歯学を含む高等教育機関では、学生中心学習 (SCL) のニーズが高まっています。ただし、SCL の歯科教育への応用は限られています。したがって、この研究は、決定木機械学習 (ML) テクノロジーを使用して歯学学生の好みの学習スタイル (LS) とそれに対応する学習戦略 (IS) をマッピングし、IS ガイドラインを作成するための有用なツールとして歯科における SCL の適用を促進することを目的としています。 。歯科学生にとって有望な方法。
マラヤ大学の合計 255 人の歯学部学生が、修正学習スタイル指数 (m-ILS) アンケートに回答しました。このアンケートには、学生をそれぞれの LS に分類するための 44 項目が含まれていました。収集されたデータ (データセットと呼ばれます) は、教師ありデシジョン ツリー学習で使用され、生徒の学習スタイルを最も適切な IS に自動的に照合します。次に、機械学習ベースの IS 推奨ツールの精度が評価されます。
LS (入力) と IS (目標出力) 間の自動マッピング プロセスにデシジョン ツリー モデルを適用すると、各歯科学生に適切な学習戦略の即時リストが可能になります。IS 推奨ツールは、モデル全体の精度の完全な精度と再現率を実証し、LS と IS のマッチングが良好な感度と特異性を備えていることを示しました。
ML デシジョン ツリーに基づく IS 推奨ツールは、歯科学生の学習スタイルと適切な学習戦略を正確に一致させる能力が証明されています。このツールは、学生の学習体験を強化できる、学習者中心のコースやモジュールを計画するための強力なオプションを提供します。
教育と学習は教育機関における基本的な活動です。質の高い職業教育システムを開発する際には、学生の学習ニーズに焦点を当てることが重要です。学生とその学習環境との間の相互作用は、LS を通じて決定できます。研究によると、教師が意図した生徒の LS と IS の不一致は、注意力やモチベーションの低下など、生徒の学習に悪影響を及ぼす可能性があります。これは生徒の成績に間接的に影響します [1,2]。
IS は、生徒の学習を支援するなど、教師が生徒に知識とスキルを伝えるために使用する方法です [3]。一般に、優れた教師は、生徒の知識レベル、学習中の概念、学習段階に最も適した指導戦略または IS を計画します。理論的には、LS と IS が一致すると、生徒は特定のスキル セットを整理して使用して効果的に学習できるようになります。通常、授業計画には、指導からガイド付き練習へ、またはガイド付き練習から自主練習へなど、段階間のいくつかの移行が含まれます。これを念頭に置いて、有能な教師は、生徒の知識とスキルを構築することを目的として指導を計画することがよくあります [4]。
SCL の需要は、歯科を含む高等教育機関で増加しています。SCL 戦略は、生徒の学習ニーズを満たすように設計されています。これは、たとえば、生徒が学習活動に積極的に参加し、教師が進行役として機能し、貴重なフィードバックを提供する責任を負う場合に達成できます。生徒の教育レベルや好みに適した学習教材やアクティビティを提供することで、生徒の学習環境を改善し、前向きな学習体験を促進できると言われています[5]。
一般的に、歯科学生の学習プロセスは、学生が実行する必要があるさまざまな臨床処置と、効果的な対人関係スキルを開発する臨床環境に影響されます。トレーニングの目的は、学生が歯科学の基礎知識と歯科臨床スキルを組み合わせ、得られた知識を新しい臨床状況に応用できるようにすることです[6、7]。LS と IS の関係に関する初期の研究では、好みの LS にマッピングされた学習戦略を調整することが教育プロセスの改善に役立つことが判明しました [8]。著者らはまた、生徒の学習とニーズに適応するために、さまざまな教育および評価方法を使用することを推奨しています。
教師は、LS の知識を応用して、生徒のより深い知識の獲得と主題の理解を強化する指導を設計、開発、実施することに役立ちます。研究者は、コルブ体験学習モデル、フェルダー・シルバーマン学習スタイル・モデル (FSLSM)、フレミング VAK/VARK モデルなど、いくつかの LS 評価ツールを開発しました [5、9、10]。文献によると、これらの学習モデルは最も一般的に使用され、最も研究されている学習モデルです。現在の研究では、歯学生のLSを評価するためにFSLSMが使用されています。
