In Hochschulen, einschließlich der Zahnmedizin, besteht ein wachsender Bedarf an studentenzentriertem Lernen (SCL). SCL findet jedoch in der zahnmedizinischen Ausbildung bisher nur begrenzte Anwendung. Diese Studie zielt daher darauf ab, die Anwendung von SCL in der Zahnmedizin zu fördern, indem mithilfe von Entscheidungsbaum-basiertem maschinellem Lernen (ML) der bevorzugte Lernstil (LS) und die entsprechenden Lernstrategien (IS) von Zahnmedizinstudierenden erfasst werden. Dies soll als nützliches Instrument zur Entwicklung von IS-Richtlinien dienen und vielversprechende Methoden für Zahnmedizinstudierende aufzeigen.
Insgesamt 255 Zahnmedizinstudierende der Universität Malaya füllten den modifizierten Index der Lernstile (m-ILS) aus, der 44 Items zur Klassifizierung der Lernstile enthielt. Die erhobenen Daten (Datensatz) wurden in einem überwachten Entscheidungsbaumverfahren verwendet, um die Lernstile der Studierenden automatisch dem jeweils passendsten Informationssystem zuzuordnen. Anschließend wurde die Genauigkeit des maschinellen Lernverfahrens zur Empfehlung von Informationssystemen evaluiert.
Die Anwendung von Entscheidungsbaummodellen in einem automatisierten Mapping-Prozess zwischen Lernziel (LS, Eingabe) und Zielsetzung (IS, Ausgabe) ermöglicht die sofortige Erstellung einer Liste geeigneter Lernstrategien für jeden Zahnmedizinstudierenden. Das IS-Empfehlungstool zeigte eine perfekte Genauigkeit und Treffsicherheit hinsichtlich der Gesamtmodellgenauigkeit, was darauf hindeutet, dass die Zuordnung von LS zu IS eine hohe Sensitivität und Spezifität aufweist.
Ein auf einem Entscheidungsbaum des maschinellen Lernens basierendes IS-Empfehlungstool hat seine Fähigkeit unter Beweis gestellt, die Lernstile von Zahnmedizinstudierenden präzise mit geeigneten Lernstrategien abzugleichen. Dieses Tool bietet leistungsstarke Optionen für die Planung lernerzentrierter Kurse oder Module, die das Lernerlebnis der Studierenden verbessern können.
Lehren und Lernen sind grundlegende Aktivitäten in Bildungseinrichtungen. Bei der Entwicklung eines qualitativ hochwertigen Berufsbildungssystems ist es wichtig, die Lernbedürfnisse der Lernenden in den Mittelpunkt zu stellen. Die Interaktion zwischen Lernenden und ihrer Lernumgebung wird maßgeblich durch ihre Lernpräferenzen beeinflusst. Studien zeigen, dass von Lehrkräften beabsichtigte Diskrepanzen zwischen den Lernpräferenzen und den Informationsbedürfnissen der Lernenden negative Folgen für deren Lernerfolg haben können, wie beispielsweise verminderte Aufmerksamkeit und Motivation. Dies wirkt sich indirekt auf die Lernleistungen aus [1,2].
Instruktionsbasiertes Lernen (IS) ist eine Methode, die Lehrkräfte einsetzen, um Schülerinnen und Schülern Wissen und Fertigkeiten zu vermitteln und sie beim Lernen zu unterstützen [3]. Generell planen gute Lehrkräfte Unterrichtsstrategien oder IS, die optimal auf den Wissensstand, die Lerninhalte und die Lernphase ihrer Schülerinnen und Schüler abgestimmt sind. Theoretisch können Schülerinnen und Schüler, wenn Wissensstand und IS übereinstimmen, bestimmte Fertigkeiten effektiv organisieren und anwenden. Typischerweise beinhaltet ein Unterrichtsplan mehrere Übergänge zwischen den einzelnen Phasen, beispielsweise vom Frontalunterricht zur angeleiteten Übung oder von der angeleiteten zur selbstständigen Übung. Vor diesem Hintergrund planen effektive Lehrkräfte ihren Unterricht häufig mit dem Ziel, das Wissen und die Fertigkeiten der Schülerinnen und Schüler gezielt zu erweitern [4].
