Ana sing butuh belajar kanggo sinau siswa (scl) ing institusi pendidikan sing luwih dhuwur, kalebu gigi. Nanging, scl duwe aplikasi winates ing pendhidhikan dental. Mula, panaliten iki tujuane kanggo ningkatake aplikasi scl ing Gigi kanthi nggunakake keputusan panelajanan (ML) kanggo ngoperasikake gaya belajar mesin (yaiku) siswa belajar sing cocog minangka alat sing migunani kanggo ngembangake pedoman Waca rangkeng-. Cara janjeni kanggo siswa dental.
Gunggunge 255 siswa dental saka Universitas Malaya ngrampungake indeks belajar gaya (M-IS) sing diowahi (M-IS) sing diowahi, sing ngemot 44 barang kanggo diklasifikasikake ing masing-masing. Data sing diklumpukake (disebut dataset) digunakake ing kacilakan wit keputusan sing diawasi supaya bisa cocog karo gaya belajar siswa kanthi otomatis kanggo sing paling cocog yaiku. Akurasi mesin belajar mesin yaiku alat rekomendasi banjur dievaluasi.
Aplikasi model wit keputusan ing proses pemetaan otomatis ing antarane ls (input) lan (target output) ngidini kanggo dhaptar strategi belajar sing cocog kanggo saben siswa dental. Alat saran kanggo nuduhake akurasi sing sampurna lan kelingan akurasi model sakabehe, sing nuduhake sing cocog karo ls kanggo duwe sensitivitas lan spesifikasi sing apik.
Alat rekomendasi adhedhasar wit keputusan ML wis mbuktekake kemampuane kanggo cocog karo gaya belajar siswa dental kanthi akurat kanthi strategi belajar sing cocog. Alat iki nyedhiyakake pilihan sing kuat kanggo ngrancang kursus utawa modul sing bisa nggawe modul sing bisa nambah pengalaman sinau siswa.
Pengajaran lan sinau minangka kegiatan dhasar ing institusi pendidikan. Nalika ngembangake sistem pendidikan vokasional sing bermutu tinggi, penting kanggo fokus kanggo kabutuhan siswa. Interaksi antarane siswa lan lingkungan learning bisa ditemtokake ls. Panliten nuduhake manawa mismatche sing dimaksud ing antarane siswa ls lan bisa duwe akibat negatif kanggo sinau siswa, kayata nyuda lan motivasi. Iki ora langsung mengaruhi kinerja siswa [1,2].
Apa metode sing digunakake para guru kanggo menehi kawruh lan katrampilan kanggo siswa, kalebu siswa mbantu sinau [3]. Umumé, guru sing apik kanggo rencana strategi sing mulang utawa paling cocog karo tingkat ilmu siswa, konsep sing lagi sinau, lan tahapan sinau. Secara teoritis, nalika ls lan cocog, siswa bakal bisa ngatur lan nggunakake katrampilan tartamtu kanggo sinau kanthi efektif. Biasane, rencana pelajaran kalebu sawetara transisi antarane tahap, kayata saka mulang kanggo menehi praktik sing dipandu utawa saka praktik sing dipandu kanggo praktik mandiri. Kanthi pikiran, guru sing efektif asring ngrancang pandhuan kanthi tujuan kanggo mbangun kawruh lan katrampilan siswa [4].
Panjaluk kanggo scl tuwuh ing institusi pendidikan sing luwih dhuwur, kalebu Dentistry. Strategi ScL dirancang kanggo nyukupi kabutuhan sinau siswa. Iki bisa digayuh, umpamane, yen siswa aktif melu kegiyatan sinau lan guru tumindak minangka fasilitator lan tanggung jawab kanggo menehi umpan balik sing larang regane. Disebutake manawa nyedhiyakake bahan belajar lan kegiyatan sing cocog kanggo level pendidikan utawa pilihan siswa bisa nambah learning learning siswa siswa lan ningkatake pengalaman sinau sing positif [5].
