Ada peningkatan kebutuhan akan pembelajaran yang berpusat pada siswa (SCL) di institusi pendidikan tinggi, termasuk kedokteran gigi.Namun, penerapan SCL dalam pendidikan kedokteran gigi masih terbatas.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 (IS) yang sesuai dari mahasiswa kedokteran gigi sebagai alat yang berguna untuk mengembangkan pedoman IS. .Metode yang menjanjikan bagi mahasiswa kedokteran gigi.
Sebanyak 255 mahasiswa kedokteran gigi Universitas Malaya menyelesaikan kuesioner Indeks Gaya Belajar (m-ILS) yang dimodifikasi, yang berisi 44 item untuk mengklasifikasikannya ke dalam LS masing-masing.Data yang dikumpulkan (disebut kumpulan data) digunakan dalam pembelajaran pohon keputusan yang diawasi untuk secara otomatis mencocokkan gaya belajar siswa dengan IS yang paling tepat.Keakuratan alat rekomendasi IS berbasis pembelajaran mesin kemudian dievaluasi.
Penerapan model pohon keputusan dalam proses pemetaan otomatis antara LS (input) dan IS (target output) memungkinkan untuk segera membuat daftar strategi pembelajaran yang sesuai untuk setiap mahasiswa kedokteran gigi.Alat rekomendasi IS menunjukkan akurasi sempurna dan perolehan akurasi model secara keseluruhan, yang menunjukkan bahwa pencocokan LS dengan IS memiliki sensitivitas dan spesifisitas yang baik.
Alat rekomendasi IS berdasarkan pohon keputusan ML telah terbukti mampu mencocokkan gaya belajar mahasiswa kedokteran gigi dengan strategi pembelajaran yang tepat secara akurat.Alat ini memberikan opsi canggih untuk merencanakan kursus atau modul yang berpusat pada peserta didik yang dapat meningkatkan pengalaman belajar siswa.
Belajar mengajar merupakan kegiatan mendasar dalam lembaga pendidikan.Ketika mengembangkan sistem pendidikan kejuruan yang berkualitas tinggi, penting untuk fokus pada kebutuhan pembelajaran siswa.Interaksi antara siswa dengan lingkungan belajarnya dapat diketahui melalui LSnya.Penelitian menunjukkan bahwa ketidaksesuaian antara LS dan IS siswa yang disengaja oleh guru dapat menimbulkan konsekuensi negatif bagi pembelajaran siswa, seperti menurunnya perhatian dan motivasi.Hal ini secara tidak langsung akan mempengaruhi kinerja siswa [1,2].
IS adalah metode yang digunakan guru untuk menanamkan pengetahuan dan keterampilan kepada siswa, termasuk membantu siswa belajar [3].Secara umum, guru yang baik merencanakan strategi pengajaran atau SI yang paling sesuai dengan tingkat pengetahuan siswanya, konsep yang mereka pelajari, dan tahapan pembelajarannya.Secara teoritis, ketika LS dan IS cocok, siswa akan mampu mengatur dan menggunakan serangkaian keterampilan tertentu untuk belajar secara efektif.Biasanya, rencana pembelajaran mencakup beberapa transisi antar tahapan, seperti dari mengajar ke praktik terbimbing atau dari praktik terbimbing ke praktik mandiri.Dengan pemikiran ini, guru yang efektif sering kali merencanakan pengajaran dengan tujuan membangun pengetahuan dan keterampilan siswa [4].
Permintaan SCL semakin meningkat di institusi pendidikan tinggi, termasuk kedokteran gigi.Strategi SCL dirancang untuk memenuhi kebutuhan belajar siswa.Hal ini dapat dicapai misalnya jika siswa berpartisipasi aktif dalam kegiatan pembelajaran dan guru bertindak sebagai fasilitator serta bertanggung jawab memberikan umpan balik yang berharga.Dikatakan bahwa menyediakan materi dan kegiatan pembelajaran yang sesuai dengan tingkat pendidikan atau preferensi siswa dapat meningkatkan lingkungan belajar siswa dan mendorong pengalaman belajar yang positif [5].
