Ana kebutuhan sing akeh kanggo sinau sing berpusat ing siswa (SCL) ing institusi pendidikan tinggi, kalebu kedokteran gigi.Nanging, SCL duwe aplikasi winates ing pendidikan dental.Mula, panliten iki nduweni tujuwan kanggo ningkatake penerapan SCL ing kedokteran gigi kanthi nggunakake teknologi decision tree machine learning (ML) kanggo memetakan gaya belajar (LS) sing disenengi lan strategi pembelajaran (IS) siswa sing cocog minangka alat sing migunani kanggo ngembangake pedoman IS. .Cara njanjeni kanggo mahasiswa dental.
Gunggunge 255 mahasiswa kedokteran gigi saka Universitas Malaya ngrampungake kuesioner Index of Learning Styles (m-ILS) sing diowahi, sing ngemot 44 item kanggo nggolongake menyang LS masing-masing.Data sing diklumpukake (disebut dataset) digunakake ing diawasi decision tree learning kanggo otomatis cocog gaya learning siswa kanggo IS paling cocok.Akurasi alat rekomendasi IS basis learning mesin banjur dievaluasi.
Aplikasi model wit keputusan ing proses pemetaan otomatis antarane LS (input) lan IS (target output) ngidini kanggo dhaptar langsung saka strategi learning cocok kanggo saben mahasiswa dental.Alat Rekomendasi IS nuduhake akurasi sampurna lan ngelingi akurasi model sakabèhé, nuduhake yen cocog LS kanggo IS wis sensitivitas apik lan spesifik.
Alat rekomendasi IS adhedhasar wit keputusan ML wis mbuktekake kemampuane kanggo cocog karo gaya sinau siswa dental kanthi strategi sinau sing cocog.Alat iki nyedhiyakake pilihan sing kuat kanggo ngrancang kursus utawa modul sing fokus ing siswa sing bisa nambah pengalaman sinau siswa.
Pengajaran lan sinau minangka kegiatan dhasar ing institusi pendidikan.Nalika ngembangake sistem pendidikan kejuruan sing berkualitas, penting kanggo fokus ing kabutuhan sinau siswa.Interaksi antarane siswa lan lingkungan sinau bisa ditemtokake liwat LS.Panaliten kasebut nuduhake manawa ora cocog sing dikarepake guru antarane LS lan IS bisa nyebabake akibat negatif kanggo sinau siswa, kayata nyuda perhatian lan motivasi.Iki bakal mengaruhi kinerja siswa kanthi ora langsung [1,2].
IS minangka cara sing digunakake guru kanggo menehi kawruh lan katrampilan marang siswa, kalebu mbantu siswa sinau [3].Umumé, guru sing apik ngrancang strategi pamulangan utawa IS sing paling cocog karo tingkat kawruh siswa, konsep sing disinaoni, lan tahap sinau.Secara teoritis, nalika LS lan IS cocog, siswa bakal bisa ngatur lan nggunakake seperangkat katrampilan tartamtu kanggo sinau kanthi efektif.Biasane, rencana pawulangan kalebu sawetara transisi antarane tahapan, kayata saka mulang menyang praktik sing dipandu utawa saka praktik sing dipandu menyang praktik mandiri.Kanthi mekaten, guru efektif asring ngrancang instruksi kanthi tujuan kanggo mbangun kawruh lan katrampilan siswa [4].
Panjaluk SCL saya tambah akeh ing institusi pendidikan tinggi, kalebu kedokteran gigi.Strategi SCL dirancang kanggo nyukupi kabutuhan sinau siswa.Iki bisa digayuh, contone, yen siswa melu aktif ing kegiatan sinau lan guru dadi fasilitator lan tanggung jawab kanggo menehi umpan balik sing penting.Dipuntedahaken bilih nyawisaken materi lan kagiyatan pamulangan ingkang trep kaliyan jenjang utawi preferensi pendhidhikan siswa saged ningkataken lingkungan sinau siswa lan ningkataken pengalaman sinau ingkang positif [5].