Umumé, proses belajar siswa dental dipengaruhi dening macem-macem prosedur klinis sing dibutuhake kanggo nindakake lan lingkungan klinis sing bisa ngalami katrampilan interpersonal sing efektif. Tujuan pelatihan yaiku ngaktifake siswa nggabungake kawruh dhasar babagan keterampilan klinis gigi lan ngetrapake kawruh sing dipikolehi lan entuk kawruh kanggo kahanan klinis anyar [6, 7]. Penelitian awal menyang hubungan antara ls lan ditemokake sing nyetel strategi belajar sing diparengake kanggo ls sing luwih disenengi yaiku nambah proses pendhidhikan [8]. Penulis uga menehi saran nggunakake macem-macem pamulangan lan penilaian kanggo adaptasi kanggo sinau lan kabutuhan siswa.
Guru mupangate saka ngetrapake kawruh LS kanggo mbantu ngrancang, berkembang, lan menehi pitunjuk babagan kawruh lan pangerten siswa sing luwih jero babagan masalah kasebut. Peneliti ngembangake sawetara alat penilaian LS, kayata model belajar pengajaran Kobb, model gaya belajar Felder-Silver (FSLSM), lan model Fleming Vak / Varik [5, 9, 10]. Miturut literatur, model sinau iki minangka model sinau sing paling umum lan paling akeh. Ing karya riset saiki, FSLSM digunakake kanggo ngevaluasi ls ing antarane siswa dental.
FSLSM minangka model sing digunakake kanggo ngevaluasi sinau adaptif ing teknik. Ana akeh sing diterbitake ing ilmu kesehatan (kalebu obat, perawat, apotek lan dokter gigi) sing bisa ditemokake nggunakake model FSLSM [5, 11, 12, 13]. Piranti sing digunakake kanggo ngukur dimensi ls ing flsm diarani indeks belajar gaya (8], sing ngemot 44 item (reflektif), persepsi (persepsi / intuisi), Input (visual). / verbal) lan pangerten (urutan / global) [14].
Kaya sing ditampilake ing Gambar 1, saben dimensi fslsm duwe pilihan sing luwih dominan. Contone, ing ukuran pangolahan, siswa kanthi "aktif" luwih seneng ngolah informasi kanthi langsung sesambungan karo bahan belajar, sinau sinau kanthi klompok. "Reflektif" ls nuduhake sinau liwat pamikiran lan luwih seneng bisa kerja. Ukuran "Perhutiran" saka LS bisa dipérang dadi "koyo" lan / utawa "intuisi." Siswa "Rasa" luwih seneng informasi lan prosised praktis sing luwih apik, yaiku orientasi sing dibandhingake karo siswa "intuisi" sing luwih seneng karo bahan abstrak lan luwih inovatif lan kreatif. Dimensi "input" saka ls dumadi saka siswa "visual" lan "verbal". Wong sing duwe "visual" seneng sinau liwat demonstrasi visual (kayata diagram, video, utawa demonstrasi sing urip luwih seneng sinau liwat tembung ing panjelasan sing ditulis utawa lisan. Kanggo "ngerti" dimensi ls, para siswa kasebut bisa dipérang dadi "Sequential" lan "global". "Pesenan urutan seneng proses pamikiran linear lan sinau langkah-langkah langkah, nalika sinau global cenderung duwe proses pikirane sing holistik lan mesthi duwe pangerten sing luwih apik babagan sinau.
Bubar, akeh peneliti wiwit njelajah cara kanggo panemuan data sing didorong otomatis, kalebu pangembangan algoritma lan model anyar sing bisa njirlakake jumlah data sing akeh [15, 16]. Adhedhasar data sing disedhiyakake, sing diawasi ml (Machary Learning) bisa ngasilake pola lan hipotesis sing prédhiksi asil ing mangsa ngarep adhedhasar konstruksi algoritma [17]. Mung teknik belajar mesin sing diawasi Mesin Manipulasi data input lan algoritma olahraga. Banjur ngasilake macem-macem sing nggabungake utawa prédhiksi asil adhedhasar kahanan sing padha kanggo data input sing diwenehake. Kauntungan utama saka algoritma belajar mesin sing diawasi yaiku kemampuan kanggo netepake asil sing cocog lan dikarepake [17].
