• nosaltres

Mapeig dels estils d’aprenentatge preferits dels estudiants dentals a les estratègies d’aprenentatge corresponents mitjançant models d’aprenentatge de màquines d’arbre de decisions BMC Educació mèdica |

Hi ha una necessitat creixent d’aprenentatge centrat en els estudiants (SCL) a les institucions d’educació superior, inclosa l’odontologia. Tot i això, SCL té una aplicació limitada en educació dental. Per tant, aquest estudi pretén promoure l’aplicació de SCL en l’odontologia mitjançant la tecnologia d’aprenentatge de màquines d’arbres de decisió (ML) per mapar l’estil d’aprenentatge preferit (LS) i les estratègies d’aprenentatge corresponents (IS) dels estudiants dentals com a eina útil per desenvolupar -se les directrius IS . Mètodes prometedors per a estudiants dentals.
Un total de 255 estudiants dentals de la Universitat de Malaya van completar l’índex modificat d’estils d’aprenentatge (M-ILS), que contenia 44 ítems per classificar-los en el seu LSS respectiu. Les dades recollides (anomenades conjunt de dades) s’utilitzen en l’arbre de decisions supervisat que l’aprenentatge de l’aprenentatge automàticament coincideix amb els estils d’aprenentatge dels estudiants amb els més adequats és. A continuació, s'avalua l'exactitud de l'eina de recomanació basada en l'aprenentatge automàtic.
L’aplicació de models d’arbres de decisió en un procés de mapeig automatitzat entre LS (entrada) i IS (sortida objectiu) permet una llista immediata d’estratègies d’aprenentatge adequades per a cada estudiant dental. L’eina de recomanació de l’IS va demostrar una precisió perfecta i el record de la precisió general del model, cosa que indica que la coincidència de LS a IS té una bona sensibilitat i especificitat.
L’eina de recomanació IS basada en un arbre de decisions de ML ha demostrat la seva capacitat per combinar amb precisió els estils d’aprenentatge dels estudiants dentals amb estratègies d’aprenentatge adequades. Aquesta eina ofereix opcions potents per planificar cursos o mòduls centrats en els aprenents que puguin millorar l'experiència d'aprenentatge dels estudiants.
L’ensenyament i l’aprenentatge són activitats fonamentals a les institucions educatives. A l’hora de desenvolupar un sistema d’educació professional d’alta qualitat, és important centrar-se en les necessitats d’aprenentatge dels estudiants. La interacció entre els estudiants i el seu entorn d’aprenentatge es pot determinar a través de la seva LS. La investigació suggereix que els desajustos previstos entre els professors entre la LS dels estudiants i IS poden tenir conseqüències negatives per a l’aprenentatge dels estudiants, com ara la disminució de l’atenció i la motivació. Això afectarà indirectament el rendiment dels estudiants [1,2].
IS IS és un mètode utilitzat pels professors per impartir coneixements i habilitats als estudiants, inclòs ajudar els estudiants a aprendre [3]. En general, els bons professors planifiquen estratègies d’ensenyament o és que coincideixin millor amb el nivell de coneixement dels seus estudiants, els conceptes que aprenen i la seva etapa d’aprenentatge. Teòricament, quan LS i IS coincideixen, els estudiants podran organitzar i utilitzar un conjunt específic d’habilitats per aprendre eficaçment. Normalment, un pla de lliçons inclou diverses transicions entre etapes, com ara l’ensenyament a la pràctica guiada o de la pràctica guiada a la pràctica independent. Tenint això en compte, els professors efectius solen planificar la instrucció amb l’objectiu de construir els coneixements i habilitats dels estudiants [4].
La demanda de SCL creix a les institucions d’educació superior, inclosa l’odontologia. Les estratègies SCL estan dissenyades per satisfer les necessitats d’aprenentatge dels estudiants. Això es pot aconseguir, per exemple, si els estudiants participen activament en activitats d’aprenentatge i professors actuen com a facilitadors i són els responsables de proporcionar comentaris valuosos. Es diu que proporcionar materials d’aprenentatge i activitats adequades al nivell educatiu o preferències dels estudiants pot millorar l’entorn d’aprenentatge dels estudiants i promoure experiències d’aprenentatge positives [5].