Secara umum, proses belajar mahasiswa kedokteran 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 mengenai hubungan antara LS dan IS menemukan bahwa menyesuaikan strategi pembelajaran yang dipetakan ke LS pilihan akan membantu meningkatkan proses pendidikan [8].Penulis juga merekomendasikan penggunaan berbagai metode pengajaran dan penilaian untuk menyesuaikan dengan pembelajaran dan kebutuhan siswa.
Guru mendapat manfaat dari penerapan pengetahuan LS untuk membantu mereka merancang, mengembangkan, dan menerapkan pengajaran yang akan meningkatkan perolehan pengetahuan dan pemahaman siswa yang lebih dalam tentang materi pelajaran.Peneliti telah mengembangkan beberapa alat penilaian LS, seperti Model Kolb Experiential Learning, Model Gaya Belajar Felder-Silverman (FSLSM), dan Model Fleming VAK/VARK [5, 9, 10].Menurut literatur, model pembelajaran tersebut merupakan model pembelajaran yang paling umum digunakan dan paling banyak dipelajari.Dalam penelitian saat ini, FSLSM digunakan untuk menilai LS di kalangan mahasiswa kedokteran gigi.
FSLSM adalah model yang banyak digunakan untuk mengevaluasi pembelajaran adaptif di bidang teknik.Ada banyak karya yang diterbitkan dalam ilmu kesehatan (termasuk kedokteran, keperawatan, farmasi dan kedokteran gigi) yang dapat ditemukan dengan menggunakan model FSLSM [5, 11, 12, 13].Instrumen yang digunakan untuk mengukur dimensi LS dalam FLSM disebut Index of Learning Styles (ILS) [8], yang berisi 44 item yang menilai empat dimensi LS: pemrosesan (aktif/reflektif), persepsi (perseptual/intuitif), masukan (visual)./verbal) dan pemahaman (sekuensial/global) [14].
Seperti terlihat pada Gambar 1, setiap dimensi FSLSM memiliki preferensi yang dominan.Misalnya pada dimensi pemrosesan, siswa dengan LS “aktif” lebih suka mengolah informasi dengan berinteraksi langsung dengan materi pembelajaran, belajar sambil melakukan, dan cenderung belajar berkelompok.LS “reflektif” mengacu pada pembelajaran melalui pemikiran dan lebih memilih bekerja sendiri.Dimensi “persepsi” LS dapat dibagi menjadi “perasaan” dan/atau “intuisi”.Siswa “perasaan” lebih menyukai informasi yang lebih konkrit dan prosedur praktis, berorientasi pada fakta dibandingkan dengan siswa “intuitif” yang lebih menyukai materi abstrak serta lebih inovatif dan kreatif.Dimensi “input” LS terdiri dari pembelajar “visual” dan “verbal”.Orang dengan LS “visual” lebih suka belajar melalui demonstrasi visual (seperti diagram, video, atau demonstrasi langsung), sedangkan orang dengan LS “verbal” lebih suka belajar melalui kata-kata dalam penjelasan tertulis atau lisan.Untuk “memahami” dimensi LS, pembelajar tersebut dapat dibagi menjadi “sekuensial” dan “global”.“Pembelajar sekuensial lebih menyukai proses berpikir linier dan belajar langkah demi langkah, sedangkan pembelajar global cenderung memiliki proses berpikir holistik dan selalu memiliki pemahaman yang lebih baik tentang apa yang mereka pelajari.
Baru-baru ini, banyak peneliti mulai mengeksplorasi metode penemuan berbasis data otomatis, termasuk pengembangan algoritma dan model baru yang mampu menafsirkan data dalam jumlah besar [15, 16].Berdasarkan data yang diberikan, ML (machine learning) yang diawasi mampu menghasilkan pola dan hipotesis yang memprediksi hasil di masa depan berdasarkan konstruksi algoritma [17].Sederhananya, teknik pembelajaran mesin yang diawasi memanipulasi data masukan dan melatih algoritme.Kemudian menghasilkan rentang yang mengklasifikasikan atau memprediksi hasil berdasarkan situasi serupa untuk data masukan 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 kendali pohon keputusan, deteksi otomatis LS dapat dilakukan.Pohon keputusan telah dilaporkan banyak digunakan dalam program pelatihan di berbagai bidang, termasuk ilmu kesehatan [18, 19].Dalam studi ini, model dilatih secara khusus oleh pengembang sistem untuk mengidentifikasi LS siswa dan merekomendasikan IS terbaik bagi mereka.
