洪士婷Shih-Ting, Hung

論文主題

基於機器學習之醫學系學生課內外學習參與及表現分析

【摘要】

背景

醫學教育包含正式課程與非正式課程，其中正式課程培養醫學生的知識與技能；而非正式課程和隱性課程在醫生養成過程中經常被忽視。因此，本研究以機器學習方法探討初階臨床體驗、專題研究與社團活動等非正式學習，與醫預科及基礎醫學等科目之正式學習成績，及入學管道等資料，欲進行對於學生修課模式與國考學習成效進行分類及分群之深入探討分析。

材料與方法

本研究之資料來源為臺灣北部某大學103屆醫學系學生共154人，所蒐集之資料含大一至大三在校相關正式學習及非正式學習成績、社團紀錄、以及國考成績。本研究運用教育資料探勘分析正式學習與非正式學習下學習者的行為與規劃，利用監督式學習中的XGBoost、SVM、KNN與隨機森林等分類演算法建立預測模型，並比較各模型效果。此外，本研究更利用非監督式學習k-means的分群演算法與視覺化分析探討各學生族群之選課與學習規劃，探討非正式學習、正式學習與國家考試成效之關係。

結果

正式學習與非正式學習均影響學習成效。本研究發現收集學生一至二年級的資料已可預測高危險群學習者，在四種演算法中，利用XGBoost演算法可以較好的預測學生國考通過與否的情況，F1-score為0.76，利用預警模型可以提早對學生進行輔導。利用隨機森林進行特徵重要性的分析發現，在眾多變項中，成績與入學管道對於國考成績有較高預測力。從入學管道、正式學習與非正式學習變項的分群結果，本研究發現成績優異的學生對非正式學習有較高的參與意願。此外本研究以視覺化的方式，建立學生從入學管道至各非正式學習與國考通過間的流量關係圖，更清楚的展現不同入學管道對於不同非正式學習與國考通過與否之間的動向關係。

結論

本研究所建立之預測模型、分群模型及視覺化流量關係圖，皆為協助系所提早偵測需要介入輔導之學生，並且提供醫學系往後課程規劃參考。

關鍵字：醫學教育、教育資料探勘、機器學習、初階臨床體驗、第一階段醫師資格國家考試

研究著作

• 基於機器學習之醫學系學生課內外學習參與及表現分析