Die Nachfrage nach studentischem Lerntraining (SCL) wächst an Hochschulen, auch in der Zahnmedizin. SCL-Strategien sind darauf ausgerichtet, den Lernbedürfnissen der Studierenden gerecht zu werden. Dies kann beispielsweise erreicht werden, wenn Studierende aktiv an Lernaktivitäten teilnehmen und Lehrende als Lernbegleiter fungieren und wertvolles Feedback geben. Es wird angenommen, dass die Bereitstellung von Lernmaterialien und -aktivitäten, die dem Bildungsniveau oder den Präferenzen der Studierenden entsprechen, das Lernumfeld verbessern und positive Lernerfahrungen fördern können [5].
Generell wird der Lernprozess von Zahnmedizinstudierenden durch die verschiedenen klinischen Eingriffe, die sie durchführen müssen, und das klinische Umfeld, in dem sie effektive soziale Kompetenzen entwickeln, beeinflusst. Ziel der Ausbildung ist es, den Studierenden zu ermöglichen, zahnmedizinisches Grundlagenwissen mit praktischen Fertigkeiten zu verknüpfen und das erworbene Wissen in neuen klinischen Situationen anzuwenden [6, 7]. Frühe Untersuchungen zum Zusammenhang zwischen Lernstil (LS) und Informationsstil (IS) ergaben, dass die Anpassung von Lernstrategien an den bevorzugten Lernstil den Lernprozess verbessern kann [8]. Die Autoren empfehlen zudem, verschiedene Lehr- und Bewertungsmethoden einzusetzen, um den Lernprozess und die Bedürfnisse der Studierenden zu berücksichtigen.
Lehrkräfte profitieren von der Anwendung von Erkenntnissen zur Lernstilforschung, da diese ihnen helfen, Unterrichtseinheiten zu konzipieren, zu entwickeln und durchzuführen, die den Erwerb tiefergehenden Wissens und eines besseren Verständnisses des jeweiligen Fachgebiets fördern. Forschende haben verschiedene Instrumente zur Erfassung von Lernstilen entwickelt, darunter das Kolb-Modell des erfahrungsorientierten Lernens, das Felder-Silverman-Lernstilmodell (FSLSM) und das Fleming-VAK/VARK-Modell [5, 9, 10]. Laut Literatur zählen diese Lernmodelle zu den am häufigsten verwendeten und am besten untersuchten. In der vorliegenden Studie wird das FSLSM zur Erfassung der Lernstile von Zahnmedizinstudierenden eingesetzt.
Das FSLSM-Modell ist ein weit verbreitetes Modell zur Bewertung adaptiven Lernens im Ingenieurwesen. Zahlreiche Veröffentlichungen in den Gesundheitswissenschaften (einschließlich Medizin, Pflege, Pharmazie und Zahnmedizin) basieren auf FSLSM-Modellen [5, 11, 12, 13]. Das Instrument zur Messung der Lernstildimensionen im FSLSM ist der Index of Learning Styles (ILS) [8]. Er umfasst 44 Items, die vier Lernstildimensionen erfassen: Verarbeitung (aktiv/reflektierend), Wahrnehmung (perzeptiv/intuitiv), Input (visuell/verbal) und Verständnis (sequenziell/global) [14].
Wie in Abbildung 1 dargestellt, weist jede Dimension des FSLSM eine dominante Präferenz auf. Beispielsweise bevorzugen Studierende mit einem „aktiven“ Lernstil (LS) in der Verarbeitungsdimension die direkte Auseinandersetzung mit Lernmaterialien, lernen durch Handeln und bevorzugen Gruppenarbeit. Der „reflektierende“ Lernstil hingegen basiert auf dem Lernen durch Denken und zeichnet sich durch die Vorliebe für Einzelarbeit aus. Die „wahrnehmende“ Dimension des Lernstils lässt sich in „Fühlen“ und/oder „Intuition“ unterteilen. Studierende mit einem „fühlenden“ Lernstil bevorzugen konkretere Informationen und praktische Vorgehensweisen und sind faktenorientiert, während Studierende mit einem „intuitiven“ Lernstil abstrakte Inhalte bevorzugen und innovativer und kreativer sind. Die „inputierende“ Dimension des Lernstils umfasst „visuelle“ und „verbale“ Lerntypen. Personen mit einem „visuellen“ Lernstil lernen bevorzugt durch visuelle Darstellungen (wie Diagramme, Videos oder Live-Demonstrationen), während Personen mit einem „verbalen“ Lernstil lieber durch schriftliche oder mündliche Erklärungen lernen. Um die Dimensionen des Lernstils besser zu verstehen, können diese Lerntypen in „sequenzielle“ und „globale“ Lerntypen unterteilt werden. „Sequenzielle Lerner bevorzugen einen linearen Denkprozess und lernen Schritt für Schritt, während globale Lerner eher einen ganzheitlichen Denkprozess haben und stets ein besseres Verständnis dessen besitzen, was sie lernen.“
In jüngster Zeit haben viele Forscher begonnen, Methoden für die automatische datengetriebene Analyse zu erforschen, darunter die Entwicklung neuer Algorithmen und Modelle zur Interpretation großer Datenmengen [15, 16]. Basierend auf den bereitgestellten Daten kann überwachtes maschinelles Lernen Muster und Hypothesen generieren, die zukünftige Ergebnisse vorhersagen, indem Algorithmen entwickelt werden [17]. Vereinfacht ausgedrückt: Techniken des überwachten maschinellen Lernens verarbeiten Eingabedaten und trainieren Algorithmen. Anschließend wird ein Bereich generiert, der das Ergebnis anhand ähnlicher Situationen für die bereitgestellten Eingabedaten klassifiziert oder vorhersagt. Der Hauptvorteil von Algorithmen des überwachten maschinellen Lernens liegt in ihrer Fähigkeit, optimale und gewünschte Ergebnisse zu erzielen [17].
