歯学を含む高等教育機関において、学生中心型学習（SCL）へのニーズが高まっている。しかし、SCLは歯学教育においては適用範囲が限られている。そこで本研究では、決定木機械学習（ML）技術を用いて、歯学部学生の好ましい学習スタイル（LS）とそれに対応する学習戦略（IS）をマッピングし、ISガイドライン開発のための有用なツールとして活用することで、歯学におけるSCLの適用を促進することを目的とする。これは、歯学部学生にとって有望な方法となるだろう。
マラヤ大学の歯学部学生255名が、学習スタイル分類のための44項目からなる修正版学習スタイル指標（m-ILS）アンケートに回答した。収集されたデータ（データセット）は、教師あり決定木学習に用いられ、学生の学習スタイルを最も適切な情報システム（IS）に自動的にマッチングさせる。その後、機械学習に基づくIS推奨ツールの精度が評価される。
LS（入力）とIS（目標出力）間の自動マッピングプロセスに決定木モデルを適用することで、各歯科学生に適した学習戦略のリストを即座に作成できます。IS推奨ツールは、モデル全体の精度において完璧な精度と再現率を示し、LSとISのマッチングが優れた感度と特異度を持つことを示しました。
機械学習に基づく決定木を用いた情報システム推奨ツールは、歯学部学生の学習スタイルと適切な学習戦略を正確にマッチングさせる能力を実証しました。このツールは、学生の学習体験を向上させ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選択肢を提供します。
教育機関において、教育と学習は基本的な活動です。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。学生と学習環境との相互作用は、学生の学習スタイル（LS）によって決定されます。研究によると、教師が意図した学生のLSと学習スタイル（IS）の不一致は、注意力やモチベーションの低下など、学生の学習に悪影響を及ぼす可能性があります。これは間接的に学生の成績に影響を与えます[1,2]。
IS は、教師が生徒に知識やスキルを伝えるために使用する方法であり、生徒の学習を支援することも含まれます [3]。一般的に、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を整理して効果的に学習できるようになります。通常、レッスン計画には、指導から指導付き練習、または指導付き練習から自主練習など、段階間のいくつかの移行が含まれます。このことを念頭に置いて、効果的な教師は、生徒の知識とスキルを構築することを目標として指導を計画することがよくあります [4]。
歯学部を含む高等教育機関では、SCL（学生主導型学習）への需要が高まっています。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、例えば、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有益なフィードバックを提供する責任を負うことで実現できます。学生の教育レベルや好みに合った学習教材や活動を提供することで、学生の学習環境を改善し、肯定的な学習体験を促進できると言われています[5]。
一般的に、歯学部学生の学習プロセスは、実施が求められるさまざまな臨床手順と、効果的な対人スキルを身につける臨床環境によって影響を受けます。トレーニングの目的は、学生が歯学の基礎知識と歯科臨床スキルを組み合わせ、習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ISの関係に関する初期の研究では、好ましいLSに合わせた学習戦略を調整することで、教育プロセスを改善できることがわかっています[8]。著者らはまた、学生の学習とニーズに合わせて、さまざまな教授法と評価方法を使用することを推奨しています。
教師は、学習スタイル（LS）の知識を応用することで、生徒がより深い知識と教科内容の理解を習得できるよう、指導を設計、開発、実施する上で役立ちます。研究者たちは、コルブ経験学習モデル、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てきました。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。本研究では、歯学部学生のLSを評価するためにFSLSMを使用します。
FSLSM は、工学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。健康科学 (医学、看護、薬学、歯学を含む) では、FSLSM モデルを使用した多くの論文が発表されています [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、学習スタイル指標 (ILS) [8] と呼ばれ、LS の 4 つの次元 (処理 (能動的 / 反省的)、知覚 (知覚的 / 直観的)、入力 (視覚的 / 言語的)、理解 (逐次的 / 全体的)) を評価する 44 項目が含まれています [14]。
図1に示すように、FSLSMの各次元には支配的な好みがあります。たとえば、処理次元では、「能動的」学習スタイルの学生は、学習教材と直接やり取りして情報を処理し、実践を通して学び、グループで学ぶ傾向があります。「内省的」学習スタイルは、思考を通して学ぶことを指し、一人で作業することを好みます。学習スタイルの「知覚」次元は、「感覚」と「直観」に分けられます。「感覚」の学生は、より具体的な情報と実践的な手順を好み、事実を重視するのに対し、「直観」の学生は抽象的な教材を好み、より革新的で創造的な性質を持っています。学習スタイルの「入力」次元は、「視覚」学習者と「言語」学習者で構成されます。「視覚」学習スタイルの人は、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）を通して学ぶことを好みますが、「言語」学習スタイルの人は、書面または口頭による説明の言葉を通して学ぶことを好みます。学習スタイルの次元を「理解」するために、このような学習者は「逐次的」と「全体的」に分けられます。 「順序型学習者は直線的な思考プロセスを好み、段階的に学習を進める一方、全体型学習者は全体的な思考プロセスを持ち、学習内容をより深く理解する傾向があります。」
