มีความต้องการที่เพิ่มขึ้นสำหรับการเรียนรู้ที่เน้นนักเรียนเป็นศูนย์กลาง (SCL) ในสถาบันการศึกษาระดับอุดมศึกษารวมถึงทันตกรรม อย่างไรก็ตาม SCL มีแอปพลิเคชัน จำกัด ในการศึกษาทันตกรรม ดังนั้นการศึกษาครั้งนี้มีวัตถุประสงค์เพื่อส่งเสริมการประยุกต์ใช้ SCL ในด้านทันตกรรมโดยใช้เทคโนโลยีการเรียนรู้ของเครื่องต้นไม้เพื่อการตัดสินใจ (ML) เพื่อทำแผนที่รูปแบบการเรียนรู้ที่ต้องการ (LS) และกลยุทธ์การเรียนรู้ที่สอดคล้องกัน (IS) ของนักเรียนทันตกรรมเป็นเครื่องมือที่มีประโยชน์สำหรับการพัฒนาเป็นแนวทาง . วิธีการที่มีแนวโน้มสำหรับนักเรียนทันตแพทย์
นักศึกษาทันตกรรมทั้งหมด 255 คนจากมหาวิทยาลัยมาลายาได้ทำดัชนีการปรับเปลี่ยนรูปแบบการเรียนรู้ (M-ILS) ซึ่งมี 44 รายการเพื่อจำแนกพวกเขาเป็น LSS ของตน ข้อมูลที่รวบรวมได้ (เรียกว่าชุดข้อมูล) ใช้ในการเรียนรู้แผนผังการเรียนรู้แบบกำกับดูแลเพื่อให้ตรงกับรูปแบบการเรียนรู้ของนักเรียนโดยอัตโนมัติกับที่เหมาะสมที่สุดคือ ความถูกต้องของเครื่องมือการเรียนรู้ที่ใช้การเรียนรู้ของเครื่องจะถูกประเมินแล้ว
แอปพลิเคชันของแบบจำลองแผนผังทรีตัดสินใจในกระบวนการทำแผนที่อัตโนมัติระหว่าง LS (อินพุต) และ IS (เอาต์พุตเป้าหมาย) ช่วยให้สามารถใช้กลยุทธ์การเรียนรู้ที่เหมาะสมสำหรับนักเรียนทันตกรรมแต่ละคนได้ทันที เครื่องมือแนะนำ IS แสดงให้เห็นถึงความแม่นยำที่สมบูรณ์แบบและการเรียกคืนความแม่นยำของโมเดลโดยรวมแสดงให้เห็นว่าการจับคู่ LS นั้นมีความไวและความจำเพาะที่ดี
เครื่องมือแนะนำ IS ตามแผนผังการตัดสินใจ ML ได้พิสูจน์ความสามารถในการจับคู่รูปแบบการเรียนรู้ของนักเรียนทันตกรรมอย่างแม่นยำด้วยกลยุทธ์การเรียนรู้ที่เหมาะสม เครื่องมือนี้มีตัวเลือกที่มีประสิทธิภาพสำหรับการวางแผนหลักสูตรหรือโมดูลที่เน้นผู้เรียนเป็นศูนย์กลางซึ่งสามารถปรับปรุงประสบการณ์การเรียนรู้ของนักเรียน
การสอนและการเรียนรู้เป็นกิจกรรมพื้นฐานในสถาบันการศึกษา เมื่อพัฒนาระบบการศึกษาอาชีพที่มีคุณภาพสูงเป็นสิ่งสำคัญที่จะต้องมุ่งเน้นไปที่ความต้องการการเรียนรู้ของนักเรียน การมีปฏิสัมพันธ์ระหว่างนักเรียนและสภาพแวดล้อมการเรียนรู้ของพวกเขาสามารถกำหนดได้ผ่าน LS ของพวกเขา การวิจัยชี้ให้เห็นว่าการไม่ตรงกันของครูระหว่างนักเรียนและอาจมีผลกระทบด้านลบสำหรับการเรียนรู้ของนักเรียนเช่นความสนใจและแรงจูงใจลดลง สิ่งนี้จะส่งผลกระทบทางอ้อมต่อการแสดงของนักเรียน [1,2]
เป็นวิธีการที่ครูใช้ในการบอกความรู้และทักษะให้กับนักเรียนรวมถึงการช่วยให้นักเรียนเรียนรู้ [3] โดยทั่วไปแล้วครูที่ดีวางแผนกลยุทธ์การสอนหรือคือการตรงกับระดับความรู้ของนักเรียนที่ดีที่สุดแนวคิดที่พวกเขากำลังเรียนรู้และขั้นตอนการเรียนรู้ของพวกเขา ในทางทฤษฎีเมื่อ LS และตรงกับนักเรียนจะสามารถจัดระเบียบและใช้ชุดทักษะเฉพาะเพื่อเรียนรู้ได้อย่างมีประสิทธิภาพ โดยทั่วไปแผนการสอนรวมถึงการเปลี่ยนผ่านหลายขั้นตอนเช่นจากการสอนไปจนถึงการฝึกฝนนำทางหรือจากการปฏิบัติที่มีไกด์ไปจนถึงการปฏิบัติอิสระ ด้วยความคิดนี้ครูที่มีประสิทธิภาพมักจะวางแผนการสอนโดยมีเป้าหมายในการสร้างความรู้และทักษะของนักเรียน [4]