Tujuan dari penelitian ini adalah untuk mengembangkan strategi penyampaian SI berdasarkan LS siswa dan menerapkan pendekatan SCL dengan mengembangkan alat rekomendasi IS yang dipetakan ke LS.Alur perancangan alat rekomendasi IS sebagai strategi metode SCL ditunjukkan pada Gambar 1. Alat rekomendasi IS dibagi menjadi dua bagian, antara lain mekanisme klasifikasi LS menggunakan ILS dan tampilan IS yang paling sesuai untuk siswa.
Secara khusus, karakteristik alat rekomendasi keamanan informasi mencakup penggunaan teknologi web dan penggunaan pembelajaran mesin pohon keputusan.Pengembang sistem meningkatkan pengalaman dan mobilitas pengguna dengan mengadaptasinya ke perangkat seluler seperti ponsel dan tablet.
Percobaan dilakukan dalam dua tahap dan mahasiswa Fakultas Kedokteran Gigi Universitas Malaya berpartisipasi secara sukarela.Peserta menanggapi m-ILS online mahasiswa kedokteran gigi dalam bahasa Inggris.Pada tahap awal, dataset sebanyak 50 siswa digunakan untuk melatih algoritma pembelajaran mesin pohon keputusan.Pada proses pengembangan tahap kedua, dataset sebanyak 255 siswa digunakan untuk meningkatkan akurasi instrumen yang dikembangkan.
Semua peserta menerima pengarahan online di awal setiap tahap, tergantung tahun akademik, melalui Microsoft Teams.Tujuan penelitian dijelaskan dan informed consent diperoleh.Semua peserta diberikan tautan untuk mengakses m-ILS.Setiap siswa diinstruksikan untuk menjawab seluruh 44 item pada kuesioner.Mereka diberi waktu satu minggu untuk menyelesaikan ILS yang dimodifikasi pada waktu dan lokasi yang nyaman bagi mereka selama liburan semester sebelum dimulainya semester.M-ILS didasarkan pada instrumen ILS asli dan dimodifikasi untuk mahasiswa kedokteran gigi.Mirip dengan ILS asli, berisi 44 item (a,b) yang tersebar merata, dengan masing-masing 11 item, yang digunakan untuk menilai aspek setiap dimensi FSLSM.
Selama tahap awal pengembangan alat, para peneliti membuat anotasi peta secara manual menggunakan kumpulan data 50 mahasiswa kedokteran gigi.Menurut FSLM, sistem memberikan jumlah jawaban “a” dan “b”.Untuk setiap dimensi, jika siswa memilih “a” sebagai jawaban, maka LSnya tergolong Aktif/Perseptual/Visual/Berurutan, dan jika siswa memilih “b” sebagai jawaban, maka siswa tersebut tergolong Reflektif/Intuitif/Linguistik ./ pembelajar global.
Setelah mengkalibrasi alur kerja antara peneliti pendidikan kedokteran gigi dan pengembang sistem, pertanyaan dipilih berdasarkan domain FLSSM dan dimasukkan ke dalam model ML untuk memprediksi LS setiap siswa.“Sampah masuk, sampah keluar” adalah ungkapan populer di bidang pembelajaran mesin, dengan penekanan pada kualitas data.Kualitas data masukan menentukan presisi dan keakuratan model pembelajaran mesin.Pada tahap rekayasa fitur, dibuat kumpulan fitur baru yang merupakan penjumlahan dari jawaban “a” dan “b” berdasarkan FLSSM.Nomor identifikasi posisi obat diberikan pada Tabel 1.