FSLSM は、エンジニアリングにおける適応学習を評価するために広く使用されているモデルです。FSLSM モデルを使用した健康科学 (医学、看護、薬学、歯科を含む) の出版物が多数あります [5、11、12、13]。FLSM で LS の次元を測定するために使用されるツールは、学習スタイル指数 (ILS) [8] と呼ばれます。これには、LS の 4 つの次元、つまり処理 (能動/反射)、知覚 (知覚/直観)、入力（視覚）。/言語）と理解（逐次的/グローバル）[14]。
図 1 に示すように、各 FSLSM ディメンションには優先的な優先順位があります。たとえば、処理の側面では、「アクティブな」LS の生徒は、学習教材と直接対話して情報を処理することを好み、実践して学習し、グループで学習する傾向があります。「内省的」LS は思考を通じて学習することを指し、一人で作業することを好みます。LS の「知覚」の次元は、「感情」および/または「直感」に分けることができます。「感覚型」の生徒は、より具体的な情報と実践的な手順を好み、抽象的な内容を好み、本質的により革新的で創造的な「直感型」の生徒に比べて、事実指向です。LS の「インプット」次元は、「視覚的」学習者と「言語的」学習者で構成されます。「視覚的」LSの人は、視覚的なデモンストレーション（図、ビデオ、ライブデモンストレーションなど）を通じて学習することを好みますが、「言語的」LSの人は、書面または口頭での説明による言葉による学習を好みます。LS の次元を「理解」するには、そのような学習者を「シーケンシャル」と「グローバル」に分けることができます。「逐次学習者は直線的な思考プロセスを好み、段階的に学習しますが、グローバル学習者は全体的な思考プロセスを持ち、常に学習内容をよりよく理解する傾向があります。
最近、多くの研究者が、大量のデータを解釈できる新しいアルゴリズムやモデルの開発など、データ駆動型の自動発見の方法を模索し始めています[15、16]。提供されたデータに基づいて、教師あり ML (機械学習) は、アルゴリズムの構築に基づいて将来の結果を予測するパターンと仮説を生成できます [17]。簡単に言えば、教師あり機械学習技術は入力データを操作し、アルゴリズムをトレーニングします。次に、提供された入力データの同様の状況に基づいて結果を分類または予測する範囲を生成します。教師あり機械学習アルゴリズムの主な利点は、理想的で望ましい結果を確立できることです [17]。
データ駆動型の手法と決定木制御モデルの使用により、LS の自動検出が可能です。デシジョン ツリーは、健康科学を含むさまざまな分野のトレーニング プログラムで広く使用されていることが報告されています [18、19]。この研究では、モデルは生徒の LS を特定し、生徒に最適な IS を推奨するためにシステム開発者によって特別にトレーニングされました。
この研究の目的は、生徒の LS に基づいて IS 提供戦略を開発し、LS にマッピングされた IS 推奨ツールを開発することによって SCL アプローチを適用することです。SCL手法の戦略としてのIS推薦ツールの設計フローを図1に示します。IS推薦ツールはILSを用いたLS分類の仕組みと、生徒に最適なISの表示の2つに分かれています。
特に、情報セキュリティ推奨ツールの特徴としては、Web技術の利用や決定木機械学習の利用などが挙げられます。システム開発者は、携帯電話やタブレットなどのモバイル デバイスにシステムを適応させることで、ユーザー エクスペリエンスとモビリティを向上させます。
実験は2段階で実施され、マラヤ大学歯学部の学生が自主的に参加した。参加者は歯学部学生のオンライン m-ILS に英語で回答しました。初期段階では、50 人の学生のデータセットを使用して、デシジョン ツリー機械学習アルゴリズムをトレーニングしました。開発プロセスの第 2 段階では、開発された機器の精度を向上させるために 255 人の生徒のデータセットが使用されました。
