歯科を含む高等教育機関では、学生中心の学習（SCL）の必要性が高まっています。ただし、SCLは歯科教育への適用が限られています。したがって、この研究の目的は、意思決定ツリー機械学習（ML）テクノロジーを使用して、優先学習スタイル（LS）と対応する学習戦略（IS）を開発するための有用なツールとしてマッピングすることにより、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。 。歯科学生のための有望な方法。
マラヤ大学の合計255人の歯科学生が、修正された学習スタイル（M-ILS）アンケートに記入しました。収集されたデータ（データセットと呼ばれる）は、学生の学習スタイルを最も適切なISに自動的に一致させるために、監視された意思決定ツリー学習で使用されます。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（ターゲット出力）間の自動マッピングプロセスでの決定ツリーモデルの適用により、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、完全なモデルの精度の完全な精度とリコールを実証し、LSに一致することが優れた感度と特異性があることを示しています。
ML決定ツリーに基づくIS推奨ツールは、歯科学生の学習スタイルを適切な学習戦略と正確に一致させる能力を証明しています。このツールは、学習者中心のコースまたは学生の学習体験を向上させることができる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。高品質の職業教育システムを開発するとき、学生の学習ニーズに焦点を合わせることが重要です。学生とその学習環境間の相互作用は、LSを通じて決定できます。調査によると、生徒のLSとIS間の教師が意図した不一致は、注意や動機の低下など、生徒の学習にマイナスの結果をもたらす可能性があることが示唆されています。これは、間接的に学生のパフォーマンスに影響します[1,2]。
ISは、生徒が学習するのを支援するなど、学生に知識とスキルを伝えるために教師が使用する方法です[3]。一般的に言えば、優れた教師は教育戦略を計画するか、生徒の知識のレベル、学習している概念、学習段階に最もよく一致します。理論的には、LSとIS Matchの場合、学生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することができます。通常、授業計画には、教育からガイド付き実践、ガイド付き実践から独立した実践までの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、効果的な教師はしばしば、学生の知識とスキルを築くことを目的として指導を計画します[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、学生の学習ニーズを満たすように設計されています。これは、学生が学習活動に積極的に参加し、教師がファシリテーターとして行動し、貴重なフィードバックを提供する責任がある場合、これを達成できます。学生の教育レベルや好みに適した学習資料と活動を提供すると、学生の学習環境を改善し、前向きな学習体験を促進することが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、実行するために必要なさまざまな臨床処置と、効果的な対人スキルを開発する臨床環境の影響を受けます。トレーニングの目的は、学生が歯科の基本的な知識と歯科臨床スキルを組み合わせ、取得した知識を新しい臨床状況に適用できるようにすることです[6、7]。 LSとLSの関係に関する初期の研究は、優先LSにマッピングされた学習戦略の調整が教育プロセスの改善に役立つことがわかっています[8]。著者はまた、学生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知識を適用して、学生のより深い知識と主題の理解を高めることを強化する指導を設計、開発、実装するのを支援することで利益を得ます。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[5、9、10]など、いくつかのLS評価ツールを開発しました。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。現在の研究作業では、FSLSMを使用して、歯科学生の間でLSを評価しています。
FSLSMは、エンジニアリングの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[5、11、12、13]を使用して見つけることができる健康科学（医学、看護、薬局、歯科を含む）には多くの出版された作品があります。 FLSMのLSの寸法を測定するために使用される機器は、学習スタイルのインデックス（ILS）[8]と呼ばれます。これには、LSの4つの次元を評価する44項目が含まれています。入力（ビジュアル）。 /口頭）および理解（シーケンシャル/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支配的な好みがあります。たとえば、処理ディメンションでは、「アクティブ」LSを持つ学生は、学習資料と直接対話し、学習して学習し、グループで学習する傾向があることにより、情報を処理することを好みます。 「反射」LSは、思考を通して学習を指し、単独で働くことを好みます。 LSの「知覚」次元は、「感情」および/または「直観」に分けることができます。 「感情」の学生は、より具体的な情報と実用的な手順を好み、抽象的な素材を好む「直感的な」学生と比較して事実志向です。 LSの「入力」次元は、「視覚」および「口頭」の学習者で構成されています。 「視覚」LSを持つ人々は、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、「口頭」のLSを持つ人は、書かれた説明や口頭での説明で言葉を通して学ぶことを好みます。 LSの次元を「理解」するために、このような学習者は「シーケンシャル」および「グローバル」に分けることができます。 「シーケンシャル学習者は、線形思考プロセスを好み、段階的に学びますが、グローバルな学習者は全体的な思考プロセスを持ち、常に学習していることをよりよく理解しています。
