Ana kebutuhan sing saya tambah kanggo pembelajaran sing berpusat marang siswa (SCL) ing institusi pendidikan tinggi, kalebu kedokteran gigi. Nanging, SCL nduweni aplikasi sing winates ing pendidikan kedokteran gigi. Mulane, panliten iki ngarahake kanggo ningkatake aplikasi SCL ing kedokteran gigi kanthi nggunakake teknologi pembelajaran mesin (ML) wit keputusan kanggo memetakan gaya pembelajaran (LS) sing disenengi lan strategi pembelajaran (IS) sing cocog karo mahasiswa kedokteran gigi minangka alat sing migunani kanggo ngembangake pedoman IS. Metode sing janjeni kanggo mahasiswa kedokteran gigi.
Ana 255 mahasiswa kedokteran gigi saka Universitas Malaya sing ngisi kuesioner Indeks Gaya Pembelajaran sing dimodifikasi (m-ILS), sing isine 44 item kanggo nglasifikasikake menyang LS masing-masing. Data sing diklumpukake (sing diarani dataset) digunakake ing pembelajaran wit keputusan sing diawasi kanggo cocogake gaya pembelajaran siswa kanthi otomatis karo IS sing paling cocog. Akurasi alat rekomendasi IS berbasis pembelajaran mesin banjur dievaluasi.
Aplikasi model wit keputusan ing proses pemetaan otomatis antarane LS (input) lan IS (output target) ngidini dhaptar langsung strategi pembelajaran sing cocog kanggo saben mahasiswa kedokteran gigi. Piranti rekomendasi IS nduduhake akurasi lan pangeling-eling sing sampurna babagan akurasi model sakabèhé, sing nuduhake yen cocogake LS karo IS nduweni sensitivitas lan spesifisitas sing apik.
Piranti rekomendasi IS adhedhasar wit keputusan ML wis mbuktekake kemampuane kanggo cocogake kanthi akurat gaya sinau mahasiswa kedokteran gigi karo strategi sinau sing cocog. Piranti iki nyedhiyakake pilihan sing kuat kanggo ngrancang kursus utawa modul sing fokus ing siswa sing bisa ningkatake pengalaman sinau siswa.
Pengajaran lan pembelajaran minangka kegiatan dhasar ing institusi pendidikan. Nalika ngembangake sistem pendidikan kejuruan sing berkualitas tinggi, penting kanggo fokus ing kabutuhan pembelajaran siswa. Interaksi antarane siswa lan lingkungan pembelajaran bisa ditemtokake liwat LS. Riset nuduhake yen ketidakcocokan sing disengaja guru antarane LS lan IS siswa bisa duwe akibat negatif kanggo pembelajaran siswa, kayata kurang perhatian lan motivasi. Iki kanthi ora langsung bakal mengaruhi kinerja siswa [1,2].
IS iku metode sing digunakake dening guru kanggo menehi kawruh lan katrampilan marang siswa, kalebu mbantu siswa sinau [3]. Umumé, guru sing apik ngrancang strategi pengajaran utawa IS sing paling cocog karo tingkat kawruh siswa, konsep sing lagi disinaoni, lan tahap pembelajaran. Sacara teoritis, nalika LS lan IS cocog, siswa bakal bisa ngatur lan nggunakake sakumpulan katrampilan tartamtu kanggo sinau kanthi efektif. Biasane, rencana pelajaran kalebu sawetara transisi antarane tahapan, kayata saka mulang menyang praktik sing dipandu utawa saka praktik sing dipandu menyang praktik mandiri. Kanthi iki, guru sing efektif asring ngrancang instruksi kanthi tujuan 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 aktif melu kegiatan sinau lan guru tumindak minangka fasilitator lan tanggung jawab kanggo menehi umpan balik sing penting. Dikandhakake yen nyedhiyakake materi lan kegiatan sinau sing cocog karo tingkat pendidikan utawa pilihan siswa bisa ningkatake lingkungan sinau siswa lan ningkatake pengalaman sinau sing positif [5].