近年、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、自動的なデータ駆動型発見の手法を探求し始めている[15, 16]。教師あり機械学習は、提供されたデータに基づいて、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や仮説を生成することができる[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、アルゴリズムを訓練する。そして、提供された入力データに対して類似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する。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ある[17]。
データ駆動型手法と決定木制御モデルを用いることで、LSの自動検出が可能となる。決定木は、健康科学を含む様々な分野のトレーニングプログラムで広く利用されていることが報告されている[18, 19]。本研究では、システム開発者が学生のLSを特定し、最適なISを推奨するために、モデルを特別にトレーニングした。
本研究の目的は、学生の学習スタイル（LS）に基づいた情報システム（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でSCLアプローチを適用することである。SCL手法の戦略としてのIS推奨ツールの設計フローを図1に示す。IS推奨ツールは、ILSを用いたLS分類メカニズムと、学生にとって最適なIS表示の2つの部分に分かれている。
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が挙げられます。システム開発者は、スマートフォンやタブレットなどのモバイルデバイスに対応させることで、ユーザーエクスペリエンスとモビリティを向上させています。
この実験は2段階で実施され、マラヤ大学歯学部の学生が任意で参加した。参加者は、歯学部の学生が作成した英語のオンラインm-ILSに回答した。最初の段階では、50人の学生のデータセットを使用して決定木機械学習アルゴリズムを訓練した。開発プロセスの第2段階では、255人の学生のデータセットを使用して、開発されたツールの精度を向上させた。
すべての参加者は、学年度に応じて、各段階の開始時に Microsoft Teams を介してオンライン説明を受けます。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-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 項目すべてに回答するように指示されました。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 を完了するために 1 週間が与えられました。m-ILS は、元の ILS 測定ツールに基づいており、歯科学生向けに修正されています。元の ILS と同様に、各 FSLSM 次元の側面を評価するために使用される、それぞれ 11 項目からなる 44 項目 (a、b) が均等に分布しています。
ツール開発の初期段階では、研究者らは50人の歯学部学生のデータセットを使用してマップを手動で注釈付けしました。FSLMによると、システムは回答「a」と「b」の合計を提供します。各次元について、学生が回答として「a」を選択した場合、LSは能動的/知覚的/視覚的/逐次的と分類され、学生が回答として「b」を選択した場合、学生は反省的/直観的/言語的/グローバル学習者と分類されます。
歯科教育研究者とシステム開発者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、各学生の LS を予測するために ML モデルに入力されました。「ゴミを入力すればゴミが出力される」は、データ品質を重視した機械学習の分野でよく言われる言葉です。入力データの品質が、機械学習モデルの精度と正確さを決定します。特徴エンジニアリングの段階では、FLSSM に基づく回答「a」と「b」の合計である新しい特徴セットが作成されます。薬剤位置の識別番号は表 1 に示されています。
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から11です。1から3のスコアは、同じ次元内で学習の好みのバランスが取れていることを示し、5から7のスコアは中程度の好みを示し、生徒が他の生徒に教える環境を1つ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のスコアがどちらか一方の極端な好みを反映していることです[8]。
各次元について、薬物は「能動的」、「内省的」、「バランス型」に分類されました。たとえば、指定された項目で学生が「b」よりも「a」と回答する頻度が高く、処理LS次元を表す特定の項目のスコアが閾値5を超えた場合、その学生は「能動的」LS領域に属します。しかし、特定の11の質問（表1）で「a」よりも「b」を選択し、5ポイント以上を獲得した学生は「内省的」LSに分類されました。最終的に、学生は「均衡」状態にあります。スコアが5ポイントを超えない場合は、「処理型」LSです。分類プロセスは、知覚（能動的/内省的）、入力（視覚的/言語的）、理解（逐次的/全体的）という他のLS次元についても繰り返されました。
決定木モデルは、分類プロセスのさまざまな段階で、異なる特徴の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考えられています。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があります。
シンプルなルールベースのプログラムを作成し、生徒の回答に基づいて各生徒のLSを自動的に採点および注釈付けしました。ルールベースはIF文の形式で、「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が発生した場合はYを実行する」です（Liu et al., 2014）。データセットに相関関係があり、決定木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のマッチングプロセスを自動化する効果的な方法になり得ます。