En general, el procés d’aprenentatge dels estudiants dentals està influenciat pels diversos procediments clínics que es requereixen per realitzar i l’entorn clínic en què desenvolupen habilitats interpersonals efectives. L’objectiu de la formació és permetre als estudiants combinar coneixements bàsics d’odontologia amb habilitats clíniques dentals i aplicar els coneixements adquirits a noves situacions clíniques [6, 7]. Les primeres investigacions sobre la relació entre LS i es troba que l’ajustament de les estratègies d’aprenentatge mapejat a la LS preferida ajudaria a millorar el procés educatiu [8]. Els autors també recomanen utilitzar diversos mètodes d’ensenyament i avaluació per adaptar -se a l’aprenentatge i a les necessitats dels estudiants.
Els professors es beneficien de l’aplicació de coneixements de LS per ajudar -los a dissenyar, desenvolupar i implementar instruccions que milloren l’adquisició dels estudiants de coneixement i comprensió més profunda de la matèria. Els investigadors han desenvolupat diverses eines d’avaluació de LS, com el model d’aprenentatge experiencial Kolb, el model d’estil d’aprenentatge de Felder-Silverman (FSLSM) i el model Fleming VAK/Vark [5, 9, 10]. Segons la literatura, aquests models d’aprenentatge són els models d’aprenentatge més utilitzats i estudiats. En els treballs de recerca actuals, FSLSM s’utilitza per avaluar LS entre els estudiants dentals.
FSLSM és un model àmpliament utilitzat per avaluar l’aprenentatge adaptatiu en l’enginyeria. Hi ha moltes obres publicades a les ciències de la salut (incloent medicina, infermeria, farmàcia i odontologia) que es poden trobar mitjançant models FSLSM [5, 11, 12, 13]. L’instrument que s’utilitza per mesurar les dimensions de LS en el FLSM s’anomena índex d’estils d’aprenentatge (ILS) [8], que conté 44 ítems que avaluen quatre dimensions de LS: processament (actiu/reflexiu), percepció (perceptiva/intuïtiva), Entrada (visual). /verbal) i comprensió (seqüencial/global) [14].
Com es mostra a la figura 1, cada dimensió FSLSM té una preferència dominant. Per exemple, en la dimensió de processament, els estudiants amb “actiu” LS prefereixen processar informació interactuant directament amb els materials d’aprenentatge, aprendre fent i tendeixen a aprendre en grups. El LS “reflexiu” es refereix a aprendre a través del pensament i prefereix treballar sol. La dimensió "perceint" de LS es pot dividir en "sentiment" i/o "intuïció". Els estudiants “sentir” prefereixen informació més concreta i procediments pràctics, estan orientats als fets en comparació amb els estudiants “intuïtius” que prefereixen el material abstracte i són de naturalesa més innovadora i creativa. La dimensió “d’entrada” de LS consisteix en estudiants “visuals” i “verbals”. Les persones amb “visuals” prefereixen aprendre a través de demostracions visuals (com ara diagrames, vídeos o demostracions en directe), mentre que les persones amb “verbal” prefereixen aprendre a través de paraules en explicacions escrites o orals. Per “comprendre” les dimensions de LS, aquests estudiants es poden dividir en “seqüencials” i “globals”. “Els estudiants seqüencials prefereixen un procés de pensament lineal i aprenen pas a pas, mentre que els estudiants globals solen tenir un procés de pensament holístic i sempre tenen una millor comprensió del que estan aprenent.
Recentment, molts investigadors han començat a explorar mètodes per al descobriment automàtic basat en dades, incloent el desenvolupament de nous algoritmes i models capaços d’interpretar grans quantitats de dades [15, 16]. A partir de les dades proporcionades, la ML supervisada (aprenentatge automàtic) és capaç de generar patrons i hipòtesis que prediuen els resultats futurs basats en la construcció d’algoritmes [17]. En poques paraules, les tècniques d’aprenentatge de màquines supervisades manipulen dades d’entrada i algoritmes de tren. A continuació, genera un rang que classifica o prediu el resultat basat en situacions similars per a les dades d’entrada proporcionades. El principal avantatge dels algoritmes d’aprenentatge automàtic supervisat és la seva capacitat per establir resultats ideals i desitjats [17].