Umumé, proses sinau mahasiswa kedokteran gigi dipengaruhi déning manéka prosedur klinis sing kudu ditindakake lan lingkungan klinis ing ngendi dhèwèké ngembangaké katrampilan interpersonal sing efektif. Tujuan saka pelatihan iki yaiku kanggo ngaktifake siswa nggabungake kawruh dhasar babagan kedokteran gigi karo katrampilan klinis kedokteran gigi lan nerapaké kawruh sing dipikolehi menyang kahanan klinis anyar [6, 7]. Riset awal babagan hubungan antarane LS lan IS nemokake manawa nyetel strategi sinau sing dipetakan menyang LS sing disenengi bakal mbantu ningkatake proses pendidikan [8]. Para penulis uga nyaranake nggunakake manéka metode pengajaran lan penilaian kanggo adaptasi karo sinau lan kabutuhan siswa.
Guru entuk manfaat saka ngetrapake kawruh LS kanggo mbantu dheweke ngrancang, ngembangake, lan ngetrapake instruksi sing bakal ningkatake akuisisi kawruh sing luwih jero lan pangerten siswa babagan materi pelajaran. Para peneliti wis ngembangake sawetara alat penilaian LS, kayata Model Pembelajaran Pengalaman Kolb, Model Gaya Pembelajaran Felder-Silverman (FSLSM), lan Model Fleming VAK/VARK [5, 9, 10]. Miturut literatur, model pembelajaran iki minangka model pembelajaran sing paling umum digunakake lan paling akeh ditliti. Ing karya riset saiki, FSLSM digunakake kanggo netepake LS ing antarane mahasiswa kedokteran gigi.
FSLSM minangka model sing digunakake sacara wiyar kanggo ngevaluasi pembelajaran adaptif ing teknik. Ana akeh karya sing diterbitake ing ilmu kesehatan (kalebu kedokteran, keperawatan, farmasi lan kedokteran gigi) sing bisa ditemokake nggunakake model FSLSM [5, 11, 12, 13]. Instrumen sing digunakake kanggo ngukur dimensi LS ing FLSM diarani Indeks Gaya Pembelajaran (ILS) [8], sing ngemot 44 item sing netepake papat dimensi LS: pangolahan (aktif/reflektif), persepsi (persepsi/intuitif), input (visual). /verbal) lan pangerten (sekuensial/global) [14].
Kaya sing dituduhake ing Gambar 1, saben dimensi FSLSM nduweni preferensi sing dominan. Contone, ing dimensi pangolahan, siswa kanthi LS "aktif" luwih seneng ngolah informasi kanthi sesambungan langsung karo materi pembelajaran, sinau kanthi nindakake, lan cenderung sinau ing klompok. LS "reflektif" nuduhake sinau liwat mikir lan luwih seneng kerja dhewe. Dimensi "perasaan" saka LS bisa dipérang dadi "perasaan" lan/utawa "intuisi." Siswa "perasaan" luwih seneng informasi sing luwih konkret lan prosedur praktis, berorientasi fakta dibandhingake karo siswa "intuitif" sing luwih seneng materi abstrak lan luwih inovatif lan kreatif. Dimensi "input" saka LS kasusun saka siswa "visual" lan "verbal". Wong kanthi LS "visual" luwih seneng sinau liwat demonstrasi visual (kayata diagram, video, utawa demonstrasi langsung), dene wong kanthi LS "verbal" luwih seneng sinau liwat tembung ing panjelasan tulisan utawa lisan. Kanggo "ngerti" dimensi LS, siswa kasebut bisa dipérang dadi "sekuensial" lan "global". "Pelajar sekuensial luwih seneng proses pamikiran linier lan sinau langkah demi langkah, dene pelajar global cenderung duwe proses pamikiran holistik lan tansah duwe pangerten sing luwih apik babagan apa sing lagi disinaoni."
Bubar iki, akeh peneliti sing wiwit njelajah metode kanggo panemuan otomatis sing didorong data, kalebu pangembangan algoritma lan model anyar sing bisa napsirake data sing akeh [15, 16]. Adhedhasar data sing diwenehake, ML sing diawasi (pembelajaran mesin) bisa ngasilake pola lan hipotesis sing prédhiksi asil ing mangsa ngarep adhedhasar konstruksi algoritma [17]. Sederhanane, teknik pembelajaran mesin sing diawasi ngolah data input lan nglatih algoritma. Banjur ngasilake rentang sing nglasifikasikake utawa prédhiksi asil adhedhasar kahanan sing padha kanggo data input sing diwenehake. Kauntungan utama algoritma pembelajaran mesin sing diawasi yaiku kemampuane kanggo netepake asil sing ideal lan dikarepake [17].
