Hi ha una necessitat creixent d'aprenentatge centrat en l'estudiant (SCL) a les institucions d'educació superior, inclosa l'odontologia.Tanmateix, SCL té una aplicació limitada en l'educació dental.Per tant, aquest estudi té com a objectiu promoure l'aplicació de SCL en odontologia mitjançant l'ús de la tecnologia d'aprenentatge automàtic de l'arbre de decisions (ML) per mapejar l'estil d'aprenentatge preferit (LS) i les estratègies d'aprenentatge (IS) corresponents dels estudiants d'odontologia com a eina útil per desenvolupar directrius IS. .Mètodes prometedors per als estudiants d'odontologia.
Un total de 255 estudiants d'odontologia de la Universitat de Malàisia van completar el qüestionari modificat de l'Índex d'Estils d'Aprenentatge (m-ILS), que contenia 44 ítems per classificar-los en els seus respectius LS.Les dades recollides (anomenades conjunt de dades) s'utilitzen en l'aprenentatge de l'arbre de decisions supervisat per fer coincidir automàticament els estils d'aprenentatge dels estudiants amb el SI més adequat.A continuació, s'avalua la precisió de l'eina de recomanació d'IS basada en l'aprenentatge automàtic.
L'aplicació de models d'arbre 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 d'odontologia.L'eina de recomanació d'IS va demostrar una precisió i un record perfectes de la precisió general del model, cosa que indica que fer coincidir LS amb IS té una bona sensibilitat i especificitat.
Una eina de recomanació d'IS basada en un arbre de decisions ML ha demostrat la seva capacitat per combinar amb precisió els estils d'aprenentatge dels estudiants d'odontologia amb les estratègies d'aprenentatge adequades.Aquesta eina ofereix opcions potents per planificar cursos o mòduls centrats en l'alumne que poden millorar l'experiència d'aprenentatge dels estudiants.
L'ensenyament i l'aprenentatge són activitats fonamentals a les institucions educatives.Quan es desenvolupa 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 mitjançant el seu LS.La investigació suggereix que els desajustos intencionats pel professor entre el LS i el IS dels estudiants poden tenir conseqüències negatives per a l'aprenentatge dels estudiants, com ara una disminució de l'atenció i la motivació.Això afectarà indirectament el rendiment dels estudiants [1,2].
IS és un mètode utilitzat pels professors per impartir coneixements i habilitats als estudiants, inclòs ajudar els estudiants a aprendre [3].En termes generals, els bons professors planifiquen les estratègies d'ensenyament o SI que millor s'adaptin al nivell de coneixement dels seus alumnes, als conceptes que estan aprenent i a la seva etapa d'aprenentatge.Teòricament, quan LS i IS coincideixen, els estudiants seran capaços d'organitzar i utilitzar un conjunt específic d'habilitats per aprendre de manera eficaç.Normalment, un pla de lliçons inclou diverses transicions entre etapes, com ara de l'ensenyament a la pràctica guiada o de la pràctica guiada a la pràctica independent.Tenint això en compte, els professors eficaços sovint planifiquen la instrucció amb l'objectiu de construir els coneixements i les habilitats dels estudiants [4].
La demanda de SCL està creixent 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 les activitats d'aprenentatge i els professors actuen com a facilitadors i són responsables de proporcionar un feedback valuós.Es diu que oferir materials i activitats d'aprenentatge adequats al nivell educatiu o a les preferències dels estudiants pot millorar l'entorn d'aprenentatge dels estudiants i promoure experiències d'aprenentatge positives [5].
En termes generals, el procés d'aprenentatge dels estudiants d'odontologia està influenciat pels diferents procediments clínics que han de realitzar i l'entorn clínic en el qual desenvolupen habilitats interpersonals efectives.L'objectiu de la formació és permetre als estudiants combinar els coneixements bàsics d'odontologia amb les habilitats clíniques dentals i aplicar els coneixements adquirits a noves situacions clíniques [6, 7].Les primeres investigacions sobre la relació entre LS i IS van trobar que ajustar les estratègies d'aprenentatge assignades a la LS preferida ajudaria a millorar el procés educatiu [8].Els autors també recomanen utilitzar una varietat de mètodes d'ensenyament i avaluació per adaptar-se a l'aprenentatge i les necessitats dels estudiants.