Mitjançant l’ús de mètodes basats en dades i models de control de l’arbre de decisions, és possible la detecció automàtica de LS. S’ha informat que els arbres de decisió s’utilitzen àmpliament en programes de formació en diversos camps, incloses les ciències de la salut [18, 19]. En aquest estudi, el model va ser format específicament pels desenvolupadors del sistema per identificar la LS dels estudiants i recomanar el millor és per a ells.
L’objectiu d’aquest estudi és desenvolupar estratègies de lliurament basades en la LS dels estudiants i aplicar l’enfocament SCL desenvolupant una eina de recomanació IS mapejada a LS. El flux de disseny de l’eina de recomanació IS com a estratègia del mètode SCL es mostra a la figura 1. L’eina de recomanació IS es divideix en dues parts, inclòs el mecanisme de classificació LS mitjançant ILS i el més adequat és la visualització per als estudiants.
En particular, les característiques de les eines de recomanació de seguretat de la informació inclouen l’ús de tecnologies web i l’ús de l’aprenentatge de màquines d’arbres de decisió. Els desenvolupadors del sistema milloren l'experiència i la mobilitat dels usuaris adaptant -los a dispositius mòbils com telèfons mòbils i tauletes.
L’experiment es va dur a terme en dues etapes i estudiants de la Facultat d’Odontologia de la Universitat de Malaya van participar voluntàriament. Els participants van respondre a les M-ILS en línia d’un estudiant dental en anglès. En la fase inicial, es va utilitzar un conjunt de dades de 50 estudiants per formar l'algoritme d'aprenentatge de màquines de l'arbre de decisions. A la segona fase del procés de desenvolupament, es va utilitzar un conjunt de dades de 255 estudiants per millorar la precisió de l’instrument desenvolupat.
Tots els participants reben una sessió informativa en línia al començament de cada etapa, segons el curs acadèmic, a través dels equips de Microsoft. Es va explicar l’objectiu de l’estudi i es va obtenir el consentiment informat. A tots els participants se'ls va proporcionar un enllaç per accedir als M-ILS. A cada estudiant se li va encarregar que respongués als 44 ítems del qüestionari. Se'ls va donar una setmana per completar els ILs modificats a la vegada i la ubicació convenients durant el descans del semestre abans de l'inici del semestre. El M-ILS es basa en l’instrument ILS original i es modifica per a estudiants dentals. De forma similar a l’ILS original, conté 44 ítems distribuïts uniformement (a, b), amb 11 ítems cadascun, que s’utilitzen per avaluar aspectes de cada dimensió FSLSM.
Durant les etapes inicials del desenvolupament d’eines, els investigadors van anotar manualment els mapes mitjançant un conjunt de dades de 50 estudiants dentals. Segons el FSLM, el sistema proporciona la suma de les respostes "A" i "B". Per a cada dimensió, si l'estudiant selecciona "A" com a resposta, la LS es classifica en actiu/perceptiu/visual/seqüencial, i si l'estudiant selecciona "B" com a resposta, l'estudiant es classifica com a reflexiu/intuïtiu/lingüístic . / Aprenent global.
Després de calibrar el flux de treball entre investigadors en educació dental i desenvolupadors de sistemes, es van seleccionar preguntes basades en el domini FLSSM i es van incorporar al model ML per predir la LS de cada estudiant. "Les escombraries, les escombraries" és una dita popular en el camp de l'aprenentatge automàtic, amb un èmfasi en la qualitat de les dades. La qualitat de les dades d’entrada determina la precisió i la precisió del model d’aprenentatge automàtic. Durant la fase d’enginyeria de funcions, es crea un nou conjunt de funcions que és la suma de respostes “a” i “b” basades en FLSSM. Els números d’identificació de les posicions del fàrmac es donen a la taula 1.
