ความต้องการการเรียนรู้ที่เน้นผู้เรียนเป็นศูนย์กลาง (Student-Centered Learning: SCL) ในสถาบันอุดมศึกษา รวมถึงทันตแพทยศาสตร์ กำลังเพิ่มมากขึ้น อย่างไรก็ตาม การประยุกต์ใช้ SCL ในการศึกษาทันตแพทยศาสตร์ยังมีข้อจำกัด ดังนั้น งานวิจัยนี้จึงมุ่งส่งเสริมการประยุกต์ใช้ SCL ในทันตแพทยศาสตร์ โดยใช้เทคโนโลยีการเรียนรู้ของเครื่องจักรแบบต้นไม้ตัดสินใจ (Decision Tree Machine Learning: ML) เพื่อสร้างแผนที่รูปแบบการเรียนรู้ที่ต้องการ (Preferred Learning Style: LS) และกลยุทธ์การเรียนรู้ (Learning Strategies: IS) ที่สอดคล้องกันของนักศึกษาทันตแพทยศาสตร์ เพื่อเป็นเครื่องมือที่มีประโยชน์ในการพัฒนาแนวทาง IS ที่เป็นไปได้สำหรับนักศึกษาทันตแพทยศาสตร์
นักศึกษาทันตแพทย์จำนวน 255 คนจากมหาวิทยาลัยมาลายาได้ทำแบบสอบถามดัชนีรูปแบบการเรียนรู้ฉบับปรับปรุง (m-ILS) ซึ่งประกอบด้วย 44 ข้อ เพื่อจำแนกรูปแบบการเรียนรู้ของนักศึกษาแต่ละคน ข้อมูลที่รวบรวมได้ (เรียกว่าชุดข้อมูล) ถูกนำมาใช้ในการเรียนรู้แบบต้นไม้ตัดสินใจภายใต้การกำกับดูแล เพื่อจับคู่รูปแบบการเรียนรู้ของนักศึกษากับระบบสารสนเทศที่เหมาะสมที่สุดโดยอัตโนมัติ จากนั้นจึงประเมินความแม่นยำของเครื่องมือแนะนำระบบสารสนเทศที่ใช้การเรียนรู้ของเครื่อง
การประยุกต์ใช้แบบจำลองต้นไม้ตัดสินใจในกระบวนการจับคู่แบบอัตโนมัติระหว่าง LS (ข้อมูลนำเข้า) และ IS (ผลลัพธ์เป้าหมาย) ช่วยให้สามารถสร้างรายการกลยุทธ์การเรียนรู้ที่เหมาะสมสำหรับนักศึกษาทันตแพทย์แต่ละคนได้ทันที เครื่องมือแนะนำ IS แสดงให้เห็นถึงความแม่นยำและการเรียกคืนข้อมูลที่สมบูรณ์แบบของความแม่นยำโดยรวมของแบบจำลอง ซึ่งบ่งชี้ว่าการจับคู่ LS กับ IS มีความไวและความจำเพาะที่ดี
เครื่องมือแนะนำระบบสารสนเทศที่ใช้แผนผังการตัดสินใจด้วยแมชชีนเลิร์นนิงได้พิสูจน์แล้วว่าสามารถจับคู่รูปแบบการเรียนรู้ของนักศึกษาทันตแพทย์กับกลยุทธ์การเรียนรู้ที่เหมาะสมได้อย่างแม่นยำ เครื่องมือนี้มอบทางเลือกที่มีประสิทธิภาพสำหรับการวางแผนหลักสูตรหรือโมดูลที่เน้นผู้เรียนเป็นศูนย์กลาง ซึ่งสามารถยกระดับประสบการณ์การเรียนรู้ของนักศึกษาได้
การสอนและการเรียนรู้เป็นกิจกรรมพื้นฐานในสถาบันการศึกษา เมื่อพัฒนาระบบการศึกษาอาชีวศึกษาที่มีคุณภาพสูง สิ่งสำคัญคือต้องมุ่งเน้นไปที่ความต้องการในการเรียนรู้ของนักเรียน ปฏิสัมพันธ์ระหว่างนักเรียนและสภาพแวดล้อมการเรียนรู้ของพวกเขาสามารถกำหนดได้ผ่าน LS ของพวกเขา งานวิจัยชี้ให้เห็นว่าความไม่สอดคล้องกันที่ครูตั้งใจไว้ระหว่าง LS และ IS ของนักเรียนอาจส่งผลเสียต่อการเรียนรู้ของนักเรียน เช่น ความสนใจและแรงจูงใจลดลง ซึ่งจะส่งผลกระทบต่อผลการเรียนของนักเรียนทางอ้อม [1,2]
IS เป็นวิธีการที่ครูใช้ในการถ่ายทอดความรู้และทักษะให้กับนักเรียน รวมถึงการช่วยให้นักเรียนเรียนรู้ [3] โดยทั่วไปแล้ว ครูที่ดีจะวางแผนกลยุทธ์การสอนหรือ IS ที่เหมาะสมที่สุดกับระดับความรู้ของนักเรียน แนวคิดที่พวกเขากำลังเรียนรู้ และขั้นตอนการเรียนรู้ของพวกเขา ในทางทฤษฎี เมื่อ LS และ IS สอดคล้องกัน นักเรียนจะสามารถจัดระเบียบและใช้ชุดทักษะเฉพาะเพื่อเรียนรู้ได้อย่างมีประสิทธิภาพ โดยทั่วไป แผนการสอนจะรวมถึงการเปลี่ยนผ่านระหว่างขั้นตอนต่างๆ หลายอย่าง เช่น จากการสอนไปสู่การฝึกปฏิบัติแบบมีผู้แนะนำ หรือจากการฝึกปฏิบัติแบบมีผู้แนะนำไปสู่การฝึกปฏิบัติแบบอิสระ ด้วยเหตุนี้ ครูที่มีประสิทธิภาพมักจะวางแผนการสอนโดยมีเป้าหมายในการสร้างความรู้และทักษะของนักเรียน [4]