Els professors es beneficien de l'aplicació dels coneixements de LS per ajudar-los a dissenyar, desenvolupar i implementar una instrucció que millori l'adquisició dels estudiants d'un coneixement i una comprensió més profunds de la matèria.Els investigadors han desenvolupat diverses eines d'avaluació de LS, com ara el model d'aprenentatge experiencial de Kolb, el model d'estil d'aprenentatge Felder-Silverman (FSLSM) i el model de Fleming VAK/VARK [5, 9, 10].Segons la literatura, aquests models d'aprenentatge són els models d'aprenentatge més utilitzats i més estudiats.En el treball de recerca actual, el FSLSM s'utilitza per avaluar el LS entre els estudiants d'odontologia.
FSLSM és un model àmpliament utilitzat per avaluar l'aprenentatge adaptatiu en enginyeria.Hi ha molts treballs publicats en ciències de la salut (incloent-hi medicina, infermeria, farmàcia i odontologia) que es poden trobar utilitzant models FSLSM [5, 11, 12, 13].L'instrument utilitzat per mesurar les dimensions del LS al FLSM s'anomena Índex d'Estils d'Aprenentatge (ILS) [8], que conté 44 ítems que avaluen quatre dimensions del LS: processament (actiu/reflexiu), percepció (perceptual/intuïtiu), 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 LS "actius" prefereixen processar la informació interactuant directament amb els materials d'aprenentatge, aprendre fent i tendeixen a aprendre en grup.El LS "reflexiu" fa referència a l'aprenentatge a través del pensament i prefereix treballar sol.La dimensió "perceptiva" del LS es pot dividir en "sentiment" i/o "intuïció".Els estudiants "feeling" prefereixen informació més concreta i procediments pràctics, estan orientats als fets en comparació amb els estudiants "intuïtius" que prefereixen material abstracte i són de naturalesa més innovadora i creativa.La dimensió "d'entrada" de LS consisteix en aprenents "visuals" i "verbals".Les persones amb LS "visual" prefereixen aprendre mitjançant demostracions visuals (com ara diagrames, vídeos o demostracions en directe), mentre que les persones amb LS "verbals" prefereixen aprendre mitjançant paraules en explicacions escrites o orals.Per "entendre" les dimensions LS, aquests aprenents es poden dividir en "seqüencials" i "globals"."Els aprenents seqüencials prefereixen un procés de pensament lineal i aprenen pas a pas, mentre que els aprenents 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 de dades, inclòs el desenvolupament de nous algorismes i models capaços d'interpretar grans quantitats de dades [15, 16].A partir de les dades proporcionades, l'aprenentatge automàtic supervisat és capaç de generar patrons i hipòtesis que prediuen resultats futurs a partir de la construcció d'algorismes [17].En poques paraules, les tècniques d'aprenentatge automàtic supervisat manipulen les dades d'entrada i entrenen algorismes.A continuació, genera un interval que classifica o prediu el resultat en funció de situacions similars per a les dades d'entrada proporcionades.El principal avantatge dels algorismes 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 d'arbre de decisió, 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 entrenat específicament pels desenvolupadors del sistema per identificar els LS dels estudiants i recomanar-los el millor IS per a ells.
L'objectiu d'aquest estudi és desenvolupar estratègies de lliurament de SI basades en el LS dels estudiants i aplicar l'enfocament SCL mitjançant el desenvolupament d'una eina de recomanació d'IS associada al 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 la visualització IS més adequada 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 automàtic de l'arbre de decisions.Els desenvolupadors de sistemes milloren l'experiència de l'usuari i la mobilitat adaptant-los a dispositius mòbils com ara telèfons mòbils i tauletes.
L'experiment es va dur a terme en dues etapes i hi van participar estudiants de la Facultat d'Odontologia de la Universitat de Malàisia de manera voluntària.Els participants van respondre al m-ILS en línia d'un estudiant d'odontologia en anglès.En la fase inicial, es va utilitzar un conjunt de dades de 50 estudiants per entrenar l'algorisme d'aprenentatge automàtic de l'arbre de decisions.En 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 un briefing en línia a l'inici de cada etapa, segons el curs acadèmic, a través de Microsoft Teams.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 al m-ILS.Es va demanar a cada alumne que respongués els 44 ítems del qüestionari.Se'ls va donar una setmana per completar l'ILS modificat a l'hora i el lloc que els convingui 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 als estudiants d'odontologia.De manera similar a l'ILS original, conté 44 ítems distribuïts de manera uniforme (a, b), amb 11 ítems cadascun, que s'utilitzen per avaluar aspectes de cada dimensió del FSLSM.
