Vaxandi þörf er fyrir nemendamiðað nám (SCL) í háskólastofnunum, þar á meðal tannlækningum. Hins vegar hefur SCL takmarkaða notkun í tannlæknanámi. Þess vegna miðar þessi rannsókn að því að efla notkun SCL í tannlækningum með því að nota ákvörðunartrésvélanámstækni (ML) til að kortleggja ákjósanlegan námsstíl (LS) og samsvarandi námsaðferðir (IS) tannlæknanema sem gagnlegt tæki til að þróa námsleiðbeiningar. Efnilegar aðferðir fyrir tannlæknanema.
Alls svöruðu 255 tannlæknanemar frá Háskólanum í Malaya spurningalista um breyttan námsstíl (m-ILS), sem innihélt 44 atriði til að flokka þá í viðkomandi námsleiðir. Söfnuðu gögnin (kölluð gagnasafn) eru notuð í stýrðu ákvörðunartrésnámi til að para sjálfkrafa námsstíl nemenda við viðeigandi námsleið. Nákvæmni vélanámsbundins námsleiðbeiningatóls er síðan metin.
Notkun ákvörðunartréslíkana í sjálfvirku kortlagningarferli milli LS (inntak) og IS (markúttak) gerir kleift að búa til strax lista yfir viðeigandi námsaðferðir fyrir hvern tannlæknanema. IS-tilmælatólið sýndi fram á fullkomna nákvæmni og endurheimt heildarnákvæmni líkansins, sem bendir til þess að pörun LS og IS hafi góða næmni og sértækni.
Ráðleggingartól fyrir upplýsingatækni, byggt á ákvörðunartré vélanáms, hefur sannað getu sína til að para námsstíl tannlæknanema nákvæmlega saman við viðeigandi námsaðferðir. Þetta tól býður upp á öfluga möguleika til að skipuleggja nemendamiðuð námskeið eða einingar sem geta aukið námsreynslu nemenda.
Kennsla og nám eru grundvallaratriði í menntastofnunum. Þegar þróað er hágæða starfsmenntakerfi er mikilvægt að einbeita sér að námsþörfum nemenda. Samspil nemenda og námsumhverfis þeirra er hægt að ákvarða út frá námsefni þeirra. Rannsóknir benda til þess að ósamræmi sem kennarar ætla að gera milli námsefnis og upplýsingaefnis nemenda geti haft neikvæðar afleiðingar fyrir nám nemenda, svo sem minnkaða athygli og hvatningu. Þetta mun óbeint hafa áhrif á námsárangur nemenda [1,2].
Kennsluefni (IS) er aðferð sem kennarar nota til að miðla þekkingu og færni til nemenda, þar á meðal að hjálpa þeim að læra [3]. Almennt séð skipuleggja góðir kennarar kennsluaðferðir eða IS sem henta best þekkingarstigi nemenda þeirra, hugtökunum sem þeir eru að læra og námsstigi þeirra. Fræðilega séð, þegar LS og IS passa saman, munu nemendur geta skipulagt og notað ákveðna færni til að læra á áhrifaríkan hátt. Venjulega inniheldur kennsluáætlun nokkrar breytingar á milli stiga, svo sem frá kennslu til leiðsagnar æfinga eða frá leiðsagnar æfinga til sjálfstæðrar æfinga. Með þetta í huga skipuleggja árangursríkir kennarar oft kennslu með það að markmiði að byggja upp þekkingu og færni nemenda [4].
Eftirspurn eftir SCL er að aukast í háskólastofnunum, þar á meðal í tannlækningum. SCL-aðferðir eru hannaðar til að mæta námsþörfum nemenda. Þetta er til dæmis hægt að ná ef nemendur taka virkan þátt í námsstarfsemi og kennarar eru leiðbeinendur og bera ábyrgð á að veita verðmæta endurgjöf. Sagt er að það að veita námsefni og starfsemi sem hentar menntunarstigi eða óskum nemenda geti bætt námsumhverfi nemenda og stuðlað að jákvæðri námsreynslu [5].