ความต้องการ SCL กำลังเพิ่มขึ้นในสถาบันอุดมศึกษา รวมถึงทันตกรรม กลยุทธ์ SCL ได้รับการออกแบบมาเพื่อตอบสนองความต้องการการเรียนรู้ของนักเรียน ซึ่งสามารถบรรลุผลได้ เช่น หากนักเรียนมีส่วนร่วมอย่างแข็งขันในกิจกรรมการเรียนรู้ และครูทำหน้าที่เป็นผู้อำนวยความสะดวกและรับผิดชอบในการให้ข้อเสนอแนะที่มีคุณค่า กล่าวกันว่า การจัดหาวัสดุและกิจกรรมการเรียนรู้ที่เหมาะสมกับระดับการศึกษาหรือความชอบของนักเรียนสามารถปรับปรุงสภาพแวดล้อมการเรียนรู้ของนักเรียนและส่งเสริมประสบการณ์การเรียนรู้เชิงบวกได้ [5]
โดยทั่วไป กระบวนการเรียนรู้ของนักศึกษาทันตแพทย์ได้รับอิทธิพลจากขั้นตอนทางคลินิกต่างๆ ที่พวกเขาต้องปฏิบัติ และสภาพแวดล้อมทางคลินิกที่พวกเขาพัฒนาทักษะการสื่อสารระหว่างบุคคลที่มีประสิทธิภาพ จุดประสงค์ของการฝึกอบรมคือการช่วยให้นักศึกษาสามารถผสมผสานความรู้พื้นฐานทางทันตกรรมเข้ากับทักษะทางคลินิกทันตกรรม และนำความรู้ที่ได้รับไปประยุกต์ใช้ในสถานการณ์ทางคลินิกใหม่ๆ [6, 7] การวิจัยในช่วงแรกเกี่ยวกับความสัมพันธ์ระหว่าง LS และ IS พบว่าการปรับกลยุทธ์การเรียนรู้ให้สอดคล้องกับ LS ที่ต้องการจะช่วยปรับปรุงกระบวนการศึกษา [8] ผู้เขียนยังแนะนำให้ใช้วิธีการสอนและการประเมินที่หลากหลายเพื่อปรับให้เข้ากับการเรียนรู้และความต้องการของนักศึกษา
ครูจะได้รับประโยชน์จากการประยุกต์ใช้ความรู้เกี่ยวกับรูปแบบการเรียนรู้ (LS) เพื่อช่วยในการออกแบบ พัฒนา และดำเนินการสอนที่จะช่วยเพิ่มพูนความรู้และความเข้าใจในเนื้อหาวิชาของนักเรียนให้ลึกซึ้งยิ่งขึ้น นักวิจัยได้พัฒนาเครื่องมือประเมินรูปแบบการเรียนรู้หลายอย่าง เช่น แบบจำลองการเรียนรู้เชิงประสบการณ์ของ Kolb แบบจำลองรูปแบบการเรียนรู้ของ Felder-Silverman (FSLSM) และแบบจำลอง Fleming VAK/VARK [5, 9, 10] จากเอกสารทางวิชาการ แบบจำลองการเรียนรู้เหล่านี้เป็นแบบจำลองการเรียนรู้ที่ใช้กันทั่วไปและมีการศึกษามากที่สุด ในงานวิจัยปัจจุบันนี้ FSLSM ถูกนำมาใช้เพื่อประเมินรูปแบบการเรียนรู้ในหมู่นักศึกษาทันตแพทย์
FSLSM เป็นแบบจำลองที่ใช้กันอย่างแพร่หลายในการประเมินการเรียนรู้แบบปรับตัวในสาขาวิศวกรรม มีงานวิจัยที่ตีพิมพ์จำนวนมากในสาขาวิทยาศาสตร์สุขภาพ (รวมถึงการแพทย์ การพยาบาล เภสัชกรรม และทันตกรรม) ที่ใช้แบบจำลอง FSLSM [5, 11, 12, 13] เครื่องมือที่ใช้ในการวัดมิติของ LS ใน FLSM เรียกว่าดัชนีรูปแบบการเรียนรู้ (ILS) [8] ซึ่งประกอบด้วย 44 รายการที่ประเมินมิติของ LS สี่ด้าน ได้แก่ การประมวลผล (เชิงรุก/เชิงสะท้อน) การรับรู้ (เชิงรับรู้/เชิงสัญชาตญาณ) ข้อมูลนำเข้า (ภาพ/คำพูด) และความเข้าใจ (ตามลำดับ/โดยรวม) [14]
ดังแสดงในรูปที่ 1 มิติแต่ละมิติของ FSLSM มีความชอบที่เด่นชัด ตัวอย่างเช่น ในมิติการประมวลผล นักเรียนที่มีรูปแบบการเรียนรู้แบบ “เชิงรุก” ชอบประมวลผลข้อมูลโดยการโต้ตอบกับสื่อการเรียนรู้โดยตรง เรียนรู้โดยการลงมือทำ และมักเรียนรู้เป็นกลุ่ม ในขณะที่รูปแบบการเรียนรู้แบบ “เชิงสะท้อน” หมายถึงการเรียนรู้ผ่านการคิดและชอบทำงานคนเดียว มิติ “การรับรู้” ของรูปแบบการเรียนรู้สามารถแบ่งออกเป็น “ความรู้สึก” และ/หรือ “สัญชาตญาณ” นักเรียนประเภท “ความรู้สึก” ชอบข้อมูลที่เป็นรูปธรรมและขั้นตอนปฏิบัติมากกว่า เน้นข้อเท็จจริงมากกว่านักเรียนประเภท “สัญชาตญาณ” ที่ชอบเนื้อหาที่เป็นนามธรรมและมีความคิดสร้างสรรค์และนวัตกรรมมากกว่า มิติ “การป้อนข้อมูล” ของรูปแบบการเรียนรู้ประกอบด้วยผู้เรียนประเภท “ภาพ” และ “คำพูด” ผู้เรียนประเภท “ภาพ” ชอบเรียนรู้ผ่านการสาธิตด้วยภาพ (เช่น แผนภาพ วิดีโอ หรือการสาธิตสด) ในขณะที่ผู้เรียนประเภท “คำพูด” ชอบเรียนรู้ผ่านคำพูดในคำอธิบายที่เป็นลายลักษณ์อักษรหรือด้วยวาจา เพื่อ “ทำความเข้าใจ” มิติของรูปแบบการเรียนรู้ ผู้เรียนดังกล่าวสามารถแบ่งออกเป็น “แบบลำดับ” และ “แบบองค์รวม” “ผู้เรียนแบบลำดับขั้นตอนมักชอบกระบวนการคิดเชิงเส้นและเรียนรู้ทีละขั้น ในขณะที่ผู้เรียนแบบองค์รวมมักมีกระบวนการคิดแบบองค์รวมและมักเข้าใจสิ่งที่ตนเองเรียนรู้ได้ดีกว่า”