Hitung skor berdasarkan jawaban dan tentukan LS siswa.Untuk setiap siswa, rentang skornya adalah dari 1 hingga 11. Skor dari 1 hingga 3 menunjukkan keseimbangan preferensi belajar dalam dimensi yang sama, dan skor dari 5 hingga 7 menunjukkan preferensi sedang, yang menunjukkan bahwa siswa cenderung lebih menyukai satu lingkungan mengajar yang lain. .Variasi lain pada dimensi yang sama adalah bahwa skor dari 9 hingga 11 mencerminkan preferensi yang kuat terhadap satu tujuan 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 ditentukan dan skornya melebihi ambang batas 5 untuk item tertentu yang mewakili dimensi LS Pemrosesan, maka dia termasuk dalam LS “aktif”. domain..Namun, siswa diklasifikasikan sebagai LS “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 skornya tidak melebihi 5 poin, maka ini adalah “proses” LS.Proses klasifikasi diulangi untuk dimensi LS lainnya yaitu persepsi (aktif/reflektif), masukan (visual/verbal), dan pemahaman (sekuensial/global).
Model pohon keputusan dapat menggunakan subkumpulan fitur dan aturan keputusan yang berbeda pada tahapan proses klasifikasi yang berbeda.Ini dianggap sebagai alat klasifikasi dan prediksi yang populer.Itu dapat direpresentasikan menggunakan struktur pohon seperti diagram alur [20], di mana terdapat node internal yang mewakili pengujian berdasarkan atribut, setiap cabang mewakili hasil pengujian, dan setiap simpul daun (leaf node) berisi label kelas.
Sebuah program berbasis aturan sederhana dibuat untuk secara otomatis menilai dan memberi anotasi pada LS setiap siswa berdasarkan tanggapan mereka.Berbasis aturan berbentuk pernyataan IF, di mana “IF” menggambarkan pemicu dan “THEN” 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 pengembangan tahap kedua, kumpulan data ditingkatkan menjadi 255 untuk meningkatkan akurasi alat rekomendasi.Kumpulan data dibagi dalam rasio 1:4.25% (64) dari kumpulan data digunakan untuk set pengujian, dan 75% (191) sisanya digunakan sebagai set pelatihan (Gambar 2).Kumpulan data perlu dipecah untuk mencegah model dilatih dan diuji pada kumpulan data yang sama, yang dapat menyebabkan model mengingat, bukan mempelajari.Model dilatih pada set pelatihan dan mengevaluasi performanya pada set pengujian—data yang belum pernah dilihat model sebelumnya.
Setelah alat IS dikembangkan, aplikasi akan dapat mengklasifikasikan LS berdasarkan tanggapan mahasiswa kedokteran gigi melalui antarmuka web.Sistem alat rekomendasi keamanan informasi berbasis web ini dibangun dengan menggunakan bahasa pemrograman Python dengan menggunakan framework Django sebagai backendnya.Tabel 2 mencantumkan perpustakaan yang digunakan dalam pengembangan sistem ini.
Kumpulan data dimasukkan ke model pohon keputusan untuk menghitung dan mengekstrak respons siswa guna mengklasifikasikan pengukuran LS siswa secara otomatis.
Matriks konfusi digunakan untuk mengevaluasi keakuratan algoritma pembelajaran mesin pohon keputusan pada kumpulan data tertentu.Pada saat yang sama, ini mengevaluasi kinerja model klasifikasi.Ini merangkum prediksi model dan membandingkannya dengan label data sebenarnya.Hasil evaluasi didasarkan pada empat nilai berbeda: True Positive (TP) – model memprediksi kategori positif dengan tepat, False Positive (FP) – model memprediksi kategori positif, namun label sebenarnya negatif, True Negative (TN) – model memprediksi kelas negatif dengan benar, dan negatif palsu (FN) – Model memprediksi kelas negatif, tetapi label sebenarnya positif.
Nilai-nilai tersebut kemudian digunakan untuk menghitung berbagai metrik kinerja model klasifikasi scikit-learn dengan Python, yaitu presisi, presisi, perolehan, dan skor F1.Berikut ini contohnya:
Perolehan (atau sensitivitas) mengukur kemampuan model untuk mengklasifikasikan LS siswa secara akurat setelah menjawab kuesioner m-ILS.