Almennt séð er námsferli tannlæknanema háð þeim ýmsu klínísku aðgerðum sem þeir þurfa að framkvæma og því klíníska umhverfi þar sem þeir þróa með sér árangursríka samskiptahæfni. Tilgangur þjálfunarinnar er að gera nemendum kleift að sameina grunnþekkingu í tannlækningum við klíníska færni í tannlækningum og beita þeirri þekkingu sem aflað er í nýjum klínískum aðstæðum [6, 7]. Snemmbúnar rannsóknir á tengslum milli LS og IN komust að því að aðlögun námsaðferða sem kortlagðar voru að æskilegum LS myndi hjálpa til við að bæta námsferlið [8]. Höfundarnir mæla einnig með því að nota fjölbreyttar kennslu- og matsaðferðir til að laga sig að námi og þörfum nemenda.
Kennarar njóta góðs af því að beita þekkingu sinni á námsefninu til að hanna, þróa og framkvæma kennslu sem mun auka dýpri þekkingu og skilning nemenda á viðfangsefninu. Rannsakendur hafa þróað nokkur matsverkfæri fyrir námsefni, svo sem Kolb Experiential Learning Model, Felder-Silverman Learning Style Model (FSLSM) og Fleming VAK/VARK Model [5, 9, 10]. Samkvæmt heimildum eru þessi námslíkön algengustu og mest rannsökuðu námslíkönin. Í núverandi rannsóknum er FSLSM notað til að meta námsefni meðal tannlæknanema.
FSLSM er mikið notað líkan til að meta aðlögunarnám í verkfræði. Margar birtar rannsóknir í heilbrigðisvísindum (þar á meðal læknisfræði, hjúkrun, lyfjafræði og tannlækningum) eru til sem hægt er að nota FSLSM líkön [5, 11, 12, 13]. Mælitækið sem notað er til að mæla víddir námsstíls í FLSM kallast vísitala námsstíla (ILS) [8], sem inniheldur 44 atriði sem meta fjórar víddir námsstíls: úrvinnslu (virk/íhugul), skynjun (skynjunarleg/innsæi), inntak (sjónræn/munnleg) og skilning (raðbundin/alhliða) [14].
Eins og sést á mynd 1 hefur hver FSLSM vídd ríkjandi forgangsröðun. Til dæmis, í úrvinnsluvíddinni kjósa nemendur með „virka“ LS að vinna úr upplýsingum með því að hafa bein samskipti við námsefni, læra með því að gera og hafa tilhneigingu til að læra í hópum. „Ígrundandi“ LS vísar til náms í gegnum hugsun og kýs að vinna einir. „Skynjunar“ vídd LS má skipta í „tilfinningu“ og/eða „innsæi“. „Tilfinningar“ nemendur kjósa frekar raunhæfari upplýsingar og hagnýtar aðferðir, eru staðreyndamiðaðir samanborið við „innsæis“ nemendur sem kjósa abstrakt efni og eru nýstárlegri og skapandi að eðlisfari. „Inntaks“ vídd LS samanstendur af „sjónrænum“ og „munnlegum“ nemendum. Fólk með „sjónræna“ LS kýs að læra í gegnum sjónrænar sýnikennslu (eins og skýringarmyndir, myndbönd eða sýnikennslu í rauntíma), en fólk með „munnlegan“ LS kýs að læra í gegnum orð í skriflegum eða munnlegum útskýringum. Til að „skilja“ víddir LS má skipta slíkum nemendum í „raðbundna“ og „alhliða“. „Raðbundnir nemendur kjósa línulegt hugsunarferli og læra skref fyrir skref, en hnattrænir nemendur hafa tilhneigingu til að hafa heildrænt hugsunarferli og hafa alltaf betri skilning á því sem þeir eru að læra.“
Undanfarið hafa margir vísindamenn hafið könnun á aðferðum fyrir sjálfvirka gagnadrifna uppgötvun, þar á meðal þróun nýrra reiknirita og líkana sem geta túlkað mikið magn gagna [15, 16]. Byggt á þeim gögnum sem eru veitt getur stýrt vélanám (ML) búið til mynstur og tilgátur sem spá fyrir um framtíðarniðurstöður út frá smíði reiknirita [17]. Einfaldlega sagt, stýrðar vélanámsaðferðir meðhöndla inntaksgögn og þjálfa reiknirit. Það býr síðan til svið sem flokkar eða spáir fyrir um niðurstöðuna út frá svipuðum aðstæðum fyrir veitt inntaksgögn. Helsti kosturinn við stýrð vélanámsreiknirit er geta þess til að koma á kjör- og æskilegum niðurstöðum [17].