ความต้องการ SCL เพิ่มขึ้นในสถาบันการศึกษาระดับอุดมศึกษารวมถึงทันตกรรม กลยุทธ์ SCL ได้รับการออกแบบมาเพื่อตอบสนองความต้องการการเรียนรู้ของนักเรียน ตัวอย่างเช่นหากนักเรียนมีส่วนร่วมในกิจกรรมการเรียนรู้และครูทำหน้าที่เป็นผู้อำนวยความสะดวกและรับผิดชอบในการให้ข้อเสนอแนะที่มีค่า ได้มีการกล่าวว่าการจัดหาสื่อการเรียนรู้และกิจกรรมที่เหมาะสมกับระดับการศึกษาหรือความชอบของนักเรียนสามารถปรับปรุงสภาพแวดล้อมการเรียนรู้ของนักเรียนและส่งเสริมประสบการณ์การเรียนรู้เชิงบวก [5]
โดยทั่วไปกระบวนการเรียนรู้ของนักเรียนทันตกรรมได้รับอิทธิพลจากกระบวนการทางคลินิกที่หลากหลายที่พวกเขาจำเป็นต้องดำเนินการและสภาพแวดล้อมทางคลินิกที่พวกเขาพัฒนาทักษะระหว่างบุคคลที่มีประสิทธิภาพ จุดประสงค์ของการฝึกอบรมคือการช่วยให้นักเรียนสามารถรวมความรู้พื้นฐานเกี่ยวกับทันตกรรมกับทักษะทางทันตกรรมทางทันตกรรมและใช้ความรู้ที่ได้มากับสถานการณ์ทางคลินิกใหม่ [6, 7] การวิจัยในช่วงต้นเกี่ยวกับความสัมพันธ์ระหว่าง LS และพบว่าการปรับกลยุทธ์การเรียนรู้ที่แมปกับ LS ที่ต้องการจะช่วยปรับปรุงกระบวนการทางการศึกษา [8] ผู้เขียนยังแนะนำให้ใช้วิธีการสอนและการประเมินที่หลากหลายเพื่อปรับให้เข้ากับการเรียนรู้และความต้องการของนักเรียน
ครูได้รับประโยชน์จากการใช้ความรู้ LS เพื่อช่วยให้พวกเขาออกแบบพัฒนาและใช้การเรียนการสอนที่จะช่วยยกระดับการได้มาซึ่งความรู้และความเข้าใจที่ลึกซึ้งยิ่งขึ้นของนักเรียน นักวิจัยได้พัฒนาเครื่องมือการประเมิน LS หลายอย่างเช่นรูปแบบการเรียนรู้ประสบการณ์ Kolb, รูปแบบการเรียนรู้รูปแบบการเรียนรู้ของ Felder-Silverman (FSLSM) และโมเดล Fleming VAK/Vark [5, 9, 10] ตามวรรณกรรมโมเดลการเรียนรู้เหล่านี้เป็นรูปแบบการเรียนรู้ที่ใช้กันมากที่สุดและมีการศึกษามากที่สุด ในงานวิจัยปัจจุบัน FSLSM ใช้เพื่อประเมิน LS ในหมู่นักเรียนทันตกรรม
FSLSM เป็นแบบจำลองที่ใช้กันอย่างแพร่หลายสำหรับการประเมินการเรียนรู้แบบปรับตัวในวิศวกรรม มีงานที่ตีพิมพ์มากมายในวิทยาศาสตร์สุขภาพ (รวมถึงยาการพยาบาลร้านขายยาและทันตกรรม) ที่สามารถพบได้โดยใช้โมเดล FSLSM [5, 11, 12, 13] เครื่องมือที่ใช้ในการวัดขนาดของ LS ใน FLSM เรียกว่าดัชนีของรูปแบบการเรียนรู้ (ILS) [8] ซึ่งมี 44 รายการที่ประเมินสี่มิติของ LS: การประมวลผล อินพุต (ภาพ) /วาจา) และความเข้าใจ (ลำดับ/ทั่วโลก) [14]
ดังที่แสดงในรูปที่ 1 มิติ FSLSM แต่ละตัวมีการตั้งค่าที่โดดเด่น ตัวอย่างเช่นในมิติการประมวลผลนักเรียนที่มี“ แอคทีฟ” ls ชอบที่จะประมวลผลข้อมูลโดยการโต้ตอบโดยตรงกับสื่อการเรียนรู้เรียนรู้โดยการทำและมีแนวโน้มที่จะเรียนรู้เป็นกลุ่ม LS“ ไตร่ตรอง” หมายถึงการเรียนรู้ผ่านการคิดและชอบทำงานคนเดียว มิติ“ การรับรู้” ของ LS สามารถแบ่งออกเป็น“ ความรู้สึก” และ/หรือ“ สัญชาตญาณ” “ ความรู้สึก” นักเรียนต้องการข้อมูลที่เป็นรูปธรรมและขั้นตอนการปฏิบัติมากขึ้นนั้นมุ่งเน้นความจริงเมื่อเทียบกับนักเรียน“ ใช้งานง่าย” ที่ชอบเนื้อหาที่เป็นนามธรรมและมีนวัตกรรมและสร้างสรรค์มากขึ้นในธรรมชาติ มิติ“ อินพุต” ของ LS ประกอบด้วยผู้เรียน“ ภาพ” และ“ วาจา” ผู้ที่มี“ ภาพ” LS ชอบที่จะเรียนรู้ผ่านการสาธิตด้วยภาพ (เช่นไดอะแกรมวิดีโอหรือการสาธิตสด) ในขณะที่คนที่มี“ วาจา” ls ชอบที่จะเรียนรู้ผ่านคำในคำอธิบายที่เป็นลายลักษณ์อักษรหรือปากเปล่า ในการ“ เข้าใจ” มิติ LS ผู้เรียนดังกล่าวสามารถแบ่งออกเป็น“ ลำดับ” และ“ ทั่วโลก” “ ผู้เรียนต่อเนื่องต้องการกระบวนการคิดเชิงเส้นและเรียนรู้ทีละขั้นตอนในขณะที่ผู้เรียนระดับโลกมักจะมีกระบวนการคิดแบบองค์รวมและมีความเข้าใจที่ดีขึ้นเกี่ยวกับสิ่งที่พวกเขากำลังเรียนรู้อยู่เสมอ