Kekhususan disebut tingkat negatif sebenarnya.Seperti yang dapat Anda lihat dari rumus di atas, ini seharusnya merupakan rasio dari true negative (TN) terhadap true negative dan false positive (FP).Sebagai bagian dari alat yang direkomendasikan untuk mengklasifikasikan obat-obatan pelajar, alat tersebut harus mampu melakukan identifikasi secara akurat.
Kumpulan data asli yang terdiri 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 menghitung skor LS dan anotasi siswa secara otomatis, semakin banyak kumpulan data (255) yang digunakan untuk melatih dan menguji sistem pemberi rekomendasi.
Dalam matriks konfusi multikelas, elemen diagonal mewakili jumlah prediksi yang benar untuk setiap tipe LS (Gambar 4).Dengan menggunakan model pohon keputusan, total 64 sampel diprediksi dengan benar.Oleh karena itu, dalam penelitian ini, elemen diagonal menunjukkan hasil yang diharapkan, yang menunjukkan bahwa model memiliki kinerja yang baik dan memprediksi label kelas untuk setiap klasifikasi LS secara akurat.Dengan demikian, keakuratan alat rekomendasi secara keseluruhan adalah 100%.
Nilai akurasi, presisi, recall, dan skor F1 ditunjukkan pada Gambar 5. Untuk sistem rekomendasi yang menggunakan model pohon keputusan, skor F1-nya adalah 1,0 “sempurna” yang menunjukkan presisi dan recall sempurna yang mencerminkan sensitivitas dan spesifisitas yang signifikan. nilai-nilai.
Gambar 6 menunjukkan visualisasi model pohon keputusan setelah pelatihan dan pengujian selesai.Dalam perbandingan berdampingan, model pohon keputusan yang dilatih dengan fitur lebih sedikit menunjukkan akurasi lebih tinggi dan visualisasi model lebih mudah.Hal ini menunjukkan bahwa rekayasa fitur yang mengarah pada pengurangan fitur merupakan langkah penting dalam meningkatkan performa model.
Dengan menerapkan pembelajaran yang diawasi pohon keputusan, pemetaan antara LS (input) dan IS (target output) dihasilkan secara otomatis dan berisi informasi rinci untuk setiap LS.
Hasil penelitian menunjukkan bahwa 34,9% dari 255 siswa lebih menyukai satu (1) pilihan LS.Mayoritas (54,3%) memiliki dua atau lebih preferensi LS.12,2% siswa menyatakan LS cukup seimbang (Tabel 4).Selain delapan LS utama, terdapat 34 kombinasi klasifikasi LS untuk mahasiswa kedokteran gigi Universitas Malaya.Diantaranya, persepsi, penglihatan, dan kombinasi persepsi dan penglihatan merupakan LS utama yang dilaporkan oleh siswa (Gambar 7).
Terlihat dari Tabel 4, sebagian besar siswa memiliki LS sensorik (13,7%) atau visual (8,6%) yang dominan.Dilaporkan bahwa 12,2% siswa menggabungkan persepsi dengan penglihatan (perceptual-visual LS).Temuan ini menunjukkan bahwa siswa lebih suka belajar dan mengingat melalui metode yang telah ditetapkan, mengikuti prosedur yang spesifik dan rinci, serta bersifat penuh perhatian.Pada saat yang sama, mereka menikmati belajar dengan melihat (menggunakan diagram, dll.) dan cenderung mendiskusikan dan menerapkan informasi dalam kelompok atau sendiri.
Studi ini memberikan gambaran umum tentang teknik pembelajaran mesin yang digunakan dalam penambangan data, dengan fokus pada prediksi LS siswa secara instan dan akurat serta merekomendasikan IS yang sesuai.Penerapan model pohon keputusan mengidentifikasi faktor-faktor yang paling erat kaitannya dengan kehidupan dan pengalaman pendidikan mereka.Ini adalah algoritma pembelajaran mesin terawasi yang menggunakan struktur pohon untuk mengklasifikasikan data dengan membagi sekumpulan data menjadi subkategori berdasarkan kriteria tertentu.Ia bekerja dengan membagi data masukan secara rekursif menjadi beberapa subset berdasarkan nilai salah satu fitur masukan dari setiap node internal hingga keputusan dibuat pada node daun.