Með því að nota gagnadrifnar aðferðir og ákvörðunartrésstýringarlíkön er sjálfvirk greining á LS möguleg. Greint hefur verið frá því að ákvörðunartré séu mikið notuð í þjálfunaráætlunum á ýmsum sviðum, þar á meðal heilbrigðisvísindum [18, 19]. Í þessari rannsókn var líkanið sérstaklega þjálfað af kerfisþróunaraðilum til að bera kennsl á LS nemenda og mæla með bestu upplýsingatækni fyrir þá.
Tilgangur þessarar rannsóknar er að þróa aðferðir til að veita upplýsingar byggðar á námsefnisstigi nemenda og beita nálgun námsefnisstýringar (SCL) með því að þróa ráðleggingarverkfæri fyrir upplýsingar sem eru tengd námsefnisstigi. Hönnunarflæði ráðleggingarverkfærisins fyrir upplýsingar sem stefna SCL aðferðarinnar er sýnt á mynd 1. Ráðleggingarverkfærið fyrir upplýsingar skiptist í tvo hluta, þar á meðal flokkunarkerfi námsefnisstýringar með því að nota námsefnisstig (ILS) og hentugustu upplýsingaskjáinn fyrir nemendur.
Einkum einkenni ráðleggingatækja um upplýsingaöryggi eru notkun veftækni og notkun vélnáms í ákvörðunartré. Kerfisþróunaraðilar bæta notendaupplifun og færanleika með því að aðlaga þau að snjalltækjum eins og farsímum og spjaldtölvum.
Tilraunin fór fram í tveimur áföngum og nemendur frá Tannlæknadeild Háskólans í Malaya tóku þátt sjálfboðaliða. Þátttakendur svöruðu netprófi tannlæknanema á ensku í gegnum m-ILS. Í upphafsstigi var gagnasafn með 50 nemendum notað til að þjálfa vélanámsreiknirit ákvarðanatrésins. Í öðru stigi þróunarferlisins var gagnasafn með 255 nemendum notað til að bæta nákvæmni þróaða tækisins.
Allir þátttakendur fá kynningu á netinu í upphafi hvers áfanga, allt eftir skólaári, í gegnum Microsoft Teams. Tilgangur rannsóknarinnar var útskýrður og upplýst samþykki fengið. Öllum þátttakendum var gefinn hlekkur til að fá aðgang að m-ILS. Hver nemandi var fyrirskipaður að svara öllum 44 atriðum spurningalistans. Þeim var gefin ein vika til að ljúka breyttu ILS mælitækinu á þeim tíma og stað sem þeim hentaði á annarhléinu fyrir upphaf annarinnar. m-ILS er byggt á upprunalega ILS mælitækinu og aðlagað fyrir tannlæknanema. Líkt og upprunalega ILS inniheldur það 44 jafnt dreifða atriði (a, b), með 11 atriðum hvert, sem eru notuð til að meta þætti hverrar víddar FSLSM.