Durch den Einsatz datengetriebener Methoden und Entscheidungsbaum-Steuerungsmodelle ist die automatische Erkennung von Lernschwierigkeiten möglich. Entscheidungsbäume finden in Trainingsprogrammen verschiedener Fachrichtungen, darunter auch den Gesundheitswissenschaften, breite Anwendung [18, 19]. In dieser Studie wurde das Modell von den Systementwicklern speziell darauf trainiert, Lernschwierigkeiten bei Studierenden zu identifizieren und ihnen die jeweils beste Informationsquelle zu empfehlen.
Ziel dieser Studie ist die Entwicklung von Informationssystem-Bereitstellungsstrategien auf Basis der Lernstile der Studierenden und die Anwendung des SCL-Ansatzes durch die Entwicklung eines auf die Lernstile abgestimmten Informationssystem-Empfehlungstools. Der Designablauf des Empfehlungstools als Teil der SCL-Methode ist in Abbildung 1 dargestellt. Das Tool gliedert sich in zwei Teile: den Mechanismus zur Klassifizierung der Lernstile mithilfe von ILS und die Darstellung des jeweils am besten geeigneten Informationssystems für die Studierenden.
Zu den Merkmalen von Tools für Informationssicherheitsempfehlungen gehören insbesondere der Einsatz von Webtechnologien und maschinellem Lernen mit Entscheidungsbäumen. Systementwickler verbessern die Benutzerfreundlichkeit und Mobilität, indem sie die Tools an mobile Endgeräte wie Smartphones und Tablets anpassen.
Das Experiment wurde in zwei Phasen durchgeführt, und Studierende der zahnmedizinischen Fakultät der Universität Malaya nahmen freiwillig teil. Die Teilnehmenden beantworteten einen Online-Fragebogen (m-ILS) eines Zahnmedizinstudierenden in englischer Sprache. In der ersten Phase wurde ein Datensatz von 50 Studierenden verwendet, um den Entscheidungsbaum-Algorithmus für maschinelles Lernen zu trainieren. In der zweiten Entwicklungsphase wurde ein Datensatz von 255 Studierenden genutzt, um die Genauigkeit des entwickelten Instruments zu verbessern.
Alle Teilnehmenden erhalten zu Beginn jeder Phase, abhängig vom Studienjahr, eine Online-Einführung über Microsoft Teams. Der Zweck der Studie wird erläutert und die Einwilligung nach Aufklärung eingeholt. Alle Teilnehmenden erhalten einen Link zum m-ILS. Jeder Studierende wurde angewiesen, alle 44 Fragen des Fragebogens zu beantworten. Sie haben eine Woche Zeit, den modifizierten ILS während der Semesterferien vor Semesterbeginn zu einem für sie passenden Zeitpunkt und Ort auszufüllen. Der m-ILS basiert auf dem ursprünglichen ILS-Instrument und wurde für Zahnmedizinstudierende angepasst. Ähnlich dem ursprünglichen ILS enthält er 44 gleichmäßig verteilte Fragen (a, b) mit jeweils 11 Fragen, die zur Beurteilung von Aspekten jeder FSLSM-Dimension verwendet werden.