Liwat panggunaan metode berbasis data lan model kontrol wit keputusan, deteksi otomatis LS bisa ditindakake. Wit keputusan wis dilapurake digunakake sacara wiyar ing program pelatihan ing macem-macem bidang, kalebu ilmu kesehatan [18, 19]. Ing panliten iki, model kasebut dilatih khusus dening para pengembang sistem kanggo ngenali LS siswa lan menehi rekomendasi IS paling apik kanggo dheweke.
Tujuan saka panliten iki yaiku kanggo ngembangake strategi pangiriman IS adhedhasar LS siswa lan ngetrapake pendekatan SCL kanthi ngembangake alat rekomendasi IS sing dipetakan menyang LS. Alur desain alat rekomendasi IS minangka strategi metode SCL dituduhake ing Gambar 1. Alat rekomendasi IS dipérang dadi rong bagean, kalebu mekanisme klasifikasi LS nggunakake ILS lan tampilan IS sing paling cocog kanggo siswa.
Utamane, ciri-ciri piranti rekomendasi keamanan informasi kalebu panggunaan teknologi web lan panggunaan pembelajaran mesin wit keputusan. Pengembang sistem ningkatake pengalaman pangguna lan mobilitas kanthi adaptasi menyang piranti seluler kayata ponsel lan tablet.
Eksperimen iki ditindakake ing rong tahapan lan mahasiswa saka Fakultas Kedokteran Gigi ing Universitas Malaya melu kanthi sukarela. Peserta nanggapi m-ILS online mahasiswa kedokteran gigi ing basa Inggris. Ing tahap awal, dataset 50 siswa digunakake kanggo nglatih algoritma pembelajaran mesin wit keputusan. Ing tahap kapindho proses pangembangan, dataset 255 siswa digunakake kanggo ningkatake akurasi instrumen sing dikembangake.
Kabeh peserta nampa briefing online ing awal saben tahap, gumantung saka taun akademik, liwat Microsoft Teams. Tujuan saka panliten iki dijlentrehake lan idin sing diwenehake wis dipikolehi. Kabeh peserta diwenehi link kanggo ngakses m-ILS. Saben siswa diwulang kanggo mangsuli kabeh 44 item ing kuesioner. Dheweke diwenehi wektu seminggu kanggo ngrampungake ILS sing dimodifikasi ing wektu lan lokasi sing trep kanggo dheweke sajrone liburan semester sadurunge wiwitan semester. M-ILS adhedhasar instrumen ILS asli lan dimodifikasi kanggo mahasiswa kedokteran gigi. Padha karo ILS asli, ngemot 44 item sing disebarake kanthi rata (a, b), kanthi 11 item saben, sing digunakake kanggo netepake aspek saben dimensi FSLSM.
Sajrone tahap awal pangembangan alat, para peneliti menehi anotasi peta kanthi manual nggunakake dataset 50 mahasiswa kedokteran gigi. Miturut FSLM, sistem kasebut nyedhiyakake jumlah jawaban "a" lan "b". Kanggo saben dimensi, yen siswa milih "a" minangka jawaban, LS diklasifikasikake minangka Aktif/Perseptual/Visual/Sekuensial, lan yen siswa milih "b" minangka jawaban, siswa kasebut diklasifikasikake minangka Reflektif/Intuitif/Linguistik. / siswa global.
Sawise kalibrasi alur kerja antarane peneliti pendidikan kedokteran gigi lan pengembang sistem, pitakonan dipilih adhedhasar domain FLSSM lan dilebokake menyang model ML kanggo prédhiksi LS saben siswa. "Garbage in, garbage out" minangka unen-unen populer ing bidang pembelajaran mesin, kanthi penekanan ing kualitas data. Kualitas data input nemtokake presisi lan akurasi model pembelajaran mesin. Sajrone fase rekayasa fitur, set fitur anyar digawe yaiku jumlah jawaban "a" lan "b" adhedhasar FLSSM. Nomer identifikasi posisi obat diwenehake ing Tabel 1.