Á fyrstu stigum þróunar tólsins skýrðu vísindamennirnir kortin handvirkt með því að nota gagnasafn 50 tannlæknanema. Samkvæmt FSLM gefur kerfið summu svara „a“ og „b“. Fyrir hverja vídd, ef nemandinn velur „a“ sem svar, er LS flokkað sem Virkt/Skynjunarkennt/Sjónrænt/Raðbundið, og ef nemandinn velur „b“ sem svar, er nemandinn flokkaður sem Hugleiðandi/Innsæisríkt/Málfræðilegt/alhliða nemandi.
Eftir að vinnuflæðið milli vísindamanna í tannlæknanámi og kerfisþróunaraðila hafði verið kvarðað voru spurningar valdar út frá FLSSM sviðinu og settar inn í vélanámslíkanið til að spá fyrir um LS hvers nemanda. „Rusl inn, rusl út“ er vinsælt máltæki á sviði vélanáms, með áherslu á gagnagæði. Gæði inntaksgagnanna ákvarða nákvæmni og nákvæmni vélanámslíkansins. Á meðan á eiginleikaverkfræði stendur er nýtt eiginleikasett búið til sem er summa svara „a“ og „b“ byggt á FLSSM. Auðkennisnúmer lyfjastöðu eru gefin upp í töflu 1.
Reiknið út einkunnina út frá svörunum og ákvarðið minnstu námsárangri (LS) nemandans. Fyrir hvern nemanda er einkunnabilið frá 1 til 11. Einkunnir frá 1 til 3 gefa til kynna jafnvægi námsáhuga innan sömu víddar og einkunnir frá 5 til 7 gefa til kynna miðlungsmikla áherslu, sem gefur til kynna að nemendur kjósi frekar eitt umhverfi til að kenna öðrum. Önnur afbrigði af sömu vídd er að einkunnir frá 9 til 11 endurspegla sterka áherslu á annan hvorn enda námsins [8].
Fyrir hverja vídd voru lyf flokkuð í „virk“, „ígrunduð“ og „jafnvægi“. Til dæmis, þegar nemandi svarar „a“ oftar en „b“ í tilteknum lið og stig hans/hennar fara yfir þröskuldinn 5 fyrir tiltekinn lið sem táknar víddina Vinnslu-LS, tilheyrir hann/hún „virku“ LS sviðinu. Hins vegar voru nemendur flokkaðir sem „ígrunduð“ LS þegar þeir völdu „b“ frekar en „a“ í tilteknum 11 spurningum (Tafla 1) og fengu meira en 5 stig. Að lokum er nemandinn í „jafnvægisástandi“. Ef stigin fara ekki yfir 5 stig, þá er þetta „ferli“ LS. Flokkunarferlið var endurtekið fyrir hinar víddir LS, þ.e. skynjun (virk/ígrunduð), inntak (sjónrænt/munnlegt) og skilning (raðbundin/alhliða).
Ákvörðunartréslíkön geta notað mismunandi undirmengi eiginleika og ákvörðunarreglna á mismunandi stigum flokkunarferlisins. Þau eru talin vinsæl flokkunar- og spától. Þau er hægt að tákna með trébyggingu eins og flæðiriti [20], þar sem eru innri hnútar sem tákna prófanir eftir eigindum, hver grein táknar niðurstöður prófana og hver laufhnútur (laufhnútur) inniheldur flokksmerki.
Einfalt reglubundið forrit var búið til til að gefa sjálfkrafa einkunnir og athugasemdir við LS (minnstu einkunnir) hvers nemanda út frá svörum þeirra. Reglubundið forrit er í formi IF-setningar, þar sem „IF“ lýsir kveikjunni og „THEN“ tilgreinir aðgerðina sem á að framkvæma, til dæmis: „Ef X gerist, þá gerðu Y“ (Liu o.fl., 2014). Ef gagnasafnið sýnir fylgni og ákvörðunartréslíkanið er rétt þjálfað og metið, getur þessi aðferð verið áhrifarík leið til að gera ferlið við að para LS og IS sjálfvirkt.
