Ada kebutuhan yang berkembang untuk pembelajaran yang berpusat pada siswa (SCL) di lembaga pendidikan tinggi, termasuk kedokteran gigi. Namun, SCL memiliki aplikasi terbatas dalam pendidikan gigi. Oleh karena itu, penelitian ini bertujuan untuk mempromosikan penerapan SCL dalam kedokteran gigi dengan menggunakan teknologi pembelajaran mesin pohon keputusan (ML) untuk memetakan gaya belajar yang disukai (LS) dan strategi pembelajaran yang sesuai (IS) dari siswa gigi sebagai alat yang berguna untuk mengembangkan pedoman IS IS . Metode yang menjanjikan untuk siswa gigi.
Sebanyak 255 mahasiswa gigi dari University of Malaya menyelesaikan kuesioner Indeks Gaya Pembelajaran yang dimodifikasi (M-ILS), yang berisi 44 item untuk mengklasifikasikannya ke dalam LS masing-masing. Data yang dikumpulkan (disebut dataset) digunakan dalam pembelajaran pohon keputusan yang diawasi untuk secara otomatis mencocokkan gaya belajar siswa dengan yang paling tepat adalah. Keakuratan alat rekomendasi berbasis pembelajaran mesin kemudian dievaluasi.
Penerapan model pohon keputusan dalam proses pemetaan otomatis antara LS (input) dan IS (output target) memungkinkan untuk daftar langsung strategi pembelajaran yang sesuai untuk setiap siswa gigi. Alat rekomendasi IS menunjukkan akurasi dan penarikan yang sempurna dari akurasi model keseluruhan, menunjukkan bahwa pencocokan LS ke IS memiliki sensitivitas dan spesifisitas yang baik.
Alat rekomendasi IS berdasarkan pada pohon keputusan ML telah membuktikan kemampuannya untuk secara akurat mencocokkan gaya belajar siswa gigi dengan strategi pembelajaran yang tepat. Alat ini menyediakan opsi yang kuat untuk merencanakan kursus atau modul yang berpusat pada pelajar yang dapat meningkatkan pengalaman belajar siswa.
Mengajar dan belajar adalah kegiatan mendasar di lembaga pendidikan. Saat mengembangkan sistem pendidikan kejuruan berkualitas tinggi, penting untuk fokus pada kebutuhan belajar siswa. Interaksi antara siswa dan lingkungan belajar mereka dapat ditentukan melalui LS mereka. Penelitian menunjukkan bahwa ketidaksesuaian yang diinginkan guru antara siswa dan dapat memiliki konsekuensi negatif untuk pembelajaran siswa, seperti penurunan perhatian dan motivasi. Ini secara tidak langsung akan mempengaruhi kinerja siswa [1,2].
IS adalah metode yang digunakan oleh guru untuk memberikan pengetahuan dan keterampilan kepada siswa, termasuk membantu siswa belajar [3]. Secara umum, guru yang baik merencanakan strategi pengajaran atau paling cocok dengan tingkat pengetahuan siswa mereka, konsep yang mereka pelajari, dan tahap pembelajaran mereka. Secara teoritis, ketika LS dan cocok, siswa akan dapat mengatur dan menggunakan serangkaian keterampilan tertentu untuk belajar secara efektif. Biasanya, rencana pelajaran mencakup beberapa transisi antar tahap, seperti dari mengajar hingga praktik yang dipandu atau dari praktik terpandu ke praktik mandiri. Dengan mengingat hal ini, guru yang efektif sering merencanakan instruksi dengan tujuan membangun pengetahuan dan keterampilan siswa [4].
