치의학을 포함한 고등교육기관에서 학생 중심 학습(SCL)에 대한 필요성이 점차 증가하고 있습니다. 그러나 치의학 교육에서 SCL의 적용은 아직 제한적입니다. 따라서 본 연구는 의사결정 트리 머신러닝(ML) 기술을 활용하여 치대생의 선호 학습 스타일(LS)과 이에 상응하는 학습 전략(IS)을 파악하고, 이를 바탕으로 유용한 학습 전략 가이드라인을 개발함으로써 치의학 교육에서 SCL의 적용을 촉진하는 것을 목표로 합니다. 본 연구는 치대생을 위한 유망한 학습 방법들을 제시합니다.
말레이시아 대학교 치과대학 학생 255명이 수정된 학습 스타일 지수(m-ILS) 설문지를 작성했으며, 이 설문지는 44개 문항으로 구성되어 학생들의 학습 스타일을 분류하는 데 사용되었습니다. 수집된 데이터(데이터 세트)는 지도 학습 기반 의사결정 트리 학습에 활용되어 학생들의 학습 스타일에 가장 적합한 교육 과정(IS)을 자동으로 매칭합니다. 이후 머신러닝 기반 IS 추천 도구의 정확도를 평가했습니다.
학습 전략(LS, 입력)과 학습 전략(IS, 목표 출력) 간의 자동 매핑 프로세스에 의사결정 트리 모델을 적용하면 각 치과대학생에게 적합한 학습 전략 목록을 즉시 생성할 수 있습니다. IS 추천 도구는 전체 모델 정확도에서 완벽한 정확도와 재현율을 보여주었으며, 이는 LS와 IS 매칭이 우수한 민감도와 특이도를 가지고 있음을 나타냅니다.
머신러닝 기반 의사결정 트리를 활용한 정보 시스템(IS) 추천 도구가 치과대학생들의 학습 스타일에 맞는 적절한 학습 전략을 정확하게 매칭하는 능력을 입증했습니다. 이 도구는 학습자 중심의 교육 과정이나 모듈을 계획하는 데 유용한 다양한 옵션을 제공하여 학생들의 학습 경험을 향상시킬 수 있습니다.
교수와 학습은 교육기관의 기본 활동입니다. 질 높은 직업교육 시스템을 구축할 때 학생들의 학습 요구에 집중하는 것이 중요합니다. 학생과 학습 환경 간의 상호작용은 학습 욕구(LS)를 통해 파악할 수 있습니다. 연구에 따르면 교사가 의도한 학생의 학습 욕구와 교육 환경(IS) 간의 불일치는 주의력 저하 및 동기 부여 감소와 같은 학생 학습에 부정적인 영향을 미칠 수 있으며, 이는 간접적으로 학생 성적에 악영향을 미칩니다[1,2].
IS(교수 전략)는 교사가 학생들에게 지식과 기술을 전달하는 데 사용하는 방법으로, 학생들의 학습을 돕는 것을 포함합니다[3]. 일반적으로 훌륭한 교사는 학생들의 지식 수준, 학습 개념, 학습 단계에 가장 적합한 교수 전략 또는 IS를 계획합니다. 이론적으로 LS(학습 전략)와 IS가 일치할 때 학생들은 특정 기술 세트를 조직하고 활용하여 효과적으로 학습할 수 있습니다. 일반적으로 수업 계획에는 교수에서 지도식 연습으로, 또는 지도식 연습에서 독립 연습으로의 전환과 같이 단계 간의 여러 전환이 포함됩니다. 이러한 점을 고려하여 효과적인 교사는 종종 학생들의 지식과 기술을 향상시키는 것을 목표로 수업을 계획합니다[4].