Í öðru stigi þróunarinnar var gagnasafninu fjölgað í 255 til að bæta nákvæmni ráðleggingatólsins. Gagnasafnið er skipt í hlutfallinu 1:4. 25% (64) af gagnasafninu voru notuð fyrir prófunarsafnið og eftirstandandi 75% (191) voru notuð sem þjálfunarsafnið (Mynd 2). Skipta þarf gagnasafninu til að koma í veg fyrir að líkanið sé þjálfað og prófað á sama gagnasafni, sem gæti valdið því að líkanið man frekar en læri. Líkanið er þjálfað á þjálfunarsafnið og metur frammistöðu sína á prófunarsafnið - gögn sem líkanið hefur aldrei séð áður.
Þegar upplýsingaöryggistólið hefur verið þróað mun forritið geta flokkað LS út frá svörum tannlæknanema í gegnum vefviðmót. Vefbundið ráðleggingatól fyrir upplýsingaöryggi er smíðað með forritunarmálinu Python og Django rammanum sem bakgrunni. Tafla 2 sýnir bókasöfnin sem notuð voru við þróun þessa kerfis.
Gagnasafnið er sent inn í ákvörðunartréslíkan til að reikna út og draga út svör nemenda til að flokka sjálfkrafa mælingar á LS-tölum nemenda.
Ruglingsfylkið er notað til að meta nákvæmni vélanámsreiknirits ákvarðanatrés á gefnu gagnasafni. Á sama tíma metur það frammistöðu flokkunarlíkansins. Það dregur saman spár líkansins og ber þær saman við raunveruleg gagnalímmiða. Niðurstöður matsins eru byggðar á fjórum mismunandi gildum: Sannjákvætt (TP) – líkanið spáði rétt fyrir um jákvæða flokkinn, Falskt jákvætt (FP) – líkanið spáði rétt fyrir um jákvæða flokkinn, en raunverulega merkingin var neikvæð, Sannnegátt (TN) – líkanið spáði rétt fyrir um neikvæða flokkinn, og falskt neikvætt (FN) – líkanið spáir neikvæðri flokkun, en raunverulega merkingin er jákvæð.
Þessi gildi eru síðan notuð til að reikna út ýmsa afkastamælikvarða scikit-learn flokkunarlíkansins í Python, þ.e. nákvæmni, nákvæmni, innköllun og F1 stig. Hér eru dæmi:
Innköllun (eða næmi) mælir getu líkansins til að flokka nákvæmlega LS nemanda eftir að hafa svarað m-ILS spurningalistanum.
Sértækni kallast raunverulegt neikvætt hlutfall. Eins og sjá má af formúlunni hér að ofan ætti þetta að vera hlutfallið milli raunverulegra neikvæðra niðurstaðna (TN) og raunverulegra neikvæðra og falskra jákvæðra niðurstaðna (FP). Sem hluti af ráðlögðu tóli til að flokka lyf nemenda ætti það að vera hægt að bera kennsl á það nákvæmlega.
Upprunalega gagnasafn 50 nemenda sem notað var til að þjálfa vélanámslíkanið fyrir ákvarðanatréð sýndi tiltölulega litla nákvæmni vegna mannlegra mistaka í skýringum (Tafla 3). Eftir að búið var til einfalt reglubundið forrit til að reikna sjálfkrafa út LS-stig og skýringar nemenda, var sífellt fleiri gagnasöfn (255) notuð til að þjálfa og prófa meðmælakerfið.
Í ruglingsfylkinu fyrir margflokka tákna skáhallarnir fjölda réttra spáa fyrir hverja tegund LS (Mynd 4). Með því að nota ákvörðunartréslíkanið voru samtals 64 sýni rétt spáð. Þannig sýna skáhallarnir í þessari rannsókn væntanlegar niðurstöður, sem gefur til kynna að líkanið virkar vel og spáir nákvæmlega fyrir um flokkunarmerkið fyrir hverja LS flokkun. Þannig er heildarnákvæmni ráðleggingatólsins 100%.