Permintaan SCL tumbuh di lembaga pendidikan tinggi, termasuk kedokteran gigi. Strategi SCL dirancang untuk memenuhi kebutuhan belajar siswa. Ini dapat dicapai, misalnya, jika siswa berpartisipasi aktif dalam kegiatan belajar dan guru bertindak sebagai fasilitator dan bertanggung jawab untuk memberikan umpan balik yang berharga. Dikatakan bahwa menyediakan materi pembelajaran dan kegiatan yang sesuai dengan tingkat pendidikan siswa atau preferensi dapat meningkatkan lingkungan belajar siswa dan mempromosikan pengalaman belajar yang positif [5].
Secara umum, proses pembelajaran siswa gigi dipengaruhi oleh berbagai prosedur klinis yang harus mereka lakukan dan lingkungan klinis di mana mereka mengembangkan keterampilan interpersonal yang efektif. Tujuan dari pelatihan ini adalah untuk memungkinkan siswa menggabungkan pengetahuan dasar kedokteran gigi dengan keterampilan klinis gigi dan menerapkan pengetahuan yang diperoleh pada situasi klinis baru [6, 7]. Penelitian awal tentang hubungan antara LS dan ditemukan bahwa menyesuaikan strategi pembelajaran yang dipetakan dengan LS yang disukai akan membantu meningkatkan proses pendidikan [8]. Para penulis juga merekomendasikan penggunaan berbagai metode pengajaran dan penilaian untuk beradaptasi dengan pembelajaran dan kebutuhan siswa.
Guru mendapat manfaat dari menerapkan pengetahuan LS untuk membantu mereka merancang, mengembangkan, dan mengimplementasikan instruksi yang akan meningkatkan perolehan pengetahuan dan pemahaman yang lebih dalam tentang materi pelajaran. Para peneliti telah mengembangkan beberapa alat penilaian LS, seperti model pembelajaran pengalaman Kolb, model gaya pembelajaran Felder-Silverman (FSLSM), dan model Fleming Vak/Vark [5, 9, 10]. Menurut literatur, model pembelajaran ini adalah model pembelajaran yang paling umum digunakan dan paling banyak dipelajari. Dalam pekerjaan penelitian saat ini, FSLSM digunakan untuk menilai LS di antara siswa gigi.
FSLSM adalah model yang banyak digunakan untuk mengevaluasi pembelajaran adaptif dalam rekayasa. Ada banyak karya yang diterbitkan dalam ilmu kesehatan (termasuk kedokteran, keperawatan, farmasi dan kedokteran gigi) yang dapat ditemukan menggunakan model FSLSM [5, 11, 12, 13]. Instrumen yang digunakan untuk mengukur dimensi LS dalam FLSM disebut indeks gaya belajar (ILS) [8], yang berisi 44 item yang menilai empat dimensi LS: pemrosesan (aktif/reflektif), persepsi (perseptual/intuitif), input (visual). /verbal) dan pemahaman (berurutan/global) [14].
Seperti yang ditunjukkan pada Gambar 1, setiap dimensi FSLSM memiliki preferensi dominan. Misalnya, dalam dimensi pemrosesan, siswa dengan "aktif" lebih suka memproses informasi dengan langsung berinteraksi dengan materi pembelajaran, belajar dengan melakukan, dan cenderung belajar dalam kelompok. LS "reflektif" mengacu pada belajar melalui pemikiran dan lebih suka bekerja sendiri. Dimensi "persepsi" LS dapat dibagi menjadi "perasaan" dan/atau "intuisi." “Perasaan” siswa lebih suka informasi yang lebih konkret dan prosedur praktis, berorientasi fakta dibandingkan dengan siswa yang “intuitif” yang lebih suka materi abstrak dan lebih inovatif dan kreatif. Dimensi "input" LS terdiri dari pelajar "visual" dan "verbal". Orang -orang dengan "visual" lebih suka belajar melalui demonstrasi visual (seperti diagram, video, atau demonstrasi langsung), sedangkan orang dengan "verbal" lebih suka belajar melalui kata -kata dalam penjelasan tertulis atau lisan. Untuk "memahami" dimensi LS, pelajar semacam itu dapat dibagi menjadi "berurutan" dan "global". “Pelajar berurutan lebih suka proses pemikiran linier dan belajar langkah demi langkah, sementara pelajar global cenderung memiliki proses pemikiran holistik dan selalu memiliki pemahaman yang lebih baik tentang apa yang mereka pelajari.