Umumé, proses sinau siswa dental dipengaruhi dening macem-macem prosedur klinis sing kudu ditindakake lan lingkungan klinis sing ngembangake katrampilan interpersonal sing efektif.Tujuan latihan yaiku supaya siswa bisa nggabungake kawruh dhasar babagan kedokteran gigi karo katrampilan klinis dental lan ngetrapake kawruh sing dipikolehi ing kahanan klinis anyar [6, 7].Riset awal babagan hubungan antarane LS lan IS nemokake yen nyetel strategi pembelajaran sing dipetakan menyang LS sing disenengi bakal mbantu ningkatake proses pendhidhikan [8].Penulis uga nyaranake nggunakake macem-macem metode pamulangan lan pambiji kanggo adaptasi karo sinau lan kabutuhan siswa.
Guru entuk manfaat saka ngetrapake kawruh LS kanggo mbantu dheweke ngrancang, ngembangake, lan ngleksanakake instruksi sing bakal nambah kawruh lan pemahaman siswa sing luwih jero babagan subyek.Peneliti wis ngembangake sawetara alat penilaian LS, kayata Model Pembelajaran Eksperiensial Kolb, Model Gaya Pembelajaran Felder-Silverman (FSLSM), lan Model Fleming VAK/VARK [5, 9, 10].Miturut literatur, model pamulangan kasebut minangka model pamulangan sing paling umum digunakake lan paling akeh ditliti.Ing karya riset saiki, FSLSM digunakake kanggo netepke LS antarane mahasiswa dental.
FSLSM minangka model sing akeh digunakake kanggo ngevaluasi pembelajaran adaptif ing teknik.Ana akeh karya sing diterbitake ing ilmu kesehatan (kalebu obat, keperawatan, farmasi lan kedokteran gigi) sing bisa ditemokake nggunakake model FSLSM [5, 11, 12, 13].Instrumen kang digunakake kanggo ngukur dimensi LS sajrone FLSM diarani Index of Learning Styles (ILS) [8], kang isine 44 item kang menehi pambiji patang dimensi LS yaiku proses (aktif/reflektif), persepsi (perseptual/intuitif), input (visual)./verbal) lan pemahaman (sequential/global) [14].
Kaya sing ditampilake ing Gambar 1, saben dimensi FSLSM nduweni preferensi sing dominan.Contone, ing dimensi pangolahan, siswa sing nduweni LS “aktif” luwih seneng ngolah informasi kanthi langsung sesambungan karo materi pamulangan, sinau kanthi nindakake, lan cenderung sinau kanthi kelompok.LS "reflektif" nuduhake sinau liwat pamikiran lan luwih seneng kerja dhewe.Dimensi "perceiving" LS bisa dipérang dadi "perasaan" lan / utawa "intuisi."Siswa "Rasa" luwih seneng informasi sing luwih konkrit lan prosedur praktis, luwih berorientasi fakta dibandhingake karo siswa "intuisi" sing luwih seneng materi abstrak lan luwih inovatif lan kreatif.Dimensi "input" LS dumadi saka siswa "visual" lan "verbal".Wong sing nganggo LS "visual" luwih seneng sinau liwat demonstrasi visual (kayata diagram, video, utawa demonstrasi langsung), dene wong sing nganggo LS "verbal" luwih seneng sinau liwat tembung ing panjelasan tulisan utawa lisan.Kanggo "mangerteni" dimensi LS, siswa kasebut bisa dipérang dadi "sequential" lan "global"."Pelajar sekuensial luwih seneng proses pamikiran sing linier lan sinau langkah demi langkah, dene para siswa global cenderung duwe proses pamikiran sing holistik lan tansah duwe pangerten sing luwih apik babagan apa sing lagi dipelajari.
Bubar, akeh peneliti wis wiwit njelajah cara kanggo panemuan data-driven otomatis, kalebu pangembangan algoritma anyar lan model saged interpretasi jumlah gedhe saka data [15, 16].Adhedhasar data sing diwenehake, ML (machine learning) sing diawasi bisa ngasilake pola lan hipotesis sing prédhiksi asil mangsa ngarep adhedhasar konstruksi algoritma [17].Cukup, teknik machine learning sing diawasi ngapusi data input lan algoritma latihan.Banjur ngasilake sawetara sing nggolongake utawa prédhiksi asil adhedhasar kahanan sing padha kanggo data input sing diwenehake.Kauntungan utama algoritma pembelajaran mesin sing diawasi yaiku kemampuan kanggo nggawe asil sing cocog lan dikarepake [17].