In der Anfangsphase der Werkzeugentwicklung annotierten die Forscher die Karten manuell anhand eines Datensatzes von 50 Zahnmedizinstudierenden. Gemäß dem FSLM liefert das System die Summe der Antworten „a“ und „b“. Wählt der Studierende für jede Dimension „a“ als Antwort, wird sein Lernstil als aktiv/perzeptiv/visuell/sequenziell klassifiziert; wählt er hingegen „b“, wird er als reflektierend/intuitiv/linguistisch bzw. als globaler Lerner eingestuft.
Nach der Abstimmung des Arbeitsablaufs zwischen Forschern im Bereich der zahnmedizinischen Ausbildung und Systementwicklern wurden Fragen basierend auf dem FLSSM-Bereich ausgewählt und dem ML-Modell zur Vorhersage der LS jedes Studierenden zugeführt. „Müll rein, Müll raus“ ist ein gängiges Sprichwort im Bereich des maschinellen Lernens, das die Bedeutung der Datenqualität unterstreicht. Die Qualität der Eingangsdaten bestimmt die Präzision und Genauigkeit des Modells. In der Feature-Engineering-Phase wird ein neues Merkmalset erstellt, das die Summe der Antworten „a“ und „b“ basierend auf FLSSM darstellt. Die Identifikationsnummern der Wirkstoffpositionen sind in Tabelle 1 aufgeführt.
Berechnen Sie anhand der Antworten die Punktzahl und bestimmen Sie die Lernpräferenzen des Schülers. Die Punktzahl liegt für jeden Schüler zwischen 1 und 11. Punktzahlen von 1 bis 3 deuten auf eine ausgewogene Verteilung der Lernpräferenzen innerhalb derselben Dimension hin, während Punktzahlen von 5 bis 7 eine moderate Präferenz anzeigen, was bedeutet, dass Schüler tendenziell eine bestimmte Lernumgebung bevorzugen. Eine weitere Variante derselben Dimension ist, dass Punktzahlen von 9 bis 11 eine starke Präferenz für eine der beiden Extrempositionen widerspiegeln [8].
Für jede Dimension wurden die Studierenden in „aktiv“, „reflektierend“ und „ausgewogen“ eingeteilt. Beispielsweise wird ein Studierender, der bei einer bestimmten Frage häufiger „a“ als „b“ angibt und dessen Punktzahl den Schwellenwert von 5 für eine bestimmte Frage der Verarbeitungsdimension überschreitet, der „aktiven“ LS-Domäne zugeordnet. Studierende, die in elf spezifischen Fragen (Tabelle 1) häufiger „b“ als „a“ wählen und mehr als 5 Punkte erzielen, werden hingegen der „reflektierenden“ LS-Domäne zugeordnet. Befindet sich der Studierende schließlich in einem Zustand des „Gleichgewichts“, so wird ihm eine „prozessorientierte“ LS-Domäne zugeordnet. Dieser Klassifizierungsprozess wurde für die anderen LS-Dimensionen wiederholt: Wahrnehmung (aktiv/reflektierend), Input (visuell/verbal) und Verständnis (sequenziell/global).
Entscheidungsbaummodelle können in verschiedenen Phasen des Klassifizierungsprozesses unterschiedliche Merkmalsmengen und Entscheidungsregeln verwenden. Sie gelten als beliebtes Werkzeug zur Klassifizierung und Vorhersage. Die Darstellung erfolgt über eine Baumstruktur, beispielsweise ein Flussdiagramm [20], in dem die inneren Knoten die Tests nach Attribut repräsentieren, jeder Zweig die Testergebnisse und jeder Blattknoten eine Klassenbezeichnung enthält.
Es wurde ein einfaches, regelbasiertes Programm entwickelt, um die Lernstrategien (LS) jedes Studierenden anhand seiner Antworten automatisch zu bewerten und zu annotieren. Die Regelbasierung erfolgt in Form einer WENN-Anweisung, wobei „WENN“ den Auslöser und „DANN“ die auszuführende Aktion beschreibt, beispielsweise: „Wenn X eintritt, dann tue Y“ (Liu et al., 2014). Wenn die Daten Korrelationen aufweisen und das Entscheidungsbaummodell korrekt trainiert und evaluiert wurde, kann dieser Ansatz eine effektive Methode sein, um den Abgleich von Lernstrategien und Informationssystemen zu automatisieren.