Durant les etapes inicials del desenvolupament de l'eina, els investigadors van anotar manualment els mapes mitjançant un conjunt de dades de 50 estudiants d'odontologia.Segons l'FSLM, el sistema proporciona la suma de les respostes "a" i "b".Per a cada dimensió, si l'estudiant selecciona "a" com a resposta, el LS es classifica com a Actiu/Perceptual/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 els investigadors d'educació dental i els desenvolupadors de sistemes, es van seleccionar preguntes basades en el domini FLSSM i es van introduir al model ML per predir el LS de cada estudiant."Garbage in, garbage out" és una dita popular en el camp de l'aprenentatge automàtic, amb èmfasi en la qualitat de les dades.La qualitat de les dades d'entrada determina la precisió i l'exactitud del model d'aprenentatge automàtic.Durant la fase d'enginyeria de característiques, es crea un nou conjunt de característiques que és la suma de les respostes "a" i "b" basades en FLSSM.Els números d'identificació de les posicions de drogues es mostren a la taula 1.
Calcula la puntuació a partir de les respostes i determina el LS de l'alumne.Per a cada alumne, el rang 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 tendeixen a preferir un entorn per ensenyar-ne 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 ítem designat i la seva puntuació supera el llindar de 5 per a un ítem concret que representa la dimensió de processament LS, pertany a la LS “activa”. domini..Tanmateix, els estudiants es van classificar com a LS "reflexius" 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, es tracta d'un LS "procés".El procés de classificació es va repetir per a les altres dimensions del LS, és a dir, percepció (activa/reflexiva), entrada (visual/verbal) i comprensió (seqüencial/global).
Els models d'arbre de decisió poden utilitzar diferents subconjunts de característiques i regles de decisió en diferents etapes del procés de classificació.Es considera una eina popular de classificació i predicció.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 representa els resultats de la prova i cada node fulla (node fulla) que conté una etiqueta de classe.
Es va crear un programa senzill basat en regles per puntuar i anotar automàticament el LS de cada estudiant en funció de les seves respostes.Basat en regles pren la forma d'una declaració IF, on "SI" descriu el desencadenant i "LAVORANT" especifica l'acció que cal dur a terme, per exemple: "Si passa X, llavors feu Y" (Liu et al., 2014).Si el conjunt de dades presenta correlació i el model d'arbre de decisió està entrenat i avaluat adequadament, aquest enfocament pot ser una manera eficaç d'automatitzar el procés de concordança de LS i IS.
En la segona fase de desenvolupament, el conjunt de dades es va augmentar a 255 per millorar la precisió de l'eina de recomanació.El conjunt de dades es divideix en una proporció d'1:4.El 25% (64) del conjunt de dades es va utilitzar per al conjunt de proves i el 75% restant (191) es va utilitzar com a conjunt d'entrenament (figura 2).El conjunt de dades s'ha de dividir per evitar que el model sigui entrenat i provat en el mateix conjunt de dades, cosa que podria fer que el model recordi en lloc d'aprendre.El model s'entrena al conjunt d'entrenament i avalua el seu rendiment al conjunt de proves: dades que el model no havia vist mai abans.
Un cop desenvolupada l'eina IS, l'aplicació podrà classificar LS a partir de les respostes dels estudiants d'odontologia a través d'una interfície web.El sistema d'eines de recomanació de seguretat de la informació basat en web es construeix mitjançant el llenguatge de programació Python utilitzant el marc Django com a backend.La taula 2 enumera les biblioteques utilitzades en el desenvolupament d'aquest sistema.
El conjunt de dades s'alimenta a 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 automàtic 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: Veritable positiu (TP) - el model va predir correctament la categoria positiva, Fals positiu (FP) - el model va predir la categoria positiva, però l'etiqueta veritable era negativa, Veritablement negatiu (TN) - el model va predir correctament la classe negativa i fals negatiu (FN): el model prediu una classe negativa, però l'etiqueta veritable és positiva.
A continuació, 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 sensibilitat) mesura la capacitat del model per classificar amb precisió el LS d'un estudiant després de respondre el qüestionari m-ILS.
L'especificitat s'anomena veritable taxa negativa.Com podeu veure a la fórmula anterior, aquesta hauria de ser la proporció de vertaders negatius (TN) a veritables negatius i falsos positius (FP).Com a part de l'eina recomanada per classificar les drogues dels estudiants, hauria de ser capaç d'identificar-se amb precisió.
El conjunt de dades original de 50 estudiants utilitzat per entrenar el model ML de l'arbre de decisió va mostrar una precisió relativament baixa a causa d'un error humà en les anotacions (taula 3).Després de crear un programa senzill basat en regles per calcular automàticament les puntuacions LS i les anotacions dels estudiants, es va utilitzar un nombre creixent de conjunts de dades (255) per entrenar i provar el sistema de recomanació.