Calculeu la puntuació en funció de les respostes i determineu la LS de l’alumne. Per a cada estudiant, l’interval de puntuació és d’1 a 11. Les puntuacions d’1 a 3 indiquen un equilibri de preferències d’aprenentatge dins de la mateixa dimensió, i les puntuacions de 5 a 7 indiquen una preferència moderada, cosa que indica que els estudiants solen preferir un entorn ensenyant als altres . Una altra variació de la mateixa dimensió és que les puntuacions de 9 a 11 reflecteixen una forta preferència per un extrem o l’altre [8].
Per a cada dimensió, els fàrmacs es van agrupar en "actius", "reflexius" i "equilibrats". Per exemple, quan un estudiant respon "a" més sovint que "B" en un element designat i la seva puntuació supera el llindar de 5 per a un determinat element que representa la dimensió LS de processament, pertany al "actiu" LS domini. . No obstant això, els estudiants van ser classificats com a "reflexius" LS quan van triar "B" més que "A" en 11 preguntes específiques (taula 1) i van obtenir més de 5 punts. Finalment, l'estudiant es troba en un estat d'equilibri ". Si la puntuació no supera els 5 punts, aquest és un "procés" LS. El procés de classificació es va repetir per a les altres dimensions de LS, a saber, la percepció (activa/reflexiva), l’entrada (visual/verbal) i la comprensió (seqüencial/global).
Els models d’arbres de decisió poden utilitzar diferents subconjunts de funcions i regles de decisió en diferents etapes del procés de classificació. Es considera una eina de classificació i predicció popular. Es pot representar mitjançant una estructura d’arbre com un diagrama de flux [20], en el qual hi ha nodes interns que representen proves per atribut, cada branca que representa els resultats de les proves i cada node de fulla (node ​​de full) que conté una etiqueta de classe.
Es va crear un programa senzill basat en regles per puntuar i anotar automàticament la LS de cada estudiant en funció de les seves respostes. Basat en regles pren la forma d’una afirmació IF, on “si” descriu el disparador i “llavors” especifica l’acció que s’ha de realitzar, per exemple: “Si x succeeix, feu y” (Liu et al., 2014). Si el conjunt de dades presenta correlació i el model de l’arbre de decisions s’entrena i s’avalua adequadament, aquest enfocament pot ser una manera eficaç d’automatitzar el procés de coincidència de LS i IS.
A la segona fase de desenvolupament, el conjunt de dades es va incrementar fins a 255 per millorar la precisió de l'eina de recomanació. El conjunt de dades es divideix en una proporció 1: 4. El 25% (64) del conjunt de dades es va utilitzar per al conjunt de proves i es va utilitzar el 75% restant (191) com a conjunt de formació (figura 2). El conjunt de dades ha de dividir -se per evitar que el model es formi i es provi en el mateix conjunt de dades, cosa que podria fer que el model recordi en lloc d’aprendre. El model està format al conjunt de formació i avalua el seu rendiment al conjunt de proves: Data el model no ha vist mai abans.
Un cop desenvolupada l’eina IS, l’aplicació podrà classificar LS en funció de les respostes dels estudiants dentals mitjançant una interfície web. El sistema d’eines de recomanació de seguretat de la informació basat en la web es construeix mitjançant el llenguatge de programació Python mitjançant el Framework de Django com a backend. La taula 2 mostra les biblioteques utilitzades en el desenvolupament d’aquest sistema.
El conjunt de dades s’alimenta d’un model d’arbre de decisions per calcular i extreure les respostes dels estudiants per classificar automàticament les mesures de LS dels estudiants.
La matriu de confusió s’utilitza per avaluar la precisió d’un algorisme d’aprenentatge de màquines d’arbre de decisions en un conjunt de dades determinat. Al mateix temps, avalua el rendiment del model de classificació. Resumeix les prediccions del model i les compara amb les etiquetes de dades reals. Els resultats de l’avaluació es basen en quatre valors diferents: True Positive (TP): el model va predir correctament la categoria positiva, fals positiva (FP) - El model predia la categoria positiva, però la veritable etiqueta va ser negativa, veritable negativa (TN) - El model va predir correctament la classe negativa i el fals negatiu (FN): el model prediu una classe negativa, però la veritable etiqueta és positiva.