เมื่อเร็ว ๆ นี้นักวิจัยหลายคนได้เริ่มสำรวจวิธีการสำหรับการค้นพบข้อมูลอัตโนมัติรวมถึงการพัฒนาอัลกอริทึมและรุ่นใหม่ที่สามารถตีความข้อมูลจำนวนมาก [15, 16] จากข้อมูลที่ให้ไว้ ML ภายใต้การดูแล (การเรียนรู้ของเครื่อง) สามารถสร้างรูปแบบและสมมติฐานที่ทำนายผลลัพธ์ในอนาคตตามการสร้างอัลกอริทึม [17] พูดง่ายๆคือเทคนิคการเรียนรู้ของเครื่องจักรภายใต้การควบคุมข้อมูลอินพุตและอัลกอริทึมการฝึกอบรม จากนั้นจะสร้างช่วงที่จำแนกหรือทำนายผลลัพธ์ตามสถานการณ์ที่คล้ายกันสำหรับข้อมูลอินพุตที่ให้ไว้ ข้อได้เปรียบหลักของอัลกอริทึมการเรียนรู้ของเครื่องจักรที่มีภายใต้การดูแลคือความสามารถในการสร้างผลลัพธ์ในอุดมคติและต้องการ [17]
ด้วยการใช้วิธีการที่ขับเคลื่อนด้วยข้อมูลและแบบจำลองการควบคุมแผนผังการตรวจจับ LS โดยอัตโนมัติ ต้นไม้ตัดสินใจได้รับการรายงานว่ามีการใช้กันอย่างแพร่หลายในโปรแกรมการฝึกอบรมในสาขาต่าง ๆ รวมถึงวิทยาศาสตร์สุขภาพ [18, 19] ในการศึกษานี้แบบจำลองได้รับการฝึกฝนโดยนักพัฒนาระบบโดยเฉพาะเพื่อระบุ LS ของนักเรียนและแนะนำสิ่งที่ดีที่สุดสำหรับพวกเขา
วัตถุประสงค์ของการศึกษานี้คือการพัฒนาคือกลยุทธ์การส่งมอบตาม LS ของนักเรียนและใช้วิธีการ SCL โดยการพัฒนาเครื่องมือแนะนำ IS ที่แมปกับ LS การออกแบบการออกแบบของเครื่องมือแนะนำ IS เป็นกลยุทธ์ของวิธี SCL แสดงในรูปที่ 1 เครื่องมือแนะนำ IS แบ่งออกเป็นสองส่วนรวมถึงกลไกการจำแนก LS โดยใช้ ILS และการแสดงที่เหมาะสมที่สุดคือนักเรียน
โดยเฉพาะอย่างยิ่งลักษณะของเครื่องมือคำแนะนำความปลอดภัยของข้อมูลรวมถึงการใช้เทคโนโลยีเว็บและการใช้การเรียนรู้ของเครื่องต้นไม้ตัดสินใจ นักพัฒนาระบบปรับปรุงประสบการณ์การใช้งานและการเคลื่อนย้ายโดยปรับให้เข้ากับอุปกรณ์มือถือเช่นโทรศัพท์มือถือและแท็บเล็ต
การทดลองดำเนินการในสองขั้นตอนและนักศึกษาจากคณะทันตกรรมที่มหาวิทยาลัยมาลายาเข้าร่วมโดยสมัครใจ ผู้เข้าร่วมตอบกลับ M-ILS ออนไลน์ของนักเรียนทันตกรรมเป็นภาษาอังกฤษ ในขั้นตอนเริ่มต้นมีการใช้ชุดข้อมูลของนักเรียน 50 คนเพื่อฝึกอบรมอัลกอริทึมการเรียนรู้ของ Machine Decision Machine ในระยะที่สองของกระบวนการพัฒนามีการใช้ชุดข้อมูลของนักเรียน 255 คนเพื่อปรับปรุงความแม่นยำของเครื่องมือที่พัฒนาแล้ว
ผู้เข้าร่วมทั้งหมดจะได้รับการบรรยายสรุปออนไลน์ในช่วงต้นของแต่ละขั้นตอนขึ้นอยู่กับปีการศึกษาผ่านทีม Microsoft วัตถุประสงค์ของการศึกษาได้รับการอธิบายและได้รับความยินยอม ผู้เข้าร่วมทั้งหมดได้รับลิงค์เพื่อเข้าถึง M-ILS นักเรียนแต่ละคนได้รับคำสั่งให้ตอบทั้ง 44 รายการในแบบสอบถาม พวกเขาได้รับหนึ่งสัปดาห์เพื่อเสร็จสิ้น ILs ที่ได้รับการแก้ไขในแต่ละครั้งและสถานที่ที่สะดวกสำหรับพวกเขาในช่วงพักภาคเรียนก่อนเริ่มภาคการศึกษา M-ILS ขึ้นอยู่กับเครื่องมือ ILS ดั้งเดิมและแก้ไขสำหรับนักเรียนทันตกรรม เช่นเดียวกับ ILS ดั้งเดิมมันมี 44 รายการกระจายอย่างสม่ำเสมอ (a, b) โดยมี 11 รายการแต่ละรายการซึ่งใช้เพื่อประเมินแง่มุมของมิติ FSLSM แต่ละมิติ