Itung skor adhedhasar jawaban lan temtokake 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 siji lingkungan mulang liyane. Variasi liyane ing dimensi sing padha yaiku skor saka 9 nganti 11 nuduhake preferensi sing kuwat kanggo siji ujung utawa liyane [8].
Kanggo saben dimensi, obat-obatan dikelompokake dadi "aktif", "reflektif" lan "seimbang". Contone, nalika siswa mangsuli "a" luwih asring tinimbang "b" ing item sing wis ditemtokake lan skore ngluwihi ambang 5 kanggo item tartamtu sing makili dimensi LS Pangolahan, dheweke kalebu domain LS "aktif". Nanging, siswa diklasifikasikake minangka LS "reflektif" nalika milih "b" luwih saka "a" ing 11 pitakonan tartamtu (Tabel 1) lan entuk skor luwih saka 5 poin. Pungkasan, siswa kasebut ana ing kahanan "keseimbangan." Yen skor ora ngluwihi 5 poin, mula iki minangka LS "proses". Proses klasifikasi diulang kanggo dimensi LS liyane, yaiku persepsi (aktif/reflektif), input (visual/verbal), lan pemahaman (sekuensial/global).
Model wit keputusan bisa nggunakake macem-macem himpunan fitur lan aturan keputusan ing macem-macem tahapan proses klasifikasi. Iki dianggep minangka alat klasifikasi lan prediksi sing populer. Iki bisa diwakili nggunakake struktur wit kayata diagram alur [20], ing ngendi ana simpul internal sing makili tes miturut atribut, saben cabang makili asil tes, lan saben simpul godhong (simpul godhong) ngemot label kelas.
Program berbasis aturan sing prasaja digawe kanggo menehi skor lan menehi anotasi LS saben siswa kanthi otomatis adhedhasar respon. Adhedhasar aturan awujud pernyataan IF, ing ngendi "IF" nggambarake pemicu lan "THEN" nemtokake tumindak sing kudu ditindakake, contone: "Yen X kedadeyan, mula Y ditindakake" (Liu et al., 2014). Yen set data nuduhake korelasi lan model wit keputusan dilatih lan dievaluasi kanthi bener, pendekatan iki bisa dadi cara sing efektif kanggo ngotomatisasi proses cocogake LS lan IS.
Ing fase kapindho pangembangan, dataset ditambah dadi 255 kanggo ningkatake akurasi alat rekomendasi. Set data dipérang kanthi rasio 1:4. 25% (64) saka set data digunakake kanggo set tes, lan 75% liyane (191) digunakake minangka set latihan (Gambar 2). Set data kudu dipérang kanggo nyegah model dilatih lan diuji ing set data sing padha, sing bisa nyebabake model luwih ngelingi tinimbang sinau. Model dilatih ing set latihan lan ngevaluasi kinerjane ing set tes—data sing durung nate dideleng model sadurunge.
Sawise piranti IS dikembangake, aplikasi kasebut bakal bisa nglasifikasikake LS adhedhasar respon mahasiswa kedokteran gigi liwat antarmuka web. Sistem piranti rekomendasi keamanan informasi berbasis web dibangun nggunakake basa pemrograman Python kanthi nggunakake framework Django minangka backend. Tabel 2 ndhaptar pustaka sing digunakake ing pangembangan sistem iki.
Dataset kasebut diumpanake menyang model wit keputusan kanggo ngetung lan njupuk respon siswa supaya bisa nglasifikasikake pangukuran LS siswa kanthi otomatis.
Matriks kebingungan digunakake kanggo ngevaluasi akurasi algoritma pembelajaran mesin wit keputusan ing set data sing diwenehake. Ing wektu sing padha, matriks iki ngevaluasi kinerja model klasifikasi. Iki ngringkes prediksi model lan mbandhingake karo label data sing nyata. Asil evaluasi adhedhasar patang nilai sing beda: True Positive (TP) - model kasebut kanthi bener ngramalake kategori positif, False Positive (FP) - model kasebut ngramalake kategori positif, nanging label sing bener negatif, True Negative (TN) - model kasebut kanthi bener ngramalake kelas negatif, lan false negative (FN) - Model kasebut ngramalake kelas negatif, nanging label sing bener positif.