Gildi nákvæmni, nákvæmni, innköllunar og F1-stigs eru sýnd á mynd 5. Fyrir ráðleggingakerfið sem notar ákvörðunartréslíkanið er F1-stig þess 1,0 „fullkomið“, sem gefur til kynna fullkomna nákvæmni og innköllun, sem endurspeglar marktæk næmis- og sértæknigildi.
Mynd 6 sýnir myndræna sýn á ákvörðunartréslíkanið eftir að þjálfun og prófun er lokið. Í samanburði við aðra sýndi ákvörðunartréslíkanið, sem þjálfað var með færri eiginleikum, meiri nákvæmni og auðveldari myndræna sýn líkansins. Þetta sýnir að eiginleikaverkfræði sem leiðir til eiginleikafækkunar er mikilvægt skref í að bæta afköst líkansins.
Með því að beita stýrðu námi með ákvörðunartré er vörpun milli LS (inntaks) og IS (markúttaks) sjálfkrafa búin til og inniheldur ítarlegar upplýsingar fyrir hvert LS.
Niðurstöðurnar sýndu að 34,9% af 255 nemendum kusu einn (1) LS valkost. Meirihlutinn (54,3%) hafði tvo eða fleiri LS valkosti. 12,2% nemenda sögðu að LS væri nokkuð jafnvægi (Tafla 4). Auk átta helstu LS valkosta eru 34 samsetningar af LS flokkunum fyrir tannlæknanema við Háskólann í Malaya. Meðal þeirra eru skynjun, sjón og samsetning skynjunar og sjónar helstu LS valkostirnir sem nemendur greindu frá (Mynd 7).
Eins og sjá má í töflu 4 var meirihluti nemenda með ríkjandi skynjunar- (13,7%) eða sjónræna (8,6%) LS. Greint var frá því að 12,2% nemenda sameinuðu skynjun og sjón (skynjunar- og sjónræna LS). Þessar niðurstöður benda til þess að nemendur kjósi að læra og muna með viðurkenndum aðferðum, fylgi sérstökum og ítarlegum verklagsreglum og séu athyglisfullir að eðlisfari. Á sama tíma njóta þeir þess að læra með því að skoða (með því að nota skýringarmyndir o.s.frv.) og hafa tilhneigingu til að ræða og beita upplýsingum í hópum eða sjálfstætt.
Þessi rannsókn veitir yfirlit yfir vélanámsaðferðir sem notaðar eru í gagnanámi, með áherslu á að spá strax og nákvæmlega fyrir um lágmarksniðurstöður nemenda og mæla með viðeigandi námsgetu. Með ákvörðunartréslíkani var bent á þá þætti sem tengjast hvað mest lífi þeirra og menntunarreynslu. Þetta er stýrt vélanámsreiknirit sem notar trébyggingu til að flokka gögn með því að skipta gagnasafni í undirflokka byggt á ákveðnum viðmiðum. Það virkar með því að skipta inntaksgögnunum endurkvæmt í undirmengi byggt á gildi eins af inntakseiginleikum hvers innri hnútar þar til ákvörðun er tekin á laufhnútnum.
Innri hnútar ákvörðunartrésins tákna lausnina byggða á inntakseiginleikum m-ILS vandamálsins, og laufhnútar tákna lokaspá fyrir LS flokkun. Í gegnum rannsóknina er auðvelt að skilja stigveldi ákvörðunartrjáa sem útskýra og sjá ákvörðunarferlið fyrir sér með því að skoða tengslin milli inntakseiginleika og úttaksspár.
Í tölvunarfræði og verkfræði eru vélanámsreiknirit mikið notuð til að spá fyrir um frammistöðu nemenda út frá niðurstöðum þeirra í inntökuprófum [21], lýðfræðilegum upplýsingum og námshegðun [22]. Rannsóknir sýndu að reikniritið spáði nákvæmlega fyrir um frammistöðu nemenda og hjálpaði þeim að bera kennsl á nemendur í hættu á námsörðugleikum.