Liwat panggunaan cara drive-driver lan model kontrol wit, deteksi otomatis ls bisa. Wit Keputusan wis dilaporake digunakake ing program latihan ing macem-macem lapangan, kalebu ilmu kesehatan, kalebu ilmu kesehatan [18, 19]. Ing panliten iki, model kasebut dilatih khusus dening para pangembang sistem kanggo ngenali siswa ls lan nyaranake sing paling apik yaiku kanggo dheweke.
Tujuan panaliten iki yaiku kanggo berkembang yaiku strategi pangiriman adhedhasar siswa 'lan aplikasi Pendhaftaran ScL kanthi ngembangake alat saran kanggo ls. Aliran desain yaiku alat rekomendasi minangka strategi metode scl ditampilake ing Gambar 1. Alat saran dipérang dadi rong bagéan, kalebu mekanisme klasifikasi LS sing nggunakake ILS lan sing paling cocog ditampilake kanggo siswa.
Utamane, karakteristik alat rekomaya keamanan kalebu panggunaan teknologi teknologi lan panggunaan sinau mesin wit keputusan. Pangembang sistem nambah pengalaman pangguna lan mobilitas kanthi adaptasi menyang piranti seluler kayata ponsel lan tablet.
Eksperimen kasebut ditindakake ing rong tahapan lan siswa saka Fakultas Dentistry ing Universitas Malaya melu kanthi sukarela. Peserta nanggapi maneh ing basa M-ILYS online MUSTIVE ing Inggris. Ing fase dhisikan, dataset 50 siswa digunakake kanggo nglatih algoritma belajar belajar mesin wit. Ing fase kapindho proses pangembangan, dataset saka 255 siswa digunakake kanggo nambah akurasi instrumen sing dikembangake.
Kabeh peserta nampa persiyapan online ing wiwitan saben tahapan, gumantung ing taun akademik, liwat Microsoft Tim. Tujuan panaliten kasebut diterangno lan diwenehi informasi. Kabeh peserta diwenehake link kanggo ngakses M-IS. Saben siswa didhawuhi mangsuli kabeh 44 barang ing kuesioner. Dheweke diwenehi seminggu kanggo ngrampungake ils sing wis diowahi sekaligus lan lokasi sing trep ing sajrone break semester sadurunge wiwitan semester. M-IS adhedhasar instrumen ILS asli lan diowahi kanggo siswa dental. Padha karo ILS asli, ngemot barang sing disebarake 44 kanthi conto (a, b), kanthi 11 barang saben, sing digunakake kanggo ngira-ngira aspek saben dimensi saben fslsm.
Sajrone tahap awal pangembangan alat, para peneliti kanthi manual ngiringan peta nggunakake dataset 50 siswa dental. Miturut FSLM, sistem kasebut nyedhiyakake jumlah jawaban "A" lan "B". Kanggo saben dimensi, yen mahasiswa milih "minangka" minangka wangsulan, LS diklasifikasikake minangka aktif / persepan / Siswa kasebut milih refleksi / intuisiistik / linguistik Waca rangkeng-. / siswa sinau global.
Sawise calibrating alur kerja ing antarane peneliti dental pendidikan lan pangembang, pitakon sistem sing dipilih adhedhasar domain flsm lan panganan menyang model ML kanggo prédhiksi saben siswa ls. "Sampah-uwis metu" minangka tembung populer ing bidang belajar mesin, kanthi penekanan kanggo kualitas data. Kualitas data input nemtokake presisi lan akurasi saka model belajar mesin. Sajrone fase teknik fitur, pesawat fitur anyar digawe minangka jumlah jawaban "A" lan "B" adhedhasar flssm. Nomer identifikasi posisi narkoba diwenehake ing Tabel 1.
Hitung skor adhedhasar jawaban lan nemtokake ls siswa. Kanggo saben siswa, skor saka 1 nganti 11. Skor saka 1 nganti 3 nuduhake pilihan pilihan sing padha, nuduhake yen siswa luwih seneng milih lingkungan sing luwih seneng ngajari wong liya Waca rangkeng-. Variasi liyane ing dimensi sing padha yaiku skor saka 9 kanggo 11 nggambarake pilihan sing kuwat kanggo siji mburi utawa liyane [8].