Nilai-nilai iki banjur digunakake kanggo ngetung macem-macem metrik kinerja model klasifikasi scikit-learn ing Python, yaiku presisi, presisi, pangelingan, lan skor F1. Iki conto-contone:
Pangeling-eling (utawa sensitivitas) ngukur kemampuan model kanggo nglasifikasikake LS siswa kanthi akurat sawise mangsuli kuesioner m-ILS.
Spesifisitas diarani tingkat negatif sejati. Kaya sing sampeyan deleng saka rumus ing ndhuwur, iki kudu dadi rasio negatif sejati (TN) karo negatif sejati lan positif palsu (FP). Minangka bagéan saka alat sing disaranake kanggo nglasifikasikake obat siswa, kudu bisa identifikasi kanthi akurat.
Dataset asli saka 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 berbasis aturan sing prasaja kanggo ngetung skor LS lan anotasi siswa kanthi otomatis, saya akeh dataset (255) sing digunakake kanggo nglatih lan nguji sistem rekomendasi.
Ing matriks kebingungan multikelas, elemen diagonal makili jumlah prediksi sing bener kanggo saben jinis LS (Gambar 4). Nggunakake model wit keputusan, total 64 sampel diprediksi kanthi bener. Dadi, ing panliten iki, elemen diagonal nuduhake asil sing diarepake, nuduhake yen model kasebut nindakake kanthi apik lan kanthi akurat prédhiksi label kelas kanggo saben klasifikasi LS. Dadi, akurasi sakabèhé saka alat rekomendasi yaiku 100%.
Nilai akurasi, presisi, recall, lan skor F1 dituduhake ing Gambar 5. Kanggo sistem rekomendasi sing nggunakake model wit keputusan, skor F1 yaiku 1.0 "sampurna," sing nuduhake presisi lan recall sing sampurna, sing nuduhake nilai sensitivitas lan spesifisitas sing signifikan.
Gambar 6 nuduhake visualisasi model wit keputusan sawise latihan lan pengujian rampung. Ing perbandingan sisih-sisih, 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 ndadékaké pangurangan fitur minangka langkah penting kanggo ningkatake kinerja model.
Kanthi ngetrapake pembelajaran sing diawasi wit keputusan, pemetaan antarane LS (input) lan IS (output target) digawe kanthi otomatis lan ngemot informasi rinci kanggo saben LS.
Asil panliten nuduhake yen 34,9% saka 255 siswa luwih seneng siji (1) pilihan LS. Mayoritas (54,3%) duwe rong pilihan LS utawa luwih. 12,2% siswa nyathet yen LS cukup seimbang (Tabel 4). Saliyane wolung LS utama, ana 34 kombinasi klasifikasi LS kanggo mahasiswa kedokteran gigi Universitas Malaya. Antarane, persepsi, penglihatan, lan kombinasi persepsi lan penglihatan minangka LS utama sing dilapurake dening siswa (Gambar 7).
Kaya sing bisa dideleng saka Tabel 4, mayoritas siswa duwe sensorik (13,7%) utawa visual (8,6%) sing dominan. Dilaporake yen 12,2% siswa nggabungake persepsi karo penglihatan (persepsi-visual LS). Temuan kasebut nuduhake yen siswa luwih seneng sinau lan ngelingi liwat metode sing wis ditetepake, ngetutake prosedur sing spesifik lan rinci, lan nduweni sipat sing perhatian. Ing wektu sing padha, dheweke seneng sinau kanthi ndeleng (nggunakake diagram, lsp.) lan cenderung ngrembug lan ngetrapake informasi kanthi klompok utawa dhewekan.
Panliten iki menehi gambaran umum babagan teknik pembelajaran mesin sing digunakake ing penambangan data, kanthi fokus kanggo prédhiksi LS siswa kanthi cepet lan akurat lan menehi rekomendasi IS sing cocog. Aplikasi model wit keputusan ngidentifikasi faktor-faktor sing paling cedhak karo pengalaman urip lan pendidikan. Iki minangka algoritma pembelajaran mesin sing diawasi sing nggunakake struktur wit kanggo nglasifikasikake data kanthi mbagi sakumpulan data dadi subkategori adhedhasar kritéria tartamtu. Iki kerjane kanthi mbagi data input kanthi rekursif dadi subkumpulan adhedhasar nilai salah sawijining fitur input saben simpul internal nganti keputusan digawe ing simpul godhong.