Greint hefur verið frá notkun vélanámsreiknirita við þróun sýndarsjúklingaherma fyrir tannlæknanám. Hermirinn er fær um að endurskapa nákvæmlega lífeðlisfræðileg viðbrögð raunverulegra sjúklinga og er hægt að nota hann til að þjálfa tannlæknanema í öruggu og stýrðu umhverfi [23]. Nokkrar aðrar rannsóknir sýna að vélanámsreiknirit geta hugsanlega bætt gæði og skilvirkni tannlækna- og læknisfræðimenntunar og sjúklingaþjónustu. Vélanámsreiknirit hafa verið notuð til að aðstoða við greiningu tannsjúkdóma út frá gagnasöfnum eins og einkennum og einkennum sjúklinga [24, 25]. Aðrar rannsóknir hafa skoðað notkun vélanámsreiknirita til að framkvæma verkefni eins og að spá fyrir um útkomu sjúklinga, bera kennsl á sjúklinga í mikilli áhættu, þróa persónulegar meðferðaráætlanir [26], tannholdsmeðferð [27] og tannskemmdameðferð [25].
Þó að skýrslur um notkun vélanáms í tannlækningum hafi verið birtar, er notkun þess í tannlæknanámi enn takmörkuð. Þess vegna miðaði þessi rannsókn að því að nota ákvörðunartréslíkan til að bera kennsl á þætti sem tengjast helst LS og IS meðal tannlæknanema.
Niðurstöður þessarar rannsóknar sýna að þróaða ráðleggingatólið hefur mikla nákvæmni og fullkomna nákvæmni, sem bendir til þess að kennarar geti notið góðs af þessu tóli. Með því að nota gagnadrifið flokkunarferli getur það veitt sérsniðnar ráðleggingar og bætt námsupplifun og námsárangur fyrir kennara og nemendur. Meðal annars geta upplýsingar sem aflað er með ráðleggingatólum leyst árekstra milli kjörkennsluaðferða kennara og námsþarfa nemenda. Til dæmis, vegna sjálfvirkrar úttaks ráðleggingatækja, mun tíminn sem þarf til að bera kennsl á hugtak nemanda og para það við samsvarandi hugtak styttast verulega. Á þennan hátt er hægt að skipuleggja viðeigandi þjálfunarstarfsemi og þjálfunarefni. Þetta hjálpar til við að þróa jákvæða námshegðun nemenda og einbeitingarhæfni. Í einni rannsókn kom fram að það að veita nemendum námsefni og þjálfunarstarfsemi sem passar við kjörkennslu þeirra getur hjálpað nemendum að samþætta, vinna úr og njóta náms á marga vegu til að ná meiri möguleikum [12]. Rannsóknir sýna einnig að auk þess að bæta þátttöku nemenda í kennslustofunni gegnir skilningur á námsferli nemenda einnig mikilvægu hlutverki í að bæta kennsluhætti og samskipti við nemendur [28, 29].
Hins vegar, eins og með alla nútímatækni, eru vandamál og takmarkanir. Þar á meðal eru mál sem tengjast friðhelgi gagna, hlutdrægni og sanngirni, og faglegri færni og úrræðum sem þarf til að þróa og innleiða vélanámsreiknirit í tannlæknanámi. Hins vegar bendir vaxandi áhugi og rannsóknir á þessu sviði til þess að vélanámstækni geti haft jákvæð áhrif á tannlæknanám og tannlæknaþjónustu.