Kanggo saben dimensi, obat-obatan diklompokake dadi "aktif", "refleksi" lan "imbang". Contone, nalika mahasiswa jawaban "A" luwih asring tinimbang "B" ing item sing ditunjuk lan skor ngluwihi ambang 5 kanggo barang tartamtu sing nuduhake proses ls, dheweke "aktif" ls Domain. Waca rangkeng-. Nanging, siswa diklasifikasikake minangka "reflektif" ls nalika milih "b" luwih saka "" ing "khusus (Tabel 1) lan ngetung luwih saka 5 poin. Pungkasane, siswa kasebut ana ing negara "keseimbangan." Yen skor ora ngluwihi 5 poin, mula iki minangka "proses" ls. Proses klasifikasi diulang maneh kanggo dimensi ls liyane, yaiku persepsi (aktif / reflektif), input (visual / visbal), lan pemahaman (global).
Model wit keputusan bisa nggunakake macem-macem fitur lan aturan keputusan ing macem-macem tahapan proses klasifikasi. Iki dianggep minangka alat klasifikasi lan alat prediksi sing populer. Bisa diwakili nggunakake struktur wit kayata flowchart [20], sing ana simpul internal sing makili tes dening atribut, saben simpul test (godhong godhong) sing ngemot label kelas.
Program adhedhasar aturan sing gampang digawe kanggo menehi skor kanthi otomatis lan menehi anake siswa ls adhedhasar tanggapan kasebut. Adhedhasar aturan njupuk wujud pernyataan, ing endi "yen" nggambarake pemicu kasebut lan "banjur" Nemtokake tumindak sing bakal ditindakake, kayata: "Yen X kedadeyan, mula". Yen set data nampilake korélasi lan model wit keputusan kasebut dilatih kanthi bener lan dievaluasi, pendekatan iki bisa dadi cara sing efektif kanggo ngotomatisasi proses sing cocog karo LS lan yaiku.
Ing fase kaping pindho pembangunan, Dataset tambah dadi 255 kanggo nambah akurasi alat rekomendasi kasebut. Set data dipérang ing rasio 1: 4. 25% (64) Set data digunakake kanggo uji coba, lan isih 75% (191) digunakake minangka latihan pelatihan (Gambar 2). Data sing kudu dipisah kanggo nyegah model kasebut supaya ora dilatih lan diuji ing pesawat data sing padha, sing bisa nyebabake model kasebut tinimbang sinau. Model kasebut dilatih ing pesawat pelatihan lan ngevaluasi kinerja ing data persiyapan tes model kasebut ora nate katon sadurunge.
Sawise alat dikembangake dikembangake, aplikasi kasebut bakal bisa ngelasake ls adhedhasar tanggepan siswa dental liwat antarmuka web. Sistem alat saran Web-based dibangun kanthi nggunakake basa program pemrograman Python kanthi nggunakake kerangka Django minangka backend. Tabel 2 nampilake perpustakaan sing digunakake ing pangembangan sistem iki.
Dataset panganan kanggo model wit keputusan kanggo ngetung lan ngetrapake tanggepan siswa kanthi otomatis klasifikasi pangukuran mahasiswa ls kanthi otomatis.
Matrix Kemasan digunakake kanggo ngevaluasi akurasi algoritma belajar mesin wit ing pesawat data sing diwenehi. Ing wektu sing padha, ngevaluasi kinerja model klasifikasi. Ringkesan ramalan model lan mbandhingake label data nyata. Asek evaluasi adhedhasar papat nilai sing beda: bener (TP) - Model kasebut diramalake kategori sing positif, positif - modhél sing diramalake negoro, sejatine negatif (TN) - Model kanthi bener ngramalake kelas negatif, lan negesake palsu (FN) - model kasebut prédhiksi kelas negatif, nanging label sing sejatine positif.