Baru-baru ini, banyak peneliti telah mulai mengeksplorasi metode untuk penemuan berbasis data otomatis, termasuk pengembangan algoritma dan model baru yang mampu menafsirkan sejumlah besar data [15, 16]. Berdasarkan data yang disediakan, ML yang diawasi (pembelajaran mesin) dapat menghasilkan pola dan hipotesis yang memprediksi hasil di masa depan berdasarkan konstruksi algoritma [17]. Sederhananya, teknik pembelajaran mesin yang diawasi memanipulasi data input dan algoritma kereta. Ini kemudian menghasilkan rentang yang mengklasifikasikan atau memprediksi hasil berdasarkan situasi serupa untuk data input yang disediakan. Keuntungan utama dari algoritma pembelajaran mesin yang diawasi adalah kemampuannya untuk menetapkan hasil yang ideal dan diinginkan [17].
Melalui penggunaan metode berbasis data dan model kontrol pohon keputusan, deteksi otomatis LS dimungkinkan. Pohon keputusan telah dilaporkan banyak digunakan dalam program pelatihan di berbagai bidang, termasuk ilmu kesehatan [18, 19]. Dalam penelitian ini, model ini secara khusus dilatih oleh pengembang sistem untuk mengidentifikasi LS siswa dan merekomendasikan yang terbaik adalah untuk mereka.
Tujuan dari penelitian ini adalah untuk mengembangkan strategi pengiriman IS berdasarkan LS siswa dan menerapkan pendekatan SCL dengan mengembangkan alat rekomendasi IS yang dipetakan ke LS. Aliran desain alat rekomendasi IS sebagai strategi metode SCL ditunjukkan pada Gambar 1. Alat rekomendasi IS dibagi menjadi dua bagian, termasuk mekanisme klasifikasi LS menggunakan ILS dan yang paling cocok ditampilkan untuk siswa.
Secara khusus, karakteristik alat rekomendasi keamanan informasi termasuk penggunaan teknologi web dan penggunaan pembelajaran mesin pohon keputusan. Pengembang sistem meningkatkan pengalaman pengguna dan mobilitas dengan mengadaptasinya dengan perangkat seluler seperti ponsel dan tablet.
Percobaan dilakukan dalam dua tahap dan mahasiswa dari Fakultas Kedokteran Gigi di University of Malaya berpartisipasi secara sukarela. Peserta menanggapi M-ILs online siswa gigi dalam bahasa Inggris. Pada fase awal, dataset 50 siswa digunakan untuk melatih algoritma pembelajaran mesin pohon keputusan. Pada fase kedua dari proses pengembangan, dataset 255 siswa digunakan untuk meningkatkan keakuratan instrumen yang dikembangkan.
Semua peserta menerima pengarahan online di awal setiap tahap, tergantung pada tahun akademik, melalui tim Microsoft. Tujuan penelitian ini dijelaskan dan persetujuan diinformasikan diperoleh. Semua peserta diberikan tautan untuk mengakses M-ILS. Setiap siswa diperintahkan untuk menjawab semua 44 item pada kuesioner. Mereka diberikan satu minggu untuk menyelesaikan ILS yang dimodifikasi pada suatu waktu dan lokasi yang nyaman bagi mereka selama istirahat semester sebelum dimulainya semester. M-ILS didasarkan pada instrumen ILS asli dan dimodifikasi untuk siswa gigi. Mirip dengan ILs asli, ini berisi 44 item yang didistribusikan secara merata (A, B), dengan masing -masing 11 item, yang digunakan untuk menilai aspek dari setiap dimensi FSLSM.