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、自動データ駆動型の発見の方法を探求し始めました[15、16]。提供されたデータに基づいて、監視された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することができます[17]。簡単に言えば、監視された機械学習技術は、入力データとトレーニングアルゴリズムを操作します。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。監視された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する能力です[17]。
データ駆動型の方法と決定ツリー制御モデルを使用することで、LSの自動検出が可能です。決定木は、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と報告されています[18、19]。この研究では、モデルはシステム開発者によって特に訓練され、学生のLSを特定し、最高のものを推奨しています。
この研究の目的は、学生のLSに基づいた配信戦略を開発し、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り、SCLアプローチを適用することです。 SCLメソッドの戦略としてのIS推奨ツールの設計フローを図1に示します。IS推奨ツールは、ILSを使用したLS分類メカニズムを含む2つの部分に分割され、学生に最も適したISディスプレイ。
特に、情報セキュリティの推奨ツールの特性には、Webテクノロジーの使用と意思決定ツリー機械学習の使用が含まれます。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適応することにより、ユーザーエクスペリエンスとモビリティを改善します。
実験は2つの段階で実施され、マラヤ大学の歯科学部の学生は自発的に参加しました。参加者は、英語で歯科学生のオンラインM-ILに応答しました。初期段階では、50人の学生のデータセットを使用して、決定ツリーマシン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フェーズでは、255人の学生のデータセットを使用して、開発された機器の精度を向上させました。
すべての参加者は、Microsoftチームを介して、学年度に応じて、各段階の初めにオンラインブリーフィングを受けます。研究の目的が説明され、インフォームドコンセントが得られました。すべての参加者には、M-ILにアクセスするためのリンクが提供されました。各生徒は、アンケートの44個のアイテムすべてに答えるように指示されました。彼らは、学期の開始前の学期休憩中に、一度に修正されたILと場所を完成させるために1週間与えられました。 M-ILSは、元のILS機器に基づいており、歯科学生向けに修正されています。元のILSと同様に、各FSLSMディメンションの側面を評価するために使用される、それぞれ11個のアイテムを備えた44個の均一なアイテム（a、b）が含まれています。
ツール開発の初期段階では、研究者は50人の歯科学生のデータセットを使用してマップを手動で注釈しました。 FSLMによると、システムは「A」と「B」の回答の合計を提供します。各次元について、学生が「A」を答えとして選択する場合、LSはアクティブ/知覚/視覚/シーケンシャルに分類され、学生が「B」を答えとして選択する場合、学生は反射/直観/言語として分類されます。 /グローバル学習者。
歯科教育の研究者とシステム開発者の間の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、各生徒のLSを予測するためにMLモデルに供給されました。 「ごみ入って、ゴミ箱」は、データの品質に重点を置いて、機械学習の分野で人気のあることわざです。入力データの品質により、機械学習モデルの精度と精度が決まります。機能エンジニアリングフェーズでは、FLSSMに基づいて「A」と「B」の回答の合計である新機能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、学生のLSを決定します。各生徒のスコア範囲は1〜11です。1から3のスコアは、同じ次元内の学習好みのバランスを示し、5〜7のスコアは中程度の好みを示し、学生が他の人に教える1つの環境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のスコアが一方の端または他方の端の強い好みを反映していることです[8]。
各次元について、薬物は「アクティブ」、「反射」、「バランス」にグループ化されました。たとえば、学生が指定されたアイテムの「B」よりも「A」と答え、スコアが処理LS次元を表す特定のアイテムのしきい値を超える場合、彼/彼女は「アクティブ」LSに属しますドメイン。 。ただし、学生は、特定の11の質問（表1）で「A」以上の「B」を選択し、5ポイント以上を獲得したときに「反射」LSに分類されました。最後に、学生は「均衡」の状態にあります。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ディメンション、すなわち知覚（アクティブ/反射性）、入力（視覚/言語）、および理解（シーケンシャル/グローバル）で繰り返されました。
決定ツリーモデルは、分類プロセスのさまざまな段階で、機能のさまざまなサブセットと決定ルールを使用できます。これは、一般的な分類および予測ツールと見なされます。フローチャート[20]などのツリー構造を使用して表現できます。この構造では、属性によるテストを表す内部ノード、テスト結果を表す各ブランチ、クラスラベルを含む各リーフノード（リーフノード）があります。
単純なルールベースのプログラムが作成され、各生徒のLSが回答に基づいて自動的にスコアを付けて注釈を付けました。ルールベースは、IFステートメントの形を取得します。「if」はトリガーを記述し、「次に」実行するアクションを指定します。たとえば、「xが発生した場合、y」（Liu et al。、2014）。データセットが相関を示し、決定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を一致させるプロセスを自動化する効果的な方法になります。