Nilai kasebut banjur digunakake kanggo ngetung macem-macem metrik kinerja model klasifikasi SCIPIT-Sinau ing Python, yaiku presisi, precision, kelingan, lan skor F1. Mangkene conto:
Kelingan (utawa sensitivitas) ngukur kemampuan model kanggo ngelasake ls siswa kanthi akurat sawise njawab questunaire M-Ils.
Kekhususan diarani tingkat negatif sing sejati. Kaya sing sampeyan bisa ndeleng saka rumus ing ndhuwur, iki kudu dadi rasio negatif sing bener (TN) kanthi negatif sing sejati lan positip palsu (FP). Minangka bagéan saka alat sing disaranake kanggo ngelaskanake obat-obatan mahasiswa, mesthine bisa identifikasi akurat.
Dataset asli 50 siswa sing digunakake kanggo nglatih model ML ML ML nuduhake akurasi sing cukup murah amarga kesalahan manungsa ing anotasi (Tabel 3). Sawise nggawe program adhedhasar aturan sing gampang kanggo ngetung skor LS lan andharan siswa, tambah akeh dataseets (255) digunakake kanggo nglatih lan nyoba sistem rekomasi.
Ing Matrix Kondom Multiclass, unsur diagonal makili jumlah ramalan sing bener kanggo saben jinis lS (Gambar 4). Nggunakake model wit keputusan, total 64 conto diprediksi kanthi bener. Mangkono, ing panaliten iki, unsur diagonal nuduhake asil samesthine, nuduhake manawa model kasebut ditindakake kanthi becik lan kanthi tepat prédhiksi label kelas kanggo saben klasifikasi kelas. Mangkono, akurasi sakabehe alat rekomendasi 100%.
Nilai saka akurasi, presisi, kelingan, lan skor F1 ditampilake ing Gambar 5. Kanggo sistem rekomendasi kanthi nggunakake model wit keputusane yaiku 1.0 "sampurna, nuduhake sensitivitas lan spesifikasi sing sampurna nilai.
Gambar 6 nuduhake visualisasi model wit keputusan sawise latihan lan tes rampung. Ing perbandingan sisih pinggir wates, model wit keputusan sing dilatih kanthi fitur sing luwih sithik nuduhake akurasi sing luwih dhuwur lan visualisasi model sing luwih gampang. Iki nuduhake manawa fitur teknik utama kanggo nampilake suda minangka langkah penting kanggo nambah kinerja model.
Kanthi nglamar wit keputusan sing diawasi, pemetaan ing antarane ls (input) lan (target output) kanthi otomatis digawe lan ngemot informasi rinci kanggo saben ls.
Asil kasebut nuduhake 34,9% saka 255 siswa luwih seneng (1) ls pilihan. Mayoritas (54,3%) duwe rong utawa luwih pilihan ls. 12,2% siswa nyathet yen LS cukup seimbang (Tabel 4). Saliyane wolung ls utama, ana 34 kombinasi klasifikasi LS kanggo Universitas Malaya Siswa Dental Malaya. Antarane, persepsi, sesanti, lan kombinasi persepsi lan visi yaiku ls utama sing dilaporake dening siswa (Gambar 7).
Kaya sing katon saka table 4, mayoritas siswa duwe sensori utama (13,7%) utawa visual (8,6%) ls. Dilaporake manawa 12,2% siswa gabungan persepsi kanthi visi (persepsi-visual ls). Temuan kasebut nuduhake manawa siswa luwih seneng sinau lan elinga liwat cara sing wis diadegake, tindakake tata cara khusus lan rinci, lan perhatian ing alam. Ing wektu sing padha, dheweke seneng sinau kanthi nggoleki (nggunakake diagram, lan sapiturute) lan cenderung ngrembug lan ngetrapake informasi babagan klompok utawa dhewe.
Panaliten iki menehi ringkesan teknik belajar mesin sing digunakake ing pertambangan data, kanthi fokus siswa sing langsung prédhiksi lan menehi saran. Aplikasi saka model wit keputusan ngerteni faktor sing ana gandhengane karo urip lan pengalaman pendhidhikan. Iki minangka algoritma belajar mesin sing diawasi sing nggunakake struktur wit kanggo ngelaskasi data kanthi mbagi set data menyang subkategori adhedhasar kritéria tartamtu. Kerjane dibagi kanthi rekursial data input menyang nilai salah sawijining fitur input saka saben simpul internal nganti keputusan digawe ing simpul godhong.