開発の第2段階では、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を255に増やしました。データセットは1:4の比率で分割されています。データセットの25%（64）をテストセットに使用し、残りの75%（191）をトレーニングセットとして使用しました（図2）。データセットを分割する必要があるのは、モデルが同じデータセットでトレーニングとテストを行うことで、モデルが学習するのではなく記憶してしまうことを防ぐためです。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（モデルがこれまで見たことのないデータ）でその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インターフェースを介して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、バックエンドとしてDjangoフレームワークを使用し、Pythonプログラミング言語で構築されています。表2に、このシステムの開発に使用されたライブラリを示します。
このデータセットは決定木モデルに入力され、学生の回答を計算・抽出して、学生のLS測定値を自動的に分類する。
混同行列は、与えられた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、次の4つの異なる値に基づいています。真陽性（TP） – モデルが陽性カテゴリを正しく予測した場合、偽陽性（FP） – モデルが陽性カテゴリを予測したが、実際のラベルは陰性だった場合、真陰性（TN） – モデルが陰性クラスを正しく予測した場合、偽陰性（FN） – モデルが陰性クラスを予測したが、実際のラベルは陽性だった場合。
これらの値は、Pythonのscikit-learn分類モデルのさまざまな性能指標、すなわち精度、再現率、F1スコアを計算するために使用されます。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、モデルが学生のLSを正確に分類する能力を測定するものです。
特異度は真陰性率とも呼ばれます。上記の式からもわかるように、これは真陰性（TN）と真陰性および偽陽性（FP）の比率です。学生の薬物分類に推奨されるツールの一部として、正確な識別能力を備えている必要があります。
決定木機械学習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ミスにより、比較的低い精度を示しました（表3）。LSスコアと学生のアノテーションを自動的に計算するシンプルなルールベースのプログラムを作成した後、レコメンデーションシステムのトレーニングとテストには、より多くのデータセット（255）が使用されました。
多クラス混同行列において、対角要素は各LSタイプに対する正解予測数を表します（図4）。決定木モデルを用いた場合、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、本研究では、対角要素は期待通りの結果を示しており、モデルが各LS分類に対してクラスラベルを良好かつ正確に予測していることを示しています。したがって、推薦ツールの全体的な精度は100%です。
図5に、精度、適合率、再現率、およびF1スコアの値を示します。決定木モデルを使用した推薦システムの場合、F1スコアは1.0「完璧」であり、完全な適合率と再現率を示し、高い感度と特異度の値を示しています。
図6は、学習とテストが完了した後の決定木モデルの可視化を示しています。並べて比較すると、特徴量の少ないモデルで学習させた決定木モデルの方が精度が高く、モデルの可視化も容易でした。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、モデル性能向上において重要なステップであることを示しています。
決定木を用いた教師あり学習を適用することで、LS（入力）とIS（目標出力）間のマッピングが自動的に生成され、各LSに関する詳細な情報が含まれる。
結果によると、255 人の学生のうち 34.9% が 1 つの LS オプションを好んだ。大多数 (54.3%) は 2 つ以上の LS を好んだ。12.2% の学生は LS はかなりバランスが取れていると回答した (表 4)。8 つの主要な LS に加えて、マラヤ大学の歯学部生には 34 通りの LS 分類の組み合わせがある。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が報告した主な LS である (図 7)。
表4からわかるように、学生の大多数は感覚優位型（13.7%）または視覚優位型（8.6%）の学習スタイル（LS）を示しました。また、12.2%の学生は知覚と視覚を組み合わせた学習スタイル（知覚視覚型LS）を示しました。これらの結果は、学生が確立された方法を通して学習し記憶することを好み、具体的で詳細な手順に従い、注意深い性質を持っていることを示唆しています。同時に、学生は視覚を通して（図表などを用いて）学習することを楽しみ、グループまたは個人で情報を議論し応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示し、学生のLSを即座に正確に予測し、適切なISを推奨することに焦点を当てています。決定木モデルを適用することで、学生の生活や教育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、ツリー構造を使用してデータ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、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再帰的にサブセットに分割し、リーフノードで決定が行われるまで動作します。
決定木の内部ノードは、m-ILS問題の入力特性に基づいた解を表し、葉ノードは最終的なLS分類予測を表します。本研究全体を通して、入力特徴と出力予測の関係を見ることで、決定プロセスを説明および視覚化する決定木の階層構造を容易に理解できます。
コンピュータ科学と工学の分野では、機械学習アルゴリズムが、入学試験の点数[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学生の成績を正確に予測し、学業上の困難に陥るリスクのある学生を特定するのに役立つことが示されています。