치의학을 포함한 고등교육기관에서 SCL에 대한 수요가 증가하고 있다. SCL 전략은 학생들의 학습 요구를 충족하도록 설계된다. 예를 들어, 학생들이 학습 활동에 적극적으로 참여하고 교사가 조력자 역할을 하며 가치 있는 피드백을 제공하는 책임을 진다면 이를 달성할 수 있다. 학생들의 교육 수준이나 선호도에 적합한 학습 자료와 활동을 제공하면 학생들의 학습 환경이 개선되고 긍정적인 학습 경험을 촉진할 수 있다고 한다[5].
일반적으로 치과대학생의 학습 과정은 그들이 수행해야 하는 다양한 임상 절차와 효과적인 대인 관계 기술을 개발하는 임상 환경의 영향을 받습니다. 교육의 목적은 학생들이 치의학의 기초 지식과 치과 임상 기술을 결합하고 습득한 지식을 새로운 임상 상황에 적용할 수 있도록 하는 것입니다[6, 7]. 학습 전략(LS)과 정보 시스템(IS) 간의 관계에 대한 초기 연구에서는 선호하는 LS에 맞춰 학습 전략을 조정하면 교육 과정을 개선하는 데 도움이 된다는 것을 발견했습니다[8]. 또한 저자들은 학생들의 학습 및 요구에 맞춰 다양한 교수 및 평가 방법을 활용할 것을 권장합니다.
교사들은 학습 스타일(LS) 지식을 적용하여 학생들이 주제에 대한 더 깊은 지식과 이해를 습득하도록 돕는 교수법을 설계, 개발 및 구현함으로써 이점을 얻습니다. 연구자들은 Kolb 경험 학습 모델, Felder-Silverman 학습 스타일 모델(FSLSM), Fleming VAK/VARK 모델과 같은 여러 가지 LS 평가 도구를 개발했습니다[5, 9, 10]. 문헌에 따르면 이러한 학습 모델은 가장 일반적으로 사용되고 가장 많이 연구된 학습 모델입니다. 본 연구에서는 FSLSM을 사용하여 치과대학생의 LS를 평가합니다.
FSLSM은 공학 분야에서 적응형 학습을 평가하는 데 널리 사용되는 모델입니다. 의학, 간호학, 약학, 치의학을 포함한 보건 과학 분야에서도 FSLSM 모델을 활용한 많은 연구 논문이 발표되었습니다[5, 11, 12, 13]. FSLSM에서 학습 스타일(LS)의 차원을 측정하는 데 사용되는 도구는 학습 스타일 지수(ILS)[8]라고 하며, 처리(능동적/반성적), 지각(지각적/직관적), 입력(시각적/언어적), 이해(순차적/전체적)의 네 가지 차원을 평가하는 44개 항목으로 구성되어 있습니다[14].
그림 1에서 볼 수 있듯이, FSLSM의 각 차원에는 지배적인 선호도가 있습니다. 예를 들어, 처리 차원에서 "능동적" 학습자(LS)는 학습 자료와 직접 상호작용하며 정보를 처리하고, 직접 해보면서 배우며, 그룹 학습을 선호하는 경향이 있습니다. "성찰적" 학습자는 사고를 통해 학습하며 혼자 작업하는 것을 선호합니다. 학습자(LS)의 "인지" 차원은 "느낌"과 "직관"으로 나눌 수 있습니다. "느낌" 학습자는 구체적인 정보와 실제적인 절차를 선호하고 사실 지향적인 반면, "직관적" 학습자는 추상적인 자료를 선호하고 혁신적이고 창의적인 성향을 보입니다. 학습자(LS)의 "입력" 차원은 "시각적" 학습자와 "언어적" 학습자로 구성됩니다. "시각적" 학습자는 그림, 비디오, 실제 시연과 같은 시각적 자료를 통해 학습하는 것을 선호하는 반면, "언어적" 학습자는 글이나 말로 된 설명을 통해 학습하는 것을 선호합니다. 학습자(LS)의 차원을 "이해하기 위해" 이러한 학습자는 "순차적" 학습자와 "전체적" 학습자로 나눌 수 있습니다. 순차적 학습자는 선형적인 사고 과정을 선호하며 단계적으로 학습하는 반면, 전체론적 학습자는 전체적인 사고 과정을 갖고 학습 내용을 더 잘 이해하는 경향이 있습니다.