เมื่อเร็วๆ นี้ นักวิจัยหลายคนเริ่มสำรวจวิธีการค้นพบข้อมูลอัตโนมัติ รวมถึงการพัฒนาอัลกอริธึมและโมเดลใหม่ๆ ที่สามารถตีความข้อมูลจำนวนมากได้ [15, 16] โดยอาศัยข้อมูลที่ให้มา การเรียนรู้ของเครื่องแบบมีผู้กำกับดูแล (supervised ML) สามารถสร้างรูปแบบและสมมติฐานที่ทำนายผลลัพธ์ในอนาคตโดยอาศัยการสร้างอัลกอริธึม [17] กล่าวโดยง่าย เทคนิคการเรียนรู้ของเครื่องแบบมีผู้กำกับดูแลจะจัดการข้อมูลป้อนเข้าและฝึกฝนอัลกอริธึม จากนั้นจะสร้างช่วงที่จำแนกหรือทำนายผลลัพธ์โดยอิงจากสถานการณ์ที่คล้ายคลึงกันสำหรับข้อมูลป้อนเข้าที่ให้มา ข้อได้เปรียบหลักของอัลกอริธึมการเรียนรู้ของเครื่องแบบมีผู้กำกับดูแลคือความสามารถในการสร้างผลลัพธ์ที่เหมาะสมและเป็นที่ต้องการ [17]
ด้วยการใช้วิธีการที่ขับเคลื่อนด้วยข้อมูลและแบบจำลองควบคุมต้นไม้ตัดสินใจ ทำให้สามารถตรวจจับ LS ได้โดยอัตโนมัติ มีรายงานว่าต้นไม้ตัดสินใจถูกนำมาใช้กันอย่างแพร่หลายในโปรแกรมการฝึกอบรมในสาขาต่างๆ รวมถึงวิทยาศาสตร์สุขภาพ [18, 19] ในการศึกษานี้ นักพัฒนาระบบได้ฝึกฝนแบบจำลองนี้โดยเฉพาะเพื่อระบุ LS ของนักเรียนและแนะนำ IS ที่ดีที่สุดสำหรับพวกเขา
วัตถุประสงค์ของการศึกษาครั้งนี้คือการพัฒนากลยุทธ์การส่งมอบระบบสารสนเทศโดยอิงจากความรู้ความสามารถของนักเรียน (LS) และประยุกต์ใช้แนวทาง SCL โดยการพัฒนาเครื่องมือแนะนำระบบสารสนเทศที่เชื่อมโยงกับ LS ขั้นตอนการออกแบบเครื่องมือแนะนำระบบสารสนเทศในฐานะกลยุทธ์ของวิธีการ SCL แสดงในรูปที่ 1 เครื่องมือแนะนำระบบสารสนเทศแบ่งออกเป็นสองส่วน ได้แก่ กลไกการจำแนกประเภท LS โดยใช้ ILS และการแสดงผลระบบสารสนเทศที่เหมาะสมที่สุดสำหรับนักเรียน
โดยเฉพาะอย่างยิ่ง คุณลักษณะของเครื่องมือแนะนำด้านความปลอดภัยของข้อมูล ได้แก่ การใช้เทคโนโลยีเว็บและการใช้การเรียนรู้ของเครื่องจักรแบบต้นไม้ตัดสินใจ นักพัฒนาระบบปรับปรุงประสบการณ์การใช้งานและความสะดวกในการใช้งานโดยการปรับให้เข้ากับอุปกรณ์พกพา เช่น โทรศัพท์มือถือและแท็บเล็ต
การทดลองนี้ดำเนินการในสองขั้นตอน โดยนักศึกษาจากคณะทันตแพทยศาสตร์ มหาวิทยาลัยมาลายา เข้าร่วมโดยสมัครใจ ผู้เข้าร่วมตอบแบบสอบถามออนไลน์ m-ILS ของนักศึกษาทันตแพทย์เป็นภาษาอังกฤษ ในขั้นตอนแรก ใช้ชุดข้อมูลของนักศึกษา 50 คน เพื่อฝึกฝนอัลกอริธึมการเรียนรู้ของเครื่องแบบต้นไม้ตัดสินใจ ในขั้นตอนที่สองของการพัฒนา ใช้ชุดข้อมูลของนักศึกษา 255 คน เพื่อปรับปรุงความแม่นยำของเครื่องมือที่พัฒนาขึ้น
ผู้เข้าร่วมทุกคนจะได้รับการบรรยายสรุปออนไลน์ในช่วงเริ่มต้นของแต่ละขั้นตอน ขึ้นอยู่กับปีการศึกษา ผ่านทาง Microsoft Teams มีการอธิบายวัตถุประสงค์ของการศึกษาและขอความยินยอมจากผู้เข้าร่วม ผู้เข้าร่วมทุกคนได้รับลิงก์เพื่อเข้าถึง m-ILS นักศึกษาแต่ละคนได้รับคำแนะนำให้ตอบคำถามทั้ง 44 ข้อในแบบสอบถาม พวกเขามีเวลาหนึ่งสัปดาห์ในการทำแบบสอบถาม ILS ที่ปรับปรุงแล้วให้เสร็จ ในเวลาและสถานที่ที่สะดวกสำหรับพวกเขาในช่วงปิดภาคการศึกษาก่อนเริ่มภาคการศึกษา m-ILS สร้างขึ้นจากแบบสอบถาม ILS ดั้งเดิมและได้รับการปรับปรุงสำหรับนักศึกษาทันตแพทย์ เช่นเดียวกับ ILS ดั้งเดิม แบบสอบถามนี้ประกอบด้วยคำถาม 44 ข้อที่กระจายอย่างเท่าเทียมกัน (ก, ข) โดยแต่ละข้อมี 11 ข้อ ซึ่งใช้ในการประเมินแง่มุมต่างๆ ของแต่ละมิติของ FSLSM