A la matriu de confusió multiclasse, els elements diagonals representen el nombre de prediccions correctes per a cada tipus de LS (figura 4).Mitjançant el model d'arbre de decisió, es van predir correctament un total de 64 mostres.Així, en aquest estudi, els elements diagonals mostren els resultats esperats, la qual cosa 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 que utilitza el model d'arbre de decisió, la seva puntuació F1 és 1,0 "perfecte", que indica precisió i record perfectes, reflectint una sensibilitat i especificitat importants. valors.
La figura 6 mostra una visualització del model d'arbre de decisió després de completar la formació i les proves.En una comparació paral·lela, el model d'arbre de decisions entrenat amb menys funcions va mostrar una major precisió i una visualització més fàcil del model.Això demostra que l'enginyeria de funcions que condueix a la reducció de funcions és un pas important per millorar el rendiment del model.
Mitjançant l'aplicació de 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 preferia una (1) opció de LS.La majoria (54,3%) tenia dues o més preferències de LS.El 12,2% dels estudiants va assenyalar que el LS és força equilibrat (taula 4).A més de les vuit LS principals, hi ha 34 combinacions de classificacions LS per als estudiants d'odontologia de la Universitat de Malàisia.Entre ells, la percepció, la visió i la combinació de percepció i visió són els principals LS reportats pels estudiants (figura 7).
Com es pot veure a la taula 4, la majoria d'alumnes presentaven un LS sensorial (13,7%) o visual (8,6%) predominant.Es va informar que el 12,2% dels estudiants combinava la percepció amb la visió (LS perceptiu-visual).Aquestes troballes suggereixen que els estudiants prefereixen aprendre i recordar mitjançant mètodes establerts, segueixen procediments específics i detallats i són de caràcter atent.Al mateix temps, gaudeixen d'aprendre mirant (utilitzant esquemes, etc.) i tendeixen a discutir i aplicar la informació en grup o sols.
Aquest estudi ofereix una visió general de les tècniques d'aprenentatge automàtic utilitzades en la mineria de dades, amb un enfocament a predir de manera instantània i precisa el LS dels estudiants i recomanar IS adequats.L'aplicació d'un model d'arbre de decisió va identificar els factors més relacionats amb les seves experiències vitals i educatives.És un algorisme d'aprenentatge automàtic supervisat que utilitza una estructura d'arbre per classificar les dades dividint un conjunt de dades en subcategories en funció de 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 pren una decisió al node fulla.
Els nodes interns de l'arbre de decisió representen la solució basada en les característiques d'entrada del problema m-ILS, i els nodes 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 observant la relació entre les característiques d'entrada i les prediccions de sortida.
En els camps de la informàtica i l'enginyeria, els algorismes d'aprenentatge automàtic s'utilitzen àmpliament per predir el rendiment dels estudiants en funció de les puntuacions dels exàmens d'accés [21], la informació demogràfica i el comportament d'aprenentatge [22].La investigació va demostrar que l'algoritme va predir amb precisió el rendiment dels estudiants i els va ajudar a identificar els estudiants amb risc de patir dificultats acadèmiques.
S'informa de l'aplicació d'algorismes ML en el desenvolupament de simuladors virtuals de pacients per a la formació dental.El simulador és capaç de reproduir amb precisió les respostes fisiològiques de pacients reals i es pot utilitzar per formar estudiants d'odontologia en un entorn segur i controlat [23].Diversos altres estudis mostren que els algorismes d'aprenentatge automàtic poden millorar potencialment la qualitat i l'eficiència de l'educació dental i mèdica i l'atenció al pacient.S'han utilitzat algorismes d'aprenentatge automàtic per ajudar en el diagnòstic de malalties dentals basant-se 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 dels pacients, identificar pacients d'alt risc, desenvolupar plans de tractament personalitzats [26], tractament periodontal [27] i tractament de la càries [25].
Tot i que s'han publicat informes sobre l'aplicació de l'aprenentatge automàtic en odontologia, la seva aplicació en l'educació dental segueix sent limitada.Per tant, aquest estudi pretenia utilitzar un model d'arbre de decisió per identificar els factors més estretament associats amb LS i IS entre els estudiants d'odontologia.