ในช่วงระยะเริ่มต้นของการพัฒนาเครื่องมือนักวิจัยจะทำหมายเหตุประกอบแผนที่ด้วยตนเองโดยใช้ชุดข้อมูลของนักเรียนทันตกรรม 50 คน ตาม FSLM ระบบจะให้ผลรวมของคำตอบ“ A” และ“ B” สำหรับแต่ละมิติหากนักเรียนเลือก“ A” เป็นคำตอบ LS จะถูกจัดประเภทเป็น Active/Perceptual/Visual/Sequential และหากนักเรียนเลือก“ B” เป็นคำตอบนักเรียนจะถูกจัดประเภทเป็นไตร่ตรอง/ใช้งานง่าย/ภาษาศาสตร์ . / ผู้เรียนทั่วโลก
หลังจากสอบเทียบเวิร์กโฟลว์ระหว่างนักวิจัยด้านการศึกษาทันตกรรมและนักพัฒนาระบบแล้วคำถามได้รับการคัดเลือกตามโดเมน FLSSM และป้อนเข้าสู่โมเดล ML เพื่อทำนาย LS ของนักเรียนแต่ละคน “ ขยะในขยะ” เป็นคำพูดที่ได้รับความนิยมในด้านการเรียนรู้ของเครื่องโดยเน้นคุณภาพข้อมูล คุณภาพของข้อมูลอินพุตกำหนดความแม่นยำและความแม่นยำของรูปแบบการเรียนรู้ของเครื่อง ในระหว่างขั้นตอนวิศวกรรมคุณสมบัติชุดคุณสมบัติใหม่จะถูกสร้างขึ้นซึ่งเป็นผลรวมของคำตอบ“ A” และ“ B” ตาม FLSSM หมายเลขประจำตัวของตำแหน่งยาได้รับในตารางที่ 1
คำนวณคะแนนตามคำตอบและกำหนด LS ของนักเรียน สำหรับนักเรียนแต่ละคนช่วงคะแนนคือตั้งแต่ 1 ถึง 11 คะแนนจาก 1 ถึง 3 บ่งบอกถึงความสมดุลของการตั้งค่าการเรียนรู้ภายในมิติเดียวกันและคะแนนจาก 5 ถึง 7 หมายถึงการตั้งค่าปานกลางแสดงให้เห็นว่านักเรียนมักจะชอบสภาพแวดล้อมหนึ่งที่สอนผู้อื่น . การเปลี่ยนแปลงอื่นในมิติเดียวกันคือคะแนนตั้งแต่ 9 ถึง 11 สะท้อนถึงความชอบที่แข็งแกร่งสำหรับปลายด้านหนึ่งหรืออีกด้านหนึ่ง [8]
สำหรับแต่ละมิติยาจะถูกจัดกลุ่มเป็น "ใช้งาน", "สะท้อนแสง" และ "สมดุล" ตัวอย่างเช่นเมื่อนักเรียนตอบ“ A” บ่อยกว่า“ B” ในรายการที่กำหนดและคะแนนของเขา/เธอเกินเกณฑ์ 5 สำหรับรายการเฉพาะที่แสดงถึงมิติ LS การประมวลผลเขา/เธอเป็นสมาชิกของ“ Active” LS โดเมน. - อย่างไรก็ตามนักเรียนถูกจัดว่าเป็น“ ไตร่ตรอง” LS เมื่อพวกเขาเลือก“ B” มากกว่า“ A” ในคำถามที่เฉพาะเจาะจง 11 ข้อ (ตารางที่ 1) และทำคะแนนได้มากกว่า 5 คะแนน ในที่สุดนักเรียนก็อยู่ในสถานะ“ สมดุล” หากคะแนนไม่เกิน 5 คะแนนนี่เป็น "กระบวนการ" LS กระบวนการจำแนกประเภทซ้ำสำหรับมิติ LS อื่น ๆ คือการรับรู้ (ใช้งาน/สะท้อนแสง), อินพุต (ภาพ/วาจา) และความเข้าใจ (ลำดับ/global)
แบบจำลองต้นไม้การตัดสินใจสามารถใช้คุณสมบัติย่อยและกฎการตัดสินใจในขั้นตอนต่าง ๆ ของกระบวนการจำแนกประเภท ถือว่าเป็นเครื่องมือการจำแนกประเภทและการทำนายที่เป็นที่นิยม มันสามารถแสดงโดยใช้โครงสร้างต้นไม้เช่นผังงาน [20] ซึ่งมีโหนดภายในที่แสดงถึงการทดสอบโดยแอตทริบิวต์แต่ละสาขาแสดงผลการทดสอบและแต่ละโหนดใบ (โหนดใบ) ที่มีฉลากคลาส
โปรแกรมตามกฎง่าย ๆ ถูกสร้างขึ้นเพื่อให้คะแนนโดยอัตโนมัติและใส่คำอธิบายประกอบ LS ของนักเรียนแต่ละคนตามคำตอบของพวกเขา ตามกฎใช้รูปแบบของคำสั่ง IF โดยที่“ ถ้า” อธิบายทริกเกอร์และ“ จากนั้น” ระบุการกระทำที่จะดำเนินการตัวอย่างเช่น“ ถ้า X เกิดขึ้นให้ทำ y” (Liu et al., 2014) หากชุดข้อมูลแสดงความสัมพันธ์และแบบจำลองต้นไม้การตัดสินใจได้รับการฝึกอบรมและประเมินผลอย่างเหมาะสมวิธีการนี้อาจเป็นวิธีที่มีประสิทธิภาพในการทำให้กระบวนการจับคู่ LS และ IS เป็นไปโดยอัตโนมัติ