In der zweiten Entwicklungsphase wurde der Datensatz auf 255 Einträge erweitert, um die Genauigkeit des Empfehlungstools zu verbessern. Der Datensatz wurde im Verhältnis 1:4 aufgeteilt. 25 % (64 Einträge) dienten als Testdatensatz, die verbleibenden 75 % (191 Einträge) als Trainingsdatensatz (Abbildung 2). Diese Aufteilung verhindert, dass das Modell mit denselben Daten trainiert und getestet wird, da dies dazu führen könnte, dass es sich an bereits vorhandene Daten erinnert, anstatt daraus zu lernen. Das Modell wird mit dem Trainingsdatensatz trainiert und seine Leistung anhand des Testdatensatzes – Daten, die dem Modell unbekannt sind – evaluiert.
Sobald das IS-Tool entwickelt ist, kann die Anwendung LS anhand der Antworten von Zahnmedizinstudierenden über eine Weboberfläche klassifizieren. Das webbasierte System zur Empfehlung von Informationssicherheitsempfehlungen wurde mit der Programmiersprache Python und dem Django-Framework als Backend entwickelt. Tabelle 2 listet die für die Entwicklung dieses Systems verwendeten Bibliotheken auf.
Der Datensatz wird einem Entscheidungsbaummodell zugeführt, um die Antworten der Studierenden zu berechnen und zu extrahieren, um die LS-Messungen der Studierenden automatisch zu klassifizieren.
Die Konfusionsmatrix dient der Bewertung der Genauigkeit eines Entscheidungsbaum-Algorithmus für maschinelles Lernen anhand eines gegebenen Datensatzes. Gleichzeitig bewertet sie die Leistung des Klassifizierungsmodells. Sie fasst die Vorhersagen des Modells zusammen und vergleicht sie mit den tatsächlichen Datenbezeichnungen. Die Bewertungsergebnisse basieren auf vier verschiedenen Werten: Richtig Positiv (TP) – das Modell hat die positive Kategorie korrekt vorhergesagt; Falsch Positiv (FP) – das Modell hat die positive Kategorie vorhergesagt, obwohl die tatsächliche Bezeichnung negativ ist; Richtig Negativ (TN) – das Modell hat die negative Klasse korrekt vorhergesagt; Falsch Negativ (FN) – das Modell hat die negative Klasse vorhergesagt, obwohl die tatsächliche Bezeichnung positiv ist.
Diese Werte werden anschließend verwendet, um verschiedene Leistungskennzahlen des scikit-learn-Klassifikationsmodells in Python zu berechnen, nämlich Präzision, Genauigkeit, Trefferquote und F1-Score. Hier einige Beispiele:
Die Trefferquote (oder Sensitivität) misst die Fähigkeit des Modells, die LS eines Schülers nach Beantwortung des m-ILS-Fragebogens korrekt zu klassifizieren.
Die Spezifität wird als Trefferquote (True Negative Rate) bezeichnet. Wie aus der obigen Formel ersichtlich, entspricht diese dem Verhältnis von richtig negativen (TN) zu richtig negativen und falsch positiven (FP) Ergebnissen. Als empfohlenes Instrument zur Klassifizierung von Drogenkonsum bei Studierenden sollte es eine präzise Identifizierung ermöglichen.
Der ursprüngliche Datensatz von 50 Studierenden, der zum Trainieren des Entscheidungsbaum-ML-Modells verwendet wurde, wies aufgrund menschlicher Fehler bei den Annotationen eine relativ geringe Genauigkeit auf (Tabelle 3). Nach der Entwicklung eines einfachen regelbasierten Programms zur automatischen Berechnung von LS-Scores und Studierendenannotationen wurde eine steigende Anzahl von Datensätzen (255) zum Trainieren und Testen des Empfehlungssystems verwendet.
In der Konfusionsmatrix für mehrere Klassen stellen die Diagonalelemente die Anzahl der korrekten Vorhersagen für jeden LS-Typ dar (Abbildung 4). Mithilfe des Entscheidungsbaummodells wurden insgesamt 64 Stichproben korrekt vorhergesagt. Die Diagonalelemente zeigen somit die erwarteten Ergebnisse und belegen die gute Leistung des Modells sowie die hohe Genauigkeit der Klassenzuordnung für jede LS-Klassifizierung. Die Gesamtgenauigkeit des Empfehlungstools beträgt daher 100 %.
Die Werte für Genauigkeit, Präzision, Trefferquote und F1-Score sind in Abbildung 5 dargestellt. Für das Empfehlungssystem, das das Entscheidungsbaummodell verwendet, beträgt der F1-Score 1,0 „perfekt“, was perfekte Präzision und Trefferquote anzeigt und somit hohe Sensitivitäts- und Spezifitätswerte widerspiegelt.