Simpul internal saka wit keputusan makili solusi adhedhasar karakteristik input saka masalah m-ILS, lan simpul godhong makili prediksi klasifikasi LS pungkasan. Sajrone panliten iki, gampang dingerteni hirarki wit keputusan sing nerangake lan nggambarake proses keputusan kanthi ndeleng hubungan antarane fitur input lan prediksi output.
Ing babagan ilmu komputer lan teknik, algoritma pembelajaran mesin digunakake sacara wiyar kanggo prédhiksi kinerja siswa adhedhasar skor ujian mlebu [21], informasi demografi, lan prilaku sinau [22]. Riset nuduhaké yèn algoritma kasebut kanthi akurat prédhiksi kinerja siswa lan mbantu ngidentifikasi siswa sing duwé risiko kangelan akademik.
Aplikasi algoritma ML ing pangembangan simulator pasien virtual kanggo pelatihan dental dilaporake. Simulator kasebut bisa ngasilake kanthi akurat respon fisiologis pasien nyata lan bisa digunakake kanggo nglatih siswa kedokteran gigi ing lingkungan sing aman lan terkendali [23]. Sawetara panliten liyane nuduhake manawa algoritma pembelajaran mesin bisa ningkatake kualitas lan efisiensi pendidikan kedokteran gigi lan medis lan perawatan pasien. Algoritma pembelajaran mesin wis digunakake kanggo mbantu diagnosis penyakit gigi adhedhasar set data kayata gejala lan karakteristik pasien [24, 25]. Nalika panliten liyane wis njelajah panggunaan algoritma pembelajaran mesin kanggo nindakake tugas kayata prédhiksi asil pasien, ngenali pasien risiko dhuwur, ngembangake rencana perawatan pribadi [26], perawatan periodontal [27], lan perawatan karies [25].
Senajan laporan babagan aplikasi pembelajaran mesin ing kedokteran gigi wis diterbitake, aplikasine ing pendidikan kedokteran gigi tetep winates. Mulane, panliten iki ngarah nggunakake model wit keputusan kanggo ngenali faktor sing paling cedhak karo LS lan IS ing antarane mahasiswa kedokteran gigi.
Asil saka panliten iki nuduhake yen alat rekomendasi sing dikembangake nduweni akurasi sing dhuwur lan akurasi sing sampurna, nuduhake yen guru bisa entuk manfaat saka alat iki. Nggunakake proses klasifikasi berbasis data, bisa menehi rekomendasi sing dipersonalisasi lan ningkatake pengalaman lan asil pendidikan kanggo pendidik lan siswa. Antarane, informasi sing dipikolehi liwat alat rekomendasi bisa ngrampungake konflik antarane metode pengajaran 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 sacara signifikan. Kanthi cara iki, kegiatan pelatihan lan materi pelatihan sing cocog bisa diatur. Iki mbantu ngembangake prilaku sinau positif siswa lan kemampuan kanggo konsentrasi. Siji panliten nglaporake yen nyedhiyakake materi pembelajaran lan kegiatan pembelajaran sing cocog karo LS sing disenengi siswa bisa mbantu siswa nggabungake, ngolah, lan seneng sinau kanthi macem-macem cara kanggo entuk potensial sing luwih gedhe [12]. Riset uga nuduhake yen saliyane ningkatake partisipasi siswa ing kelas, pangerten proses pembelajaran siswa uga nduweni peran penting kanggo ningkatake praktik pengajaran lan komunikasi karo siswa [28, 29].
Nanging, kaya teknologi modern liyane, 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 gigi; Nanging, minat lan riset sing saya tambah ing wilayah iki nuduhake manawa teknologi pembelajaran mesin bisa uga duwe pengaruh positif marang pendidikan gigi lan layanan gigi.