Aquests valors s'utilitzen per calcular diverses mètriques de rendiment del model de classificació Scikit-Learn a Python, és a dir, precisió, precisió, record i puntuació F1. Aquí teniu exemples:
El record (o la sensibilitat) mesura la capacitat del model de classificar amb precisió la LS d’un estudiant després de respondre al qüestionari M-ILS.
L’especificitat s’anomena veritable taxa negativa. Com es pot veure des de la fórmula anterior, aquesta hauria de ser la relació entre els veritables negatius (TN) i els veritables negatius i els falsos positius (FP). Com a part de l’eina recomanada per classificar els fàrmacs estudiantils, hauria de ser capaç d’identificar -se precisa.
El conjunt de dades original de 50 estudiants utilitzats per formar el model de Decision Tree ML va mostrar una precisió relativament baixa a causa de l'error humà en les anotacions (taula 3). Després de crear un programa senzill basat en regles per calcular automàticament les puntuacions de LS i les anotacions dels estudiants, es van utilitzar un nombre creixent de conjunts de dades (255) per formar i provar el sistema de recomanació.
A la matriu de confusió multiclass, els elements diagonals representen el nombre de prediccions correctes per a cada tipus LS (figura 4). Utilitzant el model de l'arbre de decisió, es van predir correctament un total de 64 mostres. Així, en aquest estudi, els elements en diagonal mostren els resultats esperats, cosa que indica que el model funciona bé i prediu amb precisió l’etiqueta de classe per a cada classificació LS. Així, la precisió global de l'eina de recomanació és del 100%.
Els valors de precisió, precisió, record i puntuació F1 es mostren a la figura 5. Per al sistema de recomanació mitjançant el model de l’arbre de decisions, la seva puntuació F1 és 1.0 “perfecta”, cosa que indica una precisió i un record perfectes, reflectint una sensibilitat i especificitat significatives valors.
La figura 6 mostra una visualització del model de l'arbre de decisions després de la realització de l'entrenament i les proves. En una comparació de costat, el model de l'arbre de decisions format amb menys funcions va mostrar una precisió més elevada i una visualització de models més fàcil. Això demostra que l'enginyeria de funcions que condueix a la reducció de funcions és un pas important per millorar el rendiment del model.
Aplicant l’aprenentatge supervisat de l’arbre de decisions, el mapeig entre LS (entrada) i IS (sortida objectiu) es genera automàticament i conté informació detallada per a cada LS.
Els resultats van mostrar que el 34,9% dels 255 estudiants preferien una (1) opció LS. La majoria (54,3%) tenia dues o més preferències de LS. El 12,2% dels estudiants van assenyalar que LS és força equilibrat (taula 4). A més dels vuit principals LS, hi ha 34 combinacions de classificacions de LS per a estudiants dentals de la Universitat de Malaya. Entre ells, la percepció, la visió i la combinació de percepció i visió són els principals LS que els estudiants (figura 7).
Com es pot veure a la taula 4, la majoria dels estudiants tenien un LS sensorial predominant (13,7%) o visual (8,6%). Es va informar que el 12,2% dels estudiants van combinar la percepció amb la visió (LS perceptual-visual). Aquests resultats suggereixen que els estudiants prefereixen aprendre i recordar mitjançant mètodes establerts, seguir procediments específics i detallats i que tenen una naturalesa atenta. Al mateix temps, gaudeixen d’aprendre buscant (utilitzant diagrames, etc.) i solen discutir i aplicar informació en grups o pel seu compte.
Aquest estudi proporciona una visió general de les tècniques d’aprenentatge de màquines utilitzades en la mineria de dades, centrada en la predicció de forma instantània i precisa de la LS dels estudiants i recomanar l’IS adequat. L’aplicació d’un model d’arbre de decisions va identificar els factors més relacionats amb la seva vida i les seves experiències educatives. Es tracta d’un algorisme d’aprenentatge automàtic supervisat que utilitza una estructura d’arbre per classificar les dades dividint un conjunt de dades en subcategories basades en determinats criteris. Funciona dividint recursivament les dades d’entrada en subconjunts en funció del valor d’una de les característiques d’entrada de cada node intern fins que es prengui una decisió al node de les fulles.
