성공적으로 구현하려면 교사들에게 지속적인 교육 및 개발 기회가 필요하다는 것을 분명히 보여 주었다 [35].
이 도구는 학생 친화적 인 학습 활동을 계획하는 데 학생 중심의 접근 방식을 취하려는 치과 교육자들에게 귀중한 지원을 제공합니다. 그러나이 연구는 의사 결정 트리 ML 모델의 사용으로 제한됩니다. 향후 다양한 기계 학습 모델의 성능을 비교하여 권장 도구의 정확성, 안정성 및 정밀도를 비교하기 위해 더 많은 데이터를 수집해야합니다. 또한 특정 작업에 가장 적합한 기계 학습 방법을 선택할 때는 모델 복잡성 및 해석과 같은 다른 요소를 고려하는 것이 중요합니다.
이 연구의 한계는 LS 매핑에만 초점을 맞추고 치과 학생들 사이에 있다는 것입니다. 따라서 개발 된 권장 시스템은 치과 학생에게 적합한 권장 시스템 만 권장합니다. 일반적인 고등 교육 학생 사용에는 변경이 필요합니다.
새로 개발 된 기계 학습 기반 권장 사항 도구는 학생들의 L을 해당 IS와 즉시 분류하고 일치시킬 수 있으므로 치과 교육자가 관련 교육 및 학습 활동을 계획하는 데 도움이되는 최초의 치과 교육 프로그램이됩니다. 데이터 중심 심사 프로세스를 사용하여 개인화 된 권장 사항을 제공하고, 시간을 절약하고, 교수 전략을 개선하며, 대상 중재를 지원하며, 지속적인 전문 개발을 촉진 할 수 있습니다. 응용 프로그램은 치과 교육에 대한 학생 중심 접근 방식을 촉진 할 것입니다.
길락 자니 관련 언론. 학생의 학습 스타일과 교사의 교수 스타일 사이의 일치 또는 불일치. Int J Mod Educ 컴퓨터 과학. 2012; 4 (11) : 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
후 시간 : 4 월 29-2024 년