최근 많은 연구자들이 대량의 데이터를 해석할 수 있는 새로운 알고리즘과 모델 개발을 포함하여 자동 데이터 기반 발견 방법을 탐구하기 시작했습니다[15, 16]. 제공된 데이터를 기반으로 지도 학습(머신러닝)은 알고리즘 구축을 통해 미래 결과를 예측하는 패턴과 가설을 생성할 수 있습니다[17]. 간단히 말해, 지도 학습 기법은 입력 데이터를 조작하고 알고리즘을 학습시킵니다. 그런 다음 제공된 입력 데이터에 대한 유사한 상황을 기반으로 결과를 분류하거나 예측하는 범위를 생성합니다. 지도 학습 알고리즘의 주요 장점은 이상적이고 원하는 결과를 도출할 수 있다는 것입니다[17].
데이터 기반 방법과 의사결정 트리 제어 모델을 활용하면 LS의 자동 감지가 가능합니다. 의사결정 트리는 보건 과학을 비롯한 다양한 분야의 교육 프로그램에서 널리 사용되고 있다고 보고되었습니다[18, 19]. 본 연구에서는 시스템 개발자가 학생들의 LS를 식별하고 최적의 IS를 추천하기 위해 특별히 모델을 훈련시켰습니다.
본 연구의 목적은 학생들의 학습 패턴(LS)에 기반한 정보 시스템(IS) 제공 전략을 개발하고, 학습 패턴에 맞춘 IS 추천 도구를 개발하여 시스템 학습 논리(SCL) 접근법을 적용하는 것이다. SCL 방법론의 전략으로서 IS 추천 도구의 설계 흐름은 그림 1에 나타내었다. IS 추천 도구는 학습 패턴 분류 메커니즘(ILS 활용)과 학생들에게 가장 적합한 IS 화면 구성이라는 두 부분으로 구성된다.
특히 정보 보안 추천 도구의 특징으로는 웹 기술과 의사결정 트리 머신러닝을 활용하는 점이 있습니다. 시스템 개발자들은 모바일 기기(휴대폰, 태블릿 등)에 맞춰 시스템을 최적화함으로써 사용자 경험과 이동성을 향상시키고 있습니다.
본 실험은 두 단계로 진행되었으며, 말레이시아 대학교 치과대학 학생들이 자발적으로 참여했습니다. 참가자들은 영어로 작성된 치과대학생용 온라인 m-ILS 설문지에 응답했습니다. 초기 단계에서는 50명의 학생 데이터셋을 사용하여 의사결정 트리 머신러닝 알고리즘을 학습시켰습니다. 개발 과정의 두 번째 단계에서는 255명의 학생 데이터셋을 사용하여 개발된 도구의 정확도를 향상시켰습니다.
모든 참가자는 학년도에 따라 각 단계 시작 시 Microsoft Teams를 통해 온라인 브리핑을 받습니다. 연구 목적을 설명하고 사전 동의를 받았습니다. 모든 참가자에게 m-ILS 접속 링크가 제공되었습니다. 각 학생은 설문지의 44개 항목 모두에 답변하도록 안내받았습니다. 학기 시작 전 방학 기간 동안 편리한 시간과 장소에서 수정된 ILS를 완료할 수 있도록 일주일의 시간이 주어졌습니다. m-ILS는 기존 ILS 설문지를 기반으로 치과대학생에 맞게 수정된 것입니다. 기존 ILS와 마찬가지로, 각 FSLSM 차원의 측면을 평가하는 데 사용되는 11개 항목씩 균등하게 분포된 44개 항목(a, b)으로 구성되어 있습니다.