Liwat nggunakake metode data-driven lan model kontrol wit kaputusan, deteksi otomatis LS bisa.Wit keputusan wis dilaporake digunakake kanthi akeh ing program latihan ing macem-macem lapangan, kalebu ilmu kesehatan [18, 19].Ing panliten iki, model kasebut dilatih khusus dening pangembang sistem kanggo ngenali LS siswa lan menehi rekomendasi IS sing paling apik kanggo dheweke.
Tujuwan saka panliten iki yaiku ngembangake strategi penyampaian IS adhedhasar LS siswa lan ngetrapake pendekatan SCL kanthi ngembangake alat rekomendasi IS sing dipetakan menyang LS.Aliran desain alat rekomendasi IS minangka strategi metode SCL ditampilake ing Gambar 1. Alat rekomendasi IS dipérang dadi rong bagéan, kalebu mekanisme klasifikasi LS nggunakake ILS lan tampilan IS sing paling cocok kanggo siswa.
Khususe, karakteristik alat rekomendasi keamanan informasi kalebu panggunaan teknologi web lan panggunaan pembelajaran mesin wit keputusan.Pangembang sistem nambah pengalaman lan mobilitas pangguna kanthi adaptasi menyang piranti seluler kayata ponsel lan tablet.
Eksperimen kasebut ditindakake kanthi rong tahap lan siswa saka Fakultas Kedokteran Gigi Universitas Malaya melu kanthi sukarela.Peserta nanggapi m-ILS online siswa dental ing basa Inggris.Ing tahap wiwitan, dataset 50 siswa digunakake kanggo nglatih algoritma machine learning tree decision.Ing tahap kapindho proses pangembangan, dataset 255 siswa digunakake kanggo nambah akurasi instrumen sing dikembangake.
Kabeh peserta nampa briefing online ing awal saben tahap, gumantung ing taun akademik, liwat Microsoft Teams.Tujuane panliten kasebut dijlentrehake lan diwenehi informed consent.Kabeh peserta diwenehi link kanggo ngakses m-ILS.Saben siswa didhawuhi mangsuli kabeh 44 item ing kuesioner.Dheweke diwenehi seminggu kanggo ngrampungake ILS sing wis diowahi ing wektu lan lokasi sing trep kanggo dheweke sajrone istirahat semester sadurunge wiwitan semester.M-ILS adhedhasar instrumen ILS asli lan diowahi kanggo siswa dental.Padha karo ILS asli, ngandhut 44 item mbagekke roto-roto (a, b), karo 11 item saben, kang digunakake kanggo netepke aspèk saben dimensi FSLSM.
Sajrone tahap wiwitan pangembangan alat, para peneliti menehi anotasi peta kanthi manual nggunakake dataset 50 siswa dental.Miturut FSLM, sistem kasebut nyedhiyakake jumlah jawaban "a" lan "b".Kanggo saben dimensi, yen siswa milih "a" minangka jawaban, LS diklasifikasikake minangka Aktif / Persepsi / Visual / Sekuensial, lan yen siswa milih "b" minangka jawaban, siswa kasebut minangka Reflektif / Intuisi / Linguistik. ./ sinau global.
Sawise kalibrasi alur kerja antarane peneliti pendidikan dental lan pangembang sistem, pitakonan dipilih adhedhasar domain FLSSM lan disedhiyakake menyang model ML kanggo prédhiksi LS saben siswa."Sampah mlebu, sampah metu" minangka tembung sing populer ing babagan pembelajaran mesin, kanthi penekanan ing kualitas data.Kualitas data input nemtokake presisi lan akurasi model machine learning.Sajrone fase rekayasa fitur, set fitur anyar digawe yaiku jumlah jawaban "a" lan "b" adhedhasar FLSSM.Nomer identifikasi posisi obat diwenehi ing Tabel 1.
Etung skor adhedhasar jawaban lan nemtokake LS siswa.Kanggo saben siswa, rentang skor saka 1 nganti 11. Skor saka 1 nganti 3 nuduhake keseimbangan preferensi sinau ing dimensi sing padha, lan skor saka 5 nganti 7 nuduhake preferensi moderat, nuduhake yen siswa cenderung luwih seneng karo lingkungan sing mulang wong liya. .Variasi liyane ing dimensi sing padha yaiku skor saka 9 nganti 11 nggambarake pilihan sing kuat kanggo siji mburi utawa liyane [8].