ในช่วงเริ่มต้นของการพัฒนาเครื่องมือ นักวิจัยได้ทำการระบุคำอธิบายประกอบแผนที่ด้วยตนเองโดยใช้ชุดข้อมูลจากนักศึกษาทันตแพทย์ 50 คน ตามแบบจำลอง FSLM ระบบจะให้ผลรวมของคำตอบ “a” และ “b” สำหรับแต่ละมิติ หากนักศึกษาเลือก “a” เป็นคำตอบ ระบบจะจัดประเภท LS เป็นผู้เรียนแบบแอคทีฟ/รับรู้/มองเห็น/เรียงลำดับ และหากนักศึกษาเลือก “b” เป็นคำตอบ ระบบจะจัดประเภทนักศึกษาเป็นผู้เรียนแบบสะท้อนคิด/หยั่งรู้/ภาษาศาสตร์ / ผู้เรียนแบบองค์รวม
หลังจากปรับเทียบขั้นตอนการทำงานระหว่างนักวิจัยด้านการศึกษาทันตกรรมและนักพัฒนาระบบแล้ว คำถามจะถูกเลือกโดยอิงจากโดเมน FLSSM และป้อนเข้าสู่แบบจำลอง ML เพื่อทำนาย LS ของนักเรียนแต่ละคน “ข้อมูลเข้าไม่ดี ข้อมูลออกก็ไม่ดี” เป็นคำกล่าวที่นิยมในสาขาการเรียนรู้ของเครื่อง โดยเน้นที่คุณภาพของข้อมูล คุณภาพของข้อมูลป้อนเข้าเป็นตัวกำหนดความแม่นยำและความถูกต้องของแบบจำลองการเรียนรู้ของเครื่อง ในระหว่างขั้นตอนการสร้างคุณลักษณะ จะมีการสร้างชุดคุณลักษณะใหม่ ซึ่งเป็นผลรวมของคำตอบ “a” และ “b” โดยอิงจาก FLSSM หมายเลขระบุตำแหน่งยาแสดงอยู่ในตารางที่ 1
คำนวณคะแนนตามคำตอบและกำหนด LS ของนักเรียน สำหรับนักเรียนแต่ละคน ช่วงคะแนนจะอยู่ระหว่าง 1 ถึง 11 คะแนนตั้งแต่ 1 ถึง 3 บ่งชี้ถึงความสมดุลของความชอบในการเรียนรู้ภายในมิติเดียวกัน และคะแนนตั้งแต่ 5 ถึง 7 บ่งชี้ถึงความชอบในระดับปานกลาง ซึ่งแสดงว่านักเรียนมีแนวโน้มที่จะชอบสภาพแวดล้อมหนึ่งมากกว่าสภาพแวดล้อมอื่น อีกรูปแบบหนึ่งในมิติเดียวกันคือ คะแนนตั้งแต่ 9 ถึง 11 สะท้อนถึงความชอบที่ชัดเจนสำหรับด้านใดด้านหนึ่ง [8]
สำหรับแต่ละมิติ ยาเสพติดถูกจัดกลุ่มเป็น “เชิงรุก” “เชิงไตร่ตรอง” และ “สมดุล” ตัวอย่างเช่น เมื่อนักเรียนตอบ “ก” บ่อยกว่า “ข” ในข้อที่กำหนด และคะแนนของเขา/เธอเกินเกณฑ์ 5 สำหรับข้อใดข้อหนึ่งที่แสดงถึงมิติการประมวลผล LS เขา/เธอจะอยู่ในกลุ่ม LS “เชิงรุก” อย่างไรก็ตาม นักเรียนถูกจัดประเภทเป็น LS “เชิงไตร่ตรอง” เมื่อพวกเขาเลือก “ข” มากกว่า “ก” ในคำถามเฉพาะ 11 ข้อ (ตารางที่ 1) และได้คะแนนมากกว่า 5 คะแนน สุดท้าย นักเรียนอยู่ในสถานะ “สมดุล” หากคะแนนไม่เกิน 5 คะแนน นี่คือ LS “เชิงกระบวนการ” กระบวนการจัดประเภทนี้ถูกทำซ้ำสำหรับมิติ LS อื่นๆ ได้แก่ การรับรู้ (เชิงรุก/เชิงไตร่ตรอง) ข้อมูลนำเข้า (ภาพ/คำพูด) และความเข้าใจ (ตามลำดับ/โดยรวม)
แบบจำลองต้นไม้ตัดสินใจสามารถใช้ชุดย่อยของคุณลักษณะและกฎการตัดสินใจที่แตกต่างกันในขั้นตอนต่างๆ ของกระบวนการจำแนกประเภท ถือเป็นเครื่องมือการจำแนกประเภทและการทำนายที่เป็นที่นิยม สามารถแสดงได้โดยใช้โครงสร้างต้นไม้ เช่น ผังงาน [20] ซึ่งมีโหนดภายในที่แสดงถึงการทดสอบตามคุณลักษณะ แต่ละกิ่งแสดงถึงผลการทดสอบ และแต่ละโหนดใบ (โหนดใบ) ประกอบด้วยป้ายกำกับคลาส
มีการสร้างโปรแกรมแบบง่ายๆ ที่ใช้กฎเกณฑ์เพื่อให้คะแนนและระบุคำอธิบายประกอบ LS ของนักเรียนแต่ละคนโดยอัตโนมัติตามคำตอบของพวกเขา กฎเกณฑ์นี้อยู่ในรูปแบบของคำสั่ง IF โดยที่ “IF” อธิบายถึงตัวกระตุ้น และ “THEN” ระบุการกระทำที่จะต้องทำ ตัวอย่างเช่น “ถ้า X เกิดขึ้น ให้ทำ Y” (Liu et al., 2014) หากชุดข้อมูลแสดงความสัมพันธ์กัน และแบบจำลองต้นไม้ตัดสินใจได้รับการฝึกฝนและประเมินอย่างเหมาะสม วิธีการนี้สามารถเป็นวิธีที่มีประสิทธิภาพในการทำให้กระบวนการจับคู่ LS และ IS เป็นไปโดยอัตโนมัติ