도구 개발 초기 단계에서 연구원들은 50명의 치과대학생 데이터셋을 사용하여 수동으로 지도를 주석 처리했습니다. FSLM에 따르면, 시스템은 "a"와 "b" 답변의 합계를 제공합니다. 각 차원에서 학생이 "a"를 선택하면 학습 유형은 능동적/지각적/시각적/순차적 학습자로 분류되고, "b"를 선택하면 성찰적/직관적/언어적 학습자로 분류됩니다.
치과 교육 연구자와 시스템 개발자 간의 워크플로를 조정한 후, FLSSM 영역을 기반으로 질문을 선택하고 머신러닝 모델에 입력하여 각 학생의 LS를 예측했습니다. 머신러닝 분야에서는 "쓰레기를 넣으면 쓰레기가 나온다"라는 말이 있는데, 이는 데이터 품질의 중요성을 강조합니다. 입력 데이터의 품질은 머신러닝 모델의 정밀도와 정확도를 결정합니다. 특징 엔지니어링 단계에서는 FLSSM을 기반으로 답변 "a"와 "b"를 합산한 새로운 특징 집합을 생성했습니다. 약물 위치의 식별 번호는 표 1에 나와 있습니다.
답변을 바탕으로 점수를 계산하고 학생의 LS를 결정합니다. 각 학생의 점수 범위는 1에서 11까지입니다. 1에서 3까지의 점수는 동일한 차원 내에서 학습 선호도의 균형을 나타내고, 5에서 7까지의 점수는 중간 정도의 선호도를 나타내며, 이는 학생들이 다른 사람을 가르치는 한 환경을 선호하는 경향이 있음을 의미합니다. 동일한 차원의 또 다른 변형으로, 9에서 11까지의 점수는 한쪽 극단 또는 다른 극단에 대한 강한 선호도를 반영합니다[8].
각 차원에 대해 약물은 "능동적", "성찰적", "균형적"으로 분류되었습니다. 예를 들어, 학생이 특정 문항에서 "b"보다 "a"를 더 자주 선택하고 해당 문항(처리 LS 차원을 나타냄)에서 5점 이상의 점수를 받으면 "능동적" LS 영역에 속합니다. 반면, 특정 11개 문항(표 1)에서 "a"보다 "b"를 더 많이 선택하고 5점 이상을 받으면 "성찰적" LS로 분류됩니다. 마지막으로, 점수가 5점을 넘지 않으면 "균형" 상태의 "처리" LS로 분류됩니다. 이러한 분류 과정은 다른 LS 차원, 즉 지각(능동적/성찰적), 입력(시각적/언어적), 이해(순차적/전체적)에 대해서도 반복되었습니다.
의사결정 트리 모델은 분류 과정의 여러 단계에서 서로 다른 특징 및 의사결정 규칙의 하위 집합을 사용할 수 있습니다. 이는 인기 있는 분류 및 예측 도구로 간주됩니다. 이는 흐름도[20]와 같은 트리 구조를 사용하여 표현할 수 있으며, 내부 노드는 속성별 테스트를 나타내고, 각 분기는 테스트 결과를 나타내며, 각 리프 노드(leaf node)는 클래스 레이블을 포함합니다.
학생들의 응답을 기반으로 각 학생의 학습 특성(LS)을 자동으로 채점하고 주석을 달기 위해 간단한 규칙 기반 프로그램이 개발되었습니다. 규칙 기반은 조건문(IF) 형태를 취하며, "IF"는 트리거를 나타내고 "THEN"은 수행할 동작을 지정합니다. 예를 들어, "X가 발생하면 Y를 수행하라"와 같습니다(Liu et al., 2014). 데이터 세트에 상관관계가 있고 의사결정 트리 모델이 적절하게 학습 및 평가된다면, 이 접근 방식은 학습 특성(LS)과 정보 시스템(IS)을 매칭하는 과정을 자동화하는 효과적인 방법이 될 수 있습니다.