Kanggo saben dimensi, obat-obatan dikelompokake dadi "aktif", "reflektif" lan "imbang".Contone, nalika siswa mangsuli "a" luwih kerep tinimbang "b" ing item sing ditemtokake lan skor dheweke ngluwihi batesan 5 kanggo item tartamtu sing makili dimensi Processing LS, dheweke kalebu LS "aktif". domain..Nanging, siswa diklasifikasikake minangka LS "reflektif" nalika milih "b" luwih saka "a" ing 11 pitakonan tartamtu (Tabel 1) lan entuk luwih saka 5 poin.Pungkasan, siswa ana ing kahanan "keseimbangan".Yen skor ora ngluwihi 5 TCTerms, iki minangka "proses" LS.Proses klasifikasi kasebut diulang maneh kanggo dimensi LS liyane, yaiku persepsi (aktif/reflektif), input (visual/verbal), lan pemahaman (sekuensial/global).
Model wit keputusan bisa nggunakake subset sing beda saka fitur lan aturan keputusan ing macem-macem tahapan proses klasifikasi.Iki dianggep minangka alat klasifikasi lan prediksi sing populer.Bisa diwakili nggunakake struktur wit kayata diagram alur [20], sing ana simpul internal sing makili tes miturut atribut, saben cabang makili asil tes, lan saben simpul godhong (simpul godhong) ngemot label kelas.
Program adhedhasar aturan sing prasaja digawe kanthi otomatis menehi skor lan menehi anotasi LS saben siswa adhedhasar tanggapane.Basis aturan njupuk wujud pernyataan IF, ing ngendi "IF" nggambarake pemicu lan "THEN" nemtokake tumindak sing bakal ditindakake, contone: "Yen X kedadeyan, banjur nindakake Y" (Liu et al., 2014).Yen set data nuduhake korélasi lan model wit keputusan wis dilatih lan dievaluasi kanthi bener, pendekatan iki bisa dadi cara sing efektif kanggo ngotomatisasi proses cocog karo LS lan IS.
Ing tahap kapindho pangembangan, dataset ditambah dadi 255 kanggo nambah akurasi alat rekomendasi.Set data dipérang ing rasio 1: 4.25% (64) saka kumpulan data digunakake kanggo set tes, lan sisane 75% (191) digunakake minangka set latihan (Gambar 2).Set data kudu dipérang supaya model ora dilatih lan diuji ing set data sing padha, sing bisa nyebabake model kasebut ngelingi tinimbang sinau.Model kasebut dilatih ing set latihan lan ngevaluasi kinerja ing set tes-data model sing durung tau katon sadurunge.
Sawise alat IS dikembangake, aplikasi bakal bisa nggolongake LS adhedhasar respon siswa dental liwat antarmuka web.Sistem alat rekomendasi keamanan informasi basis web dibangun nggunakake basa pemrograman Python nggunakake kerangka Django minangka backend.Tabel 2 nampilake perpustakaan sing digunakake kanggo pangembangan sistem iki.
Dataset kasebut disedhiyakake menyang model wit keputusan kanggo ngetung lan ngekstrak respon siswa kanggo ngelas pangukuran LS siswa kanthi otomatis.
Matriks kebingungan digunakake kanggo ngevaluasi akurasi algoritma pembelajaran mesin wit keputusan ing set data tartamtu.Ing wektu sing padha, ngevaluasi kinerja model klasifikasi.Iki ngringkes prediksi model lan mbandhingake karo label data sing nyata.Asil evaluasi adhedhasar papat nilai sing beda: True Positive (TP) - model kanthi bener prédhiksi kategori positif, False Positive (FP) - model prédhiksi kategori positif, nanging label bener negatif, True Negative (TN) - model bener mbadek kelas negatif, lan negatif palsu (FN) - Model prédhiksi kelas negatif, nanging label bener positif.
Nilai kasebut banjur digunakake kanggo ngitung macem-macem metrik kinerja model klasifikasi scikit-Learn ing Python, yaiku precision, precision, recall, lan skor F1.Ing ngisor iki contone:
Recall (utawa sensitivitas) ngukur kemampuan model kanggo nggolongake LS siswa kanthi akurat sawise mangsuli kuesioner m-ILS.