ในขั้นตอนการพัฒนาขั้นที่สอง ชุดข้อมูลถูกเพิ่มเป็น 255 เพื่อปรับปรุงความแม่นยำของเครื่องมือแนะนำ ชุดข้อมูลถูกแบ่งในอัตราส่วน 1:4 โดย 25% (64) ของชุดข้อมูลถูกใช้สำหรับชุดทดสอบ และ 75% ที่เหลือ (191) ถูกใช้เป็นชุดฝึกฝน (รูปที่ 2) การแบ่งชุดข้อมูลมีความจำเป็นเพื่อป้องกันไม่ให้แบบจำลองถูกฝึกฝนและทดสอบบนชุดข้อมูลเดียวกัน ซึ่งอาจทำให้แบบจำลองจดจำแทนที่จะเรียนรู้ แบบจำลองจะถูกฝึกฝนบนชุดฝึกฝนและประเมินประสิทธิภาพบนชุดทดสอบ ซึ่งเป็นข้อมูลที่แบบจำลองไม่เคยเห็นมาก่อน
เมื่อพัฒนาระบบเครื่องมือ IS เสร็จแล้ว แอปพลิเคชันจะสามารถจำแนก LS ตามคำตอบของนักศึกษาทันตแพทย์ผ่านทางเว็บอินเทอร์เฟซ ระบบเครื่องมือแนะนำด้านความปลอดภัยของข้อมูลบนเว็บนี้สร้างขึ้นโดยใช้ภาษาโปรแกรม Python โดยใช้เฟรมเวิร์ก Django เป็นแบ็กเอนด์ ตารางที่ 2 แสดงรายการไลบรารีที่ใช้ในการพัฒนาระบบนี้
ชุดข้อมูลจะถูกป้อนเข้าสู่แบบจำลองต้นไม้ตัดสินใจเพื่อคำนวณและแยกคำตอบของนักเรียนเพื่อจำแนกประเภทการวัด LS ของนักเรียนโดยอัตโนมัติ
เมทริกซ์ความสับสน (Confusion Matrix) ใช้ในการประเมินความแม่นยำของอัลกอริธึมการเรียนรู้ของเครื่องจักรแบบต้นไม้ตัดสินใจ (Decision Tree Machine Learning) บนชุดข้อมูลที่กำหนด ในขณะเดียวกันก็ประเมินประสิทธิภาพของแบบจำลองการจำแนกประเภทด้วย โดยจะสรุปผลการทำนายของแบบจำลองและเปรียบเทียบกับป้ายกำกับข้อมูลจริง ผลการประเมินจะขึ้นอยู่กับค่าที่แตกต่างกันสี่ค่า ได้แก่ True Positive (TP) – แบบจำลองทำนายหมวดหมู่บวกได้อย่างถูกต้อง False Positive (FP) – แบบจำลองทำนายหมวดหมู่บวก แต่ป้ายกำกับที่แท้จริงเป็นลบ True Negative (TN) – แบบจำลองทำนายหมวดหมู่ลบได้อย่างถูกต้อง และ False Negative (FN) – แบบจำลองทำนายหมวดหมู่ลบ แต่ป้ายกำกับที่แท้จริงเป็นบวก
จากนั้นจะนำค่าเหล่านี้ไปคำนวณตัวชี้วัดประสิทธิภาพต่างๆ ของโมเดลการจำแนกประเภท scikit-learn ใน Python ได้แก่ ความแม่นยำ (precision), การเรียกคืน (recall) และคะแนน F1 ตัวอย่างเช่น:
ค่าการเรียกคืน (หรือความไว) วัดความสามารถของแบบจำลองในการจำแนกประเภท LS ของนักเรียนได้อย่างแม่นยำหลังจากตอบแบบสอบถาม m-ILS
ความจำเพาะหมายถึงอัตราการตรวจพบผลลบที่ถูกต้อง ดังที่คุณเห็นจากสูตรข้างต้น ค่านี้ควรเป็นอัตราส่วนของผลลบที่ถูกต้อง (TN) ต่อผลลบที่ถูกต้องและผลบวกเท็จ (FP) เครื่องมือที่แนะนำสำหรับการจำแนกประเภทยาเสพติดของนักเรียนควรมีความสามารถในการระบุได้อย่างแม่นยำ
ชุดข้อมูลดั้งเดิมของนักเรียน 50 คนที่ใช้ในการฝึกโมเดลแมชชีนเลิร์นนิงแบบต้นไม้ตัดสินใจแสดงให้เห็นความแม่นยำค่อนข้างต่ำเนื่องจากข้อผิดพลาดของมนุษย์ในการระบุข้อมูล (ตารางที่ 3) หลังจากสร้างโปรแกรมแบบง่ายๆ ที่ใช้กฎเกณฑ์ในการคำนวณคะแนน LS และการระบุข้อมูลนักเรียนโดยอัตโนมัติแล้ว จึงได้ใช้ชุดข้อมูลจำนวนมากขึ้น (255 ชุด) ในการฝึกและทดสอบระบบแนะนำ
ในเมทริกซ์ความสับสนแบบหลายคลาส องค์ประกอบแนวทแยงแสดงจำนวนการทำนายที่ถูกต้องสำหรับแต่ละประเภท LS (รูปที่ 4) เมื่อใช้แบบจำลองต้นไม้ตัดสินใจ สามารถทำนายตัวอย่างได้อย่างถูกต้องทั้งหมด 64 ตัวอย่าง ดังนั้น ในการศึกษาครั้งนี้ องค์ประกอบแนวทแยงแสดงผลลัพธ์ที่คาดหวังไว้ ซึ่งบ่งชี้ว่าแบบจำลองทำงานได้ดีและทำนายป้ายกำกับคลาสสำหรับแต่ละการจำแนกประเภท LS ได้อย่างแม่นยำ ดังนั้น ความแม่นยำโดยรวมของเครื่องมือแนะนำจึงอยู่ที่ 100%
ค่าความถูกต้องแม่นยำ ความเที่ยงตรง การเรียกคืน และคะแนน F1 แสดงอยู่ในรูปที่ 5 สำหรับระบบแนะนำที่ใช้แบบจำลองต้นไม้ตัดสินใจ คะแนน F1 คือ 1.0 ซึ่ง "สมบูรณ์แบบ" แสดงถึงความเที่ยงตรงและความเรียกคืนที่สมบูรณ์แบบ สะท้อนให้เห็นถึงค่าความไวและความจำเพาะที่สูงอย่างมีนัยสำคัญ