開発の第2フェーズでは、データセットは255に増加し、推奨ツールの精度を向上させました。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ないようにするために、データセットを分割する必要があります。これにより、モデルが学習するのではなく覚えておく可能性があります。このモデルはトレーニングセットでトレーニングされ、テストセットでのパフォーマンスを評価します。これはモデルがこれまで見たことのないことです。
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て歯科学生の応答に基づいてLSを分類できます。 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使用して、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に使用されるライブラリを示します。
データセットは、学生の応答を計算および抽出して、学生のLS測定を自動的に分類するための決定ツリーモデルに供給されます。
混乱マトリックスは、特定のデータセット上の決定ツリー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を評価します。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。真の正（TP） - モデルは正のカテゴリを正しく予測し、偽陽性（FP） - モデルは正のカテゴリを予測しましたが、真のラベルは負、真のネガティブ（TN） - モデルはネガティブクラスと偽陰性（FN）を正しく予測しました。モデルは負のクラスを予測しますが、真のラベルは正です。
これらの値を使用して、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ック、つまり精度、精度、リコール、およびF1スコアを計算します。例があります：
Recall（または感度）は、M-ILSアンケートに回答した後、学生のLSを正確に分類するモデルの能力を測定します。
特異性は真の負のレートと呼ばれます。上記の式からわかるように、これは真のネガティブ（TN）と真のネガと偽陽性（FP）の比率である必要があります。学生薬を分類するための推奨ツールの一部として、正確な識別が可能です。
意思決定ツリーMLモデルのトレーニングに使用される50人の学生の元のデータセットは、注釈の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スコアとスチューデントアノテーションを自動的に計算するための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は、ますます多くのデータセット（255）が使用されました。
マルチクラスの混乱マトリックスでは、対角線要素は各LSタイプの正しい予測の数を表します（図4）。決定ツリーモデルを使用して、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、対角線の要素が期待される結果を示し、モデルが適切に機能し、各LS分類のクラスラベルを正確に予測することを示します。したがって、推奨ツールの全体的な精度は100％です。
精度、精度、リコール、およびF1スコアの値を図5に示します。決定ツリー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「完全」であり、完全な精度とリコールを示し、有意な感度と特異性を反映しています。値。
図6は、トレーニングとテストが完了した後の決定ツリーモデルの視覚化を示しています。並んで比較すると、より少ない機能で訓練された決定ツリーモデルは、より高い精度とモデルの視覚化が容易であることが示されました。これは、機能の削減につながる機能エンジニアリングが、モデルのパフォーマンスを改善するための重要なステップであることを示しています。
決定ツリーの監視学習を適用することにより、LS（入力）とIS（ターゲット出力）の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。
結果は、255人の学生の34.9％がLSオプションを好むことを示しました。大多数（54.3％）には2つ以上のLS好みがありました。学生の12.2％は、LSが非常にバランスが取れていることを指摘しました（表4）。 8つの主要なLSに加えて、マラヤ大学の歯科学生向けのLS分類の34の組み合わせがあります。その中で、知覚、ビジョン、および知覚と視覚の組み合わせは、学生が報告した主なLSです（図7）。
表4からわかるように、学生の大半は主要な感覚（13.7％）または視覚（8.6％）LSを持っていました。学生の12.2％が知覚とビジョン（知覚視界LS）を組み合わせたことが報告されました。これらの調査結果は、学生が確立された方法を通して学び、覚えておくことを好み、具体的かつ詳細な手順に従い、本質的に気配りがあることを示唆しています。同時に、彼らは（図などを使用して）見ることで学習を楽しんでおり、グループまたは自分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、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、即座に正確に学生のLSを予測し、適切なISを推奨することに焦点を当てています。意思決定ツリーモデルの適用により、彼らの生活と教育的経験に最も密接に関連する要因が特定されました。これは、特定の基準に基づいてデータセットをサブカテゴリに分割することにより、ツリー構造を使用してデータを分類する監視済みの機械学習アルゴリズムです。 Leafノードで決定が行われるまで、各内部ノードの入力機能の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で機能します。
決定ツリーの内部ノードは、M-ILS問題の入力特性に基づくソリューションを表し、葉のノードは最終LS分類予測を表します。調査全体を通して、入力機能と出力予測の関係を調べることにより、意思決定プロセスを説明および視覚化する決定ツリーの階層を理解するのは簡単です。
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、および学習行動[22]に基づいて学生のパフォーマンスを予測するために広く使用されています。調査によると、アルゴリズムは学生のパフォーマンスを正確に予測し、学生が学業の問題のリスクがある学生を特定するのに役立つことが示されました。