ในระยะที่สองของการพัฒนาชุดข้อมูลเพิ่มขึ้นเป็น 255 เพื่อปรับปรุงความแม่นยำของเครื่องมือแนะนำ ชุดข้อมูลถูกแบ่งในอัตราส่วน 1: 4 25% (64) ของชุดข้อมูลถูกใช้สำหรับชุดทดสอบและใช้ 75% (191) ที่เหลือเป็นชุดฝึกอบรม (รูปที่ 2) ชุดข้อมูลจะต้องถูกแยกออกเพื่อป้องกันไม่ให้โมเดลได้รับการฝึกฝนและทดสอบในชุดข้อมูลเดียวกันซึ่งอาจทำให้โมเดลจดจำมากกว่าเรียนรู้ แบบจำลองได้รับการฝึกฝนเกี่ยวกับชุดการฝึกอบรมและประเมินประสิทธิภาพของมันในชุดทดสอบ - ข้อมูลแบบจำลองที่ไม่เคยเห็นมาก่อน
เมื่อเครื่องมือ IS ได้รับการพัฒนาแอปพลิเคชันจะสามารถจำแนก LS ได้ตามการตอบสนองของนักเรียนทันตกรรมผ่านเว็บอินเตอร์เฟส ระบบเครื่องมือแนะนำความปลอดภัยข้อมูลบนเว็บถูกสร้างขึ้นโดยใช้ภาษาการเขียนโปรแกรม Python โดยใช้เฟรมเวิร์ก Django เป็นแบ็กเอนด์ ตารางที่ 2 แสดงรายการไลบรารีที่ใช้ในการพัฒนาระบบนี้
ชุดข้อมูลจะถูกป้อนเข้ากับแบบจำลองแผนผังต้นไม้เพื่อคำนวณและแยกการตอบสนองของนักเรียนเพื่อจำแนกการวัด LS ของนักเรียนโดยอัตโนมัติ
เมทริกซ์ความสับสนใช้เพื่อประเมินความถูกต้องของอัลกอริทึมการเรียนรู้ของเครื่องจักรการตัดสินใจในชุดข้อมูลที่กำหนด ในขณะเดียวกันก็ประเมินประสิทธิภาพของรูปแบบการจำแนกประเภท มันสรุปการคาดการณ์ของโมเดลและเปรียบเทียบกับฉลากข้อมูลจริง ผลการประเมินขึ้นอยู่กับค่าสี่ค่าที่แตกต่างกัน: ค่าบวกจริง (TP) - แบบจำลองทำนายหมวดหมู่บวกอย่างถูกต้องเท็จบวก (FP) - แบบจำลองทำนายหมวดหมู่บวก แต่ฉลากที่แท้จริงนั้นเป็นลบลบจริง (TN) - แบบจำลองทำนายคลาสลบอย่างถูกต้องและเท็จลบ (FN) - แบบจำลองทำนายคลาสลบ แต่ฉลากที่แท้จริงนั้นเป็นบวก
ค่าเหล่านี้จะใช้ในการคำนวณตัวชี้วัดประสิทธิภาพต่าง ๆ ของแบบจำลองการจำแนกประเภท Scikit-learn ใน Python คือความแม่นยำความแม่นยำความแม่นยำการเรียกคืนและคะแนน F1 นี่คือตัวอย่าง:
การเรียกคืน (หรือความไว) วัดความสามารถของแบบจำลองในการจำแนก LS ของนักเรียนอย่างแม่นยำหลังจากตอบแบบสอบถาม M-ILS
ความจำเพาะเรียกว่าอัตราลบที่แท้จริง อย่างที่คุณเห็นจากสูตรข้างต้นนี่ควรเป็นอัตราส่วนของเชิงลบที่แท้จริง (TN) ต่อเชิงลบที่แท้จริงและผลบวกเท็จ (FP) เป็นส่วนหนึ่งของเครื่องมือที่แนะนำสำหรับการจำแนกยาเสพติดนักเรียนควรมีความสามารถในการระบุตัวตนที่แม่นยำ
ชุดข้อมูลต้นฉบับของนักเรียน 50 คนที่ใช้ในการฝึกอบรมแบบจำลอง ML Tree ML มีความแม่นยำค่อนข้างต่ำเนื่องจากข้อผิดพลาดของมนุษย์ในคำอธิบายประกอบ (ตารางที่ 3) หลังจากสร้างโปรแกรมตามกฎอย่างง่ายเพื่อคำนวณคะแนน LS และคำอธิบายประกอบของนักเรียนโดยอัตโนมัติจำนวนชุดข้อมูลที่เพิ่มขึ้น (255) ถูกใช้เพื่อฝึกอบรมและทดสอบระบบผู้แนะนำ
ในเมทริกซ์ความสับสนแบบหลายระดับองค์ประกอบในแนวทแยงจะแสดงจำนวนการทำนายที่ถูกต้องสำหรับแต่ละประเภท LS (รูปที่ 4) การใช้แบบจำลองต้นไม้การตัดสินใจมีการคาดการณ์ตัวอย่างทั้งหมด 64 ตัวอย่างอย่างถูกต้อง ดังนั้นในการศึกษานี้องค์ประกอบในแนวทแยงจะแสดงผลลัพธ์ที่คาดหวังแสดงให้เห็นว่าแบบจำลองนั้นทำงานได้ดีและแม่นยำคาดการณ์ฉลากคลาสสำหรับการจำแนกประเภท LS แต่ละครั้ง ดังนั้นความแม่นยำโดยรวมของเครื่องมือแนะนำคือ 100%
ค่าของความแม่นยำความแม่นยำการเรียกคืนและคะแนน F1 แสดงในรูปที่ 5 สำหรับระบบคำแนะนำโดยใช้แบบจำลองแผนผังทรีตัดสินใจคะแนน F1 คือ 1.0“ สมบูรณ์แบบ” แสดงถึงความแม่นยำและการเรียกคืนที่สมบูรณ์แบบสะท้อนให้เห็นถึงความไวและความจำเพาะที่สำคัญ ค่า.