Selama tahap awal pengembangan alat, para peneliti secara manual menganotasi peta menggunakan dataset 50 siswa gigi. Menurut FSLM, sistem memberikan jumlah jawaban "A" dan "B". Untuk setiap dimensi, jika siswa memilih "A" sebagai jawaban, LS diklasifikasikan sebagai aktif/perseptual/visual/berurutan, dan jika siswa memilih "B" sebagai jawaban, siswa diklasifikasikan sebagai reflektif/intuitif/linguistik . / pelajar global.
Setelah mengkalibrasi alur kerja antara peneliti pendidikan gigi dan pengembang sistem, pertanyaan dipilih berdasarkan domain FLSSM dan dimasukkan ke dalam model ML untuk memprediksi LS masing -masing siswa. "Sampah, sampah keluar" adalah pepatah populer di bidang pembelajaran mesin, dengan penekanan pada kualitas data. Kualitas data input menentukan ketepatan dan keakuratan model pembelajaran mesin. Selama fase rekayasa fitur, set fitur baru dibuat yang merupakan jumlah jawaban "A" dan "B" berdasarkan FLSSM. Jumlah identifikasi posisi obat diberikan pada Tabel 1.
Hitung skor berdasarkan jawaban dan tentukan LS siswa. Untuk setiap siswa, kisaran skor adalah dari 1 hingga 11. Skor dari 1 hingga 3 menunjukkan keseimbangan preferensi pembelajaran dalam dimensi yang sama, dan skor dari 5 hingga 7 menunjukkan preferensi sedang, menunjukkan bahwa siswa cenderung lebih suka satu lingkungan yang mengajar orang lain . Variasi lain pada dimensi yang sama adalah bahwa skor dari 9 hingga 11 mencerminkan preferensi yang kuat untuk satu ujung atau yang lain [8].
Untuk setiap dimensi, obat dikelompokkan menjadi "aktif", "reflektif" dan "seimbang". Misalnya, ketika seorang siswa menjawab "A" lebih sering daripada "B" pada item yang ditunjuk dan skornya melebihi ambang 5 untuk item tertentu yang mewakili dimensi pemrosesan LS, ia termasuk dalam LS "aktif" domain. . Namun, siswa diklasifikasikan sebagai "reflektif" ketika mereka memilih "B" lebih dari "A" dalam 11 pertanyaan tertentu (Tabel 1) dan mencetak lebih dari 5 poin. Akhirnya, siswa berada dalam keadaan "keseimbangan." Jika skor tidak melebihi 5 poin, maka ini adalah "proses" ls. Proses klasifikasi diulangi untuk dimensi LS lainnya, yaitu persepsi (aktif/reflektif), input (visual/verbal), dan pemahaman (sekuensial/global).
Model pohon keputusan dapat menggunakan himpunan bagian fitur dan aturan keputusan yang berbeda pada berbagai tahap proses klasifikasi. Ini dianggap sebagai alat klasifikasi dan prediksi yang populer. Ini dapat diwakili menggunakan struktur pohon seperti diagram alur [20], di mana ada node internal yang mewakili tes dengan atribut, masing -masing cabang yang mewakili hasil tes, dan setiap simpul daun (simpul daun) yang berisi label kelas.
Program berbasis aturan sederhana dibuat untuk secara otomatis mencetak dan memberi anotasi kepada LS masing-masing siswa berdasarkan tanggapan mereka. Berbasis aturan mengambil bentuk pernyataan IF, di mana "IF" menggambarkan pemicu dan "kemudian" menentukan tindakan yang akan dilakukan, misalnya: "jika x terjadi, maka lakukan y" (Liu et al., 2014). Jika kumpulan data menunjukkan korelasi dan model pohon keputusan dilatih dan dievaluasi dengan benar, pendekatan ini dapat menjadi cara yang efektif untuk mengotomatisasi proses pencocokan LS dan IS.