Abbildung 6 zeigt eine Visualisierung des Entscheidungsbaummodells nach Abschluss von Training und Test. Im direkten Vergleich wies das mit weniger Merkmalen trainierte Modell eine höhere Genauigkeit und eine einfachere Visualisierung auf. Dies verdeutlicht, dass die Merkmalsreduktion ein wichtiger Schritt zur Verbesserung der Modellleistung ist.
Durch die Anwendung von überwachtem Lernen mit Entscheidungsbäumen wird die Zuordnung zwischen LS (Eingabe) und IS (Zielausgabe) automatisch generiert und enthält detaillierte Informationen für jedes LS.
Die Ergebnisse zeigten, dass 34,9 % der 255 Studierenden eine (1) LS-Option bevorzugten. Die Mehrheit (54,3 %) hatte zwei oder mehr LS-Präferenzen. 12,2 % der Studierenden gaben an, dass die LS-Kategorien recht ausgewogen seien (Tabelle 4). Zusätzlich zu den acht Haupt-LS-Kategorien gibt es 34 Kombinationsmöglichkeiten für LS-Klassifizierungen für Zahnmedizinstudierende der Universität Malaya. Wahrnehmung, Sehvermögen und die Kombination aus beidem zählen zu den von den Studierenden am häufigsten genannten LS-Kategorien (Abbildung 7).
Wie aus Tabelle 4 hervorgeht, wies die Mehrheit der Studierenden einen überwiegend sensorischen (13,7 %) oder visuellen (8,6 %) Lernstil auf. 12,2 % der Studierenden kombinierten Wahrnehmung und Sehen (perzeptiv-visueller Lernstil). Diese Ergebnisse legen nahe, dass Studierende bevorzugt mit etablierten Methoden lernen und sich Wissen einprägen, spezifische und detaillierte Vorgehensweisen befolgen und von Natur aus aufmerksam sind. Gleichzeitig lernen sie gerne visuell (z. B. anhand von Diagrammen) und neigen dazu, Informationen in Gruppen oder selbstständig zu diskutieren und anzuwenden.
Diese Studie bietet einen Überblick über maschinelle Lernverfahren im Data-Mining mit dem Schwerpunkt auf der schnellen und präzisen Vorhersage der Lebens- und Bildungserfahrungen von Studierenden und der Empfehlung geeigneter Informationssysteme. Mithilfe eines Entscheidungsbaummodells wurden die Faktoren identifiziert, die am engsten mit ihren Lebens- und Bildungserfahrungen verknüpft sind. Es handelt sich um einen überwachten maschinellen Lernalgorithmus, der eine Baumstruktur zur Klassifizierung von Daten nutzt, indem er einen Datensatz anhand bestimmter Kriterien in Unterkategorien unterteilt. Der Algorithmus arbeitet rekursiv, indem er die Eingabedaten basierend auf dem Wert eines der Eingabemerkmale jedes internen Knotens in Teilmengen aufteilt, bis am Blattknoten eine Entscheidung getroffen wird.
Die inneren Knoten des Entscheidungsbaums repräsentieren die Lösung basierend auf den Eingabemerkmalen des m-ILS-Problems, während die Blattknoten die endgültige LS-Klassifizierungsvorhersage darstellen. Im Verlauf der Studie wird die Hierarchie der Entscheidungsbäume, die den Entscheidungsprozess anhand der Beziehung zwischen Eingabemerkmalen und Ausgabevorhersagen erklärt und visualisiert, leicht verständlich.
In der Informatik und im Ingenieurwesen werden Algorithmen des maschinellen Lernens häufig eingesetzt, um die Studienleistungen anhand von Aufnahmeprüfungsergebnissen [21], demografischen Daten und dem Lernverhalten [22] vorherzusagen. Studien haben gezeigt, dass der Algorithmus die Studienleistungen präzise vorhersagt und dazu beiträgt, Studierende mit einem Risiko für akademische Schwierigkeiten zu identifizieren.