รูปที่ 6 แสดงการสร้างภาพของแบบจำลองต้นไม้การตัดสินใจหลังจากการฝึกอบรมและการทดสอบเสร็จสมบูรณ์ ในการเปรียบเทียบแบบเคียงข้างกันแบบจำลองต้นไม้การตัดสินใจที่ได้รับการฝึกฝนด้วยคุณสมบัติที่น้อยลงแสดงให้เห็นถึงความแม่นยำสูงขึ้นและการสร้างภาพแบบจำลองที่ง่ายขึ้น สิ่งนี้แสดงให้เห็นว่าคุณลักษณะทางวิศวกรรมที่นำไปสู่การลดคุณสมบัติเป็นขั้นตอนสำคัญในการปรับปรุงประสิทธิภาพของโมเดล
โดยการใช้การเรียนรู้การเรียนรู้แบบต้นไม้การตัดสินใจการแมประหว่าง LS (อินพุต) และ IS (เอาต์พุตเป้าหมาย) จะถูกสร้างขึ้นโดยอัตโนมัติและมีข้อมูลรายละเอียดสำหรับแต่ละ LS
ผลการศึกษาพบว่า 34.9% ของนักเรียน 255 ที่ต้องการตัวเลือกหนึ่ง (1) LS ส่วนใหญ่ (54.3%) มีการตั้งค่า LS สองครั้งขึ้นไป 12.2% ของนักเรียนตั้งข้อสังเกตว่า LS ค่อนข้างสมดุล (ตารางที่ 4) นอกเหนือจาก LS หลักแปดตัวแล้วยังมีการจำแนกประเภท LS 34 ชุดสำหรับนักศึกษาทันตกรรมของมหาวิทยาลัยมาลายา ในหมู่พวกเขาการรับรู้วิสัยทัศน์และการรวมกันของการรับรู้และการมองเห็นเป็น LS หลักที่รายงานโดยนักเรียน (รูปที่ 7)
ดังที่เห็นได้จากตารางที่ 4 นักเรียนส่วนใหญ่มีความรู้สึกที่โดดเด่น (13.7%) หรือ LS ภาพ (8.6%) มีรายงานว่า 12.2% ของนักเรียนรวมการรับรู้เข้ากับวิสัยทัศน์ (LS รับรู้ภาพ) การค้นพบเหล่านี้ชี้ให้เห็นว่านักเรียนต้องการเรียนรู้และจดจำด้วยวิธีการที่จัดตั้งขึ้นปฏิบัติตามขั้นตอนเฉพาะและรายละเอียดและเอาใจใส่ในธรรมชาติ ในเวลาเดียวกันพวกเขาสนุกกับการเรียนรู้โดยการดู (โดยใช้ไดอะแกรม ฯลฯ ) และมีแนวโน้มที่จะพูดคุยและใช้ข้อมูลในกลุ่มหรือด้วยตนเอง
การศึกษาครั้งนี้ให้ภาพรวมของเทคนิคการเรียนรู้ของเครื่องที่ใช้ในการขุดข้อมูลโดยมุ่งเน้นไปที่การทำนาย LS ของนักเรียนทันทีและแนะนำอย่างถูกต้องและแนะนำคือ การประยุกต์ใช้รูปแบบต้นไม้การตัดสินใจระบุปัจจัยที่เกี่ยวข้องอย่างใกล้ชิดกับชีวิตและประสบการณ์การศึกษามากที่สุด มันเป็นอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ใช้งานที่ใช้โครงสร้างต้นไม้เพื่อจำแนกข้อมูลโดยการแบ่งชุดข้อมูลออกเป็นหมวดหมู่ย่อยตามเกณฑ์บางอย่าง มันทำงานโดยการหารข้อมูลอินพุตซ้ำเป็นชุดย่อยตามค่าของหนึ่งในคุณสมบัติอินพุตของแต่ละโหนดภายในจนกว่าจะมีการตัดสินใจที่โหนดใบไม้
โหนดภายในของแผนผังการตัดสินใจแสดงถึงการแก้ปัญหาตามลักษณะการป้อนข้อมูลของปัญหา M-ILS และโหนดใบไม้เป็นตัวแทนการทำนายการจำแนกประเภท LS ขั้นสุดท้าย ตลอดการศึกษามันเป็นเรื่องง่ายที่จะเข้าใจลำดับชั้นของต้นไม้ตัดสินใจที่อธิบายและมองเห็นกระบวนการตัดสินใจโดยดูที่ความสัมพันธ์ระหว่างคุณสมบัติการป้อนข้อมูลและการทำนายเอาต์พุต
ในสาขาวิทยาศาสตร์คอมพิวเตอร์และวิศวกรรมอัลกอริทึมการเรียนรู้ของเครื่องถูกนำมาใช้อย่างกว้างขวางเพื่อทำนายผลการปฏิบัติงานของนักเรียนตามคะแนนการสอบเข้า [21] ข้อมูลประชากรและพฤติกรรมการเรียนรู้ [22] การวิจัยแสดงให้เห็นว่าอัลกอริทึมทำนายผลการปฏิบัติงานของนักเรียนอย่างแม่นยำและช่วยให้พวกเขาระบุนักเรียนที่มีความเสี่ยงต่อปัญหาทางวิชาการ