Spesifisitas diarani tingkat negatif sejati.Kaya sing sampeyan ngerteni saka rumus ing ndhuwur, iki kudu dadi rasio negatif bener (TN) kanggo negatif bener lan positif palsu (FP).Minangka bagéan saka alat sing disaranake kanggo nggolongake obat siswa, kudu bisa identifikasi sing akurat.
Dataset asli 50 siswa sing digunakake kanggo nglatih model ML wit keputusan nuduhake akurasi sing relatif kurang amarga kesalahan manungsa ing anotasi (Tabel 3).Sawise nggawe program adhedhasar aturan sing prasaja kanggo ngetung skor LS lan anotasi siswa kanthi otomatis, tambah akeh dataset (255) digunakake kanggo nglatih lan nguji sistem rekomendasi.
Ing matriks kebingungan multiclass, unsur diagonal makili jumlah prediksi sing bener kanggo saben jinis LS (Gambar 4).Nggunakake model wit keputusan, total 64 conto wis diprediksi kanthi bener.Mangkono, ing panliten iki, unsur diagonal nuduhake asil sing dikarepake, nuduhake yen model nindakake kanthi apik lan prédhiksi label kelas kanthi bener kanggo saben klasifikasi LS.Mangkono, akurasi sakabèhé saka alat rekomendasi yaiku 100%.
Nilai akurasi, presisi, kelingan, lan skor F1 ditampilake ing Gambar 5. Kanggo sistem rekomendasi nggunakake model wit keputusan, skor F1 yaiku 1.0 "sampurna," nuduhake presisi lan kelingan sing sampurna, nggambarake sensitivitas lan spesifisitas sing signifikan. nilai-nilai.
Gambar 6 nuduhake visualisasi model wit keputusan sawise latihan lan tes rampung.Ing perbandingan sisih-by-side, model wit keputusan sing dilatih kanthi fitur sing luwih sithik nuduhake akurasi sing luwih dhuwur lan visualisasi model sing luwih gampang.Iki nuduhake yen rekayasa fitur sing nyebabake pengurangan fitur minangka langkah penting kanggo ningkatake kinerja model.
Kanthi nglamar learning decision tree supervised, pemetaan antarane LS (input) lan IS (target output) digawe kanthi otomatis lan ngemot informasi rinci kanggo saben LS.
Asil kasebut nuduhake yen 34,9% saka 255 siswa luwih milih siji (1) opsi LS.Mayoritas (54,3%) duwe loro utawa luwih preferensi LS.12,2% siswa nyathet yen LS cukup imbang (Tabel 4).Saliyane wolung LS utama, ana 34 kombinasi klasifikasi LS kanggo mahasiswa kedokteran gigi Universitas Malaya.Ing antarane yaiku persepsi, visi, lan kombinasi persepsi lan visi minangka LS utama sing dilapurake dening siswa (Gambar 7).
Saka Tabel 4, mayoritas siswa nduweni LS sensori sing dominan (13,7%) utawa visual (8,6%).Dilaporake yen 12,2% siswa nggabungake persepsi karo visi (LS perceptual-visual).Temuan kasebut nuduhake yen siswa luwih seneng sinau lan ngeling-eling liwat metode sing wis ditemtokake, tindakake prosedur sing spesifik lan rinci, lan asipat perhatian.Ing wektu sing padha, dheweke seneng sinau kanthi ndeleng (nggunakake diagram, lsp.) lan cenderung ngrembug lan ngetrapake informasi ing klompok utawa dhewe.
Panaliten iki menehi ringkesan babagan teknik pembelajaran mesin sing digunakake ing data mining, kanthi fokus kanggo prédhiksi LS siswa kanthi cepet lan akurat lan menehi rekomendasi IS sing cocog.Aplikasi saka model wit keputusan nemtokake faktor sing paling cedhak karo pengalaman urip lan pendidikan.Iki minangka algoritma pembelajaran mesin sing diawasi sing nggunakake struktur wit kanggo nggolongake data kanthi mbagi set data dadi subkategori adhedhasar kritéria tartamtu.Kerjane kanthi mbagi data input kanthi rekursif dadi subset adhedhasar nilai salah sawijining fitur input saben simpul internal nganti keputusan digawe ing simpul godhong.