개발 2단계에서는 추천 도구의 정확도를 향상시키기 위해 데이터셋 크기를 255개로 늘렸습니다. 데이터셋은 1:4 비율로 분할했습니다. 데이터셋의 25%(64개)는 테스트셋으로, 나머지 75%(191개)는 훈련셋으로 사용했습니다(그림 2). 데이터셋을 분할하는 이유는 동일한 데이터셋으로 모델이 훈련과 테스트를 반복하는 것을 방지하기 위함입니다. 동일한 데이터셋을 사용하면 모델이 학습보다는 기존 데이터를 기억하는 문제가 발생할 수 있기 때문입니다. 모델은 훈련셋으로 훈련하고, 이전에 본 적 없는 데이터셋인 테스트셋에서 성능을 평가합니다.
정보 보안 도구가 개발되면, 해당 애플리케이션은 웹 인터페이스를 통해 치과대학생들의 응답을 기반으로 LS를 분류할 수 있게 됩니다. 웹 기반 정보 보안 권장 도구 시스템은 Python 프로그래밍 언어와 Django 프레임워크를 백엔드로 사용하여 구축되었습니다. 표 2는 이 시스템 개발에 사용된 라이브러리 목록입니다.
이 데이터 세트는 의사 결정 트리 모델에 입력되어 학생들의 응답을 계산하고 추출하여 학생들의 LS 측정값을 자동으로 분류합니다.
혼동 행렬은 주어진 데이터 세트에서 의사 결정 트리 머신 러닝 알고리즘의 정확도를 평가하는 데 사용됩니다. 동시에 분류 모델의 성능을 평가하기도 합니다. 혼동 행렬은 모델의 예측 결과를 요약하고 실제 데이터 레이블과 비교합니다. 평가 결과는 네 가지 값으로 구성됩니다. 참양성(TP)은 모델이 양성 범주를 정확하게 예측한 경우, 거짓양성(FP)은 모델이 양성 범주를 예측했지만 실제 레이블은 음성인 경우, 참음성(TN)은 모델이 음성 범주를 정확하게 예측한 경우, 그리고 거짓음성(FN)은 모델이 음성 범주를 예측했지만 실제 레이블은 양성인 경우입니다.
이러한 값들은 파이썬의 scikit-learn 분류 모델의 다양한 성능 지표, 즉 정밀도, 재현율 및 F1 점수를 계산하는 데 사용됩니다. 다음은 예시입니다.
재현율(또는 민감도)은 m-ILS 설문 조사에 응답한 후 모델이 학생의 학습 상태(LS)를 정확하게 분류하는 능력을 측정합니다.
특이도는 참음성률이라고도 합니다. 위 공식에서 볼 수 있듯이, 이는 참음성(TN)과 참음성 및 거짓양성(FP)의 비율입니다. 학생 약물 분류를 위한 권장 도구의 일부로서, 정확한 식별 능력을 갖추어야 합니다.
의사결정 트리 ML 모델 학습에 사용된 50명의 학생으로 구성된 초기 데이터 세트는 주석 작성 시 발생한 인적 오류로 인해 상대적으로 낮은 정확도를 보였습니다(표 3). LS 점수와 학생 주석을 자동으로 계산하는 간단한 규칙 기반 프로그램을 개발한 후, 데이터 세트의 수를 늘려(255개) 추천 시스템을 학습 및 테스트했습니다.
다중 클래스 혼동 행렬에서 대각선 요소는 각 LS 유형에 대한 정확한 예측 수를 나타냅니다(그림 4). 의사결정 트리 모델을 사용했을 때 총 64개의 샘플이 정확하게 예측되었습니다. 따라서 본 연구에서 대각선 요소는 예상했던 결과를 보여주며, 모델이 각 LS 분류에 대한 클래스 레이블을 정확하게 예측하여 우수한 성능을 보였음을 나타냅니다. 따라서 추천 도구의 전체 정확도는 100%입니다.
그림 5는 정확도, 정밀도, 재현율 및 F1 점수 값을 보여줍니다. 의사결정 트리 모델을 사용하는 추천 시스템의 F1 점수는 1.0으로 "완벽"하며, 이는 완벽한 정밀도와 재현율을 나타내고 높은 민감도와 특이도 값을 반영합니다.