すべての参加者は、学年に応じて各ステージの開始時に Microsoft Teams を通じてオンライン説明を受けます。研究の目的を説明し、インフォームドコンセントを得ました。すべての参加者には、m-ILS にアクセスするためのリンクが提供されました。各学生は、アンケートの 44 項目すべてに答えるように指示されました。彼らには、学期開始前の学期休み中に都合の良い時間と場所で修正版 ILS を完了するための 1 週間の時間が与えられました。m-ILS は、オリジナルの ILS 装置をベースにしており、歯科学生向けに改良されています。オリジナルの ILS と同様に、各 11 項目を含む 44 の均等に分散された項目 (a、b) が含まれており、各 FSLSM ディメンションの側面を評価するために使用されます。
ツール開発の初期段階で、研究者は 50 人の歯科学生のデータセットを使用して地図に手動で注釈を付けました。FSLM によれば、システムは回答「a」と「b」の合計を提供します。各側面について、生徒が答えとして「a」を選択した場合、LS は能動的/知覚的/視覚的/逐次的に分類され、生徒が答えとして「b」を選択した場合、生徒は内省的/直観的/言語的として分類されます。 。/ グローバルな学習者。
歯科教育研究者とシステム開発者の間でワークフローを調整した後、FLSSM ドメインに基づいて質問が選択され、ML モデルに入力されて各生徒の LS を予測しました。「ガベージイン、ガベージアウト」は機械学習の分野でよく使われる言葉で、データの品質が重視されます。入力データの品質によって、機械学習モデルの精度と精度が決まります。特徴エンジニアリング フェーズでは、FLSSM に基づいて回答「a」と「b」の合計である新しい特徴セットが作成されます。薬物位置の識別番号を表 1 に示します。
回答に基づいてスコアを計算し、生徒の LS を決定します。各生徒のスコア範囲は 1 ～ 11 です。スコア 1 ～ 3 は、同じ次元内での学習の好みのバランスを示し、スコア 5 ～ 7 は中程度の好みを示し、学生が 1 つの環境で他の人に教えることを好む傾向があることを示しています。 。同じ次元のもう 1 つのバリエーションは、9 から 11 までのスコアが、一方の端またはもう一方の端に対する強い好みを反映していることです [8]。
それぞれの側面について、薬物は「活性」、「反射」、「バランス」に分類されました。たとえば、指定された項目について生徒が「b」よりも「a」と答える回数が多く、そのスコアが処理 LS ディメンションを表す特定の項目のしきい値の 5 を超えた場合、その生徒は「アクティブ」LS に属します。ドメイン。。ただし、特定の 11 の質問 (表 1) で「a」よりも「b」を多く選択し、5 点以上を獲得した生徒は「反射的」LS として分類されました。最終的に、生徒は「平衡」状態になります。スコアが 5 ポイントを超えない場合、これは「プロセス」LS です。分類プロセスは、他の LS の側面、つまり、知覚 (能動的/反射的)、入力 (視覚的/言語的)、および理解 (順次的/全体的) に対して繰り返されました。
デシジョン ツリー モデルは、分類プロセスのさまざまな段階で、特徴と意思決定ルールのさまざまなサブセットを使用できます。これは、人気のある分類および予測ツールと考えられています。これはフローチャート [20] のようなツリー構造で表現でき、属性ごとのテストを表す内部ノード、テスト結果を表す各ブランチ、およびクラス ラベルを含む各リーフ ノード (葉ノード) が存在します。
単純なルールベースのプログラムが作成され、各生徒の応答に基づいて各生徒の LS を自動的に採点し、注釈を付けました。ルールベースは IF ステートメントの形式をとり、「IF」はトリガーを記述し、「THEN」は実行するアクションを指定します。たとえば、「X が発生したら、Y を実行します」(Liu et al., 2014)。データセットが相関関係を示し、デシジョン ツリー モデルが適切にトレーニングおよび評価されている場合、このアプローチは LS と IS を照合するプロセスを自動化する効果的な方法となり得ます。