Es wird über die Anwendung von Algorithmen des maschinellen Lernens bei der Entwicklung virtueller Patientensimulatoren für die zahnärztliche Ausbildung berichtet. Der Simulator ist in der Lage, die physiologischen Reaktionen realer Patienten präzise zu reproduzieren und kann zur Ausbildung von Zahnmedizinstudierenden in einer sicheren und kontrollierten Umgebung eingesetzt werden [23]. Mehrere andere Studien zeigen, dass Algorithmen des maschinellen Lernens das Potenzial haben, die Qualität und Effizienz der zahnärztlichen und medizinischen Ausbildung sowie der Patientenversorgung zu verbessern. Algorithmen des maschinellen Lernens wurden bereits zur Unterstützung der Diagnose von Zahnerkrankungen anhand von Datensätzen wie Symptomen und Patientenmerkmalen eingesetzt [24, 25]. Andere Studien untersuchten den Einsatz von Algorithmen des maschinellen Lernens für Aufgaben wie die Vorhersage von Behandlungsergebnissen, die Identifizierung von Hochrisikopatienten, die Entwicklung personalisierter Behandlungspläne [26], die Parodontitisbehandlung [27] und die Kariesbehandlung [25].
Obwohl bereits Berichte über die Anwendung von maschinellem Lernen in der Zahnmedizin veröffentlicht wurden, ist dessen Einsatz in der zahnmedizinischen Ausbildung noch begrenzt. Ziel dieser Studie war es daher, mithilfe eines Entscheidungsbaummodells die Faktoren zu identifizieren, die am engsten mit Lebenszufriedenheit (LS) und Informationssicherheit (IS) bei Zahnmedizinstudierenden zusammenhängen.
Die Ergebnisse dieser Studie zeigen, dass das entwickelte Empfehlungstool eine hohe und perfekte Genauigkeit aufweist, was darauf hindeutet, dass Lehrkräfte von diesem Tool profitieren können. Mithilfe eines datengestützten Klassifizierungsprozesses ermöglicht es personalisierte Empfehlungen und verbessert so die Lernerfahrung und -ergebnisse für Lehrende und Lernende. Die durch Empfehlungstools gewonnenen Informationen können unter anderem dazu beitragen, Konflikte zwischen den bevorzugten Lehrmethoden der Lehrenden und den Lernbedürfnissen der Lernenden aufzulösen. Beispielsweise wird durch die automatisierte Ausgabe der Empfehlungen der Zeitaufwand für die Identifizierung des individuellen Lernprofils (IP) eines Lernenden und dessen Zuordnung zu den entsprechenden Lernzielen deutlich reduziert. Dadurch können geeignete Lernaktivitäten und -materialien zusammengestellt werden. Dies fördert ein positives Lernverhalten und die Konzentrationsfähigkeit der Lernenden. Eine Studie belegt, dass die Bereitstellung von Lernmaterialien und -aktivitäten, die den individuellen Lernpräferenzen (LS) der Lernenden entsprechen, ihnen hilft, Lerninhalte auf vielfältige Weise zu integrieren, zu verarbeiten und Freude daran zu haben, um ihr Potenzial voll auszuschöpfen [12]. Forschungsergebnisse zeigen zudem, dass neben der Verbesserung der studentischen Beteiligung im Unterricht das Verständnis des Lernprozesses der Lernenden auch eine entscheidende Rolle für die Verbesserung der Lehrpraxis und der Kommunikation mit den Lernenden spielt [28, 29].
Wie bei jeder modernen Technologie gibt es jedoch auch hier Probleme und Grenzen. Dazu gehören Fragen des Datenschutzes, der Voreingenommenheit und der Fairness sowie der erforderlichen Fachkenntnisse und Ressourcen für die Entwicklung und Implementierung von Algorithmen des maschinellen Lernens in der zahnmedizinischen Ausbildung. Das wachsende Interesse und die Forschung in diesem Bereich deuten jedoch darauf hin, dass Technologien des maschinellen Lernens einen positiven Einfluss auf die zahnmedizinische Ausbildung und die zahnärztliche Versorgung haben können.
Die Ergebnisse dieser Studie deuten darauf hin, dass die Hälfte der Zahnmedizinstudierenden eine Tendenz zum „wahrnehmenden“ Lernen von Medikamenten aufweist. Dieser Lerntyp bevorzugt Fakten und konkrete Beispiele, ist praxisorientiert, detailgenau und hat eine visuelle Lernpräferenz. Er nutzt bevorzugt Bilder, Grafiken, Farben und Karten, um Ideen und Gedanken zu vermitteln. Die vorliegenden Ergebnisse stimmen mit anderen Studien überein, die ILS zur Erfassung von Lernstilen bei Zahnmedizin- und Medizinstudierenden einsetzten. Die meisten dieser Studierenden weisen Merkmale eines wahrnehmungsorientierten und visuellen Lernstils auf [12, 30]. Dalmolin et al. legen nahe, dass Studierende durch die Kenntnis ihrer Lernstile ihr Lernpotenzial voll ausschöpfen können. Forschende argumentieren, dass Lehrende, wenn sie den Lernprozess ihrer Studierenden vollständig verstehen, verschiedene Lehrmethoden und -aktivitäten einsetzen können, die die Leistungen und Lernerfahrungen der Studierenden verbessern [12, 31, 32]. Weitere Studien haben gezeigt, dass die Anpassung der Lernstile von Studierenden an ihre individuellen Lernstile ebenfalls zu Verbesserungen der Lernerfahrung und der Leistungen führt [13, 33].