Els nodes interns de l’arbre de decisions representen la solució basada en les característiques d’entrada del problema M-ILS i els nodes de fulla representen la predicció final de classificació LS. Al llarg de l’estudi, és fàcil entendre la jerarquia dels arbres de decisió que expliquen i visualitzen el procés de decisió mirant la relació entre les característiques d’entrada i les prediccions de sortida.
En els camps de la informàtica i l’enginyeria, els algoritmes d’aprenentatge automàtic s’utilitzen àmpliament per predir el rendiment dels estudiants en funció de les puntuacions d’examen d’accés [21], informació demogràfica i comportament d’aprenentatge [22]. Les investigacions van demostrar que l'algoritme preveia amb precisió el rendiment dels estudiants i els va ajudar a identificar els estudiants amb risc de dificultats acadèmiques.
Es reporta l’aplicació d’algoritmes de ML en el desenvolupament de simuladors de pacients virtuals per a la formació dental. El simulador és capaç de reproduir amb precisió les respostes fisiològiques dels pacients reals i es pot utilitzar per formar estudiants dentals en un entorn segur i controlat [23]. Diversos altres estudis demostren que els algoritmes d’aprenentatge automàtic poden millorar la qualitat i l’eficiència de l’educació dental i mèdica i l’atenció al pacient. S'han utilitzat algoritmes d'aprenentatge automàtic per ajudar en el diagnòstic de malalties dentals basades en conjunts de dades com ara símptomes i característiques del pacient [24, 25]. Mentre que altres estudis han explorat l’ús d’algoritmes d’aprenentatge automàtic per realitzar tasques com predir els resultats del pacient, identificar pacients d’alt risc, desenvolupar plans de tractament personalitzats [26], tractament periodontal [27] i tractament de càries [25].
Tot i que s’han publicat informes sobre l’aplicació de l’aprenentatge automàtic a l’odontologia, la seva aplicació a l’educació dental continua sent limitada. Per tant, aquest estudi tenia com a objectiu utilitzar un model d’arbre de decisió per identificar factors més estretament associats a LS i es troba entre els estudiants dentals.
Els resultats d’aquest estudi mostren que l’eina de recomanació desenvolupada té una alta precisió i una precisió perfecta, cosa que indica que els professors poden beneficiar -se d’aquesta eina. Utilitzant un procés de classificació basat en dades, pot proporcionar recomanacions personalitzades i millorar experiències i resultats educatius per a educadors i estudiants. Entre ells, la informació obtinguda mitjançant eines de recomanació pot resoldre conflictes entre els mètodes d’ensenyament preferits dels professors i les necessitats d’aprenentatge dels estudiants. Per exemple, a causa de la sortida automatitzada d’eines de recomanació, es reduirà significativament el temps necessari per identificar la IP d’un estudiant i coincidir amb la IP corresponent. D’aquesta manera, es poden organitzar activitats de formació i materials de formació adequats. Això ajuda a desenvolupar el comportament d’aprenentatge positiu dels estudiants i la capacitat de concentrar -se. Un estudi va informar que proporcionar als estudiants materials d’aprenentatge i activitats d’aprenentatge que coincideixin amb la seva LS preferida pot ajudar els estudiants a integrar, processar i gaudir de l’aprenentatge de diverses maneres per aconseguir un major potencial [12]. La investigació també demostra que, a més de millorar la participació dels estudiants a l’aula, comprendre el procés d’aprenentatge dels estudiants també té un paper crític en la millora de les pràctiques docents i la comunicació amb els estudiants [28, 29].
Tanmateix, com en qualsevol tecnologia moderna, hi ha problemes i limitacions. S'inclouen problemes relacionats amb la privadesa de les dades, el biaix i l'equitat i les habilitats i recursos professionals necessaris per desenvolupar i implementar algoritmes d'aprenentatge automàtic en l'educació dental; Tanmateix, l’interès i la investigació creixents en aquest àmbit suggereixen que les tecnologies d’aprenentatge automàtic poden tenir un impacte positiu en l’educació dental i els serveis dentals.