Pada fase kedua pengembangan, dataset ditingkatkan menjadi 255 untuk meningkatkan keakuratan alat rekomendasi. Kumpulan data dibagi dalam rasio 1: 4. 25% (64) dari set data digunakan untuk set uji, dan sisanya 75% (191) digunakan sebagai set pelatihan (Gambar 2). Kumpulan data perlu dibagi untuk mencegah model dilatih dan diuji pada set data yang sama, yang dapat menyebabkan model diingat daripada belajar. Model ini dilatih pada set pelatihan dan mengevaluasi kinerjanya pada set uji - data yang belum pernah dilihat oleh model sebelumnya.
Setelah alat IS dikembangkan, aplikasi akan dapat mengklasifikasikan LS berdasarkan tanggapan siswa gigi melalui antarmuka web. Sistem Alat Rekomendasi Keamanan Informasi Berbasis Web dibangun menggunakan bahasa pemrograman Python menggunakan kerangka kerja Django sebagai backend. Tabel 2 mencantumkan perpustakaan yang digunakan dalam pengembangan sistem ini.
Dataset diumpankan ke model pohon keputusan untuk menghitung dan mengekstraksi respons siswa untuk secara otomatis mengklasifikasikan pengukuran LS siswa.
Matriks kebingungan digunakan untuk mengevaluasi keakuratan algoritma pembelajaran mesin pohon keputusan pada kumpulan data yang diberikan. Pada saat yang sama, ia mengevaluasi kinerja model klasifikasi. Ini merangkum prediksi model dan membandingkannya dengan label data aktual. Hasil evaluasi didasarkan pada empat nilai yang berbeda: True Positive (TP) - Model dengan benar memprediksi kategori positif, false positif (FP) - model memperkirakan kategori positif, tetapi label sebenarnya negatif, benar negatif (TN) - Model dengan benar memprediksi kelas negatif, dan false negative (FN) - model memprediksi kelas negatif, tetapi label sebenarnya positif.
Nilai-nilai ini kemudian digunakan untuk menghitung berbagai metrik kinerja dari model klasifikasi scikit-learn dalam python, yaitu presisi, presisi, penarikan, dan skor F1. Berikut contoh:
Ingat (atau sensitivitas) mengukur kemampuan model untuk secara akurat mengklasifikasikan LS siswa setelah menjawab kuesioner M-ILS.
Spesifisitas disebut tingkat negatif sejati. Seperti yang dapat Anda lihat dari formula di atas, ini harus menjadi rasio negatif sejati (TN) terhadap negatif sejati dan positif palsu (FP). Sebagai bagian dari alat yang disarankan untuk mengklasifikasikan obat siswa, itu harus mampu identifikasi yang akurat.
Dataset asli dari 50 siswa yang digunakan untuk melatih model ML pohon keputusan menunjukkan akurasi yang relatif rendah karena kesalahan manusia dalam anotasi (Tabel 3). Setelah membuat program berbasis aturan sederhana untuk secara otomatis menghitung skor LS dan anotasi siswa, meningkatnya jumlah dataset (255) digunakan untuk melatih dan menguji sistem rekomendasi.
Dalam matriks kebingungan multiclass, elemen diagonal mewakili jumlah prediksi yang benar untuk setiap tipe LS (Gambar 4). Menggunakan model pohon keputusan, total 64 sampel diprediksi dengan benar. Dengan demikian, dalam penelitian ini, elemen diagonal menunjukkan hasil yang diharapkan, menunjukkan bahwa model berkinerja baik dan akurat memprediksi label kelas untuk setiap klasifikasi LS. Dengan demikian, akurasi keseluruhan alat rekomendasi adalah 100%.
Nilai -nilai akurasi, presisi, penarikan, dan skor F1 ditunjukkan pada Gambar 5. Untuk sistem rekomendasi menggunakan model pohon keputusan, skor F1 -nya adalah 1,0 "sempurna," menunjukkan ketepatan dan penarikan yang sempurna, mencerminkan sensitivitas dan spesifisitas yang signifikan nilai.