Kasusuhan wit keputusan internal wit keputusan sing nuduhake solusi adhedhasar ciri input masalah M-Ils, lan simpul godhong kasebut makili ramalan klasifikasi final LS. Liwat sinau kasebut, gampang dingerteni hirarki wit keputusan sing nerangake lan nggambarake proses keputusan kanthi ndeleng hubungan antara fitur input lan ramalan output.
Ing bidang ilmiah lan teknik, algoritma belajar mesin umume digunakake kanggo prédhiksi kinerja siswa adhedhasar skor ujian mlebu [21], informasi demografi, lan prilaku sinau [22]. Panliten nuduhake manawa algoritma kanthi akurat kinerja siswa sing diramalake lan mbantu dheweke ngenali siswa kanthi resiko kanggo kesulitan akademik.
Aplikasi saka Algoritma Mll ing pangembangan simulator pasien virtual kanggo pelatihan dental dilaporake. Simulator bisa ngasilake tanggepan fisiologis pasien nyata lan bisa digunakake kanggo nglatih siswa dental ing lingkungan sing aman lan dikontrol [23]. Sawetara panaliten liyane nuduhake algoritma belajar mesin bisa uga bisa ningkatake kualitas lan efisiensi pendhidhikan dental lan pasien lan perawatan sabar. Algoritma belajar mesin wis digunakake kanggo mbantu diagnosis penyakit dental adhedhasar set data kayata gejala lan karakteristik pasien [24, 25]. Nalika panaliten liyane wis njelajah panggunaan algoritma belajar mesin kanggo nindakake tugas kayata ngramal pasien perawatan sing dhuwur, ngembangake rencana perawatan sing dhuwur, Ngembangake rencana perawatan pribadi [27], lan perawatan Caries [25].
Sanajan laporan babagan aplikasi belajar mesin ing kedokteran kedokteran wis diterbitake, aplikasi ing pendidikan pergigian tetep diwatesi. Mula, panaliten iki tujuane nggunakake model wit keputusan kanggo ngenali faktor sing paling akeh gegayutan karo ls lan ana ing antarane siswa dental.
Asil panaliten iki nuduhake manawa alat rekomendasi sing dikembangake duwe akurasi dhuwur lan akurasi sampurna, sing nuduhake manawa guru bisa entuk manfaat saka alat iki. Nggunakake proses klasifikasi data, bisa menehi rekomendasi pribadi lan nambah pengalaman pendhidhikan lan asil kanggo pendidik lan siswa. Antarane, informasi sing dipikolehi liwat alat rekomendasi bisa ngrampungake konflik antarane metode pamulangan 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 dikurangi sacara signifikan. Kanthi cara iki, kegiatan latihan lan bahan latihan bisa diatur. Iki mbantu ngembangake prilaku sinau positif lan kemampuan siswa kanggo konsentrasi. Siji panaliten nglaporake manawa nyedhiyakake siswa kanthi sinau bahan lan kegiyatan sinau sing cocog karo siswa sing luwih disenengi bisa mbantu siswa nggantuk, proses, lan seneng sinau kanthi akeh [12]. Panliten uga nuduhake yen saliyane ningkatake partisipasi siswa ing kelas, ngerti proses belajar siswa uga duwe peran kritis uga bisa ningkatake praktik lan komunikasi marang para 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 kudu dikembangake lan ngetrapake mesin belajar mesin ing pendhidhikan pergigian; Nanging, tambah akeh minat lan riset ing wilayah kasebut nuduhake teknologi belajar mesin bisa uga duwe pengaruh positif babagan layanan pendhidhikan pergigian lan layanan dental.