Els resultats d’aquest estudi indiquen que la meitat dels estudiants dentals tenen tendència a “percebre” els medicaments. Aquest tipus d’aprenent té una preferència pels fets i exemples concrets, una orientació pràctica, paciència per al detall i una preferència “visual” de LS, on els estudiants prefereixen utilitzar imatges, gràfics, colors i mapes per transmetre idees i pensaments. Els resultats actuals són consistents amb altres estudis que utilitzen ILS per avaluar LS en estudiants dentals i de medicina, la majoria dels quals tenen característiques de LS perceptual i visual [12, 30]. Dalmolin et al suggereixen que informar als estudiants sobre la seva LS els permet assolir el seu potencial d’aprenentatge. Els investigadors defensen que quan els professors entenen plenament el procés educatiu dels estudiants, es poden implementar diversos mètodes i activitats d’ensenyament que milloren el rendiment i l’experiència d’aprenentatge dels estudiants [12, 31, 32]. Altres estudis han demostrat que l’ajustament de la LS dels estudiants també mostra millores en l’experiència i el rendiment d’aprenentatge dels estudiants després de canviar els seus estils d’aprenentatge per adaptar -se al seu propi LS [13, 33].
Les opinions dels professors poden variar pel que fa a la implementació d’estratègies d’ensenyament basades en les capacitats d’aprenentatge dels estudiants. Si bé alguns veuen els avantatges d’aquest enfocament, incloses les oportunitats de desenvolupament professional, la tutoria i el suport de la comunitat, d’altres poden estar preocupats pel temps i el suport institucional. Esforçar-se per l'equilibri és clau per crear una actitud centrada en els estudiants. Les autoritats d’educació superior, com els administradors de la universitat, poden tenir un paper important en la conducció del canvi positiu mitjançant la introducció de pràctiques innovadores i el suport al desenvolupament de professors [34]. Per crear un sistema d’educació superior realment dinàmic i sensible, els responsables polítics han de fer passos agosarats, com ara fer canvis de política, dedicar recursos a la integració tecnològica i crear marcs que promoguin enfocaments centrats en els estudiants. Aquestes mesures són fonamentals per aconseguir els resultats desitjats. Les recents investigacions sobre instruccions diferenciades han demostrat clarament que la implementació amb èxit de la instrucció diferenciada requereix oportunitats de formació i desenvolupament continuades per als professors [35].
Aquesta eina proporciona un valuós suport als educadors dentals que vulguin adoptar un enfocament centrat en els estudiants per planificar activitats d’aprenentatge favorables als estudiants. Tot i això, aquest estudi es limita a l’ús dels models de l’arbre de decisions. En el futur, s’han de recopilar més dades per comparar el rendiment de diferents models d’aprenentatge automàtic per comparar la precisió, la fiabilitat i la precisió de les eines de recomanació. A més, a l’hora d’escollir el mètode d’aprenentatge automàtic més adequat per a una tasca determinada, és important tenir en compte altres factors com la complexitat i la interpretació del model.
Una limitació d’aquest estudi és que només es va centrar en el mapeig de LS i es troba entre els estudiants dentals. Per tant, el sistema de recomanació desenvolupat només recomanarà els que siguin adequats per a estudiants dentals. Els canvis són necessaris per a l’ús general dels estudiants d’educació superior.
L’eina de recomanació basada en l’aprenentatge de màquines recentment desenvolupada és capaç de classificar i coincidir de manera instantània la LS dels estudiants amb el corresponent és, convertint-lo en el primer programa d’educació dental per ajudar els educadors dentals a planificar activitats d’ensenyament i aprenentatge rellevants. Utilitzant un procés de triatge basat en dades, pot proporcionar recomanacions personalitzades, estalviar temps, millorar les estratègies d’ensenyament, donar suport a les intervencions dirigides i promoure el desenvolupament professional continu. La seva aplicació promourà els enfocaments centrats en els estudiants de l'educació dental.
Gilak Jani Associated Press. Relaciona o desajustos entre l'estil d'aprenentatge de l'estudiant i l'estil d'ensenyament del professor. Int J Mod Educ Informàtica. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05


Hora de publicació: 29 d'abril-2024