Node internal pohon keputusan mewakili solusi berdasarkan karakteristik masukan 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 pengambilan keputusan dengan melihat hubungan antara fitur masukan dan prediksi keluaran.
Di bidang ilmu dan teknik komputer, algoritma pembelajaran mesin banyak digunakan untuk memprediksi kinerja siswa berdasarkan nilai ujian masuk mereka [21], informasi demografis, dan perilaku belajar [22].Penelitian menunjukkan bahwa algoritme 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 telah dilaporkan.Simulator ini mampu secara akurat mereproduksi respons fisiologis pasien nyata dan dapat digunakan untuk melatih pelajar kedokteran gigi dalam lingkungan yang aman dan terkendali [23].Beberapa penelitian lain menunjukkan bahwa algoritma pembelajaran mesin berpotensi meningkatkan kualitas dan efisiensi pendidikan kedokteran gigi dan kedokteran serta perawatan pasien.Algoritme pembelajaran mesin telah digunakan untuk membantu diagnosis penyakit gigi berdasarkan kumpulan data seperti gejala dan karakteristik pasien [24, 25].Sementara penelitian lain telah mengeksplorasi penggunaan algoritma pembelajaran mesin untuk melakukan tugas-tugas seperti memprediksi hasil akhir pasien, mengidentifikasi pasien berisiko tinggi, mengembangkan rencana perawatan yang dipersonalisasi [26], perawatan periodontal [27], dan perawatan karies [25].
Meskipun laporan mengenai penerapan pembelajaran mesin dalam kedokteran gigi telah dipublikasikan, penerapannya dalam pendidikan kedokteran gigi masih terbatas.Oleh karena itu, penelitian ini bertujuan untuk menggunakan model pohon keputusan untuk mengidentifikasi faktor-faktor yang paling erat kaitannya dengan LS dan IS di kalangan mahasiswa kedokteran gigi.
Hasil penelitian ini menunjukkan bahwa alat rekomendasi yang dikembangkan mempunyai akurasi yang tinggi dan akurasi yang sempurna, hal ini menunjukkan bahwa guru dapat memperoleh manfaat dari alat ini.Dengan menggunakan proses klasifikasi berbasis data, sistem ini dapat memberikan rekomendasi yang dipersonalisasi dan meningkatkan pengalaman dan hasil pendidikan bagi pendidik dan siswa.Diantaranya, informasi yang diperoleh melalui alat rekomendasi dapat menyelesaikan konflik antara metode pengajaran pilihan guru dan kebutuhan belajar siswa.Misalnya, karena keluaran otomatis dari alat rekomendasi, waktu yang diperlukan untuk mengidentifikasi IP siswa dan mencocokkannya dengan IP yang sesuai akan berkurang secara signifikan.Dengan cara ini, kegiatan pelatihan dan materi pelatihan yang sesuai dapat diselenggarakan.Hal ini membantu mengembangkan perilaku belajar positif siswa dan kemampuan berkonsentrasi.Sebuah penelitian melaporkan bahwa memberikan siswa materi pembelajaran dan aktivitas pembelajaran 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 di kelas, pemahaman proses belajar siswa juga berperan penting dalam meningkatkan praktik mengajar dan komunikasi dengan siswa [28, 29].
Namun, seperti halnya teknologi modern lainnya, ada masalah dan keterbatasan.Hal ini mencakup masalah terkait privasi data, bias dan keadilan, serta keterampilan profesional dan sumber daya yang diperlukan untuk mengembangkan dan menerapkan algoritme pembelajaran mesin dalam pendidikan kedokteran gigi;Namun, meningkatnya minat dan penelitian di bidang ini menunjukkan bahwa teknologi pembelajaran mesin mungkin berdampak positif pada pendidikan kedokteran gigi dan layanan kedokteran gigi.