그림 6은 학습 및 테스트가 완료된 후 의사결정 트리 모델의 시각화 결과를 보여줍니다. 비교 결과, 더 적은 특징을 사용하여 학습된 의사결정 트리 모델이 더 높은 정확도를 보였고 모델 시각화도 더 용이했습니다. 이는 특징 엔지니어링을 통해 특징을 축소하는 것이 모델 성능 향상에 중요한 단계임을 보여줍니다.
의사결정 트리 지도 학습을 적용하여 LS(입력)와 IS(목표 출력) 간의 매핑이 자동으로 생성되며, 각 LS에 대한 상세 정보가 포함됩니다.
연구 결과에 따르면 255명의 학생 중 34.9%가 한 가지 학습 지원(LS) 옵션을 선호했습니다. 대다수(54.3%)는 두 가지 이상의 LS 옵션을 선호했으며, 12.2%의 학생은 LS가 상당히 균형 잡혀 있다고 응답했습니다(표 4). 말레이시아 대학교 치과대학생들은 8가지 주요 LS 외에도 34가지 LS 분류 조합을 제시했습니다. 그중 지각, 시각, 그리고 지각과 시각의 조합이 학생들이 가장 선호하는 LS로 나타났습니다(그림 7).
표 4에서 볼 수 있듯이, 대다수의 학생들은 감각적(13.7%) 또는 시각적(8.6%) 학습 유형이 우세했습니다. 12.2%의 학생들은 지각과 시각을 결합한 지각-시각적 학습 유형을 보였습니다. 이러한 결과는 학생들이 정해진 방법을 통해 학습하고 기억하는 것을 선호하며, 구체적이고 상세한 절차를 따르고, 주의력이 뛰어난 성격임을 시사합니다. 또한, 학생들은 도표 등을 활용하여 시각적으로 학습하는 것을 즐기고, 그룹 또는 혼자서 정보를 토론하고 적용하는 경향이 있습니다.
본 연구는 데이터 마이닝에 사용되는 머신러닝 기법을 개괄적으로 살펴보고, 특히 학생들의 생활사(LS)를 즉각적이고 정확하게 예측하여 적합한 교육 솔루션(IS)을 추천하는 데 초점을 맞추었습니다. 의사결정 트리 모델을 적용하여 학생들의 삶과 교육 경험에 가장 밀접하게 관련된 요인들을 식별했습니다. 의사결정 트리는 지도 학습 알고리즘으로, 트리 구조를 이용하여 특정 기준에 따라 데이터 집합을 하위 범주로 나누어 데이터를 분류합니다. 각 내부 노드의 입력 특징 값에 따라 입력 데이터를 재귀적으로 하위 집합으로 나누고, 최종적으로 리프 노드에서 결정을 내리는 방식으로 작동합니다.
의사결정 트리의 내부 노드는 m-ILS 문제의 입력 특성에 기반한 해법을 나타내고, 리프 노드는 최종 LS 분류 예측값을 나타냅니다. 본 연구에서는 입력 특성과 출력 예측값 간의 관계를 살펴봄으로써 의사결정 과정을 설명하고 시각화하는 의사결정 트리의 계층 구조를 쉽게 이해할 수 있습니다.
컴퓨터 과학 및 공학 분야에서는 기계 학습 알고리즘이 입학 시험 점수[21], 인구 통계 정보 및 학습 행동[22]을 기반으로 학생의 성적을 예측하는 데 널리 사용되고 있습니다. 연구 결과, 해당 알고리즘은 학생의 성적을 정확하게 예측하고 학업적 어려움을 겪을 위험이 있는 학생을 식별하는 데 도움이 되는 것으로 나타났습니다.