Kelenjar internal wit keputusan makili solusi adhedhasar karakteristik input masalah m-ILS, lan simpul godhong makili prediksi klasifikasi LS pungkasan.Saindhenging sinau, iku gampang mangertos hirarki wit kaputusan sing nerangake lan nggambarake proses kaputusan dening looking ing hubungan antarane fitur input lan prediksi output.
Ing bidang ilmu komputer lan teknik, algoritma machine learning akeh digunakake kanggo prédhiksi kinerja siswa adhedhasar skor ujian mlebu [21], informasi demografi, lan prilaku sinau [22].Riset nuduhake yen algoritma kanthi akurat prédhiksi kinerja siswa lan mbantu dheweke ngenali siswa sing duwe risiko kanggo kesulitan akademik.
Aplikasi algoritma ML ing pangembangan simulator pasien virtual kanggo latihan dental dilaporake.Simulator kasebut bisa ngasilake respon fisiologis pasien nyata kanthi akurat lan bisa digunakake kanggo nglatih siswa dental ing lingkungan sing aman lan dikontrol [23].Sawetara panaliten liyane nuduhake manawa algoritma pembelajaran mesin bisa ningkatake kualitas lan efisiensi pendhidhikan dental lan medis lan perawatan pasien.Algoritma pembelajaran mesin wis digunakake kanggo mbantu diagnosa penyakit dental adhedhasar set data kayata gejala lan karakteristik pasien [24, 25].Nalika pasinaon liyane wis njelajah panggunaan algoritma pembelajaran mesin kanggo nindakake tugas kayata prédhiksi asil pasien, ngenali pasien berisiko tinggi, ngembangake rencana perawatan pribadi [26], perawatan periodontal [27], lan perawatan karies [25].
Sanajan laporan babagan aplikasi machine learning ing kedokteran gigi wis diterbitake, aplikasi kasebut ing pendhidhikan dental tetep diwatesi.Mula, panliten iki nduweni tujuan kanggo nggunakake model decision tree kanggo ngenali faktor sing paling raket karo LS lan IS ing antarane mahasiswa kedokteran gigi.
Asiling panaliten menika nedahaken bilih alat rekomendasi ingkang dipunkembangaken menika gadhah akurasi ingkang inggil saha akurasi ingkang sampurna, nedahaken bilih guru saged mupangat saking alat menika.Nggunakake proses klasifikasi sing didhukung data, bisa menehi rekomendasi pribadi lan nambah pengalaman lan asil pendidikan kanggo pendidik lan siswa.Ing antarane, informasi sing dipikolehi liwat alat rekomendasi bisa ngrampungake konflik antarane metode pamulangan sing disenengi guru lan kabutuhan sinau siswa.Contone, amarga output otomatis saka alat rekomendasi, wektu sing dibutuhake kanggo ngenali IP siswa lan cocog karo IP sing cocog bakal suda banget.Kanthi cara iki, kegiatan latihan lan materi latihan sing cocog bisa diatur.Iki mbantu ngembangake prilaku sinau sing positif lan kemampuan siswa kanggo konsentrasi.Sawijining panliten nyatakake yen nyediakake materi sinau lan aktivitas sinau sing cocog karo LS sing disenengi bisa mbantu siswa integrasi, proses, lan seneng sinau kanthi macem-macem cara kanggo entuk potensial sing luwih gedhe [12].Panaliten uga nuduhake yen saliyane kanggo ningkatake partisipasi siswa ing kelas, pangerten proses sinau siswa uga nduweni peran kritis kanggo ningkatake praktik pamulangan lan komunikasi karo siswa [28, 29].
Nanging, kaya teknologi modern, ana masalah lan watesan.Iki kalebu masalah sing ana gandhengane karo privasi data, bias lan keadilan, lan katrampilan profesional lan sumber daya sing dibutuhake kanggo ngembangake lan ngetrapake algoritma pembelajaran mesin ing pendidikan dental;Nanging, minat lan riset sing saya tambah akeh ing wilayah iki nuduhake manawa teknologi pembelajaran mesin bisa duwe pengaruh positif marang pendhidhikan dental lan layanan dental.