Gambar 6 menunjukkan visualisasi model pohon keputusan setelah pelatihan dan pengujian selesai. Dalam perbandingan berdampingan, model pohon keputusan yang dilatih dengan fitur yang lebih sedikit menunjukkan akurasi yang lebih tinggi dan visualisasi model yang lebih mudah. Ini menunjukkan bahwa rekayasa fitur yang mengarah pada pengurangan fitur adalah langkah penting dalam meningkatkan kinerja model.
Dengan menerapkan pembelajaran yang diawasi pohon keputusan, pemetaan antara LS (input) dan IS (output target) secara otomatis dihasilkan dan berisi informasi terperinci untuk setiap LS.
Hasil penelitian menunjukkan bahwa 34,9% dari 255 siswa lebih suka opsi (1) LS. Mayoritas (54,3%) memiliki dua atau lebih preferensi LS. 12,2% siswa mencatat bahwa LS cukup seimbang (Tabel 4). Selain delapan LS utama, ada 34 kombinasi klasifikasi LS untuk mahasiswa gigi Universitas Malaya. Di antara mereka, persepsi, visi, dan kombinasi persepsi dan visi adalah LS utama yang dilaporkan oleh siswa (Gambar 7).
Seperti dapat dilihat dari Tabel 4, mayoritas siswa memiliki sensorik dominan (13,7%) atau visual (8,6%) LS. Dilaporkan bahwa 12,2% siswa menggabungkan persepsi dengan visi (LS perseptual-visual). Temuan ini menunjukkan bahwa siswa lebih suka belajar dan mengingat melalui metode yang sudah ada, mengikuti prosedur spesifik dan terperinci, dan bersifat penuh perhatian. Pada saat yang sama, mereka menikmati belajar dengan melihat (menggunakan diagram, dll.) Dan cenderung membahas dan menerapkan informasi dalam kelompok atau sendiri.
Studi ini memberikan gambaran umum teknik pembelajaran mesin yang digunakan dalam penambangan data, dengan fokus pada memprediksi secara instan dan akurat siswa dan merekomendasikan yang sesuai. Penerapan model pohon keputusan mengidentifikasi faktor -faktor yang paling terkait dengan kehidupan dan pengalaman pendidikan mereka. Ini adalah algoritma pembelajaran mesin yang diawasi yang menggunakan struktur pohon untuk mengklasifikasikan data dengan membagi satu set data menjadi subkategori berdasarkan kriteria tertentu. Ini bekerja dengan secara rekursif membagi data input ke dalam himpunan bagian berdasarkan nilai salah satu fitur input dari setiap node internal sampai keputusan dibuat pada simpul daun.
Node internal dari pohon keputusan mewakili solusi berdasarkan karakteristik input dari masalah M-ILS, dan node daun mewakili prediksi klasifikasi LS akhir. Sepanjang penelitian, mudah untuk memahami hierarki pohon keputusan yang menjelaskan dan memvisualisasikan proses keputusan dengan melihat hubungan antara fitur input dan prediksi output.
Di bidang ilmu komputer dan teknik, algoritma pembelajaran mesin banyak digunakan untuk memprediksi kinerja siswa berdasarkan skor ujian masuk mereka [21], informasi demografis, dan perilaku belajar [22]. Penelitian menunjukkan bahwa algoritma tersebut secara akurat memprediksi kinerja siswa dan membantu mereka mengidentifikasi siswa yang berisiko mengalami kesulitan akademik.