본 연구에서는 치과 교육을 위한 가상 환자 시뮬레이터 개발에 머신러닝 알고리즘을 적용한 사례를 보고합니다. 이 시뮬레이터는 실제 환자의 생리적 반응을 정확하게 재현할 수 있으며, 안전하고 통제된 환경에서 치과대학생을 교육하는 데 활용될 수 있습니다[23]. 다른 여러 연구에서도 머신러닝 알고리즘이 치과 및 의학 교육과 환자 치료의 질과 효율성을 향상시킬 수 있는 잠재력을 보여준다고 보고하고 있습니다. 머신러닝 알고리즘은 증상 및 환자 특성과 같은 데이터 세트를 기반으로 치과 질환 진단을 지원하는 데 사용되어 왔습니다[24, 25]. 또한, 환자 예후 예측, 고위험 환자 식별, 개인 맞춤형 치료 계획 개발[26], 치주 치료[27], 충치 치료[25]와 같은 작업에 머신러닝 알고리즘을 활용하는 연구가 진행되었습니다.
치의학 분야에서 머신러닝을 적용한 연구 보고서들이 발표되기는 했지만, 치의학 교육 분야에서의 적용은 아직 제한적이다. 따라서 본 연구는 의사결정 트리 모델을 이용하여 치대생들의 학습 만족도(LS)와 정보 활용 능력(IS)에 가장 밀접하게 관련된 요인을 규명하고자 했다.
본 연구 결과는 개발된 추천 도구가 높은 정확도와 완벽한 정확도를 보여주어 교사들이 이 도구를 유용하게 활용할 수 있음을 시사합니다. 데이터 기반 분류 과정을 통해 개인 맞춤형 추천을 제공함으로써 교사와 학생 모두의 교육 경험과 성과를 향상시킬 수 있습니다. 특히, 추천 도구를 통해 얻은 정보는 교사가 선호하는 교수법과 학생의 학습 요구 사이의 갈등을 해소하는 데 도움이 될 수 있습니다. 예를 들어, 추천 도구의 자동화된 출력 덕분에 학생의 학습 특성(IP)을 파악하고 이에 맞는 학습 활동과 자료를 매칭하는 데 소요되는 시간을 크게 단축할 수 있습니다. 이를 통해 적절한 학습 활동과 자료를 구성할 수 있으며, 학생들의 긍정적인 학습 태도와 집중력 향상에 기여할 수 있습니다. 한 연구에서는 학생들이 선호하는 학습 방식(LS)에 맞는 학습 자료와 활동을 제공하면 학생들이 다양한 방식으로 학습 내용을 통합, 처리, 즐기는 데 도움이 되어 잠재력을 최대한 발휘할 수 있다고 보고했습니다[12]. 또한, 학생들의 학습 과정을 이해하는 것은 수업 참여도를 높이는 것 외에도 교수법 개선 및 학생과의 소통 강화에 중요한 역할을 한다는 연구 결과도 있습니다[28, 29].
하지만 여느 현대 기술과 마찬가지로 머신러닝 기술에도 문제점과 한계가 존재합니다. 데이터 프라이버시, 편향 및 공정성 문제, 그리고 치과 교육에 머신러닝 알고리즘을 개발하고 구현하는 데 필요한 전문 기술과 자원 부족 등이 그 예입니다. 그럼에도 불구하고 이 분야에 대한 관심과 연구가 증가하고 있다는 점은 머신러닝 기술이 치과 교육과 치과 서비스에 긍정적인 영향을 미칠 수 있음을 시사합니다.