Asil panaliten iki nuduhake yen setengah saka mahasiswa kedokteran gigi duwe kecenderungan kanggo "ngrasakake" obat-obatan.Siswa jinis iki nduweni preferensi kanggo fakta lan conto konkrit, orientasi praktis, sabar kanggo rinci, lan preferensi LS "visual", ing ngendi siswa luwih seneng nggunakake gambar, grafis, werna, lan peta kanggo ngirim gagasan lan pikirane.Asil saiki konsisten karo studi liyane sing nggunakake ILS kanggo netepake LS ing mahasiswa dental lan medis, sing paling akeh duwe karakteristik LS persepsi lan visual [12, 30].Dalmolin dkk nyaranake supaya menehi informasi marang siswa babagan LS supaya bisa nggayuh potensi sinau.Panaliti ngandharaken bilih nalika guru mangertos proses pendhidhikan siswa kanthi lengkap, macem-macem metode lan kagiyatan pamulangan saged dipuntindakaken ingkang saged ningkataken kinerja lan pengalaman sinau siswa [12, 31, 32].Panaliten liyane nuduhake yen nyetel LS siswa uga nuduhake peningkatan pengalaman lan kinerja siswa sawise ngganti gaya sinau supaya cocog karo LS dhewe [13, 33].
Panemune guru bisa beda-beda ngenani implementasine strategi pamulangan adhedhasar kabisan sinau siswa.Nalika sawetara ndeleng keuntungan saka pendekatan iki, kalebu kesempatan pangembangan profesional, bimbingan, lan dhukungan komunitas, liyane bisa uga prihatin babagan wektu lan dhukungan institusional.Nggawe keseimbangan minangka kunci kanggo nggawe sikap sing fokus ing siswa.Panguwasa pendidikan sing luwih dhuwur, kayata administrator universitas, bisa nduwe peran penting kanggo nyopir owah-owahan positif kanthi ngenalake praktik inovatif lan ndhukung pangembangan fakultas [34].Kanggo nggawe sistem pendidikan tinggi sing dinamis lan responsif, para pembuat kabijakan kudu njupuk langkah sing wani, kayata nggawe owah-owahan kabijakan, nyedhiyakake sumber daya kanggo integrasi teknologi, lan nggawe kerangka kerja sing ningkatake pendekatan sing fokus ing siswa.Langkah-langkah kasebut penting kanggo nggayuh asil sing dikarepake.Panaliten anyar babagan instruksi sing beda-beda wis jelas nuduhake yen implementasine instruksi sing beda-beda mbutuhake latihan lan kesempatan pangembangan sing terus-terusan kanggo guru [35].
Alat iki nyedhiyakake dhukungan sing penting kanggo pendidik dental sing pengin njupuk pendekatan sing fokus ing siswa kanggo ngrancang kegiatan sinau sing ramah siswa.Nanging, panliten iki diwatesi kanggo nggunakake model ML wit keputusan.Ing mangsa ngarep, luwih akeh data kudu diklumpukake kanggo mbandhingake kinerja model pembelajaran mesin sing beda kanggo mbandhingake akurasi, linuwih, lan presisi alat rekomendasi.Kajaba iku, nalika milih metode pembelajaran mesin sing paling cocog kanggo tugas tartamtu, penting kanggo nimbang faktor liyane kayata kerumitan model lan interpretasi.
Watesan saka panliten iki yaiku mung fokus ing pemetaan LS lan IS ing antarane mahasiswa kedokteran gigi.Mula, sistem rekomendasi sing dikembangake mung bakal menehi rekomendasi sing cocog kanggo siswa dental.Owah-owahan perlu kanggo panggunaan umum siswa pendidikan tinggi.
Alat rekomendasi basis pembelajaran mesin sing mentas dikembangake bisa langsung ngelas lan cocog LS siswa karo IS sing cocog, dadi program pendidikan dental pisanan kanggo mbantu para pendidik dental ngrancang kegiatan pamulangan lan sinau sing relevan.Nggunakake proses triase sing didhukung data, bisa menehi rekomendasi pribadi, ngirit wektu, nambah strategi pamulangan, ndhukung intervensi sing ditargetake, lan ningkatake pangembangan profesional sing terus-terusan.Aplikasi kasebut bakal ningkatake pendekatan sing dipusatake siswa kanggo pendidikan dental.
Gilak Jani Associated Press.Cocog utawa ora cocog antarane gaya sinau siswa lan gaya mulang guru.Int J Mod Educ Ilmu Komputer.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Wektu kirim: Apr-29-2024