Asil panaliten iki nuduhake yen setengah siswa dental duwe kecenderungan "ndelok" obatan. Penawaran jinis iki duwe pilihan kanggo fakta lan conto konkrit, orientasi praktis, sabar-sabar "Visual", ing ngendi para siswa luwih milih nggunakake gambar, grafis, lan peta kanggo ngirim ide lan pikirane. Asil saiki salaras karo pasinaon liyane nggunakake ils kanggo ngevaluasi ls ing gigi gigi lan siswa, sing paling akeh duwe ciri persepsi lan visual ls [12, 30]. Dalmolin et al Saran manawa menehi informasi marang siswa babagan ls sing ngidini dheweke bisa nggayuh potensial sinau. Peneliti mbantah manawa guru guru kanthi lengkap ngerti proses pendidikan siswa, macem-macem cara pamulangan lan kegiatan bisa ditindakake sing bakal nambah pengalaman kinerja lan sinau siswa [12, 31, 32]. Panaliten liyane nuduhake manawa nyetel siswa ls uga nuduhake perbaikan pengalaman sinau lan kinerja siswa sawise ngganti gaya belajar sing cocog karo ls [13, 33].
Pendapat guru bisa uga beda-beda babagan implementasine strategi pengajaran adhedhasar kemampuan sinau siswa. Nalika sawetara ndeleng keuntungan saka pendekatan iki, kalebu kesempatan pangembangan profesional, Mentorship, lan dhukungan komunitas, liyane bisa uga prihatin babagan dhukungan wektu lan institusi. Ngalami keseimbangan yaiku kunci kanggo nggawe sikap pusat siswa. Panguwasa pendhidhikan sing luwih dhuwur, kayata pangurus universitas, bisa duwe peran penting kanggo nyetir pangowahan positif kanthi ngenalake praktik inovatif lan ndhukung pembangunan fakultas [34]. Kanggo nggawe sistem pendhidhikan sing dhuwur banget lan responsif, sing responsif kudu njupuk langkah-langkah sing wani, kayata nggawe owah-owahan kabijakan, sumber daya kanggo menehi integrasi teknologi, lan nggawe kerajaan teknologi sing promosi pendekatan teknologi. Langkah-langkah kasebut kritis kanggo nggayuh asil sing dikarepake. Penelitian anyar ing instruksi sing beda-beda wis nuduhake manawa sukses instruksi beda mbutuhake kesempatan latihan lan pangembangan sing aktif kanggo guru [35].
Alat iki nyedhiyakake dhukungan terkenal kanggo pendidik pergigian sing pengin njupuk pendekatan sing fokus siswa kanggo ngrencanakake kegiatan sinau sing ramah siswa. Nanging, panliten iki diwatesi kanggo panggunaan model ML wit ML. Ing ngarep, luwih akeh data kudu diklumpukake kanggo mbandhingake kinerja model belajar mesin sing beda kanggo mbandhingake akurasi, linuwih, lan tliti alat rekomendasi. Kajaba iku, nalika milih cara belajar mesin sing paling cocog kanggo tugas tartamtu, penting kanggo nimbang faktor liyane kayata model kerumitan lan interpretasi.
Watesan panaliten iki yaiku mung fokus ing pemetaan ls lan ana ing antarane siswa dental. Mula, sistem rekomendasi sing dikembangake mung bakal menehi saran kanggo sing cocog kanggo siswa dental. Owah-owahan perlu kanggo panggunaan siswa sing luwih dhuwur.
Alat rekomendasi basis mesin sing anyar diklasifikasikake lan cocog karo siswa sing cocog yaiku, nggawe program pendidikan pergigian pertama kanggo mbantu pendhidhikan pergigian lan kegiatan sinau sing cocog. Nggunakake proses triage sing didorong data, bisa nyedhiyani rekomendasi pribadi, nambah strategi piwulang, dhukungan intervensi sing diangkah, lan promosi Professional Professional. Aplikasi kasebut bakal ningkatake pendekatan sing dadi siswa kanggo pendidikan pergigian.
Gilak Jani Associated Press. Cocog utawa ketat ing antarane gaya belajar siswa lan gaya piwulang guru. Intan lan ilmu ilmu komputer. 2012; 4 (11): 51-60. https://doi.org/10.5815/ijmecs.2012.11.05
Wektu Pos: Apr-29-2024