รูปที่ 6 แสดงภาพจำลองของแบบจำลองต้นไม้ตัดสินใจหลังจากเสร็จสิ้นการฝึกฝนและการทดสอบ ในการเปรียบเทียบแบบเคียงข้างกัน แบบจำลองต้นไม้ตัดสินใจที่ฝึกฝนด้วยคุณลักษณะน้อยกว่าแสดงความแม่นยำสูงกว่าและแสดงภาพจำลองได้ง่ายกว่า ซึ่งแสดงให้เห็นว่าการปรับแต่งคุณลักษณะเพื่อนำไปสู่การลดจำนวนคุณลักษณะเป็นขั้นตอนสำคัญในการปรับปรุงประสิทธิภาพของแบบจำลอง
ด้วยการประยุกต์ใช้การเรียนรู้แบบมีผู้กำกับดูแลโดยใช้ต้นไม้ตัดสินใจ ระบบจะสร้างแผนที่เชื่อมโยงระหว่าง LS (อินพุต) และ IS (เอาต์พุตเป้าหมาย) โดยอัตโนมัติ ซึ่งแผนที่นี้จะประกอบด้วยข้อมูลโดยละเอียดสำหรับแต่ละ LS
ผลการวิจัยแสดงให้เห็นว่า 34.9% ของนักศึกษา 255 คน เลือกตัวเลือก LS หนึ่ง (1) ตัวเลือก นักศึกษาส่วนใหญ่ (54.3%) มีความชอบ LS สองตัวเลือกขึ้นไป 12.2% ของนักศึกษาเห็นว่า LS มีความสมดุลค่อนข้างดี (ตารางที่ 4) นอกจาก LS หลักทั้งแปดแล้ว ยังมีการจัดกลุ่ม LS อีก 34 รูปแบบสำหรับนักศึกษาทันตแพทย์ของมหาวิทยาลัยมาลายา ในจำนวนนี้ การรับรู้ การมองเห็น และการผสมผสานระหว่างการรับรู้และการมองเห็น เป็น LS หลักที่นักศึกษารายงาน (รูปที่ 7)
จากตารางที่ 4 จะเห็นได้ว่า นักเรียนส่วนใหญ่มีรูปแบบการเรียนรู้แบบเน้นประสาทสัมผัส (13.7%) หรือแบบเน้นการมองเห็น (8.6%) มีรายงานว่า 12.2% ของนักเรียนมีการผสมผสานการรับรู้กับการมองเห็น (รูปแบบการเรียนรู้แบบเน้นการรับรู้และการมองเห็น) ผลการวิจัยเหล่านี้ชี้ให้เห็นว่า นักเรียนชอบเรียนรู้และจดจำผ่านวิธีการที่กำหนดไว้ ปฏิบัติตามขั้นตอนที่เฉพาะเจาะจงและละเอียด และมีความตั้งใจเรียนรู้ ในขณะเดียวกัน พวกเขาก็สนุกกับการเรียนรู้โดยการสังเกต (เช่น การใช้แผนภาพ) และมีแนวโน้มที่จะอภิปรายและนำข้อมูลไปใช้ในกลุ่มหรือด้วยตนเอง
งานวิจัยนี้ให้ภาพรวมของเทคนิคการเรียนรู้ของเครื่องที่ใช้ในการขุดค้นข้อมูล โดยมุ่งเน้นที่การทำนายทักษะชีวิต (LS) ของนักเรียนได้อย่างรวดเร็วและแม่นยำ และแนะนำระบบสารสนเทศ (IS) ที่เหมาะสม การประยุกต์ใช้แบบจำลองต้นไม้ตัดสินใจช่วยระบุปัจจัยที่เกี่ยวข้องกับประสบการณ์ชีวิตและการศึกษาของนักเรียนมากที่สุด นี่คืออัลกอริธึมการเรียนรู้ของเครื่องแบบมีผู้กำกับดูแล ซึ่งใช้โครงสร้างต้นไม้ในการจำแนกข้อมูลโดยการแบ่งชุดข้อมูลออกเป็นหมวดหมู่ย่อยตามเกณฑ์บางอย่าง โดยจะทำงานโดยการแบ่งข้อมูลอินพุตออกเป็นชุดย่อยอย่างต่อเนื่องตามค่าของคุณลักษณะอินพุตอย่างใดอย่างหนึ่งของแต่ละโหนดภายใน จนกว่าจะมีการตัดสินใจที่โหนดใบ
โหนดภายในของต้นไม้ตัดสินใจแสดงถึงวิธีการแก้ปัญหาโดยอิงจากลักษณะอินพุตของปัญหา m-ILS และโหนดใบแสดงถึงการทำนายการจำแนกประเภท LS ขั้นสุดท้าย ตลอดการศึกษา เราสามารถเข้าใจลำดับชั้นของต้นไม้ตัดสินใจที่อธิบายและแสดงภาพกระบวนการตัดสินใจได้อย่างง่ายดายโดยพิจารณาจากความสัมพันธ์ระหว่างคุณลักษณะอินพุตและการทำนายเอาต์พุต
ในสาขาวิทยาการคอมพิวเตอร์และวิศวกรรมศาสตร์ อัลกอริทึมการเรียนรู้ของเครื่องถูกนำมาใช้กันอย่างแพร่หลายเพื่อทำนายผลการเรียนของนักเรียนโดยพิจารณาจากคะแนนสอบเข้า [21] ข้อมูลประชากร และพฤติกรรมการเรียนรู้ [22] งานวิจัยแสดงให้เห็นว่าอัลกอริทึมสามารถทำนายผลการเรียนของนักเรียนได้อย่างแม่นยำและช่วยให้ระบุตัวนักเรียนที่มีความเสี่ยงต่อปัญหาทางวิชาการได้