Penerapan algoritma ML dalam pengembangan simulator pasien virtual untuk pelatihan gigi dilaporkan. Simulator ini mampu mereproduksi secara akurat respons fisiologis pasien nyata dan dapat digunakan untuk melatih siswa gigi di lingkungan yang aman dan terkontrol [23]. Beberapa penelitian lain menunjukkan bahwa algoritma pembelajaran mesin berpotensi dapat meningkatkan kualitas dan efisiensi pendidikan gigi dan medis dan perawatan pasien. Algoritma pembelajaran mesin telah digunakan untuk membantu dalam diagnosis penyakit gigi berdasarkan set data seperti gejala dan karakteristik pasien [24, 25]. Sementara penelitian lain telah mengeksplorasi penggunaan algoritma pembelajaran mesin untuk melakukan tugas-tugas seperti memprediksi hasil pasien, mengidentifikasi pasien berisiko tinggi, mengembangkan rencana pengobatan yang dipersonalisasi [26], pengobatan periodontal [27], dan perawatan karies [25].
Meskipun laporan tentang penerapan pembelajaran mesin dalam kedokteran gigi telah diterbitkan, penerapannya dalam pendidikan gigi tetap terbatas. Oleh karena itu, penelitian ini bertujuan untuk menggunakan model pohon keputusan untuk mengidentifikasi faktor -faktor yang paling erat terkait dengan LS dan termasuk di antara siswa gigi.
Hasil penelitian ini menunjukkan bahwa alat rekomendasi yang dikembangkan memiliki akurasi tinggi dan akurasi sempurna, menunjukkan bahwa guru dapat memperoleh manfaat dari alat ini. Menggunakan proses klasifikasi berbasis data, ini dapat memberikan rekomendasi yang dipersonalisasi dan meningkatkan pengalaman dan hasil pendidikan bagi para pendidik dan siswa. Di antara mereka, informasi yang diperoleh melalui alat rekomendasi dapat menyelesaikan konflik antara metode pengajaran yang disukai guru dan kebutuhan belajar siswa. Misalnya, karena output otomatis alat rekomendasi, waktu yang diperlukan untuk mengidentifikasi IP siswa dan mencocokkannya dengan IP yang sesuai akan berkurang secara signifikan. Dengan cara ini, kegiatan pelatihan yang sesuai dan materi pelatihan dapat diatur. Ini membantu mengembangkan perilaku pembelajaran positif siswa dan kemampuan untuk berkonsentrasi. Satu studi melaporkan bahwa menyediakan siswa dengan bahan pembelajaran dan kegiatan belajar yang sesuai dengan LS pilihan mereka dapat membantu siswa mengintegrasikan, memproses, dan menikmati pembelajaran dalam berbagai cara untuk mencapai potensi yang lebih besar [12]. Penelitian juga menunjukkan bahwa selain meningkatkan partisipasi siswa dalam kelas, memahami proses pembelajaran siswa juga memainkan peran penting dalam meningkatkan praktik pengajaran dan komunikasi dengan siswa [28, 29].
Namun, seperti halnya teknologi modern apa pun, ada masalah dan keterbatasan. Ini termasuk masalah yang berkaitan dengan privasi data, bias dan keadilan, dan keterampilan profesional dan sumber daya yang diperlukan untuk mengembangkan dan mengimplementasikan algoritma pembelajaran mesin dalam pendidikan gigi; Namun, meningkatnya minat dan penelitian di bidang ini menunjukkan bahwa teknologi pembelajaran mesin mungkin memiliki dampak positif pada pendidikan gigi dan layanan gigi.
Hasil penelitian ini menunjukkan bahwa setengah dari siswa gigi memiliki kecenderungan untuk "memahami" obat -obatan. Jenis pelajar ini memiliki preferensi untuk fakta dan contoh konkret, orientasi praktis, kesabaran untuk detail, dan preferensi "visual", di mana peserta didik lebih suka menggunakan gambar, grafik, warna, dan peta untuk menyampaikan ide dan pemikiran. Hasil saat ini konsisten dengan penelitian lain menggunakan ILS untuk menilai LS pada mahasiswa gigi dan kedokteran, yang sebagian besar memiliki karakteristik LS persepsi dan visual [12, 30]. Dalmolin et al menyarankan bahwa memberi tahu siswa tentang LS mereka memungkinkan mereka untuk mencapai potensi belajar mereka. Para peneliti berpendapat bahwa ketika guru memahami sepenuhnya proses pendidikan siswa, berbagai metode pengajaran dan kegiatan dapat diimplementasikan yang akan meningkatkan kinerja dan pengalaman belajar siswa [12, 31, 32]. Studi lain telah menunjukkan bahwa menyesuaikan LS siswa juga menunjukkan peningkatan dalam pengalaman belajar dan kinerja siswa setelah mengubah gaya belajar mereka agar sesuai dengan LS mereka sendiri [13, 33].