본 연구 결과는 치과대학생의 절반이 약물에 대해 ‘인지하는’ 경향을 보인다는 것을 시사합니다. 이러한 유형의 학습자는 사실과 구체적인 사례를 선호하고, 실용적인 성향을 가지며, 세부 사항에 대한 인내심을 갖고, 그림, 도표, 색상, 지도 등을 활용하여 아이디어와 생각을 전달하는 ‘시각적’ 학습 스타일을 선호합니다. 본 연구 결과는 치대생과 의대생의 학습 스타일을 평가하기 위해 정보 기반 학습 스타일(ILS)을 사용한 다른 연구들과 일치하며, 대부분의 학생들이 인지적 및 시각적 학습 스타일의 특징을 보인다는 것을 보여줍니다[12, 30]. Dalmolin 등은 학생들에게 자신의 학습 스타일을 알려주는 것이 학습 잠재력을 최대한 발휘하는 데 도움이 된다고 주장합니다. 연구자들은 교사가 학생들의 교육 과정을 충분히 이해할 때, 학생들의 학습 성과와 학습 경험을 향상시키는 다양한 교수법과 활동을 적용할 수 있다고 주장합니다[12, 31, 32]. 다른 연구에서도 학생들의 학습 스타일을 자신에게 맞는 스타일로 조정하면 학습 경험과 성과가 향상된다는 것을 보여주었습니다[13, 33].
학생의 학습 능력에 기반한 교수 전략의 실행에 대한 교사들의 의견은 다양할 수 있습니다. 일부는 전문성 개발 기회, 멘토링, 공동체 지원 등 이러한 접근 방식의 이점을 인정하는 반면, 다른 일부는 시간과 기관의 지원에 대한 우려를 가질 수 있습니다. 학생 중심적인 태도를 함양하기 위해서는 균형을 맞추는 것이 중요합니다. 대학 행정가와 같은 고등 교육 당국은 혁신적인 교육 방식을 도입하고 교수진 개발을 지원함으로써 긍정적인 변화를 이끌어내는 데 중요한 역할을 할 수 있습니다[34]. 진정으로 역동적이고 반응적인 고등 교육 시스템을 구축하기 위해서는 정책 입안자들이 정책 변화, 기술 통합에 대한 자원 투입, 학생 중심적 접근 방식을 촉진하는 프레임워크 구축과 같은 과감한 조치를 취해야 합니다. 이러한 조치는 원하는 결과를 달성하는 데 매우 중요합니다. 차별화된 교육에 대한 최근 연구는 차별화된 교육의 성공적인 실행을 위해서는 교사를 위한 지속적인 연수 및 개발 기회가 필요하다는 것을 분명히 보여줍니다[35].
이 도구는 학생 중심적인 접근 방식을 통해 학생 친화적인 학습 활동을 계획하고자 하는 치과 교육자들에게 유용한 지원을 제공합니다. 그러나 본 연구는 의사결정 트리 머신러닝 모델만을 사용했다는 한계가 있습니다. 향후에는 더 많은 데이터를 수집하여 다양한 머신러닝 모델의 성능을 비교하고 추천 도구의 정확도, 신뢰성 및 정밀도를 비교해야 합니다. 또한 특정 작업에 가장 적합한 머신러닝 방법을 선택할 때는 모델의 복잡성과 해석 가능성 등 다른 요소들도 고려해야 합니다.
본 연구의 한계점은 치과대학생의 학습 서비스(LS) 및 정보 시스템(IS) 활용에만 초점을 맞췄다는 점입니다. 따라서 개발된 추천 시스템은 치과대학생에게 적합한 콘텐츠만 추천하게 되므로, 일반 고등교육기관 학생들을 대상으로 개선이 필요합니다.
새롭게 개발된 머신러닝 기반 추천 도구는 학생들의 학습 특성(LS)을 해당 학습 정보(IS)와 즉시 분류 및 매칭할 수 있어, 치과 교육자들이 관련성 높은 교육 및 학습 활동을 계획하는 데 도움을 주는 최초의 치과 교육 프로그램입니다. 데이터 기반 분류 과정을 통해 개인 맞춤형 추천을 제공하고, 시간을 절약하며, 교육 전략을 개선하고, 맞춤형 개입을 지원하고, 지속적인 전문성 개발을 촉진합니다. 이 도구의 활용은 학생 중심적인 치과 교육 접근 방식을 더욱 발전시킬 것입니다.
Gilak Jani, Associated Press. 학생의 학습 스타일과 교사의 교수 스타일 간의 일치 또는 불일치. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
게시 시간: 2024년 4월 29일