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.Mitjançant un procés de classificació basat en dades, pot proporcionar recomanacions personalitzades i millorar les experiències i els 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 pels professors i les necessitats d'aprenentatge dels estudiants.Per exemple, a causa de la sortida automatitzada de les eines de recomanació, el temps necessari per identificar la IP d'un estudiant i relacionar-la amb la IP corresponent es reduirà significativament.D'aquesta manera es poden organitzar activitats formatives i materials de formació adequats.Això ajuda a desenvolupar un comportament d'aprenentatge positiu i la capacitat de concentració dels estudiants.Un estudi va informar que proporcionar als estudiants materials d'aprenentatge i activitats d'aprenentatge que coincideixin amb el seu LS preferit pot ajudar els estudiants a integrar-se, processar i gaudir de l'aprenentatge de múltiples maneres per aconseguir un major potencial [12].La investigació també mostra que, a més de millorar la participació dels estudiants a l'aula, la comprensió del 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 amb qualsevol tecnologia moderna, hi ha problemes i limitacions.Aquests inclouen qüestions relacionades amb la privadesa de dades, el biaix i l'equitat, i les habilitats professionals i els recursos necessaris per desenvolupar i implementar algorismes d'aprenentatge automàtic en l'educació dental;Tanmateix, l'interès i la investigació creixents en aquesta àrea 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 d'odontologia tendeixen a "percebre" les drogues.Aquest tipus d'aprenent té una preferència pels fets i exemples concrets, una orientació pràctica, paciència per als detalls i una preferència "visual" de LS, on els aprenents prefereixen utilitzar imatges, gràfics, colors i mapes per transmetre idees i pensaments.Els resultats actuals són coherents amb altres estudis que utilitzen ILS per avaluar LS en estudiants d'odontologia i medicina, la majoria dels quals tenen característiques de LS perceptual i visual [12, 30].Dalmolin et al suggereixen que informar els estudiants sobre el seu LS els permet assolir el seu potencial d'aprenentatge.Els investigadors argumenten que quan els professors entenen completament el procés educatiu dels estudiants, es poden implementar diversos mètodes d'ensenyament i activitats que milloraran el rendiment i l'experiència d'aprenentatge dels estudiants [12, 31, 32].Altres estudis han demostrat que ajustar el LS dels estudiants també mostra millores en l'experiència d'aprenentatge i el rendiment 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 respecte a la implementació d'estratègies docents basades en les capacitats d'aprenentatge dels alumnes.Tot i que alguns veuen els beneficis d'aquest enfocament, incloses les oportunitats de desenvolupament professional, la tutoria i el suport comunitari, altres poden estar preocupats pel temps i el suport institucional.L'esforç per l'equilibri és clau per crear una actitud centrada en l'estudiant.Les autoritats d'educació superior, com ara els administradors de les universitats, poden tenir un paper important a l'hora d'impulsar un canvi positiu introduint pràctiques innovadores i donant suport al desenvolupament del professorat [34].Per crear un sistema d'educació superior realment dinàmic i sensible, els responsables polítics han de prendre mesures valentes, com ara fer canvis en les polítiques, dedicar recursos a la integració de la tecnologia i crear marcs que promoguin enfocaments centrats en l'estudiant.Aquestes mesures són fonamentals per assolir els resultats desitjats.La investigació recent sobre l'ensenyament diferenciat ha demostrat clarament que la implementació amb èxit de l'ensenyament diferenciat requereix oportunitats de formació i desenvolupament continus per als professors [35].
Aquesta eina proporciona un suport valuós als educadors dentals que volen adoptar un enfocament centrat en l'estudiant per planificar activitats d'aprenentatge adaptades als estudiants.Tanmateix, aquest estudi es limita a l'ús de models ML d'arbre de decisió.En el futur, s'haurien de recollir 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 de triar el mètode d'aprenentatge automàtic més adequat per a una tasca concreta, és important tenir en compte altres factors com ara la complexitat i la interpretació del model.
Una limitació d'aquest estudi és que només es va centrar en mapejar LS i IS entre estudiants d'odontologia.Per tant, el sistema de recomanació desenvolupat només recomanarà aquells que siguin adequats per als estudiants d'odontologia.Els canvis són necessaris per a l'ús general dels estudiants d'educació superior.
L'eina de recomanació basada en l'aprenentatge automàtic recentment desenvolupada és capaç de classificar i relacionar instantàniament la LS dels estudiants amb l'IS corresponent, convertint-se en el primer programa d'educació dental que ajuda els educadors dentals a planificar activitats d'ensenyament i aprenentatge rellevants.Mitjançant un procés de triatge basat en dades, pot proporcionar recomanacions personalitzades, estalviar temps, millorar les estratègies docents, donar suport a intervencions específiques i promoure el desenvolupament professional continu.La seva aplicació promourà enfocaments centrats en l'estudiant per a l'educació dental.
Gilak Jani Associated Press.Coincidència o desajust entre l'estil d'aprenentatge de l'alumne 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-abril-2024