歯科トレーニング用の仮想患者シミュレータの開発における機械学習アルゴリズムの応用が報告されている。シミュレータは実際の患者の生理的反応を正確に再現することができ、安全で管理された環境で歯科学生をトレーニングするために使用できる[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が示されている。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きた[24、25]。他の研究では、患者の結果の予測、高リスク患者の特定、個別化された治療計画の開発[26]、歯周治療[27]、う蝕治療[25]などのタスクを実行するために機械学習アルゴリズムの使用が検討されている。
歯科医療における機械学習の応用に関する報告は発表されているものの、歯科教育における応用は依然として限られている。そこで本研究では、決定木モデルを用いて、歯科学生の学習意欲（LS）および学習意欲（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た。
この研究の結果は、開発された推薦ツールが高い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することで、パーソナライズされた推薦を提供し、教育者と生徒の教育体験と成果を向上させることができます。中でも、推薦ツールを通じて得られる情報は、教師の好む教授法と生徒の学習ニーズとの間の矛盾を解消することができます。たとえば、推薦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することができます。これは、生徒の積極的な学習行動と集中力の発達に役立ちます。ある研究では、生徒の好むLSに一致する学習教材と学習活動を提供することで、生徒がさまざまな方法で学習を統合、処理、楽しむことができ、より大きな可能性を達成できると報告されています[12]。また、研究によると、教室で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は、教育実践と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します[28、29]。
しかし、あらゆる現代技術と同様に、問題点や限界も存在します。これには、データプライバシー、バイアスと公平性に関する問題、そして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スキルとリソースなどが含まれます。しかし、この分野への関心と研究の高まりは、機械学習技術が歯科教育と歯科医療にプラスの影響を与える可能性を示唆しています。
この研究の結果は、歯学部の学生の半数が薬を「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、事実や具体的な例を好み、実践的な志向を持ち、細部に忍耐強く取り組み、「視覚的」学習スタイルを好みます。視覚的学習スタイルでは、学習者はアイデアや考えを伝えるために写真、図、色、地図を使用することを好みます。現在の結果は、知覚的学習スタイルと視覚的学習スタイルの特徴を持つ歯学部および医学部の学生の学習スタイルを評価するためにILSを使用した他の研究と一致しています[12, 30]。Dalmolinらは、学生に学習スタイルについて知らせることで、学生が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、教師が学生の教育プロセスを完全に理解すれば、学生のパフォーマンスと学習経験を向上させるさまざまな教授法や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、学生の学習スタイルを調整することで、学習スタイルを自分の学習スタイルに合わせて変更した後、学生の学習経験とパフォーマンスが向上することも示されています[13, 33]。
学生の学習能力に基づいた指導戦略の実施に関して、教師の意見は様々である。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認識する教師もいる一方で、時間や制度的サポートについて懸念する教師もいる。バランスを取ることが、学生中心の姿勢を築く鍵となる。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応答性の高い高等教育システムを構築するには、政策立案者は、政策変更、テクノロジー統合へのリソース投入、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る。これらの措置は、望ましい結果を達成するために不可欠である。最近の個別指導に関する研究では、個別指導の成功裡の実施には、教師に対する継続的な研修と能力開発の機会が必要であることが明確に示されている[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歯科教育者にとって貴重な支援となります。ただし、本研究は決定木機械学習モデルの使用に限定されています。今後は、さまざまな機械学習モデルのパフォーマンスを比較し、推薦ツールの精度、信頼性、および正確性を比較するために、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手法を選択する際には、モデルの複雑さや解釈などの他の要素も考慮することが重要です。
本研究の限界は、歯学部学生における学習意欲（LS）と情報感受性（IS）のマッピングのみに焦点を当てた点にある。そのため、開発された推薦システムは歯学部学生に適したものしか推薦しない。高等教育機関の学生が一般的に利用するためには、変更が必要である。
新たに開発された機械学習ベースの推薦ツールは、学生の学習スタイル（LS）を対応する学習スタイル（IS）に瞬時に分類・マッチングできるため、歯科教育者が関連する教育・学習活動を計画するのに役立つ初の歯科教育プログラムとなります。データ駆動型のトリアージプロセスを用いることで、個別の推薦を提供し、時間を節約し、教育戦略を改善し、的を絞った介入を支援し、継続的な専門能力開発を促進します。このツールの活用は、歯科教育における学生中心のアプローチを促進するでしょう。
Gilak Jani Associated Press. 学生の学習スタイルと教師の指導スタイルの適合性または不適合性。Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
投稿日時：2024年4月29日