การประยุกต์ใช้อัลกอริทึม ML ในการพัฒนาเครื่องจำลองผู้ป่วยเสมือนจริงสำหรับการฝึกอบรมทันตกรรม เครื่องจำลองมีความสามารถในการทำซ้ำการตอบสนองทางสรีรวิทยาของผู้ป่วยจริงและสามารถใช้ฝึกอบรมนักเรียนทันตกรรมในสภาพแวดล้อมที่ปลอดภัยและควบคุมได้ [23] การศึกษาอื่น ๆ อีกหลายครั้งแสดงให้เห็นว่าอัลกอริทึมการเรียนรู้ของเครื่องสามารถปรับปรุงคุณภาพและประสิทธิภาพของการศึกษาด้านทันตกรรมและการแพทย์และการดูแลผู้ป่วย อัลกอริทึมการเรียนรู้ของเครื่องถูกนำมาใช้เพื่อช่วยในการวินิจฉัยโรคทันตกรรมตามชุดข้อมูลเช่นอาการและลักษณะของผู้ป่วย [24, 25] ในขณะที่การศึกษาอื่น ๆ ได้สำรวจการใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อปฏิบัติงานเช่นการทำนายผลลัพธ์ของผู้ป่วยระบุผู้ป่วยที่มีความเสี่ยงสูงพัฒนาแผนการรักษาส่วนบุคคล [26] การรักษาโรคปริทันต์ [27] และการรักษาโรคฟันผุ [25]
แม้ว่ารายงานเกี่ยวกับการประยุกต์ใช้การเรียนรู้ของเครื่องจักรในทันตกรรมได้รับการเผยแพร่ แต่การประยุกต์ใช้ในการศึกษาทางทันตกรรมยังคงมี จำกัด ดังนั้นการศึกษาครั้งนี้มีวัตถุประสงค์เพื่อใช้แบบจำลองต้นไม้การตัดสินใจเพื่อระบุปัจจัยที่เกี่ยวข้องอย่างใกล้ชิดกับ LS และเป็นหนึ่งในนักเรียนทันตกรรม
ผลการศึกษาครั้งนี้แสดงให้เห็นว่าเครื่องมือคำแนะนำที่พัฒนาขึ้นมีความแม่นยำสูงและมีความแม่นยำสมบูรณ์แบบซึ่งบ่งชี้ว่าครูสามารถได้รับประโยชน์จากเครื่องมือนี้ การใช้กระบวนการจัดประเภทที่ขับเคลื่อนด้วยข้อมูลสามารถให้คำแนะนำส่วนบุคคลและปรับปรุงประสบการณ์การศึกษาและผลลัพธ์สำหรับนักการศึกษาและนักเรียน ในหมู่พวกเขาข้อมูลที่ได้รับจากเครื่องมือแนะนำสามารถแก้ไขความขัดแย้งระหว่างวิธีการสอนที่ต้องการของครูและความต้องการการเรียนรู้ของนักเรียน ตัวอย่างเช่นเนื่องจากเอาต์พุตอัตโนมัติของเครื่องมือแนะนำเวลาที่ต้องใช้ในการระบุ IP ของนักเรียนและจับคู่กับ IP ที่เกี่ยวข้องจะลดลงอย่างมาก ด้วยวิธีนี้กิจกรรมการฝึกอบรมที่เหมาะสมและสื่อการฝึกอบรมสามารถจัดระเบียบได้ สิ่งนี้จะช่วยพัฒนาพฤติกรรมการเรียนรู้เชิงบวกของนักเรียนและความสามารถในการมีสมาธิ การศึกษาหนึ่งรายงานว่าการจัดหาสื่อการเรียนรู้และกิจกรรมการเรียนรู้ที่ตรงกับ LS ที่ต้องการสามารถช่วยให้นักเรียนรวมกระบวนการและเพลิดเพลินกับการเรียนรู้ในหลาย ๆ วิธีเพื่อให้ได้ศักยภาพมากขึ้น [12] การวิจัยยังแสดงให้เห็นว่านอกเหนือจากการปรับปรุงการมีส่วนร่วมของนักเรียนในห้องเรียนการทำความเข้าใจกระบวนการเรียนรู้ของนักเรียนยังมีบทบาทสำคัญในการปรับปรุงการสอนและการสื่อสารกับนักเรียน [28, 29]
อย่างไรก็ตามเช่นเดียวกับเทคโนโลยีที่ทันสมัยมีปัญหาและข้อ จำกัด เหล่านี้รวมถึงปัญหาที่เกี่ยวข้องกับความเป็นส่วนตัวของข้อมูลอคติและความเป็นธรรมและทักษะระดับมืออาชีพและทรัพยากรที่จำเป็นในการพัฒนาและใช้อัลกอริทึมการเรียนรู้ของเครื่องจักรในการศึกษาทันตกรรม อย่างไรก็ตามความสนใจและการวิจัยที่เพิ่มขึ้นในพื้นที่นี้แสดงให้เห็นว่าเทคโนโลยีการเรียนรู้ของเครื่องอาจมีผลกระทบเชิงบวกต่อการศึกษาทันตกรรมและบริการทันตกรรม
ผลการศึกษาครั้งนี้บ่งชี้ว่าครึ่งหนึ่งของนักเรียนทันตกรรมมีแนวโน้มที่จะ“ รับรู้” ยาเสพติด ผู้เรียนประเภทนี้มีความชอบสำหรับข้อเท็จจริงและตัวอย่างที่เป็นรูปธรรมการวางแนวปฏิบัติความอดทนสำหรับรายละเอียดและการตั้งค่า "ภาพ" LS ที่ผู้เรียนชอบใช้รูปภาพกราฟิกสีและแผนที่เพื่อถ่ายทอดความคิดและความคิด ผลลัพธ์ในปัจจุบันสอดคล้องกับการศึกษาอื่น ๆ โดยใช้ ILS เพื่อประเมิน LS ในนักศึกษาทันตกรรมและแพทย์ซึ่งส่วนใหญ่มีลักษณะของการรับรู้และการมองเห็น LS [12, 30] Dalmolin et al แนะนำว่าการแจ้งให้นักเรียนทราบเกี่ยวกับ LS ของพวกเขาช่วยให้พวกเขาเข้าถึงศักยภาพการเรียนรู้ของพวกเขา นักวิจัยยืนยันว่าเมื่อครูเข้าใจกระบวนการศึกษาของนักเรียนอย่างเต็มที่วิธีการสอนและกิจกรรมต่าง ๆ สามารถนำไปใช้ซึ่งจะปรับปรุงประสิทธิภาพการทำงานและประสบการณ์การเรียนรู้ของนักเรียน [12, 31, 32] การศึกษาอื่น ๆ แสดงให้เห็นว่าการปรับ LS ของนักเรียนยังแสดงให้เห็นถึงการปรับปรุงประสบการณ์การเรียนรู้และประสิทธิภาพของนักเรียนหลังจากเปลี่ยนรูปแบบการเรียนรู้ของพวกเขาเพื่อให้เหมาะกับ LS ของตัวเอง [13, 33]