Hasil penelitian ini menunjukkan bahwa separuh mahasiswa kedokteran gigi memiliki kecenderungan “mempersepsikan” obat.Tipe pembelajar ini mempunyai preferensi pada fakta dan contoh konkrit, orientasi praktis, kesabaran terhadap detail, dan preferensi LS “visual”, dimana pembelajar lebih suka menggunakan gambar, grafik, warna, dan peta untuk menyampaikan ide dan pemikiran.Hasil saat ini konsisten dengan penelitian lain yang menggunakan ILS untuk menilai LS pada mahasiswa kedokteran 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 mencapai potensi belajar mereka.Peneliti berpendapat bahwa ketika guru memahami sepenuhnya proses pendidikan siswa, maka berbagai metode dan kegiatan pengajaran dapat diterapkan yang akan meningkatkan kinerja dan pengalaman belajar siswa [12, 31, 32].Penelitian lain menunjukkan bahwa penyesuaian LS siswa juga menunjukkan peningkatan pengalaman belajar dan kinerja siswa setelah mengubah gaya belajar mereka agar sesuai dengan LS mereka sendiri [13, 33].
Pendapat guru mungkin berbeda-beda mengenai penerapan strategi pengajaran berdasarkan kemampuan belajar siswa.Meskipun beberapa orang melihat manfaat dari pendekatan ini, termasuk peluang pengembangan profesional, bimbingan, dan dukungan masyarakat, yang lain mungkin khawatir tentang waktu dan dukungan kelembagaan.Mengupayakan 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 mendukung pendekatan yang berpusat pada siswa.Langkah-langkah ini sangat penting untuk mencapai hasil yang diinginkan.Penelitian terbaru tentang pengajaran yang dibedakan dengan jelas menunjukkan bahwa keberhasilan penerapan pengajaran yang berbeda memerlukan pelatihan berkelanjutan dan peluang pengembangan bagi guru [35].
Alat ini memberikan dukungan berharga bagi para pendidik kedokteran gigi yang ingin mengambil pendekatan yang berpusat pada siswa dalam merencanakan kegiatan pembelajaran yang ramah siswa.Namun penelitian ini dibatasi pada penggunaan model ML pohon keputusan.Di masa mendatang, lebih banyak data harus dikumpulkan untuk membandingkan performa berbagai model pembelajaran mesin guna membandingkan keakuratan, keandalan, dan ketepatan alat rekomendasi.Selain itu, saat memilih metode pembelajaran mesin yang paling tepat untuk tugas tertentu, penting untuk mempertimbangkan faktor lain seperti kompleksitas dan interpretasi model.
Keterbatasan penelitian ini adalah hanya fokus pada pemetaan LS dan IS pada mahasiswa kedokteran gigi.Oleh karena itu, sistem rekomendasi yang dikembangkan hanya akan merekomendasikan rekomendasi yang sesuai bagi mahasiswa kedokteran gigi.Perubahan diperlukan untuk penggunaan siswa pendidikan tinggi secara umum.
Alat rekomendasi berbasis pembelajaran mesin yang baru dikembangkan ini mampu secara instan mengklasifikasikan dan mencocokkan LS siswa dengan IS yang sesuai, menjadikannya program pendidikan kedokteran gigi pertama yang membantu pendidik kedokteran gigi merencanakan aktivitas belajar mengajar yang relevan.Dengan menggunakan proses triase berbasis data, hal ini dapat memberikan rekomendasi yang dipersonalisasi, menghemat waktu, meningkatkan strategi pengajaran, mendukung intervensi yang ditargetkan, dan mendorong pengembangan profesional yang berkelanjutan.Penerapannya akan mempromosikan pendekatan pendidikan kedokteran gigi yang berpusat pada siswa.
Pers Terkait Gilak Jani.Cocok atau tidaknya antara gaya belajar siswa dengan gaya mengajar guru.Int J Mod Mendidik Ilmu Komputer.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Waktu posting: 29 April-2024