Niðurstöður þessarar rannsóknar benda til þess að helmingur tannlæknanema hafi tilhneigingu til að „skynja“ lyf. Þessi tegund nemenda kýs frekar staðreyndir og raunveruleg dæmi, hefur hagnýta stefnu, þolinmæði fyrir smáatriðum og „sjónræna“ námsefnisþróun, þar sem nemendur kjósa að nota myndir, grafík, liti og kort til að miðla hugmyndum og hugsunum. Núverandi niðurstöður eru í samræmi við aðrar rannsóknir sem nota innri námsefnisþróun til að meta námsefnisþróun hjá tannlækna- og læknanemum, en flestir þeirra hafa einkenni skynjunar- og sjónræns námsefnisþróunar [12, 30]. Dalmolin o.fl. benda á að það að upplýsa nemendur um námsefnisþróun þeirra geri þeim kleift að ná námsmöguleikum sínum. Rannsakendur halda því fram að þegar kennarar skilja námsferli nemenda að fullu, sé hægt að innleiða ýmsar kennsluaðferðir og athafnir sem muni bæta frammistöðu og námsreynslu nemenda [12, 31, 32]. Aðrar rannsóknir hafa sýnt að aðlögun námsefnisþróunar nemenda sýnir einnig framfarir í námsreynslu og frammistöðu nemenda eftir að námsstíll þeirra hefur verið breytt til að henta þeirra eigin námsefnisþróun [13, 33].
Skoðanir kennara geta verið mismunandi varðandi innleiðingu kennsluaðferða sem byggjast á námsgetu nemenda. Þó að sumir sjái kosti þessarar aðferðar, þar á meðal tækifæri til fagþróunar, handleiðslu og stuðnings samfélagsins, gætu aðrir haft áhyggjur af tíma og stuðningi frá stofnunum. Að leitast við að ná jafnvægi er lykillinn að því að skapa nemendamiðað viðhorf. Yfirvöld háskólanáms, svo sem háskólastjórnendur, geta gegnt mikilvægu hlutverki í að knýja áfram jákvæðar breytingar með því að kynna nýstárlegar starfshætti og styðja við þróun kennara [34]. Til að skapa sannarlega kraftmikið og móttækilegt háskólakerfi verða stjórnmálamenn að grípa til djörfra skrefa, svo sem að gera stefnubreytingar, verja fjármagni til tækniþróunar og skapa ramma sem stuðlar að nemendamiðuðum aðferðum. Þessar aðgerðir eru mikilvægar til að ná tilætluðum árangri. Nýlegar rannsóknir á aðgreindri kennslu hafa greinilega sýnt að farsæl innleiðing aðgreindrar kennslu krefst stöðugrar þjálfunar og þróunartækifæra fyrir kennara [35].
Þetta tól veitir tannlæknakennurum verðmætan stuðning sem vilja tileinka sér nemendamiðaða nálgun við skipulagningu námsstarfsemi sem er notendavæn. Þessi rannsókn takmarkast þó við notkun á vélanámslíkönum sem byggja á ákvörðunartré. Í framtíðinni ætti að safna fleiri gögnum til að bera saman árangur mismunandi vélanámslíkana til að bera saman nákvæmni, áreiðanleika og nákvæmni ráðleggingatækja. Að auki, þegar valin er viðeigandi vélanámsaðferð fyrir tiltekið verkefni, er mikilvægt að taka tillit til annarra þátta eins og flækjustigs líkansins og túlkunar.
Takmörkun þessarar rannsóknar er sú að hún einbeitti sér aðeins að því að kortleggja LS og IS meðal tannlæknanema. Þess vegna mun þróaða ráðleggingakerfið aðeins mæla með þeim sem henta tannlæknanemum. Breytingar eru nauðsynlegar fyrir almenna notkun háskólanema.
Nýþróaða ráðleggingatólið, sem byggir á vélanámi, getur flokkað og parað LS nemenda samstundis við samsvarandi IS, sem gerir það að fyrsta tannlæknanámsáætluninni sem hjálpar tannlæknakennurum að skipuleggja viðeigandi kennslu og nám. Með því að nota gagnadrifið flokkunarferli getur það veitt sérsniðnar ráðleggingar, sparað tíma, bætt kennsluaðferðir, stutt markvissar íhlutanir og stuðlað að sífelldri faglegri þróun. Notkun þess mun stuðla að nemendamiðaðri nálgun í tannlæknanámi.
Gilak Jani Associated Press. Samræmi eða ósamræmi milli námsstíls nemandans og kennslustíls kennarans. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Birtingartími: 29. apríl 2024