歯科訓練のための仮想患者シミュレータの開発におけるMLアルゴリズムの適用が報告されています。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品質と効率を潜在的に改善でき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て、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、リスクの高い患者の特定、パーソナライズされた治療計画の開発[26]、歯周治療[27]、および虫歯[25]の開発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を調査しました。
歯科での機械学習の適用に関する報告は公開されていますが、歯科教育への適用は依然として限られています。したがって、この研究の目的は、決定ツリーモデルを使用して、LSと最も密接に関連する要因を特定することを目的としており、歯科学生の間にあります。
この研究の結果は、開発された推奨ツールが高精度と完全な精度を持っていることを示しており、教師がこのツールから利益を得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経験と結果を改善できます。その中で、推奨ツールを通じて得られた情報は、教師の好ましい教育方法と学生の学習ニーズの間の対立を解決できます。たとえば、推奨ツールの自動出力により、生徒のIPを識別して対応するIPと一致するのに必要な時間は大幅に削減されます。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資料を編成できます。これにより、学生の前向きな学習行動と集中能力を開発することができます。ある研究では、学生が好みのLSに一致する学習資料と学習活動を提供することで、学生がより大きな可能性を達成するために複数の方法で学習を統合、処理、および楽しむのに役立つことが報告されました[12]。調査によると、教室への学生への参加の改善に加えて、学生の学習プロセスを理解することは、教育の実践と学生とのコミュニケーションの改善に重要な役割を果たしていることも示されています[28、29]。
ただし、現代の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、バイアス、公平性、および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、この分野での関心と研究の増加は、機械学習技術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、事実と具体的な例を好み、実用的なオリエンテーション、詳細に対する忍耐、および学習者がアイデアや思考を伝えるために写真、グラフィック、色、マップを使用することを好む「視覚的な」LSの好みがあります。現在の結果は、ILSを使用して歯科学生と医学生のLSを評価する他の研究と一致しており、そのほとんどは知覚および視覚LSの特徴を持っています[12、30]。 Dalmolinらは、学生にLSについて知らせることで、学習の可能性に到達できることを示唆しています。研究者は、教師が学生の教育プロセスを完全に理解している場合、学生のパフォーマンスと学習体験を改善するさまざまな教育方法と活動を実施できると主張しています[12、31、32]。他の研究では、学生のLSを調整することで、学習スタイルを変更して自分のLSに合わせた後、学生の学習経験とパフォーマンスの改善も示すことが示されています[13、33]。
教師の意見は、学生の学習能力に基づいた教育戦略の実施に関して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、コミュニティのサポートなど、このアプローチの利点を見る人もいれば、時間と制度のサポートを心配している人もいます。バランスをとることは、学生中心の態度を生み出すための鍵です。大学の管理者などの高等教育当局は、革新的な実践を導入し、教員開発を支援することにより、積極的な変化を促進する上で重要な役割を果たすことができます[34]。真にダイナミックで応答性の高い高等教育システムを作成するには、政策変更、テクノロジーの統合へのリソースの捧げ、学生中心のアプローチを促進するフレームワークの作成など、大胆な措置を講じる必要があります。これらの措置は、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では、差別化された指導の実装が成功するには、教師にとって継続的なトレーニングと開発の機会が必要であることが明確に示されています[35]。
このツールは、学生に優しい学習活動を計画するために学生中心のアプローチを採用したい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、決定ツリーMLモデルの使用に限定されています。将来的には、さまざまな機械学習モデルのパフォーマンスを比較して、推奨ツールの精度、信頼性、精度を比較するために、より多くのデータを収集する必要があります。さらに、特定のタスクに最も適切な機械学習方法を選択する場合、モデルの複雑さや解釈などの他の要因を考慮することが重要です。
この研究の制限は、LSのマッピングにのみ焦点を合わせ、歯科学生の1つであることです。したがって、開発された推奨システムは、歯科学生に適したもののみを推奨します。一般的な高等教育の学生の使用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、学生のLSを対応するISに即座に分類および一致させることができ、歯科教育者が関連する教育と学習活動を計画するのを支援する最初の歯科教育プログラムになります。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、標的介入をサポートし、継続的な専門能力開発を促進できます。そのアプリケーションは、歯科教育に対する学生中心のアプローチを促進します。
ギラック・ジャニ・アソシエイト・プレス。生徒の学習スタイルと教師の指導スタイルとの一致または不一致。 Int J Mod Educ Computer Science。 2012; 4（11）：51–60。 https://doi.org/10.5815/ijmecs.2012.11.05
投稿時間：APR-29-2024