Pendapat guru dapat bervariasi mengenai implementasi strategi pengajaran berdasarkan kemampuan belajar siswa. Sementara beberapa orang melihat manfaat dari pendekatan ini, termasuk peluang pengembangan profesional, bimbingan, dan dukungan masyarakat, yang lain mungkin khawatir tentang waktu dan dukungan kelembagaan. Berjuang untuk keseimbangan adalah kunci untuk menciptakan sikap yang berpusat pada siswa. Otoritas pendidikan tinggi, seperti administrator universitas, dapat memainkan peran penting dalam mendorong perubahan positif dengan memperkenalkan praktik inovatif dan mendukung pengembangan fakultas [34]. Untuk menciptakan sistem pendidikan tinggi yang benar-benar dinamis dan responsif, para pembuat kebijakan harus mengambil langkah-langkah berani, seperti membuat perubahan kebijakan, mencurahkan sumber daya untuk integrasi teknologi, dan menciptakan kerangka kerja yang mempromosikan pendekatan yang berpusat pada siswa. Langkah -langkah ini sangat penting untuk mencapai hasil yang diinginkan. Penelitian terbaru tentang instruksi yang dibedakan telah dengan jelas menunjukkan bahwa keberhasilan implementasi instruksi yang dibedakan membutuhkan pelatihan dan peluang pengembangan yang berkelanjutan untuk guru [35].
Alat ini memberikan dukungan yang berharga bagi pendidik gigi yang ingin mengambil pendekatan yang berpusat pada siswa untuk merencanakan kegiatan belajar yang ramah siswa. Namun, penelitian ini terbatas pada penggunaan model ML pohon keputusan. Di masa depan, lebih banyak data harus dikumpulkan untuk membandingkan kinerja model pembelajaran mesin yang berbeda untuk membandingkan akurasi, keandalan, dan ketepatan alat rekomendasi. Selain itu, ketika memilih metode pembelajaran mesin yang paling tepat untuk tugas tertentu, penting untuk mempertimbangkan faktor -faktor lain seperti kompleksitas model dan interpretasi.
Keterbatasan penelitian ini adalah bahwa ia hanya berfokus pada pemetaan LS dan termasuk di antara siswa gigi. Oleh karena itu, sistem rekomendasi yang dikembangkan hanya akan merekomendasikan yang cocok untuk siswa gigi. Perubahan diperlukan untuk penggunaan siswa pendidikan tinggi umum.
Alat rekomendasi berbasis pembelajaran mesin yang baru dikembangkan mampu secara instan mengklasifikasikan dan mencocokkan siswa dengan yang sesuai, menjadikannya program pendidikan gigi pertama yang membantu pendidik gigi merencanakan kegiatan pengajaran dan pembelajaran yang relevan. Menggunakan proses triase berbasis data, ini dapat memberikan rekomendasi yang dipersonalisasi, menghemat waktu, meningkatkan strategi pengajaran, mendukung intervensi yang ditargetkan, dan mempromosikan pengembangan profesional yang sedang berlangsung. Penerapannya akan mempromosikan pendekatan yang berpusat pada siswa untuk pendidikan gigi.
Gilak Jani Associated Press. Cocokkan atau ketidakcocokan antara gaya belajar siswa dan gaya mengajar guru. Int J Mod Educ Ilmu Komputer. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Waktu posting: Apr-29-2024