ความคิดเห็นของครูอาจแตกต่างกันไปตามการใช้กลยุทธ์การสอนตามความสามารถในการเรียนรู้ของนักเรียน ในขณะที่บางคนเห็นประโยชน์ของวิธีการนี้รวมถึงโอกาสในการพัฒนาวิชาชีพการให้คำปรึกษาและการสนับสนุนชุมชนคนอื่น ๆ อาจกังวลเกี่ยวกับเวลาและการสนับสนุนจากสถาบัน การดิ้นรนเพื่อความสมดุลเป็นกุญแจสำคัญในการสร้างทัศนคติที่เน้นนักเรียนเป็นศูนย์กลาง หน่วยงานการศึกษาระดับอุดมศึกษาเช่นผู้บริหารมหาวิทยาลัยสามารถมีบทบาทสำคัญในการผลักดันการเปลี่ยนแปลงเชิงบวกโดยการแนะนำแนวทางปฏิบัติที่เป็นนวัตกรรมและสนับสนุนการพัฒนาคณะ [34] เพื่อสร้างระบบการศึกษาระดับอุดมศึกษาแบบไดนามิกและตอบสนองอย่างแท้จริงผู้กำหนดนโยบายจะต้องดำเนินการตามขั้นตอนที่กล้าหาญเช่นการเปลี่ยนแปลงนโยบายการอุทิศทรัพยากรเพื่อการรวมเทคโนโลยีและการสร้างกรอบที่ส่งเสริมวิธีการที่เน้นนักเรียนเป็นศูนย์กลาง มาตรการเหล่านี้มีความสำคัญอย่างยิ่งต่อการบรรลุผลลัพธ์ที่ต้องการ การวิจัยล่าสุดเกี่ยวกับการเรียนการสอนที่แตกต่างกันแสดงให้เห็นอย่างชัดเจนว่าการดำเนินการตามคำสั่งที่แตกต่างนั้นประสบความสำเร็จนั้นต้องการการฝึกอบรมและโอกาสในการพัฒนาอย่างต่อเนื่องสำหรับครู [35]
เครื่องมือนี้ให้การสนับสนุนที่มีคุณค่าแก่นักการศึกษาด้านทันตกรรมที่ต้องการใช้วิธีการที่เน้นนักเรียนเป็นศูนย์กลางในการวางแผนกิจกรรมการเรียนรู้ที่เป็นมิตรกับนักเรียน อย่างไรก็ตามการศึกษานี้ จำกัด เฉพาะการใช้แบบจำลอง ML Tree ML ในอนาคตควรรวบรวมข้อมูลเพิ่มเติมเพื่อเปรียบเทียบประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องที่แตกต่างกันเพื่อเปรียบเทียบความแม่นยำความน่าเชื่อถือและความแม่นยำของเครื่องมือแนะนำ นอกจากนี้เมื่อเลือกวิธีการเรียนรู้ของเครื่องที่เหมาะสมที่สุดสำหรับงานเฉพาะสิ่งสำคัญคือต้องพิจารณาปัจจัยอื่น ๆ เช่นความซับซ้อนของแบบจำลองและการตีความ
ข้อ จำกัด ของการศึกษานี้คือมันมุ่งเน้นไปที่การทำแผนที่ LS และเป็นหนึ่งในนักเรียนทันตกรรม ดังนั้นระบบคำแนะนำที่พัฒนาแล้วจะแนะนำเฉพาะผู้ที่เหมาะสมสำหรับนักเรียนทันตกรรม การเปลี่ยนแปลงเป็นสิ่งจำเป็นสำหรับการใช้งานของนักเรียนระดับอุดมศึกษาทั่วไป
เครื่องมือแนะนำการเรียนรู้ที่ใช้เครื่องจักรที่พัฒนาขึ้นใหม่นั้นมีความสามารถในการจำแนกและจับคู่นักเรียนที่สอดคล้องกันได้ทันทีทำให้เป็นโปรแกรมการศึกษาทันตกรรมแรกที่ช่วยให้นักการศึกษาทันตกรรมวางแผนกิจกรรมการสอนและการเรียนรู้ที่เกี่ยวข้อง การใช้กระบวนการ triage ที่ขับเคลื่อนด้วยข้อมูลสามารถให้คำแนะนำส่วนบุคคลประหยัดเวลาปรับปรุงกลยุทธ์การสอนสนับสนุนการแทรกแซงเป้าหมายและส่งเสริมการพัฒนาวิชาชีพอย่างต่อเนื่อง แอปพลิเคชันของมันจะส่งเสริมแนวทางการศึกษาทางทันตกรรมเป็นศูนย์กลางของนักเรียน
Gilak Jani Associated Press จับคู่หรือไม่ตรงกันระหว่างสไตล์การเรียนรู้ของนักเรียนและรูปแบบการสอนของครู วิทยาศาสตร์คอมพิวเตอร์ Int J Mod Educ 2012; 4 (11): 51–60 https://doi.org/10.5815/ijmecs.2012.11.05
เวลาโพสต์: เม.ย. -29-2024