มีการรายงานการประยุกต์ใช้อัลกอริธึม ML ในการพัฒนาเครื่องจำลองผู้ป่วยเสมือนจริงสำหรับการฝึกอบรมทางทันตกรรม เครื่องจำลองนี้สามารถจำลองการตอบสนองทางสรีรวิทยาของผู้ป่วยจริงได้อย่างแม่นยำ และสามารถใช้ฝึกอบรมนักศึกษาทันตกรรมในสภาพแวดล้อมที่ปลอดภัยและควบคุมได้ [23] งานวิจัยอื่นๆ อีกหลายชิ้นแสดงให้เห็นว่าอัลกอริธึมการเรียนรู้ของเครื่องสามารถปรับปรุงคุณภาพและประสิทธิภาพของการศึกษาทางทันตกรรมและการแพทย์ รวมถึงการดูแลผู้ป่วยได้ อัลกอริธึมการเรียนรู้ของเครื่องถูกนำมาใช้เพื่อช่วยในการวินิจฉัยโรคทางทันตกรรมโดยอาศัยชุดข้อมูล เช่น อาการและลักษณะของผู้ป่วย [24, 25] ในขณะที่งานวิจัยอื่นๆ ได้สำรวจการใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อทำงานต่างๆ เช่น การทำนายผลลัพธ์ของผู้ป่วย การระบุผู้ป่วยที่มีความเสี่ยงสูง การพัฒนาแผนการรักษาเฉพาะบุคคล [26] การรักษาโรคปริทันต์ [27] และการรักษาฟันผุ [25]
แม้ว่าจะมีรายงานเกี่ยวกับการประยุกต์ใช้การเรียนรู้ของเครื่องจักรในทันตกรรมตีพิมพ์ออกมาแล้ว แต่การประยุกต์ใช้ในด้านการศึกษาทันตกรรมยังคงมีจำกัด ดังนั้น งานวิจัยนี้จึงมุ่งใช้แบบจำลองต้นไม้ตัดสินใจเพื่อระบุปัจจัยที่เกี่ยวข้องอย่างใกล้ชิดที่สุดกับ LS และ IS ในหมู่นักศึกษาทันตกรรม
ผลการศึกษาครั้งนี้แสดงให้เห็นว่าเครื่องมือแนะนำที่พัฒนาขึ้นมีความแม่นยำสูงและสมบูรณ์แบบ ซึ่งบ่งชี้ว่าครูสามารถได้รับประโยชน์จากเครื่องมือนี้ การใช้กระบวนการจำแนกประเภทที่ขับเคลื่อนด้วยข้อมูล สามารถให้คำแนะนำส่วนบุคคลและปรับปรุงประสบการณ์และผลลัพธ์ทางการศึกษาสำหรับครูและนักเรียนได้ ในบรรดาข้อมูลเหล่านั้น ข้อมูลที่ได้รับผ่านเครื่องมือแนะนำสามารถแก้ไขความขัดแย้งระหว่างวิธีการสอนที่ครูต้องการและความต้องการในการเรียนรู้ของนักเรียนได้ ตัวอย่างเช่น เนื่องจากผลลัพธ์อัตโนมัติของเครื่องมือแนะนำ เวลาที่ต้องใช้ในการระบุ IP ของนักเรียนและจับคู่กับ IP ที่เกี่ยวข้องจะลดลงอย่างมาก ด้วยวิธีนี้ สามารถจัดกิจกรรมการฝึกอบรมและสื่อการฝึกอบรมที่เหมาะสมได้ ซึ่งช่วยพัฒนาพฤติกรรมการเรียนรู้เชิงบวกและความสามารถในการมีสมาธิของนักเรียน งานวิจัยชิ้นหนึ่งรายงานว่า การจัดหาสื่อการเรียนรู้และกิจกรรมการเรียนรู้ที่ตรงกับ LS ที่นักเรียนต้องการ สามารถช่วยให้นักเรียนบูรณาการ ประมวลผล และเพลิดเพลินกับการเรียนรู้ในหลายๆ วิธี เพื่อให้บรรลุศักยภาพที่มากขึ้น [12] งานวิจัยยังแสดงให้เห็นว่า นอกเหนือจากการปรับปรุงการมีส่วนร่วมของนักเรียนในห้องเรียนแล้ว การทำความเข้าใจกระบวนการเรียนรู้ของนักเรียนยังมีบทบาทสำคัญในการปรับปรุงแนวทางการสอนและการสื่อสารกับนักเรียนอีกด้วย [28, 29]
อย่างไรก็ตาม เช่นเดียวกับเทคโนโลยีสมัยใหม่ทุกอย่าง เทคโนโลยีการเรียนรู้ของเครื่องก็มีปัญหาและข้อจำกัดอยู่บ้าง ซึ่งรวมถึงประเด็นที่เกี่ยวข้องกับความเป็นส่วนตัวของข้อมูล อคติและความเป็นธรรม ตลอดจนทักษะและทรัพยากรทางวิชาชีพที่จำเป็นในการพัฒนาและนำอัลกอริธึมการเรียนรู้ของเครื่องไปใช้ในการศึกษาทางทันตกรรม อย่างไรก็ตาม ความสนใจและการวิจัยที่เพิ่มขึ้นในด้านนี้ชี้ให้เห็นว่าเทคโนโลยีการเรียนรู้ของเครื่องอาจส่งผลดีต่อการศึกษาทางทันตกรรมและบริการทางทันตกรรมได้
ผลการศึกษาชี้ให้เห็นว่านักศึกษาทันตแพทย์ครึ่งหนึ่งมีแนวโน้มที่จะ “รับรู้” ยา ผู้เรียนประเภทนี้ชอบข้อเท็จจริงและตัวอย่างที่เป็นรูปธรรม มีแนวทางปฏิบัติ มีความอดทนต่อรายละเอียด และมีรูปแบบการเรียนรู้แบบ “ภาพ” โดยผู้เรียนชอบใช้รูปภาพ กราฟิก สี และแผนที่เพื่อถ่ายทอดความคิดและแนวคิด ผลลัพธ์ในปัจจุบันสอดคล้องกับการศึกษาอื่นๆ ที่ใช้ ILS ในการประเมินรูปแบบการเรียนรู้ในนักศึกษาทันตแพทย์และนักศึกษาแพทย์ ซึ่งส่วนใหญ่มีลักษณะของรูปแบบการเรียนรู้แบบรับรู้และแบบภาพ [12, 30] Dalmolin และคณะแนะนำว่าการแจ้งให้นักเรียนทราบเกี่ยวกับรูปแบบการเรียนรู้ของพวกเขาจะช่วยให้พวกเขาสามารถบรรลุศักยภาพในการเรียนรู้ได้ นักวิจัยโต้แย้งว่าเมื่อครูเข้าใจกระบวนการทางการศึกษาของนักเรียนอย่างเต็มที่แล้ว สามารถนำวิธีการสอนและกิจกรรมต่างๆ มาใช้เพื่อปรับปรุงผลการเรียนและประสบการณ์การเรียนรู้ของนักเรียนได้ [12, 31, 32] การศึกษาอื่นๆ แสดงให้เห็นว่าการปรับรูปแบบการเรียนรู้ของนักเรียนยังแสดงให้เห็นถึงการปรับปรุงประสบการณ์การเรียนรู้และผลการเรียนของนักเรียนหลังจากเปลี่ยนรูปแบบการเรียนรู้ให้เหมาะสมกับรูปแบบการเรียนรู้ของตนเอง [13, 33]