Asil saka panliten iki nuduhake yen separo mahasiswa kedokteran gigi duwe kecenderungan kanggo "ngrasakake" obat-obatan. Jinis siswa iki duwe pilihan kanggo fakta lan conto konkret, orientasi praktis, sabar kanggo detail, lan pilihan LS "visual", ing ngendi siswa luwih seneng nggunakake gambar, grafis, warna, lan peta kanggo ngirim ide lan pikirane. Asil saiki konsisten karo panliten liyane sing nggunakake ILS kanggo netepake LS ing mahasiswa kedokteran gigi lan kedokteran, sing umume duwe karakteristik LS persepsi lan visual [12, 30]. Dalmolin et al. nyaranake yen menehi informasi marang siswa babagan LS ngidini dheweke nggayuh potensial sinau. Peneliti mbantah yen nalika guru ngerti kanthi lengkap proses pendidikan siswa, macem-macem metode lan kegiatan ngajar bisa ditindakake sing bakal nambah kinerja lan pengalaman sinau siswa [12, 31, 32]. Panliten liyane nuduhake yen nyetel LS siswa uga nuduhake peningkatan pengalaman sinau lan kinerja siswa sawise ngganti gaya sinau supaya cocog karo LS dhewe [13, 33].
Panemu guru bisa beda-beda babagan implementasi strategi pengajaran adhedhasar kemampuan sinau siswa. Nalika sawetara ndeleng keuntungan saka pendekatan iki, kalebu kesempatan pengembangan profesional, bimbingan, lan dhukungan komunitas, wong liya bisa uga prihatin babagan wektu lan dhukungan institusional. Ngupaya keseimbangan minangka kunci kanggo nggawe sikap sing fokus marang siswa. Panguwasa pendidikan tinggi, kayata administrator universitas, bisa nduweni peran penting kanggo ndorong owah-owahan positif kanthi ngenalake praktik inovatif lan ndhukung pengembangan fakultas [34]. Kanggo nggawe sistem pendidikan tinggi sing dinamis lan responsif, para pembuat kebijakan kudu njupuk langkah sing wani, kayata nggawe owah-owahan kebijakan, ngaturake sumber daya kanggo integrasi teknologi, lan nggawe kerangka kerja sing ningkatake pendekatan sing fokus marang siswa. Langkah-langkah kasebut penting banget kanggo entuk asil sing dikarepake. Riset anyar babagan instruksi sing dibedakake wis nuduhake kanthi jelas yen implementasi instruksi sing dibedakake sing sukses mbutuhake kesempatan pelatihan lan pengembangan sing terus-terusan kanggo guru [35].
Piranti iki nyedhiyakake dhukungan sing penting kanggo pendidik gigi sing pengin njupuk pendekatan sing fokus marang siswa kanggo ngrancang kegiatan pembelajaran sing ramah siswa. Nanging, panliten iki diwatesi mung kanggo panggunaan model ML wit keputusan. Ing mangsa ngarep, luwih akeh data sing kudu dikumpulake kanggo mbandhingake kinerja model pembelajaran mesin sing beda-beda kanggo mbandhingake akurasi, linuwih, lan presisi piranti rekomendasi. Kajaba iku, nalika milih metode pembelajaran mesin sing paling cocog kanggo tugas tartamtu, penting kanggo nimbang faktor liyane kayata kerumitan lan interpretasi model.
Watesan saka panliten iki yaiku mung fokus ing pemetaan LS lan IS ing antarane mahasiswa kedokteran gigi. Mulane, sistem rekomendasi sing dikembangake mung bakal menehi rekomendasi sing cocog kanggo mahasiswa kedokteran gigi. Owah-owahan perlu kanggo panggunaan mahasiswa pendidikan tinggi umum.
Piranti rekomendasi berbasis pembelajaran mesin sing nembe dikembangake iki bisa langsung nglasifikasikake lan cocogake LS siswa karo IS sing cocog, dadi program pendidikan kedokteran gigi pertama sing mbantu pendidik kedokteran gigi ngrancang kegiatan pengajaran lan pembelajaran sing relevan. Nggunakake proses triage berbasis data, piranti iki bisa menehi rekomendasi sing dipersonalisasi, ngirit wektu, ningkatake strategi pengajaran, ndhukung intervensi sing ditargetake, lan ningkatake pengembangan profesional sing terus-terusan. Aplikasine bakal ningkatake pendekatan sing fokus marang siswa kanggo pendidikan kedokteran gigi.
Gilak Jani Associated Press. Cocog utawa ora cocog antarane gaya sinau siswa lan gaya mulang guru. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Wektu kiriman: 29-Apr-2024