開発の第 2 フェーズでは、レコメンデーション ツールの精度を向上させるためにデータセットが 255 に増加しました。データセットは 1:4 の比率で分割されます。データ セットの 25% (64) がテスト セットに使用され、残りの 75% (191) がトレーニング セットとして使用されました (図 2)。モデルが同じデータ セットでトレーニングおよびテストされるのを防ぐために、データ セットを分割する必要があります。これにより、モデルが学習ではなく記憶する可能性があります。モデルはトレーニング セットでトレーニングされ、モデルがこれまでに見たことのないデータであるテスト セットでパフォーマンスを評価します。
IS ツールが開発されると、アプリケーションは Web インターフェイスを介した歯科学生の回答に基づいて LS を分類できるようになります。Web ベースの情報セキュリティ推奨ツール システムは、Django フレームワークをバックエンドとして Python プログラミング言語を使用して構築されています。表 2 に、このシステムの開発で使用したライブラリを示します。
データセットはデシジョン ツリー モデルに供給され、生徒の回答を計算および抽出して、生徒の LS 測定値を自動的に分類します。
混同行列は、特定のデータセットに対する決定木機械学習アルゴリズムの精度を評価するために使用されます。同時に、分類モデルのパフォーマンスも評価します。モデルの予測を要約し、実際のデータ ラベルと比較します。評価結果は 4 つの異なる値に基づいています。真陽性 (TP) – モデルは陽性カテゴリーを正しく予測しました。偽陽性 (FP) – モデルは陽性カテゴリーを予測しましたが、真のラベルは陰性でした。真陰性 (TN) –モデルは陰性クラスを正しく予測し、偽陰性 (FN) – モデルは陰性クラスを予測しますが、真のラベルは陽性です。
これらの値は、Python の scikit-learn 分類モデルのさまざまなパフォーマンス メトリクス、つまり適合率、適合率、再現率、F1 スコアの計算に使用されます。以下に例を示します。
再現率 (または感度) は、m-ILS アンケートに回答した後に生徒の LS を正確に分類するモデルの能力を測定します。
特異度は真陰性率と呼ばれます。上の式からわかるように、これは真陰性 (TN) と真陰性および偽陽性 (FP) の比率になります。学生の薬物を分類するための推奨ツールの一部として、正確に識別できる必要があります。
デシジョン ツリー ML モデルのトレーニングに使用された 50 人の学生の元のデータセットは、アノテーションにおける人為的エラーにより、比較的低い精度を示しました (表 3)。LS スコアと学生の注釈を自動的に計算する単純なルールベースのプログラムを作成した後、推奨システムのトレーニングとテストにさらに多くのデータセット (255) が使用されました。
マルチクラス混同行列では、対角要素は各 LS タイプの正しい予測の数を表します (図 4)。デシジョン ツリー モデルを使用すると、合計 64 個のサンプルが正しく予測されました。したがって、この研究では、対角要素は期待された結果を示しており、モデルが良好に機能し、各 LS 分類のクラス ラベルを正確に予測していることを示しています。したがって、レコメンデーション ツールの全体的な精度は 100% です。
精度、精度、再現率、および F1 スコアの値を図 5 に示します。決定木モデルを使用した推奨システムの場合、その F1 スコアは 1.0「完璧」であり、完全な精度と再現率を示し、重要な感度と特異性を反映しています。価値観。
図 6 は、トレーニングとテストが完了した後のデシジョン ツリー モデルの視覚化を示しています。並べて比較すると、より少ない特徴量でトレーニングされたデシジョン ツリー モデルの方が精度が高く、モデルの視覚化が容易であることがわかりました。これは、特徴量削減につながる特徴量エンジニアリングがモデルのパフォーマンスを向上させる重要なステップであることを示しています。
決定木教師あり学習を適用すると、LS (入力) と IS (ターゲット出力) 間のマッピングが自動的に生成され、各 LS の詳細情報が含まれます。
その結果、255 人の生徒のうち 34.9% が 1 つの LS オプションを希望したことがわかりました。大多数 (54.3%) は 2 つ以上の LS の好みを持っていました。学生の 12.2% は、LS は非常にバランスが取れていると指摘しました (表 4)。8 つの主要な LS に加えて、マラヤ大学歯学部の学生には 34 の LS 分類の組み合わせがあります。その中で、知覚、視覚、および知覚と視覚の組み合わせが、学生によって報告された主な LS です (図 7)。