Die Meinungen von Lehrkräften zur Umsetzung von Lehrstrategien, die auf den Lernfähigkeiten der Studierenden basieren, können auseinandergehen. Während einige die Vorteile dieses Ansatzes erkennen, darunter Möglichkeiten zur beruflichen Weiterbildung, Mentoring und Unterstützung durch die Hochschulgemeinschaft, befürchten andere einen Zeitaufwand und mangelnde institutionelle Unterstützung. Ein ausgewogenes Verhältnis ist entscheidend für eine studierendenzentrierte Haltung. Hochschulverantwortliche, wie beispielsweise Universitätsverwaltungen, können durch die Einführung innovativer Praktiken und die Förderung der Dozentenentwicklung eine wichtige Rolle bei der Gestaltung positiver Veränderungen spielen [34]. Um ein wirklich dynamisches und bedarfsgerechtes Hochschulsystem zu schaffen, müssen politische Entscheidungsträger mutige Schritte unternehmen, wie etwa politische Änderungen vornehmen, Ressourcen für die Technologieintegration bereitstellen und Rahmenbedingungen schaffen, die studierendenzentrierte Ansätze fördern. Diese Maßnahmen sind entscheidend für das Erreichen der gewünschten Ergebnisse. Jüngste Forschungsergebnisse zur Differenzierung des Unterrichts haben deutlich gezeigt, dass eine erfolgreiche Umsetzung der Differenzierung kontinuierliche Fort- und Weiterbildungsmöglichkeiten für Lehrkräfte erfordert [35].
Dieses Tool bietet wertvolle Unterstützung für zahnmedizinische Lehrende, die einen studierendenzentrierten Ansatz bei der Planung studierendenfreundlicher Lernaktivitäten verfolgen möchten. Die vorliegende Studie beschränkt sich jedoch auf die Verwendung von Entscheidungsbaum-ML-Modellen. Zukünftig sollten mehr Daten erhoben werden, um die Leistungsfähigkeit verschiedener Machine-Learning-Modelle zu vergleichen und so die Genauigkeit, Zuverlässigkeit und Präzision von Empfehlungstools zu bewerten. Bei der Auswahl der geeignetsten Machine-Learning-Methode für eine bestimmte Aufgabe ist es zudem wichtig, weitere Faktoren wie Modellkomplexität und Interpretation zu berücksichtigen.
Eine Einschränkung dieser Studie besteht darin, dass sie sich ausschließlich auf die Erfassung von Lebens- und Informationskompetenzen bei Zahnmedizinstudierenden konzentrierte. Daher empfiehlt das entwickelte Empfehlungssystem nur solche Kompetenzen, die für Zahnmedizinstudierende geeignet sind. Für die Anwendung durch Studierende im allgemeinen Hochschulbereich sind Anpassungen erforderlich.
Das neu entwickelte, auf maschinellem Lernen basierende Empfehlungstool kann die Lernstile (LS) von Studierenden sofort klassifizieren und den entsprechenden Lernstilen (IS) zuordnen. Damit ist es das erste zahnmedizinische Ausbildungsprogramm, das Lehrende bei der Planung relevanter Lehr- und Lernaktivitäten unterstützt. Mithilfe eines datengestützten Triage-Prozesses liefert es personalisierte Empfehlungen, spart Zeit, optimiert Lehrstrategien, unterstützt gezielte Interventionen und fördert die kontinuierliche berufliche Weiterentwicklung. Seine Anwendung wird studentenzentrierte Ansätze in der zahnmedizinischen Ausbildung fördern.
Gilak Jani, Associated Press. Übereinstimmung oder Nichtübereinstimmung zwischen dem Lernstil des Schülers und dem Lehrstil des Lehrers. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Veröffentlichungsdatum: 29. April 2024