ความคิดเห็นของครูอาจแตกต่างกันไปเกี่ยวกับการนำกลยุทธ์การสอนตามความสามารถในการเรียนรู้ของนักเรียนมาใช้ ในขณะที่บางคนมองเห็นประโยชน์ของแนวทางนี้ รวมถึงโอกาสในการพัฒนาวิชาชีพ การให้คำปรึกษา และการสนับสนุนจากชุมชน แต่บางคนอาจกังวลเกี่ยวกับเวลาและการสนับสนุนจากสถาบัน การพยายามสร้างความสมดุลเป็นกุญแจสำคัญในการสร้างทัศนคติที่เน้นนักเรียนเป็นศูนย์กลาง หน่วยงานด้านการศึกษาระดับอุดมศึกษา เช่น ผู้บริหารมหาวิทยาลัย สามารถมีบทบาทสำคัญในการขับเคลื่อนการเปลี่ยนแปลงเชิงบวกโดยการแนะนำแนวปฏิบัติที่เป็นนวัตกรรมและสนับสนุนการพัฒนาคณาจารย์ [34] เพื่อสร้างระบบการศึกษาระดับอุดมศึกษาที่มีพลวัตและตอบสนองอย่างแท้จริง ผู้กำหนดนโยบายต้องดำเนินการอย่างกล้าหาญ เช่น การเปลี่ยนแปลงนโยบาย การจัดสรรทรัพยากรเพื่อการบูรณาการเทคโนโลยี และการสร้างกรอบการทำงานที่ส่งเสริมแนวทางที่เน้นนักเรียนเป็นศูนย์กลาง มาตรการเหล่านี้มีความสำคัญต่อการบรรลุผลลัพธ์ที่ต้องการ การวิจัยล่าสุดเกี่ยวกับการสอนแบบแยกแยะแสดงให้เห็นอย่างชัดเจนว่าการนำการสอนแบบแยกแยะไปใช้อย่างประสบความสำเร็จนั้นต้องอาศัยการฝึกอบรมและโอกาสในการพัฒนาอย่างต่อเนื่องสำหรับครู [35]
เครื่องมือนี้ให้การสนับสนุนที่มีคุณค่าแก่นักการศึกษาด้านทันตกรรมที่ต้องการใช้แนวทางที่เน้นผู้เรียนเป็นศูนย์กลางในการวางแผนกิจกรรมการเรียนรู้ที่เป็นมิตรกับผู้เรียน อย่างไรก็ตาม การศึกษาครั้งนี้มีข้อจำกัดอยู่ที่การใช้แบบจำลองแมชชีนเลิร์นนิงแบบต้นไม้ตัดสินใจ ในอนาคต ควรเก็บรวบรวมข้อมูลเพิ่มเติมเพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองแมชชีนเลิร์นนิงที่แตกต่างกัน เพื่อเปรียบเทียบความถูกต้อง ความน่าเชื่อถือ และความเที่ยงตรงของเครื่องมือแนะนำ นอกจากนี้ เมื่อเลือกวิธีการแมชชีนเลิร์นนิงที่เหมาะสมที่สุดสำหรับงานเฉพาะ ควรพิจารณาปัจจัยอื่นๆ เช่น ความซับซ้อนของแบบจำลองและการตีความด้วย
ข้อจำกัดของการศึกษาครั้งนี้คือ การศึกษาเน้นเฉพาะการทำแผนที่ LS และ IS ในกลุ่มนักศึกษาทันตแพทย์เท่านั้น ดังนั้น ระบบแนะนำที่พัฒนาขึ้นจึงแนะนำเฉพาะระบบที่เหมาะสมสำหรับนักศึกษาทันตแพทย์เท่านั้น จำเป็นต้องมีการปรับปรุงแก้ไขเพื่อให้เหมาะสมกับการใช้งานของนักศึกษาในระดับอุดมศึกษาทั่วไป
เครื่องมือแนะนำที่พัฒนาขึ้นใหม่โดยใช้แมชชีนเลิร์นนิงนี้ สามารถจำแนกและจับคู่ LS ของนักเรียนกับ IS ที่เหมาะสมได้ทันที ทำให้เป็นโปรแกรมการศึกษาทางทันตกรรมโปรแกรมแรกที่ช่วยให้ผู้สอนทันตกรรมวางแผนกิจกรรมการสอนและการเรียนรู้ที่เกี่ยวข้องได้ โดยใช้กระบวนการคัดกรองที่ขับเคลื่อนด้วยข้อมูล สามารถให้คำแนะนำเฉพาะบุคคล ประหยัดเวลา ปรับปรุงกลยุทธ์การสอน สนับสนุนการแทรกแซงที่ตรงเป้าหมาย และส่งเสริมการพัฒนาวิชาชีพอย่างต่อเนื่อง การนำไปใช้จะส่งเสริมแนวทางการศึกษาทางทันตกรรมที่เน้นนักเรียนเป็นศูนย์กลาง
Gilak Jani Associated Press. ความสอดคล้องหรือไม่สอดคล้องกันระหว่างรูปแบบการเรียนรู้ของนักเรียนและรูปแบบการสอนของครู Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
วันที่เผยแพร่: 29 เมษายน 2567