表 4 からわかるように、大多数の学生は感覚障害 (13.7%) または視覚障害 (8.6%) が優勢でした。学生の 12.2% が知覚と視覚を組み合わせている (知覚-視覚 LS) と報告されました。これらの調査結果は、学生が確立された方法で学習して記憶することを好み、特定の詳細な手順に従い、本質的に注意深いことを示唆しています。同時に、（図などを使用して）見て学ぶことを楽しみ、グループまたは単独で情報を議論して適用する傾向があります。
この研究では、生徒の LS を瞬時かつ正確に予測し、適切な IS を推奨することに焦点を当て、データ マイニングで使用される機械学習技術の概要を提供します。デシジョン ツリー モデルを適用すると、彼らの生活と教育経験に最も密接に関係する要因が特定されました。これは、ツリー構造を使用してデータのセットを特定の基準に基づいてサブカテゴリに分割することでデータを分類する教師あり機械学習アルゴリズムです。これは、リーフ ノードで決定が下されるまで、各内部ノードの入力特徴の 1 つの値に基づいて、入力データをサブセットに再帰的に分割することによって機能します。
決定木の内部ノードは m-ILS 問題の入力特性に基づく解を表し、リーフ ノードは最終的な LS 分類予測を表します。研究全体を通じて、入力特徴と出力予測の間の関係を調べることで、意思決定プロセスを説明および視覚化する意思決定ツリーの階層を簡単に理解できます。
コンピューターサイエンスとエンジニアリングの分野では、機械学習アルゴリズムは、入学試験のスコア[21]、人口統計情報、学習行動[22]に基づいて学生の成績を予測するために広く使用されています。研究によると、このアルゴリズムは生徒の成績を正確に予測し、学業上の困難に直面する生徒を特定するのに役立ちました。
歯科トレーニング用の仮想患者シミュレーターの開発における ML アルゴリズムの応用が報告されています。このシミュレーターは実際の患者の生理学的反応を正確に再現することができ、安全で制御された環境で歯科学生を訓練するために使用できます [23]。他のいくつかの研究では、機械学習アルゴリズムが歯科および医学教育と患者ケアの質と効率を向上させる可能性があることを示しています。機械学習アルゴリズムは、症状や患者の特徴などのデータセットに基づいた歯科疾患の診断を支援するために使用されています [24、25]。一方、他の研究では、患者の転帰の予測、高リスク患者の特定、個別化された治療計画の作成 [26]、歯周治療 [27]、う蝕治療 [25] などのタスクを実行するための機械学習アルゴリズムの使用が検討されています。
歯科における機械学習の応用に関する報告は発表されていますが、歯学教育における機械学習の応用は依然として限られています。したがって、この研究は、デシジョン ツリー モデルを使用して、歯科学生の間で LS および IS に最も密接に関連する要因を特定することを目的としました。
この研究の結果は、開発された推奨ツールが高い精度と完璧な精度を備えていることを示しており、教師がこのツールの恩恵を受けることができることを示しています。データ駆動型の分類プロセスを使用して、パーソナライズされた推奨事項を提供し、教育者と学生の教育体験と成果を向上させることができます。その中で、推奨ツールを通じて得られる情報は、教師の好む指導方法と生徒の学習ニーズとの間の矛盾を解決することができます。たとえば、推奨ツールの自動出力により、生徒の IP を特定し、対応する IP と照合するのに必要な時間が大幅に短縮されます。このようにして、適切なトレーニング活動とトレーニング教材を編成できます。これは、生徒の積極的な学習行動と集中力の育成に役立ちます。ある研究では、生徒に自分の好みの言語学習に合った学習教材や学習活動を提供することで、生徒が複数の方法で学習を統合し、処理し、楽しみながら、より大きな可能性を達成できるようになることが報告されています[12]。また、研究では、教室への生徒の参加を向上させることに加えて、生徒の学習プロセスを理解することが、教育実践や生徒とのコミュニケーションを改善する上で重要な役割を果たすことも示しています[28、29]。
ただし、他の最新テクノロジーと同様に、問題と制限があります。これらには、データのプライバシー、偏見と公平性、歯科教育における機械学習アルゴリズムの開発と実装に必要な専門的なスキルとリソースに関連する問題が含まれます。しかし、この分野への関心の高まりと研究は、機械学習テクノロジーが歯科教育と歯科サービスにプラスの影響を与える可能性があることを示唆しています。
この研究の結果は、歯科学生の半数が薬物を「知覚する」傾向があることを示しています。このタイプの学習者は、事実と具体例を好み、実践的な志向、細部への忍耐力、およびアイデアや考えを伝えるために写真、グラフィック、色、地図を使用することを好む「視覚的」LS の好みを持っています。現在の結果は、歯科学生および医学生のLSを評価するためにILSを使用した他の研究と一致しており、そのほとんどが知覚的および視覚的LSの特徴を持っています[12、30]。Dalmolin らは、生徒に自分の LS について知らせることで、学習の可能性を最大限に発揮できると示唆しています。研究者らは、教師が生徒の教育プロセスを十分に理解すれば、生徒の成績と学習体験を向上させるさまざまな指導方法や活動を導入できると主張しています[12、31、32]。他の研究では、生徒の LS を調整すると、学習スタイルを自分の LS に合わせて変更した後、生徒の学習経験と成績も向上することが示されています [13、33]。
生徒の学習能力に基づいた指導戦略の実施に関して、教師の意見は異なる場合があります。専門能力開発の機会、メンターシップ、コミュニティサポートなど、このアプローチの利点を理解している人もいますが、時間や制度的なサポートを懸念している人もいるかもしれません。バランスを保つよう努めることが、生徒中心の態度を生み出す鍵となります。大学管理者などの高等教育当局は、革新的な実践を導入し、教員の能力開発を支援することで、前向きな変化を推進する上で重要な役割を果たすことができる[34]。真にダイナミックで即応性のある高等教育システムを構築するには、政策立案者は、政策の変更、テクノロジー統合へのリソースの投入、学生中心のアプローチを促進する枠組みの作成など、大胆な措置を講じる必要があります。これらの対策は、望ましい結果を達成するために重要です。差別化された指導に関する最近の研究は、差別化された指導の実施を成功させるには、教師に対する継続的なトレーニングと能力開発の機会が必要であることを明確に示しています[35]。
このツールは、学生中心のアプローチで学生に優しい学習活動を計画したいと考えている歯科教育者に貴重なサポートを提供します。ただし、この研究はデシジョン ツリー ML モデルの使用に限定されています。将来的には、推奨ツールの精度、信頼性、精度を比較するために、さまざまな機械学習モデルのパフォーマンスを比較するために、より多くのデータを収集する必要があります。さらに、特定のタスクに最適な機械学習方法を選択する場合は、モデルの複雑さや解釈などの他の要素を考慮することが重要です。
この研究の限界は、歯科学生のLSとISのマッピングのみに焦点を当てていることです。したがって、開発された推薦システムは、歯科学生に適したもののみを推薦します。一般の高等教育の学生が利用する場合には変更が必要です。
新しく開発された機械学習ベースの推奨ツールは、生徒の LS を即座に分類して、対応する IS と照合することができ、歯科教育者が関連する教育および学習活動を計画するのに役立つ初の歯学教育プログラムとなっています。データ駆動型のトリアージ プロセスを使用して、パーソナライズされた推奨事項を提供し、時間を節約し、教育戦略を改善し、的を絞った介入をサポートし、継続的な専門能力開発を促進できます。その応用により、歯科教育に対する学生中心のアプローチが促進されます。
ギラック・ジャニAP通信。生徒の学習スタイルと教師の教え方の一致または不一致。Int J Mod Educ コンピュータ サイエンス。2012;4(11):51–60。https://doi.org/10.5815/ijmecs.2012.11.05
投稿時刻: 2024 年 4 月 29 日